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。
2015-04-16 cs.CY
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。
2024-03-05 cs.CY
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。
2012-06-17 cs.CY
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
A Meta-analysis of College Students' Intention to Use Generative Artificial Intelligence
本研究通过对27项实证研究、33833份样本的元分析，明确了影响大学生使用GenAI意愿的关键变量及调节因素，为教育技术优化和校园GenAI应用提供依据。
2024-08-25 cs.CY
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。
2020-08-30 cs.CY
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。
2017-03-02 cs.CY
Predicting Student's Performance Through Data Mining
University of Northampton（北安普顿大学）
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。
2021-11-20 cs.CY cs.LG
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。
2014-11-08 cs.CY
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。
2016-12-04 cs.CY cs.DB
Measuring the Credibility of Student Attendance Data in Higher Education for Data Mining
Loughborough University（拉夫堡大学）
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。
2020-09-01 cs.AI cs.CY
Mining Student Responses to Infer Student Satisfaction Predictors
RMIT University（皇家墨尔本理工大学）
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。
2020-06-14 cs.CY cs.LG
Role of Secondary Attributes to Boost the Prediction Accuracy of Students Employability Via Data Mining
Banasthali University（巴纳斯泰利大学）；University of Rajasthan（拉贾斯坦大学）
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。
2017-08-09 cs.AI cs.CY
Automated Data Integration, Cleaning and Analysis Using Data Mining and SPSS Tool For Technical School in Malaysia
本研究旨在透过自动化数据采掘技术整合、清理与分析。使用数据采掘（DM）技术是将现有教育系统中的原始数据转换为有意义的信息的过程之一，这些信息可以用来帮助学校社区做出正确的决策，以取得更好的结果。这证明数据挖掘为教育者和学生提供了帮助，提高了教育质量。研究的结果和发现表明，自动化系统将给出相同的结果相比，人工系统的集成和分析，也可以用于管理，以作出更快，更有效的决策，以地图或规划有效的教学方法，为学生在未来。
2019-08-15 cs.CY
Text Mining Undergraduate Engineering Programs' Applications: the Role of Gender, Nationality, and Socio-economic Status
妇女、少数族裔和其他社会弱势群体在STEM教育中的代表性仍然不足。了解学生追求STEM专业的动机，以及性别，国籍，父母教育程度和社会经济背景在塑造学生动机中的作用，可以支持设计更有效的招聘工作。在本文中，我们提出并开发了一种新的文本挖掘方法，结合潜在的狄利克雷分配和词嵌入来分析申请人的动机因素，选择一个工程项目。我们将所提出的方法应用于加拿大一所大型大学工程学院的43，645个应用程序的数据集。然后，我们调查了申请人的性别，国籍，家庭收入和教育程度之间的关系，以及他们申请他们选择的工程项目的动机。我们发现，对技术的兴趣和对社会影响的渴望是申请人最强大的两个动力。此外，虽然我们发现与申请人的国籍和家庭社会经济地位有关的显着动机差异，但性别对学生学习工程的动机影响最大。
