論文の概要: Global Patterns in Student Stress and Academic Performance: A Machine Learning Study Using PISA 2022

• arxiv url: http://arxiv.org/abs/2606.00791v1
• Date: Sat, 30 May 2026 16:12:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 23:33:50.490492
• Title: Global Patterns in Student Stress and Academic Performance: A Machine Learning Study Using PISA 2022
• Title（参考訳）: 学生のストレスと学業成績のグローバルなパターン: PISA 2022を用いた機械学習研究
• Abstract要約: このプロジェクトの主な目標は、同様のグローバルパターンの存在を確認するか、拒否することである。 不安スコア,テスト不安,数学不安,数学の自信,幸福感,帰属意識など,さまざまな心理的指標に注目した。 この分析は6大陸で行われ、データセットを6つのケーススタディに分割した。
• 参考スコア（独自算出の注目度）: 4.417564179511245
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning was applied to examine whether stress-related factors influence student performance in a consistent way across the world. The main goal of this project is to confirm or reject the existence of a similar global pattern by generalizing the findings that already exist in this field. We focused on various psychological indicators such as anxiety score, test anxiety, math anxiety, math confidence, wellbeing, and sense of belonging, along with several non-psychological factors for context. Machine learning was chosen due to the extremely large size of the PISA 2022 dataset and its ability to capture complex relationships that simpler methods may overlook. The analysis was conducted across six continents by splitting the dataset into six separate case studies. Feature engineering was performed manually for each region, while the same baseline models were trained to ensure a fair comparison. The results show that the negative effect of stress on performance is present and fairly consistent across all continents. Although some error remains, partly because stress is not the only factor shaping academic outcomes, the overall pattern is clear. Africa stood out as an outlier due to lower average educational and wellbeing levels and a higher proportion of missing data, yet even there the negative relationship remained observable.
• Abstract（参考訳）: ストレスに関連する要因が学生のパフォーマンスに一貫した形で影響を及ぼすかを調べるために,機械学習を適用した。 このプロジェクトの主な目的は、この分野にすでに存在する知見を一般化することにより、同様のグローバルパターンの存在を確認または否定することである。 我々は,不安スコア,テスト不安,数学不安,数学信頼感,幸福感,帰属感などの心理的指標と,文脈の非心理学的要因に着目した。 PISA 2022データセットの極めて大きなサイズと、単純なメソッドが見落としてしまうような複雑な関係をキャプチャする能力のため、機械学習が選択された。 この分析は6大陸で行われ、データセットを6つのケーススタディに分割した。 機能エンジニアリングは各リージョンで手動で行われ、同じベースラインモデルは公正な比較を保証するためにトレーニングされた。 その結果、すべての大陸において、ストレスがパフォーマンスに負の効果があることが示唆された。 ストレスだけが学術的な結果を形成する要因ではないため、いくつかの誤りが残っているが、全体的なパターンは明確である。 アフリカは、平均的な教育水準と幸福度が低く、欠落するデータの割合が高かったため、不況として目立ったが、それでも否定的な関係は保たれたままだった。

