Dec, 2023

利用模糊逻辑对学生的学业成绩进行聚类

PDF
TL;DR使用模糊逻辑开发了一个用于根据教育成就对学生进行聚类的 Python 软件，该软件使用 Google Colab 云服务开发。通过分析教育数据，解决了数据挖掘的问题，通过从大量数据样本中获取教育过程的一些特征。使用经典的 K-Means 方法在两个特征空间上进行数据聚类，获得的聚类通过模糊三角形隶属函数进行描述，从而正确确定每个学生属于某个聚类的成员资格。
发现论文，激发创造
  • 学生软件项目评估的模糊智能系统

    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

  • 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

  • 基于游戏化用户类型和学习风格的学生聚类

    本研究旨在使用游戏化用户类型和学习风格对学生进行聚类，以便为教师提供一种将学生分组的新视角，并解决在数据中存在多个尺度时无法手动进行聚类的问题。使用的数据包括一所土耳其州立大学的 251 名学生。在对学生进行分组时，采用了 K-means 聚类算法。为确定学生的游戏化用户类型和学习风格，分别使用了 Gamification User Type Hexad Scale 和 Grasha-Riechmann 学生学习风格量表。采用 Silhouette 系数作为聚类质量度量。经过多次算法拟合，得到的最高 Silhouette 系数为 0.12，意味着结果是中性但令人不满意的。所有的统计操作和数据可视化都是使用 Python 编程语言完成的。

    Oct, 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

    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。

    Apr, 2023

  • 应用模糊逻辑和专家知识推导血液病类别：基于全面的机器学习方法与 CBC 参数

    通过使用模糊逻辑规则结合医学专家领域知识，本文介绍了一种新方法来诊断血液病学状况，展示了高准确性的初步结果，强调了模糊逻辑在血液病学诊断中的潜力和优势。

    Jun, 2024

  • 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

  • 无聚类中心的模糊 K 均值聚类

    本文提出了一种新颖的模糊 K-Means 聚类算法，通过距离矩阵计算获得成员矩阵，从而完全消除了对聚类中心的依赖，增强了距离测量和算法的性能与鲁棒性。实验证明了该算法的有效性。

    Apr, 2024

  • 评估预测菲律宾学生学术表现的模型中的算法偏见

    这篇论文在亚洲学习环境中研究了机器学习模型中的算法偏见问题，通过分析学生活动数据，发现没有针对特定学生群体的等级预测不公平现象。

    May, 2024

  • 基于量子减法聚类的自适应神经模糊网络

    本文提出了一种自适应的神经模糊网络和一种改进的量子减法聚类，将数据挖掘技术与机器学习结合，发现模糊分类规则。实验结果表明，基于量子减法聚类的神经模糊网络具有较好的逼近和概括能力，并且与传统方法相比，模糊规则的数量和网络输出精度有显著降低。

    Jan, 2021

  • 融合多源多模态数据预测混合学习大学课程的学术表现

    我们应用数据融合方法，使用多源多模态数据从混合学习环境中预测大学生的最终学业表现。我们通过应用四种不同的数据融合方法和六种分类算法进行实验，结果表明，使用集成和选择最佳属性方法进行离散化数据的最佳预测模型显示出在理论课程中的注意力水平、Moodle 测验分数以及 Moodle 论坛中的活动水平是预测学生最终表现的最佳属性集。

    Feb, 2024