論文の概要: Decision Tree-Based Predictive Models for Academic Achievement Using
College Students' Support Networks
- arxiv url: http://arxiv.org/abs/2108.13947v1
- Date: Tue, 31 Aug 2021 16:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 17:01:36.515394
- Title: Decision Tree-Based Predictive Models for Academic Achievement Using
College Students' Support Networks
- Title（参考訳）: 大学生支援ネットワークを用いた意思決定木に基づく学業成績予測モデル
- Authors: Anthony Frazier, Joethi Silva, Rachel Meilak, Indranil Sahoo, David
Chan and Michael Broda
- Abstract要約: Tiesデータと呼ばれるデータには、学生の人口統計とネットワーク情報のサポートが含まれていた。
白人学生にとって、学業成績を予測するためには、様々なタイプの教育支援が重要であった。
非白人学生にとって、学業成績を予測する上では、異なるタイプの感情的支援が重要であった。
- 参考スコア（独自算出の注目度）: 0.16311150636417257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we examine a set of primary data collected from 484 students
enrolled in a large public university in the Mid-Atlantic United States region
during the early stages of the COVID-19 pandemic. The data, called Ties data,
included students' demographic and support network information. The support
network data comprised of information that highlighted the type of support,
(i.e. emotional or educational; routine or intense). Using this data set,
models for predicting students' academic achievement, quantified by their
self-reported GPA, were created using Chi-Square Automatic Interaction
Detection (CHAID), a decision tree algorithm, and cforest, a random forest
algorithm that uses conditional inference trees. We compare the methods'
accuracy and variation in the set of important variables suggested by each
algorithm. Each algorithm found different variables important for different
student demographics with some overlap. For White students, different types of
educational support were important in predicting academic achievement, while
for non-White students, different types of emotional support were important in
predicting academic achievement. The presence of differing types of routine
support were important in predicting academic achievement for cisgender women,
while differing types of intense support were important in predicting academic
achievement for cisgender men.
- Abstract（参考訳）: 本研究では,米国中大西洋地域の大公立大学に入学した484人の学生を対象に,新型コロナウイルスパンデミックの早期に収集した一次データについて検討した。
データはtie dataと呼ばれ、学生の人口統計とサポートネットワーク情報を含んでいた。
サポートネットワークデータは、サポートの種類(例えば、サポートの種類を強調した情報からなる。
感情的、教育的、日常的または激しい)
このデータセットを用いて,自己報告GPAによって定量化された学生の学業業績を予測するモデルを,決定木アルゴリズムであるChi-Square Automatic Interaction Detection (CHAID)と条件推論木を用いたランダム森林アルゴリズムであるcforestを用いて作成した。
各アルゴリズムが提案する重要な変数の集合における手法の精度と変動を比較した。
それぞれのアルゴリズムは、重複のある異なる学生層にとって重要な異なる変数を見出した。
白人学生は学業成績の予測において異なるタイプの教育支援が重要であり、非白人学生では学業成績の予測において異なるタイプの情緒的支援が重要であった。
シゲンダー女子の学業成績の予測には, 異なるタイプの日常的支援が重要であるが, シゲンダー男子の学業成績の予測には, 異なるタイプの激しい支援が重要である。
関連論文リスト
- Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - 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) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Inside the Black Box: Detecting and Mitigating Algorithmic Bias across Racialized Groups in College Student-Success Prediction [1.124958340749622]
大学生の成功予測の精度が人種集団によってどのように異なるのかを,アルゴリズムバイアスのシグナルとして検討した。
人種的にマイノリティのある学生の成功を予測する際に、大学学生の成功を予測するためによく使われる機能を組み込んだモデルが、いかに正確でないかを実証する。
アルゴリズムバイアスを緩和するための一般的なアプローチは、一般的に、予測結果の相違や人種化されたグループ間の正確性を排除するのに効果がない。
論文 参考訳（メタデータ） (2023-01-10T04:48:51Z) - Personalized Student Attribute Inference [0.0]
この作業は、障害のある生徒を自動的に検出できるシステムを作ることだ。
文献で広く使われているナイーブなアプローチは、データセットで利用可能な属性(等級など)と、パーソナライズされた学生属性推論(IPSA)というパーソナライズされたアプローチを比較した。
論文 参考訳（メタデータ） (2022-12-26T23:00:28Z) - Student-centric Model of Learning Management System Activity and
Academic Performance: from Correlation to Causation [2.169383034643496]
近年,学生の学習行動パターンを理解するために,学習管理システム(LMS)における学習者のデジタルトレースのモデル化に多くの関心が寄せられている。
本稿では,LMS活動データに対する学生中心の分析フレームワークについて検討し,観察データから抽出した相関性だけでなく因果的洞察も提供する。
これらの知見は、大学生支援団体が学生中心で標的とする介入を開始するための証拠となると期待している。
論文 参考訳（メタデータ） (2022-10-27T14:08:25Z) - Mitigating Biases in Student Performance Prediction via Attention-Based
Personalized Federated Learning [7.040747348755578]
従来の学習に基づく学生モデリングのアプローチは、データの可用性のバイアスにより、表現不足の学生グループにあまり一般化しない。
本研究では,オンライン学習活動から学生のパフォーマンスを予測する手法を提案し,人種や性別などの異なる集団を対象とした推論精度を最適化する。
論文 参考訳（メタデータ） (2022-08-02T00:22:20Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳（メタデータ） (2022-07-29T02:34:19Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - Jointly Modeling Heterogeneous Student Behaviors and Interactions Among
Multiple Prediction Tasks [35.15654921278549]
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。
論文 参考訳（メタデータ） (2021-03-25T02:01:58Z) - Gender Stereotype Reinforcement: Measuring the Gender Bias Conveyed by
Ranking Algorithms [68.85295025020942]
本稿では,性別ステレオタイプをサポートする検索エンジンの傾向を定量化するジェンダーステレオタイプ強化(GSR)尺度を提案する。
GSRは、表現上の害を定量化できる情報検索のための、最初の特別に調整された尺度である。
論文 参考訳（メタデータ） (2020-09-02T20:45:04Z)
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。