論文の概要: Automatically Assessing Students Performance with Smartphone Data
- arxiv url: http://arxiv.org/abs/2209.05596v1
- Date: Wed, 6 Jul 2022 10:05:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 09:31:35.691598
- Title: Automatically Assessing Students Performance with Smartphone Data
- Title(参考訳): スマートフォンデータによる生徒の成績自動評価
- Authors: J. Fernandes, J. S\'a Silva, A. Rodrigues, S. Sinche, F. Boavida
- Abstract要約: スマートフォンアプリケーション(ISABELA)を用いて収集したデータセットについて述べる。
学生のパフォーマンスを分類するために,異なる機械学習モデルを用いていくつかのテストを行う。
生成したモデルでは,異なる文脈から収集したデータであっても,学生のパフォーマンスを予測できることが示されている。
- 参考スコア(独自算出の注目度): 0.7069200904392647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the number of smart devices that surround us increases, so do the
opportunities to create smart socially-aware systems. In this context, mobile
devices can be used to collect data about students and to better understand how
their day-to-day routines can influence their academic performance. Moreover,
the Covid-19 pandemic led to new challenges and difficulties, also for
students, with considerable impact on their lifestyle. In this paper we present
a dataset collected using a smartphone application (ISABELA), which include
passive data (e.g., activity and location) as well as self-reported data from
questionnaires. We present several tests with different machine learning
models, in order to classify students' performance. These tests were carried
out using different time windows, showing that weekly time windows lead to
better prediction and classification results than monthly time windows.
Furthermore, it is shown that the created models can predict student
performance even with data collected from different contexts, namely before and
during the Covid-19 pandemic. SVMs, XGBoost and AdaBoost-SAMME with Random
Forest were found to be the best algorithms, showing an accuracy greater than
78%. Additionally, we propose a pipeline that uses a decision level median
voting algorithm to further improve the models' performance, by using historic
data from the students to further improve the prediction. Using this pipeline,
it is possible to further increase the performance of the models, with some of
them obtaining an accuracy greater than 90%.
- Abstract(参考訳): 私たちを取り巻くスマートデバイスの数が増えるにつれて、スマートなソーシャルなシステムを作る機会も増える。
この文脈では、モバイルデバイスは学生のデータを収集し、日々のルーチンが学業成績にどのように影響するかをよりよく理解するために使用できる。
さらに、新型コロナウイルス(covid-19)パンデミックは、学生にも新たな課題と困難をもたらし、生活様式に大きな影響を及ぼした。
本稿では,スマートフォンアプリケーション(isabela)を用いて収集したデータセットについて述べる。
学生のパフォーマンスを分類するために,異なる機械学習モデルを用いていくつかのテストを行う。
これらのテストは異なるタイムウインドウを用いて実施され、週単位のタイムウインドウは月単位のタイムウインドウよりもより良い予測と分類結果をもたらすことを示した。
さらに、生成したモデルは、Covid-19パンデミック前後のさまざまな状況から収集されたデータであっても、学生のパフォーマンスを予測することができる。
ランダムフォレストを用いたSVM, XGBoost, AdaBoost-SAMMEは, 78%以上の精度で最高のアルゴリズムであることが判明した。
さらに、決定レベル中央値投票アルゴリズムを用いて、学生の過去のデータを用いて予測をさらに改善し、モデルの性能をさらに向上するパイプラインを提案する。
このパイプラインを使うことで、モデルの性能をさらに向上することができ、そのうちのいくつかは90%以上の精度を得ることができる。
関連論文リスト
- 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) - Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。
本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文 参考訳(メタデータ) (2023-11-29T05:33:28Z) - Multi-granulariy Time-based Transformer for Knowledge Tracing [9.788039182463768]
過去のテストスコアを含む学生の過去のデータを活用して、各学生にパーソナライズされたモデルを作成します。
次に、これらのモデルを使用して、将来のパフォーマンスを所定のテストで予測します。
論文 参考訳(メタデータ) (2023-04-11T14:46:38Z) - 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) - Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。
データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。
この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文 参考訳(メタデータ) (2022-09-29T18:11:01Z) - Quality of Data in Machine Learning [3.9998518782208774]
この研究は、開始前提に反論し、この場合のデータの重要性は、データの量ではなく、データの品質にあることを述べ続けている。
論文 参考訳(メタデータ) (2021-12-17T09:22:46Z) - SelfHAR: Improving Human Activity Recognition through Self-training with
Unlabeled Data [9.270269467155547]
SelfHARは、ラベルなしデータセットを利用して小さなラベル付きデータセットを補完する半教師付きモデルである。
提案手法は教師による自己学習と,ラベル付きデータセットとラベル付きデータセットの知識を融合する。
SelfHARはデータ効率が高く、教師付きアプローチの10倍のラベル付きデータを使用して、同様のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-02-11T15:40:35Z) - Predicting student performance using data from an auto-grading system [0.0]
我々はMarmoset自動階調システムから抽出した様々な特徴を持つ決定木モデルと線形回帰モデルを構築した。
本稿では, 入力時間間隔を用いた線形回帰モデルが, 精度とF-Measureの点で, 全モデルの中で最良であることを示す。
また,成績の悪い生徒に誤分類された生徒は,すべてのモデルにおいて,線形回帰モデルの中では最も低い実例があることが示唆された。
論文 参考訳(メタデータ) (2021-02-02T03:02:39Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - 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。