Analysis of factors that affect the students academic performance - Data Mining Approach
Nahid Hajizadeh, Marzieh Ahmadzadeh
影响学生学业成绩的因素分析--数据采掘方法
Analysis of factors that affect students academic performance - Data Mining Approach
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
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。
Influence of Facebook in Academic Performance of Sri Lankan University Students
Facebook只是人类之间的电子交流，但不幸的是，它已经成为所有人的瘾。本文考察了大学生使用Facebook的情况及其对学业成绩的影响。Facebook对大学生及其学术活动的影响可能是好的，也可能是坏的。尽管仔细观察Facebook的实际影响会发现，它会导致大学生的学业表现出现一些问题。今天，Facebook正在某种程度上摧毁大学生的未来和学术载体。在同一时间也打算找到使用Facebook的大学生在他们的学术成功的帮助下进行了一项调查，以收集在斯里兰卡不同大学的250多名学生之间的数据的意义.
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。
An Analysis of Academic Performance of University Students in Namibia
根据观察，纳米比亚相当一部分大学生似乎需要提高学业成绩，以便在全球化的工作环境中充分竞争。这特别包括对数学的透彻理解，因为它是信息技术和管理科学等现代知识学科的组成部分。然而，由于缺乏足够的材料、有能力的教育者、他们自己的意志力，或者两者兼而有之，学生们很难或无法从事相关的课程工作。本研究旨在调查与纳米比亚大学生学习成绩相关的关键因素。
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。
Investigating the Influence of Computer Anxiety on the Academic Performance of Junior Secondary School Students in Computer Studies in Nigeria
本研究探讨了计算机焦虑对尼日利亚初中学生计算机学习成绩的影响。本研究所使用的研究工具为电脑焦虑量表，并经由辅导讲师与教育测量与评估专家验证。研究结果表明，大部分被试在与电脑打交道时存在轻度焦虑。
Academic Lobification: Low-performance Control Strategy for Long-planed Academic Purpose
学术趋同化是指一个学生为了某种长期目的，故意隐藏学术行为，或故意降低学术成绩，或故意拖延学术回报，但不产生学术风险的一种学术成绩控制策略、方法和手段的集合。理解学术的性别化对于我们弥补学生学业评价中的固有偏差、发现天才学生、获取利益和减少伤害至关重要。它概述了一系列问题，是基本的，这一新兴的跨学科研究领域，包括研究对象，研究问题，研究范围，研究方法，并探讨了技术，法律和其他限制研究学术全球化。
CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
CS-Guide利用LLMs和学生反思提供频繁、可扩展的学术反馈，通过学习分析和定制干预提升计算机科学学生支持
The Effect Of Online Cooperative Homework On Students' Academic Success
本研究旨在探讨线上协作学习作业对学生学业成就的影响。本研究的体验组由58名来自阿纳多卢大学教育学院计算机与教学技术系的学生组成。A段学生采用传统方法，中立预约; B段学生采用在线作业练习方法。每班29人，决定14名学生单独准备作业，其余15名学生以三人小组的形式合作准备作业。是单独准备作业还是合作准备作业是学生自己的选择。在教学期结束时有一个成功的量表。根据研究结果，参加传统作业实践和在线作业实践的学生之间没有统计上的显著差异。根据研究结果，学生参加个别作业练习和合作作业练习的成绩在统计上没有显著差异。参加网上个别作业的学生的学业成就高于传统的个别作业和网上协作学习作业。
Student self-management, academic achievement: Exploring the mediating role of self-efficacy and the moderating influence of gender insights from a survey conducted in 3 universities in America
