JP7439914B2 - 予測装置、予測方法、及び、プログラム - Google Patents
予測装置、予測方法、及び、プログラム Download PDFInfo
- Publication number
- JP7439914B2 JP7439914B2 JP2022516574A JP2022516574A JP7439914B2 JP 7439914 B2 JP7439914 B2 JP 7439914B2 JP 2022516574 A JP2022516574 A JP 2022516574A JP 2022516574 A JP2022516574 A JP 2022516574A JP 7439914 B2 JP7439914 B2 JP 7439914B2
- Authority
- JP
- Japan
- Prior art keywords
- student
- data
- model
- prediction
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 36
- 238000012549 training Methods 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008450 motivation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 239000008241 heterogeneous mixture Substances 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
学生に関する学生データを取得する取得手段と、
前記学生データに基づいて、訓練データを生成する前処理手段と、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段と、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習手段と、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する予測手段と、
を備え、
前記学生データは複数のデータ項目を含み、
前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習手段は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する。
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測し、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する予測方法。
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する処理をコンピュータに実行させ、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する。
<第1実施形態>
[基本概念]
図1は、本発明の第1実施形態に係る予測装置の概略を示す。予測装置100は、学生データベース(DB)5に接続されている。学生DB5は、大学や専門学校などの学校に通う学生に関する各種のデータ(以下、「学生データ」とも呼ぶ。)を記憶している。予測装置100は、学生データに基づいて、学生の留年、退学などを含む進級の状態や進級の可否(以下、「進級状況」と呼ぶ。)を予測する。具体的に、ある学生について進級状況を予測する場合、予測装置100は、予測の対象となる学生(以下、「対象学生」とも呼ぶ。)についての学生データを学生DB5から取得する。そして、詳細は後述するが、予測装置100は、学生データに基づいて進級状況を推定するモデルを用いて、対象学生の留年、退学などの進級状況を予測する。また、予測装置100は、必要に応じて、予測結果を外部装置へ出力する。
図2は、予測装置100のハードウェア構成を示すブロック図である。図示のように、予測装置100は、インタフェース(IF)11と、プロセッサ12と、メモリ13と、記録媒体14と、データベース(DB)15と、入力部16と、表示部17とを備える。
予測装置100は、異種混合学習を利用して予測を行う。異種混合学習では、条件分岐を表すノードで構成されるツリー(木構造)と、複数の線形モデルとのセットで定義される予測モデルが生成され、各ツリーの葉には1つの予測モデルが割り当てられる。この予測モデルを利用する際には、まず、予測対象のデータ(各データ項目の値の組み合わせ)を利用してツリーを根から葉まで辿る。そして、辿り着いた葉に対応する線形モデルに予測対象のデータを入力することで、目的変数の値を得る。異種混合学習については、米国特許出願公開第2014/0222741A1号明細書に記載されており、この文献の内容をここに取り込む。なお、異種混合学習の学習方法については、後述する[モデル生成処理]において説明する。予測装置100は、異種混合学習を利用することで、より高精度に予測することが可能となる。
次に、予測装置100による予測処理について説明する。図6は、予測処理のフローチャートである。この処理は、図2に示すプロセッサ12が予め用意されたプログラムを実行し、図3に示す要素として動作することにより実現される。
図7は、予測装置の学習時の機能構成を示すブロック図である。学習時の予測装置100xは、前処理部31と、分類条件設定部32と、第1~第n予測部22a~22nと、モデル更新部33とを備える。第1~第n予測部22a~22nは、図3に示す予測時の予測装置100と同様である。学習時の予測装置100xは、第1~第n予測部22a~22nに用いられる第1~第nモデルをそれぞれ学習する。
(制約A)分類に使用する木構造の階層数を所定階層数以下とする。
(制約B)各モデル(各グループ)の訓練データのサンプル数の、全サンプル数に対する割合(以下、「サンプル数割合」と呼ぶ。)を所定割合以上とする。
R1=2500/8000=約31%
R2=3000/8000=約38%
R3=2500/8000=約31%
となる。例えば、制約Bにおける所定割合が10%に設定されていると仮定すると、各モデルに対応するグループG1~G3についてのサンプル数割合R1~R3は、いずれも制約Bを満足していることになる。
次に、モデル生成処理について説明する。図9は、予測装置によるモデル生成処理のフローチャートである。この処理は、図2に示すプロセッサ12が予め用意されたプログラムを実行し、図7に示す各要素として動作することにより実現される。
次に、本発明の第2実施形態について説明する。図10は、第2実施形態に係る予測装置の機能構成を示すブロック図である。予測装置50は、取得手段51と、前処理手段52と、学習手段53と、予測手段54とを備える。取得手段51は、学生に関する学生データを取得する。前処理手段52は、学生データに基づいて、訓練データを生成する。学習手段53は、訓練データに基づいて、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する。予測手段54は、生成されたモデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する。
学生に関する学生データを取得する取得手段と、
前記学生データに基づいて、訓練データを生成する前処理手段と、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習手段と、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する予測手段と、
を備える予測装置。
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段を備え、
前記学習手段は、前記グループ毎に前記モデルを学習し、
前記予測手段は、前記対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する付記1に記載の予測装置。
前記学生データは複数のデータ項目を含み、
前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類する付記2に記載の予測装置。
前記学習手段は、
前記木構造の階層数を所定数以下に維持しつつ、前記階層数を変化させて異なる複数の分類を行い、
前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する付記3に記載の予測装置。
前記学習手段は、
前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ、前記割合を変化させて異なる複数の分類を行い、
