論文の概要: AI-Driven Personalized Learning: Predicting Academic Per-formance Through Leadership Personality Traits

• arxiv url: http://arxiv.org/abs/2510.19964v1
• Date: Wed, 22 Oct 2025 18:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.637177
• Title: AI-Driven Personalized Learning: Predicting Academic Per-formance Through Leadership Personality Traits
• Title（参考訳）: AI駆動のパーソナライズドラーニング - リーダーシップのパーソナリティトラクトによるアフォーマンスの予測
• Authors: Nitsa J Herzog, Rejwan Bin Sulaiman, David J Herzog, Rose Fong,
• Abstract要約: この研究は、パーソナライズされた学習におけるAI技術の可能性を探る。 リーダーシップパーソナリティ特性と機械学習モデリングによる学術的成功の予測を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The study explores the potential of AI technologies in personalized learning, suggesting the prediction of academic success through leadership personality traits and machine learning modelling. The primary data were obtained from 129 master's students in the Environmental Engineering Department, who underwent five leadership personality tests with 23 characteristics. Students used self-assessment tools that included Personality Insight, Workplace Culture, Motivation at Work, Management Skills, and Emotion Control tests. The test results were combined with the average grade obtained from academic reports. The study employed exploratory data analysis and correlation analysis. Feature selection utilized Pearson correlation coefficients of personality traits. The average grades were separated into three categories: fail, pass, and excellent. The modelling process was performed by tuning seven ML algorithms, such as SVM, LR, KNN, DT, GB, RF, XGBoost and LightGBM. The highest predictive performance was achieved with the RF classifier, which yielded an accuracy of 87.50% for the model incorporating 17 personality trait features and the leadership mark feature, and an accuracy of 85.71% for the model excluding this feature. In this way, the study offers an additional opportunity to identify students' strengths and weaknesses at an early stage of their education process and select the most suitable strategies for personalized learning.
• Abstract（参考訳）: この研究は、パーソナライズされた学習におけるAI技術の可能性を探究し、リーダーシップの性格特性と機械学習モデリングによる学術的成功の予測を示唆している。 主なデータは,環境工学科の129人の修士課程生で,23特性の指導的性格検査を5回行った。 学生は、Personality Insight、Workplace Culture、Motivation at Work、Management Skills、Emotion Controlといった自己評価ツールを使用した。 テスト結果は,学術報告から得られた平均成績と組み合わせた。 この研究は探索的データ分析と相関分析を採用した。 性格特性のピアソン相関係数を用いた特徴選択 平均成績は、失敗、合格、優秀の3つのカテゴリーに分けられた。 モデリングプロセスは、SVM、LR、KNN、DT、GB、RF、XGBoost、LightGBMといった7つのMLアルゴリズムをチューニングすることで実行された。 最も高い予測性能はRF分類器で達成され、17の性格特性特徴とリーダーシップマーク特徴を取り入れたモデルでは87.50%、この特徴を除いたモデルでは85.71%の精度で達成された。 このようにして、この研究は、教育プロセスの初期段階において、学生の強みと弱みを識別し、パーソナライズされた学習に最も適した戦略を選択する機会を提供する。

関連論文リスト

• The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
  人格特性は、人間の行動の予測因子として長い間研究されてきた。 近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-03T21:27:10Z)
• Predicting ChatGPT Use in Assignments: Implications for AI-Aware Assessment Design [0.0]
  この研究は、ChatGPTを新しい概念の学習に頻繁に使うことは、潜在的過度に相関していることを示している。 我々は、イノベーションと学術的厳密さのバランスをとるために、規律に特有なガイドラインと再考された評価戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-16T11:09:38Z)
• Explainable AI and Machine Learning for Exam-based Student Evaluation: Causal and Predictive Analysis of Socio-academic and Economic Factors [1.2163458046014015]
  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。
  論文  参考訳（メタデータ） (2025-08-01T17:09:49Z)
• Using Artificial Intelligence to Improve Classroom Learning Experience [0.0]
  その焦点は、機械学習アルゴリズムを使って生徒の学習体験を改善することだ。 ロジスティック回帰アルゴリズムは、評価スコア、授業期間、好みの学習スタイルなどの6つの予測変数を用いてバイナリ分類に適用される。 76,519人の候補者と35人の予測変数によるケーススタディでは、ロジスティック回帰を用いて学術的なドロップアウトリスクを評価し、テスト精度は87.39%である。
  論文  参考訳（メタデータ） (2025-02-14T00:15:37Z)
• Beyond Scaling: Measuring and Predicting the Upper Bound of Knowledge Retention in Language Model Pre-Training [68.94373533768501]
  我々は、知識保持をモデル化し、そのコーパスから事実情報を記憶するための事前学習言語モデルの能力を示し、学習前にそれを推定する原則的手法を導入する。 本稿では,知識周波数,知識特異度,モデルサイズを統合し,クローズドブック質問応答(QA)の精度を予測する情報理論予測器である,サイズ依存型相互情報(SMI)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:23:53Z)
• 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)
• Dataset Bias in Human Activity Recognition [57.91018542715725]
  このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。 時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
  論文  参考訳（メタデータ） (2023-01-19T12:33:50Z)
• Machine Learning Approach for Predicting Students Academic Performance and Study Strategies based on their Motivation [0.0]
  本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。 モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
  論文  参考訳（メタデータ） (2022-10-15T04:09:05Z)
• Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations [21.74631969428855]
  解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。 IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。 IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-12-15T19:05:48Z)

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。