論文の概要: Predicting student performance using sequence classification with
time-based windows
- arxiv url: http://arxiv.org/abs/2208.07749v2
- Date: Thu, 1 Sep 2022 22:07:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:33:26.187532
- Title: Predicting student performance using sequence classification with
time-based windows
- Title（参考訳）: 時間ベースウィンドウを用いたシーケンス分類による学生の成績予測
- Authors: Galina Deeva and Johannes De Smedt and Cecilia Saint-Pierre and
Richard Weber and Jochen De Weerdt
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5836913530330787
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A growing number of universities worldwide use various forms of online and
blended learning as part of their academic curricula. Furthermore, the recent
changes caused by the COVID-19 pandemic have led to a drastic increase in
importance and ubiquity of online education. Among the major advantages of
e-learning is not only improving students' learning experience and widening
their educational prospects, but also an opportunity to gain insights into
students' learning processes with learning analytics. This study contributes to
the topic of improving and understanding e-learning processes in the following
ways. First, we demonstrate that accurate predictive models can be built based
on sequential patterns derived from students' behavioral data, which are able
to identify underperforming students early in the course. Second, we
investigate the specificity-generalizability trade-off in building such
predictive models by investigating whether predictive models should be built
for every course individually based on course-specific sequential patterns, or
across several courses based on more general behavioral patterns. Finally, we
present a methodology for capturing temporal aspects in behavioral data and
analyze its influence on the predictive performance of the models. The results
of our improved sequence classification technique are capable to predict
student performance with high levels of accuracy, reaching 90 percent for
course-specific models.
- Abstract（参考訳）: 世界中の多くの大学が、学術カリキュラムの一部として様々な形態のオンラインとブレンドラーニングを使用している。
さらに、新型コロナウイルスのパンデミックによる最近の変化により、オンライン教育の重要性とユビキタスが大幅に増加した。
e-learningの主な利点は、学生の学習経験の向上と教育的展望の拡大だけでなく、学習分析によって学生の学習プロセスに関する洞察を得ることである。
本研究は,eラーニングプロセスの改善と理解の課題に,以下の方法で貢献する。
まず, 学生の行動データから得られた逐次パターンに基づいて正確な予測モデルを構築し, 授業の早い段階で成績の悪い生徒を識別できることを実証する。
第2に,予測モデルの構築における特異性-一般化性トレードオフを,各コースごとに,コース固有の逐次パターンに基づいて個別に構築すべきか,あるいはより一般的な行動パターンに基づいて複数のコースにまたがって構築すべきかを検討する。
最後に,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。
関連論文リスト
- Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2024-01-29T18:27:52Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - 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) - Augmenting Interpretable Knowledge Tracing by Ability Attribute and
Attention Mechanism [0.0]
知識追跡は、学生の過去の回答シーケンスをモデル化し、運動中の知識獲得の変化を追跡することを目的としている。
既存のアプローチのほとんどは、生徒の能力が個人によって常に変化または変化しているという事実を無視している。
本稿では,能力特性と注意機構に基づく新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-02-04T11:19:55Z) - Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics [8.642174401125263]
本稿では,学生グループ化基準の異なる層にまたがる推論精度を最適化する多層パーソナライズドフェデレーションラーニング手法を提案する。
提案手法では,個別の学生サブグループに対するパーソナライズされたモデルがグローバルモデルから導出される。
3つの実世界のオンラインコースデータセットの実験は、既存の学生モデルベンチマークよりも、我々のアプローチによって達成された大きな改善を示している。
論文 参考訳（メタデータ） (2022-12-05T17:27:28Z) - Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。
モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文 参考訳（メタデータ） (2022-10-15T04:09:05Z) - 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) - 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) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - 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) - Data-driven modelling and characterisation of task completion sequences
in online courses [0.0]
本稿では,オンライン授業におけるタスク完了の時間的シーケンスのデータ駆動分析の利用方法を示す。
コース設計における課題のタイプ間における臨界点と相違点を同定する。
対話的タスクや議論投稿などの非ロボット学習タスクは、より高いパフォーマンスと相関していることがわかった。
論文 参考訳（メタデータ） (2020-07-14T12:39:03Z)
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。