論文の概要: Extracting candidate factors affecting long-term trends of student
abilities across subjects
- arxiv url: http://arxiv.org/abs/2103.06446v1
- Date: Thu, 11 Mar 2021 04:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-08 11:33:28.876451
- Title: Extracting candidate factors affecting long-term trends of student
abilities across subjects
- Title（参考訳）: 学生能力の長期的傾向に影響を及ぼす要因の抽出
- Authors: Satoshi Takahashi and Hiroki Kuno and Atsushi Yoshikawa
- Abstract要約: 学生の長期成績データは、学生のスキルが被験者の将来のトレンドにどのような影響を及ぼすかという研究の問題を定式化するのに有用な情報を提供する。
本研究では,被験者間の長期的傾向に影響を与える要因を長期的データから抽出する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term student achievement data provide useful information to formulate
the research question of what types of student skills would impact future
trends across subjects. However, few studies have focused on long-term data.
This is because the criteria of examinations vary depending on their designers;
additionally, it is difficult for the same designer to maintain the coherence
of the criteria of examinations beyond grades. To solve this inconsistency
issue, we propose a novel approach to extract candidate factors affecting
long-term trends across subjects from long-term data. Our approach is composed
of three steps: Data screening, time series clustering, and causal inference.
The first step extracts coherence data from long-term data. The second step
groups the long-term data by shape and value. The third step extracts factors
affecting the long-term trends and validates the extracted variation factors
using two or more different data sets. We then conducted evaluation experiments
with student achievement data from five public elementary schools and four
public junior high schools in Japan. The results demonstrate that our approach
extracts coherence data, clusters long-term data into interpretable groups, and
extracts candidate factors affecting academic ability across subjects.
Subsequently, our approach formulates a hypothesis and turns archived
achievement data into useful information.
- Abstract（参考訳）: 学生の長期成績データは,学生のスキルが今後のトレンドにどのような影響を与えるかという研究課題を定式化するための有用な情報を提供する。
しかし、長期的なデータに焦点を当てた研究はほとんどない。
これは、試験基準が設計者によって異なるためであり、また、同一設計者が試験基準を等級を超えて一貫性を維持することは困難である。
この不整合問題を解決するために, 長期データから対象者間の長期傾向に影響を与える候補因子を抽出する新しい手法を提案する。
データスクリーニング、時系列クラスタリング、因果推論の3つのステップで構成されている。
第1ステップは、長期データからコヒーレンスデータを抽出する。
第2ステップは、長期的なデータを形状と値でグループ化する。
第3のステップは、長期的な傾向に影響を与える要因を抽出し、抽出された変動要因を2つ以上の異なるデータセットを用いて検証する。
その後,日本の5つの公立小学校と4つの公立中学校の成績データを用いて評価実験を行った。
以上の結果から,コヒーレンスデータを抽出し,長期データを解釈可能なグループに集約し,学習能力に影響する候補因子を抽出した。
その後,提案手法は仮説を定式化し,アーカイブされた成果データを有用な情報に変換する。
関連論文リスト
- GATEAU: Selecting Influential Samples for Long Context Alignment [62.87020831987625]
GATEAUは、長距離依存関係に富む影響力のあるサンプルを同定する。
実験結果から, GATEAUは有効に有効なサンプルを同定し, これらのサンプルに基づいてトレーニングしたモデルにより, より優れた指示追従能力と長文理解能力を示すことが示された。
論文 参考訳（メタデータ） (2024-10-21T04:30:53Z) - A Survey on Data Selection for Language Models [148.300726396877]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳（メタデータ） (2024-02-26T18:54:35Z) - Combining the Strengths of Dutch Survey and Register Data in a Data Challenge to Predict Fertility (PreFer) [8.4153358785173]
オランダにおける出生率の予測可能性を調べるために,2つのデータセットを提案する。
1つのデータセットは、幅広いトピックに関する数千の変数を含む縦断調査であるISSパネルに基づいている。
もう一つはオランダの登録データに基づいており、位置データに欠けるが、オランダの住民数百万人のライフコースに関する詳細な情報を含んでいる。
論文 参考訳（メタデータ） (2024-02-01T16:00:21Z) - A Review and Roadmap of Deep Causal Model from Different Causal
Structures and Representations [23.87336875544181]
我々は因果データを,定値データ,半定値データ,不定値データという3つのカテゴリに再定義する。
定値データとは、従来の因果的シナリオで使用される統計データであり、半定値データは、ディープラーニングにドイツのデータフォーマットのスペクトルを指す。
不確定データは、我々のデータフォームの進行から推定される創発的な研究領域である。
論文 参考訳（メタデータ） (2023-11-02T01:31:42Z) - Continual Release of Differentially Private Synthetic Data from Longitudinal Data Collections [19.148874215745135]
本研究では,縦方向のデータ収集から微分プライベートな合成データを連続的に放出する問題について検討する。
各ステップごとに、各ステップが新しいデータ要素をレポートするモデルを導入します。
本稿では,2種類のクエリを連続的に保存する合成データ生成アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-13T16:22:08Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳（メタデータ） (2023-03-21T15:02:50Z) - Towards Federated Long-Tailed Learning [76.50892783088702]
データプライバシとクラス不均衡は、多くの機械学習タスクの例外ではなく、標準である。
最近の試みでは、広範にわたるプライベートデータから学習する問題に対処する一方で、長い尾を持つデータから学ぶことが試みられている。
本稿では,プライバシ保護フェデレーション学習(FL)フレームワークのコンテキスト下での長期的データ分散(LT)学習に焦点を当てた。
論文 参考訳（メタデータ） (2022-06-30T02:34:22Z) - A Survey on Long-Tailed Visual Recognition [13.138929184395423]
我々は、長い尾を持つデータ分布に起因する問題に焦点をあて、代表的な長い尾を持つ視覚認識データセットを整理し、いくつかの主流の長い尾を持つ研究を要約する。
Gini係数に基づいて、過去10年間に提案された20の広範に利用されている大規模ビジュアルデータセットを定量的に研究する。
論文 参考訳（メタデータ） (2022-05-27T06:22:55Z) - Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
論文 参考訳（メタデータ） (2022-02-15T07:44:20Z) - Multi-characteristic Subject Selection from Biased Datasets [79.82881947891589]
本稿では,異なる集団群に対する最良サンプリング分数を求める制約付き最適化に基づく手法を提案する。
その結果,提案手法がすべての問題変化のベースラインを最大90%上回っていることが示された。
論文 参考訳（メタデータ） (2020-12-18T15:55:27Z) - Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。
本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。
提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-06-06T21:53:44Z)
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。