Analyzing the Capabilities of Nature-inspired Feature Selection Algorithms in Predicting Student Performance
Georgia Institute of Technology(佐治亚理工学院)
本研究针对学生成绩预测场景,开发SIMLe引擎分析自然启发式特征选择算法与传统ML分类器结合的集成方法,在三类学生数据集上验证其可提升预测准确率且最多缩减65%特征规模。
2023-10-07 cs.AI cs.CY cs.LG
Evaluating Algorithmic Bias in Models for Predicting Academic Performance of Filipino Students
University of Pennsylvania(宾夕法尼亚大学);Kyushu University(九州大学);Sorbonne University(索邦大学);Ateneo de Manila University(雅典耀大学);LIP6(巴黎第六大学信息学实验室);ait.kyushu-u.ac.jp(九州大学先进信息技术研究所)
本研究针对亚洲教育场景中地区层面算法偏差研究不足的问题,基于菲律宾某大学5986名学生的Canvas LMS活动日志训练成绩预测模型,通过三项指标评估未发现地区相关的预测不公平性。
2024-07-15 cs.CY cs.LG
Predicting Student Performance Based on Online Study Habits: A Study of Blended Courses
在线工具为研究学生的学习习惯和解决问题的行为提供了独特的途径。在MOOC中,这些在线数据可用于通知教师并为学生提供自动指导。然而,这些技术可能不适用于面对面和在线组件的混合课程。我们报告的综合用户系统交互日志的研究,从3个计算机科学课程使用四个在线系统:LMS,论坛,版本控制,和家庭作业系统。我们的研究结果表明,学生很少在一个单一的会话中跨平台工作,最终的课堂表现可以从学生的系统使用预测。
2019-04-15 cs.CY
Likely to stop? Predicting Stopout in Massive Open Online Courses
Massachusetts Institute of Technology(麻省理工学院)
了解学生为什么会辍学将有助于了解学生如何在MOOC中学习。在这份报告中,作为3个单元纲要的一部分,我们描述了我们如何建立MOOC学生辍学的准确预测模型。我们记录了一个可扩展的,停止预测方法,端到端,从原始源数据模型分析。我们试图预测2012年秋季提供的6.002x的止损。这涉及到为数千名学生提取的超过25个预测特征的细致和众包工程,创建用于预测建模的时态和非时态数据表示,使用各种最先进的机器学习技术推导出超过1万个模型,并通过检查超过70000个模型来分析特征重要性。我们发现停止预测是一个容易处理的问题。当提前一周预测时,我们的模型实现了高达0.95(通常为0.88)的AUC(受试者工作特征曲线下面积)。即使是更困难的预测问题,例如仅用一周的数据预测课程结束时的停止,模型也达到了0.7的AUC。
2014-08-14 cs.CY cs.LG
Predicting academic success in Belgium and France Comparison and integration of variables related to student behavior
在比利时和法国的大学一年级学生中观察到低成功率,我们在本文中开发预测模型,以确定,在尽可能早的阶段,那些学生谁是在学年结束时失败的风险。我们应用不同的数据采掘技术来预测学生的学业成就。我们发现,这是很难预测的成功,只考虑在课堂上的行为相关的变量,这是必要的,以获得高质量的结果,增加有关个人的历史,参与和行为在他们的研究,和学术生活的看法变量。
2014-08-21 cs.CY
Decision Tree-Based Predictive Models for Academic Achievement Using College Students' Support Networks
Weber State University(韦伯州立大学);George Mason University(乔治梅森大学);Loyola Marymount University(洛约拉马利蒙特大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
在这项研究中,我们检查了在COVID-19大流行早期阶段从美国大西洋中部地区一所大型公立大学入学的484名学生收集的一组原始数据。这些数据被称为Ties数据,包括学生的人口统计和支持网络信息。支持网络数据包括强调支持类型的信息(即情感或教育;常规或强烈)。使用这个数据集,预测学生学业成绩的模型,通过他们自我报告的GPA量化,使用卡方自动交互检测(CHAID),一种决策树算法,和cforest,一种使用条件推理树的随机森林算法。我们比较的方法的准确性和变化的重要变量的集合建议每个算法。每种算法都发现了不同的变量,这些变量对不同的学生人口统计数据很重要,但有一些重叠。对于白人学生,不同类型的教育支持在预测学业成绩方面很重要,而对于非白人学生,不同类型的情感支持在预测学业成绩方面很重要。存在不同类型的常规支持是重要的,在预测学业成绩的cisgender女性,而不同类型的强烈支持是重要的cisgender男性预测学业成绩。
2022-09-12 cs.CY cs.LG stat.ML
Effects of personality traits in predicting grade retention of Brazilian students
Universidade de São Paulo(圣保罗大学);ClearSale(ClearSale公司);Advanced Institute for Artificial Intelligence(高级人工智能研究院);Experian DataLab(益博睿数据实验室)
