Students' Information Privacy Concerns in Learning Analytics: Towards a Model Development
对学习分析（LA）的广泛兴趣与学生数据的可用性和访问性的增加有关，其中学生的行为被监控，收集，存储和分析。据认为，这些数据的提供和分析对改进学习和教学至关重要。然而，这些数据可能会被滥用，例如用于商业目的，从而导致学生的信息隐私问题（IPC），他们是LA背景下的主要利益相关者和数据主体。本研究的主要目的是提出一个理论模型，以了解IPC的学生与LA。我们探讨了IPC作为其两个前因之间的中心结构：感知隐私脆弱性和感知隐私控制，其后果，信任信念和自我披露行为。虽然这些关系已在其他情况下进行了调查，本研究的目的是提供主要的理论见解，这些关系可能是如何在高等教育LA的背景下形成的。了解学生的IPC，相关的根本原因和后果在洛杉矶是关键的一步，以更全面地了解隐私问题和有效的隐私实践的发展，将保护学生的隐私在不断变化的数据驱动的高等教育的设置。
2021-08-31 cs.CY
Effective Predictions of Gaokao Admission Scores for College Applications in Mainland China
高考是中国大陆高校招生的年度学历考试。高考由每个省级行政区（PAR）组织，于6月初在全国范围内同时举行。要想在9月份进入一所大学，学生必须参加高考，并在7月份向他们所在的PAR高考办公室提交普通入学申请，列出他们打算就读和学习的少量固定大学和专业。每年约有950万高中毕业生参加高考，高考成绩好的时间只有一年。如果一个学生的高考分数高于他们在申请中选择的大学的录取分数，他就有很大的机会被录取。然而，大学的录取分数在填写申请表时是未知的，这将在录取过程中动态确定，并可能每年波动。为了增加他们被最适合的大学录取的机会，学生需要预测他们感兴趣的每一所大学的录取分数。早期预测方法是经验性的，没有深入的数据研究支持。我们通过提出基于PAR中高考分数排名的经过良好测试的数学模型来填补这一空白。我们表明，我们的方法显着优于教师和专家常用的方法，并可以预测录取分数的准确性为91%，在7分的保证金，在考试的750分的评分尺度。
2018-09-12 cs.CY
Effort Matters in Score-Based Admissions: How Retaking and Aggregation Shape Test Scores
Georgia Institute of Technology（佐治亚理工学院）
研究基于分数招生中重考和分数汇总对成绩的影响，构建战略框架分析单次考试和超级评分政策的利弊，提出三种算法干预措施并通过模拟比较标准评分规则与干预措施。
2026-07-29 cs.CY cs.GT
Introspecting the Happiness amongst University Students using Machine Learning
本研究针对大学生幸福感问题，结合统计分析与机器学习聚类方法，在多数据集上验证了结合聚类的RF模型性能最优，明确了不同院系幸福感差异及各影响因素的相关性与显著性。
2023-12-14 cs.CY
Stabilising Learner Trajectories: A Doubly Robust Evaluation of AI-Guided Student Support using Activity Theory
School of Mathematical and Computational Sciences, Massey University（梅西大学数学与计算科学学院）；Massey University（梅西大学）
本研究通过双重鲁棒方法评估AI引导的学生支持系统，发现其有效稳定学习者轨迹，但需与机构治理协调以加速学位完成。
2025-12-11 cs.CY
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
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
Students' patterns of interaction with a mathematics intelligent tutor: Learning analytics application
本文的目的是从智能导师的数据日志中确定学生在基础数学课程中学业成功的潜在标识符。采用横断面研究设计。从智能导师的数据日志中提取了58条记录的样本，使用知识空间的学习评估（ALEKS）。这些数据与调查收集的数据进行了三角测量。本研究以两阶段聚类分析、回归分析、配对样本t检定等方法进行研究。ALEKS的数据日志包括关于练习的主题数量和掌握的主题数量的信息。一个衍生属性，这是掌握的主题数的比例，实践的主题数被发现是一个预测的最终成绩。学生的先验知识和这个派生属性是最终成绩的预测因子，R平方= 42%。学生们被要求报告他们选择主题的首选方式，无论是顺序或随机。配对样本t检验结果显示，顺序选题的学生在终结性评估后仍能保持对学习的掌握，而随机选题的学生则不能保持对学习的掌握。
