Fig. 5 and Table 6 demonstrate that

Fig. 5 and Table 6 demonstrate that our approach has the
ability to detect potential student problems from tweets.
Yet, we are not trying to make the claim that these users
shown are definitely at-risk students, since most of these
users only posted less than 10 percent of problems among
all tweets they have posted. The trained detector can be
applied as a monitoring mechanism in the long run to identify
severe cases of at-risk students. For example, a future
student may post a large number of tweets and more than
90 percent of them are about study problems or negative
emotions. This case can be detected using the detector presented
here. Our Purdue data set only lasts a little over two
months. However, severe cases may only appear once in a
while depending on the institutional atmosphere. Further
decisions need to be made about what counts as severe
cases, to what extent does intervention is needed, how to
protect students’ privacy, and how comfortable they are
about these interventions.

ผลลัพธ์ (ไทย) 1:

Fig. 5 และ 6 ตารางแสดงให้เห็นถึงวิธีการของเราได้ความสามารถในการตรวจพบปัญหานักเรียนจากการเข้ามายัง เราไม่พยายามที่จะทำการเรียกร้องที่ผู้ใช้เหล่านี้แสดงเป็นนักเรียนที่มีความเสี่ยงแน่นอน ส่วนใหญ่เหล่านี้ผู้ใช้ที่น้อยกว่า 10 เปอร์เซ็นต์ของปัญหาระหว่างการลงรายการบัญชีเท่านั้นเข้ามาทั้งหมดที่ได้ลงรายการบัญชี เครื่องตรวจจับการฝึกอบรมสามารถใช้เป็นกลไกตรวจสอบในระยะยาวเพื่อระบุรุนแรงของนักเรียนที่มีความเสี่ยง ตัวอย่าง อนาคตนักเรียนอาจโพสต์เข้ามาและอื่น ๆ จำนวนกว่า90 เปอร์เซ็นต์ของพวกเขากำลังศึกษาปัญหาหรือลบอารมณ์ กรณีนี้สามารถตรวจจับโดยใช้เครื่องตรวจจับที่แสดงที่นี่ ชุดข้อมูลของเราเพอร์ดูเฉพาะเวลาน้อยกว่าสองเดือน อย่างไรก็ตาม รุนแรงอาจปรากฏเฉพาะครั้งเดียวในการในขณะที่ขึ้นอยู่กับบรรยากาศสถาบัน เพิ่มเติมตัดสินใจต้องทำเกี่ยวกับสิ่งที่นับว่ารุนแรงกรณี การใดไม่แทรกแซงเป็นสิ่งจำเป็น วิธีการป้องกันนักเรียนส่วนตัว และสะดวกสบายอย่างไรจะเกี่ยวกับงานวิจัยเหล่านี้

ผลลัพธ์ (ไทย) 2:

มะเดื่อ. 5 และตารางที่ 6
แสดงให้เห็นว่าวิธีการของเรามีความสามารถในการตรวจสอบปัญหานักเรียนที่มีศักยภาพจากทวิตเตอร์. แต่เราไม่ได้พยายามที่จะทำให้การเรียกร้องที่ผู้ใช้เหล่านี้แสดงให้เห็นว่าเป็นมั่นเหมาะนักเรียนที่มีความเสี่ยงเนื่องจากส่วนใหญ่เหล่านี้เฉพาะผู้ใช้โพสต์น้อยกว่า10 เปอร์เซ็นต์ของปัญหาที่เกิดขึ้นในหมู่ทวีตทั้งหมดที่พวกเขาได้โพสต์ เครื่องตรวจจับผ่านการฝึกอบรมสามารถนำมาใช้เป็นกลไกการตรวจสอบในระยะยาวในการระบุกรณีที่รุนแรงของนักเรียนที่มีความเสี่ยง ยกตัวอย่างเช่นในอนาคตนักเรียนสามารถโพสต์เป็นจำนวนมากของทวิตเตอร์และอื่น ๆ กว่าร้อยละ90 ของพวกเขาเกี่ยวกับปัญหาการศึกษาหรือเชิงลบอารมณ์ กรณีนี้สามารถตรวจพบการใช้เครื่องตรวจจับที่นำเสนอที่นี่ เพอร์ดูข้อมูลของเราตั้งเท่านั้นเวลาน้อยกว่าสองเดือน อย่างไรก็ตามกรณีที่รุนแรงอาจจะปรากฏครั้งเดียวในขณะที่ขึ้นอยู่กับบรรยากาศที่สถาบัน นอกจากนี้การตัดสินใจจะต้องทำเกี่ยวกับสิ่งที่นับเป็นความรุนแรงกรณีสิ่งที่ขอบเขตไม่แทรกแซงเป็นสิ่งจำเป็นวิธีการที่จะปกป้องความเป็นส่วนตัวของนักเรียนและวิธีการที่พวกเขามีความสะดวกสบายเกี่ยวกับการแทรกแซงเหล่านี้

ผลลัพธ์ (ไทย) 3:

รูปที่ 5 และ 6 แสดงให้เห็นถึงวิธีการที่โต๊ะของเราได้ความสามารถในการตรวจสอบปัญหาของนักเรียนที่อาจเกิดขึ้นจากข้อความแต่เราไม่พยายามที่จะทำให้การเรียกร้องว่าผู้ใช้เหล่านี้แสดงเป็นนักเรียนกลุ่มเสี่ยง เนื่องจากส่วนใหญ่เหล่านี้ผู้ใช้โพสต์เพียงน้อยกว่า 10 เปอร์เซ็นต์ของปัญหาระหว่างบทความทั้งหมดที่พวกเขาได้โพสต์ อุปกรณ์การฝึกอบรมสามารถใช้เป็นกลไกในการใช้เพื่อระบุกรณีที่รุนแรงของนักเรียนกลุ่มเสี่ยง . ตัวอย่างเช่น , อนาคตนักศึกษาสามารถโพสต์จำนวนมากของทวีตและมากกว่า90 เปอร์เซ็นต์ของพวกเขาเกี่ยวกับปัญหาการศึกษา หรือ ลบอารมณ์ กรณีนี้สามารถตรวจพบได้โดยใช้เครื่องแสดงที่นี่ ข้อมูล Purdue ของเราตั้งใช้เวลาน้อยกว่าสองเดือน อย่างไรก็ตาม กรณีที่รุนแรงอาจปรากฏเฉพาะเมื่อในในขณะที่ขึ้นอยู่กับบรรยากาศที่สถาบัน เพิ่มเติมการตัดสินใจต้องทำเกี่ยวกับสิ่งที่ถือว่าเป็นรุนแรงกรณี , สิ่งที่ขอบเขตจะแทรกแซงเป็นยังไงปกป้องความเป็นส่วนตัวของนักเรียนและวิธีการที่สะดวกสบายที่พวกเขาเป็นเกี่ยวกับการแทรกแซงเหล่านี้