2022-08-03 cs.CY
Role of Data Mining in Nigerian Tertiary Education Sector
本文探讨数据挖掘工具和技术在分析尼日利亚高校学生数据、预测师生表现及解决院校职能部门问题中的作用，以应对高等教育快速扩张带来的挑战。
2024-11-07 cs.CY cs.DB
Measuring Domain Knowledge for Early Prediction of Student Performance: A Semantic Approach
数据采掘的日益普及促使研究人员探索教育的各个令人兴奋的方面。早期预测学生的表现是其中一个新兴领域。研究人员在性能建模研究中使用了各种预测因子。虽然先前的认知会影响学生的表现，建立他们的关系仍然是一个开放的研究挑战。从现有数据中量化知识是这方面的主要挑战。为此，我们提出了一个语义的方法。对近35万个观察结果的关联挖掘表明，先前的认知会影响学生的表现。所提出的测量领域知识的方法可以帮助早期的性能建模研究使用它作为一个预测器。
2021-07-15 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
Cross-course Process Mining of Student Clickstream Data -- Aggregation and Group Comparison
本文提出跨课程学生点击流数据的过程挖掘方法，通过SQL自动化数据流和章节标签标准化，实现跨课程聚合分析，发现高绩效学生更频繁参与活动且动态移动，聚合后模式更显著。
2024-09-04 cs.CY cs.HC
Data-Mining Research in Education
作为一门交叉学科，数据挖掘在教育领域特别是在考察学生学习成绩方面得到了广泛的应用。它侧重于分析教育相关数据，以开发改善学习者学习体验和提高机构效率的模型。因此，DM确实有助于教育机构为其学习者提供高质量的教育。在教育中应用数据挖掘也被称为教育数据挖掘（EDM），它可以更好地了解学生如何学习，并确定如何提高教育成果。本文旨在证明数据挖掘方法在教育领域的能力。本文介绍了电火花加工的最新研究动态。几个具体的算法，方法，应用和差距，在当前的文献和未来的见解进行了讨论。
2017-10-25 cs.CY stat.OT
Centralized vs. Federated Learning for Educational Data Mining: A Comparative Study on Student Performance Prediction with SAEB Microdata
本研究针对巴西教育数据的隐私合规问题，对比联邦学习FedProx算法与集中式XGBoost模型在SAEB超200万条学生数据上的成绩预测效果，发现联邦模型以微小性能损失实现隐私保护，为合规构建教育协作预测模型提供可行方案。
2025-08-27 cs.CY cs.LG
Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised Data Mining Approaches
Central China Normal University（华中师范大学）；SAS Institute Inc（SAS研究所）；East Carolina University（东卡罗来纳大学）；Tuskegee University（塔斯基吉大学）
本研究运用无监督数据挖掘技术，分析530名大学生数据，识别出与低数字干扰相关的在线学习策略，为教育者设计针对性干预措施提供了依据。
2026-09-04 cs.CY cs.HC
Multi-split Optimized Bagging Ensemble Model Selection for Multi-class Educational Data Mining
University of Sharjah（沙迦大学）；University of Western Ontario（西安大略大学）
近年来，学生学习成绩预测一直是一个研究热点，许多机构都致力于提高学生的学习成绩和教育质量。利用各种数据采掘技术可以实现对学生成绩的分析和预测。此外，这种技术允许教师确定可能影响学生最终分数的可能因素。为此，这项工作分析了两所不同大学的两个不同的本科生数据集。此外，这项工作的目的是预测学生的表现在两个阶段的课程交付（分别为20%和50%）。该分析允许适当地选择要使用的适当的机器学习算法以及优化算法的参数。此外，这项工作采用了一个系统的多分裂方法的基础上基尼指数和p值。这是通过优化一个合适的装袋集成学习器来完成的，该集成学习器是从六个潜在的基本机器学习算法的任何组合构建的。实验结果表明，所提出的bagging集成模型对两个数据集的目标群体都具有较高的精度。
2020-06-09 cs.CY cs.LG
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University（亚琛工业大学）
