Fugu-MT 論文翻訳(概要): Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

論文の概要: Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

arxiv url: http://arxiv.org/abs/2606.20617v1
Date: Sun, 24 May 2026 12:57:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 23:10:26.858902
Title: Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms
Title（参考訳）: 機械学習アルゴリズムを用いたat-Risk学生の分析と予測
Abstract要約: 本研究は,学習者の退学・退学を予測できる機械学習手法について検討した。モデルの評価には、ロジスティック回帰、ランダムフォレスト、サポートベクトルマシン(SVM)、K-Nearest Neighbors(KNN)が含まれる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Student attrition represents a significant challenge for higher education institutions because it impacts both academic results and financial viability. Machine learning provides an effective solution to identify students who require assistance before they leave their academic programs. The research investigates how machine learning approaches enable institutions to predict student withdrawal and enrollment cancellation through data-driven insights for strategic decisionmaking. The evaluation of models includes Logistic Regression, Random Forest, Support Vector Machines (SVM), and K-Nearest Neighbors (KNN) based on academic performance and demographic data and enrollment records. The results show that logistic regression and linear SVM models produced the highest accuracy which demonstrates ML's capability to detect students at risk.
Abstract（参考訳）: 高等教育機関にとって学生の誘致は、学術的成果と財政的生存性の両方に影響を及ぼすため重要な課題である。機械学習は、学習プログラムを離れる前に支援を必要とする学生を特定する効果的なソリューションを提供する。この研究は、機械学習のアプローチが学生の退学を予測し、戦略的意思決定のためのデータ駆動の洞察を通じてキャンセルすることを可能にする方法を研究する。モデルの評価には、ロジスティック回帰、ランダムフォレスト、サポートベクトルマシン(SVM)、K-Nearest Neighbors(KNN)が含まれる。その結果、ロジスティック回帰モデルと線形SVMモデルは、リスクのある学生を検出できるMLの能力を最も高い精度で生み出した。

関連論文リスト

Evaluating Federated Learning for At-Risk Student Prediction: A Comparative Analysis of Model Complexity and Data Balancing [0.07161783472741748]
本研究は,リスクの高い学生を積極的に識別するフェデレートラーニング(FL)フレームワークを提案し,検証する。 FLは、学生データ主権を本質的に尊重する早期警戒システムのための実用的でスケーラブルなソリューションである。
論文参考訳（メタデータ） (2025-08-23T19:58:16Z)
Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文参考訳（メタデータ） (2025-07-31T05:34:27Z)
AI-based identification and support of at-risk students: A case study of the Moroccan education system [5.199084419479099]
学生の退学は、個人的、家族的、学術的要因に影響される世界的な問題である。本稿では,退学リスクのある学生を識別するAIによる予測モデル手法を提案する。
論文参考訳（メタデータ） (2025-04-09T13:30:35Z)
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)
Early Detection of At-Risk Students Using Machine Learning [0.0]
リスクの高い学生を対象としたスクリーニングにより,高等教育の継続と学生の退学率の持続的課題に取り組むことを目的とする。この研究は、SVM(Support Vector Machines)、Naive Bayes、K-nearest neighbors(KNN)、決定木(Decision Trees)、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)など、いくつかの機械学習モデルを検討する。分析の結果,全てのアルゴリズムがリスクの高い学生の予測に許容できる結果をもたらすことが示唆された。
論文参考訳（メタデータ） (2024-12-12T17:33:06Z)
Enhancing Feature Selection and Interpretability in AI Regression Tasks Through Feature Attribution [38.53065398127086]
本研究では、回帰問題に対する入力データの非形式的特徴をフィルタリングする特徴属性法の可能性について検討する。我々は、初期データ空間から最適な変数セットを選択するために、統合グラディエントとk平均クラスタリングを組み合わせた機能選択パイプラインを導入する。提案手法の有効性を検証するため, ターボ機械の開発過程における羽根振動解析を実世界の産業問題に適用した。
論文参考訳（メタデータ） (2024-09-25T09:50:51Z)
Verification of Machine Unlearning is Fragile [48.71651033308842]
両タイプの検証戦略を回避できる2つの新しい非学習プロセスを導入する。この研究は、機械学習検証の脆弱性と限界を強調し、機械学習の安全性に関するさらなる研究の道を開く。
論文参考訳（メタデータ） (2024-08-01T21:37:10Z)
The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文参考訳（メタデータ） (2024-03-23T09:26:15Z)
Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文参考訳（メタデータ） (2024-03-15T12:47:45Z)
Learn to Unlearn: A Survey on Machine Unlearning [29.077334665555316]
本稿では,最近の機械学習技術,検証機構,潜在的攻撃について概説する。新たな課題と今後の研究方向性を強調します。本稿では、プライバシ、エクイティ、レジリエンスをMLシステムに統合するための貴重なリソースの提供を目的としている。
論文参考訳（メタデータ） (2023-05-12T14:28:02Z)
A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course [0.0]
本研究では,データマイニング手法の分類とアルゴリズムのための決定木を用いる。新たに発見された予測モデルを利用することで、生徒の現在のコースを合格する確率の予測は、0.7619の精度、0.8333の精度、0.8823のリコール、0.8571のf1のスコアを与える。
論文参考訳（メタデータ） (2023-04-12T01:57:08Z)
Machine Learning Approach for Predicting Students Academic Performance and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文参考訳（メタデータ） (2022-10-15T04:09:05Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文参考訳（メタデータ） (2022-07-29T02:34:19Z)
Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文参考訳（メタデータ） (2020-08-14T16:48:29Z)

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。