論文の概要: Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities
- arxiv url: http://arxiv.org/abs/2008.05849v1
- Date: Wed, 12 Aug 2020 10:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:17:09.782547
- Title: Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from
the First Week's Activities
- Title(参考訳): 初週の活動から得られる2つの特徴を用いたMOOCの降雨予測
- Authors: Ahmed Alamri, Mohammad Alshehri, Alexandra I. Cristea, Filipe D.
Pereira, Elaine Oliveira, Lei Shi, Craig Stewart
- Abstract要約: いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
- 参考スコア(独自算出の注目度): 56.1344233010643
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While Massive Open Online Course (MOOCs) platforms provide knowledge in a new
and unique way, the very high number of dropouts is a significant drawback.
Several features are considered to contribute towards learner attrition or lack
of interest, which may lead to disengagement or total dropout. The jury is
still out on which factors are the most appropriate predictors. However, the
literature agrees that early prediction is vital to allow for a timely
intervention. Whilst feature-rich predictors may have the best chance for high
accuracy, they may be unwieldy. This study aims to predict learner dropout
early-on, from the first week, by comparing several machine-learning
approaches, including Random Forest, Adaptive Boost, XGBoost and GradientBoost
Classifiers. The results show promising accuracies (82%-94%) using as little as
2 features. We show that the accuracies obtained outperform state of the art
approaches, even when the latter deploy several features.
- Abstract(参考訳): 大規模オープンオンラインコース(MOOC)プラットフォームは、新しいユニークな方法で知識を提供するが、非常に多くのドロップアウトが大きな欠点である。
いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。
陪審員は、どの要因が最も適切な予測者であるかをまだ明らかにしていない。
しかし、文献は早期の予測がタイムリーな介入を可能にするために不可欠であることに同意している。
機能豊富な予測器は高い精度で最適の確率を持つかもしれないが、それらは扱いにくい。
本研究は,ランダムフォレスト,アダプティブブースト,xgboost,gradientboost分類器など,いくつかの機械学習手法を比較し,最初の週から学習者のドロップアウトを予測することを目的とした。
その結果,有望な精度(82%~94%)で2つの特徴が得られた。
本報告では,複数の特徴を配置した場合でも,アキュラシーが芸術的アプローチよりも優れていたことを示す。
関連論文リスト
- Probably Approximately Precision and Recall Learning [62.912015491907994]
精度とリコールは機械学習の基本的な指標である。
一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。
PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
論文 参考訳(メタデータ) (2024-11-20T04:21:07Z) - Tracking Changing Probabilities via Dynamic Learners [0.18648070031379424]
非定常性に応答するスパース・マルチクラス移動平均手法をタイムリーに開発する。
1つのテクニックは指数移動平均(EMA)に基づいており、もう1つは数個のスナップショットのキューに基づいている。
論文 参考訳(メタデータ) (2024-02-15T17:48:58Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - How many Observations are Enough? Knowledge Distillation for Trajectory
Forecasting [31.57539055861249]
現在の最先端モデルは、通常、過去の追跡された場所の「歴史」に頼り、将来の位置の妥当なシーケンスを予測する。
我々は,教師ネットワークから学生ネットワークへの知識伝達を可能にする新しい蒸留戦略を考案した。
適切に定義された教師の監督により、学生ネットワークが最先端のアプローチと相容れないように実行できることが示される。
論文 参考訳(メタデータ) (2022-03-09T15:05:39Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。
本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。
ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
論文 参考訳(メタデータ) (2021-12-15T15:17:02Z) - Efficient Action Recognition Using Confidence Distillation [9.028144245738247]
本研究では,教師の不確実性の表現を学生に教える信頼性蒸留フレームワークを提案する。
我々は3つの行動認識データセットに関する広範な実験を行い、我々のフレームワークが、行動認識精度(最大20%)と計算効率(40%以上)の大幅な改善を実現していることを示す。
論文 参考訳(メタデータ) (2021-09-05T18:25:49Z) - A framework for predicting, interpreting, and improving Learning
Outcomes [0.0]
本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。
ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
論文 参考訳(メタデータ) (2020-10-06T11:22:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。