論文の概要: Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation
- arxiv url: http://arxiv.org/abs/2210.08186v1
- Date: Sat, 15 Oct 2022 04:09:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 16:37:52.117990
- Title: Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation
- Title（参考訳）: 学生の学業成績予測のための機械学習アプローチとその動機に基づく学習戦略
- Authors: Fidelia A. Orji and Julita Vassileva
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This research aims to develop machine learning models for students academic
performance and study strategies prediction which could be generalized to all
courses in higher education. Key learning attributes (intrinsic, extrinsic,
autonomy, relatedness, competence, and self-esteem) essential for students
learning process were used in building the models. Determining the broad effect
of these attributes on students' academic performance and study strategy is the
center of our interest. To investigate this, we used Scikit-learn in python to
build five machine learning models (Decision Tree, K-Nearest Neighbour, Random
Forest, Linear/Logistic Regression, and Support Vector Machine) for both
regression and classification tasks to perform our analysis. The models were
trained, evaluated, and tested for accuracy using 924 university dentistry
students' data collected by Chilean authors through quantitative research
design. A comparative analysis of the models revealed that the tree-based
models such as the random forest (with prediction accuracy of 94.9%) and
decision tree show the best results compared to the linear, support vector, and
k-nearest neighbours. The models built in this research can be used in
predicting student performance and study strategy so that appropriate
interventions could be implemented to improve student learning progress. Thus,
incorporating strategies that could improve diverse student learning attributes
in the design of online educational systems may increase the likelihood of
students continuing with their learning tasks as required. Moreover, the
results show that the attributes could be modelled together and used to
adapt/personalize the learning process.
- Abstract（参考訳）: 本研究の目的は、高等教育のすべてのコースに一般化可能な、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である。
モデル構築には,学習過程に必須な学習属性(内在的,外在的,自律性,関連性,能力,自尊心)が用いられた。
これらの属性が学生の学業成績や研究戦略に与える影響を判断することが,我々の関心の中心である。
これを調べるために,python の scikit-learn を用いて5つの機械学習モデル (decision tree, k-nearest neighbor, random forest, linear/logistic regression, support vector machine) を構築した。
モデルは,チリの著者が収集した924名の大学歯学部生のデータを用いて,定量的な研究設計により,精度を訓練し,評価し,評価した。
モデルの比較分析により、ランダム森林(予測精度94.9%)や決定木(決定木)のような木に基づくモデルが、線形、支持ベクトル、k-アネレスト近傍のモデルと比較して最良の結果を示した。
本研究で構築されたモデルは、学生の成績予測や学習戦略に活用でき、学生の学習の進捗を改善するために適切な介入が行える。
このように、オンライン教育システムの設計において多様な学習特性を改善する戦略を取り入れることで、学生が必要に応じて学習課題を継続する可能性を高めることができる。
さらに,属性を一緒にモデル化し,学習プロセスを適応/パーソナライズするために使用できることを示した。
関連論文リスト
- Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳（メタデータ） (2024-05-07T17:05:27Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - A Predictive Model using Machine Learning Algorithm in Identifying
Students Probability on Passing Semestral Course [0.0]
本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。
新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
論文 参考訳（メタデータ） (2023-04-12T01:57:08Z) - 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) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
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。
論文 参考訳（メタデータ） (2022-08-16T13:46:39Z) - Latent Properties of Lifelong Learning Systems [59.50307752165016]
本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。
合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
論文 参考訳（メタデータ） (2022-07-28T20:58:13Z) - An Empirical Investigation of Commonsense Self-Supervision with
Knowledge Graphs [67.23285413610243]
大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。
本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
論文 参考訳（メタデータ） (2022-05-21T19:49:04Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳（メタデータ） (2022-02-12T06:10:15Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2021-12-15T19:05:48Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z) - Do we need to go Deep? Knowledge Tracing with Big Data [5.218882272051637]
教育分野で公開されている最大の学生インタラクションデータセットであるEdNetを使用して、深層モデルと従来のモデルの両方が将来の学生のパフォーマンスを正確に予測する方法を理解しています。
我々の研究は、慎重に設計された特徴を持つロジスティック回帰モデルが広範な実験から深いモデルよりも優れていることを観察する。
論文 参考訳（メタデータ） (2021-01-20T22:40:38Z)
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。