論文の概要: Effects of personality traits in predicting grade retention of Brazilian
students
- arxiv url: http://arxiv.org/abs/2107.05767v1
- Date: Mon, 12 Jul 2021 22:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-15 01:52:58.642074
- Title: Effects of personality traits in predicting grade retention of Brazilian
students
- Title（参考訳）: ブラジル学生の成績保持予測における性格特性の影響
- Authors: Carmen Melo Toledo, Guilherme Mendes Bassedon, Jonathan Batista
Ferreira, Lucka de Godoy Gianvechio, Carlos Guatimosim, Felipe Maia Polo,
Renato Vicente
- Abstract要約: 本稿では,ブラジルにおける学年保持率の予測における学生の性格特性の関連性を評価することを目的とする。
セルタオジンホで行った調査には、いくつかの社会経済的質問、標準化されたテスト、パーソナリティテストが含まれていた。
当社のアプローチは,2012年から2017年の間,調査データに基づく機械学習モデルのトレーニングに基づいて,学年保持率の予測を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Student's grade retention is a key issue faced by many education systems,
especially those in developing countries. In this paper, we seek to gauge the
relevance of students' personality traits in predicting grade retention in
Brazil. For that, we used data collected in 2012 and 2017, in the city of
Sertaozinho, countryside of the state of Sao Paulo, Brazil. The surveys taken
in Sertaozinho included several socioeconomic questions, standardized tests,
and a personality test. Moreover, students were in grades 4, 5, and 6 in 2012.
Our approach was based on training machine learning models on the surveys' data
to predict grade retention between 2012 and 2017 using information from 2012 or
before, and then using some strategies to quantify personality traits'
predictive power. We concluded that, besides proving to be fairly better than a
random classifier when isolated, personality traits contribute to prediction
even when using socioeconomic variables and standardized tests results.
- Abstract（参考訳）: 学生の成績保持は、多くの教育システム、特に発展途上国で直面する重要な問題である。
本稿では,ブラジルにおける成績保持の予測における学生の性格特性の関連性について検討する。
そのために、2012年と2017年にブラジルのサンパウロ州の田舎セルタオジニョで収集されたデータを使用しました。
セルタオジンホで行った調査には、いくつかの社会経済的質問、標準化されたテスト、パーソナリティテストが含まれていた。
また、2012年は4学年5学年6学年であった。
われわれのアプローチは、2012年から2017年までの情報を用いて調査データの機械学習モデルをトレーニングし、その上で、性格特性の予測力の定量化にいくつかの戦略を用いた。
その結果,社会経済的変数を用いた場合や,標準化されたテスト結果を用いても,個性特性が予測に寄与することがわかった。
関連論文リスト
- Revealing Personality Traits: A New Benchmark Dataset for Explainable Personality Recognition on Dialogues [63.936654900356004]
パーソナリティ認識は,対話やソーシャルメディア投稿などのユーザデータに含まれる性格特性を識別することを目的としている。
本稿では,人格特性の証拠として推論過程を明らかにすることを目的とした,説明可能な人格認識という新しい課題を提案する。
論文 参考訳（メタデータ） (2024-09-29T14:41:43Z) - Personality Analysis for Social Media Users using Arabic language and its Effect on Sentiment Analysis [1.2903829793534267]
本研究は、Twitter上でのアラビア語の使用と性格特性と感情分析への影響の相関について検討した。
本研究では、プロフィール活動から抽出した情報と、ツイートの内容に基づいて、ユーザの性格特性を示す。
その結果,人格がソーシャルメディアの感情に影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2024-07-08T18:27:54Z) - Dynamic Generation of Personalities with Large Language Models [20.07145733116127]
Hypernetworks に基づく動的パーソナリティ生成手法である Dynamic Personality Generation (DPG) を導入する。
GPT-4にビッグファイブ・パーソナリティ理論を組み込んでパーソナリティアセスメント・マシンを形成する。
次に、この人格評価装置を用いて、スクリプトデータ中の対話を評価し、その結果、人格対話データセットを生成する。
論文 参考訳（メタデータ） (2024-04-10T15:17:17Z) - QuRating: Selecting High-Quality Data for Training Language Models [64.83332850645074]
データ品質に関する人間の直感をキャプチャできる事前学習データを選択するQuRatingを導入する。
本稿では,書体,専門知識,事実とトリビア,教育的価値の4つの特性について検討する。
ペアの判断からスカラー評価を学習するためにQurモデルをトレーニングし、それを4つの基準ごとに品質評価付き260Bのトレーニングコーパスにアノテートするために使用します。
論文 参考訳（メタデータ） (2024-02-15T06:36:07Z) - Personality Profiling: How informative are social media profiles in predicting personal information? [0.04096453902709291]
我々は、人々のオンラインデジタルフットプリントが、彼らのマイアーズ・ブリッグス・パーソナリティのタイプをプロファイリングできる範囲について調べる。
我々は,ロジスティック回帰,ナイーブベイズ,サポートベクターマシン(SVM),ランダムフォレストという4つのモデルを比較した。
SVMモデルは、完全なパーソナリティの型を予測するために20.95%の精度を達成する。
論文 参考訳（メタデータ） (2023-09-15T03:09:43Z) - SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。
提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
論文 参考訳（メタデータ） (2022-04-11T14:42:54Z) - Items from Psychometric Tests as Training Data for Personality Profiling
Models of Twitter Users [10.794240050116363]
ソーシャルメディアにおける著者プロファイリングのための機械学習モデルは、しばしば、ソーシャルメディアユーザーによって満たされた自己報告ベースの心理測定テスト(クエクションネア)を通じて取得されたデータに依存している。
もう1つのコストの安い代替手段は、ユーザーのプロフィールにある公開情報から推測されるラベルに依存することである。
本稿では,検証された心理測定テストの項目のコーパスを直接トレーニングデータとして利用する第3の戦略について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:24:59Z) - Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia
for Human Personality Profiling [74.83957286553924]
我々は、"PERS"と呼ばれる新しい多視点融合フレームワークを適用して、マイアーズ・ブリッグス・パーソナリティ・タイプインジケータを推定する。
実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
論文 参考訳（メタデータ） (2021-06-20T10:48:49Z) - Inferred vs traditional personality assessment: are we predicting the
same thing? [0.0]
機械学習の手法は、デジタル記録から心理的特徴を予測するために研究者によって広く使われている。
自動パーソナリティ推定が元の特性の性質を保持するかどうかを調べるために、220の最近の記事をレビューしました。
論文 参考訳（メタデータ） (2021-03-17T13:22:00Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z) - Vyaktitv: A Multimodal Peer-to-Peer Hindi Conversations based Dataset
for Personality Assessment [50.15466026089435]
本稿では,ピアツーピアのHindi会話データセットであるVyaktitvを提案する。
参加者の高品質な音声とビデオの録音と、会話ごとにヒングリッシュのテキストによる書き起こしで構成されている。
データセットには、収入、文化的指向など、すべての参加者のための豊富な社会デコグラフィー的特徴が含まれています。
論文 参考訳（メタデータ） (2020-08-31T17:44:28Z)
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。