論文の概要: Using Artificial Intelligence to Improve Classroom Learning Experience

• arxiv url: http://arxiv.org/abs/2503.05709v1
• Date: Fri, 14 Feb 2025 00:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 10:18:19.898390
• Title: Using Artificial Intelligence to Improve Classroom Learning Experience
• Title（参考訳）: 人工知能を使って授業体験を改善する
• Authors: Shadeeb Hossain,
• Abstract要約: その焦点は、機械学習アルゴリズムを使って生徒の学習体験を改善することだ。 ロジスティック回帰アルゴリズムは、評価スコア、授業期間、好みの学習スタイルなどの6つの予測変数を用いてバイナリ分類に適用される。 76,519人の候補者と35人の予測変数によるケーススタディでは、ロジスティック回帰を用いて学術的なドロップアウトリスクを評価し、テスト精度は87.39%である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper explores advancements in Artificial Intelligence technologies to enhance classroom learning, highlighting contributions from companies like IBM, Microsoft, Google, and ChatGPT, as well as the potential of brain signal analysis. The focus is on improving students learning experiences by using Machine Learning algorithms to : identify a student preferred learning style and predict academic dropout risk. A Logistic Regression algorithm is applied for binary classification using six predictor variables, such as assessment scores, lesson duration, and preferred learning style, to accurately identify learning preferences. A case study, with 76,519 candidates and 35 predictor variables, assesses academic dropout risk using Logistic Regression, achieving a test accuracy of 87.39%. In comparison, the Stochastic Gradient Descent classifier achieved an accuracy of 83.1% on the same dataset.
• Abstract（参考訳）: 本稿では,IBM,Microsoft,Google,ChatGPTといった企業からの貢献と,脳信号分析の可能性を強調する。 その焦点は、機械学習アルゴリズムを用いて、学生の学習経験を改善することであり、学生が好む学習スタイルを特定し、学術的なドロップアウトリスクを予測することである。 ロジスティック回帰アルゴリズムは、評価スコア、授業期間、好みの学習スタイルなどの6つの予測変数を用いてバイナリ分類に応用し、学習嗜好を正確に識別する。 76,519人の候補者と35人の予測変数によるケーススタディでは、ロジスティック回帰を用いて学術的なドロップアウトリスクを評価し、テスト精度は87.39%である。 一方、Stochastic Gradient Descent分類器は同じデータセットで83.1%の精度を達成した。

関連論文リスト

• ReLearn: Unlearning via Learning for Large Language Models [64.2802606302194]
  本研究では、効果的なアンラーニングのためのデータ拡張および微調整パイプラインであるReLearnを提案する。 このフレームワークでは、知識レベルの保存を測定するために、知識獲得率(KFR)と知識保持率(KRR)を導入している。 実験の結果,ReLearnは高品質な出力を保ちながら,目標とするリセットを実現することができた。
  論文  参考訳（メタデータ） (2025-02-16T16:31:00Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• 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)
• 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)
• Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
  クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。 表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
  論文  参考訳（メタデータ） (2022-06-16T11:44:11Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• Investigating the Robustness of Artificial Intelligent Algorithms with Mixture Experiments [1.877815076482061]
  AIアルゴリズムの堅牢性は、不正確な予測によって安全上の懸念が生じ、AIシステムの採用が制限される可能性があるため、大きな関心事である。 ロバストな分類アルゴリズムは、異なるアプリケーションシナリオ下で高い精度と低い変数を持つことが期待されている。 我々は、予測性能を収集するために、総合的な混合実験を行う。 次に,様々な要因がAI分類アルゴリズムの堅牢性にどのように影響するかを統計的に分析する。
  論文  参考訳（メタデータ） (2020-10-10T15:38:53Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)
• On the Robustness of Active Learning [0.7340017786387767]
  Active Learningは、機械学習アルゴリズムをトレーニングする上で最も有用なサンプルを特定する方法に関するものだ。 十分な注意とドメイン知識を持っていないことがよくあります。 そこで本研究では,Simpson の多様性指標に基づく新たな "Sum of Squared Logits" 手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:07:23Z)

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。