論文の概要: Measuring the Credibility of Student Attendance Data in Higher Education
for Data Mining
- arxiv url: http://arxiv.org/abs/2009.00679v1
- Date: Tue, 1 Sep 2020 20:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 01:46:21.376854
- Title: Measuring the Credibility of Student Attendance Data in Higher Education
for Data Mining
- Title（参考訳）: 高等教育データマイニングにおける学生出席データの信頼性の測定
- Authors: Mohammed Alsuwaiket, Christian Dawson, Firat Batmaz
- Abstract要約: 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。
- 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: Educational Data Mining (EDM) is a developing discipline, concerned with
expanding the classical Data Mining (DM) methods and developing new methods for
discovering the data that originate from educational systems. Student
attendance in higher education has always been dealt with in a classical way,
educators rely on counting the occurrence of attendance or absence building
their knowledge about students as well as modules based on this count. This
method is neither credible nor does it necessarily provide a real indication of
a student performance. This study tries to formulate the extracted knowledge in
a way that guarantees achieving accurate and credible results. Student
attendance data, gathered from the educational system, were first cleaned in
order to remove any randomness and noise, then various attributes were studied
so as to highlight the most significant ones that affect the real attendance of
students. The next step was to derive an equation that measures the Student
Attendance Credibility (SAC) considering the attributes chosen in the previous
step. The reliability of the newly developed measure was then evaluated in
order to examine its consistency. Finally, the J48 DM classification technique
was utilized in order to classify modules based on the strength of their SAC
values. Results of this study were promising, and credibility values achieved
using the newly derived formula gave accurate, credible, and real indicators of
student attendance, as well as accurate classification of modules based on the
credibility of student attendance on those modules.
- Abstract（参考訳）: 教育データマイニング (edm) は、古典データマイニング (dm) の手法を拡大し、教育システムに由来するデータを発見する新しい手法を開発することに関する、発展途上の分野である。
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が、教育者は、生徒に関する知識を築き上げている出席や欠席の発生を数えることに頼っている。
この方法は信用できないし、必ずしも生徒のパフォーマンスを示すものではない。
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。
学習システムから収集した学生出席データは,まず無作為性や騒音を取り除くために洗浄され,その後,学生の出席に影響を及ぼす最も重要な特徴を強調するために様々な属性が研究された。
次のステップは、前のステップで選択された属性を考慮に入れた学生参加信頼度(SAC)を測定する方程式を導出することであった。
新たに開発された尺度の信頼性を評価し,その整合性を検討した。
最後に, J48 DM分類法を用いて, SAC値の強度に基づいてモジュールを分類した。
本研究の結果は有望であり, 新たに導出した式を用いて得られた信頼性値は, 学生の出席率の精度, 信頼性, 実測値, およびこれらのモジュールに対する学生の出席率に基づくモジュールの正確な分類を示した。
関連論文リスト
- Speculative Knowledge Distillation: Bridging the Teacher-Student Gap Through Interleaved Sampling [81.00825302340984]
本研究では,高品質なトレーニングデータを生成するために,投機的知識蒸留(SKD)を導入する。
SKDでは、学生はトークンを提案し、教師はそれ自身の分布に基づいて低いランクのトークンを置き換える。
翻訳,要約,数学,指示文など,各種テキスト生成タスクにおけるSKDの評価を行った。
論文 参考訳（メタデータ） (2024-10-15T06:51:25Z) - 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) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳（メタデータ） (2022-12-13T12:14:09Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - Private Semi-supervised Knowledge Transfer for Deep Learning from Noisy
Labels [21.374707481630697]
本稿では,現在進行しているノイズラベル学習機構とPATEフレームワークを組み合わせたPATE++を提案する。
GAN(Generative Adversarial Nets)の新たな構造は,それらを効果的に統合するために開発されている。
さらに,半教師付きモデルトレーニングのための新しいノイズラベル検出機構を開発し,ノイズラベルを用いたトレーニング時の生徒モデル性能をさらに向上させる。
論文 参考訳（メタデータ） (2022-11-03T07:33:49Z) - A Machine Learning system to monitor student progress in educational
institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。
信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文 参考訳（メタデータ） (2022-11-02T08:24:08Z) - Exploring Inconsistent Knowledge Distillation for Object Detection with
Data Augmentation [66.25738680429463]
物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。
教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。
本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
論文 参考訳（メタデータ） (2022-09-20T16:36:28Z) - Better Teacher Better Student: Dynamic Prior Knowledge for Knowledge
Distillation [70.92135839545314]
本研究では,教師の持つ特徴の一部を,特徴蒸留前の先行知識として統合した動的事前知識(DPK)を提案する。
DPKは,教員モデルと生徒モデルのパフォーマンスを正に相関させ,より大きな教員を適用することで生徒の精度をさらに高めることができる。
論文 参考訳（メタデータ） (2022-06-13T11:52:13Z) - SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。
まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。
次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
論文 参考訳（メタデータ） (2020-11-20T08:26:10Z) - 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) - Formulating Module Assessment for Improved Academic Performance
Predictability in Higher Education [0.0]
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。
論文 参考訳（メタデータ） (2020-08-30T19:42:31Z)
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。