論文の概要: Jointly Modeling Heterogeneous Student Behaviors and Interactions Among
Multiple Prediction Tasks
- arxiv url: http://arxiv.org/abs/2103.13565v1
- Date: Thu, 25 Mar 2021 02:01:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:58:20.076899
- Title: Jointly Modeling Heterogeneous Student Behaviors and Interactions Among
Multiple Prediction Tasks
- Title（参考訳）: 複数の予測課題における異種学生の行動と相互作用の連成モデル
- Authors: Haobing Liu, Yanmin Zhu, Tianzi Zang, Yanan Xu, Jiadi Yu, Feilong Tang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 35.15654921278549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction tasks about students have practical significance for both student
and college. Making multiple predictions about students is an important part of
a smart campus. For instance, predicting whether a student will fail to
graduate can alert the student affairs office to take predictive measures to
help the student improve his/her academic performance. With the development of
information technology in colleges, we can collect digital footprints which
encode heterogeneous behaviors continuously. In this paper, we focus on
modeling heterogeneous behaviors and making multiple predictions together,
since some prediction tasks are related and learning the model for a specific
task may have the data sparsity problem. To this end, we propose a variant of
LSTM and a soft-attention mechanism. The proposed LSTM is able to learn the
student profile-aware representation from heterogeneous behavior sequences. The
proposed soft-attention mechanism can dynamically learn different importance
degrees of different days for every student. In this way, heterogeneous
behaviors can be well modeled. In order to model interactions among multiple
prediction tasks, we propose a co-attention mechanism based unit. With the help
of the stacked units, we can explicitly control the knowledge transfer among
multiple tasks. We design three motivating behavior prediction tasks based on a
real-world dataset collected from a college. Qualitative and quantitative
experiments on the three prediction tasks have demonstrated the effectiveness
of our model.
- Abstract（参考訳）: 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。
学生について複数の予測を行うことは、スマートキャンパスの重要な部分だ。
例えば、学生が卒業に失敗した場合の予測は、生徒の学業成績を改善するための予測措置を取るよう学生事務室に警告することができる。
大学における情報技術の発展により,不均質な行動を連続的にエンコードするデジタルフットプリントを収集できる。
本稿では,不均質な振る舞いをモデル化し,複数の予測を一緒に行うことに焦点を当てる。
そこで我々はLSTMの変種とソフトアテンション機構を提案する。
提案したLSTMは異種行動系列から学生のプロファイル認識表現を学習することができる。
提案するソフトアテンション機構は,生徒毎に異なる日数の重要性を動的に学習することができる。
このように、不均一な振る舞いをうまくモデル化することができる。
複数の予測タスク間のインタラクションをモデル化するために,コアテンション機構に基づくユニットを提案する。
積み重ねられたユニットの助けを借りて、複数のタスク間の知識伝達を明示的に制御できる。
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。
3つの予測課題に関する定性的および定量的実験により,本モデルの有効性を実証した。
関連論文リスト
- Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳（メタデータ） (2024-05-07T17:05:27Z) - Enhancing the Performance of Automated Grade Prediction in MOOC using
Graph Representation Learning [3.4882560718166626]
大規模オープンオンラインコース(MOOCs)は、オンライン学習において急速に成長する現象として大きな注目を集めている。
現在の自動評価アプローチでは、下流タスクに関わるさまざまなエンティティ間の構造的リンクを見落としている。
我々は、大規模なMOOCデータセットのためのユニークな知識グラフを構築し、研究コミュニティに公開します。
論文 参考訳（メタデータ） (2023-10-18T19:27:39Z) - Task Formulation Matters When Learning Continually: A Case Study in
Visual Question Answering [58.82325933356066]
継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。
本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
論文 参考訳（メタデータ） (2022-09-30T19:12:58Z) - The Effect of Diversity in Meta-Learning [79.56118674435844]
少ないショット学習は、少数の例から見れば、新しいタスクに対処できる表現を学習することを目的としている。
近年の研究では,タスク分布がモデルの性能に重要な役割を担っていることが示されている。
タスクの多様性がメタ学習アルゴリズムに与える影響を評価するために,多種多様なモデルとデータセットのタスク分布について検討する。
論文 参考訳（メタデータ） (2022-01-27T19:39:07Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-12-15T19:05:48Z) - Visual Adversarial Imitation Learning using Variational Models [60.69745540036375]
逆関数仕様は、深い強化学習を通しての学習行動にとって大きな障害であり続けている。
望ましい行動の視覚的なデモンストレーションは、エージェントを教えるためのより簡単で自然な方法を示すことが多い。
変動モデルに基づく対向的模倣学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-07-16T00:15:18Z) - 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) - A framework for predicting, interpreting, and improving Learning
Outcomes [0.0]
本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。
ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
論文 参考訳（メタデータ） (2020-10-06T11:22:27Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z) - Leveraging Affect Transfer Learning for Behavior Prediction in an
Intelligent Tutoring System [32.63911260416332]
知的学習システム(ITS)で作業する学生の問題点を予測するためのビデオベースの転帰学習手法を提案する。
学生の顔やジェスチャーを分析して、ビデオフィードからITSの課題に答える学生の結果を予測する。
論文 参考訳（メタデータ） (2020-02-12T21:30:34Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。