論文の概要: Evaluation of Machine Learning Models in Student Academic Performance Prediction

• arxiv url: http://arxiv.org/abs/2506.08047v1
• Date: Sun, 08 Jun 2025 13:33:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.18686
• Title: Evaluation of Machine Learning Models in Student Academic Performance Prediction
• Title（参考訳）: 学生の学業成績予測における機械学習モデルの評価
• Authors: A. G. R. Sandeepa, Sanka Mohottala,
• Abstract要約: 本研究では,学校環境における学生の学業成績を予測するための機械学習手法について検討する。 行動、学術、人口統計の詳細を持つ学生のデータは、標準的な古典的機械学習モデルの実装に使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This research investigates the use of machine learning methods to forecast students' academic performance in a school setting. Students' data with behavioral, academic, and demographic details were used in implementations with standard classical machine learning models including multi-layer perceptron classifier (MLPC). MLPC obtained 86.46% maximum accuracy for test set across all implementations. Under 10-fold cross validation, MLPC obtained 79.58% average accuracy for test set while for train set, it was 99.65%. MLP's better performance over other machine learning models strongly suggest the potential use of neural networks as data-efficient models. Feature selection approach played a crucial role in improving the performance and multiple evaluation approaches were used in order to compare with existing literature. Explainable machine learning methods were utilized to demystify the black box models and to validate the feature selection approach.
• Abstract（参考訳）: 本研究では,学校環境における学生の学業成績を予測するための機械学習手法について検討する。 多層パーセプトロン分類器(MLPC)を含む古典的機械学習モデルの実装において、行動、学術、人口統計の詳細を持つ学生のデータを使用した。 MLPCはすべての実装でテストセットの最大精度86.46%を得た。 10倍のクロス検証の下で、MLPCはテストセットの平均精度79.58%を獲得し、列車セットは99.65%であった。 MLPの他の機械学習モデルよりも優れたパフォーマンスは、ニューラルネットワークをデータ効率のモデルとして使う可能性を強く示唆している。 特徴選択手法は性能向上に重要な役割を担い、既存の文献と比較するために複数の評価手法が用いられた。 説明可能な機械学習手法を用いてブラックボックスモデルをデミスティフィケートし、特徴選択アプローチを検証する。

関連論文リスト

• A Hybrid Model for Few-Shot Text Classification Using Transfer and Meta-Learning [0.0]
  本稿では,移動学習とメタ学習に基づく数ショットのテキスト分類モデルを提案する。 サンプルやメディアサンプルの少ない条件下では、トランスファーラーニングとメタラーニングに基づくモデルは、従来の機械学習やディープラーニングよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-02-13T09:00:32Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Large Language Model Enhanced Machine Learning Estimators for Classification [24.391150322835713]
  様々なシナリオをシミュレートするための強力なツールとして、事前訓練された大規模言語モデル(LLM)が登場した。 本稿では,LLMを古典的機械学習推定器に統合し,予測性能をさらに向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-05-08T22:28:57Z)
• A Mixture of Exemplars Approach for Efficient Out-of-Distribution Detection with Foundation Models [0.0]
  本稿では, 高品質で凍結, 事前訓練された基礎モデルを用いて, トレーニングの利点を最大化するためのOOD検出への効率的なアプローチを提案する。 MoLARは、OODの例と例の類似性だけを比較すると、強力なOODパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-11-28T06:12:28Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Studying Drowsiness Detection Performance while Driving through Scalable Machine Learning Models using Electroencephalography [0.0]
  運転者の眠気は交通事故の主な原因の1つである。 Brain-Computer Interfaces (BCI) と Machine Learning (ML) はドライバの眠気の検出を可能にしている。 本研究は、BCIを用いたインテリジェントなフレームワークと、脳波に基づく運転シナリオの眠気を検出する特徴を示す。
  論文  参考訳（メタデータ） (2022-09-08T22:14:33Z)
• MACE: An Efficient Model-Agnostic Framework for Counterfactual Explanation [132.77005365032468]
  MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。 MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。 公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
  論文  参考訳（メタデータ） (2022-05-31T04:57:06Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。