論文の概要: A Prescriptive Learning Analytics Framework: Beyond Predictive Modelling
and onto Explainable AI with Prescriptive Analytics
- arxiv url: http://arxiv.org/abs/2208.14582v1
- Date: Wed, 31 Aug 2022 00:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:08:06.718351
- Title: A Prescriptive Learning Analytics Framework: Beyond Predictive Modelling
and onto Explainable AI with Prescriptive Analytics
- Title（参考訳）: prescriptive learning analyticsフレームワーク:prescriptive analyticsによる予測モデリングと説明可能なai
- Authors: Teo Susnjak
- Abstract要約: 本研究では、透過的な機械学習と、規範的分析を可能にする技術の両方を統合する新しいフレームワークを提案する。
この研究は、リスクを抱えている人に対して、人間の読みやすい規範的フィードバックを生成するために、2つのケーススタディにおいて、予測モデリングが規範的分析によってどのように強化されるかをさらに示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A significant body of recent research in the field of Learning Analytics has
focused on leveraging machine learning approaches for predicting at-risk
students in order to initiate timely interventions and thereby elevate
retention and completion rates. The overarching feature of the majority of
these research studies has been on the science of prediction only. The
component of predictive analytics concerned with interpreting the internals of
the models and explaining their predictions for individual cases to
stakeholders has largely been neglected. Additionally, works that attempt to
employ data-driven prescriptive analytics to automatically generate
evidence-based remedial advice for at-risk learners are in their infancy.
eXplainable AI is a field that has recently emerged providing cutting-edge
tools which support transparent predictive analytics and techniques for
generating tailored advice for at-risk students. This study proposes a novel
framework that unifies both transparent machine learning as well as techniques
for enabling prescriptive analytics. This work practically demonstrates the
proposed framework using predictive models for identifying at-risk learners of
programme non-completion. The study then further demonstrates how predictive
modelling can be augmented with prescriptive analytics on two case studies in
order to generate human-readable prescriptive feedback for those who are at
risk.
- Abstract（参考訳）: 学習分析の分野での最近の重要な研究は、リスクの高い学生を予測し、タイムリーな介入を開始し、保持と終了率を高めるために機械学習のアプローチを活用することに焦点を当てている。
これらの研究の大部分の全体的な特徴は予測の科学にのみ向けられている。
モデルの内部を解釈し、個々のケースの予測を利害関係者に説明することに関する予測分析の構成要素は、ほとんど無視されている。
さらに、データ駆動型規範分析を使用して、リスクのある学習者に対するエビデンスベースの修正アドバイスを自動的に生成しようとする研究が、その初期段階にある。
eXplainable AIは、最近出現した分野であり、透明な予測分析とリスクの高い学生に適切なアドバイスを生成する技術をサポートする最先端のツールを提供している。
本研究では、透過的な機械学習と規範分析を可能にする技術の両方を統合する新しいフレームワークを提案する。
本研究は,プログラム非補完のリスク学習者を特定するための予測モデルを用いて提案手法を実演する。
この研究は、リスクを抱えている人に対して、人間の読みやすい規範的フィードバックを生成するために、2つのケーススタディにおける規範的分析によって予測モデリングをどのように強化できるかをさらに示す。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Temporal receptive field in dynamic graph learning: A comprehensive analysis [15.161255747900968]
本稿では,動的グラフ学習における時間受容領域の包括的解析について述べる。
その結果,適切な時間的受容場を選択すれば,モデルの性能が大幅に向上することが示された。
一部のモデルでは、過度に大きなウィンドウがノイズを発生させ、精度を低下させる。
論文 参考訳（メタデータ） (2024-07-17T07:46:53Z) - It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。
現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。
本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文 参考訳（メタデータ） (2023-12-27T10:44:58Z) - Pre-registration for Predictive Modeling [26.112782996222617]
予測モデル分野に事前登録を導入する可能性と可能性について検討する。
予測モデリングにおける現在のベストプラクティスとその制限について議論し、軽量な事前登録テンプレートを導入し、機械学習研究者による質的研究を紹介する。
我々は,事前登録が予測モデルで対処できる問題の範囲を探索し,その文脈内での限界を認識することで結論付ける。
論文 参考訳（メタデータ） (2023-11-30T18:52:10Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - A review of predictive uncertainty estimation with machine learning [0.0]
機械学習アルゴリズムを用いて予測不確実性推定の話題を概観する。
我々は確率的予測を評価するための関連する指標(一貫性スコアリング関数と適切なスコアリングルール)について論じる。
このレビューでは、ユーザーのニーズに合わせて新しいアルゴリズムを開発する方法についての理解を深める。
論文 参考訳（メタデータ） (2022-09-17T10:36:30Z) - 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) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - HypperSteer: Hypothetical Steering and Data Perturbation in Sequence
Prediction with Deep Learning [30.40203268658035]
本稿では,モデルに依存しない視覚解析ツールHypperSteerを提案する。
我々は、HypperSteerが患者データをステアリングして望ましい治療結果を得るのにどのように役立つかを示し、HypperSteerが他の実践シナリオの包括的ソリューションとして機能するかについて議論する。
論文 参考訳（メタデータ） (2020-11-04T06:26:58Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳（メタデータ） (2020-03-30T13:06:25Z)
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。