本研究以美国三所大学的289名学生为对象，探究自我管理与学业成就的关系，发现自我效能起中介作用、性别有一定调节效应，为相关教育实践提供了洞见。
Determining the Impacts of Social Media on Mood, Time Management and Academic Activities of Students and the Relationship with their Academic Performance
社交媒体网站的数量呈指数级增长，新网站利用旧网站的弱点获利，其他网站则通过提供未经审查的内容超越社区指导方针。这些平台的供应商为了有更广泛的影响力，不限制观看年龄，承诺年轻人有名气，以及其他有吸引力的优惠，使年轻人沉迷于该网站。黑客入侵用户账户并利用其进行欺诈的可能性是尼日利亚年轻人渴望快速致富的另一个狂欢。数据、智能手机和相关数字设备价格的暴跌增加了可用性和可及性，从而缩小了数字鸿沟，并扩大了其对青年道德和学术追求的不利影响。重要的是，尼日利亚政府要了解导致政府拥有的机构的学生成绩下降的因素，以制定有助于应对挑战的政策和基础设施。本研究探讨了社交媒体对学生学业活动、情绪和时间管理能力的影响。结果表明，社交媒体和学术活动之间的关联具有统计学意义。然而，两者之间存在负相关，这意味着社交媒体活动水平越高，学术活动参与度越低。社交媒体对学生时间管理能力的影响也存在类似的关联。
Mobile social media usage and academic performance
在普通人群中，学生对社交媒体和智能手机特别敏感，因为它们无处不在。几项研究表明，社交媒体和学习成绩之间存在负相关关系，因为它们可能导致损害学生职业生涯的行为，例如，成瘾然而，这些研究要么关注智能手机和社交媒体成瘾，要么依赖于调查，而调查只能提供近似估计。我们建议通过以下方式弥合这一差距：i）将社交媒体使用和学习成绩参数化; ii）将智能手机和时间日记相结合，以跟踪用户的活动及其智能手机互动。我们将我们的解决方案应用于参与SmartUnitn项目的72名学生，该项目调查了学生的时间管理和学习成绩。通过分析学生智能手机上的社交媒体应用程序的日志，并将其与学生的学分和成绩进行比较，我们可以提供负相关和正相关的定量和定性估计。我们的研究结果显示了社交媒体使用的负面影响，区分了社交媒体对学术活动的不同影响模式，并强调了在学术环境中控制智能手机使用的必要性。
BlockCampus: A Blockchain-Based DApp for enhancing Student Engagement and Reward Mechanisms in an Academic Community for E-JUST University
本研究面向埃及-日本科学技术大学（E-JUST）师生，设计实现了基于区块链的去中心化应用BlockCampus，以搭建专用学术平台、提供参与激励，助力提升学术社区的协作与参与度。
Facebook use, personality characteristics and academic performance: A correlational study
本文探讨了学生的个性，使用社交媒体和他们的学习成绩和参与之间的关系。具体而言，本研究的目的是使用大五人格测试（a）学生参与度，（b）准备上课的时间，（c）在课外活动中花费的时间和（d）学习成绩来检查学生的Facebook（FB）使用和人格特征之间的关系。结果显示，FB时间与学生参与度和备课时间呈显著正相关。最后，部分facebook活动与学生的人格特质呈显著正相关，部分则与各因变量呈显著负相关。本研究对教师与学生的意涵也进行了讨论。
Impacts of Students Academic Performance Trajectories on Final Academic Success
教育分析领域的许多研究已经将学生平均成绩（GPA）确定为学生最终学术成果（毕业或停学）的重要指标和预测因素。虽然GPA的学期间波动被认为是正常的，但学习成绩的显著变化可能需要更彻底的调查和考虑，特别是关于最终的学术成果。然而，这样的方法是具有挑战性的，因为在学术生涯中代表复杂的学术轨迹的困难。在这项研究中，我们应用隐马尔可夫模型（HMM）提供一个标准和直观的分类学生的学业成绩水平，这导致学业成绩轨迹的紧凑表示。接下来，我们将探讨不同的学业表现轨迹之间的关系，以及它们与最终学业成功的对应关系。基于中佛罗里达大学的学生成绩单数据，我们提出的HMM是使用学生每学期的课程成绩序列进行训练的。通过HMM，我们的分析遵循了预期的发现，即较高的学习成绩水平与较低的停顿率相关。然而，在本文中，我们发现存在许多情况下，改善或恶化的学业表现轨迹实际上与更高的毕业率相关。通过提出和开发的HMM模型，这一反直觉的发现成为可能。
Mining Frequent Learning Pathways from a Large Educational Dataset