学生的留级率是许多教育系统,特别是发展中国家教育系统面临的一个关键问题。在本文中,我们试图衡量学生的人格特质在预测在巴西的年级保留的相关性。为此,我们使用了2012年和2017年在巴西圣保罗州农村Sertaozinho市收集的数据。在Sertaozinho进行的调查包括几个社会经济问题,标准化测试和性格测试。此外,2012年学生在4、5和6年级。我们的方法是基于调查数据训练机器学习模型,使用2012年或之前的信息预测2012年至2017年之间的成绩保持率,然后使用一些策略量化人格特质的预测能力。我们的结论是,除了被证明比孤立的随机分类器更好之外,即使使用社会经济变量和标准化测试结果,人格特质也有助于预测。
2021-07-12 cs.CY cs.LG stat.AP
Predicting students' learning styles using regression techniques
Princess Sumaya University for Technology(苏玛雅公主科技大学);Applied Science Private University(应用科学私立大学)
传统的学习系统对COVID大流行做出了快速反应,并转向在线或远程学习。在线学习需要个性化的方法,因为学习者和教师之间的互动是最小的,学习者有一个特定的学习方法,最适合他们。个性化学习的方法之一是检测学习者的学习风格。为了检测学习风格,已经提出了几个作品使用分类技术。然而,当学习者没有主导风格或混合学习风格时,当前的检测模型变得无效。因此,本研究的目的是双重的。首先,构建一个基于回归分析的预测模型,提供了一个概率的方法来推断首选的学习风格。其次,比较了回归模型和分类模型在学习风格识别中的应用。地面我们的概念模型,一组机器学习算法已被实施的基础上收集的样本的72名学生使用视觉,听觉,阅读/写作,动觉(VARK的)库存问卷的数据集。结果表明,回归技术比分类算法更准确,更能代表现实世界的场景,学生可能有多种学习风格,但概率不同。我们相信,这项研究将有助于教育机构从事学习风格在教学过程中。
2022-09-12 cs.CY cs.LG
Predicting Student Performance in an Educational Game Using a Hidden Markov Model
University of California Los Angeles (UCLA)(加州大学洛杉矶分校(UCLA))
贡献:以往的教育研究大多采用横向研究的模式,即考察前测和后测的成绩。本文表明,学生的知识在整个干预可以估计时间序列分析使用隐马尔可夫模型。背景资料:分析时间序列和学生与游戏数据之间的相互作用可以获得仅通过考试的横截面研究无法获得的宝贵信息。研究问题:隐马尔可夫模型可以用来分析教育游戏吗?隐马尔可夫模型可以用来预测学生的表现吗?方法:这项研究进行了(N=854)的学生谁玩保存补丁游戏。学生们被分成一班和二班。一班的学生是那些在测试中得分低于二班的学生。分析是通过选择游戏的各种特征作为观察来完成的。研究结果:状态轨迹可以准确地预测学生的表现为1班和2班。
2019-04-24 cs.CY cs.LG stat.AP
Predicting Academic Performance for College Students: A Campus Behavior Perspective
及时发现学生的异常行为,并在早期提供个性化的干预和指导,是教育管理的重要内容。学习成绩预测是实现这种预先干预和指导的重要组成部分。以往的研究大多基于问卷调查和自我报告,存在样本量小和社会期望偏差的问题。本研究以6,597名学生的灵巧卡为研究对象,收集了学生的纵向行为数据,并提出了三种主要的区分性行为因素,即勤奋、有序和睡眠模式。实证分析表明,这些行为因素与学习成绩密切相关。在此基础上,我们以社会影响理论为依据,分析了每个学生的学习成绩与其行为相似的学生的学习成绩之间的相关性。统计检验表明这种相关性是显著的。基于这些因素,我们进一步建立了一个多任务预测框架的基础上学习排名算法的学习成绩预测。本研究以学生的学习成绩为研究对象,利用学期间、专业间的相关性,结合学生的相似性来预测学生的学习成绩。在大规模真实世界数据集上的实验表明,我们的方法用于预测学习成绩和建议的行为因素的有效性。
2019-03-15 cs.CY
A Comparative Analysis of classification data mining techniques : Deriving key factors useful for predicting students performance
Anjuman-I-Islam Kalsekar Technical Campus (AIKTC), Mumbai University(安朱曼伊斯兰卡尔塞卡尔技术学院(AIKTC),孟买大学);GIET, JNTU-HYD(GIET 工程技术学院,贾瓦哈拉尔·尼赫鲁理工大学海得拉巴分校)
选择工程作为学科的学生正在迅速增加。但由于各种因素和印度不适当的小学教育,失败率很高。由于复杂的数学科目,学生无法在核心工程方面出类拔萃。因此,他们在这些科目上失败了。借助数据采掘技术,我们可以预测学生的成绩和学科不及格情况。本文对朴素贝叶斯、LibSVM、J48、随机森林和JRip等分类技术进行了比较分析,并试图从中选择最佳方法。根据所获得的结果,我们发现,朴素贝叶斯是最准确的方法,在学生失败的预测和JRip是最准确的学生成绩预测。我们还发现,JRip在学生失败预测的准确性方面与朴素贝叶斯略有不同,并为我们提供了一套规则,从中我们可以得出影响学生表现的关键因素。最后,我们提出了各种方法来减轻这些因素。本研究仅限于印度教育系统的场景。然而,发现的因素在其他情况下也可能有帮助。
2016-11-11 cs.AI cs.CY cs.LG
Modeling and predicting students' engagement behaviors using mixture Markov models
