論文の概要: A Time-Synchronous Prequential Evaluation Framework for Next-Week Student Disengagement Prediction from Moodle LMS Logs

• arxiv url: http://arxiv.org/abs/2610.17490v1
• Date: Mon, 12 Oct 2026 23:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:43:03.89178
• Title: A Time-Synchronous Prequential Evaluation Framework for Next-Week Student Disengagement Prediction from Moodle LMS Logs
• Title（参考訳）: Moodle LMSログを用いた次世代学生参加予測のための時間同期精度評価フレームワーク
• Abstract要約: 早期警戒モデルのふりかえり評価は、予測が発行され、結果が観測可能になったときに利用可能な情報を反映しない可能性がある。 そこで我々は,次の週の学生退学のオンライン予測のための時間同期型事前予測フレームワークを開発した。
• 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: Retrospective evaluation of early-warning models may not reflect information available when predictions are issued and outcomes become observable. We developed a time-synchronous prequential framework for online prediction of next-week student disengagement, operationalised as inactivity onset, from Moodle logs. Ordered by calendar time, models were updated only with available outcomes and remained unchanged for all predictions at each prediction cutoff; development, calibration and evaluation were chronologically separate. We compared stochastic gradient descent logistic regression (SGD-LR), online sequential extreme learning machine (OSELM) and echo state network (ESN) across predictive performance, fixed, frozen and rolling threshold policies, calendar-time variation and four behavioural feature sets. Held-out evaluation comprised 49,329 predictions with 37.68% inactivity-onset prevalence. Discrimination was similar (average precision 0.665-0.679; ROC-AUC 0.755-0.774). OSELM had the highest recall, SGD-LR the highest precision and specificity, and ESN the highest Matthews correlation coefficient and balanced accuracy. Lower thresholds increased recall and alert volume, whereas rolling adaptation did not improve MCC over frozen thresholds. Weekly performance and calibrated-probability distributions varied without sustained deterioration. During model selection, cumulative-and-temporal features achieved the highest individual-set AP, with modest gains from combining all feature groups. These findings indicate that streaming early-warning evaluation should consider calibration, threshold-dependent performance, alert burden and calendar-time variation alongside aggregate discrimination.
• Abstract（参考訳）: 早期警戒モデルのふりかえり評価は、予測が発行され、結果が観測可能になったときに利用可能な情報を反映しない可能性がある。 我々は,Moodleログから,次の週の学生退学のオンライン予測を行うための時間同期型プレクシデントフレームワークを開発した。 暦時によって順序付けされ、モデルは利用可能な結果のみに更新され、予測カットオフ毎に予測が変更されず、開発、キャリブレーション、評価は時系列的に切り離された。 確率勾配降下ロジスティック回帰(SGD-LR)、オンラインシーケンシャル・エクストリーム・機械学習・マシン(OSELM)、エコー状態ネットワーク(ESN)を比較し、予測性能、固定、凍結、転動しきい値ポリシー、カレンダー時間変動と4つの行動特徴セットを比較した。 ヘルドアウト評価は49,329の予測で37.68%の非活動性オンセットの有病率であった。 識別は類似している(平均精度0.665-0.679、ROC-AUC 0.755-0.774)。 OSELMは最高リコール率, SGD-LRは最高精度, 特異度, ESNは最高マシューズ相関係数, 平衡精度であった。 低い閾値はリコール量と警告量を増加させたが、ローリング適応は凍結しきい値よりもMCCを改善しなかった。 週ごとの性能と校正確率分布は, 持続的劣化を伴わずに変化した。 モデル選択中, 累積・時間的特徴は, 全特徴群を組み合わせることにより, 極度に向上した。 これらの結果から, 早期警戒評価は, キャリブレーション, しきい値依存性能, アラート負荷, カレンダー時間変動を, 集団識別とともに考慮すべきであることが示唆された。

関連論文リスト

• ProtocolMatch: Protocol-Dependent Model Selection for Scientific Dynamics Forecasting [46.122203287541005]
  プロトコルに依存したモデル選択を定式化し、計算マッチング、バリデーション選択、フェール保存評価フレームワークであるProtocolMatchを導入する。 駆動量子スピン力学では、3つの独立に生成されたデータセットに対して、繰り返し、パッチ付きアテンション、因果アテンション、低ランク線形予測器を比較する。
  論文  参考訳（メタデータ） (2026-10-07T15:23:27Z)
• Beyond Average Error through Oracle-Informed Stress Tests for Time-Series Forecasting [34.76483563088126]
  平均二乗誤差は、予測性能が低下するのは、未来が予測不可能になるためなのか、あるいは、予測が条件平均から遠く離れているためなのかを明らかにすることができない。 本研究では,各リード時間における2乗誤差の変化を環境リスクと予測軌道距離に分解する機構制御型ストレステストを導入する。
  論文  参考訳（メタデータ） (2026-09-19T06:42:49Z)
• What Next-Event Accuracy Cannot See: Closed-Loop Evaluation of Emergency Department Trajectory Simulators [0.0]
  425,028 MIMIC-IV-EDによる故障モード評価のためのEDSim-Benchを開発した。 0.001未満の次点の精度にもかかわらず、3つのニューラルアーキテクチャはロールアウト時に非常に異なる振る舞いをした。
  論文  参考訳（メタデータ） (2026-09-10T16:15:28Z)
• Machine Learning and ARIMA Model Averaging for Adaptive Public Health Forecasting: Comparative Evaluation and an Ontario COVID-19 Case Study [3.571803295833193]
  公衆衛生予報は、過度な騒音、報告成果物、一時的なトレンドを伴わずに、監視データの急激な変化に対応しなければならない。 本研究は,2020年1月から2023年10月までの190件のオンタリオ・COVID-19患者を対象に,自己回帰統合移動平均 (ARIMA) , ランダム森林, 極度勾配上昇促進 (XGBoost) モデルの評価を行った。 また,予測水平および応答性設定によって異なる重みを持つ非負のパフォーマンス重み付けアンサンブルである機械学習とARIMAモデル平均化(MLAMA)を開発した。
  論文  参考訳（メタデータ） (2026-08-07T19:22:11Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。