論文の概要: Extracting Rules from Event Data for Study Planning
- arxiv url: http://arxiv.org/abs/2310.02735v1
- Date: Wed, 4 Oct 2023 11:14:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 15:29:25.905718
- Title: Extracting Rules from Event Data for Study Planning
- Title(参考訳): 学習計画のためのイベントデータからのルール抽出
- Authors: Majid Rafiei and Duygu Bayrak and Mahsa Pourbafrani and Gyunam Park
and Hayyan Helal and Gerhard Lakemeyer and Wil M.P. van der Aalst
- Abstract要約: 我々は,授業の順序が学術的成功に与える影響を調べるために,プロセスとデータマイニング技術を採用している。
RWTH Aachen Universityのコンピュータサイエンス学士課程の学生を対象に評価を行った。
- 参考スコア(独自算出の注目度): 5.305245019481161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we examine how event data from campus management systems can
be used to analyze the study paths of higher education students. The main goal
is to offer valuable guidance for their study planning. We employ process and
data mining techniques to explore the impact of sequences of taken courses on
academic success. Through the use of decision tree models, we generate
data-driven recommendations in the form of rules for study planning and compare
them to the recommended study plan. The evaluation focuses on RWTH Aachen
University computer science bachelor program students and demonstrates that the
proposed course sequence features effectively explain academic performance
measures. Furthermore, the findings suggest avenues for developing more
adaptable study plans.
- Abstract(参考訳): 本研究では,高校生の学習経路を分析するために,キャンパス管理システムからのイベントデータをいかに活用できるかを検討する。
主な目標は、研究計画に貴重なガイダンスを提供することです。
我々は,採点コースのシーケンスが学術的成功に与える影響を探究するために,プロセスとデータマイニング技術を用いる。
決定木モデルを用いて,学習計画のルールとしてデータ駆動型推薦を生成し,それを推奨研究計画と比較する。
本評価は,Aachen大学コンピュータサイエンス学学士課程の学生を対象に行われ,提案したコースシーケンスが学力評価に有効であることを示す。
さらに, より適応的な研究計画開発への道筋が示唆された。
関連論文リスト
- Advancing Deep Active Learning & Data Subset Selection: Unifying
Principles with Information-Theory Intuitions [3.0539022029583953]
本論文は,ディープラーニングモデルのラベルとトレーニング効率を向上させることにより,ディープラーニングの実践性を高めることを目的とする。
本稿では,情報理論の原理に基づくデータサブセット選択手法,特にアクティブラーニングとアクティブサンプリングについて検討する。
論文 参考訳(メタデータ) (2024-01-09T01:41:36Z) - Data Management For Large Language Models: A Survey [66.59562797566163]
大規模言語モデル(LLM)の訓練におけるデータの役割
本調査は,LLMの事前学習および教師付き微調整段階におけるデータ管理の現状を概観する。
論文 参考訳(メタデータ) (2023-12-04T07:42:16Z) - Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。
GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。
PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-03T12:37:16Z) - Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。
SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。
実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
論文 参考訳(メタデータ) (2023-06-07T08:24:44Z) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2023-01-30T14:50:46Z) - A Combined Approach of Process Mining and Rule-based AI for Study
Planning and Monitoring in Higher Education [7.379617772613231]
本稿では,プロセスマイニング手法とルールベース人工知能を用いて,キャンパス管理システムデータと学習プログラムモデルに基づいて,学生の学習経路を分析し,理解する手法を提案する。
プロセスマイニング技術は、成功した研究パスを特徴づけるだけでなく、期待される計画から逸脱を検出し、視覚化するためにも使われる。
これらの知見は、試験規則から抽出した対応する研究プログラムの勧告と要求とを組み合わさったものである。
論文 参考訳(メタデータ) (2022-11-22T11:32:05Z) - Understanding Decision-Time vs. Background Planning in Model-Based
Reinforcement Learning [56.50123642237106]
一般的な2つのアプローチは、意思決定時計画とバックグラウンド計画である。
本研究は、これらの2つの計画スタイルのうちの1つが、どの条件で、どの設定が他の方法よりも優れているかを理解することに関心がある。
全体としては、意思決定時計画は、古典的インスタンス化において、背景計画と同等に動作しないが、現代のインスタンス化では、背景計画よりも同等かそれ以上に実行可能であることを示唆している。
論文 参考訳(メタデータ) (2022-06-16T20:48:19Z) - 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) - 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。