論文の概要: Explainable Student Performance Prediction With Personalized Attention
for Explaining Why A Student Fails
- arxiv url: http://arxiv.org/abs/2110.08268v1
- Date: Fri, 15 Oct 2021 08:45:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 04:06:17.480955
- Title: Explainable Student Performance Prediction With Personalized Attention
for Explaining Why A Student Fails
- Title（参考訳）: 学生の失敗理由をパーソナライズした説明可能な生徒パフォーマンス予測
- Authors: Kun Niu, Xipeng Cao, Yicong Yu
- Abstract要約: パーソナライズド・アテンション(ESPA)を用いた新しい説明可能な学生パフォーマンス予測手法を提案する。
BiLSTMアーキテクチャは、特定のパターンで経路内の意味情報を抽出する。
ESPAは、学生のパフォーマンス予測のための他の最先端モデルよりも一貫して優れている。
- 参考スコア（独自算出の注目度）: 0.5607676459156788
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As student failure rates continue to increase in higher education, predicting
student performance in the following semester has become a significant demand.
Personalized student performance prediction helps educators gain a
comprehensive view of student status and effectively intervene in advance.
However, existing works scarcely consider the explainability of student
performance prediction, which educators are most concerned about. In this
paper, we propose a novel Explainable Student performance prediction method
with Personalized Attention (ESPA) by utilizing relationships in student
profiles and prior knowledge of related courses. The designed Bidirectional
Long Short-Term Memory (BiLSTM) architecture extracts the semantic information
in the paths with specific patterns. As for leveraging similar paths' internal
relations, a local and global-level attention mechanism is proposed to
distinguish the influence of different students or courses for making
predictions. Hence, valid reasoning on paths can be applied to predict the
performance of students. The ESPA consistently outperforms the other
state-of-the-art models for student performance prediction, and the results are
intuitively explainable. This work can help educators better understand the
different impacts of behavior on students' studies.
- Abstract（参考訳）: 高等教育における学生の失敗率の上昇に伴い、次の学期における生徒成績の予測が大きな需要となっている。
個人化された学生のパフォーマンス予測は、教育者が生徒の地位を包括的に把握し、効果的に介入するのに役立つ。
しかし、既存の作品では、教育者が最も関心を持つ学生のパフォーマンス予測の説明可能性を考えることはほとんどない。
本稿では,学生のプロフィールと関連コースの事前知識を生かして,個人化意識(Personalized Attention, ESPA)を用いた説明可能な学生パフォーマンス予測手法を提案する。
設計したbidirectional long short-term memory (bilstm)アーキテクチャは、経路の意味情報を特定のパターンで抽出する。
類似した経路の内的関係を活用するため,異なる学生やコースが予測に与える影響を識別するために,地域的・グローバルレベルの注意機構を提案する。
したがって、パスの正当な推論は、学生のパフォーマンスを予測するのに応用できる。
ESPAは、学生のパフォーマンス予測のための他の最先端モデルよりも一貫して優れており、結果は直感的に説明可能である。
この研究は、生徒の学習に対する行動の異なる影響を理解するのに役立つ。
関連論文リスト
- A Comparative Analysis of Student Performance Predictions in Online Courses using Heterogeneous Knowledge Graphs [0.0]
学生,コースビデオ,フォーマティブアセスメント,および学生のパフォーマンス予測のためのインタラクションからなる異種知識グラフを分析した。
次に、同一コースの5つのオンラインMOOCスタイルインスタンスと2つの完全オンラインMOOCスタイルインスタンスを比較した。
このモデルは、生徒が消費したコンテンツ、コース、モダリティに基づいて、特定の問題に合格するかどうかを予測する精度を70～90%向上した。
論文 参考訳（メタデータ） (2024-05-19T03:33:59Z) - Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。
本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。
ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文 参考訳（メタデータ） (2024-03-05T09:09:15Z) - Good Teachers Explain: Explanation-Enhanced Knowledge Distillation [52.498055901649025]
知識蒸留(KD)は、大規模な教師モデルをより小さな学生モデルに圧縮するのに有効であることが証明されている。
本研究は,古典的KD損失を最適化するだけでなく,教師と生徒が生み出す説明の類似性についても検討する。
シンプルで直感的なアイデアであるにもかかわらず、提案した「説明強調」KDは、精度と生徒と教師の合意の点で、一貫して大きな利益をもたらしている。
論文 参考訳（メタデータ） (2024-02-05T15:47:54Z) - Can Language Models Teach Weaker Agents? Teacher Explanations Improve
Students via Personalization [84.86241161706911]
教師のLLMは、実際に生徒の推論に介入し、パフォーマンスを向上させることができることを示す。
また,マルチターンインタラクションでは,教師による説明が一般化され,説明データから学習されることを示す。
教師のミスアライメントが学生の成績をランダムな確率に低下させることを、意図的に誤解させることで検証する。
論文 参考訳（メタデータ） (2023-06-15T17:27:20Z) - On student-teacher deviations in distillation: does it pay to disobey? [54.908344098305804]
知識蒸留は「学生」ネットワークのテスト精度を向上させるために広く用いられている。
教師の確率に合うように訓練されているにもかかわらず、生徒は教師の確率から大きく逸脱するだけでなく、パフォーマンスにおいて教師を上回ることもある。
論文 参考訳（メタデータ） (2023-01-30T14:25:02Z) - 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) - Task Formulation Matters When Learning Continually: A Case Study in
Visual Question Answering [58.82325933356066]
継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。
本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
論文 参考訳（メタデータ） (2022-09-30T19:12:58Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-12-15T19:05:48Z) - 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) - Academic Performance Estimation with Attention-based Graph Convolutional
Networks [17.985752744098267]
学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。
学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。
本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
論文 参考訳（メタデータ） (2019-12-26T23:11:27Z)
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。