論文の概要: AI-based identification and support of at-risk students: A case study of the Moroccan education system

• arxiv url: http://arxiv.org/abs/2504.07160v1
• Date: Wed, 09 Apr 2025 13:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:17.148645
• Title: AI-based identification and support of at-risk students: A case study of the Moroccan education system
• Title（参考訳）: リスクの高い学生のAIによる識別と支援--モロッコの教育制度を事例として
• Authors: Ismail Elbouknify, Ismail Berrada, Loubna Mekouar, Youssef Iraqi, El Houcine Bergou, Hind Belhabib, Younes Nail, Souhail Wardi,
• Abstract要約: 学生の退学は、個人的、家族的、学術的要因に影響される世界的な問題である。 本稿では,退学リスクのある学生を識別するAIによる予測モデル手法を提案する。
• 参考スコア（独自算出の注目度）: 5.199084419479099
• License:
• Abstract: Student dropout is a global issue influenced by personal, familial, and academic factors, with varying rates across countries. This paper introduces an AI-driven predictive modeling approach to identify students at risk of dropping out using advanced machine learning techniques. The goal is to enable timely interventions and improve educational outcomes. Our methodology is adaptable across different educational systems and levels. By employing a rigorous evaluation framework, we assess model performance and use Shapley Additive exPlanations (SHAP) to identify key factors influencing predictions. The approach was tested on real data provided by the Moroccan Ministry of National Education, achieving 88% accuracy, 88% recall, 86% precision, and an AUC of 87%. These results highlight the effectiveness of the AI models in identifying at-risk students. The framework is adaptable, incorporating historical data for both short and long-term detection, offering a comprehensive solution to the persistent challenge of student dropout.
• Abstract（参考訳）: 学生の退学は、個人的、家族的、学術的要因に影響され、国によって異なる。 本稿では、先進的な機械学習技術を用いて、退学リスクのある生徒を識別するAI駆動予測モデルを提案する。 タイムリーな介入を可能にし、教育成果を改善することが目標である。 私たちの方法論は、様々な教育システムやレベルに適応できます。 厳密な評価フレームワークを用いることで、モデルの性能を評価し、Shapley Additive ExPlanations (SHAP) を用いて予測に影響を与える重要な要因を特定する。 この手法はモロッコ国立教育省の実際のデータに基づいてテストされ、精度は88%、リコールは88%、精度は86%、AUCは87%だった。 これらの結果は、リスクの高い学生を特定する上で、AIモデルの有効性を強調している。 フレームワークは適応可能で、短期的および長期的検出の両方に履歴データを組み込んで、学生ドロップアウトの永続的課題に対する包括的解決策を提供する。

関連論文リスト

• Early Detection of At-Risk Students Using Machine Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2024-12-12T17:33:06Z)
• FAIREDU: A Multiple Regression-Based Method for Enhancing Fairness in Machine Learning Models for Educational Applications [1.24497353837144]
  本稿では,複数機能にまたがる公平性向上を目的とした,新規かつ効果的な手法であるFAIREDUを紹介する。 モデル性能を損なうことなく公平性を向上するためのFAIREDUの有効性を評価する。 その結果, FAIREDUは, 性別, 人種, 年齢, その他の繊細な特徴の交叉性に対処し, モデル精度に最小限の影響を伴って, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-08T23:29:24Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• Machine Learning Predicts Upper Secondary Education Dropout as Early as the End of Primary School [0.0]
  本研究は、幼稚園から9年生までのデータを含む13年間の縦断データセットを用いて、モデリングの地平を広げた。 本手法は,学生の学術的・認知的スキル,モチベーション,行動,幸福感,公式記録されたドロップアウトデータなど,幅広いパラメータを取り入れた。 本研究で開発された機械学習モデルでは, 曲線(AUC)の平均面積が0.61まで, 改善されたAUCは0.65まで, グレード9まで, 顕著な分類能力を示した。
  論文  参考訳（メタデータ） (2024-03-01T13:18:08Z)
• FITNESS: A Causal De-correlation Approach for Mitigating Bias in Machine Learning Software [6.4073906779537095]
  バイアスデータセットは不公平で潜在的に有害な結果をもたらす可能性がある。 本稿では,感性特徴とラベルの因果関係を関連づけたバイアス緩和手法を提案する。 我々のキーとなる考え方は、因果関係の観点からそのような効果を非相関化することで、モデルが繊細な特徴に基づいて予測することを避けることである。
  論文  参考訳（メタデータ） (2023-05-23T06:24:43Z)
• 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)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)

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。