Článek ve sborníku konference

HLOSTA Martin, ZDRÁHAL Zdeněk a ZENDULKA Jaroslav. Ouroboros: Early identification of at-risk students without models based on legacy data. In: LAK '17 Proceedings of the Seventh International Learning Analytics & Knowledge Conference. Vancouver: Association for Computing Machinery, 2017, s. 6-15. ISBN 978-1-4503-4870-6. Dostupné z: http://dl.acm.org/citation.cfm?id=3027449
Jazyk publikace:angličtina
Název publikace:Ouroboros: Early identification of at-risk students without models based on legacy data
Název (cs):Ouroboros: Brzká identifikace rizikových studentů na základě modelů bez použití historických dat
Strany:6-15
Sborník:LAK '17 Proceedings of the Seventh International Learning Analytics & Knowledge Conference
Konference:Seventh International Learning Analytics & Knowledge Conference
Místo vydání:Vancouver, CA
Rok:2017
URL:http://dl.acm.org/citation.cfm?id=3027449
ISBN:978-1-4503-4870-6
DOI:10.1145/3027385.3027449
Vydavatel:Association for Computing Machinery
Klíčová slova
Student Retention, Predictive Analytics, Self-Learning, Imbalanced data, Learning Analytics
Anotace
Příspěvek se zaměřuje na identifikaci rizikových studentů, tj. takových kteří nedokončí kurz, v případě, že nemáme k dispozici historická data. Tento problém se typicky vyskytuje u nově otevřených kurzů. Prezentujeme "Ouroboros" model, který je založený na učení modelu pouze z dat na běžícím kurzu, na kterém rovněž poskytujeme predikce. Predikce se zaměřují na identifikaci studentů, kteří neodevzdají první zkoušku a využívá informaci o studentech, kteří odevzdali dříve. Toto řešení přináší do dat problém nevyvážených dat, který ztěžuje učení. 

Přínos lze shrnout ve třech bodech: 1) návrh způsobu učení bez historických dat z minulé prezentace, 2) formulace tohoto problému jako klasifikační úlohy a 3) řešení problému nevyvážených dat v datech, kde se mění nevyváženost v čase.
BibTeX:
@INPROCEEDINGS{
   author = {Martin Hlosta and Zden{\v{e}}k Zdr{\'{a}}hal and
	Jaroslav Zendulka},
   title = {Ouroboros: Early identification of at-risk
	students without models based on legacy data},
   pages = {6--15},
   booktitle = {LAK '17 Proceedings of the Seventh International Learning
	Analytics \& Knowledge Conference},
   year = {2017},
   location = {Vancouver, CA},
   publisher = {Association for Computing Machinery},
   ISBN = {978-1-4503-4870-6},
   doi = {10.1145/3027385.3027449},
   language = {english},
   url = {http://www.fit.vutbr.cz/research/view_pub.php.cs?id=11238}
}

Vaše IPv4 adresa: 184.72.212.254
Přepnout na https