在本文中，我们描述了数据采掘技术，用于提取频繁的学习途径，从一个大型的教育数据集。这些路径被提取为编码学生学习过程的有向图。我们的数据集包含超过300万匿名学生在在线学习平台上的8亿多次互动。在大型复杂数据集上进行流程挖掘，经常会产生难以理解的流程模型。但是，如果我们对数据进行聚类并获得遵循相似过程的组，我们可以大大提高过程挖掘的结果。为此，我们开发了一个序列聚类算法，让我们组学生遵循类似的学习途径。为了从这些数据集群中提取频繁的学习路径，我们开发了一种基于图的过程发现算法，该算法向我们揭示了许多学生遵循的学习活动序列。这些序列代表了学生学习的高速公路。
Complementary Training Programme for Electrical and Computer Engineering Students Through an Industrial-Academic Collaboration (Extended Version)
我们描述了电气工程研究生课程（PPGEE），电子和信息研究中心（CETELI）和三星电子亚马逊有限公司之间的工业-学术合作的结果。（三星），旨在为三星的研究和开发（R&D）领域培训人力资源。受合作教育系统的启发，这种合作通过补充培训计划（CTP）提供学术经验，以训练电气和计算机工程的本科生和研究生，特别强调数字电视（TV），工业自动化和移动设备技术。特别是，这种合作为学生提供了奖学金，为教授和协调员提供了财政支持，此外还建造了一座新的大楼，配备了新的实验室、教室和工作人员房间，以协助所有研究和开发活动。此外，合作成果还为三星的移动设备、数字电视和生产流程开发了应用程序，使CETELI的科学生产增加了37%（即，会议和期刊论文）以及对本科生和研究生的专业培训。
From Precision Medicine to Precision Education: A Vision for AI-Powered Student Digital Twins, Preventive Student Success, and Career-Aligned Academic Pathways
该研究借鉴多领域技术提出精准教育范式，以学生数字孪生为核心，旨在推动高等教育从被动转向预防性，助力学生学业成功与职业适配，同时明确从预测转向因果干预的核心挑战。
When Does It Become Cheating? Exploring the Roles of Self-Efficacy and the Impostor Phenomenon in Computing Students' Perceptions of Academic Dishonesty
本研究通过调查443名CS本科生，发现自我效能感与冒充者现象负相关，且冒充者现象与将AI相关情景视为严重作弊正相关，强调需关注学生AI认知与学术诚信。
Academic mobility as an organizational mechanism of intercultural interaction
提出了国际化背景下大学生学术流动的趋势。介绍了一项关于学生对国际教育、文化教育交流和学术流动计划的态度的调查结果。研究表明，学术流动组织作为大学跨文化环境的一部分，是大学教育过程中的必要激励工具，也是跨文化交流的组织机制。
Student Satisfaction mining in a typical core course of Computer Science
学生的满意度对一所教育机构的成功起着至关重要的作用。因此，许多教育机构不断改善他们的服务，以创造一个支持性的学习环境，以满足学生的需要。为此，教育机构收集学生满意度数据，以做出有关机构质量的决策，但到目前为止，它不能确定，因为学生满意度是一个复杂的问题，它受到学生和机构的各种特征的影响。有许多研究已经执行，以检查学生满意度的形式，大学服务，程序，学生住宿设施，师生互动，咨询时间等，所以，我们仍然不能有一个标准的方法来知道是怎么回事的满意度的情况下，核心课程。本研究以计算机科学核心课程为研究对象，探讨影响学生满意度的主要因素，以及其他因素的现状。
The effect of twitter-mediated activities on learning outcome and student engagement: A case study
本文报告的研究，探讨了Twitter在教育过程中的严格设计的引入的影响。具体而言，它探讨了学生使用Twitter的背景下，组织良好的教育活动和他们的成绩在学术课程之间的关系。结果表明，学生使用Twitter和他们在课程中的表现之间存在显着的相关性。此外，他们在Twitter上的参与可以提高学生的学术参与度和他们对学术界的归属感。最后，Twitter的使用可能对学生的互联网自我效能感的影响也进行了研究。研究结果及其影响进行了详细讨论。
Impact of UK Postgraduate Student Experiences on Academic Performance in Blended Learning: A Data Analytics Approach
本研究采用多种数据分析技术，结合CoI框架调研255名英国研究生，探究混合学习场景下学习体验各维度与学业表现的关联，识别关键影响要素与四类学生画像，拓展了CoI框架并深化了学生成功机制认知。
Studying Academic Indicators within Virtual Learning Environment Using Educational Data Mining
