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
Generating Plausible Distractors for Multiple-Choice Questions via Student Choice Prediction
Graduate School of Data Science, Seoul National University(数据科学研究生院,首尔国立大学)
本研究提出一种通过训练成对排序器推理学生错误概念,并结合直接偏好优化(DPO)训练干扰项生成器的流程,能生成更合理且提升题目区分度指数(DI)的干扰项。
2025-05-31 cs.AI cs.CL cs.LG
Towards Oracle Knowledge Distillation with Neural Architecture Search
Seoul National University(首尔国立大学);POSTECH(浦项科技大学)
我们提出了一个新的框架,知识蒸馏,是能够学习强大而有效的学生模型,从合奏教师网络。我们的方法解决了教师和学生之间固有的模型能力问题,旨在通过减少他们的能力差距,最大限度地提高教师模型在蒸馏过程中的利益。具体来说,我们采用了神经架构搜索技术,以增加有用的结构和操作,搜索网络是适当的知识蒸馏对学生模型和自由的牺牲其性能通过固定的网络容量。我们还引入了一个甲骨文知识蒸馏损失,以方便模型搜索和蒸馏使用基于集成的教师模型,其中学生网络学习模仿甲骨文性能的教师。我们使用各种网络对图像分类数据集--CIFAR-100和TinyImageNet--进行了广泛的实验。我们还表明,搜索一个新的学生模型是有效的准确性和内存大小,搜索的模型往往优于他们的教师模型由于神经架构搜索与甲骨文知识蒸馏。
2019-11-29 cs.LG stat.ML
Unified Prediction Model for Employability in Indian Higher Education System
Banasthali University(巴纳斯特利大学);Manipal University Jaipur(马尼帕尔大学斋浦尔分校)
针对印度高等教育中学生就业能力预测方法不通用、难扩展的问题,收集17个邦的数据开发统一预测模型,证明其具有跨邦和跨学院的普适性,为印度学生就业能力预测提供通用解决方案。
2024-06-05 cs.AI 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
An Integrated System for Real-Time Student Assessment and Career Guidance Using Neural Networks in Computing Disciplines
Daffodil International University(达福尔国际大学);Barishal Engineering College(巴里什尔工程学院)
针对计算机专业学生职业路径选择困难,提出集成职业指导专家系统与网络评估平台的AI驱动系统,采用多层感知器模型实现94.71%的职业路径预测准确率。
2026-06-16 cs.AI cs.LG cs.NE
UNVaMP: Neural Knowledge Tracing with Variational Regularization of Latent Knowledge Dynamics
UNVaMP是一种结合学生-题目交互与内部记忆的知识追踪方法,纯神经配置UNVaMP-MLP在多数数据集预测性能最优,混合配置UNVaMP-MIRT兼具可解释性且预测成本低,可应用于教育系统并恢复交互潜在结构。
2026-08-05 cs.CY cs.LG
GLACIER: A Multimodal Student-Teacher Foundation Model for Molecular Property Prediction
Department of Computer Science, University of Southern California(南加州大学计算机科学系);Department of Quantitative and Computational Biology, University of Southern California(南加州大学定量与计算生物学系);Amazon(亚马逊);Department of Medical Biochemistry and Biophysics, Science for Life Laboratory, Karolinska Institutet(卡罗林斯卡学院医学生物化学与生物物理系,生命科学实验室)
提出GLACIER师生框架,通过融合分子图、SMILES和物理化学描述符三种模态,并利用大模型蒸馏,实现高效准确的分子性质预测。
2026-06-11 cs.LG q-bio.BM
Should Under-parameterized Student Networks Copy or Average Teacher Weights?