関連論文リスト

• An Introduction to Causal Reinforcement Learning [58.680653905480284]
  因果推論と強化学習は、同じビルディングブロックの異なる側面、すなわち反実的関係で機能する。 私たちは、オンライン、オフ政治、因果計算学習など、さまざまな学習方法の統一的な治療を受けました。 具体的には、政策学習を一般化した因果レンズを用いて、介入すべき場所、模倣学習、反事実学習を紹介し、議論する。
  論文  参考訳（メタデータ） (2026-06-23T05:28:33Z)
• Engineering Students' Self-Efficacy, Perceptions, and Performance in a Flipped CS1 Course [0.7734726150561086]
  本研究は,工学生の授業に関する信念が,フリップ導入プログラミングコースにおける試験成績とどのように関係しているかを考察する。 探索的因子分析では,自己効力,学習に対する態度,プログラミングの難しさの3因子が同定された。
  論文  参考訳（メタデータ） (2026-05-31T22:07:49Z)
• Explainable AI for Predicting and Understanding Mathematics Achievement: A Cross-National Analysis of PISA 2018 [6.208182583084874]
  本研究は、数学の達成度を予測するために、PISA 2018データに説明可能な人工知能(XAI)技術を適用した。 我々は、Multiple Linear Regression(MLR)、Random Forest(RF)、CATBoost(CATBoost)、Artic Neural Networks(ANN)の4つのモデルをテストした。 主な予測者は、社会経済的地位、学習時間、教師のモチベーション、数学に対する学生の態度であった。
  論文  参考訳（メタデータ） (2025-08-22T19:02:15Z)
• Human Heterogeneity Invariant Stress Sensing [8.045902630836604]
  ストレスは身体と精神の健康に影響を与え、ウェアラブルデバイスは生理的信号を通じて日々のストレスを検出するために広く使われてきた。 HHISS(Human Heterogeneity Invariant Stress Sensing)は、ストレス信号における一貫したパターンを見つけるための領域一般化手法である。 HHISSは、トレーニング中に見えない新しい人、環境、ストレスタイプをより正確に行うのに役立つ。
  論文  参考訳（メタデータ） (2025-06-02T21:00:00Z)
• Understanding the Disparities in Mathematics Performance: An Interpretability-Based Examination [0.5266869303483376]
  本研究は,数学性能の教育格差に寄与する複雑な要因を明らかにすることを目的とする。 低い社会経済的背景を持つ学生は少ない本を持ち、数学の成績が低いことを証明している。 ジェンダーもまた決定要因として現れ、メスはスペクトル全体のパフォーマンスレベルに異なる貢献をした。
  論文  参考訳（メタデータ） (2025-01-29T00:44:01Z)
• 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)
• Bridging the Gap: Protocol Towards Fair and Consistent Affect Analysis [24.737468736951374]
  日々の生活における機械学習アルゴリズムの統合の増加は、その展開における公平性と公平性の重要性を浮き彫りにしている。 既存のデータベースと方法論は均一性に欠けており、バイアスのある評価につながっている。 この研究は、6つの感情的なデータベースを分析し、属性を注釈付けし、データベース分割のための共通のプロトコルを提案することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-10T22:40:01Z)
• The Clever Hans Mirage: A Comprehensive Survey on Spurious Correlations in Machine Learning [78.13481522957552]
  機械学習モデルは、入力の非本質的特徴と対応するラベルの間の急激な相関に敏感である。 本稿では,機械学習モデルにおける突発的相関に対処する既存の最先端手法の詳細な分類法とともに,この問題の包括的調査を行う。
  論文  参考訳（メタデータ） (2024-02-20T04:49:34Z)
• Evaluating and Incentivizing Diverse Data Contributions in Collaborative Learning [89.21177894013225]
  フェデレートされた学習モデルがうまく機能するためには、多様で代表的なデータセットを持つことが不可欠である。 データの多様性を定量化するために用いられる統計的基準と、使用するフェデレート学習アルゴリズムの選択が、結果の平衡に有意な影響を及ぼすことを示す。 我々はこれを活用して、データ収集者がグローバルな人口を代表するデータに貢献することを奨励する、シンプルな最適なフェデレーション学習機構を設計する。
  論文  参考訳（メタデータ） (2023-06-08T23:38:25Z)
• Taxonomizing local versus global structure in neural network loss landscapes [60.206524503782006]
  ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。 また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
  論文  参考訳（メタデータ） (2021-07-23T13:37:14Z)
• Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units and a Unified Framework [83.21732533130846]
  Aff-Wild と Aff-Wild2 の2つである。 これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。 インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
  論文  参考訳（メタデータ） (2021-03-29T17:36:20Z)

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。