本研究采用机器学习的技术，运用协作过滤、矩阵分解和受限玻尔兹曼机等方法，对伊斯兰堡信息技术大学电气工程学院的学生进行预测某一门课程的成绩表现，并发现受限玻尔兹曼机的方法比其他方法更为准确。

Aug, 2017

利用深度学习模型和 LSTM 层，研究了大规模收集的 121 种不同类别的特征对高等教育学生保留率的影响，早期对毕业和风险学生的区分能力良好，在后期对退学和转学的区分能力依赖于随时间累积的数据，提供个体层面的预测并解决转学结果问题，为教育结果预测提供了新的见解。

Sep, 2023

本研究旨在建立一个可预测学生是否能在学期初始阶段通过其所选课程的模型。使用数据挖掘技术和决策树算法的分类方法，我们发现这个预测模型具有高可接受性、准确性和精度，对于学生学业表现的推进和教育体系的改善有重要意义。

Apr, 2023

通过建立循环神经网络推荐系统来为学生推荐课程，以帮助其准备所需的目标课程，这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的，并且通过等级预测和挖掘大学先修关系等测试进行验证。

Dec, 2018

该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生来说，大学 GPA 对预测具有更高的价值。

Jan, 2024

本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

Oct, 2022

本研究通过使用分解机（FM），一种回归或分类的模型，展示了它是目前已有的一些教育文献中现有模型的特例，可精确快速地估计学生知识，适用于多种知识组件和技能水平尝试的学生模型，提供了一个试验平台，以尝试新的特征组合，以改进现有模型。

Nov, 2018

大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型，通过训练四个二元分类器来预测学生是否会毕业或辍学，结果发现学术数据类型对模型性能最有影响。

Oct, 2023

本论文研究了基于矩阵分解的预测系统，旨在预测特定数据集上特定模型的分类准确性。通过超过 50 个数据集的全面实证研究，着重于研究三种基础机器学习算法（随机森林、XGBoost 和 MLP）的性能预测，包括粗调和变体微调模型的可预测性，利用特征提取技术实现 MLP 的可预测性，以及使用隐式反馈来预测模型性能。

Apr, 2023

基于协同过滤模型的课程推荐引擎的提出与优化，解决了缺乏评级和元数据、课程注册不平衡以及课程依赖性建模等挑战，并通过基于课程转换网络的图推荐器，实现了真实数据集 AUC 值高达 0.97。

Nov, 2023