論文の概要: A Mathematical Framework for Temporal Modeling and Counterfactual Policy Simulation of Student Dropout
- arxiv url: http://arxiv.org/abs/2604.08874v1
- Date: Fri, 10 Apr 2026 02:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.639747
- Title: A Mathematical Framework for Temporal Modeling and Counterfactual Policy Simulation of Student Dropout
- Title（参考訳）: 学生退学の時間的モデリングと対実的政策シミュレーションのための数学的枠組み
- Authors: Rafael da Silva, Jeff Eicher, Gregory Longo,
- Abstract要約: ドロップアウトは、登録レベルでタイム・ツー・イベントの結果として運用される。
週単位のリスクは、個人周期の行に対するペナル化されたクラスバランスのロジスティック回帰を通じて、離散時間でモデル化される。
後期の時限ホールドアウトでは、行レベルのAUCは0.8350(列車)と0.8405(試験)となる。
- 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: This study proposes a temporal modeling framework with a counterfactual policy-simulation layer for student dropout in higher education, using LMS engagement data and administrative withdrawal records. Dropout is operationalized as a time-to-event outcome at the enrollment level; weekly risk is modeled in discrete time via penalized, class-balanced logistic regression over person--period rows. Under a late-event temporal holdout, the model attains row-level AUCs of 0.8350 (train) and 0.8405 (test), with aggregate calibration acceptable but sparsely supported in the highest-risk bins. Ablation analyses indicate performance is sensitive to feature set composition, underscoring the role of temporal engagement signals. A scenario-indexed policy layer produces survival contrasts $ΔS(T)$ under an explicit trigger/schedule contract: positive contrasts are confined to the shock branch ($T_{\rm policy}=18$: 0.0102, 0.0260, 0.0819), while the mechanism-aware branch is negative ($ΔS_{\rm mech}(18)=-0.0078$, $ΔS_{\rm mech}(38)=-0.0134$). A subgroup analysis by gender quantifies scenario-induced survival gaps via bootstrap; contrasts are directionally stable but small. Results are not causally identified; they demonstrate the framework's capacity for internal structural scenario comparison under observational data constraints.
- Abstract（参考訳）: 本研究では,高等教育における学生の退学対策として,LMSエンゲージメントデータと管理退学記録を用いた時間的モデリング手法を提案する。
ドロップアウトは、入学者レベルでのタイム・ツー・イベントの結果として運用され、毎週のリスクは、個人周期行に対するペナル化されたクラスバランスのロジスティック回帰を通じて、個別の時間でモデル化される。
後期の時間的ホールトアウトでは、このモデルは行レベルのAUCが0.8350(列車)と0.8405(試験)に達し、総キャリブレーションは許容されるが、最高リスクのビンではわずかに支持される。
アブレーション分析は、パフォーマンスが特徴集合の構成に敏感であることを示し、時間的エンゲージメント信号の役割を暗示している。
正のコントラストはショックブランチ(T_{\rm policy}=18$:0.0102, 0.0260, 0.0819)に制限され、メカニズム対応ブランチ(ΔS_{\rm mech}(18)=-0.0078$, $ΔS_{\rm mech}(38)=-0.0134$)に制限される。
性別によるサブグループは、ブートストラップによってシナリオによって引き起こされる生存ギャップを定量化する。
それらは、観測データ制約下での内部構造シナリオ比較のためのフレームワークの能力を示す。
関連論文リスト
- Temporal Dropout Risk in Learning Analytics: A Harmonized Survival Benchmark Across Dynamic and Early-Window Representations [0.0]
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。
論文 参考訳（メタデータ） (2026-04-10T02:10:12Z) - Tight Convergence Rates for Online Distributed Linear Estimation with Adversarial Measurements [66.94250413799232]
分散パラメータ-サーバ-ワーカー設定における乱数ベクトル$X$の推定について検討する。
主な課題は、敵の計測と非同期である。
その結果, 分散線形推定におけるロバスト性, 識別性, 統計的効率の統一的有限時間評価が得られた。
論文 参考訳（メタデータ） (2026-04-07T11:45:55Z) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。
LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。
本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
論文 参考訳（メタデータ） (2026-02-02T06:33:22Z) - PS$^2$: Parameterized Control for Fine-Grained Student Proficiency Simulation [37.112666030892115]
学生シミュレーション (PS$2$) は、教師なしおよびパラメータ化されたモデルレベルのフレームワークであり、異なる習熟度を持つ生徒をシミュレートする。
PS$2$は、既存のベースラインに比べて細粒度で一貫した習熟度シミュレーションを実現する。
論文 参考訳（メタデータ） (2026-01-31T18:27:56Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Log-Sum-Exponential Estimator for Off-Policy Evaluation and Learning [50.93804891554481]
従来の逆確率スコア推定よりも優れた対数推定演算子(log-sum-exponential (LSE)演算子)に基づく新しい推定器を提案する。
我々のLSE推定器は, 重み付き条件下での分散低減とロバスト性を示す。
政治以外の学習シナリオでは、LSE推定器と最適ポリシーの間のパフォーマンスギャップである後悔の限界を確立します。
論文 参考訳（メタデータ） (2025-06-07T17:37:10Z) - Adversarial learning for nonparametric regression: Minimax rate and adaptive estimation [3.244945627960733]
逆数$L_risks と $1 leq leq infty$ の最小収束率を確立し、極大最適性を達成する部分的局所推定器を提案する。
我々は、対数係数の中で、非対数クラスと対数クラスの広い範囲で最適な速度を達成することが示されるデータ駆動適応推定器を構築する。
論文 参考訳（メタデータ） (2025-06-02T02:38:47Z) - Test-Time Regret Minimization in Meta Reinforcement Learning [28.710895687701353]
マルコフ決定過程を通じてモデル化されたタスクの有限集合を様々なダイナミクスで考える。
未知のテストタスクにおける最適方針に対する後悔の最小化に焦点を当てる。
論文 参考訳（メタデータ） (2024-06-04T12:56:10Z) - Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。
記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
論文 参考訳（メタデータ） (2020-02-21T19:20:57Z)
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。