Fugu-MT 論文翻訳(概要): Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models

論文の概要: Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models

arxiv url: http://arxiv.org/abs/2601.06729v1
Date: Sun, 11 Jan 2026 00:46:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-13 19:08:00.957144
Title: Predicting Student Success with Heterogeneous Graph Deep Learning and Machine Learning Models
Title（参考訳）: 不均一グラフ深層学習と機械学習モデルによる学生の成功予測
Authors: Anca Muresan, Mihaela Cardei, Ionut Cardei,
Abstract要約: 本研究では,異種グラフ深層学習モデルを統合するフレームワークを提案する。当社のアプローチは、学期前半のクリティカル7%において、検証F1スコアが4.7%向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Early identification of student success is crucial for enabling timely interventions, reducing dropout rates, and promoting on time graduation. In educational settings, AI powered systems have become essential for predicting student performance due to their advanced analytical capabilities. However, effectively leveraging diverse student data to uncover latent and complex patterns remains a key challenge. While prior studies have explored this area, the potential of dynamic data features and multi category entities has been largely overlooked. To address this gap, we propose a framework that integrates heterogeneous graph deep learning models to enhance early and continuous student performance prediction, using traditional machine learning algorithms for comparison. Our approach employs a graph metapath structure and incorporates dynamic assessment features, which progressively influence the student success prediction task. Experiments on the Open University Learning Analytics (OULA) dataset demonstrate promising results, achieving a 68.6% validation F1 score with only 7% of the semester completed, and reaching up to 89.5% near the semester's end. Our approach outperforms top machine learning models by 4.7% in validation F1 score during the critical early 7% of the semester, underscoring the value of dynamic features and heterogeneous graph representations in student success prediction.
Abstract（参考訳）: 学生の成功の早期発見は、タイムリーな介入の実施、ドロップアウト率の低減、時間的卒業の促進に不可欠である。教育環境では、高度な分析能力のため、AIを利用したシステムは、生徒のパフォーマンスを予測するのに欠かせないものとなっている。しかし、様々な学生データを効果的に活用して、潜伏した複雑なパターンを明らかにすることは、依然として重要な課題である。これまでの研究では、この領域を探索してきたが、動的データ特徴やマルチカテゴリエンティティの可能性はほとんど見過ごされてきた。このギャップに対処するために、従来の機械学習アルゴリズムを用いて、異種グラフ深層学習モデルを統合して、学生の早期および連続的なパフォーマンス予測を強化するフレームワークを提案する。提案手法では, グラフメタパス構造を採用し, 動的評価機能を導入し, 学生の成功予測タスクに徐々に影響を及ぼす。 Open University Learning Analytics (OULA)データセットの実験は有望な結果を示し、68.6%のバリデーションF1スコアが達成され、学期のわずか7%が完了し、学期の終わり近くで89.5%に達する。本手法は, 学期前半の臨界7%において, F1スコアが4.7%向上し, 学生成功予測における動的特徴と不均一グラフ表現の価値が評価された。

関連論文リスト

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)
SentiDrop: A Multi Modal Machine Learning model for Predicting Dropout in Distance Learning [0.4369550829556578]
学校退学は遠隔学習において深刻な問題であり、早期発見は効果的な介入と生徒の忍耐のために重要である。本稿では,BERTモデルを用いて,学生コメントの感情分析を組み合わせた新しいモデルを提案する。ベースラインモデルでは82%に比べて84%の精度が得られた。
論文参考訳（メタデータ） (2025-07-14T16:04:34Z)
DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
論文参考訳（メタデータ） (2025-01-18T10:02:10Z)
Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks [2.195766695109612]
本研究では,学生のパフォーマンスを正確に予測できるニューラルネットワークに基づく新しいアプローチを提案する。提案したモデルは、識別、フェイル、パス、ウィズドローのカテゴリでの結果を予測する。その結果,提案手法の予測精度は既存の最先端技術よりも約25%高いことがわかった。
論文参考訳（メタデータ） (2024-12-08T13:37:30Z)
Dynamic Graph Unlearning: A General and Efficient Post-Processing Method via Gradient Transformation [24.20087360102464]
動的グラフアンラーニングを初めて研究し、DGNNアンラーニングを実装するための効率的で効率的で汎用的で後処理手法を提案する。提案手法は,将来的な未学習要求を処理できる可能性があり,性能が大幅に向上する。
論文参考訳（メタデータ） (2024-05-23T10:26:18Z)
Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-06-08T05:44:06Z)
GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
論文参考訳（メタデータ） (2023-04-06T03:02:54Z)
Predicting student performance using sequence classification with time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文参考訳（メタデータ） (2022-08-16T13:46:39Z)
A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文参考訳（メタデータ） (2022-06-17T08:32:43Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)
Academic Performance Estimation with Attention-based Graph Convolutional Networks [17.985752744098267]
学生の過去のデータから、学生のパフォーマンス予測の課題は、将来のコースにおける生徒の成績を予測することである。学生のパフォーマンス予測の伝統的な方法は、通常、複数のコース間の基礎となる関係を無視する。本稿では,学生のパフォーマンス予測のための新しい注目型グラフ畳み込みネットワークモデルを提案する。
論文参考訳（メタデータ） (2019-12-26T23:11:27Z)

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。