提出了一种基于校园管理系统数据和学习计划模型，利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径，以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里，事件演算和答案集编程被用来提供模型的研究计划，支持规划和一致性检查，同时提供可能的研究计划违反的反馈。在其组合中，过程挖掘和基于规则的人工智能被用来支持学习规划和监测，通过导出规则和建议，指导学生以更高的成功率更合适的学习路径。将实施两个应用程序，一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
Learning from students' perception on professors through opinion mining
Laboratorios de Investigación en Inteligencia Artificial y Computación de Alto Desempeño, Analista（Analista人工智能与高性能计算研究实验室）；Fundación Universitaria Konrad Lorenz（康拉德·洛伦兹大学基金会）
通过学生对教学调查的意见来衡量学生对课程的看法，可以发现环境和学习方法方面的不足和问题。本文的目的是研究，通过情感分析，使用自然语言处理（NLP）和机器学习（ML）技术，这些意见，以确定主题是相关的学生，以及通过极性分析预测相关联的情绪。因此，它是实施，训练和测试两种算法来预测相关的情绪以及这些意见的相关主题。这两种方法的组合，然后变得有用，以确定与每个情绪标签（积极，消极或中立的意见）和主题相关联的学生的意见的具体属性。此外，我们探索的可能性，学生的感知调查进行没有封闭的问题，依靠学生可以通过开放式问题，他们表达自己的意见，他们的类提供的信息。
2020-08-25 cs.CL cs.CY cs.NA
Process mining for self-regulated learning assessment in e-learning
Universidad de Oviedo（奥维耶多大学）；Universidad de Córdoba（科尔多瓦大学）
本研究利用过程挖掘技术（归纳挖掘器算法）分析101名大学生在Moodle平台上的交互日志，发现通过者遵循成功自我调节学习逻辑且多参与论坛协作，未通过者则相反，为教学改进提供依据。
2024-02-11 cs.CY cs.LG
Uncovering Students' Inquiry Patterns in GenAI-Supported Clinical Practice: An Integration of Epistemic Network Analysis and Sequential Pattern Mining
Monash University（墨尔本大学）；University College London（伦敦大学学院）；Peking University（北京大学）
本研究通过整合认知网络分析和序列模式挖掘，揭示学生在GenAI支持下的临床实践中探究模式，发现高绩效者更注重临床相关信息识别，而低绩效者则停留在常规问题验证循环中。
2025-12-04 cs.AI 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
Data mining the MNC like internal co-opetition duality in a university context
本文的目标是量化组织中同时发生的竞争与合作。由于这些概念最初似乎是二分的对立概念，因此提出了内部竞合二重性这一术语。比较了大型跨国公司与大学的竞合过程，并分析了两者的结构性解决方案。数据采掘是用来同时看如何在大学内的专业竞争更好的学生。我们通过应用图论和模块化算法进行社区发现，查看学生的个人资料，并找到专业之间的自然划分。专业化的竞争地位是显而易见的，在检测到的社区的平均等级。社区间的关系，以内部关系（电导）的比例量化的合作的立场，虽然，作为学生具有类似的配置文件表达联系的课程，并进行职业发展的选择变得明显。讨论的管理影响包括积极管理和经济奖励的合作竞争的二元性的结果的必要性。
2012-08-27 cs.CY cs.SI
Mining patterns in syntax trees to automate code reviews of student solutions for programming exercises
本文提出机器学习方法ECHO，通过挖掘抽象语法树模式自动复用教育代码审查反馈，实验证明其能准确快速预测反馈注释，显著减少手动反馈工作量。
2024-04-26 cs.CY cs.LG cs.SE
A Data Mining Approach for Detecting Collusion in Unproctored Online Exams
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对疫情期间无监考带回家考试的串通风险，本文利用事件日志数据挖掘学生答卷相似性，并通过有监考对照组建立识别异常相似可疑案例的经验法则。
