文献

J-GLOBAL ID：202002227555342127   整理番号：20A2383787

深いモデルによるMOOCsドロップアウトの予測【JST・京大機械翻訳】

Predicting MOOCs Dropout with a Deep Model

著者 (6件)： Wu Fan (School of Computer Science, Wuhan University, Wuhan, Hubei, China) ,  Zhang Juntao (School of Computer Science, Wuhan University, Wuhan, Hubei, China) ,  Shi Yuling (School of Computer Science, Wuhan University, Wuhan, Hubei, China) ,  Yang Xiandi (School of Computer Science, Wuhan University, Wuhan, Hubei, China) ,  Song Wei (School of Computer Science, Wuhan University, Wuhan, Hubei, China) ,  Peng Zhiyong (School of Computer Science, Wuhan University, Wuhan, Hubei, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12343  ページ： 488-502  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 情報技術と教育の深い統合により,大規模オープンオンラインコース(MOOCs)は普及し,高い注目を受けている。MOOCは人々の間で一般的であるが,その開発に影響する高いドロップアウト速度に直面している。前進におけるドロップアウト速度を予測することは,できるだけ多くのドロップアウトを回避するための適切な対策を取ることができる。伝統的機械学習分類予測と単一配列ラベル予測方法は,複雑なユーザ行動を正確に予測するのが難しい。問題を解決するために,本論文では,ユーザ活動がコースリリースの時間に基づく周期的分布を示すことを見出したために,ユーザ学習行動の深い解析を行った。さらに,ユーザ性別とコースカテゴリーもユーザの行動に影響する。この目的のために,イベントの単一シーケンスに基づいて周期的歴史的挙動の影響因子を結合する再帰ネットワークに基づく深層モデルを提案した。一方,効果的な歴史的挙動影響因子を選択するために,挙動周期性を注意機構と組み合わせた。次に,ドロップアウト率を予測するためにユーザとコースの属性を埋め込んだ。最後に,異なるデータセットに関する実験は,著者らのアプローチが最先端の手法よりも優れた性能を持つことを示した。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  *ネットワーク ,  深層 ,  機械学習 ,  情報技術
準シソーラス用語： 周期性 ,  ドロップ ,  学習行動 ,  ユーザ行動 ,  影響因子 ,  MOOC , 【Automatic Indexing@JST】

著者キーワード (3件)： MOOCにおけるドロップアウト ,  期間 ,  注意

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： モデル ,  ドロップ ,  予測