論文の概要: The CAPIRE Curriculum Graph: Structural Feature Engineering for Curriculum-Constrained Student Modelling in Higher Education

• arxiv url: http://arxiv.org/abs/2511.15536v1
• Date: Wed, 19 Nov 2025 15:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.873598
• Title: The CAPIRE Curriculum Graph: Structural Feature Engineering for Curriculum-Constrained Student Modelling in Higher Education
• Title（参考訳）: CAPIREカリキュラムグラフ:高等教育におけるカリキュラム制約のある学生モデルの構造的特徴工学
• Authors: H. R. Paz,
• Abstract要約: 本稿では,CAPIREフレームワーク内に埋め込まれた構造的特徴工学層であるCAPIRE Curriculum Graphを紹介し,学生の誘惑予測を行う。 学生・学期レベルの9つの構造的特徴を抽出し、学生が時間とともに必要なネットワークをナビゲートする方法を捉える。 これらの特徴には、バックボーン完了率、ボトルネック承認率、不完全な前提条件によるクレジットのブロック、卒業までのグラフ距離が含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Curricula in long-cycle programmes are usually recorded in institutional databases as linear lists of courses, yet in practice they operate as directed graphs of prerequisite relationships that constrain student progression through complex dependencies. This paper introduces the CAPIRE Curriculum Graph, a structural feature engineering layer embedded within the CAPIRE framework for student attrition prediction in Civil Engineering at Universidad Nacional de Tucuman, Argentina. We formalise the curriculum as a directed acyclic graph, compute course-level centrality metrics to identify bottleneck and backbone courses, and derive nine structural features at the student-semester level that capture how students navigate the prerequisite network over time. These features include backbone completion rate, bottleneck approval ratio, blocked credits due to incomplete prerequisites, and graph distance to graduation. We compare three model configurations - baseline CAPIRE, CAPIRE plus macro-context variables, and CAPIRE plus macro plus structural features - using Random Forest classifiers on 1,343 students across seven cohorts (2015-2021). While macro-context socioeconomic indicators fail to improve upon the baseline, structural curriculum features yield consistent gains in performance, with the best configuration achieving overall Accuracy of 86.66% and F1-score of 88.08% and improving Balanced Accuracy by 0.87 percentage points over a strong baseline. Ablation analysis further shows that all structural features contribute in a synergistic fashion rather than through a single dominant metric. By making curriculum structure an explicit object in the feature layer, this work extends CAPIRE from a multilevel leakage-aware framework to a curriculum-constrained prediction system that bridges network science, educational data mining, and institutional research.
• Abstract（参考訳）: 長期サイクルプログラムのカリキュラムは、通常、学習コースの線形リストとして機関データベースに記録されるが、実際には、複雑な依存関係による生徒の進行を制限する前提条件関係のグラフとして機能する。 本稿では,アルゼンチン・トゥクマン大学土木工学科における学生の誘引予測のためのCAPIREフレームワーク内に埋め込まれた構造的特徴工学層であるCAPIREカリキュラムグラフを紹介する。 我々は,カリキュラムを非巡回グラフとして定式化し,ボトルネックとバックボーンのコースを特定するためにコースレベルの集中度指標を計算し,学生・学期レベルの9つの構造的特徴を抽出し,学生が必要なネットワークを時間とともにナビゲートする方法を把握した。 これらの特徴には、バックボーン完了率、ボトルネック承認率、不完全な前提条件によるクレジットのブロック、卒業までのグラフ距離が含まれる。 ベースラインCAPIRE、CAPIRE、マクロコンテキスト変数、CAPIRE、マクロと構造的特徴の3つのモデル構成を比較した。 マクロコンテキストの社会経済指標はベースラインでは改善されないが、構造カリキュラムの特徴はパフォーマンスにおいて一貫した利益をもたらし、最高の構成は86.66%、F1スコアは88.08%、バランスド精度は0.87ポイント向上している。 アブレーション解析は、全ての構造的特徴が単一の支配的計量よりもシナジスティックな方法で寄与することを示している。 カリキュラム構造を特徴層内の明示的な対象とすることで、CAPIREをマルチレベルリーク対応フレームワークから、ネットワーク科学、教育データマイニング、制度研究を橋渡しするカリキュラム制約付き予測システムに拡張する。

関連論文リスト

• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
  タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:53Z)
• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• Markov Process-Based Graph Convolutional Networks for Entity Classification in Knowledge Graphs [1.6252896527001486]
  マルコフプロセスに基づくアーキテクチャをよく知られたグラフ畳み込みネットワーク(GCN)に導入する。 このエンドツーエンドネットワークは、マルコフプロセス内の知識グラフにおけるエンティティのクラスアフィリエイトの予測を学習する。 実験は、いくつかの研究されたアーキテクチャとデータセットにおいて、既存のモデルよりもパフォーマンスが向上したことを示している。
  論文  参考訳（メタデータ） (2024-12-23T09:59:49Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Enhancing the Performance of Automated Grade Prediction in MOOC using Graph Representation Learning [3.4882560718166626]
  大規模オープンオンラインコース(MOOCs)は、オンライン学習において急速に成長する現象として大きな注目を集めている。 現在の自動評価アプローチでは、下流タスクに関わるさまざまなエンティティ間の構造的リンクを見落としている。 我々は、大規模なMOOCデータセットのためのユニークな知識グラフを構築し、研究コミュニティに公開します。
  論文  参考訳（メタデータ） (2023-10-18T19:27:39Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Structure-Enhanced Meta-Learning For Few-Shot Graph Classification [53.54066611743269]
  本研究では,数点グラフ分類の解法のためのメトリベースメタラーニングの可能性を検討する。 SMFGINというGINの実装は、ChemblとTRIANGLESの2つのデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-03-05T09:03:03Z)

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。