論文の概要: Predicting students' learning styles using regression techniques

• arxiv url: http://arxiv.org/abs/2209.12691v1
• Date: Mon, 12 Sep 2022 16:04:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:49:58.229386
• Title: Predicting students' learning styles using regression techniques
• Title（参考訳）: 回帰手法を用いた学生の学習スタイル予測
• Authors: Ahmad Mousa Altamimi, Mohammad Azzeh, Mahmoud Albashayreh
• Abstract要約: オンライン学習は、学習者とインストラクターの相互作用が最小限であるため、パーソナライズ法を必要とする。 パーソナライズ手法の1つは、学習者の学習スタイルを検出することである。 学習者が支配的なスタイルや学習スタイルが混在していない場合、現在の検出モデルは効果がない。
• 参考スコア（独自算出の注目度）: 0.4125187280299248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional learning systems have responded quickly to the COVID pandemic and moved to online or distance learning. Online learning requires a personalization method because the interaction between learners and instructors is minimal, and learners have a specific learning method that works best for them. One of the personalization methods is detecting the learners' learning style. To detect learning styles, several works have been proposed using classification techniques. However, the current detection models become ineffective when learners have no dominant style or a mix of learning styles. Thus, the objective of this study is twofold. Firstly, constructing a prediction model based on regression analysis provides a probabilistic approach for inferring the preferred learning style. Secondly, comparing regression models and classification models for detecting learning style. To ground our conceptual model, a set of machine learning algorithms have been implemented based on a dataset collected from a sample of 72 students using visual, auditory, reading/writing, and kinesthetic (VARK's) inventory questionnaire. Results show that regression techniques are more accurate and representative for real-world scenarios than classification algorithms, where students might have multiple learning styles but with different probabilities. We believe that this research will help educational institutes to engage learning styles in the teaching process.
• Abstract（参考訳）: 従来の学習システムは新型コロナウイルスのパンデミックに素早く対応し、オンラインや遠隔学習に移行した。 オンライン学習は、学習者とインストラクターの相互作用が最小限であり、学習者が最適な学習方法を持っているため、パーソナライズ方法を必要とする。 パーソナライズ手法の1つは学習者の学習スタイルを検出することである。 学習スタイルを検出するために,分類手法を用いたいくつかの研究が提案されている。 しかし、現在の検出モデルは、学習者が支配的なスタイルや学習スタイルがない場合、効果がない。 したがって,本研究の目的は2つある。 まず、回帰分析に基づく予測モデルの構築は、好む学習スタイルを推定するための確率論的アプローチを提供する。 第二に,学習スタイル検出のための回帰モデルと分類モデルの比較である。 概念モデルに基づいて,視覚,聴覚,読み書き,皮膚審美(VARK)の在庫アンケートを用いて,72名の学生のサンプルから収集したデータセットに基づいて,機械学習アルゴリズムのセットを実装した。 その結果,リグレッション手法は,複数の学習スタイルを持つ場合と確率が異なる場合の分類アルゴリズムよりも,実世界のシナリオにおいてより正確かつ代表的であることがわかった。 この研究は、教育機関が教育過程に学習スタイルを取り入れるのに役立つと信じている。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Learning Style Identification Using Semi-Supervised Self-Taught Labeling [0.0]
  教育は、パンデミックや戦争、気候変動に関連する自然災害などによる急激な変化や破壊に適応しなければならない。 学習管理システムは教師の生産性と創造性をサポートするが、通常はコース内のすべての学習者に同じコンテンツを提供する。 データマイニング技術を用いて,学生の学習スタイルを検出する半教師付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-02-04T11:56:49Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• Continual Learning in Open-vocabulary Classification with Complementary Memory Systems [19.337633598158778]
  オープン語彙画像分類におけるフレキシブルで効率的な連続学習法を提案する。 サンプルのクラスが模範クラス内にあるというゼロショット推定確率を用いて、CLIPゼロショットモデルと模範モデルからの予測を組み合わせる。 また,遅延学習の原則を適応した"ツリープローブ"手法を提案し,競合精度の高い新しい例からバッチ学習線形モデルへの高速学習を実現する。
  論文  参考訳（メタデータ） (2023-07-04T01:47:34Z)
• Ticketed Learning-Unlearning Schemes [57.89421552780526]
  そこで我々は,学習のためのチケット付きモデルを提案する。 広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
  論文  参考訳（メタデータ） (2023-06-27T18:54:40Z)
• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Interleaving Learning, with Application to Neural Architecture Search [12.317568257671427]
  インターリーブ学習(IL)と呼ばれる新しい機械学習フレームワークを提案する。 私たちのフレームワークでは、一連のモデルが相互に連携してデータエンコーダを学習します。 CIFAR-10, CIFAR-100, ImageNetの画像分類にインターリービング学習を適用した。
  論文  参考訳（メタデータ） (2021-03-12T00:54:22Z)
• Learning to Reweight with Deep Interactions [104.68509759134878]
  本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。 クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-07-09T09:06:31Z)
• Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
  学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。 最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。 また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
  論文  参考訳（メタデータ） (2020-04-17T18:04:03Z)
• Three Approaches for Personalization with Applications to Federated Learning [68.19709953755238]
  本稿では,パーソナライゼーションの体系的学習理論について述べる。 学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。 全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
  論文  参考訳（メタデータ） (2020-02-25T01:36:43Z)

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。