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

本研究基于 Diderot 系统的细致记录，运用模式挖掘和自然语言处理方法，分析学生的行为互动并提取频繁出现策略，结果发现学生与老师的互动模式因测试类型而异，并且这些特点可用于预测学生成绩，揭示了混合课程中基于教育软件数据的数据分析对于了解学生行为和提升学习价值的重要性。

May, 2020

通过比较分析，本研究证明了生物启发式优化算法在慢性疾病预测的特征选择中的有效性，并强调了数据预处理的重要性，为提高医疗保健结果提供了宝贵的见解。

Dec, 2023

研究发现，在自然界的生物结构和功能中寻找灵感，运用进化算法等自然启发算法最终可以提高数据科学和数据分析的表现，其中特别关注了四种算法的优化应用 —— 特征选择、超参数调整、知识发现和聚类优化。

Feb, 2022

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

经过评估，本文旨在展示经典的机器学习算法（如决策树、Boosting、支持向量机、k 最近邻算法和浅层人工神经网络）在处理稀疏数据的分类任务中的效果，并观察数据噪声增加时对这些算法的影响，以及不同参数对分类准确性的提升。研究表明，即使在有限的数据集和嘈杂的环境下，这些经典算法依然具有很好的学习性能。

Sep, 2023

由于其收敛性和随机性，自然启发算法（NIAs）在解决组合优化问题中提供了最优结果，而且在机器人学中的路径规划问题中有广泛的应用。

Jul, 2023

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

该研究通过对各种基准套件的算法性能预测模型的泛化能力进行考察，比较问题集合的统计相似性和基于探索性景观分析特征的性能预测模型的准确性，我们发现这两个指标之间存在着正相关关系。具体来说，当训练和测试套件之间的高维特征值分布缺乏统计显著性时，模型往往能够很好地进行泛化，即测试误差与训练误差处于同一范围内。两个实验证实了这些发现：一个涉及标准基准套件 BBOB 和 CEC 集合，另一个使用了五个由 BBOB 问题实例的仿射组合构成的集合。

May, 2024

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023