論文の概要: Making Sense of Moodle Log Data

• arxiv url: http://arxiv.org/abs/2106.11071v4
• Date: Tue, 14 Jun 2022 19:55:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-26 12:51:55.136911
• Title: Making Sense of Moodle Log Data
• Title（参考訳）: ムールログデータの意味づけ
• Authors: Daniela Rotelli, Anna Monreale
• Abstract要約: バイアスのあるデータセットに機械学習アルゴリズムをトレーニングするリスクは常に隅にある。 本稿では,Moodleから抽出したログデータの学習事例を紹介する。
• 参考スコア（独自算出の注目度）: 2.66512000865131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research is constantly engaged in finding more productive and powerful ways to support quality learning and teaching. However, although researchers and data scientists try to analyse educational data most transparently and responsibly, the risk of training machine learning algorithms on biased datasets is always around the corner and may lead to misinterpretations of student behaviour. This may happen in case of partial understanding of how learning log data is generated. Moreover, the pursuit of an ever friendlier user experience moves more and more Learning Management Systems functionality from the server to the client, but it tends to reduce significant logs as a side effect. This paper tries to focus on these issues showing some examples of learning log data extracted from Moodle and some possible misinterpretations that they hide with the aim to open the debate on data understanding and data knowledge loss.
• Abstract（参考訳）: 研究は常に、質の学習と教育をサポートする、より生産的で強力な方法を見つけることに取り組んでいます。 しかし、研究者やデータサイエンティストは、最も透過的かつ責任を持って教育データを分析しようとするが、偏りのあるデータセットで機械学習アルゴリズムをトレーニングするリスクは常に直近にあり、学生の行動の誤解につながる可能性がある。 これは、ログデータの学習方法が部分的に理解されている場合に起こりうる。 さらに、よりフレンドリーなユーザエクスペリエンスの追求は、より多くの学習管理システム機能をサーバからクライアントに移行しますが、副作用としてかなりのログを減らす傾向があります。 本稿では,Moodleから抽出したログデータを学習する事例と,データ理解とデータ知識喪失に関する議論を開こうとして隠蔽する可能性のある誤解釈について述べる。

関連論文リスト

• Imitation Learning Inputting Image Feature to Each Layer of Neural Network [1.6574413179773757]
  模倣学習は、トレーニングデータから人間の行動を学習し、再現することを可能にする。 機械学習の最近の進歩は、画像などの高次元観測データを直接処理するエンドツーエンドの学習アプローチを可能にする。 本稿では,データの影響を比較的低い相関で増幅する,この課題に対処する有用な手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:44:18Z)
• Robust Machine Learning by Transforming and Augmenting Imperfect Training Data [6.928276018602774]
  この論文は、現代の機械学習のいくつかのデータ感度を探求する。 まず、トレーニングデータで測定された事前の人間の識別をMLが符号化するのを防ぐ方法について論じる。 次に、トレーニング中に予測忠実度を提供するが、デプロイ時に信頼性が低い突発的特徴を含むデータから学習する問題について論じる。
  論文  参考訳（メタデータ） (2023-12-19T20:49:28Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey [67.7834898542701]
  我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。 まずプライバシ保護グラフデータを生成する方法を検討する。 次に,プライバシ保護情報を送信する方法について述べる。
  論文  参考訳（メタデータ） (2023-07-10T04:30:23Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• Learning from Few Examples: A Summary of Approaches to Few-Shot Learning [3.6930948691311016]
  Few-Shot Learningは、いくつかのトレーニングサンプルからデータの基本パターンを学習する問題を指す。 ディープラーニングソリューションは、データ飢餓と、膨大な計算時間とリソースに悩まされている。 機械学習アプリケーション構築のターンアラウンド時間を劇的に短縮できるようなショットラーニングは、低コストのソリューションとして現れます。
  論文  参考訳（メタデータ） (2022-03-07T23:15:21Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• A Reflection on Learning from Data: Epistemology Issues and Limitations [1.8047694351309205]
  本稿では,データから得られた知識の問題点と限界について考察する。 この論文は、一般的な数学的理論を用いてプロセスを記述する際の欠点について、いくつかの光を当てている。 さらに、データから学ぶことに特化した理論の必要性を強調している。
  論文  参考訳（メタデータ） (2021-07-28T11:05:34Z)
• Laplacian Denoising Autoencoder [114.21219514831343]
  本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。 勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。 いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T16:52:39Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。