論文の概要: Designing a Feedback-Driven Decision Support System for Dynamic Student Intervention

• arxiv url: http://arxiv.org/abs/2508.07107v2
• Date: Tue, 12 Aug 2025 10:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 12:16:51.414922
• Title: Designing a Feedback-Driven Decision Support System for Dynamic Student Intervention
• Title（参考訳）: 動的学生介入のためのフィードバック駆動型意思決定支援システムの設計
• Authors: Timothy Oluwapelumi Adeyemi, Nadiah Fahad AlOtaibi,
• Abstract要約: 本稿では,連続モデル改良を実現するクローズドループアーキテクチャを用いたフィードバック駆動決定支援システム(DSS)を提案する。 このシステムはLightGBMベースの回帰器とインクリメンタルリトレーニングを採用しており、教育者は更新された生徒のパフォーマンスデータを入力できる。 その結果、再トレーニング後のRMSEは10.7%減少し、介入を受けた学生の予測スコアは一貫して上向きに調整された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of student performance is essential for enabling timely academic interventions. However, most machine learning models used in educational settings are static and lack the ability to adapt when new data such as post-intervention outcomes become available. To address this limitation, we propose a Feedback-Driven Decision Support System (DSS) with a closed-loop architecture that enables continuous model refinement. The system employs a LightGBM-based regressor with incremental retraining, allowing educators to input updated student performance data, which automatically triggers model updates. This adaptive mechanism enhances prediction accuracy by learning from real-world academic progress over time. The platform features a Flask-based web interface to support real-time interaction and integrates SHAP (SHapley Additive exPlanations) for model interpretability, ensuring transparency and trustworthiness in predictions. Experimental results demonstrate a 10.7% reduction in RMSE after retraining, with consistent upward adjustments in predicted scores for students who received interventions. By transforming static predictive models into self-improving systems, our approach advances educational analytics toward human-centered, data-driven, and responsive artificial intelligence. The framework is designed for seamless integration into Learning Management Systems (LMS) and institutional dashboards, facilitating practical deployment in real educational environments.
• Abstract（参考訳）: 学生のパフォーマンスの正確な予測は、タイムリーな学術的介入を可能にするために不可欠である。 しかし、教育環境で使用される機械学習モデルのほとんどは静的であり、インターベンション後の結果のような新しいデータが利用可能になったときに適応する能力が欠如している。 この制限に対処するため、我々は、連続モデル修正を可能にするクローズドループアーキテクチャを備えたフィードバック駆動決定支援システム(DSS)を提案する。 このシステムはLightGBMベースの回帰器をインクリメンタルなリトレーニングで採用しており、教育者は更新された生徒のパフォーマンスデータを入力でき、自動的にモデル更新をトリガーする。 この適応メカニズムは、実世界の学術的進歩から学習することで予測精度を高める。 このプラットフォームは、リアルタイムインタラクションをサポートするためのFraskベースのWebインターフェースを備え、モデル解釈可能性のためのSHAP(SHapley Additive exPlanations)を統合し、予測における透明性と信頼性を確保する。 実験の結果,再トレーニング後のRMSEは10.7%減少し,介入を受けた学生の予測得点は一貫した上向きの調整が得られた。 静的予測モデルを自己改善システムに変換することで、私たちのアプローチは、人間中心、データ駆動、応答性人工知能への教育分析を前進させます。 このフレームワークはLMS(Learning Management Systems)と機関ダッシュボードのシームレスな統合を目的として設計されており、実際の教育環境への実践的な展開を容易にする。

関連論文リスト

• Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
  16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。 具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
  論文  参考訳（メタデータ） (2025-04-06T03:23:48Z)
• Enhancing Dynamical System Modeling through Interpretable Machine Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
  本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。 実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
  論文  参考訳（メタデータ） (2024-01-16T14:58:21Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Online learning techniques for prediction of temporal tabular datasets with regime changes [0.0]
  時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。 パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。 モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
  論文  参考訳（メタデータ） (2022-12-30T17:19:00Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
  Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。 このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
  論文  参考訳（メタデータ） (2022-02-17T02:01:37Z)
• AcME -- Accelerated Model-agnostic Explanations: Fast Whitening of the Machine-Learning Black Box [1.7534486934148554]
  解釈可能性のアプローチは、ユーザが待つことなく、実行可能な洞察を提供するべきです。 本稿では,グローバルレベルとローカルレベルの両方で特徴的重要性のスコアを迅速に提供する解釈可能性アプローチである,アクセレーションモデル非依存説明(AcME)を提案する。 AcMEは機能ランキングを計算しますが、機能値の変化がモデル予測にどのように影響するかを評価するために、What-if分析ツールも提供しています。
  論文  参考訳（メタデータ） (2021-12-23T15:18:13Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)

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。