我们的主要目标是发现在这样的环境中影响学生学业轨迹和学生学业演变的主要因素。我们的研究结果表明，在这个虚拟的学习环境中，学生的平均水平和一些因素之间有很强的相关性，如：学生的英语水平（尽管阿拉伯语是教学语言），学生的年龄，学生的性别，学生的逾期居留和学生的居住地（叙利亚境内或境外）。我们的研究结果还表明，需要通过改变作为高级DBA II，数据安全等BIT文凭的一部分提供的少数课程的先决条件来修改学生的学术轨迹。在这项研究中，结果还突出了叙利亚危机对学生的影响。最后，我们根据我们的观察和结果提出了一些未来的建议，以发展目前的信息系统在SVU，以帮助我们更容易地推断一些指标。
Application of k Means Clustering algorithm for prediction of Students Academic Performance
对学生学习成绩的监控能力是高等教育学术界的一个关键问题。描述了一种基于聚类分析的学生成绩分析系统，该系统使用标准的统计算法根据学生的表现水平来排列学生的成绩数据。在本文中，我们还实现了k均值聚类算法分析学生的成绩数据。该模型与确定性模型相结合，以分析学生的结果，在尼日利亚的一所私立机构，这是一个很好的基准，以监测学生在高等院校的学习成绩的进展，为学术规划者作出有效的决策。
Students Behavioural Analysis in an Online Learning Environment Using Data Mining (ICIAfS)
本研究的重点是使用教育数据采掘（EDM）技术进行定量分析的学生互动的电子学习系统，通过教师主导的非分级和分级课程。这项工作有助于为他们制定一系列在线短期课程的指导方针。本研究以412名学生为研究对象，分析其在数位学习系统中的存取行为，并依据其课程存取记录，以K-均值分群法进行分群。结果表明，在分级和非分级学习环境中，超过40%的学生是被动的在线学习者。结果表明，学习环境的差异会改变学生群体的在线访问行为。聚类将学生群体根据他们的课程访问行为分为五个访问组。在这些组中，最少访问组（NG-41%和G-42%）和最高访问组（NG-9%和G-5%）可以非常清楚地识别，因为它们的访问与其余组不同。
An Effective Learning Management System for Revealing Student Performance Attributes
本研究提出了一种结合先进教育挖掘模块的学习管理系统（LMS），通过两个案例研究验证其能高效挖掘学生表现记录且不丢失信息，揭示了显著影响学生学业表现的属性，帮助教育工作者改进教学并提高学生学业成功率。
Dependency on Meta AI Chatbot in Messenger Among STEM and Non-STEM Students in Higher Education
本研究调查菲律宾872名高等教育学生对Meta AI的依赖情况，发现学生认可其学术与技术价值但不愿过度依赖，更偏好传统资源，STEM学生使用频率更高且对依赖风险的担忧更突出，表明该工具在教育中起补充作用。
Explainable AI as a Social Microscope: A Case Study on Academic Performance
学习成绩被认为是学生的整体经历、个人特征和教养之间复杂相互作用的产物。数据科学技术，最常见的是回归分析和相关方法，是探索这种相互作用的可行手段。然而，这些往往提取具有广泛影响的因素，而忽略了个别学生的具体变化。对于数千甚至数百个科目来说，关注每个学生的特点通常是不可能的，但数据采掘方法可能在设计更有针对性的方法方面证明是有效的。例如，具有共同特征的受试者可以被分配到集群，然后可以使用机器学习算法单独检查这些集群，从而提供对影响特定群体中个体的因素的更细致入微的看法。在这种情况下，我们引入了一个数据科学工作流程，允许对学习成绩相关性进行细粒度分析，以捕捉学生对这些因素敏感度的细微差异。利用可解释人工智能（XAI）技术工具箱中的局部可解释模型不可知推理（LIME）算法，所提出的管道产生具有相似学术成就指标的学生组，而不是如先前研究中通常实践的相似特征（例如家庭背景）。作为一个概念验证的案例研究，丰富的纵向数据集被选择来评估所提出的方法与标准回归模型的有效性。
Data Mining Application to Attract Students in HEI
在过去的二十年里，高等教育机构（HEI）的数量突飞猛进。这导致了这些机构之间的激烈竞争，同时吸引学生进入这些机构。为使接触到学生的机构做广告的努力。同样发展和发达的两种类型的机构推出几项服务也吸引学生。大多数机构都是以自筹资金的方式开办的。所以他们总是觉得手头紧。现在每天都有许多广告方法可用。因此，由于不同的限制，机构很难通过所有模式进行广告并同时推出所有服务。本文运用支持度和置信度方法来寻找最佳的广告投放方式。
Reflection on Purpose Changes Students' Academic Interests: A Scalable Intervention in an Online Course Catalog