NYU(纽约大学);EPFL(洛桑联邦理工学院)
本文研究欠参数化学生网络逼近单隐藏层教师网络时,学生神经元应复制单个教师神经元还是平均多个教师神经元,证明并实验验证了复制-平均临界点结构及其在 erf 和 ReLU 激活下的通用性。
2024-01-16 cs.LG cs.NE stat.ML
Applying Recent Innovations from NLP to MOOC Student Course Trajectory Modeling
University of California, Berkeley(加州大学伯克利分校);UC Berkeley School of Information(加州大学伯克利分校信息学院)
本文提出了几种策略,可以改进基于神经网络的预测方法,用于MOOC学生课程轨迹建模,应用先前应用于解决NLP(自然语言处理)任务的多种想法。特别是,本文研究了用两种形式的正则化增强的LSTM网络,以及最近引入的Transformer架构。
2020-05-04 cs.CY cs.LG stat.ML
Personalized Student Knowledge Modeling for Future Learning Resource Prediction
Department of Computer Science University at Albany - SUNY(计算机科学系大学阿尔巴尼 - 纽约州立大学)
针对教育领域学生知识追踪与行为建模存在的个性化不足、忽视非评估类学习活动等问题,提出有状态多任务模型KMaP,通过基于聚类的学生画像构建个性化表征,实现知识与行为同步建模,在真实数据集上验证了其预测学习资源偏好的有效性。
2025-05-20 cs.AI cs.LG
Academic Performance Estimation with Attention-based Graph Convolutional Networks
George Mason University(乔治梅森大学)
学生的学习成绩预测使教育技术,包括学术轨迹和学位规划,课程推荐系统,预警和建议系统。给定学生的过去数据(例如在先前课程中的成绩),学生表现预测的任务是预测学生在未来课程中的成绩。学术课程的结构方式,以前的课程奠定了未来课程的基础。课程所需的知识是通过学习多门先前的课程来获得的,这些课程表现出由图结构建模的复杂关系。传统的学生成绩预测方法通常忽略了多门课程之间的潜在关系;以及学生如何跨课程获得知识。此外,传统方法不提供决策所需的预测解释。在这项工作中,我们提出了一种新的基于注意力的图卷积网络模型的学生的成绩预测。我们从一所大型公立大学获得的真实世界的数据集进行了广泛的实验。实验结果表明,我们提出的模型优于国家的最先进的方法在等级预测。该模型还显示出很强的准确性,在识别学生谁是在失败或辍学的风险,以便及时干预和反馈,可以提供给学生。
2019-12-26 cs.AI cs.LG
Context-Aware Prediction of Student Quiz Performance with Multimodal Textbook Features
Stanford University(斯坦福大学)
本研究通过提取CourseKata教材中复习题的文字和图像特征,结合学生历史表现,将章节测验预测准确率相对提升9.1%,表明情境感知模型能利用内容特征改进预测。
2026-06-24 cs.AI cs.CY cs.LG
An Integrated Machine Learning and Hierarchical Variance Decomposition Pipeline for Student Performance Prediction and Metacognitive Calibration on Multi-Signal Telemetry
Fergana State Technical University(费尔干纳技术大学)
提出UBP-CAP框架,集成LightGBM分类器、校准指标和交叉广义线性混合模型,引入预测-解释分歧指数(PEDI),在1195条记录上验证了系统性校准偏差和情境性校准特性。
2026-06-27 cs.AI cs.LG
Graph-based Ensemble Machine Learning for Student Performance Prediction
学生表现预测是了解学生需求、提供适当的学习机会/资源、提高教学质量的重要研究课题。然而,传统的机器学习方法无法产生稳定和准确的预测结果。在本文中,我们提出了一个基于图的集成机器学习方法,旨在提高稳定性的单一机器学习方法通过多个方法的共识。具体来说,我们利用监督预测方法和无监督聚类方法,构建一种迭代方法,该方法在二分图中传播,并收敛到更稳定和准确的预测结果。大量的实验表明,我们提出的方法在预测更准确的学生表现的有效性。具体来说,我们的模型在预测准确率方面比最好的传统机器学习算法高出14.8%。
2021-12-22 cs.AI cs.CY cs.LG
Neural Network Conversion of Machine Learning Pipelines
Raytheon BBN Technologies(雷神BBN科技公司)
本文探讨了将非神经网络的机器学习流水线作为教师模型,转换为神经网络学生模型的方法,通过联合优化流水线组件实现多任务统一推理引擎。
2026-03-26 cs.AI cs.LG
Alignahead: Online Cross-Layer Knowledge Extraction on Graph Neural Networks
