論文の概要: E2Vec: Feature Embedding with Temporal Information for Analyzing Student Actions in E-Book Systems

• arxiv url: http://arxiv.org/abs/2407.13053v1
• Date: Fri, 24 May 2024 10:17:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 08:18:00.835022
• Title: E2Vec: Feature Embedding with Temporal Information for Analyzing Student Actions in E-Book Systems
• Title（参考訳）: E2Vec:電子書籍システムにおける学生行動分析のための時間情報埋め込み機能
• Authors: Yuma Miyazaki, Valdemar Švábenský, Yuta Taniguchi, Fumiya Okubo, Tsubasa Minematsu, Atsushi Shimada,
• Abstract要約: 本研究では,単語埋め込みに基づく特徴表現手法であるE2Vecを提案する。 我々は,2年間のコンピュータサイエンスコースから,305名の生徒にそれぞれ埋め込みベクトルを生成するために,fastTextを適用した。
• 参考スコア（独自算出の注目度）: 0.3793387630509845
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital textbook (e-book) systems record student interactions with textbooks as a sequence of events called EventStream data. In the past, researchers extracted meaningful features from EventStream, and utilized them as inputs for downstream tasks such as grade prediction and modeling of student behavior. Previous research evaluated models that mainly used statistical-based features derived from EventStream logs, such as the number of operation types or access frequencies. While these features are useful for providing certain insights, they lack temporal information that captures fine-grained differences in learning behaviors among different students. This study proposes E2Vec, a novel feature representation method based on word embeddings. The proposed method regards operation logs and their time intervals for each student as a string sequence of characters and generates a student vector of learning activity features that incorporates time information. We applied fastText to generate an embedding vector for each of 305 students in a dataset from two years of computer science courses. Then, we investigated the effectiveness of E2Vec in an at-risk detection task, demonstrating potential for generalizability and performance.
• Abstract（参考訳）: デジタル教科書(eブック)システムは、EventStreamデータと呼ばれる一連のイベントとして教科書と学生の相互作用を記録する。 過去には、EventStreamから意味のある特徴を抽出し、それらをグレード予測や学生行動のモデリングといった下流タスクの入力として利用していた。 従来の研究では、EventStreamログから派生した統計ベースの特徴を主に用いたモデル、例えばオペレーションのタイプ数やアクセス頻度を評価していた。 これらの特徴は特定の洞察を与えるのに有用であるが、異なる学生間での学習行動の微妙な違いを捉える時間的情報がない。 本研究では,単語埋め込みに基づく特徴表現手法であるE2Vecを提案する。 提案手法は,各生徒の操作ログとその時間間隔を文字列列として考慮し,時間情報を含む学習活動特徴の学習ベクトルを生成する。 我々は,2年間のコンピュータサイエンスコースから,305名の生徒にそれぞれ埋め込みベクトルを生成するために,fastTextを適用した。 次に,リスク検出タスクにおけるE2Vecの有効性を検討した。

関連論文リスト

• Reinforcement Learning with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
  本稿では,行動列上のQ値を出力する批判ネットワークを学習する新しいRLアルゴリズムを提案する。 提案アルゴリズムは,現在および将来の一連の行動の実行結果を学習するために値関数を明示的に訓練することにより,ノイズのある軌道から有用な値関数を学習することができる。
  論文  参考訳（メタデータ） (2024-11-19T01:23:52Z)
• DyGKT: Dynamic Graph Learning for Knowledge Tracing [27.886870568131254]
  本研究の動機は,(1) 記録に回答する学生の規模が常に増大していること,(2) 記録間の時間間隔のセマンティクスが異なること,(3) 学生,質問,概念の関係が進化していること,の3つである。 この線に沿って,動的グラフに基づく知識追跡モデル,すなわちDyGKTを提案する。 特に、知識追跡のための連続時間動的問合せグラフは、無限に増加する応答行動に対処するために構築される。
  論文  参考訳（メタデータ） (2024-07-30T13:43:32Z)
• Student Classroom Behavior Detection based on Spatio-Temporal Network and Multi-Model Fusion [6.069671582146248]
  生徒の授業行動を自動的に検出する深層学習手法は,授業成績を分析し,授業効果を向上させる上で有望なアプローチである。 しかし、学生の行動に関する公開データセットの欠如と、そのようなデータセットを手作業でラベル付けするコストは、この分野の研究者にとって大きな課題となっている。 学生教室シナリオデータセットを画像・時間的行動データセットを通じて拡張する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-25T00:46:26Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• A Predictive Model for Student Performance in Classrooms Using Student Interactions With an eTextbook [0.0]
  本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。 提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
  論文  参考訳（メタデータ） (2022-02-16T11:59:53Z)
• Self-Attention Neural Bag-of-Features [103.70855797025689]
  我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。 本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
  論文  参考訳（メタデータ） (2022-01-26T17:54:14Z)
• Analysis of Driving Scenario Trajectories with Active Learning [6.316693022958221]
  我々は,運転時間時系列データに注釈を付けるための能動的学習フレームワークを開発した。 組込みデータに異なる分類モデルを用いた様々なアクティブラーニングパラダイムを適用する。 クラス外トラジェクトリの識別にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-08-06T17:41:40Z)
• Early Performance Prediction using Interpretable Patterns in Programming Process Data [13.413990352918098]
  リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。 我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-02-10T22:46:45Z)
• Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
  多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。 シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。 本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-07-10T10:28:54Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)

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。