该研究在在线课程目录中嵌入目的反思干预，通过超4000名学生的随机实验发现其能改变学术兴趣，为高等教育中引导学生有意识探索兴趣提供了可扩展策略。
An empirical analysis of the relationship between web usage and academic performance in undergraduate students
互联网的使用，特别是网络浏览，为教育机构提供了许多潜在的优势，因为学生可以获得以前无法获得的广泛信息。然而，由于浪费时间和反社会行为等因素，存在潜在的负面影响。本研究以2153名大学生为被试，对大学生的学习成绩和网络使用模式进行了实证调查。来自大学代理日志的数据使我们能够检查使用模式，并将这些数据与学生的学习成绩进行比较。结果表明，在大量的网络浏览和较差的学术成绩（较低的平均分数，较高的失败率）之间有一个小但显著的（统计学和教育学上）关联。此外，在优秀学生中，互联网用户相对较少的学生比例明显高于偶然预期。
Multidimensional Analysis of Psychological Factors affecting Students Academic Performance
任何个人的学术表现取决于许多方面关于个人的日常生活的考虑。学习成绩是以平均成绩或GPA来衡量的。平均成绩不仅取决于教师，而且还取决于各种心理参数，包括学习习惯，社交焦虑和联盟。本研究对影响学生成绩的诸多心理因素进行了详细的分析，并根据各种心理因素对学生在即将到来的考试中的表现进行了预测。
Grade Encoding and the Structural Representation of Student Academic Trajectories
本文提出“数据失语症”概念，通过将百分制成绩转换为字母等级，发现信息熵下降约69%，聚类结构不稳定，诊断一致性波动大，揭示了字母评分制度对认知稳定性的影响。
Forecasting Success of Computer Science Professors and Students Based on Their Academic and Personal Backgrounds
本文分析学生本科院校对其进入北美顶尖计算机科学研究生项目及日后成为教授的影响，揭示前25项目录取中的本科院校偏差，并用机器学习预测教授成功，RMSE达7.85。
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。
Refining Student Marks based on Enrolled Modules Assessment Methods using Data Mining Techniques
选择正确有效的学生评价方法是高等教育的重要任务之一。许多研究表明，学生在学习期间往往会获得更高的分数，当通过不同的学习方法进行评估时，这些方法包括通过改变学习时间或课程和考试的组合进行全面评估的单元，而不是仅仅通过考试进行评估。许多教育数据采掘的研究都是通过传统的数据抽取来预先处理数据，包括数据准备过程。在本文中，我们提出了一个不同的数据准备过程，通过调查超过23万学生记录的分数准备。这些数据经过不同阶段的处理，以提取一个分类因素，通过该因素在数据准备阶段对学生的模块分数进行细化。本研究结果显示，学生期末成绩不应脱离所选模块的性质而孤立地进行评估。在EDM数据预处理阶段，必须对它们进行彻底的研究和考虑。更一般地说，由于数据源、应用程序和错误类型的差异，教育数据不应该以与正常数据相同的方式准备。模块评估指数的影响，预测过程中使用随机森林和朴素贝叶斯分类技术进行了研究。结果表明，考虑MAI作为属性增加预测学生第二年的平均水平的基础上，他们的第一年的平均值的准确性。
A Proposal for a Nationwide Student Gradebook Information Network
今天的学生被鼓励在一个以上的国家学术环境中学习和发展专业知识。事实上，他们的教育活动不可避免地发生在各种学术环境中，甚至跨越数年。因此，学生的学业成绩和进步预计将很容易监测和全国访问。本论文的作者设计了一个学生成绩册信息网络，供全国所有公立和私立大学和学院使用。这些文件涉及该系统的基本架构原则，并讨论了与跨多台机器的数据汇集、数据分析和数据存储有关的方面，同时从一个单一的Web访问点提供整个基础设施和服务提供系统的无缝视图。建筑系统的效用与它的主要优点：用户友好性，安全访问，灵活性，透明度，分布式电源和可扩展性的关系进行了讨论。该系统的主要受益者是罗马尼亚高等教育系统。
An Agent-Based Simulation of Regularity-Driven Student Attrition: How Institutional Time-to-Live Constraints Create a Dropout Trap in Higher Education
本文通过代理模拟揭示了行政时间限制如何导致学生辍学，指出规范机制比单纯学术失败更驱动辍学，挑战了行政结构的中立性。
Predicting Student's Performance Through Data Mining