Zhejiang University(浙江大学);ZJU-Bangsun Joint Research Center(浙大邦生联合研究中心);Shanghai Institute for Advanced Study of Zhejiang University(浙江大学上海高等研究院)
现有的图神经网络(GNN)上的知识蒸馏方法几乎是离线的,其中学生模型从强大的教师模型中提取知识以提高其性能。然而,一个预先训练的教师模型并不总是访问由于培训成本,隐私等,在本文中,我们提出了一种新的在线知识蒸馏框架来解决这个问题。具体来说,每个学生GNN模型在交替训练过程中从另一个同时训练的对应物中学习提取的局部结构。我们进一步开发了一种跨层蒸馏策略,通过将一个学生层与另一个学生模型的不同深度的层对齐,理论上使结构信息分散在所有层上。在PPI、Coauthor-CS/Physics和Amazon-Computer/Photo等五个数据集上的实验结果表明,在没有预先训练的教师模型的监督下,学生的成绩在我们的协作训练框架中得到了持续的提高。此外,我们还发现,我们的alignahead技术可以加快模型的收敛速度,其有效性可以通过增加训练中的学生人数普遍提高。代码可用:https://github.com/GuoJY-eatsTG/Alignahead
2022-05-05 cs.AI cs.LG
Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy
Huazhong Agricultural University(华中农业大学);The University of Auckland(奥克兰大学)
针对学习者众创问题的学生表现预测中存在的数据噪声和冷启动难题,提出结合SGNN与LLM嵌入的协同策略,通过符号二分图建模及对比学习增强抗噪性,利用LLM生成问题嵌入应对冷启动,在PeerWise的五个真实数据集上实现了优于基线的预测准确率与鲁棒性。
2024-01-29 cs.AI cs.LG
UM4: Unified Multilingual Multiple Teacher-Student Model for Zero-Resource Neural Machine Translation
Microsoft Research(微软研究院);Tencent Cloud(腾讯云);Beihang University(北京航空航天大学)
语言间的翻译任务大多属于零资源翻译问题,在这种情况下,平行语料库不可用。多语言神经机器翻译(MNMT)与两遍枢轴翻译相比,可以使用所有语言的共享语义空间进行一遍翻译,但通常表现不佳。在本文中,我们提出了一种新的方法,命名为统一的多语言多师生模型NMT(UM 4)。我们的方法统一了源教师,目标教师,并指导学生模型的零资源翻译的教师模型。源语教师和译语教师通过源语和译语双方的知识精华迫使学生学习直接源语到译语的翻译。单语语料库被进一步利用的教师-教师模型,以提高学生模型。实验结果表明,我们的72个方向的模型显着优于以前的方法在WMT基准。
2022-08-24 cs.AI cs.CL cs.LG
Semi-Supervised Learning of Dynamical Systems with Neural Ordinary Differential Equations: A Teacher-Student Model Approach
University of California, Santa Barbara(加州大学圣巴巴拉分校);Pacific Northwest National Laboratory(太平洋西北国家实验室);Thomas Jefferson National Accelerator Facility(托马斯·杰斐逊国家加速器设施);Oak Ridge National Laboratory(橡树岭国家实验室)
提出首个基于NODE的动力系统半监督建模方法TS-NODE,通过师生模型利用合成伪展开扩大状态空间探索,并采用统一优化框架纠正教师模型以缓解虚假动力学,显著超越基线Neural ODE。
2023-10-19 cs.AI cs.LG
Prediction of Students performance with Artificial Neural Network using Demographic Traits
Landmark University(兰德马克大学);Birla Institute of Technology Pilani(比尔拉理工学院皮拉尼分校);Covenant University(盟约大学)
许多研究者使用大量的数据采掘技术研究了学生在有监督学习和无监督学习中的学习成绩。神经网络通常需要更大的观测集合来实现足够的预测能力。由于成绩不佳的毕业生比例增加,有必要设计一种制度,帮助减少这一威胁,并减少学生因成绩不佳而留级或在追求职业生涯的过程中完全辍学的情况。因此,有必要研究每一种方法及其优缺点,以确定哪一种方法更有效,以及在何种情况下应优先采用哪一种方法。该研究旨在开发一个系统来预测学生的表现与人工神经网络使用学生的人口统计特征,以帮助大学选择候选人(学生)具有较高的预测成功录取使用以前的学业成绩的学生授予录取,最终将导致该机构的高质量毕业生。该模型是根据某些选定的变量作为输入开发的。它实现了超过92.3%的准确率,显示了人工神经网络作为预测工具和大学入学候选人的选择标准的潜在有效性。
2021-08-08 cs.AI cs.CY cs.LG
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
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