2016-07-19 cs.CY
Cultural Differences in Students' Privacy Concerns in Learning Analytics across Germany, South Korea, Spain, Sweden, and the United States
本研究调查五国大学生在学习分析中的隐私关注，发现文化价值观（如权力距离、不确定性规避）比国家文化更能影响隐私风险感知、控制感、信任及非自我披露行为，为隐私政策制定提供依据。
2024-02-11 cs.CY
The Brand War: A Gamified AI-Feedback System for Time-Limited EFL Writing
Simon Fraser University（西蒙菲莎大学）；National Changhua University of Education（国立彰化师范大学）；Sungkyunkwan University（成均馆大学）；Fairleigh Dickinson University（费尔利狄金森大学）；Mount Saint Vincent University（圣文森特山大学）；Athabasca University（阿萨巴斯卡大学）；British Columbia Institute of Technology（不列颠哥伦比亚理工学院）
该研究提出“品牌战争”游戏化AI反馈系统，经29名EFL学生实验，发现其可辅助限时写作提升，AI评分与人类评分关联度高，为EFL教学设计提供参考。
2026-09-01 cs.CY
Impact of UK Postgraduate Student Experiences on Academic Performance in Blended Learning: A Data Analytics Approach
Aston University（阿斯顿大学）
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。
2025-11-15 cs.CY
Evaluating Pedagogical Incentives in Undergraduate Computing: A Mixed Methods Approach Using Learning Analytics
本文采用学习分析与定性数据的混合方法，评估了University College London本科计算模块中新教学激励措施对学生参与度的影响，并提出了一个整合数据驱动分析与学生视角的可解释参与度模型，以帮助教育工作者改进教学策略。
2024-03-13 cs.CY
The Impact of Competition on Outcomes of Score-Based College Admissions
Georgia Institute of Technology（佐治亚理工学院）
研究录取政策设计如何影响被录取学生的能力，发现信号与大学偏好对齐度增加反而降低录取质量，且竞争导致非单调损失。
2026-06-19 cs.CY cs.GT
Exploring Student Expectations and Confidence in Learning Analytics
Bochum University of Applied Sciences（波恩应用科学大学）
本文通过SELAQ问卷分析不同学院学生对学习分析数据处理的期望与信心，识别出四类学生群体，揭示学习分析在学生中的接受程度与批评反馈。
2026-01-08 cs.CY cs.HC cs.LG
Patterns in Illinois Educational School Data
我们检查伊利诺伊州的教育数据，从标准化考试和分析影响公立学校学生成绩的主要因素。我们专注于最简单的模型：通过可视化和单变量回归来表示数据。考试成绩取决于学校类型、地点和贫困集中程度。对于伊利诺斯州的大多数学校来说，学生的考试成绩随着贫困程度的增加而线性下降。但是，芝加哥必须单独对待。芝加哥的选择性学校，以及一些传统和特许学校，偏离了这种基于贫困的模式。对于任何贫困水平，芝加哥学校的表现都比伊利诺伊州其他地区的学校好。与伊利诺伊州其他学校类型相比，天才学生的选择性课程在每个年级都表现出色，最明显的是在高中阶段。芝加哥特许学校的情况更为复杂。在过去的六年里，他们的学生的成绩超过了传统的芝加哥高中的学生。
2015-01-29 cs.CY physics.ed-ph physics.soc-ph
The application of adaptive minimum match k-nearest neighbors to identify at-risk students in health professions education
