論文の概要: Sequential pattern mining in educational data: The application context,
potential, strengths, and limitations
- arxiv url: http://arxiv.org/abs/2302.01932v1
- Date: Fri, 3 Feb 2023 06:56:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 21:08:26.653504
- Title: Sequential pattern mining in educational data: The application context,
potential, strengths, and limitations
- Title(参考訳): 教育データにおける逐次パターンマイニング:適用状況,可能性,強度,限界
- Authors: Yingbin Zhang and Luc Paquette
- Abstract要約: シークエンシャルパターンマイニングは、教育データ科学にとって貴重なツールである。
学習プロセスに関するユニークな洞察を明らかにし、自己統制型学習研究に強力になる。
今後の研究は、パターン発生をカウントするツールを開発することで、教育データ科学における有用性を向上する可能性がある。
- 参考スコア(独自算出の注目度): 3.680403821470857
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Increasingly, researchers have suggested the benefits of temporal analysis to
improve our understanding of the learning process. Sequential pattern mining
(SPM), as a pattern recognition technique, has the potential to reveal the
temporal aspects of learning and can be a valuable tool in educational data
science. However, its potential is not well understood and exploited. This
chapter addresses this gap by reviewing work that utilizes sequential pattern
mining in educational contexts. We identify that SPM is suitable for mining
learning behaviors, analyzing and enriching educational theories, evaluating
the efficacy of instructional interventions, generating features for prediction
models, and building educational recommender systems. SPM can contribute to
these purposes by discovering similarities and differences in learners'
activities and revealing the temporal change in learning behaviors. As a
sequential analysis method, SPM can reveal unique insights about learning
processes and be powerful for self-regulated learning research. It is more
flexible in capturing the relative arrangement of learning events than the
other sequential analysis methods. Future research may improve its utility in
educational data science by developing tools for counting pattern occurrences
as well as identifying and removing unreliable patterns. Future work needs to
establish a systematic guideline for data preprocessing, parameter setting, and
interpreting sequential patterns.
- Abstract(参考訳): 研究者たちは、学習プロセスの理解を改善するために、時間分析の利点を提案する。
パターン認識技術としてのシーケンスパターンマイニング(SPM)は、学習の時間的側面を明らかにする可能性があり、教育データ科学において貴重なツールとなる。
しかし、その可能性は十分に理解されておらず、活用されていない。
本章では,教育場面における逐次パターンマイニングを活用した作業について考察する。
学習行動のマイニング,教育理論の分析と充実,指導介入の有効性の評価,予測モデルの特徴の生成,教育推薦システムの構築にspmが適していることを明らかにする。
SPMは、学習者の活動の類似点や相違点を発見し、学習行動の時間的変化を明らかにすることによって、これらの目的に寄与することができる。
逐次分析法として、spmは学習プロセスに関するユニークな洞察を明らかにし、自己統制学習研究に強力である。
学習イベントの相対的配置を他の逐次解析法よりも捉えるのに柔軟である。
今後の研究は、パターン発生を数え、信頼性の低いパターンを識別・除去するツールを開発することで、教育データ科学におけるその有用性を向上する可能性がある。
今後の作業は、データ前処理、パラメータ設定、シーケンシャルパターンの解釈のための体系的なガイドラインを確立する必要がある。
関連論文リスト
- Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。
ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。
これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文 参考訳(メタデータ) (2024-02-04T21:43:37Z) - Comparative Evaluation of Weather Forecasting using Machine Learning
Models [2.0971479389679337]
本研究では,ダッカ市の1つの気象観測所から得られた20年間のデータセットを用いて,降水パターンと降水パターンの予測における機械学習アルゴリズムの寄与を分析することに焦点を当てた。
グラディエントブースティング、AdaBoosting、Artificial Neural Network、Stacking Random Forest、Stacking Neural Network、Stacking KNNなどのアルゴリズムを評価して比較する。
論文 参考訳(メタデータ) (2024-02-02T08:25:28Z) - Integrating AI and Learning Analytics for Data-Driven Pedagogical
Decisions and Personalized Interventions in Education [0.30723404270319693]
本研究は,革新的な学習分析ツールの概念化,開発,展開について考察する。
本ツールは,学生のエンゲージメントの定量化,学習進行のマップ化,および多様な指導戦略の有効性の評価を目的としている。
論文 参考訳(メタデータ) (2023-12-15T06:00:26Z) - Diffusion Model as Representation Learner [86.09969334071478]
Diffusion Probabilistic Models (DPMs) は、最近、様々な生成タスクにおいて顕著な結果を示した。
本稿では,DPMが獲得した知識を認識タスクに活用する新しい知識伝達手法を提案する。
論文 参考訳(メタデータ) (2023-08-21T00:38:39Z) - SINC: Self-Supervised In-Context Learning for Vision-Language Tasks [64.44336003123102]
大規模言語モデルにおけるコンテキスト内学習を実現するためのフレームワークを提案する。
メタモデルは、カスタマイズされたデモからなる自己教師型プロンプトで学ぶことができる。
実験の結果、SINCは様々な視覚言語タスクにおいて勾配に基づく手法よりも優れていた。
論文 参考訳(メタデータ) (2023-07-15T08:33:08Z) - A Deep Learning Approach to Analyzing Continuous-Time Systems [20.89961728689037]
深層学習が複雑なプロセスの解析に有効であることを示す。
提案手法は,多くの自然系に対して不可解な標準的な仮定を緩和する。
行動・神経画像データに顕著な改善が認められた。
論文 参考訳(メタデータ) (2022-09-25T03:02:31Z) - 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) - A Survey of Exploration Methods in Reinforcement Learning [64.01676570654234]
強化学習エージェントは、学習プロセスのための情報データを得るために、探索に極めて依存する。
本稿では,(逐次的)強化学習における近代的な探究手法の調査と,探索手法の分類について述べる。
論文 参考訳(メタデータ) (2021-09-01T02:36:14Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳(メタデータ) (2020-02-19T18:10:20Z)
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。