National University of Computer and Emerging Sciences(巴基斯坦国立计算机与新兴科学大学);University of Cordoba(科尔多瓦大学)
本研究针对学生(非)参与行为的建模与预测问题,提出基于K-means初始化的K-EM混合马尔可夫模型聚类方法,在真实数据集上表现优于基线,还可通过聚类可视化获得行为洞见。
2024-02-10 cs.CY cs.LG
Predicting Student Dropout in Higher Education
每年,大约30%的一年级学生在美国学士学位机构没有返回他们的第二年,超过90亿美元用于教育这些学生。然而,很少有定量研究分析了学生流失的原因和可能的补救措施。在这里,我们描述了使用已知最大的高等教育流失数据集来模拟学生辍学的初步努力,该数据集跟踪了美国最大的公立大学之一的32,500多名学生的人口统计数据和成绩单记录。我们的研究结果突出了学生流失的几个早期指标,并表明即使预测是基于一个学期的成绩单数据,辍学也可以准确预测。这些结果突出了机器学习对学生保留和成功产生影响的潜力,同时为未来的工作指出了几个有希望的方向。
2017-03-07 cs.CY stat.ML
Predicting Long-Term Student Outcomes from Short-Term EdTech Log Data
Stanford University(斯坦福大学);War Child Alliance(战争儿童联盟);Carnegie Learning(卡内基学习公司)
本研究针对教育中稀疏延迟的长期学业成果难以及时预测的问题,提出利用学生最初2-5小时的EdTech使用日志构建机器学习预测器,经三类不同数据集验证,该方法可有效预测学生学年末外部评估表现。
2025-01-15 cs.CY cs.HC cs.LG
Predicting Performance on MOOC Assessments using Multi-Regression Models
George Mason University(乔治梅森大学)
在过去的几年里,用于分析从大规模开放式在线课程(MOOC)获得的数据的数据挖掘方法迅速增长。本研究的目的是开发一种方法来预测学生可能达到的分数在给定的等级相关的评估的基础上的信息,被认为是先前的表现或先前的活动在课程中。在尝试评估活动之前,我们开发了一个个性化的线性多元回归(PLMR)模型来预测学生的成绩。开发的模型是实时的,并跟踪学生在MOOC中的参与(通过点击流服务器日志),并预测学生在课程提供中的下一次评估中的表现。我们通过斯坦福大学的一项倡议,对从三个openEdX MOOC获得的数据进行了一组综合性实验。我们的实验结果表明,与基线方法相比,所提出的方法的承诺,也有助于识别与学生的学习习惯和学习行为相关的关键特征。
2016-05-08 cs.CY cs.LG
Finding Bottlenecks: Predicting Student Attrition with Unsupervised Classifier
California State University, Northridge(加州州立大学北岭分校)
随着提高毕业率和减少高等教育学位时间的压力,及早识别有风险的学生非常重要。因此,非常需要自动化预警系统。在本文中,我们使用无监督聚类技术来预测在加州州立大学北岭分校(CSUN)的五个部门宣布的专业的毕业状态,在每个专业的最小数量的低分工课程的基础上。此外,我们使用检测到的集群,以确定隐藏的瓶颈课程。
2017-05-07 cs.AI cs.CY cs.LG
Predicting At-Risk Programming Students in Small Imbalanced Datasets using Synthetic Data
本研究针对小型不平衡数据集,利用合成数据生成结合机器学习,显著提升了对编程课程中高风险(不及格)学生的早期识别召回率,为及时干预奠定基础。
2025-05-21 cs.CY
Predicting First Year Dropout from Pre Enrolment Motivation Statements Using Text Mining
Utrecht University(乌得勒支大学)
本研究利用文本挖掘分析7,060份入学动机陈述,结合学生特征预测大学第一年辍学,发现单独文本分析的预测效果与学生特征相当,但两者结合未能进一步提升预测性能。
2025-09-12 cs.CL cs.CY cs.LG
Predicting academic major of students using bayesian networks to the case of iran
在这项研究中,今年发生在伊朗的马拉盖市。对高中学生在数学、实验科学、人文科学、职业、商业和科学领域的人数进行了研究和比较。本研究旨在利用贝氏网路预测高中生的学术专业。有效因子作为贝叶斯网络的一个有效指标,首次被应用于学术专业选择。GeNIe进行了指标相互影响的评估、数据离散化和处理。适当的课程将建议学生继续他们的教育。
2015-08-07 cs.CY cs.IR
Predicting and Understanding College Student Mental Health with Interpretable Machine Learning
Purdue University(普渡大学);University of Southern California(南加州大学);USC Information Sciences Institute(USC信息科学研究所)
本文提出可解释层级模型 I-HOPE,利用五年纵向移动感知数据和五类行为标签预测大学生心理健康,准确率达 91%,并提供个体化解释以支持定制干预。
2025-06-10 cs.CY cs.LG
Exploring LLMs for Predicting Tutor Strategy and Student Outcomes in Dialogues
