Prerequisites and Performance in a Machine Learning Course: A Quantitative Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Demand for Machine Learning (ML) courses remains high, and educators face open questions about which prerequisites are important for student success in upper-year ML courses. Prior work has shown that instructors and students in ML courses believe that the math prerequisites and their relative recency are barriers to success, but this relationship has not been demonstrated quantitatively. In this paper, we study the link between prerequisite grades and performance in an upper-year ML course at two sites. We use linear models to study the extent to which student grades in prerequisite courses in calculus, linear algebra, statistics, and software design are predictive of student performance in the ML course. We consider the effect of additional factors like gender, first-in-family status, prior experience, comfort with mathematics, and comfort with academic English. Like prior work in many domains, and consistent with ML instructor and student perspectives, we find that prerequisite grades are predictive of ML performance. However, different combinations of prerequisites are important at different sites. Also, we find that cumulative grade point average (cGPA) in past technical and non-technical courses are as predictive of ML grade, if not more. Moreover, recency in prerequisite courses is not predictive of ML course grades in our setting. These findings suggest that general academic preparation may be as robust a predictor of ML course performance as specific math prerequisites, challenging assumptions about the role of mathematical recency and preparedness—at least as measured by grades.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle