論文の概要: Beyond classical and contemporary models: a transformative ai framework for student dropout prediction in distance learning using rag, prompt engineering, and cross-modal fusion

• arxiv url: http://arxiv.org/abs/2507.05285v1
• Date: Fri, 04 Jul 2025 21:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.229906
• Title: Beyond classical and contemporary models: a transformative ai framework for student dropout prediction in distance learning using rag, prompt engineering, and cross-modal fusion
• Title（参考訳）: 古典的・現代的モデルを超えて--ラグ・プロンプト・エンジニアリング・クロスモーダル融合を用いた遠隔学習における学生のドロップアウト予測のための変換的aiフレームワーク
• Authors: Miloud Mihoubi, Meriem Zerkouk, Belkacem Chikhaoui,
• Abstract要約: 本稿では、ドロップアウト予測を再定義する変換型AIフレームワークを提案する。 フレームワークの精度は89%、F1スコアは0.88で、従来のモデルよりも7%、偽陰性は21%向上している。
• 参考スコア（独自算出の注目度）: 0.4369550829556578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Student dropout in distance learning remains a critical challenge, with profound societal and economic consequences. While classical machine learning models leverage structured socio-demographic and behavioral data, they often fail to capture the nuanced emotional and contextual factors embedded in unstructured student interactions. This paper introduces a transformative AI framework that redefines dropout prediction through three synergistic innovations: Retrieval-Augmented Generation (RAG) for domain-specific sentiment analysis, prompt engineering to decode academic stressors, and cross-modal attention fusion to dynamically align textual, behavioral, and socio-demographic insights. By grounding sentiment analysis in a curated knowledge base of pedagogical content, our RAG-enhanced BERT model interprets student comments with unprecedented contextual relevance, while optimized prompts isolate indicators of academic distress (e.g., "isolation," "workload anxiety"). A cross-modal attention layer then fuses these insights with temporal engagement patterns, creating holistic risk profiles. Evaluated on a longitudinal dataset of 4 423 students, the framework achieves 89% accuracy and an F1-score of 0.88, outperforming conventional models by 7% and reducing false negatives by 21%. Beyond prediction, the system generates interpretable interventions by retrieving contextually aligned strategies (e.g., mentorship programs for isolated learners). This work bridges the gap between predictive analytics and actionable pedagogy, offering a scalable solution to mitigate dropout risks in global education systems
• Abstract（参考訳）: 遠隔学習における学生のドロップアウトは、社会的、経済的に深刻な結果をもたらす重要な課題である。 古典的な機械学習モデルは、構造化された社会デミノグラフィーと行動データを活用するが、それらはしばしば、構造化されていない学生の相互作用に埋め込まれた微妙な感情的および文脈的要素を捉えることに失敗する。 本稿では,3つのシナジスティックな革新を通じて,ドロップアウト予測を再定義するトランスフォーメーションAIフレームワークを提案する。ドメイン固有感情分析のためのRAG(Retrieval-Augmented Generation),学術的ストレスをデコードするエンジニアリングの促進,テキスト,行動,社会的な認識を動的に調整するためのモーダルアテンション融合である。 教育内容のキュレートされた知識ベースで感情分析を行うことにより、RAG強化BERTモデルは、学生のコメントを前例のない文脈的関連性で解釈すると同時に、学習難易度(例えば「異化」、「作業負荷不安」など)の指標を最適化する。 横断的な注意層は、これらの洞察を時間的エンゲージメントパターンと融合し、全体的リスクプロファイルを生成する。 423名の学生の縦断的データセットから評価したところ、このフレームワークは精度89%、F1スコア0.88であり、従来のモデルよりも7%、偽陰性は21%向上している。 予測以外にも、文脈に整合した戦略(例えば、孤立した学習者のための指導プログラム)を検索することで解釈可能な介入を生成する。 この研究は、予測分析と実行可能な教育のギャップを埋め、グローバル教育システムにおけるドロップアウトリスクを軽減するスケーラブルなソリューションを提供する

関連論文リスト

• Unpacking Generative AI in Education: Computational Modeling of Teacher and Student Perspectives in Social Media Discourse [0.5203732344753156]
  本研究は、ソーシャルメディアデータを用いた教育におけるGAIに関する利害関係者談話のダイナミクスに関する最も包括的分析の1つを提示する。 私たちのデータセットには1,199件のReddit投稿と13,959件のトップレベルのコメントが含まれています。 本研究は, より明確な制度方針, より透明なGAI統合実践, 教育者, 学生の支援メカニズムの必要性を示唆するものである。
  論文  参考訳（メタデータ） (2025-06-19T15:50:08Z)
• Understanding Self-Regulated Learning Behavior Among High and Low Dropout Risk Students During CS1: Combining Trace Logs, Dropout Prediction and Self-Reports [8.138288420049127]
  本研究では,コンピュータサイエンスの学生の行動パターンを様々なリスクで調査する。 学習分析を用いて,仮想学習環境からトレースログとタスクパフォーマンスデータを解析した。 その結果,個別の週次学習戦略と授業行動の分類が明らかになった。
  論文  参考訳（メタデータ） (2025-06-10T18:46:45Z)
• Machine vs Machine: Using AI to Tackle Generative AI Threats in Assessment [0.0]
  本稿では、高等教育評価において、生成人工知能(AI)がもたらす課題に対処するための理論的枠組みを提案する。 GPT-4、Claude、Llamaのような大規模な言語モデルは、洗練された学術コンテンツを作成する能力をますます示している。 調査によると、学生の74-92%が学術目的でこれらのツールを実験している。
  論文  参考訳（メタデータ） (2025-05-31T22:29:43Z)
• Predicting Student Dropout Risk With A Dual-Modal Abrupt Behavioral Changes Approach [11.034576265432168]
  Dual-Modal Multiscale Sliding Window (DMSW) モデルは,学術的パフォーマンスと行動データを統合し,最小限のデータを用いて行動パターンをキャプチャする。 DMSWモデルでは従来の手法に比べて予測精度が15%向上し,高リスクの生徒を早期に特定できるようになった。 これらの知見は、ドロップアウト予測における理論と実践のギャップを埋め、教育者は学生の維持と成果を高める革新的なツールとなる。
  論文  参考訳（メタデータ） (2025-05-16T11:02:55Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy [11.735587384038753]
  本稿では,SGNN(Signed Graph Neural Networks)とLLM(Large Language Model)を統合化するための革新的な戦略を提案する。 提案手法では, 学生の回答を包括的にモデル化するための署名付き二部グラフを用いて, 雑音耐性を高めるコントラスト学習フレームワークを補完する。
  論文  参考訳（メタデータ） (2023-09-23T23:37:55Z)
• From Mimicking to Integrating: Knowledge Integration for Pre-Trained Language Models [55.137869702763375]
  本稿では,新しいPLM再利用パラダイムであるKnowledge Integration(KI)について検討する。 KIは,異なる分類問題に特化している教師-PLMの知識を,多種多様な学生モデルにマージすることを目的としている。 次に,モデル不確かさを意識した知識統合(MUKI)フレームワークを設計し,学生の黄金の監督を回復する。
  論文  参考訳（メタデータ） (2022-10-11T07:59:08Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)

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。