論文の概要: Temporal and Between-Group Variability in College Dropout Prediction
- arxiv url: http://arxiv.org/abs/2401.06498v1
- Date: Fri, 12 Jan 2024 10:43:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 19:44:27.748294
- Title: Temporal and Between-Group Variability in College Dropout Prediction
- Title(参考訳): 大学ドロップアウト予測における時間的・集団間変動
- Authors: Dominik Glandorf, Hye Rin Lee, Gabe Avakian Orona, Marina Pumptow,
Renzhe Yu, Christian Fischer
- Abstract要約: 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。
- 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: Large-scale administrative data is a common input in early warning systems
for college dropout in higher education. Still, the terminology and methodology
vary significantly across existing studies, and the implications of different
modeling decisions are not fully understood. This study provides a systematic
evaluation of contributing factors and predictive performance of machine
learning models over time and across different student groups. Drawing on
twelve years of administrative data at a large public university in the US, we
find that dropout prediction at the end of the second year has a 20% higher AUC
than at the time of enrollment in a Random Forest model. Also, most predictive
factors at the time of enrollment, including demographics and high school
performance, are quickly superseded in predictive importance by college
performance and in later stages by enrollment behavior. Regarding variability
across student groups, college GPA has more predictive value for students from
traditionally disadvantaged backgrounds than their peers. These results can
help researchers and administrators understand the comparative value of
different data sources when building early warning systems and optimizing
decisions under specific policy goals.
- Abstract(参考訳): 大規模行政データは、高等教育における大学退学早期警戒システムにおいて一般的な入力である。
それでも、用語と方法論は既存の研究によって大きく異なり、異なるモデリング決定の意味が完全には理解されていない。
本研究は,様々な学習グループにおける機械学習モデルの寄与要因と予測性能の系統的評価を提供する。
米国の大公立大学における12年間の行政データから,2年目のドロップアウト予測は,ランダムな森林モデルでの登録時よりも20%高いaucを持つことがわかった。
また、入学時の人口統計学や高校の成績など、ほとんどの予測要因は、大学の成績や入学行動によって予測される重要性において急速に取って代わられている。
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。
これらの結果は、研究者や管理者が早期警告システムを構築し、特定のポリシー目標の下で決定を最適化する際に異なるデータソースの比較価値を理解するのに役立つ。
関連論文リスト
- 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) - Students Success Modeling: Most Important Factors [0.47829670123819784]
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。
論文 参考訳(メタデータ) (2023-09-06T19:23:10Z) - Ecosystem-level Analysis of Deployed Machine Learning Reveals
Homogeneous Outcomes [76.07093761206377]
本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。
デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。
これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
論文 参考訳(メタデータ) (2023-07-12T01:11:52Z) - 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) - Inside the Black Box: Detecting and Mitigating Algorithmic Bias across
Racialized Groups in College Student-Success Prediction [0.0]
予測アルゴリズムは歴史的データに依存しているため、人種差別を含む社会的不正を捉えている。
人種的カテゴリーを含むモデルは、人種的にマイノリティ化された学生が好ましくない結果をもたらすと予測するかもしれない。
論文 参考訳(メタデータ) (2023-01-10T04:48:51Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。
我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文 参考訳(メタデータ) (2021-10-21T18:28:57Z) - Prediction of Students performance with Artificial Neural Network using
Demographic Traits [2.7636476571082373]
本研究は, ニュートラルネットワークを用いた学生の成績予測システムを開発することを目的とする。
モデルは入力として選択された変数に基づいて開発された。
精度は92.3%を超え、ニューラルネットワークの有効性を示した。
論文 参考訳(メタデータ) (2021-08-08T11:46:41Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z) - 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。