論文の概要: Can Population-based Engagement Improve Personalisation? A Novel Dataset
and Experiments
- arxiv url: http://arxiv.org/abs/2207.01504v1
- Date: Wed, 22 Jun 2022 15:53:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 15:53:31.244631
- Title: Can Population-based Engagement Improve Personalisation? A Novel Dataset
and Experiments
- Title（参考訳）: 人口ベースエンゲージメントはパーソナライゼーションを改善するか?
新たなデータセットと実験
- Authors: Sahan Bulathwela, Meghana Verma, Maria Perez-Ortiz, Emine Yilmaz and
John Shawe-Taylor
- Abstract要約: VLEは、公開されている科学ビデオ講義から抽出されたコンテンツとビデオベースの特徴からなる、新しいデータセットである。
実験結果から,新たに提案したVLEデータセットがコンテキストに依存しないエンゲージメント予測モデルの構築につながることが示唆された。
構築したモデルとパーソナライズアルゴリズムを組み合わせる実験は、教育推薦者によるコールドスタート問題に対処する上で有望な改善を示す。
- 参考スコア（独自算出の注目度）: 21.12546768556595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work explores how population-based engagement prediction can address
cold-start at scale in large learning resource collections. The paper
introduces i) VLE, a novel dataset that consists of content and video based
features extracted from publicly available scientific video lectures coupled
with implicit and explicit signals related to learner engagement, ii) two
standard tasks related to predicting and ranking context-agnostic engagement in
video lectures with preliminary baselines and iii) a set of experiments that
validate the usefulness of the proposed dataset. Our experimental results
indicate that the newly proposed VLE dataset leads to building context-agnostic
engagement prediction models that are significantly performant than ones based
on previous datasets, mainly attributing to the increase of training examples.
VLE dataset's suitability in building models towards Computer Science/
Artificial Intelligence education focused on e-learning/ MOOC use-cases is also
evidenced. Further experiments in combining the built model with a
personalising algorithm show promising improvements in addressing the
cold-start problem encountered in educational recommenders. This is the largest
and most diverse publicly available dataset to our knowledge that deals with
learner engagement prediction tasks. The dataset, helper tools, descriptive
statistics and example code snippets are available publicly.
- Abstract（参考訳）: 本研究は,大規模な学習資源収集において,集団ベースのエンゲージメント予測が大規模にコールドスタートにどう対処できるかを考察する。
論文紹介
一 公開可能な科学ビデオ講義から抽出したコンテンツ及び映像に基づく特徴と、学習者の関与に関連する暗黙的及び明示的な信号とを組み合わせた新しいデータセット
二 予備的ベースラインを有するビデオ講義における文脈非依存の関与の予測及びランキングに関する二の標準課題
三 提案したデータセットの有用性を検証する実験の集合
実験結果から,新たに提案するvleデータセットは,トレーニング例の増加を主とする,先行データセットに基づくものよりも大幅にパフォーマンスの高い,コンテキスト非依存なエンゲージメント予測モデルの構築に繋がることが示唆された。
VLEデータセットは、eラーニング/MOOCユースケースに焦点を当てたコンピュータサイエンス/人工知能教育のためのモデル構築に適していることも証明されている。
構築したモデルとパーソナライズアルゴリズムを組み合わせるさらなる実験は、教育推薦者によるコールドスタート問題に対処する上で有望な改善を示す。
これは、学習者のエンゲージメント予測タスクを扱う私たちの知識にとって、最大かつ最も多様な公開データセットです。
データセット、ヘルパーツール、記述統計、サンプルコードスニペットが公開されている。
関連論文リスト
- Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
コンテキスト・イズ・キー (Context is Key) (CiK) は、時系列予測ベンチマークであり、様々な種類のテキストコンテキストと数値データをペアリングする。
我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。
実験では、文脈情報の導入の重要性を強調し、LLMに基づく予測モデルを用いた場合の驚くべき性能を示すとともに、それらの重要な欠点を明らかにした。
論文 参考訳（メタデータ） (2024-10-24T17:56:08Z) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - Forecasting Early with Meta Learning [4.750521042508541]
本稿では,追加データセットからのサンプルを活用するメタ学習手法を考案し,対象データセットの補助タスクとして,逆学習を通じて時系列を拡大する学習を行う。
我々のモデル(FEML)は、異なるデータセットから異なる長さ入力の特徴を学習する共有畳み込みバックボーンを備えており、異なる出力長を予測するためのデータセット固有のヘッドを備えている。
論文 参考訳（メタデータ） (2023-07-19T07:30:01Z) - 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) - Ensemble Machine Learning Model Trained on a New Synthesized Dataset
Generalizes Well for Stress Prediction Using Wearable Devices [3.006016887654771]
本研究では,少数の被験者を含むデータセット上に構築されたモデルの一般化能力について検討した。
本研究では,新たな未知のデータに対する予測パワーを測定するために,勾配押し上げと人工ニューラルネットワークを組み合わせたアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T00:20:57Z) - Quality Not Quantity: On the Interaction between Dataset Design and
Robustness of CLIP [43.7219097444333]
ここでは,CLIPにおける事前学習分布がロバスト性をいかに引き起こすかを調べるために,公開されている6つのデータソースのテストベッドを紹介する。
その結果,事前学習データの性能は分布変化によって大きく異なることがわかった。
複数のソースを組み合わせることで、必ずしもより良いモデルが得られるのではなく、最高の個々のデータソースのロバスト性を希薄にする。
論文 参考訳（メタデータ） (2022-08-10T18:24:23Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - UmBERTo-MTSA @ AcCompl-It: Improving Complexity and Acceptability
Prediction with Multi-task Learning on Self-Supervised Annotations [0.0]
本研究は,ラベル付きデータの適度な使用量のみの学習モデルの性能向上に使用される,自己教師型データ拡張手法について述べる。
神経言語モデルは、EVALITA 2020におけるAcCompl-it共有タスクのコンテキストにおいて、この手順を用いて微調整される。
論文 参考訳（メタデータ） (2020-11-10T15:50:37Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z) - Predicting Engagement in Video Lectures [24.415345855402624]
本稿では,文脈に依存しないエンゲージメントを予測するための,ビデオ講義の大規模データセットを提案する。
この課題を達成するために、クロスモーダルとモダリティ固有の特徴セットを提案する。
データ不足の場合、我々のアプローチを実演する。
論文 参考訳（メタデータ） (2020-05-31T19:28:16Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。