MMMar, 2024

将行为分析与机器学习相结合以预测在线学习表现：一项科学计量学回顾和实证研究

PDF
TL;DR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。
online learning performanceml algorithmslearning behavior analysisintegration frameworkprediction accuracy
发现论文，激发创造
  • 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

  • 在线课程中学生成绩预测的深度学习方法：基于全球视角 的挑战

    使用深度学习技术（CNN 和 RNN-LSTM）预测在线课程传递中学生的绩效，通过三个不同地区收集的数据集，实验结果表明深度学习模型在两个数据集中优于其他优化的传统机器学习模型，并在第三个数据集上具有可比性的性能。

    Jan, 2024

  • 团队留存：在线问题导向学习竞赛中的辍学预测

    通过在线长期问题导向学习和机器人竞赛，三元方法的研究使用了 Discourse 讨论论坛和网络学习策略问卷（OSLQ）收集的数据，应用机器学习算法预测在线竞赛的辍学率，并验证了 OSLQ 的可靠性。

    Dec, 2023

  • 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

  • 利用生成人工智能模拟学生学习行为

    利用大型语言模型模拟学生学习行为，揭示学习行为与测试问题、课程材料、参与度和理解水平之间的关联，加深我们对大型语言模型的理解，展示其对学生模拟的可行性，从而为更具适应性的课程设计提供支持，增强包容性和教育效果。

    Oct, 2023

  • 基于注意力机制的个性化联邦学习在缓解学生表现预测中的偏见方面的应用

    本文提出一种优化预测能力以针对不同种族和性别等人群的学生表现的方法，通过联邦学习建立个性化学生模型，结合自我监督预训练和神经网络注意力机制，实现针对不同学生子群体的个性化模型派生，有效改善学生建模结果的预测能力。

    Aug, 2022

  • 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

  • 在线算法的机器学习预测定制化

    本研究探讨在机器学习算法中加入优化基准以提高在线算法的预测性能，以租赁或购买问题为例，并通过理论边界和数值模拟能够支持此发现。

    May, 2022

  • 游戏化学习环境中学生表现建模

    研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用，使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现，通过适当的数据预处理技术提高非深度学习模型的性能，提供优化教育游戏体验的见解，以促进学生成果和技能发展。

    Sep, 2023