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本研究利用两个数学辅导对话数据集,评估Llama 3和GPT-4o预测辅导策略与学生成果的能力,发现策略预测困难但策略高度预示成果,需更强方法。
2025-07-09 cs.CL cs.CY
Predicting Student Dropout Risk With A Dual-Modal Abrupt Behavioral Changes Approach
The Hong Kong Polytechnic University(香港理工大学);The Education University of Hong Kong(香港教育大学)
针对离线教育场景下辍学预测数据质量差、教育理论指标难量化的问题,提出整合学业与行为数据的双模态多尺度滑动窗口模型,通过捕捉行为突变提升15%预测准确率,为早期干预提供工具。
2025-05-16 cs.AI cs.CY cs.LG
Personalized Student Attribute Inference
Université du Québec à Montréal(魁北克大学蒙特利尔分校)
准确地预测他们未来的表现可以确保学生成功毕业,并帮助他们节省时间和金钱。然而,实现这样的预测面临着两个挑战,主要是由于学生背景的多样性和不断跟踪他们不断发展的进步的必要性。这项工作的目标是创建一个系统,能够自动检测有困难的学生,例如预测他们是否可能不及格。我们比较了一种在文献中广泛使用的朴素方法,该方法使用数据集中可用的属性(如成绩),与我们称为个性化学生属性推理(PSAI)的个性化方法。通过我们的模型,我们创建个性化的属性来捕捉每个学生的特定背景。这两种方法使用机器学习算法,如决策树,支持向量机或神经网络进行比较。
2022-12-26 cs.AI cs.CY cs.LG
ClickTree: A Tree-based Method for Predicting Math Students' Performance Based on Clickstream Data
University of Edinburgh(爱丁堡大学);Sharif University of Technology(谢里夫理工大学);University of St Andrews(圣安德鲁斯大学)
本研究提出基于点击流数据的树方法 ClickTree,通过提取多级特征并训练 CatBoost 树预测数学作业答题表现,在 EDM Cup 2023 中排名第二,并揭示了学生困难题型与学习行为规律。
2024-03-01 cs.CY cs.HC cs.LG
Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses
Pontifical Catholic University of Ecuador(厄瓜多尔天主教大学);University of Oviedo(奥维耶多大学);University of Córdoba(科尔多瓦大学)
本研究针对混合学习大学课程的学生成绩预测问题,采用多源多模态数据融合方法,通过对比四种融合策略与六种分类算法,得出集成学习结合离散化最优属性选择的方法效果最佳,并明确了核心预测特征。
2024-02-08 cs.AI cs.CY cs.LG
Why Do Students Drop Out? University Dropout Prediction and Associated Factor Analysis Using Machine Learning Techniques
Oxford Academy(牛津学院);Cypress High School(赛普拉斯高中);IF Research Lab(IF研究实验室)
本研究利用学术、人口统计、社会经济和宏观经济数据训练四个二元分类器预测大学辍学,平均ROC-AUC为0.935,并发现学术数据对模型性能影响最大。
2023-10-17 cs.CY cs.LG
Mitigating Biases in Student Performance Prediction via Attention-Based Personalized Federated Learning
Purdue University(普渡大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
传统的基于学习的学生建模方法由于数据可用性方面的偏见而无法很好地推广到代表性不足的学生群体。在本文中,我们提出了一种方法来预测学生的表现,从他们的在线学习活动,优化推理的准确性,在不同的人口群体,如种族和性别。在联邦学习的最新基础上,在我们的方法中,单个学生子组的个性化模型是从一个全局模型中导出的,该模型通过元梯度更新在所有学生模型中聚合,该更新考虑了子组的异质性。为了更好地了解学生活动的表现,我们用一种自我监督的行为预训练方法来增强我们的方法,这种方法利用了学生行为的多种形式(例如,访问讲座视频和参与论坛),并在模型聚集阶段包括神经网络注意力机制。通过对来自在线课程的三个真实世界数据集的实验,我们证明了我们的方法在预测所有子组的学生学习成果方面比现有的学生建模基线有了实质性的改进。对由此产生的学生嵌入的视觉分析证实,我们的个性化方法确实在不同的子组中识别出不同的活动模式,与基线相比具有更强的推理能力。
2022-08-02 cs.AI cs.CY cs.LG
Automating Program Structure Classification
Stanford University(斯坦福大学)
当学生编写程序时,他们的程序结构提供了对他们学习过程的洞察。然而,手工分析程序结构是耗时的,教师需要更好的工具,以计算机辅助探索学生的解决方案。作为面向教育的程序分析工具包的第一步,我们展示了监督机器学习方法如何自动将学生程序分类为一组预定的高级结构。我们评估两个模型分类学生解决方案的降雨问题:最近邻分类器使用语法树编辑距离和递归神经网络。我们证明,这些模型在108个程序上训练时可以达到91%的分类准确率。我们进一步探讨了每个模型的通用性,权衡和失败的情况。