前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する付記3又は4に記載の予測装置。
前記前処理手段は、前記学生データの少なくとも一部のデータ項目について、前記学生データの値を変更して前記訓練データを生成する付記1乃至5のいずれか一項に記載の予測装置。
前記学生データは、前記学生の人間関係、生活習慣、学習習慣、学習に対する動機付け、及び、前記学生の進級状況に影響を与える要素のうち少なくとも1つに関するデータ項目を含む付記1乃至6のいずれか一項に記載の予測装置。
前記学生データは、科目区分毎の前記学生の単位修得率及びGPAの少なくとも1つを含む付記1乃至7のいずれか一項に記載の予測装置。
前記学生データは、前記学生の進級状況に影響を与える科目区分の単位修得率を含む付記1乃至8のいずれか一項に記載の予測装置。
前記進級状況は、前記学生の留年及び退学の少なくとも一方を含む付記1乃至9のいずれか一項に記載の予測装置。
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成し、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する予測方法。
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記訓練データに基づいて、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成し、
前記モデルを用いて、対象学生の学生データから、当該対象学生の進級状況を予測する処理をコンピュータに実行させるプログラムを記録した記録媒体。
12 プロセッサ
13 メモリ
15 データベース(DB)
21 分類部
22a~22n 予測部
23 出力部
31 前処理部
32 分類条件設定部
33 モデル更新部
50、100、100x 予測装置
Claims (8)
- 学生に関する学生データを取得する取得手段と、
前記学生データに基づいて、訓練データを生成する前処理手段と、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類手段と、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習手段と、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する予測手段と、
を備え、
前記学生データは複数のデータ項目を含み、
前記分類手段は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習手段は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する予測装置。 - 前記前処理手段は、前記学生データの少なくとも一部のデータ項目について、前記学生データの値を変更して前記訓練データを生成する請求項1に記載の予測装置。
- 前記学生データは、前記学生の人間関係、生活習慣、学習習慣、学習に対する動機付け、及び、前記学生の進級状況に影響を与える要素のうち少なくとも1つに関するデータ項目を含む請求項1又は2に記載の予測装置。
- 前記学生データは、科目区分毎の前記学生の単位修得率及びGPAの少なくとも1つを含む請求項1乃至3のいずれか一項に記載の予測装置。
- 前記学生データは、前記学生の進級状況に影響を与える科目区分の単位修得率を含む請求項1乃至4のいずれか一項に記載の予測装置。
- 前記進級状況は、前記学生の留年及び退学の少なくとも一方を含む請求項1乃至5のいずれか一項に記載の予測装置。
- コンピュータにより実行される予測方法であって、
学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測し、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択する予測方法。 - 学生に関する学生データを取得し、
前記学生データに基づいて、訓練データを生成し、
前記学生データの値に基づいて、前記学生データを複数のグループに分類する分類処理を行い、
前記訓練データに基づいて、前記グループ毎に、学生の進級状況を予測する少なくとも1つのモデルを機械学習により生成する学習処理を行い、
対象学生の学生データから、当該対象学生の学生データが属するグループに対応するモデルを用いて、当該対象学生の進級状況を予測する処理をコンピュータに実行させ、
前記学生データは複数のデータ項目を含み、
前記分類処理は、木構造により規定される前記データ項目毎の分岐条件に基づいて、前記学生データを複数のグループに分類し、
前記学習処理は、前記木構造の階層数を所定数以下に維持しつつ前記階層数を変化させるとともに、前記複数のグループの各々に属する訓練データのサンプル数の全サンプル数に対する割合を所定割合以上に維持しつつ前記割合を変化させて異なる複数の分類を行い、前記複数の分類により得られた分類結果毎に、複数のグループに対応するモデル群の学習を行い、前記複数の分類結果のうちの1つの分類結果に対応するモデル群を選択するプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/017466 WO2021214936A1 (ja) | 2020-04-23 | 2020-04-23 | 予測装置、予測方法、及び、記録媒体 |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021214936A1 JPWO2021214936A1 (ja) | 2021-10-28 |
JPWO2021214936A5 JPWO2021214936A5 (ja) | 2022-12-22 |
JP7439914B2 true JP7439914B2 (ja) | 2024-02-28 |
Family
ID=78270681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022516574A Active JP7439914B2 (ja) | 2020-04-23 | 2020-04-23 | 予測装置、予測方法、及び、プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230214950A1 (ja) |
JP (1) | JP7439914B2 (ja) |
WO (1) | WO2021214936A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024062935A1 (ja) * | 2022-09-21 | 2024-03-28 | 日本電気株式会社 | 情報処理装置、システム、情報処理方法、およびプログラム |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016151639A1 (ja) | 2015-03-26 | 2016-09-29 | 日本電気株式会社 | 人数予測システム、人数予測方法および人数予測プログラム |
JP2019164738A (ja) | 2018-03-20 | 2019-09-26 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、生成装置、生成方法及び生成プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272164B (zh) * | 2018-09-29 | 2021-09-28 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
WO2020186009A1 (en) * | 2019-03-12 | 2020-09-17 | Ellucian Company L.P. | Systems and methods for aiding higher education administration using machine learning models |
US11443235B2 (en) * | 2019-11-14 | 2022-09-13 | International Business Machines Corporation | Identifying optimal weights to improve prediction accuracy in machine learning techniques |
-
2020
- 2020-04-23 US US17/919,329 patent/US20230214950A1/en active Pending
- 2020-04-23 JP JP2022516574A patent/JP7439914B2/ja active Active
