論文の概要: Early Performance Prediction using Interpretable Patterns in Programming
Process Data
- arxiv url: http://arxiv.org/abs/2102.05765v1
- Date: Wed, 10 Feb 2021 22:46:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:04:49.696422
- Title: Early Performance Prediction using Interpretable Patterns in Programming
Process Data
- Title（参考訳）: プログラミングプロセスデータにおけるインタープリタブルパターンによる早期パフォーマンス予測
- Authors: Ge Gao, Samiha Marwan and Thomas W. Price
- Abstract要約: リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。
我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
- 参考スコア（独自算出の注目度）: 13.413990352918098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instructors have limited time and resources to help struggling students, and
these resources should be directed to the students who most need them. To
address this, researchers have constructed models that can predict students'
final course performance early in a semester. However, many predictive models
are limited to static and generic student features (e.g. demographics, GPA),
rather than computing-specific evidence that assesses a student's progress in
class. Many programming environments now capture complete time-stamped records
of students' actions during programming. In this work, we leverage this rich,
fine-grained log data to build a model to predict student course outcomes. From
the log data, we extract patterns of behaviors that are predictive of students'
success using an approach called differential sequence mining. We evaluate our
approach on a dataset from 106 students in a block-based, introductory
programming course. The patterns extracted from our approach can predict final
programming performance with 79% accuracy using only the first programming
assignment, outperforming two baseline methods. In addition, we show that the
patterns are interpretable and correspond to concrete, effective -- and
ineffective -- novice programming behaviors. We also discuss these patterns and
their implications for classroom instruction.
- Abstract（参考訳）: 教官は苦しむ学生を助けるための時間と資源が限られており、これらのリソースは最も必要とする生徒に向けられるべきである。
これを解決するため、研究者は学期早期に最終コースのパフォーマンスを予測できるモデルを構築した。
しかし、多くの予測モデルは静的および汎用的な学生機能に限られている(例)。
人口統計学 (gpa) は, 生徒の授業の進捗を評価する, コンピュータ固有のエビデンスである。
多くのプログラミング環境は、プログラミング中に学生のアクションをタイムスタンプで記録する。
この研究では、この豊富なきめ細かいログデータを利用して、学生のコース結果を予測するモデルを構築します。
ログデータから,差分シーケンスマイニングと呼ばれる手法を用いて,学生の成功を予測する行動パターンを抽出する。
ブロック型導入型プログラミングコースにおける106名の学生のデータセットに対するアプローチを評価した。
本手法から抽出したパターンは,2つのベースライン法を上回り,最初のプログラミング割り当てのみを用いて,79%の精度で最終的なプログラミング性能を予測できる。
さらに,これらのパターンは解釈可能であり,具体的かつ効果的で,非効率的なプログラミング動作に対応していることを示す。
また,これらのパターンとその授業における意味についても論じる。
関連論文リスト
- Data Shapley in One Training Run [88.59484417202454]
Data Shapleyは、機械学習コンテキストにおけるデータのコントリビューションに寄与するための、原則化されたフレームワークを提供する。
既存のアプローチでは、計算集約的な異なるデータサブセット上の再学習モデルが必要である。
本稿では、対象とするデータモデルに対するスケーラブルなデータ属性を提供することにより、これらの制限に対処するIn-Run Data Shapleyを紹介する。
論文 参考訳（メタデータ） (2024-06-16T17:09:24Z) - Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳（メタデータ） (2024-03-12T08:40:21Z) - Manipulating Predictions over Discrete Inputs in Machine Teaching [43.914943603238996]
本稿では,個別領域における機械教育,特に教師の目標に基づいて学生モデルの予測を効率的に学習データを変更することに焦点を当てた。
本稿では,この課題を最適化問題として定式化し,反復探索アルゴリズムを提案する。
本アルゴリズムは,教師が生徒のモデルを改善するために誤予測を修正しようとする場合や,特定のサンプルを対象のクラスに不正に分類するために悪質な操作を行う場合において,有意義な数値的メリットを示す。
論文 参考訳（メタデータ） (2024-01-31T14:23:51Z) - 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) - Personalized Student Attribute Inference [0.0]
この作業は、障害のある生徒を自動的に検出できるシステムを作ることだ。
文献で広く使われているナイーブなアプローチは、データセットで利用可能な属性(等級など)と、パーソナライズされた学生属性推論(IPSA)というパーソナライズされたアプローチを比較した。
論文 参考訳（メタデータ） (2022-12-26T23:00:28Z) - 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) - Efficient Sub-structured Knowledge Distillation [52.5931565465661]
定式化においてよりシンプルで,既存のアプローチよりもはるかに効率的にトレーニングできるアプローチを提案する。
教師モデルから学生モデルへの知識の伝達は、出力空間全体ではなく、すべてのサブ構造上の予測を局所的に一致させることで行う。
論文 参考訳（メタデータ） (2022-03-09T15:56:49Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Train No Evil: Selective Masking for Task-Guided Pre-Training [97.03615486457065]
一般的な事前学習と微調整の間を選択的にマスキングするタスク誘導事前学習段階を付加した3段階のフレームワークを提案する。
提案手法は,50%未満のコストで同等あるいはさらに優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2020-04-21T03:14:22Z) - Context-aware Non-linear and Neural Attentive Knowledge-based Models for
Grade Prediction [12.592903558338444]
コース選択の過程において,学生と指導員を支援できるため,学生がまだ受け取っていない将来のコースのグレード予測が重要である。
将来のコースにおける生徒の成績を正確に予測するための成功したアプローチの1つは、累積的知識ベース回帰モデル(CKRM)である。
CKRMは、学生の成績を、自分の知識状態と対象コースとの類似性として予測する浅い線形モデルを学ぶ。
本研究では,学習者の事前学習情報から,学習者の知識状態をより正確に推定できる文脈認識型非線形・ニューラル注意モデルを提案する。
論文 参考訳（メタデータ） (2020-03-09T20:20:48Z) - Academic Performance Estimation with Attention-based Graph Convolutional
Networks [17.985752744098267]
学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。
学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。
本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
論文 参考訳（メタデータ） (2019-12-26T23:11:27Z)
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。