論文の概要: Improving Students' Academic Performance with AI and Semantic
Technologies
- arxiv url: http://arxiv.org/abs/2206.03213v2
- Date: Thu, 27 Oct 2022 01:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 20:24:31.099384
- Title: Improving Students' Academic Performance with AI and Semantic
Technologies
- Title（参考訳）: AIとセマンティック技術による学生の学力向上
- Authors: Yixin Cheng
- Abstract要約: 本研究の目的は,前学期からのマークを用いて学生のパフォーマンスを予測し,意味的な方法でコース表現をモデル化し,類似した2つのコース間の前提条件を特定することである。
本研究の結果は, (i) ブレークスルーの結果により, ドロップアウト予測の精度が2.5%向上すること, (ii) コース記述に基づくコース間の類似性を明らかにすること, (iii) ANUにおける3つの計算科の必須条件を特定すること,の3つに要約できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence and semantic technologies are evolving and have been
applied in various research areas, including the education domain. Higher
Education institutions strive to improve students' academic performance. Early
intervention to at-risk students and a reasonable curriculum is vital for
students' success. Prior research opted for deploying traditional machine
learning models to predict students' performance. In terms of curriculum
semantic analysis, after conducting a comprehensive systematic review regarding
the use of semantic technologies in the Computer Science curriculum, a major
finding of the study is that technologies used to measure similarity have
limitations in terms of accuracy and ambiguity in the representation of
concepts, courses, etc. To fill these gaps, in this study, three
implementations were developed, that is, to predict students' performance using
marks from the previous semester, to model a course representation in a
semantic way and compute the similarity, and to identify the prerequisite
between two similar courses. Regarding performance prediction, we used the
combination of Genetic Algorithm and Long-Short Term Memory (LSTM) on a dataset
from a Brazilian university containing 248730 records. As for similarity
measurement, we deployed BERT to encode the sentences and used cosine
similarity to obtain the distance between courses. With respect to prerequisite
identification, TextRazor was applied to extract concepts from course
description, followed by employing SemRefD to measure the degree of
prerequisite between two concepts. The outcomes of this study can be summarized
as: (i) a breakthrough result improves Manrique's work by 2.5% in terms of
accuracy in dropout prediction; (ii) uncover the similarity between courses
based on course description; (iii) identify the prerequisite over three
compulsory courses of School of Computing at ANU.
- Abstract（参考訳）: 人工知能とセマンティックテクノロジーは進化しており、教育領域を含む様々な研究分野に応用されている。
高等教育機関は学生の学力向上に努めている。
リスクの高い学生への早期介入と適切なカリキュラムは、学生の成功に不可欠である。
以前の研究では、学生のパフォーマンスを予測するために従来の機械学習モデルをデプロイすることを選んだ。
カリキュラム意味分析の観点では,コンピュータサイエンスカリキュラムにおける意味的技術の利用に関する総合的な体系的レビューを行った結果,類似性を測定するための技術は概念やコースの表現における正確さや曖昧さに限界があることが判明した。
このギャップを埋めるために,前学期からマークを用いて学生のパフォーマンスを予測し,意味論的にコース表現をモデル化し,類似度を計算し,類似した2つのコース間の前提条件を同定する3つの実装を開発した。
性能予測には,248730レコードを含むブラジル大学のデータセット上で,遺伝的アルゴリズムとlong-short term memory(lstm)の組み合わせを用いた。
類似度測定では,文をエンコードするためにBERTを配置し,コサイン類似度を用いてコース間距離を求める。
前提条件の特定については、TextRazorを用いてコース記述から概念を抽出し、SemRefDを用いて2つの概念間の前提条件の度合いを測定した。
本研究の結果は次のように要約できる。
(i)脱落予測の正確性の観点からマンリケの業績を2.5%向上させる画期的な成果
(ii) コース説明に基づくコース間の類似性を明らかにする
(iii)anuにおける計算科の3つの義務課程の前提条件を特定する。
関連論文リスト
- A Fair Post-Processing Method based on the MADD Metric for Predictive Student Models [1.055551340663609]
予測的学生モデルにおけるアルゴリズム的公正性を評価するために,新しい尺度が開発された。
本稿では,適切な予測モデルの結果の正確性を保ちつつ,公平性を向上することを目的とした後処理手法を提案する。
我々は、シミュレーションと実世界の教育データを用いて、オンラインコースにおける学生の成功を予測するタスクについて実験を行った。
論文 参考訳（メタデータ） (2024-07-07T14:53:41Z) - Modeling of learning curves with applications to pos tagging [0.27624021966289597]
トレーニングベース全体の学習曲線の進化を推定するアルゴリズムを導入する。
学習手法とは無関係に,所望のタイミングで探索値を反復的に近似する。
本提案は, 作業仮説に関して正式に正しいことを証明し, 信頼性の高い近接条件を含む。
論文 参考訳（メタデータ） (2024-02-04T15:00:52Z) - A Deep Learning Approach Towards Student Performance Prediction in
Online Courses: Challenges Based on a Global Perspective [0.6058427379240696]
本研究は,オンラインコースの中間段階における学生のパフォーマンスを予測するために,深層学習技術(CNNとRNN-LSTM)を用いることを提案する。
実験結果から、ディープラーニングモデルは、他の最適化されたMLモデルよりも優れた性能を持つことが示された。
論文 参考訳（メタデータ） (2024-01-10T19:13:19Z) - Bag of States: A Non-sequential Approach to Video-based Engagement
Measurement [7.864500429933145]
学生の行動的・感情的状態は、そのエンゲージメントのレベルを測定するために、きめ細かい時間スケールで分析する必要がある。
既存の多くのアプローチは、ビデオから学生のエンゲージメントを測定するために、繰り返しニューラルネットワーク、時間畳み込みネットワーク、三次元畳み込みニューラルネットワークなどのシーケンシャルモデルとテンポラルモデルを開発した。
本研究では,学生の行動状態と感情状態のみをモデル化・解析し,それらの発生順序をモデル化する。
論文 参考訳（メタデータ） (2023-01-17T07:12:34Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳（メタデータ） (2022-11-15T18:57:46Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-18T17:25:43Z) - PAIR: Leveraging Passage-Centric Similarity Relation for Improving Dense
Passage Retrieval [87.68667887072324]
本稿では,クエリ中心とPAssage中心のsmilarity Relations(PAIR)を併用した新しい手法を提案する。
本稿では,2種類の類似性関係の形式的定式化を導入することにより,3つの主要な技術的貢献を行う。
MSMARCOとNatural Questionsの両方のデータセットにおいて、従来の最先端モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2021-08-13T02:07:43Z) - A Taxonomy of Similarity Metrics for Markov Decision Processes [62.997667081978825]
近年、伝達学習は強化学習(RL)アルゴリズムをより効率的にすることに成功した。
本稿では,これらの指標を分類し,これまでに提案されている類似性の定義を分析する。
論文 参考訳（メタデータ） (2021-03-08T12:36:42Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - R-VGAE: Relational-variational Graph Autoencoder for Unsupervised
Prerequisite Chain Learning [83.13634692459486]
本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。
その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。
提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
論文 参考訳（メタデータ） (2020-04-22T14:48:03Z) - 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。