論文の概要: Introspecting the Happiness amongst University Students using Machine Learning

• arxiv url: http://arxiv.org/abs/2312.10092v1
• Date: Thu, 14 Dec 2023 06:28:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 18:48:42.361767
• Title: Introspecting the Happiness amongst University Students using Machine Learning
• Title（参考訳）: 機械学習を用いた大学生の幸福感の振り返り
• Authors: Sakshi Ranjan, Pooja Priyadarshini, Subhankar Mishra
• Abstract要約: 哲学は最も幸福な部署であり、社会学は最も悲しい部署であった。 p値5%の信頼区間(CI)は、キャンパス環境(CE)と大学評価(UR)で最低であり、エクセル活動(ECA)とワークバランス(WB)では最大であった(それぞれ0.184と0.228)。
• 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: Happiness underlines the intuitive constructs of a specified population based on positive psychological outcomes. It is the cornerstone of the cognitive skills and exploring university student's happiness has been the essence of the researchers lately. In this study, we have analyzed the university student's happiness and its facets using statistical distribution charts; designing research questions. Furthermore, regression analysis, machine learning, and clustering algorithms were applied on the world happiness dataset and university student's dataset for training and testing respectively. Philosophy was the happiest department while Sociology the saddest; average happiness score being 2.8 and 2.44 respectively. Pearson coefficient of correlation was 0.74 for Health. Predicted happiness score was 5.2 and the goodness of model fit was 51%. train and test error being 0.52, 0.47 respectively. On a Confidence Interval(CI) of 5% p-value was least for Campus Environment(CE) and University Reputation(UR) and maximum for Extra-curricular Activities(ECA) and Work Balance(WB) (i.e. 0.184 and 0.228 respectively). RF with Clustering got the highest accuracy(89%) and F score(0.98) and the least error(17.91%), hence turned out to be best for our study
• Abstract（参考訳）: 幸福は、ポジティブな心理的結果に基づいて、特定の集団の直感的な構成を強調する。 認知能力の基礎であり、近年は大学生の幸福を探求することが研究者の本質となっている。 本研究では,大学生の幸福感とその面を統計分布チャートを用いて分析し,研究課題を考案した。 さらに,世界幸福データセットと大学生のトレーニングとテストのためのデータセットに回帰分析,機械学習,クラスタリングアルゴリズムを適用した。 哲学は最も幸福な部署であり、社会学は最も悲しい部署であり、幸福の平均スコアは2.8と2.44である。 パーソン相関係数 (pearson coefficient of correlation) は0.74であった。 幸福度は5.2で, モデル適合性は51%であった。 列車とテストの誤差は それぞれ0.52と0.47です p値5%の信頼区間(CI)は、キャンパス環境(CE)と大学評価(UR)では最低であり、エクセルアクティビティ(ECA)とワークバランス(WB)では最大であった(それぞれ0.184と0.228)。 Clustering を用いた RF では高い精度(89%) と F スコア(0.98) と最小誤差 (17.91%) が得られた。

関連論文リスト

• Equitable Length of Stay Prediction for Patients with Learning Disabilities and Multiple Long-term Conditions Using Machine Learning [1.0064817439176887]
  本研究は,学習障害患者9,618例の入院状況とウェールズの人口の長期的状況について分析した。 調査コホートでは, 人口動態, 長期経過状況, 薬剤歴, 病院訪問, 生活史について検討した。 我々は,このコホートにおける入院期間を予測するために,機械学習モデルを適用した。
  論文  参考訳（メタデータ） (2024-11-03T20:14:20Z)
• Why Do Students Drop Out? University Dropout Prediction and Associated Factor Analysis Using Machine Learning Techniques [0.5042480200195721]
  本研究では,学術,人口統計,社会経済,マクロ経済データ型を用いた大学ドロップアウト予測について検討した。 モデルの性能に最も影響を及ぼすデータ型は学術データであることが判明した。 予備的な結果は、データ型とドロップアウトステータスの間に相関が存在することを示している。
  論文  参考訳（メタデータ） (2023-10-17T04:20:00Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Bayesian Causal Forests for Multivariate Outcomes: Application to Irish Data From an International Large Scale Education Assessment [0.0]
  Causal Forests (BCF) は、Additive Additive Regression Trees (BART) と呼ばれる、高度に柔軟な非パラメトリック回帰と分類ツールに基づく因果推論マシンモデルである。 以上より, 同一治療を受ける複数の結果に対して, 因果効果を正確に推定できることが示唆された。 本研究は, 家庭で学習机に通うことによる肯定的な効果を示し, 学生が空腹感を抱くことの否定的な影響を浮き彫りにした。
  論文  参考訳（メタデータ） (2023-03-08T20:30:37Z)
• Fairness of Machine Learning Algorithms in Demography [0.0]
  この論文は、ロシアの人口統計データセットのモデルフェアネスとプロセスフェアネスの研究に費やされている。 我々は、ニューラルベースアプローチの"ドロップアウト"テクニックからインスピレーションを得て、プロセスの公正性に対処するために"フィーチャードロップアウト"を使用するモデルを提案した。
  論文  参考訳（メタデータ） (2022-02-02T13:12:35Z)
• Active-LATHE: An Active Learning Algorithm for Boosting the Error Exponent for Learning Homogeneous Ising Trees [75.93186954061943]
  我々は、$rho$が少なくとも0.8$である場合に、エラー指数を少なくとも40%向上させるアルゴリズムを設計し、分析する。 我々の分析は、グラフの一部により多くのデータを割り当てるために、微小だが検出可能なサンプルの統計的変動を巧みに活用することに基づいている。
  論文  参考訳（メタデータ） (2021-10-27T10:45:21Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• FastIF: Scalable Influence Functions for Efficient Model Interpretation and Debugging [112.19994766375231]
  影響関数は、テスト予測のためのトレーニングデータポイントの「影響」を近似する。 fastifは、実行時間を大幅に改善する関数に影響を与えるための、単純な修正セットです。 本実験はモデル解釈とモデル誤差の修正における影響関数の可能性を示す。
  論文  参考訳（メタデータ） (2020-12-31T18:02:34Z)
• Health-behaviors associated with the growing risk of adolescent suicide attempts: A data-driven cross-sectional study [0.0]
  主要な健康行動としては、悲しむこと、不眠であること、学校における安全上の懸念、身体的戦闘、吸入量、学校での違法薬物消費、タバコの使用、そして早期に初性を持つことが挙げられる。 少数民族集団(アメリカン・インディアン・アラスカ・インディアン、ヒスパニック・ラティノス、および女性)も自殺未遂に非常に脆弱である。
  論文  参考訳（メタデータ） (2020-09-08T19:29:18Z)

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。