2021-01-15 cs.CY cs.LG
Aligning Tutor Discourse Supporting Rigorous Thinking with Tutee Content Mastery for Predicting Math Achievement
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文基于1080名九年级学生的高强度辅导数据,结合辅导者谈话策略与ITS掌握度预测数学成就,发现二者组合的AUC达0.77,且不同掌握度学生对应不同有效话语模式。
2024-05-10 cs.AI cs.CY cs.HC
Ordinal Behavior Classification of Student Online Course Interactions
Georgia Institute of Technology(佐治亚理工学院)
针对同一门CS1301课程的在校学生与MOOC学习者,本研究分析其基于浏览器的交互使用模式,以比较两类群体的行为习惯差异。
2024-04-20 cs.AI cs.CY cs.LG
Modelling Student Behavior using Granular Large Scale Action Data from a MOOC
UC Berkeley(加州大学伯克利分校)
数字学习环境生成学习者在与学习材料互动并完成理解练习时所采取的行动的精确记录。有了这些大量的连续数据,就有可能应用时间序列模型来了解潜在的行为模式和趋势,这些模式和趋势是基于学生行为的粒度记录来表征成功学习的特征。有几种方法可以用来查看纵向的、连续的数据,比如从学习环境中记录的数据。在语言建模领域,传统的n-gram技术和现代递归神经网络(RNN)方法已经被应用于算法上找到语言中的结构,并在给定句子或段落中的前一个单词作为输入的情况下预测下一个单词。在本文中,我们通过将MOOC中的资源视图和交互的学生序列作为输入并预测学生的下一次交互作为输出来类比这项工作。在这项研究中,我们只对获得结业证书的学生进行训练。在这样做的过程中,该模型可能被用于推荐最终导致成功的序列,而不是永久的非生产性行为。考虑到我们研究中使用的MOOC有超过3,500个独特的资源,预测学生接下来将与之交互的确切资源似乎是一个困难的分类问题。我们发现,简单地按照教学大纲(课程的内置结构)进行预测,平均准确率为23%,其次是n-gram方法,准确率为70.4%,基于RNN的方法为72.2%。这项研究为MOOC和其他存在大量序列数据的数字学习环境中的推荐奠定了基础。
2016-08-16 cs.CY cs.LG
Extending Deep Knowledge Tracing: Inferring Interpretable Knowledge and Predicting Post-System Performance
Graduate School of Education, University of Pennsylvania(宾夕法尼亚大学教育研究生院);Human-Computer Interaction Institute, Carnegie Mellon University(卡内基梅隆大学人机交互研究所)
最近的学生知识建模算法,如深度知识跟踪(DKT)和动态键值记忆网络(DKVMN),已被证明可以在同一个学习系统中准确预测问题的正确性。然而,这些算法并不试图直接推断学生的知识。在本文中,我们提出了一个扩展这些算法也推断知识。我们将此扩展应用于DKT和DKVMN,从而使知识估计与后测的相关性优于贝叶斯知识追踪(BKT)(一种旨在推断知识的算法)和另一种经典算法性能因素分析(PFA)的知识估计。我们还将我们的扩展BKT和PFA的正确性预测,发现它产生的知识估计相关性更好地与后测比BKT和PFA的标准知识估计。这些发现意义重大,因为教育的主要目的是让学生为即时学习活动之外的后续经历做好准备。
2020-08-31 cs.CY cs.LG stat.ML
Stem-ming the Tide: Predicting STEM attrition using student transcript data
科学,技术,工程和数学(STEM)领域通过推动创新和创造高薪工作,在国家和国际经济中发挥着越来越大的作用。然而,美国在STEM教育和培训方面落后于其他高度工业化国家。此外,许多经济预测预测,未来几年美国国内STEM培训专业人才的短缺将日益加剧。解决这一问题的一个可能的办法是降低学生在高等教育中离开STEM相关领域的比率,因为目前超过一半的学生最终打算以STEM学位毕业。然而,很少有大规模的定量研究关注STEM流失的原因,更不用说使用机器学习来研究如何预测这种现象了。在本文中,我们详细介绍了我们的努力,建模和预测辍学从干领域使用一个最大的已知数据集用于研究学生在传统的校园环境。我们的研究结果表明,从STEM领域的流失可以准确预测的数据,是在大学定期收集的信息,只对学生的第一学年。我们还提出了一种方法来为每个学期建模学生STEM意图,以更好地了解STEM流失事件的时间。我们相信这些结果在使用机器学习来改善传统和非传统校园环境中的STEM保留方面显示出巨大的前景。
2017-08-28 cs.CY physics.ed-ph stat.ML
Sparse Neural Attentive Knowledge-based Models for Grade Prediction
University of Minnesota(明尼苏达大学)
对学生尚未选修的未来课程的成绩预测很重要,因为它可以在课程选择过程中帮助他们和他们的顾问,以及设计个性化的学位计划并根据他们的表现进行修改。基于累积知识的回归模型(CKRM)是准确预测学生未来课程成绩的成功方法之一。CKRM学习浅层线性模型,预测学生的成绩作为他/她的知识状态和目标课程之间的相似性。学生的知识状态是通过线性累积他/她过去所学习的课程的学习提供的知识成分,并通过他/她在这些课程中的成绩进行加权来建立的。然而,并不是所有先前的课程都对目标课程有同样的贡献。在本文中,我们提出了一种新的神经注意力基于知识的模型(NAK),学习的重要性,每一个历史课程,在预测目标课程的成绩。与CKRM和其他竞争方法相比,我们在由$\sim$ 1.5年级组成的大型真实数据集上的实验表明,所提出的NAK模型在准确预测学生成绩方面是有效的。此外,通过模型学习的注意力权重可以帮助更好地设计他们的学位计划。