2023-07-14 cs.CY cs.LG
Educational Question Mining At Scale: Prediction, Analysis and Personalization
Microsoft Research Cambridge（微软研究院剑桥分部）
在线教育平台使教师能够共享大量的教育资源，如问题，以形成练习和测验给学生。由于有大量可用的问题，重要的是要有一种自动化的方法来量化它们的属性，并为学生智能地选择它们，从而实现有效和个性化的学习体验。在这项工作中，我们提出了一个框架，从大规模的教育问题挖掘见解。我们利用最先进的贝叶斯深度学习方法，特别是部分变分自动编码器（p-VAE），来分析真实学生对大量问题的答案。基于p-VAE，我们提出了两个新的指标，量化问题的质量和难度，分别，和个性化的策略，以自适应地选择问题的学生。我们将我们提出的框架应用于现实世界的数据集，该数据集包含来自在线教育平台的数万个问题和数千万个答案。我们的框架不仅展示了有前途的结果，在统计指标，但也获得了高度一致的结果与领域专家的评价。
2021-03-01 cs.CY cs.LG stat.AP
Student Assessment in Cybersecurity Training Automated by Pattern Mining and Clustering
Institute of Computer Science, Masaryk University（马萨里克大学计算机科学研究所）；Faculty of Informatics, Masaryk University（马萨里克大学信息学院）
该研究针对网络安全实操训练交互数据难自动化分析的问题，采用模式挖掘与聚类技术分析113名学员的8834条命令，揭示学员行为与难点，证明数据挖掘可用于训练评估与设计优化。
2023-07-13 cs.CR cs.CY cs.LG
Performance Analysis and Prediction in Educational Data Mining: A Research Travelogue
在这个计算机化的时代，教育也改变了自己，并不局限于旧的讲座方法。定期探索是为了找到新的方法，使它更有效和高效的学生。目前，教育数据库中收集了大量的数据，但这些数据并没有得到充分的利用。为了从这样的大数据中获得所需的好处，需要强大的工具。数据采掘是一种新兴的分析和预测的有力工具。它已成功应用于欺诈检测、广告、营销、贷款评估和预测等领域。但是，在教育领域，它还处于萌芽阶段。在这方面已经做了大量的工作，但仍有许多未触及的领域。此外，这些研究之间没有统一的方法。本文对教育数据采掘及其未来的范围进行了全面的调查，旅行见闻（2002-2014）。
2021-07-22 cs.CY
A Review of Data Mining in Personalized Education: Current Trends and Future Prospects
Beihang University（北京航空航天大学）；University of International Business and Economics（对外经济贸易大学）
本文综述数据挖掘在个性化教育中的应用，围绕教育推荐、认知诊断、知识追踪和学习分析构建分类体系、整理数据集并展望未来方向。
2024-02-27 cs.CY cs.LG
Machine Learning-Driven Student Performance Prediction for Enhancing Tiered Instruction
School of Information Science and Engineering, Shandong Normal University（山东师范大学信息科学与工程学院）
本研究提出将机器学习学生成绩预测与分层教学相结合，通过特征选择降低冗余，采用随机森林实现最优分类，并据此设定分层教学目标，实验验证了该框架能有效提升教学成效。
2025-02-05 cs.CY cs.LG
Student Dropout Risk Assessment in Undergraduate Course at Residential University
学生辍学预测是衡量世界上任何一所大学以及整个大学的教育系统和成功率的众多智能系统不可或缺的一部分。因此，有必要制定有效的方法来预测有辍学风险的学生，从而采取积极主动的过程来减少这种情况。因此，本研究提出一个机器学习原型工具，它可以自动识别学生是否会继续他们的学习或放弃他们的学习，使用基于决策树的分类技术，并提取隐藏的信息，从大数据的哪些因素是负责辍学学生。此外，使用判别分析研究了导致辍学风险的因素的贡献，并应用关联规则挖掘来提取重要数据集之间的有趣相关性、频繁模式、关联或因果结构。本研究采用SPSS 20.0统计软件对数据进行描述性统计分析，并利用WEKA数据采掘工具对决策树和关联规则进行应用。
2014-05-15 cs.AI cs.CY
Equitable Ability Estimation in Neurodivergent Student Populations with Zero-Inflated Learner Models
