本篇论文研究了基于领域自适应框架的实时在线课程学生表现预测问题,提出了一种 GritNet 模型和一种无监督的领域自适应方法,通过在前一个课程上训练过的 GritNet 模型,预测不同课程中的学生表现,并取得了良好的预测效果。
Apr, 2019
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
本文通过使用不同的深度神经网络模型,包括 TextCNN、Bi-GRU-LSTM-CNN 和 Bi-GRU-CNN 以及各种预训练的单词嵌入来研究职业预测。此外,我们还提出了一个简单有效的组合模型。实验结果表明,我们的提出的组合模型取得了最高的 F1 分数为 72.71%。
Dec, 2019
研究如何使用 Wide & Deep 模型自动化判断在线一对一数学课堂中学生掌握情况的过程,并根据预测表示进行实验验证并展示了该模型在不同评价指标下的优越性和可用性。
Jul, 2022
本研究提出了 MAYA 预测框架,该框架通过将学术表现嵌入到统一空间中,采用生成对抗网络(GAN)解决了课程异质性问题,采用带有新型 dropout 机制的 LSTM 综合捕捉学期间的顺序信息,并设计基于偏见的正则化来捕捉就业市场的偏见。 在大规模教育数据集上进行了广泛的实验,结果证明了此预测框架的有效性。
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
研究比较了多种不同的深度学习模型,发现在预测业务流程中下一步活动的性质和时间戳时,简单的多层感知器(MLP)往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时,需要注意在业务流程的不同阶段进行反思和评估。
Feb, 2021
本文介绍了一种组合 DNN、XGBoost 和差异性计算技术的集成方法,用于估计预测的不确定性、提高准确性并提供预期变化的区间,其计算简单,适用于小数据集且性能提升显著,且模型的预测区间可平均包括实际值的 71%和 78%。
Oct, 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