MGH Institute of Health Professions（MGH卫生职业学院）
本研究应用自适应最小匹配k近邻算法，利用早期评估数据提前一年预测医师助理认证考试风险，LOOCV准确率93%，助力分层干预。
2022-08-09 cs.CY cs.LG
A Machine Learning system to monitor student progress in educational institutes
diracAI Private Limited（diracAI私人有限公司）；Amity University（阿米提大学）
为了跟踪和了解学生的学业成绩，私立和公立教育机构都投入了大量的资源和人力。学院经常处理的难题之一是了解学生的考试缺点。学生的表现受多种因素影响，包括出勤率、上课时的专注程度、对所教授概念的理解、教师有效传授材料的能力、按时完成家庭作业，以及家长和教师对引导学生完成学习过程的关注。我们提出了一种数据驱动的方法，利用机器学习技术来生成一个分类器，称为信用评分，有助于理解学生的学习旅程，并确定活动，导致低于标准的性能。这将使教育工作者和机构管理人员更容易为系统开发创建指导方针，以提高生产力。使用学分作为进度指标的建议非常适合用于学习管理系统。在本文中，我们使用模拟数据在简化假设下证明了这一概念。
2022-11-02 cs.CY cs.LG
Artificial Intelligence-Based Analytics for Impacts of COVID-19 and Online Learning on College Students' Mental Health
Wake Forest University（维克森林大学）；Wake Forest University School of Medicine（维克森林大学医学院）
COVID-19是由新型冠状病毒（SARS-CoV-2）引起的疾病，于2019年12月下旬首次在中国武汉出现。没过多久，病毒在全球范围内传播，并于2020年3月被世界卫生组织宣布为大流行。这在世界各地和美国引起了许多变化，包括教育转向在线学习。在本文中，我们试图了解COVID-19大流行和在线学习的增加如何影响大学生的情绪健康。我们使用几个机器学习和统计模型来分析斯洛文尼亚卢布尔雅那大学公共管理学院与国际大学联盟，其他高等教育机构和学生协会收集的数据。我们的研究结果表明，与学生的学术生活相关的特征对他们的情绪健康影响最大。其他重要因素包括学生对大学和政府处理疫情的满意度以及学生的经济安全。
2022-09-05 cs.CY cs.LG
Content vs. Form: What Drives the Writing Score Gap Across Socioeconomic Backgrounds? A Generated Panel Approach
Knowledge Lab, University of Chicago（芝加哥大学知识实验室）；Insper, Institute of Education and Research（Insper教育与研究学院）
本文通过生成面板方法研究社会经济地位对写作分数差距的影响，发现内容质量占69%，风格差异占26%，评估标准差异占5%。
2026-01-06 cs.AI cs.CL cs.CY
Insights into undergraduate pathways using course load analytics
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
从LMS和招生功能推断的课程负荷分析（CLA）可以为学生提供比学分更准确的课程工作量表示，并可能有助于他们的选课决策。在这项研究中，我们制作并评估了第一个机器学习的学生课程负荷预测，并将我们的模型推广到一所大型公立大学的全部10，000门课程目录。然后，我们回顾性地分析了学生课程选择的学期负荷在整个学位期间的纵向差异。CLA按学期显示，学生在大学的第一个学期是他们最高的学期之一，而不是基于学分的分析，这将表明它是他们最低的。调查预测的课程负荷可能发挥什么作用，在程序保留，我们发现，谁保持一个学期的负荷是低的学分，但高的CLA测量的学生更有可能离开他们的学习计划。课程负荷的这种差异在STEM中特别相关，并与高先决条件课程相关。我们的研究结果对学术咨询，新生体验的机构处理以及面向学生的分析具有影响，以帮助学生更好地计划，预测和准备他们所选的课程。
2022-12-20 cs.CY cs.LG
Using learning analytics to provide personalized recommendations for finding peers
