ETHNO-DAANN：基于深度对抗迁移学习的人种志参与度分类
计算机与社会
2025-02-06 v2
摘要
由于持续的第四次工业革命中后殖民教育改革和青年就业市场适应的必要性，学生动机是一个关键研究议题。后共产主义时代的教师被促使分析学生的种族信息（如背景、出身），旨在提供更好的教育。随着智能设备数据的激增、对远程学习平台日益增长的需求以及各种虚拟学习的调查结果，我们幸运地获得了一些学生参与度数据。在本研究中，我们旨在解决以下问题：当标记知识有限时，我们能否从人种志信息预测学生参与度？如果可以，我们能否指出哪些特征在人种志参与度学习中影响最大？在此背景下，我们提出了一种基于深度神经网络的迁移学习算法 ETHNO-DAANN，带有对抗自适应，用于人种志参与度预测。我们对参与者开展了一项关于基于种族的学生动机的调查，以找出对最终预测最有帮助的影响特征。因此，我们的研究在标记数据有限的情况下，作为人种志动机参数估计的通用解决方案。
引用
@article{arxiv.2301.10229,
title = {ETHNO-DAANN: Ethnographic Engagement Classification by Deep Adversarial Transfer Learning},
author = {Rossi Kamal},
journal= {arXiv preprint arXiv:2301.10229},
year = {2025}
}
备注
This submission has been withdrawn by arXiv administrators one of the authors was added without their knowledge or consent. Authorship has been truncated