Fugu-MT 論文翻訳(概要): Predicting Higher Education Throughput in South Africa Using a Tree-Based Ensemble Technique

論文の概要: Predicting Higher Education Throughput in South Africa Using a Tree-Based Ensemble Technique

arxiv url: http://arxiv.org/abs/2106.06805v1
Date: Sat, 12 Jun 2021 15:54:19 GMT
ステータス: 処理完了
システム内更新日: 2021-06-19 16:24:44.106113
Title: Predicting Higher Education Throughput in South Africa Using a Tree-Based Ensemble Technique
Title（参考訳）: 木に基づくアンサンブル手法による南アフリカの高等教育スループットの予測
Authors: Rendani Mbuvha, Patience Zondo, Aluwani Mauda, Tshilidzi Marwala
Abstract要約: 南アフリカの大学では、グラデーションブースティングマシンとロジスティックレグレッションを使用して、学術的なスループットを予測する。この結果は,スループットの予測因子としての社会経済的要因と研究分野の有意義な影響を浮き彫りにした。
参考スコア（独自算出の注目度）: 3.280440285289601
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We use gradient boosting machines and logistic regression to predict academic throughput at a South African university. The results highlight the significant influence of socio-economic factors and field of study as predictors of throughput. We further find that socio-economic factors become less of a predictor relative to the field of study as the time to completion increases. We provide recommendations on interventions to counteract the identified effects, which include academic, psychosocial and financial support.
Abstract（参考訳）: 南アフリカの大学では、勾配向上機とロジスティック回帰を用いて、学術的なスループットを予測する。その結果,スループットの予測因子としての社会経済的要因と研究分野の有意義な影響が明らかになった。さらに, 完成までの時間とともに, 社会経済的要因は, 研究分野に対する予測因子よりも少ないものとなることを見出した。我々は、学術的、精神社会的、財政的な支援を含む、特定された効果に対処するための介入を推奨する。

関連論文リスト

Trading off performance and human oversight in algorithmic policy: evidence from Danish college admissions [11.378331161188022]
学生の退学は教育機関にとって重要な関心事である。シーケンシャルなAIモデルはより正確で公正な予測を提供する。入場決定を導くための単純なAIモデルでさえ、大きな経済的利益をもたらすと見積もっている。
論文参考訳（メタデータ） (2024-11-22T21:12:54Z)
Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文参考訳（メタデータ） (2024-08-09T16:03:44Z)
Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文参考訳（メタデータ） (2024-04-29T08:16:30Z)
Exploring Educational Equity: A Machine Learning Approach to Unravel Achievement Disparities in Georgia [0.5439020425819]
この研究は、異なる人口層、地域、主題にわたる学生の達成率の包括的分析を行う。パンデミックの間、英語と数学の習熟度は著しく低下した。この研究は、都市部と農村部における達成率の格差、および郡間でのバリエーションも明らかにしている。
論文参考訳（メタデータ） (2024-01-25T15:05:52Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文参考訳（メタデータ） (2022-11-28T14:16:22Z)
How important are socioeconomic factors for hurricane performance of power systems? An analysis of disparities through machine learning [0.4297070083645048]
本稿では,フロリダの電力系統のハリケーン性能に社会経済的要因が重要であるかを検討する。本研究は,システムパフォーマンスモデルにおいて,社会経済変数が極めて重要であることを示す。
論文参考訳（メタデータ） (2022-08-18T20:59:39Z)
Should College Dropout Prediction Models Include Protected Attributes? [0.4125187280299248]
機械学習モデルを構築し、1学年後に学生のドロップアウトを予測する。モデル予測の全体的な性能と公平性を、4つの保護属性の有無で比較する。保護属性を含むと、全体的な予測性能に影響を与えず、予測のアルゴリズム的公正さをわずかに改善することを発見した。
論文参考訳（メタデータ） (2021-03-28T22:47:30Z)
Impact of weather factors on migration intention using machine learning algorithms [17.012869982527725]
そこで本研究では,木をベースとした機械学習手法を用いて,気象ショックの役割を個人が移行する意図に対して分析する。我々は、列車検証テストワークフローを用いて、木に基づくいくつかのアルゴリズムを実行し、頑丈で耐雑音性のあるアプローチを構築した。気象特性は,社会経済特性が移動意図に影響を及ぼす一方で,予測性能を向上させることが判明した。
論文参考訳（メタデータ） (2020-12-04T16:59:15Z)
Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文参考訳（メタデータ） (2020-10-15T16:39:26Z)
On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
論文参考訳（メタデータ） (2020-06-15T13:50:23Z)

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。