A Comprehensive Survey on Deep Learning Techniques in Educational Data Mining
Jimei University（集美大学）；Xiamen University（厦门大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文系统综述了深度学习在知识追踪、行为检测、性能预测和个性化推荐等教育数据挖掘场景中的应用，梳理了公共数据集与工具，分析了实际挑战并提出解决方案，同时展望了未来研究方向。
2024-06-11 cs.CY cs.IR 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
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
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
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
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
Learner-Centered Analysis in Educational Metaverse Environments: Exploring Value Exchange Systems through Natural Interaction and Text Mining
本文研究教育元宇宙中自主学习与价值交换系统，通过自然交互和文本挖掘分析，强调以学习者为中心的方法，以适应教育4.0和第四次工业革命的需求。
2023-05-15 cs.CY
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
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
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
Enabling End-To-End Machine Learning Replicability: A Case Study in Educational Data Mining
在数字学习环境和机构数据仓库的丰富数据的推动下，机器学习技术在教育研究中的使用已经扩大。然而，由于实验、方法和数据障碍的融合，在学习科学领域复制机器学习模型特别具有挑战性。我们讨论了在这种情况下，端到端的机器学习复制的挑战，并提出了一个开源软件工具包，MOOC复制框架（MORF），以解决这些问题。我们通过进行大规模复制来演示MORF的使用，并提供一个完整的可执行容器，其中具有记录每个单独试验配置的独特DOI，用于复制或未来扩展。https://github.com/educational-technology-collective/fy2015-replication这项工作展示了一种端到端机器学习复制的方法，该方法与具有一致模式的大型，复杂或多格式，隐私保护数据的任何域相关。
2018-07-10 cs.CY stat.AP
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
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
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
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
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
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
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
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
Applications of Educational Data Mining and Learning Analytics on Data From Cybersecurity Training
本文系统综述35篇利用交互式网络安全训练中受训者生成数据的研究，按数据、方法与情境分类，揭示趋势、差距并提出未来方向与实践建议。
2023-07-13 cs.CR cs.CY
Rashomon effect in Educational Research: Why More is Better Than One for Measuring the Importance of the Variables?
Humboldt-Universität zu Berlin（柏林洪堡大学）；Eskisehir Technical University（埃斯基谢希尔技术大学）
本研究利用Rashomon集（多种简单准确模型）在教育数据挖掘中分析变量重要性，发现其提升预测精度2-6%，并揭示不同模型对变量重要性排序的影响，强调模型选择与谨慎泛化的重要性。
2024-12-02 cs.CY cs.LG
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
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
Stable and Privacy-Preserving Synthetic Educational Data with Empirical Marginals: A Copula-Based Approach
本文提出非参数高斯皮尔逊方法，通过经验边缘分布和皮尔逊框架生成稳定隐私保护的合成教育数据，在多个数据集上验证其稳定性和高效性。
2026-04-05 cs.CY cs.LG
Understanding Communication Patterns in MOOCs: Combining Data Mining and qualitative methods
大规模开放式在线课程（MOOC）提供了前所未有的大规模学习机会。在几年内，基于人群的学习现象已经获得了巨大的普及，全球数百万学习者参加了从流行音乐到天体物理学的课程。他们抓住了许多人的想象力，吸引了大量媒体的关注--《纽约时报》将2012年命名为“MOOC年”。“对于那些从事学习分析和教育数据采掘的人来说，MOOC提供了一个令人兴奋的机会，可以开发利用教育大数据的创新方法。
2016-07-25 cs.CY cs.SI physics.data-an
A Toolbox for Modelling Engagement with Educational Videos
University College London（伦敦大学学院）
