論文の概要: Difference of Probability and Information Entropy for Skills
Classification and Prediction in Student Learning
- arxiv url: http://arxiv.org/abs/2312.05747v1
- Date: Sun, 10 Dec 2023 04:10:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 19:04:34.995418
- Title: Difference of Probability and Information Entropy for Skills
Classification and Prediction in Student Learning
- Title(参考訳): 学生学習におけるスキル分類と予測のための確率と情報エントロピーの差異
- Authors: Kennedy Efosa Ehimwenma, Safiya Al Sharji and Maruf Raheem
- Abstract要約: サンプル空間Sでは、確率の値は結果が真か偽かを決定する。
与えられたサンプル空間 S = 1 における有限事象の確率 Pr(E1) + Pr(E2) + ... + Pr(En) の和。
argMaxPr(S)と学生効果の確率の違いは、学生にとっての学習対象の重みを定量化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The probability of an event is in the range of [0, 1]. In a sample space S,
the value of probability determines whether an outcome is true or false. The
probability of an event Pr(A) that will never occur = 0. The probability of the
event Pr(B) that will certainly occur = 1. This makes both events A and B thus
a certainty. Furthermore, the sum of probabilities Pr(E1) + Pr(E2) + ... +
Pr(En) of a finite set of events in a given sample space S = 1. Conversely, the
difference of the sum of two probabilities that will certainly occur is 0.
Firstly, this paper discusses Bayes' theorem, then complement of probability
and the difference of probability for occurrences of learning-events, before
applying these in the prediction of learning objects in student learning. Given
the sum total of 1; to make recommendation for student learning, this paper
submits that the difference of argMaxPr(S) and probability of
student-performance quantifies the weight of learning objects for students.
Using a dataset of skill-set, the computational procedure demonstrates: i) the
probability of skill-set events that has occurred that would lead to higher
level learning; ii) the probability of the events that has not occurred that
requires subject-matter relearning; iii) accuracy of decision tree in the
prediction of student performance into class labels; and iv) information
entropy about skill-set data and its implication on student cognitive
performance and recommendation of learning [1].
- Abstract(参考訳): 事象の確率は[0, 1]の範囲にある。
サンプル空間sにおいて、確率の値は結果が真か偽かを決定する。
決して起こらない事象Pr(A)の確率
= 0. イベントPr(B) の確率は確実に起こる。
= 1 なので、イベント a と b の両方が確実である。
さらに、与えられたサンプル空間 s = 1 における有限個の事象の集合の確率の和 pr(e1) + pr(e2) + ... + pr(en) は、逆に、確実に起こる2つの確率の和の差が成り立つ。
まず, ベイズの定理を考察し, 学生学習における学習対象の予測に応用する前に, 学習事象の発生確率と確率の差を補う。
本論文は,生徒の学習対象の重みを,argMaxPr(S)と学生効果の確率の差で定量化するものである。
スキルセットのデータセットを使用して、計算手順が示す。
一 より高いレベルの学習につながるようなスキルセットの事象の確率
二 被写体・被写体の再学習を要しない事象の確率
三 学生の成績をクラスラベルに予測する際の決定木の正確性及び
四 スキルセットデータに関する情報エントロピーとその学生の認知能力及び学習の推薦に関する意味 [1]
関連論文リスト
- SMURF-THP: Score Matching-based UnceRtainty quantiFication for
Transformer Hawkes Process [76.98721879039559]
SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。
具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。
我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
論文 参考訳(メタデータ) (2023-10-25T03:33:45Z) - DAPrompt: Deterministic Assumption Prompt Learning for Event Causality
Identification [8.102227953905206]
事象因果同定(ECI)は、2つの事象の言及の間に因果関係があるかどうかを決定することを目的としている。
ECIタスクに対して,DAPromptと呼ばれる決定論的仮定プロンプト学習モデルを提案する。
我々は、予測事象の確率を用いて、最終事象因果決定の仮定合理性を評価する。
論文 参考訳(メタデータ) (2023-07-19T08:02:20Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳(メタデータ) (2023-06-13T03:42:03Z) - Inferential Moments of Uncertain Multivariable Systems [0.0]
我々はベイズ確率の更新をランダムなプロセスとして扱い、推論モーメントと呼ばれる結合確率分布の固有量的特徴を明らかにする。
推論モーメントは、まだ取得されていない情報に応じて、事前分布がどのように更新されるかについての形状情報を定量化する。
情報理論の要素と推論理論の関連性を示す推論モーメントの観点から,相互情報の時系列展開を求める。
論文 参考訳(メタデータ) (2023-05-03T00:56:12Z) - Upper bound on the Guessing probability using Machine Learning [0.0]
推定確率の推定は、量子暗号プロセスにおいて最も重要である。
研究されたシナリオのほとんどでは、推測確率は半確定的なプログラムを解くのに等しい。
我々は、この問題に対処するために、いくつかの関連するベルシナリオに対してディープラーニングアプローチを実装した。
論文 参考訳(メタデータ) (2022-12-16T14:33:35Z) - Reconciling Individual Probability Forecasts [78.0074061846588]
データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。
個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
論文 参考訳(メタデータ) (2022-09-04T20:20:35Z) - Plinko: A Theory-Free Behavioral Measure of Priors for Statistical
Learning and Mental Model Updating [62.997667081978825]
Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。
対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。
我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
論文 参考訳(メタデータ) (2021-07-23T22:27:30Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳(メタデータ) (2021-06-03T08:32:13Z) - A framework for predicting, interpreting, and improving Learning
Outcomes [0.0]
本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。
ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
論文 参考訳(メタデータ) (2020-10-06T11:22:27Z) - Neural Conditional Event Time Models [11.920908437656413]
イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。
我々は,a)事象発生確率,b)発生予測時刻を区別する条件付き事象時刻モデルを開発する。
その結果, 合成データ, 医療イベント (MIMIC-III) , ソーシャルメディア投稿において, イベント発生およびイベント時間予測の精度が向上した。
論文 参考訳(メタデータ) (2020-04-03T05:08:13Z)
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。