論文の概要: Click-Based Student Performance Prediction: A Clustering Guided
Meta-Learning Approach
- arxiv url: http://arxiv.org/abs/2111.00901v1
- Date: Thu, 28 Oct 2021 14:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 05:51:47.336551
- Title: Click-Based Student Performance Prediction: A Clustering Guided
Meta-Learning Approach
- Title（参考訳）: クリックベース学生のパフォーマンス予測:クラスタリング指導型メタラーニングアプローチ
- Authors: Yun-Wei Chu, Elizabeth Tenorio, Laura Cruz, Kerrie Douglas, Andrew S.
Lan, Christopher G. Brinton
- Abstract要約: クリックストリーム行動からオンライン授業における学生の知識獲得を予測する問題について検討する。
ビデオ内のクイズ性能を予測する手法は,開発する3つの重要なアイデアに基づいている。
- 参考スコア（独自算出の注目度）: 10.962724342736042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the problem of predicting student knowledge acquisition in online
courses from clickstream behavior. Motivated by the proliferation of eLearning
lecture delivery, we specifically focus on student in-video activity in
lectures videos, which consist of content and in-video quizzes. Our methodology
for predicting in-video quiz performance is based on three key ideas we
develop. First, we model students' clicking behavior via time-series learning
architectures operating on raw event data, rather than defining hand-crafted
features as in existing approaches that may lose important information embedded
within the click sequences. Second, we develop a self-supervised clickstream
pre-training to learn informative representations of clickstream events that
can initialize the prediction model effectively. Third, we propose a clustering
guided meta-learning-based training that optimizes the prediction model to
exploit clusters of frequent patterns in student clickstream sequences. Through
experiments on three real-world datasets, we demonstrate that our method
obtains substantial improvements over two baseline models in predicting
students' in-video quiz performance. Further, we validate the importance of the
pre-training and meta-learning components of our framework through ablation
studies. Finally, we show how our methodology reveals insights on
video-watching behavior associated with knowledge acquisition for useful
learning analytics.
- Abstract（参考訳）: クリックストリーム行動からオンライン授業における学生の知識獲得を予測する問題について検討する。
eラーニングによる講義配信の急増に動機づけられ,講義ビデオにおける学生のインビデオ活動に焦点をあてた。
ビデオ内クイズ性能を予測する手法は,3つの重要なアイデアに基づいている。
まず、クリックシーケンスに埋め込まれた重要な情報を失う可能性のある既存のアプローチのように手作りの機能を定義するのではなく、生のイベントデータで動作する時系列学習アーキテクチャを通じて学生のクリック動作をモデル化する。
第2に,予測モデルを効果的に初期化できるクリックストリームイベントの情報表現を学習するために,自己教師付きクリックストリーム事前学習を開発した。
第3に,予測モデルを最適化し,学生クリックストリームにおける頻繁なパターンのクラスタを利用するクラスタリング誘導型メタラーニングベーストレーニングを提案する。
3つの実世界のデータセットを用いた実験により,本手法は2つのベースラインモデルに対して,映像内クイズ性能の予測において有意な改善が得られた。
さらに,このフレームワークの事前学習とメタ学習の重要性をアブレーション研究を通して検証する。
最後に,本手法が,知識獲得に伴う映像視聴行動に関する知見を,有用な学習分析のためにどのように示すかを示す。
関連論文リスト
- Learning from One Continuous Video Stream [70.30084026960819]
1つの連続ビデオストリームからオンライン学習のためのフレームワークを導入する。
連続するビデオフレーム間の高い相関を考えると、これは大きな課題となる。
プリトレーニングとシングルストリーム評価を切り替える実用的で柔軟な方法として,ピクセル・ツー・ピクセル・モデリングを採用している。
論文 参考訳（メタデータ） (2023-12-01T14:03:30Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-16T21:51:04Z) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。
本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。
改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文 参考訳（メタデータ） (2022-08-16T13:46:39Z) - Reinforcement Learning with Action-Free Pre-Training from Videos [95.25074614579646]
本稿では,ビデオにおける生成前学習を通じて動的理解に役立つ表現を学習するフレームワークを提案する。
我々のフレームワークは、視覚に基づく強化学習の最終性能とサンプル効率の両方を著しく改善する。
論文 参考訳（メタデータ） (2022-03-25T19:44:09Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - Learning by Distillation: A Self-Supervised Learning Framework for
Optical Flow Estimation [71.76008290101214]
DistillFlowは光の流れを学ぶための知識蒸留手法である。
KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。
我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
論文 参考訳（メタデータ） (2021-06-08T09:13:34Z) - Learning Actor-centered Representations for Action Localization in
Streaming Videos using Predictive Learning [18.757368441841123]
ストリーミングビデオのアクションの認識やローカライズなどのイベント認識タスクは、視覚的な理解タスクに取り組む上で不可欠です。
我々は,連続的階層的予測学習という概念を通じて,テクスタクタ中心の表現を学習する問題に取り組む。
イベント知覚の認知理論に触発され、新しい自己監督型フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-29T06:06:58Z) - Dropout Prediction over Weeks in MOOCs by Learning Representations of
Clicks and Videos [6.030785848148107]
ビデオの表現と動画とクリックの相関関係を学習する手法を開発した。
その結果、ビデオのモデリングとクリックとの相関は、ドロップアウト予測において統計的に有意な改善をもたらすことが示唆された。
論文 参考訳（メタデータ） (2020-02-05T19:10:01Z) - Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。
タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。
この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
論文 参考訳（メタデータ） (2020-02-03T06:13:01Z) - A Deep Learning Approach to Behavior-Based Learner Modeling [11.899303239960412]
本研究では,学習者の学習結果の予測,すなわちコース終了時の行動予測について検討する。
本稿では,学習者がコースをどう進むか,学習者がコースをどう進むかという2つの重要な要素を取り入れた,パフォーマンス予測のための2つの分岐決定ネットワークを提案する。
提案アルゴリズムは、95.7%の精度と0.958のAUCスコアを達成し、他の全てのモデルより優れている。
論文 参考訳（メタデータ） (2020-01-23T01:26:52Z)
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。