論文の概要: The application of predictive analytics to identify at-risk students in health professions education

• arxiv url: http://arxiv.org/abs/2108.07709v1
• Date: Thu, 5 Aug 2021 03:55:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-22 14:38:30.410389
• Title: The application of predictive analytics to identify at-risk students in health professions education
• Title（参考訳）: 健康教育におけるリスクの高い学生の識別への予測分析の適用
• Authors: Anshul Kumar, Roger Edwards, Lisa Walker
• Abstract要約: 機械学習は、どの学生が国家認定試験に失敗するリスクがあるかを予測するために使用される。 受験前には、学生が受験する前に教育者が有意義に介入できるような予測がなされている。 最良の予測モデルは精度93%、感度69%、特異性94%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Introduction: When a learner fails to reach a milestone, educators often wonder if there had been any warning signs that could have allowed them to intervene sooner. Machine learning is used to predict which students are at risk of failing a national certifying exam. Predictions are made well in advance of the exam, such that educators can meaningfully intervene before students take the exam. Methods: Using already-collected, first-year student assessment data from four cohorts in a Master of Physician Assistant Studies program, the authors implement an "adaptive minimum match" version of the k-nearest neighbors algorithm (AMMKNN), using changing numbers of neighbors to predict each student's future exam scores on the Physician Assistant National Certifying Examination (PANCE). Leave-one-out cross validation (LOOCV) was used to evaluate the practical capabilities of this model, before making predictions for new students. Results: The best predictive model has an accuracy of 93%, sensitivity of 69%, and specificity of 94%. It generates a predicted PANCE score for each student, one year before they are scheduled to take the exam. Students can then be prospectively categorized into groups that need extra support, optional extra support, or no extra support. The educator then has one year to provide the appropriate customized support to each type of student. Conclusions: Predictive analytics can help health professions educators allocate scarce time and resources across their students. Interprofessional educators can use the included methods and code to generate predicted test outcomes for students. The authors recommend that educators using this or similar predictive methods act responsibly and transparently.
• Abstract（参考訳）: 導入: 学習者がマイルストーンに到達できなかったとき、教育者たちは、より早く介入できる警告サインがあったかどうか疑問に思うことが多い。 機械学習は、国家認定試験に失敗するリスクがある生徒を予測するために使用される。 試験前には、生徒が試験を受ける前に教育者が有意義に介入できるという予測がうまく行われている。 方法:マスター・オブ・メディカル・アシスタント・スタディ・プログラムにおける4つのコホートから得られた1年間の学生評価データを用いて,k-nearest neighborsアルゴリズム(ammknn)の適応的最小マッチング版を実装した。 このモデルの有効性を評価するためにLOOCV(Leave-one-out Cross Validation)を用いて,新入生の予測を行った。 結果: 最良の予測モデルは精度93%,感度69%,特異性94%であった。 試験を受ける予定の1年前に、各生徒に予測されたPANCEスコアを生成する。 学生は前向きに、追加サポート、オプションサポート、追加サポートを必要としないグループに分類できる。 教育者には、各タイプの生徒に適切な支援を提供するための1年が与えられる。 結論:予測分析は、医療専門家が学生に不足した時間とリソースを割り当てるのに役立つ。 職業間教育者は、含む方法とコードを使用して、学生の予測されたテスト結果を生成することができる。 著者らは、これらまたは類似の予測手法を使用する教育者が責任感と透明性をもって行動することを推奨している。

関連論文リスト

• Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
  機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。 本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
  論文  参考訳（メタデータ） (2023-12-06T19:49:06Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course [0.0]
  本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。 新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
  論文  参考訳（メタデータ） (2023-04-12T01:57:08Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• 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)
• Predicting Early Dropout: Calibration and Algorithmic Fairness Considerations [2.7048165023994057]
  本研究では,大学中退のリスクを予測できる機械学習手法を開発した。 予測精度(AUC)および誤差率(一般化偽陽性率、GFPR、一般化偽陰性率、GFNR)の観点から、この方法が一部の敏感群の識別結果につながるかどうかを分析します。
  論文  参考訳（メタデータ） (2021-03-16T13:42:16Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Prescribing Deep Attentive Score Prediction Attracts Improved Student Engagement [3.826813422964192]
  韓国で約780万人のユーザーがいる多プラットフォーム英語ITSであるSantaに対して、最先端のディープラーニングに基づくスコア予測モデルを適用した。 我々は、より正確なモデルが学生のエンゲージメントを高めるかどうかを検証するために、協調フィルタリングと深い注意神経ネットワークに基づいて、2つのモデルでITS上で制御されたA/Bテストを実行する。
  論文  参考訳（メタデータ） (2020-04-27T02:05:40Z)

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。