本文提出PEEKC数据集和TrueLearn Python库，通过可扩展的在线学习者状态模型支持教育视频参与度建模，实验证明其预测性能显著优于基线模型。
2023-12-30 cs.CY cs.IR cs.LG
Beyond Compliance: A Proposed Framework for Ethical Governance of Student Data in Learning Analytics
Rowan University（罗恩大学）
针对学习分析学生数据治理仅重合规的问题，提出LEAGUE六支柱伦理治理框架，通过案例展示其可助力机构更透明地开展学习分析审查。
2026-08-05 cs.CY
Evaluation of group fairness measures in student performance prediction problems
L3S Research Center（L3S研究中心）；Leibniz University Hannover（汉诺威莱布尼茨大学）；Institute for Didactics of Mathematics and Physics（数学与物理教学法研究所）；Institute of Computer Science（计算机科学研究所）；Free University Berlin（柏林自由大学）
学生学习成绩预测是教育数据采掘的核心任务之一。传统上，这种模型的高预测质量被认为是至关重要的。最近，公平和歧视的问题w.r.t.受保护的属性，如性别或种族，已引起注意。虽然有几个公平意识的学习方法在EDM，这些措施的比较评价仍然是缺失的。在本文中，我们评估了不同的组公平性措施，学生的成绩预测问题的各种教育数据集和公平意识的学习模型。我们的研究表明，公平措施的选择是很重要的，同样为选择的年级阈值。
2022-08-22 cs.CY cs.LG
Research on Education Big Data for Students Academic Performance Analysis based on Machine Learning
LaFetra College of Education, University of La Verne（拉文大学拉菲特教育学院）；Steinhardt School of Culture, Education, and Human Development, New York University（纽约大学斯坦哈特文化、教育与人类发展学院）；Hunan University of Humanities, Science and Technology（湖南人文科技学院）
本研究针对教育数据挖掘问题，提出基于LSTM的机器学习模型分析教育大数据以评估学生表现，通过捕捉时间依赖性和长期趋势支持个性化教育，并经交叉验证证实了其预测有效性。
2024-06-25 cs.CY cs.LG
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
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。
2014-12-25 cs.CY
Extracting Topics from Open Educational Resources
近年来，开放教育资源（OER）被指定为缓解全球日益增长的教育需求的关键。显然，OER在许多不同的情况下都有很大的潜力来满足学习者，因为它们可以在广泛的背景下使用。然而，OER元数据的低质量通常是缺乏个性化服务（如搜索和推荐）的主要原因之一。因此，OER的适用性仍然有限。然而，OER元数据涵盖的主题（科目）基本上是需要学习者建立有效的学习途径，实现他们的个人学习目标。因此，在本文中，我们报告一个正在进行的项目，提出了一个OER主题提取方法，应用文本挖掘技术，生成高质量的OER元数据的主题分布。这是通过以下方式实现的：1）从Coursera和Khan Academy收集数据科学相关技能领域的123个讲座，2）对收集的资源应用潜在狄利克雷分配（LDA），以提取与这些技能相关的现有主题，3）定义特定OER所涵盖的主题分布。为了评估我们的模型，我们使用了来自Youtube的教育资源数据集，并在数据科学领域的3位专家的帮助下，将我们的主题分布结果与他们手动定义的目标主题进行了比较。因此，我们的模型提取的主题具有79%的F1分数。
2020-06-19 cs.CY
Estimating Learners' Skill Acquisition Without Temporal Information
Kyoto University（京都大学）；Inria（法国国家信息与自动化技术研究院）
提出一种仅利用快照数据预测技能习得的框架，通过认知诊断模型估计技能掌握模式，利用技能集包含关系诱导伪时间顺序，并引入神经网络模型捕捉潜在技能习得动态。
2026-06-23 cs.CY cs.LG
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
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
Experts' View on Challenges and Needs for Fairness in Artificial Intelligence for Education
University of Cagliari（卡利亚里大学）
近年来，关于人工智能（AI）如何支持智能教育应用的科学和工程的讨论一直很有意思。该领域的许多研究都提出了可操作的数据采掘管道和由学习相关数据驱动的机器学习模型。然而，这些渠道和模式扩大对某些类别学生的不公平的可能性正受到越来越多的关注。如果人工智能应用要对教育产生积极影响，那么其设计在每一步都考虑公平性至关重要。通过匿名调查和对去年在顶级教育会议上发表研究的专家（研究人员和从业人员）的采访，我们对基于人工智能的教育系统发展过程中解决公平性的挑战和需求进行了首次专家驱动的系统调查。我们确定了关于教育技术专家在实践中面临的挑战和需求的共同和不同观点，这使得社会对这一主题中引起怀疑的主要问题有了明确的理解。基于这些发现，我们强调了将促进正在进行的研究的方向，以实现更公平的人工智能教育。
2022-06-23 cs.AI 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
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
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
Dodona: learn to code with a virtual co-teacher that supports active learning
Dodona是一个免费智能编程辅导系统，通过实时反馈、学习分析和教育数据挖掘充当虚拟共同教师，支持主动学习与挑战式教育，已服务超3.6万用户并以MIT许可证开源。
