論文の概要: Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks

• arxiv url: http://arxiv.org/abs/2412.05938v1
• Date: Sun, 08 Dec 2024 13:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:58:36.410254
• Title: Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いたオンライン教育の初期段階における正確なマルチカテゴリ学生のパフォーマンス予測
• Authors: Naveed Ur Rehman Junejo, Muhammad Wasim Nawaz, Qingsheng Huang, Xiaoqing Dong, Chang Wang, Gengzhong Zheng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.195766695109612
• License:
• Abstract: The ability to accurately predict and analyze student performance in online education, both at the outset and throughout the semester, is vital. Most of the published studies focus on binary classification (Fail or Pass) but there is still a significant research gap in predicting students' performance across multiple categories. This study introduces a novel neural network-based approach capable of accurately predicting student performance and identifying vulnerable students at early stages of the online courses. The Open University Learning Analytics (OULA) dataset is employed to develop and test the proposed model, which predicts outcomes in Distinction, Fail, Pass, and Withdrawn categories. The OULA dataset is preprocessed to extract features from demographic data, assessment data, and clickstream interactions within a Virtual Learning Environment (VLE). Comparative simulations indicate that the proposed model significantly outperforms existing baseline models including Artificial Neural Network Long Short Term Memory (ANN-LSTM), Random Forest (RF) 'gini', RF 'entropy' and Deep Feed Forward Neural Network (DFFNN) in terms of accuracy, precision, recall, and F1-score. The results indicate that the prediction accuracy of the proposed method is about 25% more than the existing state-of-the-art. Furthermore, compared to existing methodologies, the model demonstrates superior predictive capability across temporal course progression, achieving superior accuracy even at the initial 20% phase of course completion.
• Abstract（参考訳）: オンライン教育における学生のパフォーマンスを正確に予測し、分析する能力は、初学期と中学期の両方で不可欠である。 公表された研究の多くは二項分類(Fail or Pass)に焦点を当てているが、学生のパフォーマンスを複数のカテゴリーで予測する上で、依然として大きな研究ギャップがある。 本研究では,オンライン授業の初期段階において,学生のパフォーマンスを正確に予測し,脆弱な学生を識別す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。 Open University Learning Analytics (OULA)データセットは、提案されたモデルの開発とテストに使用される。 OULAデータセットは、仮想学習環境(VLE)内の人口統計データ、アセスメントデータ、クリックストリームインタラクションから特徴を抽出するために前処理される。 比較シミュレーションにより,提案モデルがニューラルネットワーク長短記憶(ANN-LSTM),ランダムフォレスト(RF)'ギニ',RF'エントロピー',ディープフィードフォワードニューラルネットワーク(DFFNN)といった既存のベースラインモデルよりも精度,精度,リコール,F1スコアで大幅に優れていたことが示唆された。 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。 さらに,従来の手法と比較して,時間的進路を横断する予測能力に優れ,コース完了の初期20%の段階でも精度が優れていた。

関連論文リスト

• Towards An Online Incremental Approach to Predict Students Performance [0.8287206589886879]
  本稿では,オンライン分類器を更新するためのメモリベースのオンラインインクリメンタル学習手法を提案する。 提案手法は,現在の最先端技術と比較して10%近く向上し,モデル精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-05-03T17:13:26Z)
• Amortised Inference in Bayesian Neural Networks [0.0]
  Amortized Pseudo-Observation Variational Inference Bayesian Neural Network (APOVI-BNN)を紹介する。 補正された推論は、従来の変分推論によって得られたものと類似または良好な品質であることが示される。 次に、APOVI-BNNをニューラルプロセスファミリーの新たなメンバーと見なす方法について論じる。
  論文  参考訳（メタデータ） (2023-09-06T14:02:33Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• 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)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• Confidence-Nets: A Step Towards better Prediction Intervals for regression Neural Networks on small datasets [0.0]
  そこで本研究では,予測の不確かさを推定し,精度を向上し,予測変動の間隔を与えるアンサンブル手法を提案する。 提案手法は様々なデータセットで検証され,ニューラルネットワークモデルの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2022-10-31T06:38:40Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
  問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。 現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。 我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
  論文  参考訳（メタデータ） (2020-03-04T17:52:48Z)
• A Deep Learning Approach to Behavior-Based Learner Modeling [11.899303239960412]
  本研究では,学習者の学習結果の予測,すなわちコース終了時の行動予測について検討する。 本稿では,学習者がコースをどう進むか,学習者がコースをどう進むかという2つの重要な要素を取り入れた,パフォーマンス予測のための2つの分岐決定ネットワークを提案する。 提案アルゴリズムは、95.7%の精度と0.958のAUCスコアを達成し、他の全てのモデルより優れている。
  論文  参考訳（メタデータ） (2020-01-23T01:26:52Z)

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。