马尔可夫链模型在招生预测中的应用实践
利用基于模型的聚类方法,通过生成混合马尔可夫模型对学生的(非)参与行为进行分组,通过预处理和 EM 算法初始化的方法来提高聚类效果,并通过马尔可夫链可视化学生的参与行为。
Feb, 2024
该论文介绍了一种用于从静态图结构数据中提取重叠社区结构的边缘划分模型,通过使用 Dirichlet 先验规范,结合时间演化行为和负二项分布增广技术,提出了负二项分布增广技术的吉布斯采样器和用于可伸缩推理的随机梯度马尔可夫链蒙特卡罗算法,并证明这些方法在链路预测方面具有竞争性的性能而且速度更快。
Feb, 2024
本论文提出一种利用 Markov Chain Monte Carlo 方法将诊断代码分组的新方法,以改善风险调整,并通过来自哥伦比亚卫生保健系统的 50 万名被保险人的面板数据对我们的方法的表现进行测试,结果表明我们的方法胜过常见的替代方法,并表明其有潜力改善患有慢性病的人们的医疗保健。
Nov, 2018
该研究旨在探讨早期回答如何影响测试、调查和问卷调查中后续答案的锚定作用,介绍了来自量子物理学的非交换可观测物的概念,并倡导利用一阶马尔科夫链模型来捕捉测试和调查回答中的顺序依赖关系,以此推进我们对心理研究中序列数据固有动态的理解,并为测试和问卷调查的纵向分析提供了一个方法学框架。
Mar, 2024
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
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
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。
Sep, 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