論文の概要: Machine Learning-Based Research on the Adaptability of Adolescents to Online Education
- arxiv url: http://arxiv.org/abs/2408.16849v1
- Date: Thu, 29 Aug 2024 18:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 17:18:55.789735
- Title: Machine Learning-Based Research on the Adaptability of Adolescents to Online Education
- Title(参考訳): オンライン教育への青少年の適応性に関する機械学習による研究
- Authors: Mingwei Wang, Sitong Liu,
- Abstract要約: 本研究は、青年期のオンライン学習適応性に影響を与える要因を分析するために、5つの機械学習アルゴリズムを実装した。
オンライン学習環境において,授業の期間,家族の経済的地位,年齢が学生の適応性に影響を与える主要な要因である。
予測モデルのうち、ランダムフォレスト、XGBoost、CatBoostアルゴリズムは優れた予測能力を示している。
- 参考スコア(独自算出の注目度): 0.6906005491572401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid advancement of internet technology, the adaptability of adolescents to online learning has emerged as a focal point of interest within the educational sphere. However, the academic community's efforts to develop predictive models for adolescent online learning adaptability require further refinement and expansion. Utilizing data from the "Chinese Adolescent Online Education Survey" spanning the years 2014 to 2016, this study implements five machine learning algorithms - logistic regression, K-nearest neighbors, random forest, XGBoost, and CatBoost - to analyze the factors influencing adolescent online learning adaptability and to determine the model best suited for prediction. The research reveals that the duration of courses, the financial status of the family, and age are the primary factors affecting students' adaptability in online learning environments. Additionally, age significantly impacts students' adaptive capacities. Among the predictive models, the random forest, XGBoost, and CatBoost algorithms demonstrate superior forecasting capabilities, with the random forest model being particularly adept at capturing the characteristics of students' adaptability.
- Abstract(参考訳): インターネット技術の急速な進歩により、青少年のオンライン学習への適応性は、教育分野における関心の焦点となっている。
しかし、青年期のオンライン学習適応性予測モデルを開発するための学術コミュニティの取り組みは、さらなる洗練と拡張を必要としている。
2014年から2016年にかけて行われた「中国青年オンライン教育調査」のデータを利用して、ロジスティック回帰(logistic regression)、K-nearest neighbors(K-nearest neighbors)、ランダムフォレスト(ランダムフォレスト)、XGBoost(XGBoost)、CatBoost(キャットブース)の5つの機械学習アルゴリズムを実装し、青年オンライン学習の適応性に影響を与える要因を分析し、予測に適したモデルを決定する。
本研究は,オンライン学習環境における学生の適応性に影響を及ぼす要因として,授業期間,家族の経済的地位,年齢が重要であることを明らかにした。
さらに、年齢は生徒の適応能力に大きな影響を及ぼす。
予測モデルのうち、ランダムフォレスト、XGBoost、CatBoostアルゴリズムは優れた予測能力を示し、ランダムフォレストモデルは特に学生の適応性の特徴を捉えるのに適している。
関連論文リスト
- Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks [2.195766695109612]
本研究では,学生のパフォーマンスを正確に予測できるニューラルネットワークに基づく新しいアプローチを提案する。
提案したモデルは、識別、フェイル、パス、ウィズドローのカテゴリでの結果を予測する。
その結果,提案手法の予測精度は既存の最先端技術よりも約25%高いことがわかった。
論文 参考訳(メタデータ) (2024-12-08T13:37:30Z) - Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳(メタデータ) (2024-05-07T17:05:27Z) - The Evolution of Learning: Assessing the Transformative Impact of Generative AI on Higher Education [0.0]
ChatGPTのような生成人工知能モデルは人気が高まっている。
本研究では,GAIが大学生や高等教育機関に与える影響について検討する。
論文 参考訳(メタデータ) (2024-04-16T13:19:57Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳(メタデータ) (2024-03-27T05:10:38Z) - SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。
本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。
本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
論文 参考訳(メタデータ) (2024-03-01T21:27:03Z) - Adoption of Artificial Intelligence in Schools: Unveiling Factors
Influencing Teachers Engagement [5.546987319988426]
学校で採用されるAIツールは、常に研究コミュニティの製品として考慮され、研究されるとは限らない。
学校における適応型学習プラットフォームの導入に影響を及ぼす包括的要因を測定するための信頼性の高い尺度を開発した。
追加の作業負荷、教師の所有と信頼の増大、支援メカニズムの生成、倫理的問題が最小化されることの保証は、学校でAIを採用する上でも不可欠である。
論文 参考訳(メタデータ) (2023-04-03T11:47:08Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳(メタデータ) (2022-11-24T13:18:27Z) - Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。
モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文 参考訳(メタデータ) (2022-10-15T04:09:05Z) - Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。
1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文 参考訳(メタデータ) (2020-08-04T14:55:32Z) - Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic
Reinforcement Learning [109.77163932886413]
本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。
この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。
事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
論文 参考訳(メタデータ) (2020-04-21T17:57:04Z)
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。