A Comparative Analysis of Student Performance Predictions in Online Courses using Heterogeneous Knowledge Graphs
Georgia Institute of Technology(佐治亚理工学院);IBB University, Yemen(也门伊卜大学)
本研究利用异构知识图谱和图卷积网络(GCN)分析学生与课程资源的交互,预测在线与校园课程的学生表现,识别有风险学生,模型准确率达70-90%。
2024-05-19 cs.AI cs.CY cs.LG
GritNet: Student Performance Prediction with Deep Learning
Udacity(优达学城)
学生成绩预测-机器预测学生与在线课程互动时的未来表现-是一个具有挑战性的问题。对学生未来表现的可靠早期预测对于促进课程期间的及时教育干预至关重要。然而,之前很少有研究从深度学习的角度探讨这个问题。在本文中,我们将学生成绩预测问题转换为顺序事件预测问题,并提出了一种新的基于深度学习的算法,称为GritNet,该算法建立在双向长短期记忆(BLSTM)的基础上。我们的结果,从真正的Udacity学生的毕业预测,表明GritNet不仅始终优于标准的基于逻辑回归的方法,但在前几周的改进是显着的准确预测是最具挑战性的。
2018-04-19 cs.CY cs.LG stat.ML
Excess Risk of Two-Layer ReLU Neural Networks in Teacher-Student Settings and its Superiority to Kernel Methods
The University of Tokyo(东京大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
虽然深度学习在各种任务中的表现优于其他方法,但解释其原因的理论框架尚未完全建立。为了解决这个问题,我们研究了教师-学生回归模型中两层ReLU神经网络的过度风险,其中学生网络通过其输出学习未知的教师网络。特别地,我们考虑了与教师网络具有相同宽度的学生网络,并且在两个阶段进行训练:首先通过噪声梯度下降,然后通过香草梯度下降。我们的结果表明,学生网络可证明达到一个接近全局最优解,并优于任何核方法估计(更一般地说,线性估计),包括神经正切核方法,随机特征模型,和其他核方法,在极大极小最优率的意义。诱导这种优越性的关键概念是神经网络模型的非凸性。即使损失景观是高度非凸的,学生网络也会自适应地学习教师神经元。
2022-06-06 cs.LG stat.ML
SAICL: Student Modelling with Interaction-level Auxiliary Contrastive Tasks for Knowledge Tracing and Dropout Prediction
RIIID AI Research(RIIID人工智能研究院);KAIST(韩国科学技术院)
知识追踪和辍学预测是网络教育评估学生知识状态或防止辍学的关键。虽然传统的系统与学生互动遭受数据稀疏和过拟合,最近的样本级对比学习有助于缓解这个问题。样本级方法的一个主要局限是将学生的行为交互序列视为一个束,因此通常无法编码时间上下文并跟踪其动态变化,从而难以找到用于知识跟踪和辍学预测的最佳表示。为了在序列中应用时间上下文,本研究引入了一种新的学生建模框架SAICL:\textbf{s}学生建模与\textbf{a}辅助\textbf{i}交互水平的\textbf{c}对比\textbf{l}学习。详细地,SAICL可以利用所提出的自监督/监督交互级对比目标:MilCPC(\textbf{M} ulti-\textbf{I} interaction- \textbf{L} level \textbf{C} ontrasive \textbf{P} redictive \textbf{C} oding)和SupCPC(\textbf{Sup} served \textbf{C} ontrasive \textbf{P} redictive \textbf{C} oding)。虽然以前用于学生建模的样本级对比方法高度依赖于数据增强方法,但SAICL没有数据增强,同时在自我监督和监督设置中表现出更好的性能。通过将交叉熵与对比目标相结合,所提出的SAICL在不影响推理成本的情况下实现了与其他…
2022-10-19 cs.AI cs.CY cs.LG
Prescribing Deep Attentive Score Prediction Attracts Improved Student Engagement
Riiid! AI Research(Riiid! AI研究院);University of Michigan(密歇根大学);Yale University(耶鲁大学)
智能辅导系统(ITS)已经被开发为通过自适应地生成针对每个个体优化的学习路径来向学生提供个性化的学习体验。在ITS的广阔范围内,分数预测作为一个研究领域脱颖而出,使学生能够根据当前的位置构建个人现实的目标。通过ITS提供的预期分数,学生可以即时将自己的预期分数与自己的实际分数进行比较,这直接对应于ITS可以灌输的可靠性。换句话说,改进预测分数的精度与学生可能对ITS的信心水平密切相关,这显然会提高学生的参与度。然而,以前的研究仅仅集中在提高预测模型的性能,在很大程度上缺乏关注其实际应用所产生的好处。在本文中,我们通过提供经验证据证明,在现实世界中部署的分数预测模型的准确性会显著影响用户参与度。为此,我们将最先进的基于深度专注神经网络的分数预测模型应用于Santa,Santa是一个多平台英语ITS,在韩国拥有约78万用户,专门专注于TOEIC(国际交流英语考试)标准化考试。我们运行一个受控的A/B测试的ITS与两个模型,分别基于协同过滤和深度专注神经网络,以验证是否更准确的模型产生任何学生的参与。结果表明,注意力模式不仅能提高学生的士气(例如,更高的诊断测试完成率,回答问题的数量等),而且还鼓励积极参与(例如,更高的购买率,改善的总利润等)圣诞老人。
