Long-term student achievement data provide useful information to formulate the research question of what types of student skills would impact future trends across subjects. However, few studies have focused on long-term data. This is because the criteria of examinations vary depending on their designers; additionally, it is difficult for the same designer to maintain the coherence of the criteria of examinations beyond grades. To solve this inconsistency issue, we propose a novel approach to extract candidate factors affecting long-term trends across subjects from long-term data. Our approach is composed of three steps: Data screening, time series clustering, and causal inference. The first step extracts coherence data from long-term data. The second step groups the long-term data by shape and value. The third step extracts factors affecting the long-term trends and validates the extracted variation factors using two or more different data sets. We then conducted evaluation experiments with student achievement data from five public elementary schools and four public junior high schools in Japan. The results demonstrate that our approach extracts coherence data, clusters long-term data into interpretable groups, and extracts candidate factors affecting academic ability across subjects. Subsequently, our approach formulates a hypothesis and turns archived achievement data into useful information.


翻译:学生长期成绩数据提供了有用的信息,用以研究哪些类学生技能会影响今后各学科趋势的研究问题,然而,很少有研究侧重于长期数据,这是因为考试标准因设计者而异;此外,同一设计者很难保持超过年级考试标准的一致性;为解决这一不一致问题,我们建议采用新颖的办法,从长期数据中提取影响各学科长期趋势的候选因素;我们的方法由三个步骤组成:数据筛选、时间序列组群和因果关系推断;第一步从长期数据中提取一致性数据;第二步按形状和价值将长期数据分组;第三步抽取影响长期趋势的因素,用两个或两个以上不同的数据集验证抽取的差异因素;我们随后对日本五所公立小学和四所公立初中的学生成绩数据进行了评估试验;结果显示,我们的方法从一致性数据、长期数据组群集到可解释的群体,以及从影响不同学科学术能力的候选因素中提取出。随后,我们的方法提出了假设,并将成绩转化为有用的数据。

0
下载
关闭预览

相关内容

MonoGRNet:单目3D目标检测的通用框架(TPAMI2021)
专知会员服务
17+阅读 · 2021年5月3日
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
35+阅读 · 2021年1月27日
Learning to Weight for Text Classification
Arxiv
8+阅读 · 2019年3月28日
Universal Transformers
Arxiv
5+阅读 · 2019年3月5日
Single-frame Regularization for Temporally Stable CNNs
VIP会员
相关VIP内容
MonoGRNet:单目3D目标检测的通用框架(TPAMI2021)
专知会员服务
17+阅读 · 2021年5月3日
【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员