論文の概要: Period Segmentation in Transition Network Analysis: A Topological Data Analysis Approach

• arxiv url: http://arxiv.org/abs/2609.32094v1
• Date: Fri, 25 Sep 2026 23:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:13:31.067269
• Title: Period Segmentation in Transition Network Analysis: A Topological Data Analysis Approach
• Title（参考訳）: 遷移ネットワーク解析における周期分割-トポロジカルデータ解析アプローチ
• Abstract要約: 遷移ネットワーク分析(TNA)における周期分割を通して学習行動の時間的ダイナミクスを明らかにすることができる 我々は、トポロジカルデータ分析が介入窓を識別するデータ駆動型周期境界を提供できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Temporal dynamics in learning behavior can be revealed through period segmentation in Transition Network Analysis (TNA). Cristea et al. demonstrated that segmenting courses into halves and quarters reveals how learning strategies evolve and relate to academic performance. Building on this approach, we investigate whether Topological Data Analysis (TDA), specifically connected components ($β_0$) change points from Zigzag Persistent Homology, can provide data-driven period boundaries that identify intervention windows. Analyzing 22 courses from the Open University Learning Analytics Dataset, we find that $β_0$-based segmentation captures greater between-period variation than time-based segmentation (median variance ratio (VR) = 4.10$\times$; 21/22 courses show VR $>$ 1.1). Permutation tests confirmed significance ($p < 0.05$) in 18% of individual courses, with 73% showing positive improvement over random breakpoints. Only one course showed better performance with time-based segmentation. However, analysis of academic outcomes reveals a key insight: final-period behavior shows lower correlation with outcomes in $β_0$-based segmentation than in time-based segmentation, reflecting a marked behavioral collapse where engaged learners rapidly disengage. We interpret this as evidence that final-period behavior reflects rather than causes outcomes: students who will pass maintain engagement, while those who will fail disengage. This reframes the value of $β_0$: rather than improving prediction, change points identify intervention windows. These are periods where behavioral structure shifts and targeted support may be most effective.
• Abstract（参考訳）: 学習行動の時間的ダイナミクスは、遷移ネットワーク分析(TNA)の周期分割によって明らかにすることができる。 Cristea氏らは、コースをハーフとクォーターに分割することで、学習戦略がどのように進化し、学術的なパフォーマンスと関連しているかを明らかにした。 提案手法により,Zigzag Persistent Homology から,特に連結成分 (β_0$) の変化点であるトポロジカルデータ解析 (TDA) が,介入ウィンドウを識別するデータ駆動周期境界を提供できるかを検討する。 Open University Learning Analytics Datasetから22のコースを分析したところ、β_0$ベースのセグメンテーションは、時間ベースのセグメンテーション(中間分散比(VR) = 4.10$\times$; 21/22のコースはVR$>1.1である)よりも、時間間の変動が大きいことがわかった。 置換試験の結果、個々のコースの18%に有意(p < 0.05$)が認められ、73%がランダムなブレークポイントよりも肯定的な改善を示した。 時間ベースのセグメンテーションでは、たった1つのコースでパフォーマンスが向上した。 しかし、学術的な結果の分析は重要な洞察である: 最終周期の行動は、時間ベースのセグメンテーションよりも、$β_0$ベースのセグメンテーションの結果との相関が低く、有能な学習者が急速に解離する顕著な行動崩壊を反映している。 我々はこれを、最終周期的行動が結果をもたらすよりもむしろ反映している証拠である、と解釈する。 これにより$β_0$:が再設定される。 予測を改善するのではなく、変更ポイントは介入ウィンドウを識別する。 これらは、行動構造がシフトし、目標とするサポートが最も効果的であるかもしれない期間である。

関連論文リスト

• An Empirical Evaluation of Factors Affecting SHAP Explanation of Time Series Classification [1.5224436211478214]
  セグメント構成が説明品質にどのように影響するかを理解するために,8種類の時系列アルゴリズムについて検討する。 その結果,セグメントの数は,特定のセグメント化法よりも説明品質に大きく影響していることがわかった。 そこで本研究では,セグメントの長さによって重み付けを行う新しい属性正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-03T18:55:23Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Exploring the Performance of Continuous-Time Dynamic Link Prediction Algorithms [14.82820088479196]
  ダイナミックリンク予測(DLP)は、進化するネットワークにおける将来のリンクの予測に対処する。 本研究では,このような総合的な評価を行うためのツールをコントリビュートする。 評価時に使用可能な陰性サンプリング手法の網羅的な分類法について述べる。
  論文  参考訳（メタデータ） (2024-05-27T14:03:28Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Temperature Schedules for Self-Supervised Contrastive Methods on Long-Tail Data [87.77128754860983]
  本稿では,ロングテールデータ上での自己教師付き学習(SSL)の行動分析を行う。 大きな$tau$はグループ的な差別を強調するのに対し、小さな$tau$はより高いインスタンスの差別をもたらす。 動的$tau$を用いて、簡単なコサインスケジュールが学習表現に大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-03-23T20:37:25Z)
• Are uGLAD? Time will tell! [4.005044708572845]
  条件独立グラフ(CI)を用いた多変量時系列セグメンテーションのための新しい手法を提案する。 CIグラフは、ノード間の部分的相関を表す確率的グラフィカルモデルである。 身体活動モニタリングデータを用いて実験結果を実証した。
  論文  参考訳（メタデータ） (2023-03-21T07:46:28Z)
• Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations [78.12377360145078]
  対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。 本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。 現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
  論文  参考訳（メタデータ） (2021-06-10T17:59:13Z)

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。