2022-10-19 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
Clustering Students According to their Academic Achievement Using Fuzzy Logic
Yuriy Fedkovych Chernivtsi National University（尤里·费德科维奇切尔诺夫策国立大学）；Chernivtsi transport college（切尔诺夫策交通学院）；Hubei University of Technology（湖北工业大学）
本研究开发了基于Python和模糊逻辑的学生成绩聚类软件，结合K-Means方法与模糊三角隶属函数实现无清晰边界下的准确聚类，可精准为学生推荐适配难度的学习任务，同时具备教学价值。
2023-12-01 cs.AI cs.CY
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
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
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
Ranking-Based At-Risk Student Prediction Using Federated Learning and Differential Features
Kyushu University（九州大学）；Nagoya University（名古屋大学）
本文提出结合联邦学习与差分特征的风险学生预测方法，在保护跨校数据隐私的同时提升模型泛化能力，实验表明其性能可比集中式学习并支持学期早期预测。
2025-07-21 cs.CY cs.LG
From Precision Medicine to Precision Education: A Vision for AI-Powered Student Digital Twins, Preventive Student Success, and Career-Aligned Academic Pathways
University of South Florida（南佛罗里达大学）
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。
2026-08-07 cs.CY
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
Open Datasets in Learning Analytics: Trends, Challenges, and Best PRACTICE
Masaryk University（马萨里克大学）；Kyoto University（京都大学）；Kyushu University（九州大学）
本文调研了学习分析领域近五年内三个旗舰会议中发表的1125篇论文所附的数据集，分析了172个数据集的使用情况及分类，揭示了当前研究中的不足，并提出了PRACTICE指南以促进开放数据实践。
2026-04-13 cs.CY cs.DB cs.LG
Towards responsible AI for education: Hybrid human-AI to confront the Elephant in the room
Tallinn University（塔林大学）；University of Jyväskylä（于韦斯屈莱大学）；Czech Technical University（捷克理工大学）；Gangneung-Wonju National University（江陵原州大学）；Monash University（莫纳什大学）；University of Central Florida（中佛罗里达大学）
本文探讨教育AI中的关键问题，提出神经符号AI作为解决这些问题的混合方法，以实现负责任的AI系统。
2025-04-22 cs.AI cs.CY
Resource Usage Analysis from a Different Perspective on MOOC Dropout
我们提出了一种新的学习分析方法，用于分析MOOC中资源的使用情况。我们的目标利益相关者是课程设计者，他们的目标是评估他们的学习材料。为了深入了解教育资源的使用方式，我们以非典型的方式看待辍学行为：我们不是将其用作失败的指标，而是将其用作计算其他特征的方法。为此，我们开发了一个原型，称为RUAF，它可以应用于由FutureLearn提供的数据格式。作为概念的证明，我们通过将此工具应用于来自四个MOOC的学习者的交互数据来进行研究。我们还研究了我们的计算质量，通过将它们与现有的过程挖掘方法进行比较。我们目前的结果，突出显示学习者如何使用资源的模式。我们还展示了课程设计者可以从中受益的实际结论的例子。
2017-10-16 cs.CY
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
Expediting Support for Social Learning with Behavior Modeling
教育数据采掘的一个重要研究问题是加快数据的循环，从而分析学生的学习过程，并改善对这些过程的支持。为了实现这一目标，在学习中的社会互动的背景下，我们提出了一个由三部分组成的管道，包括数据基础设施，学习过程分析与行为建模，以及干预支持。我们还描述了一个应用程序的管道从社会学习平台的数据调查适当的目标设定行为作为一个资格的榜样。遵循适当的目标设定者的学生在课程中坚持的时间更长，在实践课程活动中表现出更高的参与度，并且在继续学习课程时更有可能复习以前的材料。为了促进学生之间的这种有益的社会互动，我们提出了一个社会推荐系统，并显示出潜在的帮助学生与合格的目标设定者作为榜样进行互动。我们将讨论如何推广管道可以适应其他支持需求，在在线学习设置。
2016-07-13 cs.CY
Discovering functional zones using bus smart card data and points of interest in Beijing
城市由各种功能区组成，包括居住区、教育区、商业区等。城市规划者必须识别不同的功能区，并了解其在城市中的空间结构，以便更好地进行城市规划。本研究以北京市2008年4月一周内的77976010条公交灵巧卡记录为研究对象，将其转换为各公交站台的二维时间序列数据，通过大数据库系统中的数据采掘，结合前人对市民出行行为的研究，建立了基于灵巧卡数据和兴趣点数据的不同功能区发现模型，并在交通分析区层次上对结果进行了汇总。结果表明，基于降维和EM（Expectation-Maximization）算法的DzoF模型和聚类分析能够识别出与北京市土地利用实际情况相匹配的功能区。本文的研究方法有助于城市规划者和公众对复杂的城市空间结构的认识，对城市地理学和城市规划学的研究也有一定的贡献。
2015-03-11 cs.CY cs.SI
