論文の概要: Students Success Modeling: Most Important Factors

• arxiv url: http://arxiv.org/abs/2309.13052v1
• Date: Wed, 6 Sep 2023 19:23:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-01 12:36:40.091973
• Title: Students Success Modeling: Most Important Factors
• Title（参考訳）: 学生の成功モデル:最も重要な要因
• Authors: Sahar Voghoei, James M. Byars, Scott Jackson King, Soheil Shapouri, Hamed Yaghoobian, Khaled M. Rasheed, Hamid R. Arabnia
• Abstract要約: モデルは、卒業する確率の高い生徒、転校する確率の高い生徒、退学して高等教育を終了させる確率の高い生徒を識別する。 実験の結果,初等期において,大学生とリスクの高い学生の区別が合理的に達成できることが示唆された。 このモデルは、学校に3年間滞在する学生の運命を著しく予測している。
• 参考スコア（独自算出の注目度）: 0.47829670123819784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The importance of retention rate for higher education institutions has encouraged data analysts to present various methods to predict at-risk students. The present study, motivated by the same encouragement, proposes a deep learning model trained with 121 features of diverse categories extracted or engineered out of the records of 60,822 postsecondary students. The model undertakes to identify students likely to graduate, the ones likely to transfer to a different school, and the ones likely to drop out and leave their higher education unfinished. This study undertakes to adjust its predictive methods for different stages of curricular progress of students. The temporal aspects introduced for this purpose are accounted for by incorporating layers of LSTM in the model. Our experiments demonstrate that distinguishing between to-be-graduate and at-risk students is reasonably achievable in the earliest stages, and then it rapidly improves, but the resolution within the latter category (dropout vs. transfer) depends on data accumulated over time. However, the model remarkably foresees the fate of students who stay in the school for three years. The model is also assigned to present the weightiest features in the procedure of prediction, both on institutional and student levels. A large, diverse sample size along with the investigation of more than one hundred extracted or engineered features in our study provide new insights into variables that affect students success, predict dropouts with reasonable accuracy, and shed light on the less investigated issue of transfer between colleges. More importantly, by providing individual-level predictions (as opposed to school-level predictions) and addressing the outcomes of transfers, this study improves the use of ML in the prediction of educational outcomes.
• Abstract（参考訳）: 高等教育機関における保持率の重要性は、データ分析者にリスクの高い学生を予測するための様々な方法を提案するよう促している。 本研究は,同じ励ましに動機づけられ,60,822人の留学生の記録から,多種多様なカテゴリの121の特徴を学習した深層学習モデルを提案する。 このモデルは、卒業する可能性があり、別の学校に転校する可能性があり、高校を中退し、未卒業のままでいる生徒を特定することを目的としている。 本研究は,学生のカリキュラム進行の異なる段階に対する予測手法の調整を行う。 この目的のために導入された時間的側面は、モデルにLSTMの層を組み込むことによって説明される。 実験の結果,大学生とリスクの高い学生の区別は早い段階で合理的に達成可能であり,その後急速に改善するが,後者のカテゴリ(ドロップアウト vs. 転送)の解決は,時間とともに蓄積されたデータに依存することがわかった。 しかし、このモデルは3年間学校にとどまる学生の運命を著しく予測している。 モデルはまた、機関レベルと学生レベルの両方において、予測手順における最も重い特徴を示すよう割り当てられている。 大規模で多様なサンプルサイズと,100以上の抽出あるいは工学的な特徴の調査は,学生の成功に影響を与える変数,適切な精度でドロップアウトを予測すること,大学間の転校に関する調査の少ない問題に光を当てることを可能にした。 さらに、(学校レベルの予測とは対照的に)個人レベルの予測を提供し、転校結果に対処することにより、学習成果の予測におけるMLの使用を改善する。

関連論文リスト

• Machine Learning Predicts Upper Secondary Education Dropout as Early as the End of Primary School [0.0]
  本研究は、幼稚園から9年生までのデータを含む13年間の縦断データセットを用いて、モデリングの地平を広げた。 本手法は,学生の学術的・認知的スキル,モチベーション,行動,幸福感,公式記録されたドロップアウトデータなど,幅広いパラメータを取り入れた。 本研究で開発された機械学習モデルでは, 曲線(AUC)の平均面積が0.61まで, 改善されたAUCは0.65まで, グレード9まで, 顕著な分類能力を示した。
  論文  参考訳（メタデータ） (2024-03-01T13:18:08Z)
• Temporal and Between-Group Variability in College Dropout Prediction [0.0]
  本研究では,機械学習モデルの寄与要因と予測性能を体系的に評価する。 最終年度末の降雨予測は,ランダムフォレストモデルによる入園時よりも20%高い値を示した。 学生集団間の多様性に関して、大学GPAは、伝統的に不利な背景を持つ学生にとって、仲間よりも予測的価値が高い。
  論文  参考訳（メタデータ） (2024-01-12T10:43:55Z)
• Small-scale proxies for large-scale Transformer training instabilities [69.36381318171338]
  我々は、小規模でトレーニングの安定性と不安定性を再現し、研究する方法を模索する。 学習速度とスケールによる損失の関係を計測することにより,これらの不安定性は,学習率の高いトレーニングにおいて,小さなモデルにも現れることを示す。 ウォームアップ,ウェイト崩壊,および$mu$Paramなどの手法を用いて,学習速度変化の桁数で同様の損失を被る小さなモデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-25T17:48:51Z)
• 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)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• 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)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Rethinking Importance Weighting for Transfer Learning [71.81262398144946]
  教師あり学習における主要な前提は、トレーニングとテストデータが同じ確率分布に従うことである。 現実の機械学習タスクはますます複雑になりつつあるため、このような課題に対処するための新しいアプローチが検討されている。
  論文  参考訳（メタデータ） (2021-12-19T14:35:25Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• 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。