論文の概要: A Comprehensive Survey on Deep Learning Techniques in Educational Data
Mining
- arxiv url: http://arxiv.org/abs/2309.04761v3
- Date: Tue, 20 Feb 2024 01:38:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 21:07:20.756677
- Title: A Comprehensive Survey on Deep Learning Techniques in Educational Data
Mining
- Title(参考訳): 教育データマイニングにおけるディープラーニング技術に関する包括的調査
- Authors: Yuanguo Lin, Hong Chen, Wei Xia, Fan Lin, Zongyue Wang, Yong Liu
- Abstract要約: 教育データマイニング(EDM: Educational Data Mining)は、計算技術の力を利用して教育データを分析する研究分野として発展してきた。
ディープラーニング技術は、データの分析とモデリングに関わる課題に対処する上で、大きな利点を示してきた。
この調査は、Deep LearningによるEDMの最先端を体系的にレビューすることを目的としている。
- 参考スコア(独自算出の注目度): 27.920206515167408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Educational Data Mining (EDM) has emerged as a vital field of research, which
harnesses the power of computational techniques to analyze educational data.
With the increasing complexity and diversity of educational data, Deep Learning
techniques have shown significant advantages in addressing the challenges
associated with analyzing and modeling this data. This survey aims to
systematically review the state-of-the-art in EDM with Deep Learning. We begin
by providing a brief introduction to EDM and Deep Learning, highlighting their
relevance in the context of modern education. Next, we present a detailed
review of Deep Learning techniques applied in four typical educational
scenarios, including knowledge tracing, student behavior detection, performance
prediction, and personalized recommendation. Furthermore, a comprehensive
overview of public datasets and processing tools for EDM is provided. Finally,
we point out emerging trends and future directions in this research area.
- Abstract(参考訳): 教育データマイニング(edm: educational data mining)は、計算技術の力を活用し、教育データを分析する重要な研究分野である。
教育データの複雑さと多様性が高まる中、ディープラーニング技術は、データの解析とモデリングに関連する課題に対処する上で、大きなアドバンテージを示している。
この調査は、Deep LearningによるEDMの現状を体系的にレビューすることを目的としている。
まず、EDMとDeep Learningの簡単な紹介から始め、現代の教育の文脈におけるそれらの関連性を強調します。
次に、知識追跡、学生の行動検出、パフォーマンス予測、パーソナライズドレコメンデーションを含む4つの典型的な教育シナリオに適用されるディープラーニング技術について、詳細なレビューを行う。
さらに、EDMのための公開データセットと処理ツールの概要を概観する。
最後に,本研究領域における新たな動向と今後の方向性を指摘する。
関連論文リスト
- A Review of Data Mining in Personalized Education: Current Trends and
Future Prospects [30.033926908231297]
本稿では,教育推薦,認知診断,知識追跡,学習分析の4つのシナリオに焦点をあてる。
教育プラットフォームにおけるAIの統合は、学術的パフォーマンス、学習の好み、行動に関する洞察を提供し、個人の学習プロセスを最適化する。
論文 参考訳(メタデータ) (2024-02-27T06:09:48Z) - Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
我々は、ITの一般的な方法論、ITデータセットの構築、ITモデルのトレーニング、異なるモダリティ、ドメイン、アプリケーションへのアプリケーションを含む、文献を体系的にレビューする。
また、ITの潜在的な落とし穴とそれに対する批判、および既存の戦略の現在の欠陥を指摘し、実りある研究の道筋を提案する。
論文 参考訳(メタデータ) (2023-08-21T15:35:16Z) - A Comprehensive Survey of Data Augmentation in Visual Reinforcement
Learning [68.63738119131888]
データ拡張(DA)は、サンプル効率と一般化可能なポリシーを取得するために視覚的RLで広く使われている技術である。
本稿では、視覚的RLで使用されている既存の拡張技法の原則的な分類法を提案し、拡張データをどのように活用するかを詳細に議論する。
視覚的RLにおけるDAに関する最初の総合的な調査として、この研究は、この新興分野に貴重なガイダンスを提供するものと期待されている。
論文 参考訳(メタデータ) (2022-10-10T11:01:57Z) - Semi-Supervised and Unsupervised Deep Visual Learning: A Survey [76.2650734930974]
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
論文 参考訳(メタデータ) (2022-08-24T04:26:21Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - A Survey on Deep Reinforcement Learning for Data Processing and
Analytics [14.88856391719732]
深層強化学習を活用したデータ処理と分析の改善に焦点をあてた最近の研究成果を概観する。
まず, 深層強化学習における鍵となる概念, 理論, 方法を紹介する。
次に、データベースシステムにおける深層強化学習の展開について論じ、データ処理と分析を容易にする。
論文 参考訳(メタデータ) (2021-08-10T09:14:03Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - An Empirical Comparison of Deep Learning Models for Knowledge Tracing on
Large-Scale Dataset [10.329254031835953]
知識追跡は、各学生の知識概念の熟達をモデル化する問題である。
最近の大規模学生成績データセット citechoi 2019ednet のリリースは、ディープラーニングアプローチのパフォーマンス分析を動機付けている。
論文 参考訳(メタデータ) (2021-01-16T04:58:17Z) - Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。
後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
論文 参考訳(メタデータ) (2020-12-02T15:56:11Z) - Offline Reinforcement Learning: Tutorial, Review, and Perspectives on
Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。
我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文 参考訳(メタデータ) (2020-05-04T17:00:15Z)
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。