論文の概要: Inferring school district learning modalities during the COVID-19 pandemic with a hidden Markov model

• arxiv url: http://arxiv.org/abs/2211.00708v1
• Date: Tue, 1 Nov 2022 19:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:32:52.755589
• Title: Inferring school district learning modalities during the COVID-19 pandemic with a hidden Markov model
• Title（参考訳）: マルコフモデルを用いた新型コロナウイルス感染拡大に伴う学区学習のモダリティの推定
• Authors: Mark J. Panaggio, Mike Fang, Hyunseung Bang, Paige A. Armstrong, Alison M. Binder, Julian E. Grass, Jake Magid, Marc Papazian, Carrie K Shapiro-Mendoza, Sharyn E. Parks
• Abstract要約: 完全な個人学習を提供する地区の割合は、2020年9月の40.3%から2021年6月の54.7%に増加した。 この種の確率モデルは、公衆衛生監視と研究活動を支援するために、不完全で矛盾するデータソースを融合するためのツールとして機能する。
• 参考スコア（独自算出の注目度）: 1.462730735143614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, learning modalities offered by public schools across the United States were investigated to track changes in the proportion of schools offering fully in-person, hybrid and fully remote learning over time. Learning modalities from 14,688 unique school districts from September 2020 to June 2021 were reported by Burbio, MCH Strategic Data, the American Enterprise Institute's Return to Learn Tracker and individual state dashboards. A model was needed to combine and deconflict these data to provide a more complete description of modalities nationwide. A hidden Markov model (HMM) was used to infer the most likely learning modality for each district on a weekly basis. This method yielded higher spatiotemporal coverage than any individual data source and higher agreement with three of the four data sources than any other single source. The model output revealed that the percentage of districts offering fully in-person learning rose from 40.3% in September 2020 to 54.7% in June of 2021 with increases across 45 states and in both urban and rural districts. This type of probabilistic model can serve as a tool for fusion of incomplete and contradictory data sources in support of public health surveillance and research efforts.
• Abstract（参考訳）: 本研究では,全米の公立学校が提供している学習モダリティを調査し,フル・イン・対人・ハイブリッド・フル・リモート・ラーニングを行う学校の割合の変化を時間とともに追跡した。 2020年9月から2021年6月までの14,688のユニークな学区の学習モードは、burbio, mch strategic data, the american enterprise institute's return to learn tracker and individual state dashboardsによって報告された。 モダリティのより完全な記述を提供するために、これらのデータを組み合わせて分解するモデルが必要だった。 隠れマルコフモデル(HMM)は、各地区の学習モダリティを週ごとに推定するために用いられた。 本手法は, 個々のデータソースよりも時空間被覆率が高く, 4つのデータソースのうち3つと同一性が高い。 モデルの結果、完全対人学習を提供する地区の割合は、2020年9月の40.3%から2021年6月の54.7%に上昇し、45の州と都市部と農村の両方で増加した。 この種の確率モデルは、公衆衛生監視と研究活動を支援するために、不完全で矛盾するデータソースを融合するためのツールとして機能する。

関連論文リスト

• Improving Out-of-Distribution Data Handling and Corruption Resistance via Modern Hopfield Networks [0.0]
  本研究は,コンピュータビジョンモデルによるアウト・オブ・ディストリビューションデータ処理能力の向上における,Modern Hopfield Networks (MHN) の可能性を探るものである。 我々は,MHNをベースラインモデルに統合し,ロバスト性を高めることを提案する。 本研究は,MNIST-Cデータセットのモデル性能を一貫して向上することを示す。
  論文  参考訳（メタデータ） (2024-08-21T03:26:16Z)
• Decentralized Gossip Mutual Learning (GML) for automatic head and neck tumor segmentation [0.7402598986326535]
  フェデレートラーニング(FL)は、データ共有を必要とせずに、異なる医療センターから複雑な機械学習モデルを協調的にトレーニングするための有望な戦略として登場した。 我々は,Gossipプロトコルをピアツーピア通信に直接適用した分散協調学習フレームワークであるGossip Mutual Learning (GML)を提案する。 GMLはDice similarity Coefficient (DSC) を3.2%, 4.6%, 10.4%改善できることを示した。
  論文  参考訳（メタデータ） (2024-01-11T01:04:30Z)
• Biomedical image analysis competitions: The state of current participation practice [143.52578599912326]
  我々は,バイオメディカルイメージング分析の特定の分野におけるアルゴリズム開発の現状を明らかにするための調査を設計した。 この調査は、参加者の専門知識と作業環境、選択した戦略、およびアルゴリズムの特徴をカバーした。 全体として、すべてのソリューションの94%はディープラーニングベースのものだ。そのうち84%は標準アーキテクチャに基づいていた。
  論文  参考訳（メタデータ） (2022-12-16T16:44:46Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)
• Federated Learning for Breast Density Classification: A Real-World Implementation [19.03378677235258]
  世界中の7つの臨床機関が、乳房画像・報告・データシステム(BI-RADS)に基づく乳房密度分類モデルのトレーニングに参加した。 すべてのサイトからデータセットにかなりの違いがあるにも関わらず、フェデレーションにおけるAIモデルのトレーニングに成功できることが示されています。 その結果、FLを用いて訓練されたモデルは、研究所のローカルデータだけで訓練されたモデルよりも平均6.3%良い結果が得られた。
  論文  参考訳（メタデータ） (2020-09-03T18:34:59Z)
• Omni-sourced Webly-supervised Learning for Video Recognition [74.3637061856504]
  ビデオ認識モデルのトレーニングにWebデータを活用するフレームワークであるOmniSourceを紹介した。 実験によると、複数のソースやフォーマットからのデータを利用することで、OmniSourceはトレーニングにおいてよりデータ効率が高い。
  論文  参考訳（メタデータ） (2020-03-29T14:47:31Z)

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。