Kidsloop Ltd（Kidsloop有限公司）；auticon（auticon公司）
目前，教育数据采掘社区缺乏许多工具，需要确保公平的能力估计神经分歧（ND）的学习者。一方面，大多数学习者模型容易低估ND能力，因为混淆的背景不能被追究责任（例如考虑阅读障碍和文本繁重的评估），另一方面，很少（如果有的话）现有的数据集适合评估ND背景下的模型和数据偏差。在本文中，我们试图建立一个零膨胀的学习者模型的背景（交付和响应类型）和ND学生的表现之间的关系。这种方法有利于模拟几个预期的ND行为特征，提供公平的能力估计所有学生群体从生成的数据集，增加可解释性的信心，并可以显着提高ND学生的学习机会的质量。我们的方法在我们的实验中始终优于基线，也可以应用于许多其他学习者建模框架。
2022-05-09 cs.CY cs.LG
A Survey on Artificial Intelligence and Data Mining for MOOCs
Nanyang Technological University（南洋理工大学）
大规模开放式在线课程（MOOC）在过去几年中获得了巨大的普及。得益于MOOC，来自世界各地的数百万学习者免费学习了数千门高质量的课程。构建一个优秀的MOOC生态系统是一项多学科的工作，需要来自许多不同领域的贡献。人工智能（AI）和数据采掘（DM）是两个这样的领域，它们在使MOOC成为今天的MOOC方面发挥了重要作用。通过利用参与MOOC的学习者生成的大量数据，DM提高了我们对MOOC生态系统的理解，并使MOOC从业者能够提供更好的课程。同样，由DM支持的AI可以大大改善学生的体验和学习成果。在这篇调查论文中，我们首先回顾了应用于MOOC的最先进的人工智能和数据采掘研究，强调使用人工智能和数据挖掘工具和技术来提高学生的参与度，学习成果以及我们对MOOC生态系统的理解。然后，我们概述了人工智能和数据挖掘领域的主要趋势和重要研究，以便MOOC能够充分发挥其潜力。
2016-01-26 cs.AI cs.CY
A real-time metric of online engagement monitoring
本研究提出一种基于章节的在线参与度实时指标，直接利用虚拟学习环境日志数据实现无需模型训练的累积跟踪，实验表明其能早期有效识别低表现学生并提供可扩展的学生支持方法。
2025-07-16 cs.CY
A Systematic Review on Process Mining for Curricular Analysis
本文系统性综述了教育过程挖掘在课程分析中的应用，审查了27项研究并将其归纳为五个主要研究目标，指出了标准化及工具整合等挑战，为学术机构的课程决策与研究提供了全面展望。
2024-12-03 cs.CY cs.DB
The Online Pivot: Lessons Learned from Teaching a Text and Data Mining Course in Lockdown, Enhancing online Teaching with Pair Programming and Digital Badges
University of Edinburgh（爱丁堡大学）；University of Edinburgh Business School（爱丁堡大学商学院）
在本文中，我们介绍了由于COVID-19疫情，我们如何在2020年夏季将文本和数据采掘课程移植到网上，以及我们如何在第二次试运行中对其进行改进。我们描述了这门课程，我们如何在两个试点运行中进行调整，以及我们使用了哪些教学技术来改善学生的学习和在线社区建设。我们还提供有关课程期间收集的无情反馈的信息，这些反馈帮助我们从一个课程到下一个课程以及从一个试点到下一个试点调整我们的教学。我们讨论了经验教训，并促进使用创新的教学技术应用于数字，如数字徽章和配对编程在休息室教学自然语言处理课程的初学者和学生不同的背景。
2021-05-03 cs.CL 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
Mining and Analyzing Patron's Book-Loan Data and University Data to Understand Library Use Patterns
Prince of Songkla University（宋卡王子大学）
本研究旨在探讨一所大学图书馆读者的使用行为。本研究调查了2015-2018学年宋卡王子大学Khunying Long Athakravisynthorn学习资源中心的读者图书借阅模式对读者学业成绩的影响。这项研究收集和分析了来自图书馆、注册处和人力资源的数据。学生的表现数据来自PSU学生信息系统，其余数据来自ALIST图书馆信息系统。WEKA被用作数据采掘工具，采用关联规则和聚类的数据采掘技术。所有的数据集进行挖掘和分析，以确定用户的图书借阅的特点，发现用户的兴趣的关联规则，并分析高校图书馆的使用和本科生的成绩之间的关系。研究结果揭示了读者的图书借阅行为模式、图书使用模式、读者在图书借阅中的兴趣规则模式以及读者借阅与其年级之间的关系模式。明确识别和描述读者的行为模式有助于图书馆更有效地管理资源和服务。本研究提供一个范例模式，作为指导或校园伙伴关系，并为未来的合作，将利用高校图书馆信息和数据采掘，以改善图书馆管理和图书馆服务。
