論文の概要: Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses

• arxiv url: http://arxiv.org/abs/2403.05552v1
• Date: Thu, 8 Feb 2024 21:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 06:10:13.859415
• Title: Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses
• Title（参考訳）: ブレンド学習大学における学業成績予測のためのマルチソース・マルチモーダルデータ融合
• Authors: W. Chango, R. Cerezo, C. Romero,
• Abstract要約: 異なる情報源から1年目の大学生のデータを収集・前処理した。 4つの異なるデータ融合手法と6つの分類アルゴリズムを適用して実験を行った。 最高の予測モデルから,理論授業における注目度,Moodleクイズにおける得点,およびMoodleフォーラムにおける活動度が,本コースにおける学生の最終成績を予測する上での最善の属性セットであることが示唆された。
• 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: In this paper we applied data fusion approaches for predicting the final academic performance of university students using multiple-source, multimodal data from blended learning environments. We collected and preprocessed data about first-year university students from different sources: theory classes, practical sessions, on-line Moodle sessions, and a final exam. Our objective was to discover which data fusion approach produced the best results using our data. We carried out experiments by applying four different data fusion approaches and six classification algorithms. The results showed that the best predictions were produced using ensembles and selecting the best attributes approach with discretized data. The best prediction models showed us that the level of attention in theory classes, scores in Moodle quizzes, and the level of activity in Moodle forums were the best set of attributes for predicting students' final performance in our courses.
• Abstract（参考訳）: 本稿では,ブレンド学習環境から得られたマルチモーダルデータを用いて,大学生の最終学業成績を予測するためにデータ融合手法を適用した。 理論授業,実践セッション,オンラインMoodleセッション,最終試験など,さまざまなソースから1年生のデータを収集し,前処理した。 我々の目的は、データを使ってどのデータ融合アプローチが最良の結果をもたらすかを見つけることであった。 4つの異なるデータ融合手法と6つの分類アルゴリズムを適用して実験を行った。 その結果, 最適な予測はアンサンブルを用いて生成され, 識別データを用いた最適な属性選択が可能であることがわかった。 最高の予測モデルから,理論授業における注目度,Moodleクイズにおける得点,およびMoodleフォーラムにおける活動度が,本コースにおける学生の最終成績を予測する上での最善の属性セットであることが示唆された。

関連論文リスト

• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• Data Mixing Laws: Optimizing Data Mixtures by Predicting Language Modeling Performance [55.872926690722714]
  本研究では,関数形式の混合比に関するモデル性能の予測可能性について検討する。 トレーニングステップのスケーリング法則,モデルサイズ,データ混合法則のネスト利用を提案する。 提案手法は,RedPajamaにおける100Bトークンをトレーニングした1Bモデルのトレーニング混合物を効果的に最適化する。
  論文  参考訳（メタデータ） (2024-03-25T17:14:00Z)
• How to Train Data-Efficient LLMs [56.41105687693619]
  事前学習言語モデル(LLM)に対するデータ効率のアプローチについて検討する。 Ask-LLMと密度サンプリングがそれぞれのカテゴリで最適であることがわかった。 何百もの評価タスクと事前学習作業を含む19個のサンプルを比較したところ,Ask-LLMと密度がそれぞれのカテゴリで最適な方法であることが判明した。
  論文  参考訳（メタデータ） (2024-02-15T02:27:57Z)
• Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources [0.0]
  本研究の目的は,Intelligent Tutoring Systemの異なるデータソースを用いて,大学生の学習成績を予測することである。 異なるマルチモーダルソースから40名の学生のデータを収集・前処理した。
  論文  参考訳（メタデータ） (2024-02-10T09:31:39Z)
• Modeling Student Performance in Game-Based Learning Environments [0.0]
  本研究では,教育ゲーム「Jo Wilder and the Capitol Case」の文脈におけるゲーム学習について検討する。 本研究の目的は,学生のパフォーマンスや質問応答の正しさを最も予測できる特徴を特定することである。
  論文  参考訳（メタデータ） (2023-09-23T16:53:07Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Quality Not Quantity: On the Interaction between Dataset Design and Robustness of CLIP [43.7219097444333]
  ここでは,CLIPにおける事前学習分布がロバスト性をいかに引き起こすかを調べるために,公開されている6つのデータソースのテストベッドを紹介する。 その結果,事前学習データの性能は分布変化によって大きく異なることがわかった。 複数のソースを組み合わせることで、必ずしもより良いモデルが得られるのではなく、最高の個々のデータソースのロバスト性を希薄にする。
  論文  参考訳（メタデータ） (2022-08-10T18:24:23Z)
• Optimal Ensemble Construction for Multi-Study Prediction with Applications to COVID-19 Excess Mortality Estimation [7.02598981483736]
  マルチスタディ・アンサンブルは、研究固有のモデルに適合し、アンサンブル重みを別々に推定する2段階戦略を用いる。 このアプローチは、モデル適合段階でのアンサンブル特性を無視し、効率を損なう可能性がある。 パンデミックの開始前にはほとんどデータが入手できない場合、他の国のデータを活用することで、予測精度が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-09-19T16:52:41Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)
• Multi-split Optimized Bagging Ensemble Model Selection for Multi-class Educational Data Mining [8.26773636337474]
  この研究は、2つの異なる大学における2つの異なる学部のデータセットを分析します。 コース配信の2段階(それぞれ20%と50%)の成績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） (2020-06-09T03:22:33Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。