論文の概要: A Deep Learning Approach Towards Student Performance Prediction in
Online Courses: Challenges Based on a Global Perspective
- arxiv url: http://arxiv.org/abs/2402.01655v1
- Date: Wed, 10 Jan 2024 19:13:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 17:18:24.613322
- Title: A Deep Learning Approach Towards Student Performance Prediction in
Online Courses: Challenges Based on a Global Perspective
- Title(参考訳): オンライン授業における学生のパフォーマンス予測への深層学習アプローチ:グローバルな視点による課題
- Authors: Abdallah Moubayed, MohammadNoor Injadat, Nouh Alhindawi, Ghassan
Samara, Sara Abuasal, Raed Alazaidah
- Abstract要約: 本研究は,オンラインコースの中間段階における学生のパフォーマンスを予測するために,深層学習技術(CNNとRNN-LSTM)を用いることを提案する。
実験結果から、ディープラーニングモデルは、他の最適化されたMLモデルよりも優れた性能を持つことが示された。
- 参考スコア(独自算出の注目度): 0.6058427379240696
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Analyzing and evaluating students' progress in any learning environment is
stressful and time consuming if done using traditional analysis methods. This
is further exasperated by the increasing number of students due to the shift of
focus toward integrating the Internet technologies in education and the focus
of academic institutions on moving toward e-Learning, blended, or online
learning models. As a result, the topic of student performance prediction has
become a vibrant research area in recent years. To address this, machine
learning and data mining techniques have emerged as a viable solution. To that
end, this work proposes the use of deep learning techniques (CNN and RNN-LSTM)
to predict the students' performance at the midpoint stage of the online course
delivery using three distinct datasets collected from three different regions
of the world. Experimental results show that deep learning models have
promising performance as they outperform other optimized traditional ML models
in two of the three considered datasets while also having comparable
performance for the third dataset.
- Abstract(参考訳): あらゆる学習環境における学生の進捗状況の分析と評価は,従来の分析手法を用いて行うとストレスと時間を要する。
これは、教育におけるインターネット技術の統合への焦点のシフトと、eラーニング、ブレンド、オンライン学習モデルへの移行に学術機関の焦点が移りつつあることによる学生の増加によってさらに誇張される。
その結果,近年,学生のパフォーマンス予測の話題が活発な研究分野となっている。
これを解決するために、機械学習とデータマイニング技術が実現可能なソリューションとして登場した。
そこで本研究では,3つの異なる地域から収集した3つの異なるデータセットを用いて,オンラインコース配信の中間段階における学生のパフォーマンスを予測するためのディープラーニング技術(CNNとRNN-LSTM)を提案する。
実験結果から、ディープラーニングモデルは、3つの考慮されたデータセットのうち2つで、他の最適化された従来のMLモデルよりも優れており、第3のデータセットと同等のパフォーマンスを持つことが示された。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - A Survey on Few-Shot Class-Incremental Learning [11.68962265057818]
FSCIL(Few-shot class-incremental Learning)は、ディープニューラルネットワークが新しいタスクを学習する上で重要な課題である。
本稿では, FSCILに関する包括的調査を行う。
FSCILはコンピュータビジョンの様々な分野で大きな成果を上げている。
論文 参考訳(メタデータ) (2023-04-17T10:15:08Z) - Click-Based Student Performance Prediction: A Clustering Guided
Meta-Learning Approach [10.962724342736042]
クリックストリーム行動からオンライン授業における学生の知識獲得を予測する問題について検討する。
ビデオ内のクイズ性能を予測する手法は,開発する3つの重要なアイデアに基づいている。
論文 参考訳(メタデータ) (2021-10-28T14:03:29Z) - Learning Deep Representation with Energy-Based Self-Expressiveness for
Subspace Clustering [24.311754971064303]
本稿では,エネルギーモデルに基づく新しい深部サブスペースクラスタリングフレームワークを提案する。
最近普及している自己教師型学習の強力な表現能力を考えると、自己教師型表現学習を利用して辞書を学習しようとする。
論文 参考訳(メタデータ) (2021-10-28T11:51:08Z) - Assessing the Knowledge State of Online Students -- New Data, New
Approaches, Improved Accuracy [28.719009375724028]
適応型オンライン教育システムを構築する上で,学生パフォーマンス(SP)モデリングは重要なステップである。
この研究は、4つの異なる知的チューリングシステムから最近利用可能になった4つの非常に大きなデータセットを使った最初のものである。
論文 参考訳(メタデータ) (2021-09-04T00:08:59Z) - DeepMix: Online Auto Data Augmentation for Robust Visual Object Tracking [11.92631259817911]
DeepMixは、過去のサンプルの埋め込みを入力として、オンラインで拡張埋め込みを生成する。
MixNetは、オンラインデータ拡張をワンステップで実行するためのオフライントレーニングネットワークです。
論文 参考訳(メタデータ) (2021-04-23T13:37:47Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2021-02-09T11:27:14Z) - Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。
1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文 参考訳(メタデータ) (2020-08-04T14:55:32Z) - Three Approaches for Personalization with Applications to Federated
Learning [68.19709953755238]
本稿では,パーソナライゼーションの体系的学習理論について述べる。
学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。
全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
論文 参考訳(メタデータ) (2020-02-25T01:36:43Z)
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。