2020-08-08 cs.CY cs.DB cs.LG
Systematic Ensemble Model Selection Approach for Educational Data Mining
University of Western Ontario（西安大略大学）；University of Sharjah（沙迦大学）
过去已经做了大量的研究，重点是预测学生的表现，以支持他们的发展。许多机构都致力于提高成绩和教育质量，这可以通过利用数据采掘技术来分析和预测学生的表现，并确定可能影响他们最终成绩的可能因素来实现。为了解决这个问题，这项工作首先使用多种图形，统计和定量技术在课程交付的两个不同阶段（分别为20%和50%）彻底探索和分析两个不同的数据集。特征分析提供了对所考虑的不同特征的性质的洞察，并有助于选择机器学习算法及其参数。此外，这项工作提出了一个系统的方法，基尼指数和p值的基础上选择一个合适的集成学习者从六个潜在的机器学习算法的组合。实验结果表明，所提出的集成模型在两个数据集的所有阶段都具有较高的准确率和较低的误报率。
2020-05-13 cs.CY cs.LG
Personalized Student Stress Prediction with Deep Multitask Network
University of Massachusetts（马萨诸塞大学）
随着可穿戴设备的日益普及，利用从这些设备收集的生理数据来预测穿戴者的精神状态（诸如情绪和压力）的能力暗示了巨大的临床应用，然而这样的任务是极其具有挑战性的。在本文中，我们提出了一个通用的平台，个性化的预测建模的行为状态，如学生的压力水平。通过使用自动编码器和多任务学习，我们将压力预测扩展到被动传感器数据序列和高级协变量。我们的模型在从移动传感器数据预测压力水平方面优于最先进的技术，在StudentLife数据集上获得了45.6%的F1分数提高。
2019-06-26 cs.CY cs.LG stat.ML
A Predictive Model using Machine Learning Algorithm in Identifying Students Probability on Passing Semestral Course
Lyceum of the Philippines University – Cavite（菲律宾大学莱西姆大学卡维特分校）；University of the East（东方大学）；Gokongwei College of Engineering, De La Salle University（德拉萨勒大学戈孔韦工程学院）
本研究基于CRISP-DM方法论和决策树分类算法构建学生课程通过概率预测模型，取得0.7619准确率等良好指标，为教育决策和学业干预提供可靠工具。
2023-04-12 cs.CV cs.CY cs.LG
Incorporating Features Learned by an Enhanced Deep Knowledge Tracing Model for STEM/Non-STEM Job Prediction
Hong Kong University of Science and Technology（香港科技大学）
2017年ASSISTments数据采掘竞赛旨在使用来自纵向研究的数据来预测学生的全新结果，这些数据以前从未被教育数据采掘研究界研究过。具体来说，它有助于开发预测模型的研究，这些模型可以预测大学毕业生的第一份工作是否属于STEM（科学，技术，工程和数学的首字母缩写）领域。这是基于学生在ASSISTments混合学习平台上的学习历史，以中学期间收集的广泛点击流数据的形式。为了应对这一挑战，我们首先使用深度知识追踪（DKT）模型和增强的DKT（DKT+）模型来估计学生在不同数学技能方面的预期知识状态。然后，我们将与DKT/DKT+预期知识状态相对应的特征与直接从数据集中的学生档案中提取的其他特征相结合，以训练几个机器学习模型来进行STEM/非STEM工作预测。我们的实验表明，使用组合特征训练的模型通常比单独使用学生配置文件训练的模型表现更好。对学生知识状况的详细分析表明，与非STEM学生相比，STEM学生通常在数学方面表现出更高的掌握水平和更高的学习收益。
2018-06-06 cs.AI cs.CY cs.LG
OnDiscuss: An Epistemic Network Analysis Learning Analytics Visualization Tool for Evaluating Asynchronous Online Discussions
本文提出OnDiscuss工具，结合文本挖掘与认知网络分析，帮助教师自动编码并可视化异步在线讨论数据，以减轻评估负担并提升分析效率。
2024-08-19 cs.CY cs.HC
Predicting Students' Performance Using ID3 And C4.5 Classification Algorithms
Fr. C.R.I.T.（弗朗西斯·克鲁西理工学院）