尽早并尽可能准确地预测学生的表现是教育机构面临的最大挑战之一。早期分析学生的表现有助于发现学生的长处和短处，帮助他们在考试中取得更好的成绩。使用机器学习，可以在学习管理系统（LMS）收集的学生数据的帮助下预测学生的表现。从LMS收集的数据可以提供有关学生行为的见解，这些行为将导致考试中的好或坏表现，然后可以研究并用于帮助在考试中表现不佳的学生表现得更好。
Is social media hindering or helping Academic Performance? A case study of Walter Sisulu University Buffalo City Campus
该研究通过对 WSU Buffalo City 校区 71 名学生的随机问卷调查，发现社交媒体虽有助学作用，但过度使用主要造成分心并损害学业表现。
Beyond the EULA: Improving consent for data mining
公司和学术研究人员可能会收集、处理和分发大量的个人数据，而无需数据相关个人的明确知情或同意。现有的同意书形式往往不具有适当的可读性，对数据采掘的道德监督可能不够。这就提出了一个问题，即现有的同意文书对于数据采掘来说是否足够，在逻辑上是否可行，甚至是否必要。在本章中，我们回顾了数据汇集和采矿情况，包括商业和学术活动，以及相关的数据保护问题，以确定所使用的同意文书的类型。使用三个案例研究，我们使用的新范式的人与数据的互动，以检查这些现有的方法是否是适当的。然后，我们介绍了一种同意的方法，已被经验证明，以改善最先进的，并提供有意义的同意。最后，我们为数据收集者提出了一些最佳实践，以确保他们的数据采掘活动不会违反数据相关人员的期望。
Applicability of Educational Data Mining in Afghanistan: Opportunities and Challenges
提交人本人在阿富汗求学和后来担任讲师的经历表明，教育制度所采用的方法不仅有缺陷，而且没有为学生在参加全国大学入学考试（Kankor）之前选择适当的学习课程提供最起码的指导，因此，往往导致高辍学率和高等教育成绩差。根据在其他国家所做的研究，以及本文作者通过向阿富汗大学生分发的在线问卷调查发现，高中的适当程序和专业学习可以帮助学生更系统地选择专业学习领域。此外，众所周知，有大量数据可用于挖掘目的，但教育部和高等教育部用于存储和生成数据的方法只能使他们获得简单的事实和数字。此外，从结果可以得出结论，有潜在的机会，教育数据采掘应用领域的阿富汗的教育系统。最后，本研究将提供使用教育数据采掘来改善教育业务流程的方法。例如，为高中毕业生预测合适的学习领域，或者确定大学一年级的学生谁是高风险的自然减员。
Understanding health and behavioral trends of successful students through machine learning models
本研究分析了大学生在一个学期中不同时期的身体、心理、生活方式和人格因素的模式，并建立了它们与学生学习成绩的关系模型。分析的数据是通过智能手机和Fitbit收集的。使用从收集的数据中导出的机器学习模型来观察学生的行为与他们的GPA，生活方式，身体健康，心理健康和个性属性相关的程度。使用了一种相互一致的方法，其中不是查看结果的准确性，而是使用模型参数和特征的权重来找到共同的行为趋势。根据模型创建的结果，确定了学术成功的最重要指标，即更高的GPA，是学生花费时间的地方。生活方式和个性因素被认为比精神和身体因素更重要。这项研究将提供洞察不同的因素和这些因素对学生的学习成绩的时间的影响。
Reducing Procrastination on Programming Assignments via Optional Early Feedback
本文提出不计分但提供提前自动化反馈的编程作业干预，实验与访谈表明其能促使学生提早开始，实际使用者成绩更高，并在心理健康和软技能方面受益。
Disadvantaged students increase their academic performance through collective intelligence exposure in emergency remote learning due to COVID 19
在COVID-19危机期间，全球教育机构从面对面教学转向紧急远程教学（ERT）模式。在这种被迫和突然的转变中，教师和学生没有机会获得通过学习管理系统（LMS）实施的在线学习模式所需的知识或技能。因此，本科教师往往主要使用LMS作为信息库，很少促进学生之间的虚拟互动，从而限制了集体智慧对学生的好处。我们分析了7,528名本科生的数据，发现大学生在论坛上的合作和共识动态对他们的最终GPA有积极影响，对高中期间学习成绩较低的学生影响更大。这些结果超出了社会经济和其他LMS活动混杂因素。此外，使用自然语言处理，我们表明，在高中期间学习成绩较低的一年级学生在讨论论坛中接触到更多内容密集型的帖子，导致大学GPA显著高于高中低成绩的同龄人。我们希望这些结果能够激励世界各地的高等教育教师在课堂上使用论坛讨论等工具来促进学生之间的合作和共识动态，以获得社会学习和集体智慧的好处。
