arXiv:2502.03143

Machine Learning-Driven Student Performance Prediction for Enhancing Tiered Instruction

Yawen Chen, Jiande Sun, Jinhui Wang, Liang Zhao, Xinmin Song, Linbo Zhai

제출 2025-02-05

원문 초록

Student performance prediction is one of the most important subjects in educational data mining. As a modern technology, machine learning offers powerful capabilities in feature extraction and data modeling, providing essential support for diverse application scenarios, as evidenced by recent studies confirming its effectiveness in educational data mining. However, despite extensive prediction experiments, machine learning methods have not been effectively integrated into practical teaching strategies, hindering their application in modern education. In addition, massive features as input variables for machine learning algorithms often leads to information redundancy, which can negatively impact prediction accuracy. Therefore, how to effectively use machine learning methods to predict student performance and integrate the prediction results with actual teaching scenarios is a worthy research subject. To this end, this study integrates the results of machine learning-based student performance prediction with tiered instruction, aiming to enhance student outcomes in target course, which is significant for the application of educational data mining in contemporary teaching scenarios. Specifically, we collect original educational data and perform feature selection to reduce information redundancy. Then, the performance of five representative machine learning methods is analyzed and discussed with Random Forest showing the best performance. Furthermore, based on the results of the classification of students, tiered instruction is applied accordingly, and different teaching objectives and contents are set for all levels of students. The comparison of teaching outcomes between the control and experimental classes, along with the analysis of questionnaire results, demonstrates the effectiveness of the proposed framework.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.09696v1cs.LG공통 태그 Prediction, feature selection

CTR 모델의 초기 학습 붕괴 완화

Mitigating Early Training Collapse in CTR Models

클릭률(CTR) 예측을 위한 딥 뉴럴 모델은 학습 손실이 지속적으로 개선됨에도 불구하고 첫 번째 학습 에포크 직후 검증 성능이 급격히 저하되는 현상을 자주 보인다. 이러한 불안정성은 효과적인 학습을 제한하고 모델 성능을 저하시킨다. 본 연구에서는 대규모 산업 데이터셋을 활용하여 이 현상을 분석하고 실용적인 완화 전략을 평가한다. 학습률을 낮추는 방법은 점진적인 개선만을 제공하는 반면, 특징 희소성을 제어하는 방법은 상당한 성능 향상을 가져온다. 희소성이 높은 특징을 제거하고 빈도가 낮은 특징 값을 집계하면 학습이 안정화되고, 유효한 학습이 단일 에포크를 넘어 지속되며, 오프라인 평가 지표와 온라인 시스템 성능이 모두 향상된다.

arXiv:2607.02670v1cs.LG공통 태그 Prediction, feature selection

정신병리 차원 예측을 위한 세분성 인식 EEG 특징 프레임워크

A Granularity-Aware EEG Feature Framework for Psychopathology Dimension Prediction

뇌전도(EEG)는 차원적 정신병리의 신경생리학적 상관관계를 비침습적으로 검사하는 방법을 제공하지만, EEG 패러다임과 특징 세분성에 걸친 체계적인 근거는 아직 제한적이다. 본 연구에서는 다중 스케일 기술자를 전역, 지역, 채널 수준으로 체계화하는 세분성 인식 EEG 특징 파이프라인을 개발한다. Healthy Brain Network(HBN) 코호트를 사용하여, 네 가지 EEG 패러다임에 걸쳐 p-요인, 내재화, 외재화, 주의력 문제의 네 가지 정신병리 차원 예측을 평가한다. 소아 정신병리의 이질성과 설문지 기반 점수의 보통 수준의 신뢰도를 고려할 때, 이 환경은 임상 선별 시나리오가 아닌 도전적인 타당성 검증을 나타낸다. 트리 기반 모델과 세분성 균형 특징 선택은 선택된 조건에서 기존 접근법 대비 유망한 개선을 보였으나, 효과 크기는 완만한 수준에 머물렀다. 선택된 마커의 시각화를 통해 기존 신경생리학적 지식과 대체로 일치하는 차원별 공간 및 스펙트럼 패턴이 드러났다. 독립적인 PEARL 코호트에 대한 탐색적 교차-데이터셋 건전성 검증은 교차-데이터셋 일반화 가능성을 주장하지 않으면서도, 프로토콜 변화 하에서 제안된 선택 원칙이 기술적으로 실현 가능하다는 점을 시사하였다. 전반적으로, 다중 스케일 EEG 특징은 차원적 정신병리와 관련된 약하지만 감지 가능한 신호를 포함하고 있으며, 세분성 인식 선택은 향후 EEG 기반 표현형 분석 연구를 위한 유용한 특징 축소 전략으로 활용될 수 있다.

