Fugu-MT 論文翻訳(概要): Feature Engineering on LMS Data to Optimize Student Performance Prediction

論文の概要: Feature Engineering on LMS Data to Optimize Student Performance Prediction

arxiv url: http://arxiv.org/abs/2504.02916v1
Date: Thu, 03 Apr 2025 13:11:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-07 14:49:51.628150
Title: Feature Engineering on LMS Data to Optimize Student Performance Prediction
Title（参考訳）: 学生のパフォーマンス予測を最適化するLMSデータの特徴工学
Authors: Keith Hubbard, Sheilla Amponsah,
Abstract要約: 本稿では,地域総合大学学習管理システム(LMS)の成績とログインデータから,工学的特徴について考察する。私たちは、これらの特徴を機械学習に活用するための、多数のエンジニアリングされた機能とアプローチを比較します。より包括的な学生のパフォーマンスモデルにこれらの特徴を含めることの意味を要約して結論付ける。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Nearly every educational institution uses a learning management system (LMS), often producing terabytes of data generated by thousands of people. We examine LMS grade and login data from a regional comprehensive university, specifically documenting key considerations for engineering features from these data when trying to predict student performance. We specifically document changes to LMS data patterns since Covid-19, which are critical for data scientists to account for when using historic data. We compare numerous engineered features and approaches to utilizing those features for machine learning. We finish with a summary of the implications of including these features into more comprehensive student performance models.
Abstract（参考訳）: ほぼ全ての教育機関は学習管理システム(LMS)を使用しており、何千人もの人々が生成するテラバイトのデータを生成することが多い。地域総合大学におけるLMSグレードとログインデータについて検討し、特に学生のパフォーマンスを予測しようとする際、これらのデータから工学的特徴について重要な考察を文書化している。 Covid-19以降のLMSデータパターンの変更については特に文書化しています。私たちは、これらの特徴を機械学習に活用するための、多数のエンジニアリングされた機能とアプローチを比較します。より包括的な学生のパフォーマンスモデルにこれらの機能を含めることの意味を要約して締めくくる。

関連論文リスト

Towards a Classification of Open-Source ML Models and Datasets for Software Engineering [52.257764273141184]
オープンソースの事前訓練モデル(PTM)とデータセットは、さまざまな機械学習(ML)タスクに広範なリソースを提供する。これらのリソースには、ソフトウェア工学(SE)のニーズに合わせた分類がない。我々は、人気のあるオープンソースのMLリポジトリであるHugging Face (HF)上で、SE指向の分類をPTMとデータセットに適用し、時間とともにPTMの進化を分析する。
論文参考訳（メタデータ） (2024-11-14T18:52:05Z)
LLM-itation is the Sincerest Form of Data: Generating Synthetic Buggy Code Submissions for Computing Education [5.421088637597145]
大規模言語モデル(LLM)は、大規模でプライバシを保存する合成データを作成するための有望なアプローチを提供する。本研究は,GPT-4oを用いた導入プログラミング演習のための合成バグギーコード生成について検討する。合成データと実生データ間のテストケース故障の分布を比較し,実生データを模倣した合成データの精度を解析した。
論文参考訳（メタデータ） (2024-11-01T00:24:59Z)
SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
論文参考訳（メタデータ） (2024-07-16T04:41:58Z)
LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文参考訳（メタデータ） (2024-07-02T22:23:40Z)
Large Language Models for Data Annotation and Synthesis: A Survey [49.8318827245266]
本調査は,データアノテーションと合成のための大規模言語モデルの有用性に焦点を当てる。 LLMがアノテートできるデータタイプの詳細な分類、LLM生成アノテーションを利用したモデルの学習戦略のレビュー、データアノテーションと合成にLLMを使用する際の主な課題と制限に関する詳細な議論を含む。
論文参考訳（メタデータ） (2024-02-21T00:44:04Z)
LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文参考訳（メタデータ） (2024-02-06T19:18:04Z)
Large Language Models as Data Preprocessors [9.99065004972981]
大規模言語モデル (LLM) は人工知能において大きな進歩を遂げている。本研究では、データマイニングおよび分析アプリケーションにおいて重要な段階である、データ前処理におけるその可能性について検討する。我々は,最先端のプロンプトエンジニアリング技術を統合したデータ前処理のためのLLMベースのフレームワークを提案する。
論文参考訳（メタデータ） (2023-08-30T23:28:43Z)
Multi-granulariy Time-based Transformer for Knowledge Tracing [9.788039182463768]
過去のテストスコアを含む学生の過去のデータを活用して、各学生にパーソナライズされたモデルを作成します。次に、これらのモデルを使用して、将来のパフォーマンスを所定のテストで予測します。
論文参考訳（メタデータ） (2023-04-11T14:46:38Z)
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)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Identifying Critical LMS Features for Predicting At-risk Students [4.718094586237028]
高等教育において学習管理システム(LMS)が不可欠になっている。データログを用いてデータ分析を行い、学術的にリスクの高い学生を特定することでLMSをさらに活用する。
論文参考訳（メタデータ） (2022-04-27T22:43:45Z)

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。