論文の概要: Enhancing Collaborative Filtering-Based Course Recommendations by Exploiting Time-to-Event Information with Survival Analysis

• arxiv url: http://arxiv.org/abs/2503.00072v1
• Date: Thu, 27 Feb 2025 17:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:26:40.887585
• Title: Enhancing Collaborative Filtering-Based Course Recommendations by Exploiting Time-to-Event Information with Survival Analysis
• Title（参考訳）: 生存分析による時間-事象情報の爆発的抽出による協調フィルタリングに基づく授業勧告の強化
• Authors: Alireza Gharahighehi, Achilleas Ghinis, Michela Venturini, Frederik Cornillie, Celine Vens,
• Abstract要約: マッシブオープンコース(MOOC)は、伝統的な教育の代替として人気がある。 このようなアクセシビリティにもかかわらず、MOOCの登録数は大幅に減少する。 学習者のエンゲージメントを高めるためには、好みやニーズに合わせたコースを推薦することが不可欠である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Massive Open Online Courses (MOOCs) are emerging as a popular alternative to traditional education, offering learners the flexibility to access a wide range of courses from various disciplines, anytime and anywhere. Despite this accessibility, a significant number of enrollments in MOOCs result in dropouts. To enhance learner engagement, it is crucial to recommend courses that align with their preferences and needs. Course Recommender Systems (RSs) can play an important role in this by modeling learners' preferences based on their previous interactions within the MOOC platform. Time-to-dropout and time-to-completion in MOOCs, like other time-to-event prediction tasks, can be effectively modeled using survival analysis (SA) methods. In this study, we apply SA methods to improve collaborative filtering recommendation performance by considering time-to-event in the context of MOOCs. Our proposed approach demonstrates superior performance compared to collaborative filtering methods trained based on learners' interactions with MOOCs, as evidenced by two performance measures on three publicly available datasets. The findings underscore the potential of integrating SA methods with RSs to enhance personalization in MOOCs.
• Abstract（参考訳）: 大規模なオープンオンラインコース(MOOC)は、伝統的な教育の代替として人気があり、学習者はいつでもどこでも、様々な分野から幅広いコースにアクセスすることができる。 このようなアクセシビリティにもかかわらず、MOOCの登録数は大幅に減少する。 学習者のエンゲージメントを高めるためには、好みやニーズに合わせたコースを推薦することが不可欠である。 コースレコメンダシステム(RS)は,MOOCプラットフォーム内でのこれまでのインタラクションに基づいて,学習者の好みをモデル化することによって,重要な役割を果たす。 MOOCのタイム・トゥ・ドロップアウトとタイム・トゥ・コンプリートは、他の時間・イベント予測タスクと同様に、生存分析(SA)手法を用いて効果的にモデル化することができる。 本研究では,MOOCの文脈における時間-時間を考慮した協調フィルタリング推薦性能の向上にSA法を適用した。 提案手法は,MOOCと対話する学習者を対象に学習した協調フィルタリング手法と比較して,3つの公開データセットに対する2つの性能測定結果から,優れた性能を示す。 この結果から,MOOCのパーソナライゼーションを高めるため,SA法をRSと統合する可能性が示唆された。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Real-Time Personalization for LLM-based Recommendation with Customized In-Context Learning [57.28766250993726]
  この研究は、モデル更新なしに動的なユーザ関心に適応することを検討する。 既存のLarge Language Model (LLM)ベースのレコメンダは、レコメンデーションチューニング中にコンテキスト内学習能力を失うことが多い。 本稿では,レコメンデーション固有のインコンテキスト学習をリアルタイムレコメンデーションにカスタマイズするRecICLを提案する。
  論文  参考訳（メタデータ） (2024-10-30T15:48:36Z)
• A Personalized MOOC Learning Group and Course Recommendation Method Based on Graph Neural Network and Social Network Analysis [9.069543885639245]
  このモデルは、様々な高等教育MOOCプラットフォームから4万人近いユーザーと数万のコースに関するデータを利用している。 収集したデータを利用して、学生のためのコースや学習グループに関するパーソナライズされたレコメンデーションを提供するAIベースのアシスタントが開発された。
  論文  参考訳（メタデータ） (2024-10-14T16:06:56Z)
• Curriculum-scheduled Knowledge Distillation from Multiple Pre-trained Teachers for Multi-domain Sequential Recommendation [102.91236882045021]
  現実世界のシステムにおいて、様々な事前学習されたレコメンデーションモデルを効率的に利用する方法について検討することが不可欠である。 多分野連続的な推薦のために,複数の事前学習教師によるカリキュラムスケジューリング型知識蒸留を提案する。 CKD-MDSRは、複数の教師モデルとして異なるPRMの利点を最大限に活用し、小学生推薦モデルを強化している。
  論文  参考訳（メタデータ） (2024-01-01T15:57:15Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks [22.827250316693803]
  いくつかのMOOCプラットフォームは、ユーザの学習体験を改善するために、もちろんユーザにレコメンデーションを提供する。 このサービスの有用性にもかかわらず、ユーザーに直接コースを推薦することは、様々な専門知識を無視する可能性があると考えている。 異種情報ネットワークと強化学習に基づくMOOCにおける概念推薦のための新しい手法であるHinCRec-RLを提案する。
  論文  参考訳（メタデータ） (2022-03-08T05:10:55Z)
• UniNet: Next Term Course Recommendation using Deep Learning [0.0]
  本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。 成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。 これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
  論文  参考訳（メタデータ） (2020-09-20T00:07:45Z)
• Predicting Engagement in Video Lectures [24.415345855402624]
  本稿では,文脈に依存しないエンゲージメントを予測するための,ビデオ講義の大規模データセットを提案する。 この課題を達成するために、クロスモーダルとモダリティ固有の特徴セットを提案する。 データ不足の場合、我々のアプローチを実演する。
  論文  参考訳（メタデータ） (2020-05-31T19:28:16Z)
• Analyzing Student Strategies In Blended Courses Using Clickstream Data [32.81171098036632]
  パターンマイニングと、自然言語処理から借用したモデルを用いて、学生のインタラクションを理解します。 きめ細かいクリックストリームデータは、非商業的な教育支援システムであるDiderotを通じて収集される。 提案手法は,混合コースの低データ設定においても有意な洞察を得られることが示唆された。
  論文  参考訳（メタデータ） (2020-05-31T03:01:00Z)
• Learning From Multiple Experts: Self-paced Knowledge Distillation for Long-tailed Classification [106.08067870620218]
  我々は,LFME(Learning From Multiple Experts)と呼ばれる自己評価型知識蒸留フレームワークを提案する。 提案するLFMEフレームワークは,複数の'Experts'からの知識を集約して,統一された学生モデルを学ぶ。 提案手法は,最先端の手法に比べて優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-01-06T12:57:36Z)

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。