2020-07-01 cs.AI cs.HC cs.LG
Compressing Deep Graph Neural Networks via Adversarial Knowledge Distillation
University of Science and Technology of China(中国科学技术大学);Hefei Comprehensive National Science Center(合肥综合性国家科学中心)
深度图神经网络(GNN)已被证明是表达建模图结构的数据。然而,深度图模型的过度堆叠架构使得难以在移动或嵌入式系统上部署和快速测试。为了压缩过度堆叠的GNN,通过教师-学生架构进行知识蒸馏被证明是一种有效的技术,其中关键步骤是使用预定义的距离函数来测量教师和学生网络之间的差异。然而,对于不同结构的图使用相同的距离可能是不合适的,并且最佳距离公式很难确定。为了解决这些问题,我们提出了一种新的对抗性知识蒸馏框架的图形模型命名为GraphAKD,它对抗训练一个学习器和一个生成器,以自适应地检测和减少差异。具体来说,注意到良好捕获的节点间和类间相关性有利于深度GNN的成功,我们建议使用可训练的鉴别器从节点级和类级视图批评继承的知识。学习者区分教师知识和学生继承的知识,而学生GNN则作为一个生成器,旨在欺骗学习者。据我们所知,GraphAKD是第一个将对抗训练引入图域中的知识蒸馏的公司。在节点级和图级分类基准上的实验表明,GraphAKD大幅提高了学生的性能。结果表明,GraphAKD可以精确地将知识从复杂的教师GNN转移到紧凑的学生GNN。
2022-05-24 cs.AI cs.LG
Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network
HKUST(香港科技大学)
学生表现预测对在线教育至关重要。它可以使在线学习平台上的许多下游任务受益,例如估计辍学率,促进战略干预,以及实现自适应在线学习。交互式在线问题池为学生提供有趣的交互式问题,以实践他们在在线教育中的知识。然而,很少有研究已经做了互动在线问题池中的学生成绩预测。现有的学生成绩预测工作针对的是具有预定义课程和准确知识标签的在线学习平台,如MOOC平台,但它们不能完全模拟学生在交互式在线问题池中的知识演变。在本文中,我们提出了一种新的方法,使用图神经网络(GNNs),以实现更好的学生表现预测的互动在线问题池。具体而言,我们使用学生交互来建模学生和问题之间的关系,以构建学生交互问题网络,并进一步提出了一种新的GNN模型,称为R^2GCN,它本质上适用于异构网络,以实现可推广的学生在线交互问题池中的表现预测。我们评估了我们的方法在真实世界的数据集上的有效性,该数据集由104,113个鼠标轨迹组成,这些轨迹是在4000多名学生对1631个问题的解决过程中产生的。实验结果表明,该方法比传统的机器学习方法和GNN模型具有更高的学生成绩预测精度。
2020-08-15 cs.HC cs.LG stat.ML
Back to the Basics: Bayesian extensions of IRT outperform neural networks for proficiency estimation
Knewton, Inc.(Knewton公司);Carnegie Mellon University(卡内基梅隆大学)
学生水平评估是计算机辅助学习系统的一项重要任务。我们将一系列基于IRT的熟练度估计方法与深度知识跟踪(DKT)进行了比较,深度知识跟踪是最近提出的一种递归神经网络模型,具有良好的初始结果。我们评估如何以及每个模型预测学生的未来的反应给出以前的反应,使用两个公开的和一个专有的数据集。我们发现,基于IRT的方法在所有数据集上的表现始终与DKT相匹配或优于DKT,这些数据集都是在最精细的内容粒度级别上进行训练的。当数据集包括学生反应模式中的非平凡自相关时,IRT的时间扩展比标准IRT提高了性能,而基于RNN的方法没有。我们的结论是,基于IRT的模型提供了一个更简单,更好的替代现有的基于RNN的模型的学生交互数据,同时也提供了更多的可解释性和保证,由于他们的配方贝叶斯概率模型。
2016-05-21 cs.AI cs.LG
Domain Adaptation for Real-Time Student Performance Prediction
Udacity(优达学城)
在线课程内容的日益快速的开发和更新周期,以及每个在线课堂中学生的不同人口统计数据,使得学生表现预测在实时的【形】(在课程结束之前)和/或课程上没有特定的历史表现数据,这对于工业研究和实际需求都是有趣的话题。在这项研究中,我们解决了实时的【形】的学生成绩预测与正在进行的课程在一个领域自适应框架,这是一个系统训练学生的标记结果从一组以前的课程,但要部署在另一个。特别是,我们首先介绍了最近开发的GritNet架构,这是目前最先进的学生成绩预测问题,并开发了一个新的\emph{unsupervised}领域自适应方法转移GritNet训练在过去的课程到一个新的课程没有任何(学生的结果)标签。我们对真正的Udacity学生的毕业预测结果表明,GritNet不仅\emph{generalizes}以及从一门课程到另一门课程在不同的纳米学位课程,但增强了实时的【形】预测明确在前几个星期时,准确的预测是最具挑战性的。
2019-03-17 cs.CY cs.LG stat.ML
Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification
Shri Venkateshwara University(什里文卡特什瓦拉大学);VBS Purvanchal University(VBS普尔万查尔大学)
目前教育数据库中存储的数据量迅速增加。这些数据库包含隐藏的信息,以提高学生的表现。教育数据采掘是对教育领域中的数据进行研究,从中挖掘出隐含的知识,利用决策树、贝叶斯网络等分类方法对教育数据进行分类,预测学生的考试成绩。这一预测将有助于识别薄弱学生,并帮助他们取得更好的成绩。运用C4.5、ID3和CART决策树算法对工科学生的期末考试成绩进行预测,决策树的结果预测了可能通过、不通过或升入下一学年的学生人数。研究结果提供了改善被预测失败或晋升的学生表现的步骤。在宣布期末考试成绩后,学生获得的分数被输入系统,并为下一次考试分析结果。结果的对比分析表明,预测有助于后进生的提高,使成绩得到改善。
2012-03-17 cs.LG
Confidence-Aware Multi-Teacher Knowledge Distillation
首先引入知识蒸馏,以利用来自单个教师模型的额外监督来进行学生模型训练。为了提高学生的成绩,最近的一些变体试图利用来自多个教师的不同知识来源。然而,现有的研究主要是整合来自不同来源的知识,通过平均多个教师的预测或结合他们使用其他各种无标签的策略,这可能会误导学生在低质量的教师预测的存在。为了解决这个问题,我们提出了置信度感知的多教师知识蒸馏(CA-MKD),它自适应地分配样本的可靠性为每个教师预测的帮助下,地面真理标签,与那些教师预测接近一个热标签分配大的权重。此外,CA-MKD还包括中间层,以稳定知识转移过程。大量的实验表明,我们的CA-MKD始终优于所有比较国家的最先进的方法在各种师生架构。
2022-02-14 cs.AI cs.LG
ALE: Additive Latent Effect Models for Grade Prediction
George Mason University(乔治梅森大学);Indiana University-Purdue University Indianapolis(印第安纳大学-普渡大学印第安纳波利斯分校)
在过去的十年中,教育技术的开发和部署有所增长,以帮助大学生选择专业,选择课程和根据过去的学习成绩获得反馈。等级预测方法试图估计学生在她将来可能学习的课程中可能达到的等级(例如,下学期)。准确及时地预测学生的学业成绩对于开发有效的学位规划者和预警系统以及最终提高教育成果至关重要。现有的成绩预测方法大多集中于对与每门课程和学生相关联的知识成分进行建模,而往往忽略了其他因素,如每门知识成分的难度、课程教师、学生的兴趣、能力和努力程度等。在本文中,我们提出了添加剂的潜在效应模型,将这些因素来预测学生下学期的成绩。具体而言,所提出的模型考虑到四个因素:(i)学生的学术水平,(ii)课程教师,(iii)学生的全球潜在因素,(iv)潜在的知识因素。我们将新模型与几种最先进的方法进行了比较,这些方法适用于不同特征的学生(例如,学生是否转来)。实验结果表明,所提出的方法显着优于基线的成绩预测问题。此外,我们对不同因素的重要性进行了深入的分析,以及这些因素如何实际帮助学生选择课程,最终提高他们的学业成绩。
2018-01-17 cs.LG
Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations
Univ. Lille(里尔大学);Inria(法国国家信息与自动化研究所);CNRS(法国国家科学研究中心);Centrale Lille(里尔中央理工学院);CEA(法国原子能和替代能源委员会);Kyoto University(京都大学);Singapore Management University(新加坡管理大学)
智能辅导系统在未来的学习环境中变得至关重要。知识追踪(KT)是该系统的重要组成部分。它是关于推断学生的技能掌握和预测他们的表现,以调整相应的课程。与传统模型相比,基于深度学习的KT模型显示出显著的预测性能。然而,很难从神经网络中成千上万的参数中提取出与认知理论相关的心理学上有意义的解释。有几种方法可以实现学生成绩预测的高准确性,但诊断和预测推理在学习科学中更为关键。由于KT问题具有很少的可观察特征(问题ID和学生在每次练习中的正确性),我们通过使用机器学习和数据采掘技术从学生的响应数据中提取有意义的潜在特征。在这项工作中,我们提出了可解释的知识追踪(IKT),一个简单的模型,依赖于三个有意义的潜在特征:个人技能掌握,能力概况(跨技能的学习转移),和问题的难度。IKT对学生未来表现的预测是使用树增强朴素贝叶斯分类器(TAN)进行的,因此它的预测比基于深度学习的学生模型更容易解释。IKT还显示出比基于深度学习的学生模型更好的学生成绩预测,而无需大量参数。我们对每个特征进行消融研究,以研究它们对学生成绩预测的贡献。因此,IKT在现实世界的教育系统中提供具有因果推理的自适应和个性化教学方面具有很大的潜力。
2021-12-15 cs.AI 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
Click-Based Student Performance Prediction: A Clustering Guided Meta-Learning Approach
Purdue University(普渡大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
