論文の概要: Early Detection of At-Risk Students Using Machine Learning

• arxiv url: http://arxiv.org/abs/2412.09483v1
• Date: Thu, 12 Dec 2024 17:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 13:31:36.151169
• Title: Early Detection of At-Risk Students Using Machine Learning
• Title（参考訳）: 機械学習を用いたat-Risk学生の早期検出
• Authors: Azucena L. Jimenez Martinez, Kanika Sood, Rakeshkumar Mahto,
• Abstract要約: リスクの高い学生を対象としたスクリーニングにより,高等教育の継続と学生の退学率の持続的課題に取り組むことを目的とする。 この研究は、SVM(Support Vector Machines)、Naive Bayes、K-nearest neighbors(KNN)、決定木(Decision Trees)、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)など、いくつかの機械学習モデルを検討する。 分析の結果,全てのアルゴリズムがリスクの高い学生の予測に許容できる結果をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This research presents preliminary work to address the challenge of identifying at-risk students using supervised machine learning and three unique data categories: engagement, demographics, and performance data collected from Fall 2023 using Canvas and the California State University, Fullerton dashboard. We aim to tackle the persistent challenges of higher education retention and student dropout rates by screening for at-risk students and building a high-risk identification system. By focusing on previously overlooked behavioral factors alongside traditional metrics, this work aims to address educational gaps, enhance student outcomes, and significantly boost student success across disciplines at the University. Pre-processing steps take place to establish a target variable, anonymize student information, manage missing data, and identify the most significant features. Given the mixed data types in the datasets and the binary classification nature of this study, this work considers several machine learning models, including Support Vector Machines (SVM), Naive Bayes, K-nearest neighbors (KNN), Decision Trees, Logistic Regression, and Random Forest. These models predict at-risk students and identify critical periods of the semester when student performance is most vulnerable. We will use validation techniques such as train test split and k-fold cross-validation to ensure the reliability of the models. Our analysis indicates that all algorithms generate an acceptable outcome for at-risk student predictions, while Naive Bayes performs best overall.
• Abstract（参考訳）: 本研究は、教師付き機械学習と、2023年秋からCanvasとカリフォルニア州立大学フラートン校のダッシュボードを用いて収集されたエンゲージメント、人口統計、パフォーマンスデータという3つのユニークなデータカテゴリを用いて、リスクの高い学生を特定するという課題に対処するための予備的な研究である。 リスクの高い学生をスクリーニングし、リスクの高い識別システムを構築することで、高等教育の維持と学生の退学率の持続的課題に取り組むことを目的としている。 従来から見過ごされてきた行動要因に焦点をあてることで、この研究は、教育のギャップに対処し、学生の成果を高め、大学内の規律をまたいだ学生の成功を著しく促進することを目的としている。 事前処理のステップは、ターゲット変数を確立し、学生情報を匿名化し、行方不明のデータを管理し、最も重要な特徴を識別する。 本研究は、データセットの混合データ型とバイナリ分類の性質を踏まえ、SVM(Support Vector Machines)、Naive Bayes(Naive Bayes)、K-nearest neighbors(KNN)、決定木(Decision Trees)、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)などの機械学習モデルを検討する。 これらのモデルは、リスクの高い学生を予測し、学生のパフォーマンスが最も脆弱な学期の重要な期間を特定する。 モデルの信頼性を確保するため、列車テストの分割やk-foldクロスバリデーションなどの検証技術を使用します。 分析の結果,全てのアルゴリズムがリスクの高い学生の予測に許容できる結果をもたらすことがわかった。

関連論文リスト

• Knowledge Distillation in RNN-Attention Models for Early Prediction of Student Performance [3.9596747946226767]
  RNN-Attention-KD (knowledge distillation) フレームワークを導入し,リスクの高い学生を早期に予測する。 経験的評価では、RNN-Attention-KDはリコールとF1尺度で従来のニューラルネットワークモデルより優れている。
  論文  参考訳（メタデータ） (2024-12-19T04:46:06Z)
• Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
  本稿では,学生の難易度を予測するための自動ツールを開発する。 潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
  論文  参考訳（メタデータ） (2024-08-16T04:57:54Z)
• A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course [0.0]
  本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。 新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
  論文  参考訳（メタデータ） (2023-04-12T01:57:08Z)
• 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)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• 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)
• Student-centric Model of Learning Management System Activity and Academic Performance: from Correlation to Causation [2.169383034643496]
  近年,学生の学習行動パターンを理解するために,学習管理システム(LMS)における学習者のデジタルトレースのモデル化に多くの関心が寄せられている。 本稿では,LMS活動データに対する学生中心の分析フレームワークについて検討し,観察データから抽出した相関性だけでなく因果的洞察も提供する。 これらの知見は、大学生支援団体が学生中心で標的とする介入を開始するための証拠となると期待している。
  論文  参考訳（メタデータ） (2022-10-27T14:08:25Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Relaxed Clustered Hawkes Process for Procrastination Modeling in MOOCs [1.6822770693792826]
  有意義な学生行動クラスタを発見する新しいパーソナライズホークスプロセスモデル(RCHawkes-Gamma)を提案する。 本研究は,rchawkes-gammaが学生群を効果的に回復できることを示す。
  論文  参考訳（メタデータ） (2021-01-29T22:20:38Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)
• Differentially Private Deep Learning with Smooth Sensitivity [144.31324628007403]
  プライバシーに関する懸念を、差分プライバシーのレンズを通して研究する。 このフレームワークでは、モデルのトレーニングに使用されるデータの詳細が曖昧になるようにモデルを摂動することで、一般的にプライバシー保証が得られます。 過去の研究で使われた最も重要なテクニックの1つは、教師モデルのアンサンブルであり、ノイズの多い投票手順に基づいて生徒に情報を返す。 本研究では,イミュータブルノイズArgMaxと呼ばれるスムーズな感性を有する新しい投票機構を提案する。これは,ある条件下では,学生に伝達される有用な情報に影響を与えることなく,教師から非常に大きなランダムノイズを発生させることができる。
  論文  参考訳（メタデータ） (2020-03-01T15:38:00Z)

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。