Decision Tree-Based Predictive Models for Academic Achievement Using College Students' Support Networks
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。
Same Rules, Mixed Messages: Exploring Community Perceptions of Academic Dishonesty in Computing Education
研究探讨了计算教育中不同群体对学术不端行为的认知差异，发现教师将学术不端归因于压力和懒惰，而学生和助教则强调基础知识差距和时间管理问题，凸显了沟通与课程设计的必要性。
Educational data mining using jmp
教育数据采掘在高等教育领域是一个发展趋势。通过从学生数据库/数据仓库中发现隐藏的知识，可以提高教育机构的质量。本文旨在对迪布鲁加尔大学不同学院的TDC（三年制学位）课程学生进行比较研究。这项研究是按主要科目、性别和类别/种姓进行的。实验结果可以通过SAS JMP软件的Scatterplot 3D、Bubble Plot、Fit Y by X、Run Chart、Control Chart等可视化。
Student-centric Model of Learning Management System Activity and Academic Performance: from Correlation to Causation
近年来，在学习管理系统（LMS）中对学生的数字痕迹进行建模，以了解学生的学习行为模式，包括元认知和自我调节方面，最终目标是将这些见解转化为可操作的信息，以支持学生改善他们的学习成果。然而，在实现这一目标时，鉴于现有文献，有两个主要问题需要解决。首先，目前的大部分工作是以课程为中心的（即模型是根据特定课程的数据构建的），而不是以学生为中心的;其次，绝大多数模型是相关的，而不是因果关系。这些问题使得它具有挑战性，以确定最有前途的可操作的因素，在学生一级的干预，大部分的校园范围内的学术支持是专为。在本文中，我们探索了一个以学生为中心的LMS活动数据的分析框架，不仅可以提供相关的，但从观测数据挖掘因果关系的见解。我们在2019年秋季的一个学期中使用美国一所公立大学1651名计算专业学生的数据集演示了这种方法。该数据集包括学生的细粒度LMS交互日志和管理数据，例如人口统计和学习成绩。此外，我们扩展了LMS行为指标的存储库，以包括那些可以表征登录时间的指标（例如，时钟类型）。我们的分析表明，学生的登录量，与其他登录行为指标相比，既强烈相关和因果关系，以学生的学习成绩，特别是在学生的学习成绩低。我们设想，这些见解将为大学生支持团体提供令人信服的证据，以启动以学生为中心的有效和可扩展的有针对性的干预措施。
Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction
学习成绩预测是利用学生的相关信息来预测学生未来的学习成绩，在个性化教学、学业预警等教育领域有着广泛的应用前景。在本文中，我们解决这个问题，通过分析学生的日常行为轨迹，这可以全面跟踪校园记录。与以往的研究不同，我们提出了一种新的三分支CNN架构，它配备了行，列和深度卷积和注意力操作，以捕捉持久性，规律性和时间分布的特点，学生行为的端到端的方式，分别。此外，我们将学习成绩预测作为一个顶级$k$排名问题，并引入一个顶级$k$集中损失，以确保识别学术风险学生的准确性。在一个大规模的真实世界数据集上进行了大量的实验，我们表明，我们的方法大大优于最近提出的学习成绩预测方法。为了重复性，我们的代码已在https://github.com/ZongJ1111/Academic-Performance-Prediction上发布。
Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies
研究探讨了菲律宾大学生对AI的依赖程度及其对批判性思维、写作能力等学术能力的影响，通过潜在类别分析识别出四类学生群体，发现AI依赖学生学术能力最弱，需加强AI素养与核心学术技能的平衡。
Understanding University Students' Use of Generative AI: The Roles of Demographics and Personality Traits
本研究通过调查美国363名大学生，揭示了人口统计学特征（年级、族裔等）和大五人格特质对生成式AI使用及态度的影响，为高校开展个性化GAI使用指导提供依据。
Relationship between Student Engagement and Performance in e-Learning Environment Using Association Rules
由于使用智能手机和无线设备访问互联网越来越容易，电子学习领域已经成为学术界感兴趣的话题。电子学习平台面临的挑战之一是如何保持学生的积极性和参与度。此外，确定可能需要帮助的学生以确保他们的学习成绩不会受到影响也很重要。为此，本文试图探讨学生投入与学业成绩之间的关系。Apriori关联规则算法被用来推导出一组将学生参与度与学习成绩联系起来的规则。实验结果的分析表明，学生的参与水平和他们的学习成绩之间存在着正相关关系，在混合式电子学习环境。特别是，它表明，更高的参与往往会导致更好的学习成绩。这巩固了以前在传统课堂上将参与度和学习成绩联系起来的工作。
