Mar, 2024

ClickTree: 基于点击流数据的预测数学学生表现的基于树的方法

PDF
TL;DR基于学生点击流数据开发了一种树状方法（ClickTree）来预测数学作业中学生的表现，该方法利用了问题级别、任务级别和学生级别的特征，并在教育数据挖掘杯 2023 比赛中取得了 0.78844 的 AUC，排名第二。结果表明，学生在选定特定答案子集和代数 II 问题主题上遇到更多困难，而表现优异的学生在完成单元内作业和正确回答问题上积极参与，而困难的学生则更多地请求辅导。该方法可以改善学生的学习体验，并将上述洞察力整合到数学课程中以提高学生的学习成果。
发现论文，激发创造
  • 使用点击流数据分析混合课程中学生的策略

    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

  • 基于树型方法的广告预测历史特征自动生成

    通过计数键选择方法，提高广告历史特征的构建效率，并通过决策树模型训练及基于频率的重要性度量，选择个性化计数特征，在 Twitter 视频广告数据上验证，自动识别的计数特征优于手动筛选的特征，可用于广告点击率预测。

    Dec, 2020

  • 数据、树和森林 -- K-12 教育中的决策树学习

    为了帮助 K-12 学生更好地了解机器学习相关现象及对社会的影响，本文提出了一种基于决策树学习的寓教于乐，便于理解且能激励学生主动应用机器学习方法的教学概念。

    May, 2023

  • 使用点击模型对排名策略进行离线评估

    本文提出了一种评估算法来预测历史日志数据中排名列表上的点击数，并使用用户与项目列表的交互模型来构建统计效率更高的估计器。实验结果表明，相对于先前的估计器，该算法具有更高的性能表现。

    Apr, 2018

  • 对齐教师话语以支持严格思维与学生内容掌握，预测数学成就

    本研究探讨了教学对话与学生的近距离知识如何相互作用，从而解释和预测学生的学习成果。研究结果表明，鼓励严谨思考的教学对话促进了学生在数学学习中的成就，而导师对学生的数学思想和贡献的重述对低程度的智能辅导系统掌握的学生起到了预测作用。

    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

  • 提高分类树的精度

    提出了四种改善模型精度的技术，在真实和模拟数据集上与树集成等其他算法进行对比，以提高分类树中选择关键预测变量和识别有趣的子组的能力。

    Nov, 2010

  • 基于树结构深度模型的推荐系统学习

    本文提出一种基于树的方法来解决推荐系统中引入更多表现形式且更为复杂的模型（例如深度神经网络）时所面临的计算困难问题。我们的方法可以提供对数级的计算复杂度，并在两个大规模真实世界数据集上取得了较好的实验效果，同时在淘宝广告平台的在线 A/B 测试中也证明了它在生产环境下的有效性。

    Jan, 2018

  • 使用属性选择和多模态数据源集成改进智能辅导系统中的学生表现预测

    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

  • Web 搜索中的图增强点击模型

    本文提出了一种基于神经网络和图增强的点击模型 (GraphCM)，通过在构造的同质图中提取查询和文档之间的信息，分别对吸引力评估器和考试预测器进行建模，通过组合功能将考试概率和吸引力评分融合到点击预测中，综合实验结果表明其在处理数据稀疏性和冷启动问题方面具有优越性能。

    Jun, 2022