Detail publikace

Ouroboros: Early identification of at-risk students without models based on legacy data

HLOSTA, M.; ZDRÁHAL, Z.; ZENDULKA, J. 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. p. 6-15. ISBN: 978-1-4503-4870-6.
Název česky
Ouroboros: Brzká identifikace rizikových studentů na základě modelů bez použití historických dat
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Hlosta Martin, Ing., Ph.D.
Zdráhal Zdeněk
Zendulka Jaroslav, doc. Ing., CSc. (UIFS)
URL
Klíčová slova

Student Retention, Predictive Analytics, Self-Learning, Imbalanced data, Learning Analytics

Abstrakt

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.

Rok
2017
Strany
6–15
Sborník
LAK '17 Proceedings of the Seventh International Learning Analytics & Knowledge Conference
Konference
Seventh International Learning Analytics & Knowledge Conference, Vancouver, CA
ISBN
978-1-4503-4870-6
Vydavatel
Association for Computing Machinery
Místo
Vancouver
DOI
UT WoS
000570180700002
EID Scopus
BibTeX
@inproceedings{BUT134240,
  author="Martin {Hlosta} and Zdeněk {Zdráhal} and Jaroslav {Zendulka}",
  title="Ouroboros: Early identification of at-risk students without models based on legacy data",
  booktitle="LAK '17 Proceedings of the Seventh International Learning Analytics & Knowledge Conference",
  year="2017",
  pages="6--15",
  publisher="Association for Computing Machinery",
  address="Vancouver",
  doi="10.1145/3027385.3027449",
  isbn="978-1-4503-4870-6",
  url="http://dl.acm.org/citation.cfm?id=3027449"
}
Nahoru