2019-04-22 cs.CY cs.LG stat.ML
Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs
Department of Computer Science and Engineering, Metropolitan University(孟加拉国锡尔赫特大都会大学计算机科学与工程系)
本研究结合Codeforces行为日志与多校心理调查,发现竞赛编程流失前的关键信号,提出双层框架训练模型,构建预警系统识别高风险学生,为计算课程指导提供数据支撑。
2026-11-11 cs.CY
A Predictive Model for Student Performance in Classrooms Using Student Interactions With an eTextbook
Faculty of Computers and Information, Assiut University(艾斯尤特大学计算机与信息学院)
随着在线电子教科书和大规模开放式在线课程(MOOC)的兴起,已经收集了大量与学生学习相关的数据。通过对这些数据的仔细分析,教育工作者可以对学生的表现以及他们在学习特定主题时的行为获得有用的见解。本文提出了一种新的模型来预测学生的表现分析的基础上,学生如何互动的在线电子教科书。通过能够在课程早期预测学生的表现,教育工作者可以很容易地识别出有风险的学生,并提供适当的干预。我们考虑了两个主要问题,预测好/坏的表现和预测的期末考试成绩。为了建立所提出的模型,我们评估了最流行的分类和回归算法的数据从数据结构和算法课程(CS2)在一个大型的公立研究型大学。随机森林回归和多元线性回归已被应用于回归。而Logistic回归、决策树、随机森林分类器、K近邻、支持向量机等方法在分类中得到了应用。
2022-02-16 cs.CY cs.LG
Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks
Hanshan Normal University(韩山师范学院);The University of Lahore(拉合尔大学)
针对在线教育多类别学生成绩早期预测的研究空白,提出基于神经网络的新方法,在OULA数据集上实现四类成绩预测,准确率较现有最优方法提升约25%,课程初期预测效果更优。
2024-12-08 cs.CY cs.LG
Predicting challenge moments from students' discourse: A comparison of GPT-4 to two traditional natural language processing approaches
University College London(伦敦大学学院)
本研究比较了规则模型、监督机器学习模型和LLM在学生话语中检测挑战及识别维度的表现,发现监督ML和LLM效果更优,并指出LLM虽具优势但存在可靠性等问题,需结合模型透明度以提供有效反馈。
2024-01-03 cs.CL cs.CY
Student Answer Forecasting: Transformer-Driven Answer Choice Prediction for Language Learning
EPFL(洛桑联邦理工学院)
本文提出MCQStudentBert模型,通过结合LLM的上下文理解能力预测学生在MCQ中的特定答案选项,无需重训即可增删选项,并在万人级数据集上验证了其优于传统方法的预测准确性。
2024-05-30 cs.CL cs.CY cs.LG
A Hybrid Classification Algorithm to Classify Engineering Students' Problems and Perks
社交网站为表达个人观点和意见带来了新的视野。此外,他们还提供媒介,让学生分享他们的情感,包括学习过程中的斗争和喜悦。这种非正式的信息为决策提供了一个很好的场所。信息的规模越来越大,需要自动分类技术。情感分析是对大量数据进行分类的自动化技术之一。现有的预测性情感分析技术被广泛用于对电子商务网站上的评论进行分类,以提供商业智能。然而,它们对教育系统的决策没有多大用处,因为它们将情绪分为三个预设类别:积极的,消极的和中性的。此外,将学生的情绪分为积极或消极的类别并不能更深入地了解他们的问题和津贴。本文提出了一种新的混合分类算法来对工科学生的情感进行分类。与传统的预测性情感分析技术不同,该算法使情感分析过程具有描述性。此外,它将工程专业学生的津贴和问题分为几类,以帮助未来的学生和教育系统的决策。
2016-04-08 cs.CY
Predicting Recall Probability to Adaptively Prioritize Study
Quizlet, Inc.(Quizlet公司)
学生的学习时间有限,通常在分配学习时间方面效率低下。机器指导的学习策略,确定哪些项目需要强化,并规定重复的间隔已被证明可以帮助学生优化掌握(Mozer & Lindsey 2017)。关于这一问题的大量研究通常是在具有固定指令,内容和时间表的构建实验环境中进行的;相反,我们的目标是开发可以解决任何人口统计,主题或研究时间表的方法。我们展示了两种方法,模型项目特定的召回概率中使用的差异减少指令策略。第一个模型使用基于先前答案正确性和学习时间间隔的多元逻辑回归(MLR)模型预测项目召回概率。文献表明,遗忘是更好地模拟幂律比指数衰减(Wickelgren 1974),我们比较了MLR的方法与递归幂律(RPL)模型,自适应适应拟合遗忘曲线。然后,我们讨论了这些模型对由数百万个答案组成的研究数据集的性能,并表明RPL方法比MLR模型更准确和灵活。最后,我们给出了一个有前途的未来知识建模方法的概述。
