该研究使用马尔可夫链模型作为创新方法进行入学人数预测，该方法在 Eastern Michigan University 的案例研究中得到了详细描述。尽管受到 COVID-19 等外部不确定性的挑战，马尔可夫链模型展现了令人印象深刻的准确性，预测结果与实际入学人数的平均差值不到 1%。研究最后讨论了未来的方向和机构间的合作机会。

May, 2024

考虑到学习者参与可以对学习者和教师带来共同的利益，本文提出了一个通用的轻量级模型，以选择和处理特征来检测学习者的参与度，同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频，该模型能够捕捉学习者参与度的动态本质。此外，本文提出了一个适应策略，以通过利用与教育相关的数据集的情感状态来找到新的标签，从而提高模型的判断能力。该模型在特定实现中取得了 68.57％的准确率，并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。

May, 2024

我们提出了一种新的通过学生动作识别来衡量行为参与度的技术。该方法通过识别学生的动作来预测学生的行为参与水平，并利用 3D 卷积神经网络模型对学生上身动作进行建模和识别。通过构建动作的直方图并使用 SVM 分类器来判断学生是否参与，实验证明学生动作可以达到 83.63% 的准确率，并且该方法能够捕捉到班级的平均参与度。

Jul, 2023

本文提出了基于深度学习的机器学习模型，通过单个学生的角色和行为注释来自动确定小组整体合作质量。然而，在建立这些模型时，我们遇到了一些挑战，包括有限的训练数据和严重的类标签不平衡问题等。为了解决这些挑战，我们使用了 Mixup 数据扩充，并研究了在此基础上使用有序交叉熵损失函数的效果。

Jul, 2020

在分布式数据中，通过结构化数据进行 EM 估计的集群结构可有效提高学习方案，最多需要 O (1) 次迭代以达到相同的统计准确性，只要 m 按照 e^{o (n)} 增长。

Aug, 2023

本文探索了建立教育领域中基于人口特征 (即与个体学习背景无关) 的参与度的预测模型，并提出了跨模态和模态特定特征集来实现这一任务。通过量化学习者参与度信号并进行灵敏度分析，最终表明该模型具有良好的性能，并可以轻松地集成到开放教育资源的推荐系统中。

May, 2020

本文提出一种使用口袋词模型的非时序方法来分析学生情感和行为状态的视频，以测量他们的学习参与度，相较于已有的时序方法，本方法在两个数据集上都展现了更优的分类准确性。

Jan, 2023

该研究提出了一种将学习行为分析与机器学习算法相结合的综合框架，以提高学生在线学习表现的预测准确性，并通过对 edX 平台上真实数据集的应用，证明了该框架相对于直接应用机器学习方法的优越性。

Mar, 2024

通过生态瞬时评估 (EMA) 研究，通过跨多个个体收集了大量的时序数据，持续监测情绪行为的各种项目。研究表明，将相似个体的附加信息聚集在一起，可以提高模型的预测性能，从而改善个体的描述。本文研究基于模型的聚类方法，并使用内在的聚类评估度量和下游预测方案的性能来分析这两种方法。结果显示，基于性能的聚类方法在所有评估度量方面均取得最佳结果。此外，通过将群组模型的性能与三种基准方案（个性化、整体群组和随机群组）进行比较，再次确认了聚类方法的优越性，表明利用群组信息可以有效提高所有个体数据的整体性能。

Oct, 2023

我们提出了一种名为 TRACED 的模型，借助基于 markov chain 的 knowledge tracing 来跟踪学生各项知识点的理解概率，通过 LSTM 解决了 explanatory away 问题，同时采用了一个新的三元交互策略来提高对学生习题情况的建模精度，试验表明 TRACED 能在学生成绩预测和自动反馈方面优于现有的知识追踪方法。

Feb, 2023