Oct, 2022

高等教育学生支持推荐系统本科数据收集策略框架

PDF
TL;DR本文旨在提出适用于高等教育推荐系统的数据收集框架，以减少收集偏差、了解学生特征并找到对学生旅程产生最佳影响的理想方式，以应对学生支持策略的可伸缩性问题。
student supportdropoutrecommender systemshigher educationdata collection
发现论文，激发创造
  • 基于目标的课程推荐

    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

  • 基于推荐系统的下一学期学生成绩预测

    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

  • 学生成功建模：最重要的因素

    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

  • 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

    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

  • 使用混合多准则推荐系统与遗传优化帮助大学生选择选修课程

    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

  • 在学生退学预测的背景下评估分裂方法

    通过使用机器学习技术来预测学术退学现象，本文研究了学术数据的分割和使用策略，揭示了基于时间轴的分割和选择学生的增量学术历史记录是此问题的最佳策略。

    May, 2023

  • 关于概念化和电子学习中学习路径推荐系统的概述

    通过调查研究项目的方式，我们提出了一个学习路径的概念，并在这一背景下嵌入了五种不同的推荐系统，以促进学生的学习和理解。

    Jun, 2024

  • 高等教育决策中算法的人本评估

    本文对高等教育中决策制定算法进行了系统性的综述，发现这些算法趋向于深度学习和对学生的个人数据和受保护属性的使用，但当前算法的发展普遍缺乏以人为中心的理论，参与式或推测性设计，并探讨了这些趋势所带来的挑战，主张采用以人为中心的方法。

    Feb, 2023

  • 个性化课程顺序推荐

    本文提供了一种系统的方法，使用前向搜索反向归纳算法优化选择课程序列，结合多臂赌博机算法推荐个性化课程序列，从真实的学生数据实证了该算法优于其他无法考虑学生背景信息的方法。

    Dec, 2015

  • 大学辍学预测中的时间变异性和群组间变异性

    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