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

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

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

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

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

开发软件项目允许学生将知识付诸实践并培养团队合作能力。本研究介绍了一个模糊智能系统，以面向对象编程和设计课程的学术软件项目作为例子，用于评估学生项目表现。该系统通过制定评估标准，将关键参数和可适用范围识别为模糊变量，并与专家合作定义一组模糊规则，以此标准化项目评估并减少主观偏见。

May, 2024

本文提出了一种智能系统评估通用双轴刻度。该刻度考虑了智能系统在环境背景下随时间发展的特性，强调了预期能力对于其计算能力的调节影响，并讨论了解决问题的正确性和适当性如何与解决能力本身的正确使用联系起来。

Sep, 2022

我们开发了一个 AI 辅助模型进行早期预测，以提供更好的职业建议，并通过计算机科学和软件工程学生的关键信息训练机器学习模型来预测职业发展路径，进而通过自然语言处理技术和深度学习算法分析，为教育咨询提供特定的职业建议，帮助个别计算机科学和软件工程学生找到适合的工作。

May, 2024

本研究提出了 MAYA 预测框架，该框架通过将学术表现嵌入到统一空间中，采用生成对抗网络（GAN）解决了课程异质性问题，采用带有新型 dropout 机制的 LSTM 综合捕捉学期间的顺序信息，并设计基于偏见的正则化来捕捉就业市场的偏见。 在大规模教育数据集上进行了广泛的实验，结果证明了此预测框架的有效性。

Dec, 2019

该研究探讨了意大利高中学生在数学和意大利语方面的能力对其大学入学选择的影响，特别关注科学、技术、工程和数学（STEM）课程。研究区分了高中科学和人文背景的学生，提供了对他们的入学偏好有价值的见解。此外，我们还调查了相似的以前教育选择和成就对不同性别学生的影响。研究采用梯度提升方法，该方法在预测性能和捕捉数据中的非线性关系方面表现出色，并且校正了与学生的社会人口特征和先前教育成就相关的变量。我们的分析揭示了根据高中以前的成就而存在的入学选择方面的显著差异。这些发现揭示了学术能力、性别和高中背景在塑造学生有关大学教育选择的复杂交互中的作用，对教育政策和未来研究有重要意义。

Feb, 2024