論文の概要: Improving On-Time Undergraduate Graduation Rate For Undergraduate Students Using Predictive Analytics

• arxiv url: http://arxiv.org/abs/2407.10253v1
• Date: Thu, 2 May 2024 22:33:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:59:07.441546
• Title: Improving On-Time Undergraduate Graduation Rate For Undergraduate Students Using Predictive Analytics
• Title（参考訳）: 予測分析を用いた大学生のオンタイム大学生卒業率の向上
• Authors: Ramineh Lopez-Yazdani, Roberto Rivera,
• Abstract要約: プエルトリコの大学における在学期間の卒業率は、アメリカ合衆国本土よりも大幅に低い。 本研究は,学生の学習開始時期を正確に把握し,時間通りに卒業しないリスクを負う予測モデルの構築を目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The on-time graduation rate among universities in Puerto Rico is significantly lower than in the mainland United States. This problem is noteworthy because it leads to substantial negative consequences for the student, both socially and economically, the educational institution and the local economy. This project aims to develop a predictive model that accurately detects students early in their academic pursuit at risk of not graduating on time. Various predictive models are developed to do this, and the best model, the one with the highest performance, is selected. Using a dataset containing information from 24432 undergraduate students at the University of Puerto Rico at Mayaguez, the predictive performance of the models is evaluated in two scenarios: Group I includes both the first year of college and pre-college factors, and Group II only considers pre-college factors. Overall, for both scenarios, the boosting model, trained on the oversampled dataset, is the most successful at predicting who will not graduate on time.
• Abstract（参考訳）: プエルトリコの大学におけるオンタイム卒業率は、米国本土よりも大幅に低い。 この問題は、社会と経済の両方、教育機関と地域経済において、学生にとって重大なネガティブな結果をもたらすため、注目すべきである。 本研究は,学生の学習開始時期を正確に把握し,時間通りに卒業しないリスクを負う予測モデルの構築を目的とする。 これを行うために様々な予測モデルが開発され、最高のモデル、最高の性能を持つモデルが選択される。 マヤゲスにあるプエルトリコ大学の24432人の大学生の情報を含むデータセットを用いて、モデルの予測性能を2つのシナリオで評価する。 全体として、両方のシナリオにおいて、オーバーサンプリングデータセットでトレーニングされたブースティングモデルは、誰が時間通りに卒業しないかを予測する上で最も成功している。

関連論文リスト

• Beyond human subjectivity and error: a novel AI grading system [67.410870290301]
  オープンエンドの質問の格付けは、教育における高い努力と高いインパクトの課題である。 AI技術の最近のブレークスルーは、このような自動化を促進するかもしれないが、大規模に実証されていない。 本稿では,新しい自動短解階調システム(ASAG)を提案する。
  論文  参考訳（メタデータ） (2024-05-07T13:49:59Z)
• Temporal and Between-Group Variability in College Dropout Prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2024-01-12T10:43:55Z)
• 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)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• 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)
• 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)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Should College Dropout Prediction Models Include Protected Attributes? [0.4125187280299248]
  機械学習モデルを構築し、1学年後に学生のドロップアウトを予測する。 モデル予測の全体的な性能と公平性を、4つの保護属性の有無で比較する。 保護属性を含むと、全体的な予測性能に影響を与えず、予測のアルゴリズム的公正さをわずかに改善することを発見した。
  論文  参考訳（メタデータ） (2021-03-28T22:47:30Z)
• 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。