Sep, 2023

学生成功建模：最重要的因素

PDF
TL;DR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。
retention ratedeep learning modelpredictive methodslstmeducational outcomes
发现论文，激发创造
  • 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

  • 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

  • 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

  • 机器学习早在小学毕业就能预测中学辍学

    教育在减轻贫困、推动经济增长和赋予个人力量方面发挥着关键作用，然而，学校辍学的持续问题带来了重大挑战，本研究在 13 年的纵向数据集基础上通过机器学习模型的开发展现出显著的分类能力，未来这样的模型有可能支持教育工作者识别处于风险之中的学生，以改善教育结果。

    Mar, 2024

  • 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

  • MOOC 学生退学预测的深度挖掘

    本研究分析了自动化 MOOC 退课预测器的准确性估计，并比较了标准的退课预测架构在四种不同的训练范式下的准确性，结果表明，在真实情境中，“事后” 训练和测试可能会高估准确度，而基于学生持续性的代理标签训练的退学分类器也能与基于事后训练的预测器竞争，并且分类器性能不随学科而变化。最后，基于深度全连接前馈神经网络研究新的退课预测体系结构，发现比逻辑回归有更高的测试准确率。

    Feb, 2017

  • 大学辍学预测模型是否应包含受保护属性？

    本文探讨了在大型美国研究型大学的简历中是否包含受保护属性是否会在预测学生退学方面造成歧视性，研究表明在预测表现和算法公平性方面，包含受保护属性不会影响总体表现，局部情况需要针对性评估和分析。

    Mar, 2021

  • 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

  • 利用多任务多模态神经融合对教育数据库中的大学生留存风险进行分析

    利用多模态时空神经融合网络开发了多任务学习模型 (MSNF-MTCL), 通过结合 BERT 和 LSTM 对学生的学术信息进行建模，可以预测 5 种重要的学生保留风险。该模型在数据量达 36,445 个学生的教育数据库上表现良好，且考虑到了偏见问题。

    Sep, 2021

  • 大规模开放在线课程中的停学预测

    本研究描述了一个可扩展的模型，从原始数据到模型分析的端对端停止预测方法，该方法在六 002x 秋季课程中实现了高达 0.95 的 AUC，可以预测甚至少于一周的 MOOC 停课情况。

    Aug, 2014