Apr, 2023

使用机器学习算法的预测模型，鉴别学生通过学期课程的概率

PDF
TL;DR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。
predictive modeldata miningclassificationeducation systemsstudent performance
发现论文，激发创造
  • 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

  • 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

  • 基于机器学习的学生成绩预测：案例研究

    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

  • 在线课程中学生成绩预测的深度学习方法：基于全球视角 的挑战

    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

  • 运用人工智能与语义技术提高学生学术表现

    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

  • 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

  • MOOCs 中的 Dropout 模型评估

    本文提出了一种统计测试假设模型性能的过程，该过程超越了社区中的实践状态，分析了来自大规模在线开放课程（MOOC）的一系列算法和特征集。该方法揭示了论坛、作业和点击流基于特征提取方法之间的严重差距，其中后者明显优于前两者，而前两者相互之间无法区分，并为评估学生成功的预测或基于 AI 的模型以及设计和针对处于风险中的学生模型和干预措施的实践影响提供了方法论和实践上的启示。

    Feb, 2018

  • 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

  • 大学生退学原因预测及相关因素分析的机器学习技术应用

    大学辍学预测使用学术、人口统计、社会经济和宏观经济数据类型，通过训练四个二元分类器来预测学生是否会毕业或辍学，结果发现学术数据类型对模型性能最有影响。

    Oct, 2023