这项工作的目的是提出一种方法来支持学生在合作和混合学习环境中找到合适的同龄人。本研究的主要目标是弥合教学理论和数据驱动实践之间的差距，为从事计算机支持学习活动的学生提供个性化和自适应的指导。研究假设是，我们可以使用学习分析来模拟学生的认知状态，并评估学生是否处于最近发展区。基于这种评估，我们可以计划如何根据权变辅导的原则提供脚手架，以及如何根据最近发展区的原则组建学习小组。
2019-10-16 cs.CY cs.HC
FATE in MMLA: A Student-Centred Exploration of Fairness, Accountability, Transparency, and Ethics in Multimodal Learning Analytics
本研究通过访谈14名使用MMLA可视化反思的本科生，考察真实协作学习场景中学生对公平、问责、透明与伦理的感知，并提出改进数据表征、访问权限、透明度和知情同意的建议。
2024-02-29 cs.CY cs.HC
Data Science Students Perspectives on Learning Analytics: An Application of Human-Led and LLM Content Analysis
Newcastle University（纽卡斯尔大学）
该研究结合RAG、LLM与人工内容分析，考察72名数据科学研究生对OULAD的协作分析，揭示其学习分析理解、兴趣主题及方法共识。
2025-01-22 cs.AI cs.CY cs.ET
Transforming Student Evaluation with Adaptive Intelligence and Performance Analytics
Acharya Institute of Technology（阿查里雅理工学院）
本文提出一个基于 Gemini API 的智能学生评估系统，支持自动出题、评分、防作弊与实时表现分析，以提升评估效率和基于数据的学习效果。
2025-02-07 cs.AI cs.CY
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
Improving On-Time Undergraduate Graduation Rate For Undergraduate Students Using Predictive Analytics
针对波多黎各大学按时毕业率偏低的问题，本研究构建多种预测模型，基于24432名本科生数据，在两类因素场景下评估，最终选出过采样训练的boosting模型用于早期识别按时毕业风险学生。
2024-05-02 cs.CY stat.AP
Which Type of Students can LLMs Act? Investigating Authentic Simulation with Graph-based Human-AI Collaborative System
College of AI, Tsinghua University（人工智能学院，清华大学）；School of Education, Tsinghua University（教育学院，清华大学）；Department of Statistics and Data Science, Tsinghua University（统计与数据科学系，清华大学）；Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学）
本文提出一种基于图的LLM-人协作系统，通过自动化评分和图传播技术生成高质量学生代理，验证其在模拟学生行为方面的有效性。
2025-12-04 cs.CL cs.CY
Detecting AI-Assisted Cheating in Online Exams through Behavior Analytics
Hacettepe University（哈契特佩大学）
本研究针对在线考试中的AI辅助作弊威胁，通过k-Means聚类分析52名考生的可疑行为频次，划分出6个聚类，发现约33%的考生存在可疑行为且其分数平均高30-40分，为行为分析检测作弊提供了参考。
2025-09-14 cs.CY cs.HC
MUTLA: A Large-Scale Dataset for Multimodal Teaching and Learning Analytics
教师和学生互动的自动分析对于提高教学质量和学生参与度非常重要。然而，尽管最近在利用多模态数据进行教学和学习分析方面取得了一些进展，但尚未对复杂的真实学习环境中丰富的多模态数据集进行全面分析。为了弥合这一差距，我们提出了一个大规模的多模态教学和学习分析（MUTLA）数据集。该数据集包括学生的时间同步多模态数据记录（学习日志，视频，EEG脑电波），因为他们在Squirrel AI学习系统（SAIL）的各种科目中工作，以解决不同难度的问题。数据集资源包括来自SAIL学习者记录存储的用户记录、EEG耳机设备收集的脑波数据以及学生在SAIL产品中工作时由网络摄像头捕获的视频数据。我们希望通过分析真实世界的学生学习活动，面部表情和脑电波模式，研究人员可以更好地预测参与度，然后可以用来改善自适应学习选择和学生的学习成果。另一个目标是提供从真实世界的教育活动中收集的数据集，而不是从受控实验室环境中收集的数据集，以使教育学习社区受益。
