論文の概要: Predicting Multi-Type Talented Students in Secondary School Using Semi-Supervised Machine Learning

• arxiv url: http://arxiv.org/abs/2509.00863v1
• Date: Sun, 31 Aug 2025 14:17:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.434947
• Title: Predicting Multi-Type Talented Students in Secondary School Using Semi-Supervised Machine Learning
• Title（参考訳）: 半教師型機械学習を用いた中等教育における多型タレント学生の予測
• Authors: Xinzhe Zheng, Zhen-Qun Yang, Jiannong Cao, Jiabei Cheng,
• Abstract要約: 本研究では,新しい半教師付きマルチモーダルニューラルネットワークであるTalentPredictorを紹介する。 学業、スポーツ、芸術、リーダーシップ、サービス、技術、その他7種類の才能を予測している。 高い予測精度(0.908分類精度、0.908ROCAUC)を達成する。
• 参考スコア（独自算出の注目度）: 13.879822834790316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Talent identification plays a critical role in promoting student development. However, traditional approaches often rely on manual processes or focus narrowly on academic achievement, and typically delaying intervention until the higher education stage. This oversight overlooks diverse non-academic talents and misses opportunities for early intervention. To address this gap, this study introduces TalentPredictor, a novel semi-supervised multi-modal neural network that combines Transformer, LSTM, and ANN architectures. This model is designed to predict seven different talent types--academic, sport, art, leadership, service, technology, and others--in secondary school students within an offline educational setting. Drawing on existing offline educational data from 1,041 local secondary students, TalentPredictor overcomes the limitations of traditional talent identification methods. By clustering various award records into talent categories and extracting features from students' diverse learning behaviors, it achieves high prediction accuracy (0.908 classification accuracy, 0.908 ROCAUC). This demonstrates the potential of machine learning to identify diverse talents early in student development.
• Abstract（参考訳）: タレント識別は、学生の発達を促進する上で重要な役割を担っている。 しかしながら、伝統的なアプローチは、しばしば手作業に依存したり、学術的な成果に狭く焦点を合わせ、通常、高等教育段階まで介入を遅らせる。 この監視は多種多様な非アカデミックな才能を見落とし、早期介入の機会を逃している。 このギャップに対処するために、Transformer、LSTM、ANNアーキテクチャを組み合わせた、新しい半教師付きマルチモーダルニューラルネットワークであるTalentPredictorを紹介した。 このモデルは、学業、スポーツ、芸術、リーダーシップ、サービス、技術、その他7種類の才能を、オフラインの教育環境で予測するように設計されている。 TalentPredictorは、地元の中等生1,041人の既存のオフライン教育データに基づいて、従来の人材識別手法の限界を克服している。 様々な賞記録を才能カテゴリーに分類し、学生の多様な学習行動の特徴を抽出することにより、高い予測精度(0.908分類精度、0.908ROCAUC)を達成する。 これは、学生開発初期に多様な才能を識別する機械学習の可能性を示している。

関連論文リスト

• UNIFORM: Unifying Knowledge from Large-scale and Diverse Pre-trained Models [62.76435672183968]
  UNIFORMと呼ばれる新しいフレームワークを導入し、多様なオフザシェルフモデルから1つの学生モデルへ知識を伝達する。 本稿では,ロジットレベルでも機能レベルでも知識のコンセンサスを捉えるための,専用の投票機構を提案する。 UNIFORMは、強い知識伝達ベースラインに比べて、教師なしオブジェクト認識性能を効果的に向上することを示した。
  論文  参考訳（メタデータ） (2025-08-27T00:56:11Z)
• Parental Guidance: Efficient Lifelong Learning through Evolutionary Distillation [1.124958340749622]
  本研究では, 自然種再現, 多様性のバランス, 特殊化といった, 再生モジュールを含むフレームワークを提案する。 RL、模倣学習(IL)、進化的エージェント・テランのカリキュラムを統合することで、複雑なタスクを通じてエージェントを継続的に進化させる。 最初の実験では,この手法が探索効率を向上し,オープンエンド学習を支援することを示した。
  論文  参考訳（メタデータ） (2025-03-24T10:40:03Z)
• Scalable Early Childhood Reading Performance Prediction [5.413138072912236]
  将来の読み出し性能をモデル化し予測するための適切な教育データセットは存在しない。 本稿では,拡張コア読み取り命令ECRIデータセットを紹介する。 我々は、このデータセットを活用して、幼児期の教育パターンを認識する最先端の機械学習モデルの有効性を実証的に評価する。
  論文  参考訳（メタデータ） (2024-12-05T18:59:50Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• Mimicking the Maestro: Exploring the Efficacy of a Virtual AI Teacher in Fine Motor Skill Acquisition [3.07176124710244]
  運動スキル、特に手書きなどの運動スキルは、学術的な追求や日常生活において重要な役割を担っている。 これらのスキルを効果的に教える伝統的な方法は、時間がかかり、一貫性がない。 我々は,人間の教官の特徴を捉えたAI教師モデルを導入する。
  論文  参考訳（メタデータ） (2023-10-16T11:11:43Z)
• Personalized Student Attribute Inference [0.0]
  この作業は、障害のある生徒を自動的に検出できるシステムを作ることだ。 文献で広く使われているナイーブなアプローチは、データセットで利用可能な属性(等級など)と、パーソナライズされた学生属性推論(IPSA)というパーソナライズされたアプローチを比較した。
  論文  参考訳（メタデータ） (2022-12-26T23:00:28Z)
• Long-tail Recognition via Compositional Knowledge Transfer [60.03764547406601]
  末尾クラスの少数ショット問題に対処する長尾認識のための新しい戦略を導入する。 我々の目標は、情報に富んだ共通クラスから得られた知識を、意味的に類似しているがデータに富む稀なクラスに伝達することである。 実験結果から,本手法は稀なクラスにおいて,堅牢な共通クラス性能を維持しつつ,大幅な性能向上を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-12-13T15:48:59Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• Example-Driven Model-Based Reinforcement Learning for Solving Long-Horizon Visuomotor Tasks [85.56153200251713]
  長軸ビズモータタスクの完了に適したプリミティブスキルを学習するためのモデルベースRL手法EMBRを紹介する。 フランカ・エミカのロボットアームでは、EMBRによってロボットは85%の成功率で3つの長い水平視運動タスクを完了できることがわかった。
  論文  参考訳（メタデータ） (2021-09-21T16:48:07Z)
• Prediction of Students performance with Artificial Neural Network using Demographic Traits [2.7636476571082373]
  本研究は, ニュートラルネットワークを用いた学生の成績予測システムを開発することを目的とする。 モデルは入力として選択された変数に基づいて開発された。 精度は92.3%を超え、ニューラルネットワークの有効性を示した。
  論文  参考訳（メタデータ） (2021-08-08T11:46:41Z)
• Revisiting Knowledge Distillation: An Inheritance and Exploration Framework [153.73692961660964]
  知識蒸留(KD)は、教師モデルから生徒モデルに知識を伝達する一般的な手法である。 新たな継承・探索知識蒸留フレームワーク(IE-KD)を提案する。 我々のIE-KDフレームワークは汎用的であり、ディープニューラルネットワークを訓練するための既存の蒸留や相互学習手法と簡単に組み合わせることができる。
  論文  参考訳（メタデータ） (2021-07-01T02:20:56Z)

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。