基于机器学习的学生成绩预测:案例研究
研究了高等教育中学生保留率的问题,通过学习历史记录数据和其他信息预测学生成绩,发现了教师特征和学生表现之间的强烈联系,探索了预测模型并发现了能够准确预测成绩的混合方法。
Apr, 2016
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
使用深度学习技术(CNN 和 RNN-LSTM)预测在线课程传递中学生的绩效,通过三个不同地区收集的数据集,实验结果表明深度学习模型在两个数据集中优于其他优化的传统机器学习模型,并在第三个数据集上具有可比性的性能。
Jan, 2024
本研究基于巴西大学的 248730 条记录,探讨了通过遗传算法与 LSTM 模型来预测学生表现、通过 BERT 模型进行课程相似度计算、并利用 TextRazor/SemRefD 工具对必修课程进行先修关系鉴定。研究结果表明:在学生辍学预测中,本文的方法比 Manrique 的方法准确率提高了 2.5%;通过课程描述可以揭示课程之间的相似度;对澳大利亚国立大学的三门必修课程进行了先修关系的确定。
May, 2022
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
使用混合推荐系统,结合协同过滤与基于内容过滤的方法,根据学生和课程信息,通过遗传算法自动发现最佳配置,以更可靠地推荐最适合的课程。实验结果表明,混合模型在课程推荐中的重要性,使用该模型相较于之前的模型表现出色。
Feb, 2024
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
该研究提出了一种将学习行为分析与机器学习算法相结合的综合框架,以提高学生在线学习表现的预测准确性,并通过对 edX 平台上真实数据集的应用,证明了该框架相对于直接应用机器学习方法的优越性。
Mar, 2024
本文介绍了一种基于机器学习的课程分配机制,将 Course Match 机制与基于机器学习的偏好引导模块相结合,实现个性化的查询,其结果显示,相比于 Course Match,MLCM 可将平均学生效用提高 4%-9%,并可将最小学生效用提高 10%-21%。
Oct, 2022