論文の概要: Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources

• arxiv url: http://arxiv.org/abs/2403.07194v1
• Date: Sat, 10 Feb 2024 09:31:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 08:27:08.988439
• Title: Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources
• Title（参考訳）: 属性選択と異なるマルチモーダルデータソースのアンサンブルを用いた知的学習システムにおける生徒のパフォーマンス予測の改善
• Authors: W. Chango, R. Cerezo, M. Sanchez-Santillan, R. Azevedo, C. Romero,
• Abstract要約: 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。
• 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 aim of this study was to predict university students' learning performance using different sources of data from an Intelligent Tutoring System. We collected and preprocessed data from 40 students from different multimodal sources: learning strategies from system logs, emotions from face recording videos, interaction zones from eye tracking, and test performance from final knowledge evaluation. Our objective was to test whether the prediction could be improved by using attribute selection and classification ensembles. We carried out three experiments by applying six classification algorithms to numerical and discretized preprocessed multimodal data. The results show that the best predictions were produced using ensembles and selecting the best attributes approach with numerical data.
• Abstract（参考訳）: 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。 システムログからの学習戦略,顔記録ビデオからの感情,視線追跡からのインタラクションゾーン,最終知識評価によるテストパフォーマンスなど,さまざまなマルチモーダルソースからの40人の学生のデータを収集し,前処理した。 本研究の目的は,属性選択と分類アンサンブルを用いて予測を改善できるかどうかを検証することであった。 我々は6つの分類アルゴリズムを数値化および離散化したマルチモーダルデータに適用して3つの実験を行った。 その結果, アンサンブルを用いて最適な予測を行い, 数値データを用いた最適属性選択を行った。

関連論文リスト

• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses [0.0]
  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。
  論文  参考訳（メタデータ） (2024-02-08T21:29:41Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• A Contrast Based Feature Selection Algorithm for High-dimensional Data set in Machine Learning [9.596923373834093]
  本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。 提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
  論文  参考訳（メタデータ） (2024-01-15T05:32:35Z)
• Analyzing the Capabilities of Nature-inspired Feature Selection Algorithms in Predicting Student Performance [0.0]
  本稿では,学生のパフォーマンス予測に使用するアンサンブルアルゴリズムの特徴選択部分において,自然に触発されたアルゴリズムの相対的性能について分析を行った。 その結果,自然に着想を得たアルゴリズムを特徴選択に利用し,従来のMLアルゴリズムを分類に利用することで,予測精度が向上し,特徴セットのサイズを最大65%削減できることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T21:18:52Z)
• 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)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• 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)
• Systematic Ensemble Model Selection Approach for Educational Data Mining [8.26773636337474]
  この研究は、コースデリバリの2つの別々の段階において、2つの異なるデータセットを調査し、分析する。 Giniインデックスとp値に基づく体系的なアプローチを提案し、6つの潜在的機械学習アルゴリズムの組み合わせから適切なアンサンブル学習者を選択する。 実験結果から,提案したアンサンブルモデルでは,両データセットのすべての段階で高い精度と低い偽陽性率が得られることがわかった。
  論文  参考訳（メタデータ） (2020-05-13T22:25:58Z)

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。