研究了从点击流行为预测学生在网络课程中知识获取的问题。由于电子学习讲座的普及,我们特别关注学生在讲座视频中的视频活动,其中包括内容和视频测验。我们预测视频测验表现的方法基于我们开发的三个关键思想。首先,我们通过对原始事件数据进行操作的时间序列学习架构来对学生的点击行为进行建模,而不是像现有方法那样定义手工制作的功能,这些功能可能会丢失嵌入在点击序列中的重要信息。其次,我们开发了一个自我监督的点击流预训练,以学习点击流事件的信息表示,从而可以有效地初始化预测模型。第三,我们提出了一个聚类引导的元学习为基础的训练,优化预测模型,利用集群的频繁模式在学生点击流序列。通过对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学生的视频测验表现方面比两个基线模型有了实质性的改进。此外,我们通过消融研究验证了我们框架的预训练和元学习组件的重要性。最后,我们展示了我们的方法如何揭示与知识获取相关的视频观看行为的见解,以进行有用的学习分析。
2021-11-16 cs.LG
A Deep Learning Approach Towards Student Performance Prediction in Online Courses: Challenges Based on a Global Perspective
Arizona State University(亚利桑那州立大学);Lebanese American University(黎巴嫩美国大学);Zarqa University(扎尔卡大学);Western University(西安大略大学);Jadara University(贾达拉大学)
本研究提出使用CNN和RNN-LSTM深度学习模型,基于全球三个地区的数据集预测在线课程中期学生成绩,结果显示其在多数数据集上优于传统机器学习模型。
2024-01-10 cs.AI cs.CY cs.LG
Teacher-Class Network: A Neural Network Compression Mechanism
Rensselaer Polytechnic Institute(伦斯勒理工学院)
为了减少深度神经网络(DNN)的庞大规模,师生方法试图将知识从复杂的教师网络转移到简单的学生网络。相反,我们提出了一种称为教师类网络的新方法,该网络由单个教师和多个学生网络(即学生类)组成。该方法不是只将知识转移给一个学生,而是将一大块知识转移给每个学生。我们的学生没有接受针对特定问题的逻辑训练,他们被训练来模仿教师网络学习的知识(密集表示),因此学生班级学习的组合知识也可以用于解决其他问题。建议的教师级架构进行评估的几个基准数据集,如MNIST,时尚MNIST,IMDB电影评论,CAMVid,CIFAR-10和ImageNet的多个任务,包括图像分类,情感分类和分割。我们的方法优于国家的最先进的单学生的方法在精度以及计算成本,同时实现10-30倍的参数减少。
2021-10-29 cs.CV cs.LG stat.ML
Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources
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 Central Florida(中佛罗里达大学);University of Córdoba(科尔多瓦大学)
本研究利用智能辅导系统的多模态数据,通过属性选择与集成方法改进大学生成绩预测,实验表明数值数据下集成与最优属性选择效果最佳。
2024-02-10 cs.AI cs.CY cs.HC
Towards Equity and Algorithmic Fairness in Student Grade Prediction
University of California, Berkeley(加利福尼亚大学伯克利分校)
教育结果的公平性和AI在种族方面的公平性已经成为教育中越来越重要的话题。在这项工作中,我们解决这两个经验评估的成绩预测在高等教育中,一个重要的任务,以改善课程设计,计划干预学术支持,并提供课程指导学生。以公平为目标,我们尝试了几种策略,标签和实例平衡,试图尽量减少种族方面的算法性能差异。我们发现,一种对抗性学习方法,结合等级标签平衡,取得了迄今为止最公平的结果。以教育成果的公平为目标,我们尝试策略,以提高对历史上服务不足的群体的预测性能,并发现成功地对这些群体进行抽样,其历史成果成反比。随着人工智能技术在校园中越来越普遍,我们的方法满足了对框架的需求,以考虑敏感学生属性的性能权衡,并允许机构以关注公平和公正的方式利用其人工智能资源。
2021-05-14 cs.AI cs.CY cs.LG
Beyond Student: An Asymmetric Network for Neural Network Inheritance
Zhejiang University(浙江大学);Shanghai University of Finance and Economics(上海金融学院);Swansea University(斯旺西大学)
InherNet通过非对称低秩分解和SVD初始化,实现比传统学生网络更高效的神经网络继承,提升模型压缩性能。
2026-02-11 cs.LG
Predicting Grades
University of California, Los Angeles(加州大学洛杉矶分校)
