論文の概要: Evaluating Splitting Approaches in the Context of Student Dropout Prediction

• arxiv url: http://arxiv.org/abs/2305.08600v1
• Date: Mon, 15 May 2023 12:30:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 14:33:29.714849
• Title: Evaluating Splitting Approaches in the Context of Student Dropout Prediction
• Title（参考訳）: 学生ドロップアウト予測の文脈における分割アプローチの評価
• Authors: Bruno de M. Barros, Hugo A. D. do Nascimento, Raphael Guedes, Sandro E. Monsueto
• Abstract要約: 本研究は,学習・テストセットを作成するために,学術データを分割・利用するための戦略について研究する。 この研究は、時間的分割と学生の漸進的な学歴の選択が相まって、問題の最良の戦略が導かれることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The prediction of academic dropout, with the aim of preventing it, is one of the current challenges of higher education institutions. Machine learning techniques are a great ally in this task. However, attention is needed in the way that academic data are used by such methods, so that it reflects the reality of the prediction problem under study and allows achieving good results. In this paper, we study strategies for splitting and using academic data in order to create training and testing sets. Through a conceptual analysis and experiments with data from a public higher education institution, we show that a random proportional data splitting, and even a simple temporal splitting are not suitable for dropout prediction. The study indicates that a temporal splitting combined with a time-based selection of the students' incremental academic histories leads to the best strategy for the problem in question.
• Abstract（参考訳）: アカデミック・ドロップアウトの予測は、それを防ぐことを目的として、高等教育機関の現在の課題の1つとなっている。 このタスクでは、機械学習のテクニックが大きな味方です。 しかし、研究中の予測問題の現実を反映し、良好な結果が得られるように、このような手法で学術データを利用する方法には注意が必要である。 本稿では,学術データを分割・利用して学習・テストセットを作成するための戦略について検討する。 公立高等教育機関のデータを用いた概念分析と実験により、ランダムな比例データ分割や単純な時間分割でさえ、ドロップアウト予測には適さないことを示した。 本研究は,時間的分割と学生の漸進的学術史の選択が組み合わさって,問題に対する最善の戦略となることを示す。

関連論文リスト

• A step towards the integration of machine learning and small area estimation [0.0]
  本稿では,機械学習アルゴリズムがサポートする予測器を提案する。 仮定モデルからわずかに逸脱しただけで、この場合も提案が良い代替手段であることを示す。 さらに,機械学習予測器の精度推定手法を提案し,従来の手法との比較を行った。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• A Survey on Dropout Methods and Experimental Verification in Recommendation [34.557554809126415]
  オーバーフィッティング(Overfitting)は、機械学習において一般的な問題であり、モデルがテストデータで不十分なパフォーマンスを保ちながら、トレーニングデータに非常によく適合していることを意味する。 オーバーフィッティングを扱う様々な方法の中で、ドロップアウトは代表的な方法の1つである。 ランダムにニューロンを落とすことから神経構造を落とすことまで、ドロップアウトはモデルの性能を改善することに成功している。
  論文  参考訳（メタデータ） (2022-04-05T07:08:21Z)
• Evaluation Methods and Measures for Causal Learning Algorithms [33.07234268724662]
  我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。 この調査は、公開可能なベンチマークの開発と、観察データによる因果学習評価のためのコンセンサス標準の策定の緊急性に先んじることを目指している。
  論文  参考訳（メタデータ） (2022-02-07T00:24:34Z)
• Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction [28.383922154797315]
  学業成績予測は、学生に関連する情報を活用し、将来の学業成果を予測することを目的としている。 本稿では、学生の日常行動軌跡を分析し、キャンパスのスマートカード記録を網羅的に追跡する。 本稿では,行ワイド,列ワイド,深さワイドのコンボリューションとアテンション操作を備えた新しいTri-Branch CNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-22T02:35:36Z)
• One-shot Learning for Temporal Knowledge Graphs [49.41854171118697]
  時間的知識グラフにおけるリンク予測のためのワンショット学習フレームワークを提案する。 提案手法は,実体間の時間的相互作用を効果的に符号化する自己認識機構を用いる。 実験の結果,提案アルゴリズムは2つのよく研究されたベンチマークにおいて,アートベースラインの状態よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-23T03:24:44Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)
• On the Loss Landscape of Adversarial Training: Identifying Challenges and How to Overcome Them [57.957466608543676]
  機械学習モデルの損失景観に及ぼす対人訓練の影響を解析する。 曲率の増加と散乱勾配の増大により, 対向損失景観は最適化にはあまり好ましくないことを示す。
  論文  参考訳（メタデータ） (2020-06-15T13:50:23Z)
• Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
  学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。 学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。 本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。