- 2020-04-23 WO PCT/JP2020/017466 patent/WO2021214936A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016151639A1 (ja) | 2015-03-26 | 2016-09-29 | 日本電気株式会社 | 人数予測システム、人数予測方法および人数予測プログラム |
JP2019164738A (ja) | 2018-03-20 | 2019-09-26 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、生成装置、生成方法及び生成プログラム |
Non-Patent Citations (3)
Title |
---|
ソリューション動向 Solutions, 約80%の精度で大学生の退学を予測機械学習エンジンに10年間のデータ,日経ビッグデータ,日本,日経BP社,2017年01月10日,第35号,p. 32 |
大友 愛子,学内データの活用 ~大学におけるIR(Institutional Research) への取組み~,FUJITSU,日本,富士通株式会社,2014年05月01日,Vol.65 No.3,pp. 41-47 |
安部 恵介,成績不良の早期予測による留年・退学予防方式,電子情報通信学会2019年総合大会講演論文集 情報・システム2,日本,一般社団法人 電子情報通信学会,2019年03月05日,p. 132 |
Also Published As
Publication number | Publication date |
---|---|
WO2021214936A1 (ja) | 2021-10-28 |
US20230214950A1 (en) | 2023-07-06 |
JPWO2021214936A1 (ja) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kardan et al. | Prediction of student course selection in online higher education institutes using neural network | |
Lykourentzou et al. | Dropout prediction in e-learning courses through the combination of machine learning techniques | |
Márquez-Vera et al. | Predicting school failure and dropout by using data mining techniques | |
Jadrić et al. | Student dropout analysis with application of data mining methods | |
Kiss et al. | Predicting dropout using high school and first-semester academic achievement measures | |
Jimenez et al. | Predicting the risk of academic dropout with temporal multi-objective optimization | |
Rahman et al. | Feature selection methods in improving accuracy of classifying students' academic performance | |
Wanjau et al. | Improving student enrollment prediction using ensemble classifiers | |
JP2024511216A (ja) | 学習者の成長の追跡及び査定のためのシステム及び方法 | |
Oreshin et al. | Implementing a Machine Learning Approach to Predicting Students’ Academic Outcomes | |
JP7439914B2 (ja) | 予測装置、予測方法、及び、プログラム | |
Stanković et al. | Artificial neural network model for prediction of students’ success in learning programming | |
Chaudhary et al. | Student future prediction using machine learning | |
Iraji et al. | Students classification with adaptive neuro fuzzy | |
Saranya et al. | ENHANCED PREDICTION OF STUDENT DROPOUTS USING FUZZY INFERENCE SYSTEM AND LOGISTIC REGRESSION. | |
Baran | Diffusion of innovations in the systems thinking approach | |
Ruiz-Rodríguez et al. | Classification of student success using Random Forest and Neural Networks | |
Wanjau | Data mining model for predicting student enrolment in stem courses in higher education institutions | |
Lafi et al. | Classification of Apple Diseases Using Deep Learning | |
Rahman et al. | Grading system prediction of educational performance analysis using data mining approach | |
Petrov | Multi-criteria Evaluation of Students’ Performance Based on Hybrid AHP-Entropy Approach with TOPSIS, MOORA and WPM | |
Arifin et al. | Computer-based Techniques for Predicting the Failure of Student Studies Using the Decision Tree method | |
Ivanova et al. | Application of Artificial Neural Networks in Intelligent Tutoring: A Contemporary Glance | |
Velasco et al. | Predicting Licensure Examination Performance Using Data Mining Techniques | |
Chen et al. | Intelligent preference selection model based on NRE for evaluating student learning achievement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221007 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221007 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231002 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231128 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240109 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240116 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240129 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7439914 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |