論文の概要: Temporal Dropout Risk in Learning Analytics: A Harmonized Survival Benchmark Across Dynamic and Early-Window Representations

• arxiv url: http://arxiv.org/abs/2604.08870v1
• Date: Fri, 10 Apr 2026 02:10:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.6365
• Title: Temporal Dropout Risk in Learning Analytics: A Harmonized Survival Benchmark Across Dynamic and Early-Window Representations
• Title（参考訳）: 学習分析における時間的ドロップアウトリスク--動的および初期ウィンドウ表現間のハーモナイズドサバイバルベンチマーク
• Authors: Rafael da Silva, Jeff Eicher, Gregory Longo,
• Abstract要約: 学生のドロップアウトは、Learning Analyticsにおいて永続的な関心事である。 本研究では,時相投棄リスクモデリングのための生存指向ベンチマークを提案する。 結果は、Learning Analyticsにおける調和した多次元ベンチマークの価値をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Student dropout is a persistent concern in Learning Analytics, yet comparative studies frequently evaluate predictive models under heterogeneous protocols, prioritizing discrimination over temporal interpretability and calibration. This study introduces a survival-oriented benchmark for temporal dropout risk modelling using the Open University Learning Analytics Dataset (OULAD). Two harmonized arms are compared: a dynamic weekly arm, with models in person-period representation, and a comparable continuous-time arm, with an expanded roster of families -- tree-based survival, parametric, and neural models. The evaluation protocol integrates four analytical layers: predictive performance, ablation, explainability, and calibration. Results are reported within each arm separately, as a single cross-arm ranking is not methodologically warranted. Within the comparable arm, Random Survival Forest leads in discrimination and horizon-specific Brier scores; within the dynamic arm, Poisson Piecewise-Exponential leads narrowly on integrated Brier score within a tight five-family cluster. No-refit bootstrap sampling variability qualifies these positions as directional signals rather than absolute superiority. Ablation and explainability analyses converged, across all families, on a shared finding: the dominant predictive signal was not primarily demographic or structural, but temporal and behavioral. Calibration corroborated this pattern in the better-discriminating models, with the exception of XGBoost AFT, which exhibited systematic bias. These results support the value of a harmonized, multi-dimensional benchmark in Learning Analytics and situate dropout risk as a temporal-behavioral process rather than a function of static background attributes.
• Abstract（参考訳）: 学生のドロップアウトは、学習分析において永続的な関心事であるが、異種プロトコルの下で予測モデルを頻繁に評価し、時間的解釈可能性や校正性に対する差別を優先する。 本研究は,Open University Learning Analytics Dataset (OULAD) を用いた時間的ドロップアウトリスクモデリングのための生存目標ベンチマークを提案する。 ダイナミック・ウィークリー・アーム、個人周期表現のモデル、同じ連続時間アームの2つのハーモナイズド・アーム、木に基づく生存、パラメトリック、ニューラルモデルなどである。 評価プロトコルは、予測性能、アブレーション、説明可能性、キャリブレーションの4つの分析層を統合する。 結果は各アーム内で別々に報告され、単一のクロスアームランキングは方法論的に保証されていない。 ランサム・サバイバル・フォレスト(Random Survival Forest)は、識別と地平線固有のブライアのスコアを導いており、動的アームではポアソン・ピアース・ワイド・エクスポンシデント(Poisson Piecewise-Exponential)が、タイトな5つのファミリーのクラスタ内のブリアのスコアを狭く導いている。 無給のブートストラップサンプリングのばらつきは、これらの位置を絶対的な優越性ではなく、指向性信号として定めている。 アブレーションと説明可能性の分析は、すべての家族に共通してまとめられた: 支配的な予測信号は、主に人口統計学的、構造的ではなく、時間的、行動的であった。 校正は、XGBoost AFTを除いて、このパターンをより良い識別モデルで裏付けた。 これらの結果は、学習分析における調和した多次元ベンチマークの価値をサポートし、静的な背景属性の関数ではなく、時間的行動過程としてドロップアウトリスクを定めている。

関連論文リスト

• Improving Group Robustness on Spurious Correlation via Evidential Alignment [26.544938760265136]
  ディープニューラルネットワークは、しばしば急激な相関、すなわち非因果的特徴と標的の間の表面的関連を学習し、依存する。 既存のメソッドは通常、外部のグループアノテーションや補助的な決定論的モデルを使用することでこの問題を軽減する。 偏りのあるモデルの振る舞いを理解するために不確実性定量化を利用する新しいフレームワークであるエビデンシャルアライメントを提案する。
  論文  参考訳（メタデータ） (2025-06-12T22:47:21Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Regularized Neural Ensemblers [55.15643209328513]
  本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。 低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。 このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
  論文  参考訳（メタデータ） (2024-10-06T15:25:39Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate [10.709447977149532]
  本稿では,生存予測モデル学習のためのニューラルネットワークフレームワークを提案する。 特に、各主題を「トピック」の分布としてモデル化する。 トピックの存在は、特定の臨床特徴が被験者に現れる可能性が高くなることを意味する。
  論文  参考訳（メタデータ） (2020-07-15T16:20:04Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。