2018-02-28 cs.CY cs.LG
A Multi-Gene Genetic Programming Application for Predicting Students Failure at School
University of Port Harcourt(哈科特港大学);National Open University of Nigeria(尼日利亚国立开放大学)
准确预测学生不及格率(SFR)的几项努力仍然是教育部门许多人面临的核心问题。预测SFR的过程是严格的,并且大多数情况下需要数据缩放或转换为二进制形式,例如逻辑模型的情况,这可能导致信息丢失和效应量衰减。此外,人工神经网络和模糊逻辑系统中的大量因素、不完整和不平衡的数据集以及黑盒问题暴露了对更有效工具的需求。目前,遗传编程(GP)的应用前景广阔,并在不同领域产生了巨大的积极成果。在这方面,本研究开发了GPSFARPS,一个软件应用程序,提供了一个强大的解决方案,预测SFR使用进化算法称为多基因遗传编程。通过将测试数据集馈送到进化的GP模型来验证该方法。从GPSFARPS模拟结果表明,它的独特能力,以发展一个合适的故障率表达式与快速收敛在30代从最大指定代500。多基因系统还能够最小化进化的模型表达,并使用原始表达的子集准确地预测学生失败率
2015-03-11 cs.AI cs.CY cs.NE
Explainable AI for Predicting and Understanding Mathematics Achievement: A Cross-National Analysis of PISA 2018
University of Washington - Seattle(华盛顿大学西雅图分校);Arizona State University(亚利桑那州立大学)
本研究利用可解释人工智能分析 PISA 2018 十国数据,发现随机森林等非线性模型优于线性回归,并识别出社会经济地位、学习时间等关键预测因素,为公平教育改革和个性化学习提供依据。
2025-08-22 cs.AI cs.CY cs.LG
Cold Start Problem: An Experimental Study of Knowledge Tracing Models with New Students
New Mexico State University(新墨西哥州立大学)
本文研究了三种知识追踪模型在冷启动条件下的性能,发现SAKT在初始阶段表现较好,但整体需改进以适应新学生学习场景。
2025-05-22 cs.AI cs.CY
CLGT: A Graph Transformer for Student Performance Prediction in Collaborative Learning
Beihang University(北京航空航天大学);Beijing University of Technology(北京工业大学)
本文针对协作学习中团队项目互动对学生表现影响的研究不足,构建学生交互图并提出CLGT框架,用于评估和预测学生表现,同时提供预测结果解释与交互可视化,实验证明其优于基线模型并能实现早期预警。
2023-07-30 cs.AI cs.CY
Your Actions or Your Associates? Predicting Certification and Dropout in MOOCs with Behavioral and Social Features
大规模开放式在线课程(MOOC)的高流失率和低认证率促使了大量的研究。之前的研究人员专注于基于行为特征(如学生困惑,点击流模式和社交互动)来预测辍学。然而,很少有研究集中在学生日志与论坛数据相结合。在这项工作中,我们使用来自同一MOOC的两个不同产品的数据。我们进行生存分析,以确定可能的脱落。然后,我们研究两类功能,社会和行为,并应用建模和功能选择方法的组合,以确定最相关的功能,预测辍学和认证。我们研究了三种不同模型类型的效用,并考虑了辍学对预测因子的不同定义的影响。最后,我们通过评估第一周的模型是否可以预测第二周的辍学率来评估模型的可靠性。这项研究的结果将有助于教师识别可能在前两周失败或辍学的学生,并为他们提供更多的支持。
2018-08-31 cs.CY stat.AP stat.ML
Enhancing Deep Knowledge Tracing with Auxiliary Tasks
Jinan University(暨南大学);Guangdong Institute of Smart Education(广东省智慧教育研究院);TAL Education Group(好未来教育集团);Think Academy International Education(学而思国际教育)
知识追踪(KT)是基于学生与智能教学系统的历史交互来预测学生未来表现的问题。最近的研究已经应用了多种类型的深度神经网络来解决KT问题。然而,现实世界的教育数据中有两个重要因素没有得到很好的体现。首先,大多数现有的作品增加输入表示的问题和知识成分的共现矩阵\footnote{\label{ft:kc}A KC is a generalization of everyday terms like concept, principle, fact, or skill.}(KCs),但没有明确地将这种内在的关系到最终的响应预测任务。第二,学生的个性化历史表现没有得到很好的捕捉。在本文中,我们提出了\emph{AT-DKT}来提高原始深度知识追踪模型的预测性能,并使用两个辅助学习任务,即,\emph{question tagging (QT) prediction task}和\emph{individualized prior knowledge (IK) prediction task}。具体来说,QT任务通过预测问题是否包含特定的KC来帮助学习更好的问题表征。IK任务通过逐步预测隐藏在学生历史学习交互中的学生水平先验知识来捕获学生的全局历史表现。我们在三个真实世界的教育数据集上进行了全面的实验,并将所提出的方法与深度序列KT模型和非序列模型进行了比较。实验结果表明,\emph{AT-D…
