@techreport{oai:ipsj.ixsq.nii.ac.jp:00231203,
 author = {渡邊, 健太 and 杉谷, 賢一 and 中野, 裕司 and 久保田, 真一郎 and 市原, 大裕 and 田村, 祐貴 and 山品, 壱平 and Kenta, Watanabe and Kenichi, Sugitani and Hiroshi, Nakano and Shinichiro, Kubota and Daisuke, Ichihara and Yuki, Tamura and Ippei, Yamashina},
 issue = {1},
 month = {Nov},
 note = {本研究は複数科目の学習ログで抽出した特徴量から多段階学習アンサンブルモデルを用いて，対象の非同期オンライン授業における 2 週連続で欠席する学生の予測を目的としている．前回の研究では，クラスタ分類と機械学習を用いて連続欠席して単位を落としてしまう学生の予測を行ったが，Precision が 0.50 を下回ってしまった．本研究では多段階学習アンサンブルモデルを用いることで予測精度の向上を行った．多段階学習アンサンブルモデルはアンダーサンプリングをした学習データを分割し，複数の弱学習器を作成し，作成された予測モデルで誤分類されたデータで繰り返し弱学習器を作成して予測を行う．, This study aims to predict students who will be absent for two consecutive weeks in a target asynchronous online class using a multi-stage learning ensemble model based on features extracted from learning logs of multiple courses. In our previous study, we used cluster classification and machine learning to predict students who would miss two consecutive weeks of classes and fail to earn credits, but the Precision was less than 0.50. In this study, we improved the prediction accuracy by using a multi-stage learning ensemble model. The multistage learning ensemble model divides the undersampled training data, creates multiple weak learners, and repeatedly creates weak learners using the data misclassified by the created prediction model to make predictions.},
 title = {多段階学習アンサンブルモデルを用いた非同期オンライン授業における2週連続者欠席者の予測},
 year = {2023}
}