論文の概要: AI-Driven Early Warning Systems for Student Success: Discovering Static Feature Dominance in Temporal Prediction Models

• arxiv url: http://arxiv.org/abs/2512.12493v1
• Date: Sat, 13 Dec 2025 23:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.28203
• Title: AI-Driven Early Warning Systems for Student Success: Discovering Static Feature Dominance in Temporal Prediction Models
• Title（参考訳）: 学生が成功するためのAI駆動早期警告システム:時間予測モデルにおける静的特徴支配の発見
• Authors: Vaarunay Kaushal, Rajib Mall,
• Abstract要約: 本研究は時間的予測分析を20週(コース期間の50%)まで拡張する。 早期介入にはハイリコールが重要であり(Weeks 2-4)、中間コースのリソース割り当てには高精度リコールが重要である(Weeks 8-16)。 静的な人口統計学的特徴が68%の重要さの予測を支配し、評価のない早期予測を可能にしていることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early identification of at-risk students is critical for effective intervention in online learning environments. This study extends temporal prediction analysis to Week 20 (50% of course duration), comparing Decision Tree and Long Short- Term Memory (LSTM) models across six temporal snapshots. Our analysis reveals that different performance metrics matter at different intervention stages: high recall is critical for early intervention (Weeks 2-4), while balanced precision-recall is important for mid-course resource allocation (Weeks 8-16), and high precision becomes paramount in later stages (Week 20). We demonstrate that static demographic features dominate predictions (68% importance), enabling assessment-free early prediction. The LSTM model achieves 97% recall at Week 2, making it ideal for early intervention, while Decision Tree provides stable balanced performance (78% accuracy) during mid-course. By Week 20, both models converge to similar recall (68%), but LSTM achieves higher precision (90% vs 86%). Our findings also suggest that model selection should depend on intervention timing, and that early signals (Weeks 2-4) are sufficient for reliable initial prediction using primarily demographic and pre-enrollment information.
• Abstract（参考訳）: リスクの高い学生の早期発見は、オンライン学習環境における効果的な介入に不可欠である。 本研究では,時間的予測分析を20週(コース期間の50%)まで拡張し,決定木と長短短期記憶(LSTM)モデルを6つの時間的スナップショットで比較した。 早期介入にはハイリコールが重要であり(Weeks 2-4)、中期リソース割り当てにはバランスの取れた高精度リコールが重要であり(Weeks 8-16)、後期段階ではハイリコールが最重要となる(Weeks 20)。 静的な人口統計学的特徴が68%の重要さの予測を支配し、評価のない早期予測を可能にしていることを実証した。 LSTMモデルは週2で97%のリコールを達成し、早期介入に最適である一方、決定木はコースの途中で安定したバランス性能(78%の精度)を提供する。 20週目までに、どちらのモデルも同様のリコール(68%)に収束するが、LSTMは90%対86%の精度を達成する。 また, モデル選択は介入タイミングに依存するべきであり, 早期信号(Weeks 2-4)は, 主に人口統計学的および事前学習情報を用いて, 信頼性の高い初期予測に十分であることが示唆された。

関連論文リスト

• Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks [0.0]
  本研究では,アルゼンチン・コルドバ市における短期的時間電力需要予測のためのディープラーニングモデルの開発と最適化について述べる。 このモデルは予測精度が高く、平均絶対パーセンテージ誤差は3.20%、決定係数は0.95である。
  論文  参考訳（メタデータ） (2025-09-19T19:20:49Z)
• Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
  新規データや不完全データでは,性能が著しく低下することがわかった。 これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。 本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:36:06Z)
• 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)
• Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
  本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。 本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。 本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
  論文  参考訳（メタデータ） (2024-07-11T00:51:32Z)
• Early Warning Prediction with Automatic Labeling in Epilepsy Patients [4.6700203020828885]
  本稿では,初期文字信号の予測を改善するメタ学習フレームワークを提案する。 提案された双方向最適化フレームワークは、初期段階におけるノイズの多いデータを自動的にラベル付けするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-09T18:12:46Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• The leap to ordinal: functional prognosis after traumatic brain injury using artificial intelligence [1.4887102120051716]
  TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。 既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。 各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
  論文  参考訳（メタデータ） (2022-02-10T02:29:19Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)

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。