論文の概要: Failure Risk Prediction in a MOOC: A Multivariate Time Series Analysis Approach

• arxiv url: http://arxiv.org/abs/2507.21118v1
• Date: Thu, 17 Jul 2025 12:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.895321
• Title: Failure Risk Prediction in a MOOC: A Multivariate Time Series Analysis Approach
• Title（参考訳）: 多変量時系列解析によるMOOCの故障リスク予測
• Authors: Anass El Ayady, Maxime Devanne, Germain Forestier, Nour El Mawas,
• Abstract要約: この研究は、時系列分類法を比較して、コースの異なる段階におけるリスクのある学習者を特定する。 予備的な結果は、MOOCにおける学習者の失敗を予測するために評価されたアプローチが有望であることを示している。
• 参考スコア（独自算出の注目度）: 0.7087237546722617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MOOCs offer free and open access to a wide audience, but completion rates remain low, often due to a lack of personalized content. To address this issue, it is essential to predict learner performance in order to provide tailored feedback. Behavioral traces-such as clicks and events-can be analyzed as time series to anticipate learners' outcomes. This work compares multivariate time series classification methods to identify at-risk learners at different stages of the course (after 5, 10 weeks, etc.). The experimental evaluation, conducted on the Open University Learning Analytics Dataset (OULAD), focuses on three courses: two in STEM and one in SHS. Preliminary results show that the evaluated approaches are promising for predicting learner failure in MOOCs. The analysis also suggests that prediction accuracy is influenced by the amount of recorded interactions, highlighting the importance of rich and diverse behavioral data.
• Abstract（参考訳）: MOOCは、幅広いオーディエンスに対して無料かつオープンなアクセスを提供するが、パーソナライズされたコンテンツがないため、完成率は低いままである。 この問題に対処するためには,適切なフィードバックを提供するためには,学習者のパフォーマンスを予測することが不可欠である。 クリックやイベントのような行動トレースは、学習者の結果を予測する時系列として分析することができる。 この研究は、多変量時系列分類法を比較し、コースの異なる段階(5、10週間後など)でリスクのある学習者を識別する。 Open University Learning Analytics Dataset (OULAD) で実施した実験では,STEMの2点とSHSの1点の3つのコースに焦点を当てた。 予備的な結果は、MOOCにおける学習者の失敗を予測するために評価されたアプローチが有望であることを示している。 この分析は、予測精度が記録された相互作用の量に影響され、リッチで多様な行動データの重要性が強調されていることも示唆している。

関連論文リスト

• STTS-EAD: Improving Spatio-Temporal Learning Based Time Series Prediction via [7.247017092359663]
  時系列予測のトレーニングプロセスに異常をシームレスに統合するエンドツーエンドのSTTS-EADを提案する。 提案するSTTS-EADは,時間的情報を用いて予測と異常検出を行う。 提案手法は,トレーニング段階において検出された異常を効果的に処理し,推論段階における予測性能を向上し,ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-01-14T03:26:05Z)
• An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
  生存分析の分野では、時間から時間までの成果が広く研究されている。 Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
  論文  参考訳（メタデータ） (2024-10-01T21:29:17Z)
• Experimental Comparison of Ensemble Methods and Time-to-Event Analysis Models Through Integrated Brier Score and Concordance Index [2.3411633024711573]
  本稿では,時間-時間解析のための予測モデルの性能について検討・比較する。 本研究では,時間-時間分析においてまだ研究されていないアンサンブル法が,予測精度を向上し,予測性能の堅牢性を高める方法を示す。
  論文  参考訳（メタデータ） (2024-03-12T09:57:45Z)
• Successive Model-Agnostic Meta-Learning for Few-Shot Fault Time Series Prognosis [3.5573601621032944]
  本稿では,連続した時系列をメタタスクとして扱う「擬似メタタスク」分割方式を提案する。 連続時系列を擬似メタタスクとして利用することで,データからより包括的な特徴や関係を抽出することができる。 異なるデータセットにまたがる手法の堅牢性を高めるための差分アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-11-04T02:07:47Z)
• 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)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Prediction of Dilatory Behavior in eLearning: A Comparison of Multiple Machine Learning Models [0.2963240482383777]
  タスクの不合理な遅延である Procrastination は、オンライン学習においてよくある出来事である。 このような予測に焦点を当てた研究はほとんどない。 様々な種類の予測器と様々な手法の予測性能の比較を含む研究は、事実上存在しない。
  論文  参考訳（メタデータ） (2022-06-30T07:24:08Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。