arXiv:2607.01539v3cs.NE공통 태그 feature selection

MMAO-Cls: 특징 선택과 분류기 튜닝을 동시에 수행하는 대사 다중 에이전트 최적화

MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning

본 논문은 대사 다중 에이전트 최적화기(MMAO)가 분류 모델 선택을 위한 신뢰할 만한 외부 루프 최적화기로 기능할 수 있는지를 연구한다. 각 에이전트가 이진 특징 마스크와 분류기 하이퍼파라미터를 함께 인코딩하고, 개별 에너지, 공동 예산, 역할 변동, 생애주기 교체가 래퍼 학습의 정확도-복잡도 트레이드오프에 대응되는 혼합 공간 구현인 MMAO-Cls를 제안한다. 구현은 특징 정보 사전분포로부터 특징 예산 적응을 도출하고, 검증 보상을 부분집합의 간결성과 학습-검증 과적합 격차로 함께 정규화하여 강화되었다. 각각 3개의 시드로 7개의 표준 정형 데이터 벤치마크에서 MMAO-Cls를 평가하고, RandomSearch, GA-lite, PSO-lite, 내생적 비공유 제거 변형과 비교한다. 종합 검증 목적함수에서 MMAO-Cls는 GA-lite($0.9446$)에 이어 2위($0.9433$)이다. 보류된 테스트 성능에서는 평균 점수 $0.8882$를 달성하여 RandomSearch($0.8808$)와 GA-lite($0.8857$)를 능가하고, PSO-lite($0.8874$) 및 비공유 제거 변형($0.8900$)에는 근접하며, 비교된 모든 방법 중 보류 데이터 기준 평균 특징 부분집합이 가장 간결하다(특징 비율 $0.4881$). 쌍체 검정 결과 이러한 차이는 아직 통계적으로 유의하지 않다. 결과는 MMAO가 분류와 간결한 혼합 공간 탐색에 적용 가능함을 뒷받침하지만, 공동 공유가 보류 데이터 성능에 기여하는 정도는 해결되지 않은 채 남아 있다.

arXiv:2609.27144v2cs.LG공통 태그 Prediction

미관측 교란 변수에 강건한 위험 점수 학습

Learning Risk Scores Robust to Unobserved Confounders

미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.

arXiv:2610.13387v1eess.IV공통 태그 feature selection

라벨 조건부 등각 예측을 활용한 라디오믹스 기반 갑상선 결절 분류

Radiomics-Based Thyroid Nodule Classification with Label-Conditional Conformal Prediction

갑상선 결절의 악성도 평가는 초음파 영상에 의존하지만, 기존의 위험 계층화 시스템은 관찰자 간 상당한 변동성으로 인해 불필요한 생검 비율이 높아지는 문제를 겪고 있습니다. 본 논문에서는 PyRadiomics를 통한 정량적 특징 추출과 일반화 가산 모델(GAM) 분류기를 결합한 라디오믹스(radiomics) 기반 프레임워크를 제안합니다. 이 분류기는 판별 성능과 해석 가능성 간의 우수한 절충점을 보여 6개의 후보 중 선정되었습니다. 점 예측을 불확실성 추정으로 보완하기 위해 라벨 조건부 보장을 갖춘 교차 등각 예측(Cross-Conformal Prediction)을 적용하여, 이진 결정을 강제하기보다는 모호한 사례를 임상 검토 대상으로 플래깅(flagging)합니다. 실험은 갑상선 결절의 공개 초음파 데이터셋인 TN5000에서 수행되었습니다. 스피어만 상관관계 필터링 후 36개의 특징이 유지되었으며, GAM은 검증 세트에서 $0.89$의 AUC, $0.83$의 민감도, $0.82$의 특이도를 달성했습니다. 두 클래스 모두에 대한 실증적 커버리지 보장을 보장하도록 선택된 유의수준 $ε=0.09$에서, 테스트 세트 결절의 63\%가 확실한(즉, 단일 라벨) 예측을 받았으며, 확실한 악성에 대해서는 $0.94$의 조건부 정밀도와 확실한 양성 사례에 대해서는 $0.73$의 조건부 음성 예측도(NPV)를 기록한 반면, 나머지 37\%는 임상의에게 의뢰되었습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.