AAAIMay, 2021

使用逻辑回归建模 EdNet 数据集

PDF
TL;DR这篇论文从教育数据挖掘的角度描述了面临的挑战、方法和思考，提出了基于模型预测的决策规则和最优决策规则的重要性，并探讨了 Kaggle 系统等基本结果。
neural network modelseducational data miningkaggle systemlearner model predictionsoptimal decision rules
发现论文，激发创造
  • 教育数据科学的深度学习

    深度学习应用于教育数据科学的调查和讨论，主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。

    Apr, 2024

  • 需要深入吗？利用大数据进行知识追踪

    本研究利用 EdNet 数据集比较传统逻辑回归模型和深度神经网络模型在预测学生表现方面的效果，结果发现经过特征工程的传统模型表现更优，并运用 LIME 技术对模型的影响进行了解释研究。

    Jan, 2021

  • 基于 Transformer 神经网络的公平分类：教育领域案例研究

    本论文旨在研究机器学习模型在教育领域的应用中可能存在的偏见以及公平性问题，并通过对转换神经网络模型在两个表格数据集中的应用实践，展示了公平性和分类性能之间的权衡关系。

    Jun, 2022

  • 破解黑匣子：梳理深入体育分析

    研究关注于解决深度学习在运动分析中精度和透明度的权衡问题，并且构建一种基于模型树的简单透明模型，以实现高保真输出、自我解释和为运动员和教练等专家利益相关者提供见解的目标。

    Jun, 2020

  • 游戏化学习环境中学生表现建模

    研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用，使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现，通过适当的数据预处理技术提高非深度学习模型的性能，提供优化教育游戏体验的见解，以促进学生成果和技能发展。

    Sep, 2023

  • 利用决策建模挽救数据科学

    本文提倡数据科学领域采用 AI 中的贝叶斯方法以建立一个新的应用研究方案，其中包含六个决策质量原则，称为 “决策建模”，并以 ROC 曲线和效用模型为例。

    Jun, 2023

  • 训练公平神经网络的技术挑战

    机器学习算法已被广泛应用在各种领域，然而由此带来的公平性问题在高风险案例（如人脸识别和医学影像分析）中引起了极大关注。本文针对深度神经网络中公平性的限制条件及其行为矫正方法的有效性进行了研究，实验结果表明，在特定公平度量下，大型模型会对公平的过度拟合而产生一系列意外和不良后果。

    Feb, 2021

  • 运用可解释模型预测排球比赛结果的案例研究

    本文探讨了一种两阶段的可解释的人工智能方法，用于预测巴西排球联赛中比赛的结果。该方法使用支持向量机和深度神经网络来获得预测性能，并使用 ProtoDash 和 SHAP 构建数据实例的后处理解释说明模型的预测。结果表明，模型预测的解释有效。

    Jun, 2022

  • 解释 EdNet 数据集上的 Deep Knowledge Tracing 模型

    这篇论文介绍了如何通过使用新的 EdNet 数据集，对知识追踪模型进行建模和解释，并展示了解释技术的有效性，并提出更多问题和任务值得进一步研究和完成。

    Oct, 2021

  • 针对网络入侵检测系统的逼真对抗攻击建模

    通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

    Jun, 2021