基于动机的机器学习方法预测学生的学术表现和学习策略
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
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
机器学习和深度学习模型在教育领域中非常重要,尤其是在预测学生成功方面。本研究通过使用九种不同的解释方法并进行综合分析,探索这些方法在生成解释过程中之间的一致性与预测模型性能之间的相关性。运用 Spearman 相关性分析,我们的发现显示模型的性能与解释方法之间的一致性水平存在非常强的相关性。
May, 2024
本研究旨在使用来自智能教学系统的多种数据源来预测大学生的学习表现。通过采集和预处理来自 40 名学生的多模式数据,包括系统日志中的学习策略,面部录像中的情绪,眼动追踪中的交互区域以及最终知识评估中的测试表现。我们的目标是通过使用属性选择和分类集成来提高预测效果。通过将六种分类算法应用于数字化和离散化的预处理的多模式数据,我们进行了三次实验。结果表明,使用集成和选择最佳属性的方法对数字化数据进行预测能够获得最佳效果。
Feb, 2024
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
机器学习在足球比赛结果预测中已成为一种常见方法,本章讨论了该领域中可用的数据集、模型类型和特征以及评估模型性能的方法。研究发现,目前基于渐变提升树模型(如 CatBoost)和特定于足球比赛的评分(如 pi - 评分)的机器学习模型在只包含进球作为比赛特征的数据集上表现最佳,但需要更详细比较深度学习模型和随机森林在不同类型特征数据集上的性能。此外,可以进一步研究新的评分系统,其中包括球员和团队级别信息,并融合来自时空追踪和事件数据的附加信息。最后,需要提高比赛结果预测模型的可解释性,以使其对团队管理更有用。
Mar, 2024
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