2022-12-06 cs.CY stat.ML
Assessing the Performance of Online Students -- New Data, New Approaches, Improved Accuracy
Carnegie Mellon University（卡内基梅隆大学）
我们考虑的问题，评估个别学生不断变化的表现水平，因为他们通过在线课程。学生表现（SP）建模问题是构建自适应在线教学系统的关键步骤。具体来说，我们进行了一项研究，如何利用各种类型和大量的学生日志数据，训练准确的机器学习（ML）模型，预测未来的学生的表现。这项研究是第一次使用四个非常大的学生数据集最近从四个不同的智能辅导系统。我们的研究结果包括一种新的ML方法，该方法定义了基于逻辑回归的SP建模的最新技术水平，在几个方面改进了早期的方法：首先，我们通过引入可以从传统的问题-响应日志中轻松计算的新特征（例如，学生最近的答案中的模式）。其次，我们利用学生历史的特点，超越了问题-回答对（例如，诸如学生观看或跳过的视频片段的特征）以及关于课程中的先决条件结构的信息。第三，我们为课程的不同方面训练多个专门的SP模型（例如，总的来说，这些创新在这四个数据集上产生了0.808的平均AUC得分，而之前最好的逻辑回归方法得分为0.767，并且也优于最先进的深度神经网络方法。重要的是，我们在每个数据集中观察到我们的三种方法创新中的每一种都有一致的改进，这表明我们的方法具有通用性，并且也可能为其他在线辅导系统带来改进。
2022-02-08 cs.CY cs.LG
Is Solving Better Than Evaluating GenAI Solutions?
Purdue University（普渡大学）
通过220名大三算法课学生的随机A/B交叉研究发现，评估GenAI方案与传统解题的整体成绩无显著差异，仅作业成绩局部更高，需刻意支架式教学才能获得学习收益。
2026-07-31 cs.AI cs.CY
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
Reducing the Filtering Effect in Public School Admissions: A Bias-aware Analysis for Targeted Interventions
Columbia University（哥伦比亚大学）；Massachusetts Institute of Technology（麻省理工学院）
本研究采用运筹学方法，通过分析纽约市教育部数据，将弱势学生分数分布偏移建模为偏差，并证明针对中等成绩弱势学生的集中干预（如奖学金或培训）可显著降低偏差影响。
2026-06-02 cs.CY cs.LG
Big Data and Analytics Implementation in Tertiary Institutions to Predict Students Performance in Nigeria
University of Abuja（阿布贾大学）
大数据一词是指传统数据处理技术无法处理的大量数据。大数据仍然是一个新的概念，在下面的文献中，我们打算以一种明显的方式详细阐述它。大数据为教育机构提供了一个机会，可以战略性地利用他们的信息技术资源来提高教育质量，引导学生提高完成率，提高学生的持久性和成果。本文探讨了与教育机构相关的大数据属性，调查了影响学习机构采用大数据和分析的因素，并试图建立阻碍高等院校使用大数据的限制因素。本研究采问卷调查设计，以问卷为数据汇集工具。
2022-07-29 cs.AI cs.CY cs.LG
Multi-Layer Personalized Federated Learning for Mitigating Biases in Student Predictive Analytics
Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院）；University at Buffalo (SUNY)（纽约州立大学布法罗分校）；University of Florida（佛罗里达大学）；School of Engineering Education, Purdue University（普渡大学工程教育学院）；Manning College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
提出多层个性化联邦学习（MLPFL），通过元梯度分布式训练全局模型并个性化各学生子群，缓解数据偏差，在知识追踪和结果预测任务中提升平均预测质量并降低子群间方差。
2024-05-28 cs.AI cs.CY cs.LG
