論文の概要: Stimuli-Sensitive Hawkes Processes for Personalized Student Procrastination Modeling

• arxiv url: http://arxiv.org/abs/2102.00089v1
• Date: Fri, 29 Jan 2021 22:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 10:37:52.907133
• Title: Stimuli-Sensitive Hawkes Processes for Personalized Student Procrastination Modeling
• Title（参考訳）: 個人化学生のプロクラッションモデリングのための刺激感性ホークスプロセス
• Authors: Mengfan Yao, Siqian Zhao, Shaghayegh Sahebi, Reza Feyzi Behnagh
• Abstract要約: オンライン学習環境において,学生の遅れと締め切りが大きな課題である。 学生の先延ばしの動的モデリングに関する以前の試みは、大きな問題に苦しんでいます。 新しいパーソナライズされた刺激感受性ホークスプロセスモデル(SSHP)を導入し、学生の次の活動時間を予測する。
• 参考スコア（独自算出の注目度）: 1.6822770693792826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Student procrastination and cramming for deadlines are major challenges in online learning environments, with negative educational and well-being side effects. Modeling student activities in continuous time and predicting their next study time are important problems that can help in creating personalized timely interventions to mitigate these challenges. However, previous attempts on dynamic modeling of student procrastination suffer from major issues: they are unable to predict the next activity times, cannot deal with missing activity history, are not personalized, and disregard important course properties, such as assignment deadlines, that are essential in explaining the cramming behavior. To resolve these problems, we introduce a new personalized stimuli-sensitive Hawkes process model (SSHP), by jointly modeling all student-assignment pairs and utilizing their similarities, to predict students' next activity times even when there are no historical observations. Unlike regular point processes that assume a constant external triggering effect from the environment, we model three dynamic types of external stimuli, according to assignment availabilities, assignment deadlines, and each student's time management habits. Our experiments on two synthetic datasets and two real-world datasets show a superior performance of future activity prediction, comparing with state-of-the-art models. Moreover, we show that our model achieves a flexible and accurate parameterization of activity intensities in students.
• Abstract（参考訳）: オンライン学習環境において、学生の先延ばしと期限の取り締まりは大きな課題であり、負の教育効果と幸福な副作用がある。 学生の活動の連続的なモデリングと次の学習時間の予測は、これらの課題を緩和するために個人化されたタイムリーな介入を作成するのに役立つ重要な問題である。 しかし、学生のプロクラッションを動的にモデル化しようとする試みは、次の活動時間を予測することができず、活動履歴の欠如に対処できず、パーソナライズされず、割任期限などの重要なコース特性を無視するなど、大きな問題に悩まされていた。 これらの問題を解決するために,すべての学生配置ペアを共同でモデル化し,その類似性を生かし,歴史的観察のない学生の次の活動時間を予測することによって,新たな刺激感受性ホークスプロセスモデル(SSHP)を導入する。 環境から一定の外部トリガー効果を仮定する通常の点過程とは異なり、割り当ての有効性、割り当て期限、各学生の時間管理習慣に応じて3種類の動的外部刺激をモデル化する。 2つの合成データセットと2つの実世界のデータセットに関する実験は、最先端モデルと比較して、将来の活動予測の優れた性能を示している。 また,本モデルでは,学習者の活動強度を柔軟かつ正確にパラメータ化できることを示す。

関連論文リスト

• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• Learning Goal-Conditioned Policies Offline with Self-Supervised Reward Shaping [94.89128390954572]
  本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。 提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-05T15:07:10Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Learning Neural Models for Continuous-Time Sequences [0.0]
  連続時間イベントシーケンス(CTES)の特性について検討し、上記の問題を克服するために、堅牢でスケーラブルなニューラルネットワークベースモデルを設計する。 本研究では,MTPPを用いた事象の生成過程をモデル化し,現実世界の幅広い問題に対処する。
  論文  参考訳（メタデータ） (2021-11-13T20:39:15Z)
• Jointly Modeling Heterogeneous Student Behaviors and Interactions Among Multiple Prediction Tasks [35.15654921278549]
  学生の予測課題は学生と大学生の両方にとって実用的な意味を持つ。 本稿では,不均一な振る舞いをモデル化し,複数の予測を行う。 大学から収集した実世界のデータセットに基づいて,モチベーション行動予測タスクを3つ設計する。
  論文  参考訳（メタデータ） (2021-03-25T02:01:58Z)
• Relaxed Clustered Hawkes Process for Procrastination Modeling in MOOCs [1.6822770693792826]
  有意義な学生行動クラスタを発見する新しいパーソナライズホークスプロセスモデル(RCHawkes-Gamma)を提案する。 本研究は,rchawkes-gammaが学生群を効果的に回復できることを示す。
  論文  参考訳（メタデータ） (2021-01-29T22:20:38Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)
• Data-driven modelling and characterisation of task completion sequences in online courses [0.0]
  本稿では,オンライン授業におけるタスク完了の時間的シーケンスのデータ駆動分析の利用方法を示す。 コース設計における課題のタイプ間における臨界点と相違点を同定する。 対話的タスクや議論投稿などの非ロボット学習タスクは、より高いパフォーマンスと相関していることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T12:39:03Z)

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。