Detail publikace
Ouroboros: Early identification of at-risk students without models based on legacy data
Student Retention, Predictive Analytics, Self-Learning, Imbalanced data, Learning Analytics
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.
@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"
}