論文の概要: Bayesian Causal Forests for Longitudinal Data: Assessing the Impact of Part-Time Work on Growth in High School Mathematics Achievement
- arxiv url: http://arxiv.org/abs/2407.11927v1
- Date: Tue, 16 Jul 2024 17:18:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-17 13:43:56.120626
- Title: Bayesian Causal Forests for Longitudinal Data: Assessing the Impact of Part-Time Work on Growth in High School Mathematics Achievement
- Title（参考訳）: 縦断的データのためのベイズ系因果樹林:高校数学教育におけるパートタイムワークが成長に及ぼす影響の評価
- Authors: Nathan McJames, Ann O'Shea, Andrew Parnell,
- Abstract要約: ベイジアンカウサル林の長手延長について紹介する。
このモデルは、数学的能力における個々の成長と、パートタイム作業への参加の影響の両方を柔軟に識別することができる。
その結果、ほとんどの学生にとってパートタイムワークの負の影響が明らかとなったが、当初は学校所有感が低い学生にとって潜在的利益が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modelling growth in student achievement is a significant challenge in the field of education. Understanding how interventions or experiences such as part-time work can influence this growth is also important. Traditional methods like difference-in-differences are effective for estimating causal effects from longitudinal data. Meanwhile, Bayesian non-parametric methods have recently become popular for estimating causal effects from single time point observational studies. However, there remains a scarcity of methods capable of combining the strengths of these two approaches to flexibly estimate heterogeneous causal effects from longitudinal data. Motivated by two waves of data from the High School Longitudinal Study, the NCES' most recent longitudinal study which tracks a representative sample of over 20,000 students in the US, our study introduces a longitudinal extension of Bayesian Causal Forests. This model allows for the flexible identification of both individual growth in mathematical ability and the effects of participation in part-time work. Simulation studies demonstrate the predictive performance and reliable uncertainty quantification of the proposed model. Results reveal the negative impact of part time work for most students, but hint at potential benefits for those students with an initially low sense of school belonging. Clear signs of a widening achievement gap between students with high and low academic achievement are also identified. Potential policy implications are discussed, along with promising areas for future research.
- Abstract（参考訳）: 学生の達成度をモデル化することは、教育分野において重要な課題である。
パートタイムワークのような介入や経験が、この成長にどのように影響するかを理解することも重要です。
差分差法のような従来の手法は、縦断データから因果効果を推定するのに有効である。
一方、ベイズ的非パラメトリック法は、近年、単一点観測研究から因果効果を推定するために人気が高まっている。
しかし、長手データから不均一因果効果を柔軟に推定するために、これらの2つの手法の強度を組み合わせられる手法は乏しいままである。
NCESの最新の縦断調査である高校縦断調査(High School Longitudinal Study)から得られた2つのデータから、米国内の2万人以上の学生のサンプルを追跡した結果、ベイズ・カウサル森林の縦断的拡張が紹介された。
このモデルは、数学的能力における個々の成長と、パートタイム作業への参加の影響の両方を柔軟に識別することができる。
シミュレーション研究は,提案モデルの予測性能と信頼性の高い不確実性定量化を実証する。
その結果、ほとんどの学生にとってパートタイムワークの負の影響が明らかとなったが、当初は学校所有感が低い学生にとって潜在的利益が示唆された。
また,高学歴・低学歴の学生間での達成ギャップ拡大の明確な兆候も確認した。
今後の研究に期待できる分野とともに、潜在的な政策含意について論じる。
関連論文リスト
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Machine Learning Predicts Upper Secondary Education Dropout as Early as the End of Primary School [0.0]
本研究は、幼稚園から9年生までのデータを含む13年間の縦断データセットを用いて、モデリングの地平を広げた。
本手法は,学生の学術的・認知的スキル,モチベーション,行動,幸福感,公式記録されたドロップアウトデータなど,幅広いパラメータを取り入れた。
本研究で開発された機械学習モデルでは, 曲線(AUC)の平均面積が0.61まで, 改善されたAUCは0.65まで, グレード9まで, 顕著な分類能力を示した。
論文 参考訳（メタデータ） (2024-03-01T13:18:08Z) - Have Learning Analytics Dashboards Lived Up to the Hype? A Systematic
Review of Impact on Students' Achievement, Motivation, Participation and
Attitude [0.0]
学習分析ダッシュボード(LAD)が、学業成績を改善するという約束まで生きてきたという結論を支持する証拠はない。
LADは学生参加に比較的大きな影響を及ぼした。
LADの研究を前進させるためには、厳密な評価手法を使用し、学習構造を評価するための明確な基準を確立する必要がある。
論文 参考訳（メタデータ） (2023-12-22T20:12:52Z) - Small-scale proxies for large-scale Transformer training instabilities [69.36381318171338]
我々は、小規模でトレーニングの安定性と不安定性を再現し、研究する方法を模索する。
学習速度とスケールによる損失の関係を計測することにより,これらの不安定性は,学習率の高いトレーニングにおいて,小さなモデルにも現れることを示す。
ウォームアップ,ウェイト崩壊,および$mu$Paramなどの手法を用いて,学習速度変化の桁数で同様の損失を被る小さなモデルを訓練する。
論文 参考訳（メタデータ） (2023-09-25T17:48:51Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - 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) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Measuring Domain Knowledge for Early Prediction of Student Performance:
A Semantic Approach [5.721241882795979]
研究者らは、パフォーマンスモデリング研究に様々な予測器を使用してきた。
約0.35万の観測に関する協会の採掘は、事前の認知が学生のパフォーマンスに影響を及ぼすことを証明している。
ドメイン知識を測定するという提案されたアプローチは、初期のパフォーマンスモデリング研究が予測子として使うのに役立ちます。
論文 参考訳（メタデータ） (2021-07-15T23:46:27Z) - Long-Term Effect Estimation with Surrogate Representation [43.932546958874696]
本研究は、一次利害関係(一次利害関係)の結果が蓄積されるまでに数ヶ月、あるいは数年を要する長期的効果の問題を研究する。
本稿では,機械学習における因果推論と逐次モデルとの接続を構築することを提案する。
論文 参考訳（メタデータ） (2020-08-19T03:16:18Z) - 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)
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。