論文の概要: Explainable AI and Machine Learning for Exam-based Student Evaluation: Causal and Predictive Analysis of Socio-academic and Economic Factors

• arxiv url: http://arxiv.org/abs/2508.00785v1
• Date: Fri, 01 Aug 2025 17:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.968503
• Title: Explainable AI and Machine Learning for Exam-based Student Evaluation: Causal and Predictive Analysis of Socio-academic and Economic Factors
• Title（参考訳）: 学生評価のための説明可能なAIと機械学習--社会・学術・経済要因の因果的・予測的分析
• Authors: Bushra Akter, Md Biplob Hosen, Sabbir Ahmed, Mehrin Anannya, Md. Farhad Hossain,
• Abstract要約: 学業成績は、社会学と財政学の多変量ネクサスに依存する。 本研究では,学生のCGPAを最適化するための効果的な戦略を開発するために,これらの影響について検討する。
• 参考スコア（独自算出の注目度）: 1.2163458046014015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Academic performance depends on a multivariable nexus of socio-academic and financial factors. This study investigates these influences to develop effective strategies for optimizing students' CGPA. To achieve this, we reviewed various literature to identify key influencing factors and constructed an initial hypothetical causal graph based on the findings. Additionally, an online survey was conducted, where 1,050 students participated, providing comprehensive data for analysis. Rigorous data preprocessing techniques, including cleaning and visualization, ensured data quality before analysis. Causal analysis validated the relationships among variables, offering deeper insights into their direct and indirect effects on CGPA. Regression models were implemented for CGPA prediction, while classification models categorized students based on performance levels. Ridge Regression demonstrated strong predictive accuracy, achieving a Mean Absolute Error of 0.12 and a Mean Squared Error of 0.023. Random Forest outperformed in classification, attaining an F1-score near perfection and an accuracy of 98.68%. Explainable AI techniques such as SHAP, LIME, and Interpret enhanced model interpretability, highlighting critical factors such as study hours, scholarships, parental education, and prior academic performance. The study culminated in the development of a web-based application that provides students with personalized insights, allowing them to predict academic performance, identify areas for improvement, and make informed decisions to enhance their outcomes.
• Abstract（参考訳）: 学業成績は、社会学と財政学の多変量ネクサスに依存する。 本研究では,学生のCGPAを最適化するための効果的な戦略を開発するために,これらの影響について検討する。 そこで本研究では,鍵要因を特定するために様々な文献をレビューし,その知見に基づいて仮説因果グラフを構築した。 さらに,1050名の学生が参加し,総合的な分析データを提供するオンライン調査を実施した。 クリーニングやビジュアライゼーションを含む厳密なデータ前処理技術は、分析前にデータ品質を保証します。 因果解析は変数間の関係を検証し、CGPAに対する直接的および間接的な影響について深い洞察を与えた。 回帰モデルはCGPA予測のために実装され、分類モデルは成績レベルに基づいて生徒を分類した。 リッジ回帰は強い予測精度を示し、平均絶対誤差は0.12で平均正方形誤差は0.023である。 ランダムフォレストは、F1スコアに近い完全度と98.68%の精度で、分類において優れていた。 SHAP、LIME、Interpretといった説明可能なAI技術は、モデル解釈性を向上し、学習時間、奨学金、育児教育、以前の学業成績などの重要な要素を強調している。 この研究は、学生にパーソナライズされた洞察を与え、学術的なパフォーマンスを予測し、改善すべき領域を特定し、結果を高めるための情報的な決定をすることができるWebベースのアプリケーションの開発において頂点に達した。

関連論文リスト

• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Interpretable Credit Default Prediction with Ensemble Learning and SHAP [3.948008559977866]
  本研究では、信用デフォルト予測の問題に焦点をあて、機械学習に基づくモデリングフレームワークを構築し、様々な主流分類アルゴリズムの比較実験を行う。 その結果、アンサンブル学習法は、特に特徴とデータ不均衡問題の間の複雑な非線形関係を扱う際に、予測性能に明らかな利点があることが示唆された。 外部クレジットスコア変数はモデル決定において主要な役割を担い、モデルの解釈可能性と実用的な応用価値を改善するのに役立ちます。
  論文  参考訳（メタデータ） (2025-05-27T07:23:22Z)
• Impact, Causation and Prediction of Socio-Academic and Economic Factors in Exam-centric Student Evaluation Measures using Machine Learning and Causal Analysis [1.124958340749622]
  効果的な教育介入には,社会学・経済的な要因が学生のパフォーマンスに影響を与えることが不可欠である。 本研究では,これらの要因が学業成績に与える影響を予測・解明するために,いくつかの機械学習手法と因果解析を用いる。
  論文  参考訳（メタデータ） (2025-05-22T17:41:05Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
  KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。 本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。 我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
  論文  参考訳（メタデータ） (2025-01-18T10:02:10Z)
• Uncertainty for Active Learning on Graphs [70.44714133412592]
  不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。 予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。 提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T16:50:47Z)
• Analyzing Domestic Violence through Exploratory Data Analysis and Explainable Ensemble Learning Insights [0.5825410941577593]
  本研究は、男性家庭内暴力(MDV)を初めて探求し、その影響する要因を明らかにする。 バングラデシュの9大都市から収集したデータを探索データ分析(EDA)を用いて解析した。 EDAは, 言語虐待の頻度, 金銭的依存の影響, MDVにおける家族的・社会経済的要因の役割などのパターンを明らかにした。
  論文  参考訳（メタデータ） (2024-03-22T19:53:21Z)
• 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)
• Auditing Fairness and Imputation Impact in Predictive Analytics for Higher Education [0.0]
  高等教育における予測分析の導入には2つの大きな障壁がある。 デプロイにおける民主化の欠如と、不平等を悪化させる可能性を挙げる。
  論文  参考訳（メタデータ） (2021-09-13T05:08:40Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。