一个教育机构需要有一个近似的入学学生的先验知识，以预测他们在未来的学术表现。这有助于他们识别有前途的学生，也为他们提供了一个机会，以关注和改善那些可能会得到较低的成绩。作为一种解决方案，我们已经开发了一个系统，它可以预测学生的表现，从他们以前的表现，使用分类下的数据采掘技术的概念。我们分析了包含有关学生信息的数据集，如性别、十年级和十二年级的董事会考试成绩、入学考试成绩和排名以及上一批学生一年级的成绩。通过对这些数据应用ID3（迭代二分法3）和C4.5分类算法，我们预测了新入学学生在未来考试中的一般和个人表现。
2013-10-08 cs.CY cs.LG
Formulating Module Assessment for Improved Academic Performance Predictability in Higher Education
Loughborough University（拉夫堡大学）；Mutah University（穆塔大学）
各种研究表明，学生往往会得到更高的分数时，通过基于课程的评估方法，其中包括通过课程或课程和考试的混合充分评估的模块评估，而不是通过考试单独评估。有大量的教育数据采掘的研究，预处理数据通过传统的数据采掘过程，包括数据准备过程，但他们使用成绩单数据，因为他们站在没有考虑考试和课程结果的权重，这可能会影响预测的准确性。本文通过调查23万多份学生记录，提出了一种不同的数据准备过程，以准备学生的成绩为基础的评估方法的招生模块。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，在数据准备过程中对学生的模块分数进行了细化。研究结果表明，学生的期末成绩不应孤立于所选模块的性质评价方法。它们必须在EDM数据预处理阶段进行彻底调查和考虑。更一般地说，它的结论是，教育数据不应该准备在相同的方式作为其他数据类型由于数据源，应用程序和类型的错误，他们的差异。因此，一个属性，课程评估比率，建议使用，以考虑到不同的模块评估方法，同时准备学生成绩单数据。本文研究了CAR对随机森林分类方法预测过程的影响。结果表明，考虑CAR作为一个属性增加了预测学生第二年的平均成绩的基础上，他们的第一年的结果的准确性。
2020-08-30 cs.AI cs.CY
Analyzing Student Strategies In Blended Courses Using Clickstream Data
教育软件数据有望对学生的学习行为和成功的驱动因素提供独特的见解。虽然大部分工作都致力于大规模开放式在线课程的表现预测，但目前还不清楚是否可以将相同的方法应用于混合课程，并且通常缺乏对学生策略的更深入了解。我们使用模式挖掘和借鉴自然语言处理（NLP）的模型来了解学生的互动，并从混合大学课程中提取频繁的策略。细粒度的点击流数据是通过狄德罗收集的，狄德罗是一个非商业性的教育支持系统，涵盖了广泛的功能。我们发现，互动模式有很大不同的评估类型的学生正在准备，许多提取的功能可以用于可靠的性能预测。我们的研究结果表明，所提出的混合NLP方法可以提供有价值的见解，即使在低数据设置的混合课程提供足够的数据粒度。
2020-05-31 cs.CY cs.HC
Recommending the right academic programs: An interest mining approach using BERTopic
University of Bologna（博洛尼亚大学）；California Polytechnic State University（加州州立理工大学）
针对学生选校难、项目匹配效率低的问题，本研究提出基于BERTopic的兴趣挖掘推荐系统，通过知识图谱回溯匹配项目，经实证验证兼具个性化与公平性，可有效辅助项目选择决策。
2025-01-11 cs.CY cs.IR cs.LG
Self-supervised Hypergraph Representation Learning for Sociological Analysis
现代社会学深刻地揭示了许多令人信服的行为分析的社会标准。不幸的是，其中许多太主观，无法在在线社交网络中测量和呈现。另一方面，数据采掘技术可以更好地发现数据模式，但它们中的许多人留下了不自然的理解。在本文中，我们提出了一个基本的方法，以支持进一步融合的数据采掘技术和社会学的行为准则。我们的亮点有三个方面：首先，我们提出了一个有效的超图意识和快速线图构造框架。超图可以更深刻地表示个人与环境之间的相互作用，因为超图中的每条边（也称为超边）包含两个以上的节点，这非常适合描述社会环境。线图将每个社会环境视为一个超级节点，不同环境之间存在潜在影响。通过这种方式，我们超越了传统的成对关系，并在各种社会学标准下探索更丰富的模式;其次，我们提出了一种新的基于超图的神经网络来学习从用户到用户，用户到环境，环境到用户，环境到环境的社会影响力。神经网络可以通过无任务的方法进行学习，使我们的模型非常灵活，以支持各种数据采掘任务和社会学分析;第三，我们提出了定性和定量的解决方案，以有效地评估最常见的社会学标准，如社会整合，社会平等，环境演变和社会极化。我们广泛的实验表明，我们的框架可以更好地支持在线用户行为和社会学分析的数据采掘任务。
2023-01-06 cs.CY cs.SI