Is AI Changing the Rules of Academic Misconduct? An In-depth Look at Students' Perceptions of 'AI-giarism'
该研究针对393名高校学生调研其对AI抄袭的认知，发现学生明确反对直接AI生成内容但对隐蔽AI使用态度矛盾，提出AI抄袭概念化量表，为教育政策与设计提供支持，推动学术不端定义适配AI发展。
Tracing GenAI Literacy: Uncovering Student-AI Interaction Patterns in Academic Writing through Epistemic Network Analysis
本研究利用学习分析和认知网络分析，通过分析162名学生在GenAI辅助摘要写作任务中的交互日志，揭示了高素养学生采用迭代优化和策略性提问，而低素养学生依赖直接生成命令的不同交互模式。
Measuring the Credibility of Student Attendance Data in Higher Education for Data Mining
教育数据采掘（EDM）是一门发展中的学科，它致力于扩展经典的数据采掘（DM）方法，并开发新的方法来发现来自教育系统的数据。高等教育中的学生出勤率一直以经典的方式处理，教育工作者依靠计算出勤或缺席的发生率来建立他们对学生的了解以及基于此计数的模块。这种方法既不可信，也不一定能真实地反映学生的表现。本研究试图以保证获得准确和可信结果的方式制定提取的知识。从教育系统收集的学生出勤数据首先经过清理，以消除任何随机性和噪音，然后研究各种属性，以突出影响学生实际出勤的最重要的属性。下一步是推导出一个衡量学生出勤可信度（SAC）的方程，并考虑上一步中选择的属性。然后对新制定的衡量标准的可靠性进行了评价，以检查其一致性。最后，利用J48 DM分类技术，根据SAC值的强度对模块进行分类。这项研究的结果是有希望的，和使用新推导出的公式取得的可信度值给出了准确的，可信的，真实的指标的学生出勤率，以及准确的分类模块的基础上，这些模块的学生出勤率的可信度。
Develop the application for learning place value
本研究的目的是：（1）开发学习位置价值的应用程序，（2）确定开发的应用程序的效率，（3）比较学习成绩，比较使用开发的位置价值应用程序学习的学生的课前和课后学习成绩，4）在课后比较通过开发的应用程序和通过传统方法学习位置值的学生的学业成绩，5）比较2周后申请学习地点值的学习成绩的保持情况，以及6）发现学习了申请学习地点值的学生的满意度。通过有目的抽样选择的样本组是5个内容专家和400 pratomsuksa 1学生。
Mining Student Responses to Infer Student Satisfaction Predictors
学生满意度的识别和分析是一个具有挑战性的问题。这一点变得越来越重要，因为学生满意度的衡量标准被视为一门课程教得有多好的指标。然而，这仍然是一个具有挑战性的问题，因为学生的满意度有各个方面。在本文中，我们制定的学生满意度估计作为一个预测问题，我们预测不同水平的学生满意度，并推断出有影响力的预测相关的课程和教师。我们提出了学生满意度的五个不同方面：1）课程内容，2）课堂参与，3）实现对课程的最初期望，4）与专业发展的相关性，以及5）课程是否将他们联系起来并有助于探索现实世界的情况。我们采用最先进的机器学习技术来预测学生满意度的各个方面。对于我们的实验，我们利用了一个大型的学生评价数据集，其中包括学生的看法，使用不同的属性相关的课程和教师。实验结果和综合分析表明，学生满意度受课程属性的影响大于教师相关属性。
Role of Secondary Attributes to Boost the Prediction Accuracy of Students Employability Via Data Mining
数据采掘以其分析和预测能力而闻名。它被用于多个领域，如欺诈检测，预测客户行为，货币市场行为，破产预测。它还可以帮助建立一个教育生态系统，发现有用的知识，并协助教育工作者采取积极主动的决定，以提高学生的表现和就业能力。本文提出了一种实证研究，比较不同的分类算法的两个数据集的MCA（硕士计算机应用）的学生收集来自印度的一所著名的州立大学的各个附属学院。一个数据集只包含主要属性，而另一个数据集则包含次要的心理测量属性。结果表明，一旦他们在教育的第一年内平方测量，仅仅主要的学术属性并不能导致学生就业能力的智能预测准确性。本研究分析并强调了次要心理测量属性的作用，以提高预测准确性和分析学生的表现。及时预测和分析学生的表现可以帮助管理层，教师和学生在他们的灰色地带工作，以获得更好的结果和就业机会。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。