論文の概要: Formulating Module Assessment for Improved Academic Performance
Predictability in Higher Education
- arxiv url: http://arxiv.org/abs/2008.13255v1
- Date: Sun, 30 Aug 2020 19:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:29:39.290188
- Title: Formulating Module Assessment for Improved Academic Performance
Predictability in Higher Education
- Title（参考訳）: 高等教育における学業成績予測能力向上のための定式化モジュール評価
- Authors: Mohammed Alsuwaiket, Anas H. Blasi, Ra'Fat Al-Msie'deen
- Abstract要約: 本稿では,230万以上の学生記録を調査し,異なるデータ作成プロセスを提案する。
ランダム森林分類手法を用いた予測過程におけるCARの影響について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various studies have shown that students tend to get higher marks when
assessed through coursework based assessment methods which include either
modules that are fully assessed through coursework or a mixture of coursework
and examinations than assessed by examination alone. There are a large number
of educational data mining studies that preprocess data through conventional
data mining processes including data preparation process, but they are using
transcript data as they stand without looking at examination and coursework
results weighting which could affect prediction accuracy. This paper proposes a
different data preparation process through investigating more than 230000
student records in order to prepare students marks based on the assessment
methods of enrolled modules. The data have been processed through different
stages in order to extract a categorical factor through which students module
marks are refined during the data preparation process. The results of this work
show that students final marks should not be isolated from the nature of the
enrolled modules assessment methods. They must rather be investigated
thoroughly and considered during EDMs data preprocessing phases. More
generally, it is concluded that educational data should not be prepared in the
same way as other data types due to differences as data sources, applications,
and types of errors in them. Therefore, an attribute, coursework assessment
ratio, is proposed to be used in order to take the different modules assessment
methods into account while preparing student transcript data. The effect of CAR
on prediction process using the random forest classification technique has been
investigated. It is shown that considering CAR as an attribute increases the
accuracy of predicting students second year averages based on their first year
results.
- Abstract（参考訳）: 様々な研究により、学生はコースワークに基づく評価方法によって評価される場合、コースワークによって完全に評価されるモジュール、またはコースワークと試験の混合を含む場合、試験単独で評価されるよりも高いスコアを得る傾向が示されている。
データ作成プロセスを含む従来のデータマイニングプロセスを通じてデータを前処理する教育データマイニング研究は多数存在するが、予測精度に影響を与える可能性のある試験やコース作業結果の重み付けを伴わずに、手書きデータを用いている。
本稿では,登録モジュールの評価手法に基づいて,230000点以上の学生記録を調査し,学生のマークを作成することにより,異なるデータ作成プロセスを提案する。
データ作成プロセス中に学生モジュールマークを洗練する分類因子を抽出するため、データは異なる段階にわたって処理されている。
本研究の結果から,登録モジュール評価手法の性質から学生の最終マークを分離すべきでないことが示された。
edmsデータ前処理フェーズにおいて、より徹底的に検討され、検討されなければならない。
より一般的には、教育データはデータソース、アプリケーション、エラーの種類によって異なるため、他のデータ型と同じ方法で準備するべきではないと結論づけている。
そこで本研究では,学生の書き起こしデータを作成しながら,異なるモジュール評価手法を考慮に入れるために,属性,コースワークアセスメント比を提案する。
ランダム森林分類手法を用いた予測過程におけるCARの影響について検討した。
属性として車を考えると,初年度の結果から2年生平均の予測精度が向上することが示された。
関連論文リスト
- A Fair Post-Processing Method based on the MADD Metric for Predictive Student Models [1.055551340663609]
予測的学生モデルにおけるアルゴリズム的公正性を評価するために,新しい尺度が開発された。
本稿では,適切な予測モデルの結果の正確性を保ちつつ,公平性を向上することを目的とした後処理手法を提案する。
我々は、シミュレーションと実世界の教育データを用いて、オンラインコースにおける学生の成功を予測するタスクについて実験を行った。
論文 参考訳（メタデータ） (2024-07-07T14:53:41Z) - Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。
本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。
提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-06-18T16:20:12Z) - Distilled Datamodel with Reverse Gradient Matching [74.75248610868685]
オフライントレーニングとオンライン評価段階を含む,データ影響評価のための効率的なフレームワークを提案する。
提案手法は, 直接再学習法と比較して, プロセスの大幅な高速化を図りながら, 同等のモデル行動評価を実現する。
論文 参考訳（メタデータ） (2024-04-22T09:16:14Z) - Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。
CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。
実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文 参考訳（メタデータ） (2023-11-16T06:27:35Z) - A Predictive Model using Machine Learning Algorithm in Identifying
Students Probability on Passing Semestral Course [0.0]
本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。
新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
論文 参考訳（メタデータ） (2023-04-12T01:57:08Z) - A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。
このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-03-27T16:32:21Z) - Revisiting Long-tailed Image Classification: Survey and Benchmarks with
New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。
ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文 参考訳（メタデータ） (2023-02-03T02:40:54Z) - Process-BERT: A Framework for Representation Learning on Educational
Process Data [68.8204255655161]
本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。
我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。
当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
論文 参考訳（メタデータ） (2022-04-28T16:07:28Z) - Data-Centric Machine Learning in the Legal Domain [0.2624902795082451]
本稿では,データセットの変化がモデルの性能に与える影響について考察する。
法律ドメインから公開されている3つのデータセットを用いて,そのサイズ,列車/テストの分割,および人間のラベル付け精度がパフォーマンスに与える影響について検討する。
観察された効果は、特にクラスごとのパフォーマンスを考慮した場合、驚くほど顕著である。
論文 参考訳（メタデータ） (2022-01-17T23:05:14Z) - Measuring the Credibility of Student Attendance Data in Higher Education
for Data Mining [0.0]
高等教育における学生の出席は、常に古典的な方法で扱われてきた。
本研究では,抽出した知識を,正確かつ信頼性の高い結果の達成を保証する方法で定式化しようとする。
論文 参考訳（メタデータ） (2020-09-01T20:21:46Z) - Refining Student Marks based on Enrolled Modules Assessment Methods
using Data Mining Techniques [0.0]
スコア作成のために,230万以上の学生記録を調査し,異なるデータ作成プロセスを提案する。
モジュール評価指標がランダム林とナイーブベイズ分類技術を用いた予測過程に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2020-08-30T19:47:45Z)
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。