論文の概要: Relaxed Clustered Hawkes Process for Procrastination Modeling in MOOCs
- arxiv url: http://arxiv.org/abs/2102.00093v1
- Date: Fri, 29 Jan 2021 22:20:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 10:19:57.601733
- Title: Relaxed Clustered Hawkes Process for Procrastination Modeling in MOOCs
- Title(参考訳): 緩和したクラスターホークス過程によるmoocsのプロクラスチン化モデリング
- Authors: Mengfan Yao, Siqian Zhao, Shaghayegh Sahebi, Reza Feyzi Behnagh
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.6822770693792826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hawkes processes have been shown to be efficient in modeling bursty sequences
in a variety of applications, such as finance and social network activity
analysis. Traditionally, these models parameterize each process independently
and assume that the history of each point process can be fully observed. Such
models could however be inefficient or even prohibited in certain real-world
applications, such as in the field of education, where such assumptions are
violated. Motivated by the problem of detecting and predicting student
procrastination in students Massive Open Online Courses (MOOCs) with missing
and partially observed data, in this work, we propose a novel personalized
Hawkes process model (RCHawkes-Gamma) that discovers meaningful student
behavior clusters by jointly learning all partially observed processes
simultaneously, without relying on auxiliary features. Our experiments on both
synthetic and real-world education datasets show that RCHawkes-Gamma can
effectively recover student clusters and their temporal procrastination
dynamics, resulting in better predictive performance of future student
activities. Our further analyses of the learned parameters and their
association with student delays show that the discovered student clusters
unveil meaningful representations of various procrastination behaviors in
students.
- Abstract(参考訳): ホークスプロセスは、金融やソーシャルネットワークのアクティビティ分析など、さまざまなアプリケーションにおけるバーストシーケンスのモデリングにおいて効率的であることが示されている。
伝統的に、これらのモデルは各プロセスを独立にパラメータ化し、各ポイントプロセスの歴史を完全に観察できると仮定する。
しかし、そのようなモデルは、そのような仮定に違反する教育の分野など、特定の実世界の応用において非効率もしくは禁止される可能性がある。
本研究は,学生の学習者の確率的傾向を発見・予測する問題に起因し,補助的特徴に頼らずに,すべての観察過程を同時に学習することで,意味のある学生行動クラスタを発見できる,新しい個人化されたホークスプロセスモデル(RCHawkes-Gamma)を提案する。
本研究は,rchawkes-gammaが学生集団とその時間的プロクチングダイナミクスを効果的に回復し,将来の学生活動の予測性能を向上させることを実証するものである。
学習パラメータと学生遅延との関連についてさらに分析した結果,学生集団は,学生の様々な先延ばし行動の有意義な表現を明らかにした。
関連論文リスト
- RIGL: A Unified Reciprocal Approach for Tracing the Independent and Group Learning Processes [22.379764500005503]
個人レベルとグループレベルの両方で知識状態をトレースする統合相互モデルであるRIGLを提案する。
本稿では,学生と集団の相互作用を同時にモデル化するための時間フレーム対応の相互埋め込みモジュールを提案する。
動的グラフモデリングと時間的自己注意機構を組み合わせた関係誘導型時間的注意ネットワークを設計する。
論文 参考訳(メタデータ) (2024-06-18T10:16:18Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳(メタデータ) (2023-07-21T14:25:06Z) - Latent Variable Representation for Reinforcement Learning [131.03944557979725]
モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。
状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。
特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-17T00:26:31Z) - Knowledge Tracing for Complex Problem Solving: Granular Rank-Based
Tensor Factorization [6.077274947471846]
グラニュラーRAnkに基づくTEnsor Factorization (GRATE) を用いた新しい学生知識追跡手法を提案する。
GRATEは、問題における生徒のパフォーマンスを予測し、それらに提示される概念を発見しながら集約できる学生の試みを選択する。
実世界の3つのデータセットに対する実験は、最先端のベースラインに比べてGRATEの性能が向上したことを示している。
論文 参考訳(メタデータ) (2022-10-06T06:22:46Z) - Mitigating Biases in Student Performance Prediction via Attention-Based
Personalized Federated Learning [7.040747348755578]
従来の学習に基づく学生モデリングのアプローチは、データの可用性のバイアスにより、表現不足の学生グループにあまり一般化しない。
本研究では,オンライン学習活動から学生のパフォーマンスを予測する手法を提案し,人種や性別などの異なる集団を対象とした推論精度を最適化する。
論文 参考訳(メタデータ) (2022-08-02T00:22:20Z) - Self-Supervised Models are Continual Learners [79.70541692930108]
本研究では, 自己教師付き損失関数を連続学習のための蒸留機構にシームレスに変換可能であることを示す。
我々は,学習した表現の質を大幅に向上させる連続的自己教師型視覚表現学習の枠組みを考案した。
論文 参考訳(メタデータ) (2021-12-08T10:39:13Z) - On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。
本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-18T11:00:24Z) - 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) - Stimuli-Sensitive Hawkes Processes for Personalized Student
Procrastination Modeling [1.6822770693792826]
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。
論文 参考訳(メタデータ) (2021-01-29T22:07:07Z) - Revealing the Hidden Patterns: A Comparative Study on Profiling
Subpopulations of MOOC Students [61.58283466715385]
MOOC(Massive Open Online Courses)は、学生の異質性を示す。
MOOCプラットフォームからの複雑な“ビッグデータ”の出現は、学生がMOOCにどのように従事しているかを深く理解する上で、難しいが報われる機会である。
本報告では,MOOCにおける学生活動のクラスタリング分析と,学生集団間の行動パターンと人口動態の比較分析について述べる。
論文 参考訳(メタデータ) (2020-08-12T10:38:50Z) - 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)
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。