2023-02-14 cs.AI cs.CY cs.LG
Implementation Of Fuzzy-C4.5 Classification As a Decision Support For Students Choice Of Major Specialization
确定专业化是很重要的,引导学生专注于感兴趣的研究领域,以及根据其学历。目前,专业化的决定是通过直接询问学生来完成的,而不管上学期的学术成果如何。本研究讨论了一个混合模型的发展,从模糊Mamdani和C4.5算法来分析确定的主要专业化的大学Raya Serang的信息工程课程,其中C4.5算法被用来作为一个成形器的规则(规则),这是在推理阶段使用。使用Weka应用程序执行规则(决策树)的建立,而对于使用Mamdani模糊概念确定决策支持分析专业化专业,则使用MATLAB的帮助完成应用程序。结果显示,126名学生中有17人根据本研究中使用的可变浓度进行选择。
2015-06-05 cs.CY
Improvement of Applicability in Student Performance Prediction Based on Transfer Learning
Beijing Polytechnic(北京工业职业技术学院);Beijing Information Science and Technology University(北京信息科技大学)
本研究提出基于迁移学习的人工神经网络方法,通过冻结部分层权重并微调其余层,在数学和葡萄牙语课程数据集上提升学生成绩预测的准确性与泛化能力,有效降低RMSE和MAE并提高R2。
2024-06-01 cs.AI cs.CY cs.LG
Using Naive Bayes Algorithm to Students' bachelor Academic Performances Analysis
学术数据采掘是一个新兴的领域,它包括通过不同的元素,如前学期的成绩,出勤率,作业,讨论,实验室工作来检查学生的详细信息的过程,用于提高本科生的学习成绩,并克服困难的低级别的本科生。它是从计算机系本科生数据中提取有用的知识。随后对数据进行预处理,应用数据采掘技术进行分类发现和聚类。本文提出了一种基于朴素贝叶斯算法的学术数据采掘分类方法。它支持学生和讲师评估学习成绩。这是一种警示性的方法,可以帮助学生提高学习成绩。
2018-02-05 cs.CY
The Application of Data Mining to Build Classification Model for Predicting Graduate Employment
数据采掘因其能够快速分析海量数据而被应用于各个领域。本研究利用数据采掘中的分类任务建立大学生就业模型,并对贝叶斯方法和树方法等几种数据挖掘方法进行比较。贝叶斯方法包括AODE、BayesNet、HNB、NavieBayes、WAODE等5种算法。Tree方法包括5种算法,包括BFTree,NBTree,REPTree,ID3,C4.5。实验使用WEKA中的分类任务,我们比较了每个算法的结果,其中生成了多个分类模型。为了验证所生成的模型,在泰国Maejo大学的研究生配置文件中收集的真实数据进行了实验。该模型旨在用于预测毕业生是否就业,失业或处于不确定的情况。
2013-12-26 cs.CY
Cluster Model for parsimonious selection of variables and enhancing Students Employability Prediction
Banasthali University(巴纳斯塔利大学);University of Rajasthan(拉贾斯坦大学)
本文提出一种基于聚类的预处理模型,通过精简变量选择提升预测算法性能,从而更准确地预测学生就业能力。
2024-06-05 cs.AI cs.CY cs.LG
Student Performance Prediction with Optimum Multilabel Ensemble Model
Mekelle University(默克莱大学)
衡量教育质量的重要标准之一是学生在学术环境中的表现。如今,大量的数据存储在教育机构的学生,这可以帮助发现洞察学生是如何学习的,以及如何提高他们的表现提前使用数据采掘技术。在本文中,我们开发了一个学生成绩预测模型,预测高中学生下学期的五门课程的表现。我们将我们的预测系统建模为多标签分类任务,并使用支持向量机(SVM),随机森林(RF),K-最近邻(KNN)和多层感知器(MLP)作为基础分类器来训练我们的模型。我们进一步提高了预测模型的性能,使用最先进的分区方案将标签空间划分为更小的空间,并使用标签幂集(LP)转换方法将每个标签集转换为多类分类任务。与其他多标签学习任务(如二进制相关性和分类器链)相比,该模型在不同的评估指标方面取得了更好的性能。
2019-09-06 cs.CY cs.LG stat.ML
Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments
University of Pennsylvania(宾夕法尼亚大学);Masaryk University(马萨里克大学);Georgia Institute of Technology(佐治亚理工学院);The Evergreen State College(常青州立学院);Lewis & Clark College(刘易斯与克拉克学院);Northern Kentucky University(北肯塔基大学)
本文通过分析来自两个不同学习环境的313名学生的网络安全练习日志数据,训练并交叉验证了八种分类器来预测学生的练习表现,发现决策树分类器表现最佳,证明了利用活动数据检测困难学生以提供针对性帮助的可行性。
2025-03-02 cs.AI cs.CR cs.CY