Massive Open Online Courses (MOOCs) have received widespread attention for their potential to scale higher education, with multiple platforms such as Coursera, edX and Udacity recently appearing. Despite their successes, a major problem faced by MOOCs is low completion rates. In this paper, we explore the accurate early identification of students who are at risk of not completing courses. We build predictive models weekly, over multiple offerings of a course. Furthermore, we envision student interventions that present meaningful probabilities of failure, enacted only for marginal students.To be effective, predicted probabilities must be both well-calibrated and smoothed across weeks.Based on logistic regression, we propose two transfer learning algorithms to trade-off smoothness and accuracy by adding a regularization term to minimize the difference of failure probabilities between consecutive weeks. Experimental results on two offerings of a Coursera MOOC establish the effectiveness of our algorithms.

Designing compounds with a range of desirable properties is a fundamental challenge in drug discovery. In pre-clinical early drug discovery, novel compounds are often designed based on an already existing promising starting compound through structural modifications for further property optimization. Recently, transformer-based deep learning models have been explored for the task of molecular optimization by training on pairs of similar molecules. This provides a starting point for generating similar molecules to a given input molecule, but has limited flexibility regarding user-defined property profiles. Here, we evaluate the effect of reinforcement learning on transformer-based molecular generative models. The generative model can be considered as a pre-trained model with knowledge of the chemical space close to an input compound, while reinforcement learning can be viewed as a tuning phase, steering the model towards chemical space with user-specific desirable properties. The evaluation of two distinct tasks-molecular optimization and scaffold discovery-suggest that reinforcement learning could guide the transformer-based generative model towards the generation of more compounds of interest. Additionally, the impact of pre-trained models, learning steps and learning rates are investigated.Scientific contributionOur study investigates the effect of reinforcement learning on a transformer-based generative model initially trained for generating molecules similar to starting molecules. The reinforcement learning framework is applied to facilitate multiparameter optimisation of starting molecules. This approach allows for more flexibility for optimizing user-specific property profiles and helps finding more ideas of interest.

Abstract Compositions and morphologies of Pt‐based electrocatalysts have great impact on the electrocatalytic activity and stability of oxygen reduction reaction (ORR). Herein, we report a novel design of one‐dimensional (1D) Pt–Pd dendritic nanotubular heterostructures (DTHs) by controlling the degree of Pt 2+ ‐Pt reduction reaction and Pd‐Pt galvanic replacement reaction with uniform Pd nanowires as sacrificial templates. The obtained Pt–Pd bimetallic DTHs catalyst exhibited uniform and dense Pt dendritic nanobranches on the surface of 1D hollow Pt–Pd alloy nanotubes, possessing superior catalytic activity for ORR compared to state‐of‐the‐art commercial Pt/C catalysts. Typically, the Pt 4 Pd DTHs catalyst showed efficient mass activity (MA, 1.05 A mg Pt −1 ) and specific activity (SA, 1.25 mA cm Pt −2 ) at 0.9 V (vs. RHE), and the catalyst exhibited high stability with 90.4% MA retention after 20 000 potential cycles. The Pt–Pd bimetallic DTHs configuration combines the advantages of 1D hollow nanostructures and dense Pt dendritic nanobranches, which results in rich electrochemical active surface sites, fast charge transport, and multiple dendritic anchoring points contact on carbon support, thus boosting its catalytic activity and stability towards electrocatalysis.

How many near-neighbors does a molecule have? This fundamental question in chemistry is crucial for molecular optimization problems under the similarity principle assumption. Generative models can sample molecules from a vast chemical space but lack explicit knowledge about molecular similarity. Therefore, these models need guidance from reinforcement learning to sample a relevant similar chemical space. However, they still miss a mechanism to measure the coverage of a specific region of the chemical space. To overcome these limitations, a source-target molecular transformer model, regularized via a similarity kernel function, is proposed. Trained on a largest dataset of ≥200 billion molecular pairs, the model enforces a direct relationship between generating a target molecule and its similarity to a source molecule. Results indicate that the regularization term significantly improves the correlation between generation probability and molecular similarity, enabling exhaustive exploration of molecule near-neighborhoods. Understanding molecular near neighbours is key for molecular optimization. Here, authors propose a transformer model that improves correlation between generation probability and molecular similarity, enhancing exploration of molecular neighbourhoods.

Amidst the rapid advancements in the fields of photovoltaics and optoelectronic devices, CsPbBr3 nanosheets (NSs) have emerged as a focal point of research due to their exceptional optical and electronic properties. This work explores the application potential of CsPbBr3 NSs in photonic and catalytic domains. Utilizing an optimized hot-injection method and a ZnBr2-assisted in situ passivation strategy, we successfully synthesized CsPbBr3 NSs with controlled dimensions and optical characteristics. Comprehensive characterization revealed that the nucleation environment and thickness significantly influenced the structure and optical performance of the materials. The results indicate that the optimized synthesis method enables control over the lateral dimensions of the nanoparticles, ranging from 9.1 ± 0.06 nm to 334.5 ± 4.40 nm, facilitating the tuning of the excitation wavelength from 460 nm (blue) to 510 nm (green). Further analyses involving photoresponse and electrochemical impedance spectroscopy demonstrated the substantial potential of these NSs in applications such as photocatalysis and energy conversion.

Purpose On the basis of demand survey feedback from individuals with disabilities and caregivers, this study designed two sets of functional garments for long-term bedridden patients, with the primary objective of increasing convenience and reducing the physical workload of caregivers. Design/methodology/approach Wear trials were conducted by employing 24 subjects to perform 11 different tasks to compare the performance of the two newly developed garments with that of conventional hospital patient apparel. Task operation time, heart rate (HR), electromyography (EMG) signals, and subjective perceptions were evaluated. Findings The new functional garments reduced the time required to perform tasks by 29–79%, maintained the average HR of caregivers at approximately the resting threshold and resulted in a 37–74% reduction in the root mean square (RMS) of the EMG at the arm muscles in the private and thigh nursing tasks. All the subjective and objective evaluation results of the caregivers demonstrated varying degrees of correlation. Practical implications This study has practical implications for the design of functional clothing for long-term bedridden patients and provides guidance for evaluating the ergonomics of garments that can be utilized only with caregiver support. Originality/value In contrast to previous studies that focused primarily on individuals with disabilities while overlooking the indispensable role of caregivers in the nursing process, this study shifted its emphasis to long-term bedridden patients who relied exclusively on caregivers for daily activities. Additionally, this study attempted to analyze the correlations between the evaluation parameters to explore the relationships between the evaluation methods.