論文の概要: A Hybrid AI Framework for Academic Advising: Integrating Ensemble-Based Grade Prediction and a Rule-Based Expert System

• arxiv url: http://arxiv.org/abs/2609.26243v1
• Date: Wed, 12 Aug 2026 18:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.93196
• Title: A Hybrid AI Framework for Academic Advising: Integrating Ensemble-Based Grade Prediction and a Rule-Based Expert System
• Title（参考訳）: アカデミックアドバイスのためのハイブリッドAIフレームワーク:アンサンブルに基づくグレード予測とルールベースのエキスパートシステムの統合
• Abstract要約: 本研究は,学生の学術的進歩を支援する多目的知的システムの設計と実装を行う。 1)グレード予測のための高度なモデルと(2)ルールベースのレコメンデーションエンジンである。
• 参考スコア（独自算出の注目度）: 1.1199585259018456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapidly increasing student population has posed serious challenges to the traditional academic advising process. This study designs and implements a multi-purpose intelligent system to support students' academic progress, based on a two-part hybrid framework: (1) an advanced model for grade prediction and (2) a rule-based recommendation engine. Using a dataset containing 416,558 educational records from the University of Birjand, students were first divided into homogeneous clusters using the Gaussian Mixture Model (GMM). Subsequently, a Stacking Ensemble model combining Random Forest, Gradient Boosting, and MLP was trained specifically for each cluster. Evaluation results demonstrated that the Stacking model outperformed base models across all clusters, achieving a final aggregated RMSE of 2.35. The second component is an expert system that provides intelligent recommendations by synergizing educational regulations with the grades predicted by the first component. This system has been implemented as a practical tool on the University of Birjand portal, offering students real-time feedback such as semester GPA prediction, probation risk warnings, and course suggestions for GPA improvement.
• Abstract（参考訳）: 学生の急増は、従来の学術助言プロセスに深刻な課題をもたらしている。 本研究は,学生の学力向上を支援する多目的知能システムの設計と実装を行う。 ビルマ大学の416,558の教育記録を含むデータセットを用いて、学生はまずGaussian Mixture Model (GMM)を用いて均質なクラスタに分割された。 その後、ランダムフォレスト(Random Forest)、グラディエント・ブースティング(Gradient Boosting)、MLP(MLP)を組み合わせたスタックング・アンサンブルモデルが、各クラスタに対して特別に訓練された。 評価結果は、スタックングモデルが全てのクラスタのベースモデルより優れており、最終集計されたRMSEは2.35であることを示した。 第2のコンポーネントは、知的レコメンデーションを提供するエキスパートシステムであり、第1のコンポーネントによって予測される成績と教育規則を相乗化することによって、インテリジェントなレコメンデーションを提供する。 本システムはBirjand大学ポータル上で実践的なツールとして実装されており、学期GPA予測、確率的リスク警告、GPA改善のためのコース提案などのリアルタイムフィードバックを提供する。

関連論文リスト

• Probabilistic Residual Learning for Online Recommendations [50.32543279885484]
  Probabilistic Residual Learning (PRL) は、局所的残差モデリングのためにユーザをグループ化する因果ベイズ的レコメンデーションモデルである。 PRLは、さまざまなベースとなるディープラーニング推奨システムと互換性があり、意味のあるユーザクラスタを自動的に発見しながら、パフォーマンスを改善している。
  論文  参考訳（メタデータ） (2026-07-23T02:39:12Z)
• A Hybrid Machine Learning Approach for Graduate Admission Prediction and Combined University-Program Recommendation [0.0]
  本研究は,大学入学予測のためのハイブリッド機械学習フレームワークの必要性を強調し,高品質な類似の応募者と推薦システムに焦点を当てた。 データセットには、2021年から2025年までの13,000の自己レポートされたGradCafeアプリケーションが含まれている。 XGBoostと残留精製k-アネレスト隣接モジュールを組み合わせたハイブリッドモデルが開発され,テストセットの精度が87%向上した。
  論文  参考訳（メタデータ） (2026-02-09T17:25:42Z)
• Quantifying Student Success with Generative AI: A Monte Carlo Simulation Informed by Systematic Review [0.0]
  本稿では,系統的な文献レビューとシミュレーションに基づくモデリングを含むハイブリッド手法を用いる。 2023年から2025年にかけて、209件の実証記事が、スコパスデータベースを対象としたPRISMAベースの検索の中から選ばれた。 その結果、ユーザビリティや実世界の有用性に関連する態度因子は、感情的・信頼的要因よりも、肯定的な学習達成の予測因子として優れていることが判明した。
  論文  参考訳（メタデータ） (2025-06-30T09:50:38Z)
• EnsIR: An Ensemble Algorithm for Image Restoration via Gaussian Mixture Models [70.60381055741391]
  画像復元の課題は、説明された問題に関連し、単一のモデル予測と地道のずれをもたらす。 アンサンブル学習は、複数のベースモデルの予測を組み合わせることで、これらの偏差に対処することを目的としている。 我々は予測候補のアンサンブル重みを推定するために予測(EM)に基づくアルゴリズムを用いる。 我々のアルゴリズムは、モデルに依存しない訓練不要であり、様々なトレーニング済み画像復元モデルのシームレスな統合と強化を可能にする。
  論文  参考訳（メタデータ） (2024-10-30T12:16:35Z)
• Posterior Sampling for Competitive RL: Function Approximation and Partial Observation [96.73342437947014]
  我々は,ゼロサムマルコフゲーム(MG)に焦点をあてる。 そこで本研究では,両プレイヤーがナッシュ平衡を学習するためのモデルベース自己再生後サンプリング手法を提案する。 本稿では,潜在的な部分観測可能性を持つ逆MG学習のためのモデルに基づく後部サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T17:59:26Z)
• Differentiable Model Selection for Ensemble Learning [37.99501959301896]
  本稿では、機械学習と最適化を統合した微分可能なモデル選択のための新しいフレームワークを提案する。 このフレームワークは、個々の事前学習されたモデルの出力を組み合わせて、特定の入力サンプルに対して適切なアンサンブルメンバーを選択する戦略であるアンサンブル学習用に調整されている。
  論文  参考訳（メタデータ） (2022-11-01T03:37:49Z)
• From Mimicking to Integrating: Knowledge Integration for Pre-Trained Language Models [55.137869702763375]
  本稿では,新しいPLM再利用パラダイムであるKnowledge Integration(KI)について検討する。 KIは,異なる分類問題に特化している教師-PLMの知識を,多種多様な学生モデルにマージすることを目的としている。 次に,モデル不確かさを意識した知識統合(MUKI)フレームワークを設計し,学生の黄金の監督を回復する。
  論文  参考訳（メタデータ） (2022-10-11T07:59:08Z)
• Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
  エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。 本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。 損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-05-22T16:37:53Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)

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。