論文の概要: Integrating behavior analysis with machine learning to predict online learning performance: A scientometric review and empirical study
- arxiv url: http://arxiv.org/abs/2406.11847v1
- Date: Thu, 28 Mar 2024 03:29:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 07:40:34.626114
- Title: Integrating behavior analysis with machine learning to predict online learning performance: A scientometric review and empirical study
- Title（参考訳）: 行動分析と機械学習の統合によるオンライン学習性能の予測--サイエントメトリック・レビューと実証的研究
- Authors: Jin Yuan, Xuelan Qiu, Jinran Wu, Jiesi Guo, Weide Li, You-Gan Wang,
- Abstract要約: 本研究では,学習行動分析をMLアルゴリズムと組み合わせて学習者のオンライン学習成績の予測精度を高める統合フレームワークを提案する。
その結果,本フレームワークは,自律的な学生にほぼ完璧な予測性能を与え,モチベーションのある学生に満足できる性能を与えることがわかった。
- 参考スコア（独自算出の注目度）: 6.133369217932887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The interest in predicting online learning performance using ML algorithms has been steadily increasing. We first conducted a scientometric analysis to provide a systematic review of research in this area. The findings show that most existing studies apply the ML methods without considering learning behavior patterns, which may compromise the prediction accuracy and precision of the ML methods. This study proposes an integration framework that blends learning behavior analysis with ML algorithms to enhance the prediction accuracy of students' online learning performance. Specifically, the framework identifies distinct learning patterns among students by employing clustering analysis and implements various ML algorithms to predict performance within each pattern. For demonstration, the integration framework is applied to a real dataset from edX and distinguishes two learning patterns, as in, low autonomy students and motivated students. The results show that the framework yields nearly perfect prediction performance for autonomous students and satisfactory performance for motivated students. Additionally, this study compares the prediction performance of the integration framework to that of directly applying ML methods without learning behavior analysis using comprehensive evaluation metrics. The results consistently demonstrate the superiority of the integration framework over the direct approach, particularly when integrated with the best-performing XGBoosting method. Moreover, the framework significantly improves prediction accuracy for the motivated students and for the worst-performing random forest method. This study also evaluates the importance of various learning behaviors within each pattern using LightGBM with SHAP values. The implications of the integration framework and the results for online education practice and future research are discussed.
- Abstract（参考訳）: MLアルゴリズムを用いたオンライン学習のパフォーマンス予測への関心は着実に高まっている。
我々はまず,この領域における研究の体系的レビューを提供するために,サイエントメトリック分析を行った。
その結果,既存のほとんどの研究では,学習行動パターンを考慮せずにML手法を適用しており,ML手法の精度と精度を損なう可能性が示唆された。
本研究では,学習行動分析をMLアルゴリズムと組み合わせて学習者のオンライン学習成績の予測精度を高める統合フレームワークを提案する。
具体的には、クラスタリング分析を用いて、生徒の異なる学習パターンを特定し、各パターンのパフォーマンスを予測する様々なMLアルゴリズムを実装している。
デモでは、統合フレームワークがedXの実際のデータセットに適用され、低自治の学生とモチベーションのある学生の2つの学習パターンを区別する。
その結果,本フレームワークは,自律的な学生にとってほぼ完璧な予測性能と,モチベーションのある学生にとって満足な成績をもたらすことがわかった。
さらに,統合フレームワークの予測性能を,総合評価指標を用いた行動分析を学習せずに直接ML手法を適用する方法と比較した。
結果は、特に最高のパフォーマンスのXGBoostingメソッドと統合した場合、直接アプローチよりも統合フレームワークの方が優れていることを一貫して示している。
さらに、このフレームワークは、動機付けられた学生の予測精度と、最悪のパフォーマンスのランダムフォレスト手法の予測精度を大幅に向上させる。
本研究は,SHAP値を持つLightGBMを用いて,各パターンにおける各種学習行動の重要性を評価する。
統合フレームワークの意義とオンライン教育実践と今後の研究の成果について論じる。
関連論文リスト
- On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
複数モーダルな)自己教師付き表現学習のための連続領域における識別確率モデル問題について検討する。
我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
論文 参考訳（メタデータ） (2024-10-11T18:02:46Z) - Unlearning with Control: Assessing Real-world Utility for Large Language Model Unlearning [97.2995389188179]
最近の研究は、勾配上昇(GA)を通した大規模言語モデル(LLM)の未学習にアプローチし始めている。
その単純さと効率性にもかかわらず、我々はGAベースの手法が過剰な未学習の傾向に直面することを示唆している。
過剰な未学習の度合いを制御できるいくつかの制御手法を提案する。
論文 参考訳（メタデータ） (2024-06-13T14:41:00Z) - Machine Unlearning of Pre-trained Large Language Models [17.40601262379265]
本研究では,大規模言語モデル(LLM)の文脈における「忘れられる権利」の概念について検討する。
我々は、事前学習されたモデルに焦点をあてて、機械学習を重要なソリューションとして探求する。
論文 参考訳（メタデータ） (2024-02-23T07:43:26Z) - 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) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Mixed Semi-Supervised Generalized-Linear-Regression with applications to Deep-Learning and Interpolators [6.537685198688539]
本稿では、ラベルのないデータを用いて、半教師付き学習法(SSL)を設計する手法を提案する。
それぞれに$alpha$という混合パラメータが含まれており、ラベルのないデータに与えられる重みを制御する。
我々は,標準教師付きモデルと比較して,大幅な改善を実現するための方法論の有効性を実証する。
論文 参考訳（メタデータ） (2023-02-19T09:55:18Z) - From Mimicking to Integrating: Knowledge Integration for Pre-Trained
Language Models [55.137869702763375]
本稿では,新しいPLM再利用パラダイムであるKnowledge Integration(KI)について検討する。
KIは,異なる分類問題に特化している教師-PLMの知識を,多種多様な学生モデルにマージすることを目的としている。
次に,モデル不確かさを意識した知識統合(MUKI)フレームワークを設計し,学生の黄金の監督を回復する。
論文 参考訳（メタデータ） (2022-10-11T07:59:08Z) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。
本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。
改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文 参考訳（メタデータ） (2022-08-16T13:46:39Z) - Graph-based Ensemble Machine Learning for Student Performance Prediction [0.7874708385247353]
本研究では,単一の機械学習手法の安定性を向上させるために,グラフベースのアンサンブル機械学習手法を提案する。
私たちのモデルは、予測精度が最大14.8%向上する従来の機械学習アルゴリズムよりも優れています。
論文 参考訳（メタデータ） (2021-12-15T05:19:46Z) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳（メタデータ） (2021-06-29T12:52:26Z) - How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。
我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。
この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文 参考訳（メタデータ） (2021-05-05T17:56:00Z)
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。