为了提高传统课堂课程以及大规模开放式在线课程(MOOC)的效率,需要支持教师的自动化系统。一个重要的问题是自动检测出哪些学生在课程中表现不佳,以便能够尽早采取补救措施。现有的等级预测系统专注于最大化预测的准确性,同时监督发布及时和个性化预测的重要性。本文提出了一种算法,预测每个学生在一个类的最终成绩。当预测的预期准确度足够时,它为每个学生单独发布预测。该算法在线学习什么是最佳预测以及根据学生在课程中的表现的过去历史发布预测的时间。我们得到一个置信度估计的预测精度和证明我们的算法的性能的数据集上获得的基础上的性能约700加州大学洛杉矶分校的本科生谁采取了介绍数字信号处理在过去的7年。我们证明,对于85%的学生,我们可以预测与76%的准确性,他们是否会做得很好或不好,在类后的第4个课程周。使用从试点课程获得的数据,我们的方法表明,它是有效的,如测验,这导致及时的表现预测每个学生进行早期课堂评估,从而使教师(在学生或班级水平)在必要时及时干预。
2016-03-18 cs.LG
Student-t processes as infinite-width limits of posterior Bayesian neural networks
Princeton University(普林斯顿大学);University of Torino(都灵大学);Collegio Carlo Alberto(卡洛阿尔贝托学院);University of Pisa(比萨大学)
本文证明在特定先验条件下,无限宽后验贝叶斯神经网络收敛于Student-t过程,并用Wasserstein度量刻画收敛速度,从而扩展了高斯过程近似理论。
2025-02-06 cs.LG math.PR stat.ML
Neural network approach to classifying alarming student responses to online assessment
自动评分引擎越来越多地被用于对学生对问题的自由形式的文本回答进行评分。这样的引擎没有被设计成适当地处理人类读者会发现令人震惊的响应,诸如指示自我伤害或伤害他人的意图的那些响应、暗示药物滥用或性虐待的响应或会引起撰写响应的学生的关注的任何响应。我们的神经网络模型旨在帮助从学生给出的大量典型反应中识别这些异常反应。由神经网络识别的响应可以比其他可能的方式更快地由审查者团队评估紧急性、严重性和有效性。鉴于这些类型的反应的异常性质,我们的目标是最大限度地提高标记这些反应进行审查的机会,因为只有固定比例的反应可以由一个审查小组进行可行的评估。
2018-09-20 cs.CL cs.IR cs.LG
Characterizing Student Engagement Moods for Dropout Prediction in Question Pool Websites
Hong Kong University of Science and Technology(香港科技大学);University of Helsinki(赫尔辛基大学)
基于问题的学习(PBL)是一种流行的教学方法,支持学生通过解决问题来获得实践培训。问题库网站(QP),如LeetCode,Code Chef和Math Playground,通过向学生提供真实,多样化和情境化的问题来帮助PBL。尽管如此,实证研究结果表明,40%至80%的学生在注册合格证书后不到两个月就辍学了。本研究是首次尝试利用学生的参与情绪来理解和预测学生的退出。采用数据驱动的方法,我们确定了五种不同的参与情绪的QP学生,即挑战寻求者,主题寻求者,兴趣寻求者,快乐寻求者和非寻求者。我们发现,学生在每种参与情绪下回答问题时都有集体偏好,偏离这些偏好会显着增加他们辍学的概率。最后但并非最不重要的是,本文的贡献,介绍了一个新的混合机器学习模型(我们称之为Dropout-Plus)预测学生辍学的QP。在中国流行的QP上的测试结果显示,Dropout-Plus在准确性,F1测量和AUC方面超过了竞争对手的辍学预测性能。最后,我们给QP经理和在线学习专业人员一些设计建议,以减少他们的学生辍学。
2021-02-02 cs.HC cs.LG
DKT-STDRL: Spatial and Temporal Representation Learning Enhanced Deep Knowledge Tracing for Learning Performance Prediction
Heilongjiang Institute of Technology(黑龙江工程学院);Central China Normal University(华中师范大学)
知识追踪是智能教育系统的重要组成部分。现有的知识树要么依赖于专家的判断,要么只采用单一的网络结构,影响了学习特征的充分表达。为了充分挖掘学生学习过程的特征,提出了基于时空深度表示学习的深度知识追踪学习成绩预测(DKT-STDRL)方法。DKT-STDRL从学生的学习历史序列中提取空间特征,然后进一步提取时间特征,以提取更深层次的隐藏信息。具体而言,首先,DKT-STDRL模型使用CNN提取学生练习序列的空间特征信息。然后,将空间特征与原始学生的练习特征连接起来,作为联合学习特征。然后,将关节特征输入到BiLSTM部件中。最后,BiLSTM部分从联合学习特征中提取时间特征,以获得学生在下一个时间步是否正确回答的预测信息。在公共教育数据集ASSISTment 2009、ASSISTment 2015、Synthetic-5、ASSISTchall和Statics 2011上的实验证明,DKT-STDRL可以取得比DKT和CKT更好的预测效果。
2023-02-15 cs.AI cs.CY cs.LG
Deep Learning to Predict Student Outcomes
Udacity(优达学城)
在线课程内容的开发周期越来越快,以及每个在线课堂中不同的学生人口统计数据,使得实时学生成绩预测成为工业研究和实际需求的一个有趣话题。在本文中,我们解决的问题,实时学生的表现预测正在进行的课程使用领域自适应框架。这个框架是一个基于以前课程中标记的学生成果数据进行训练的系统,但它意味着要部署在另一门课程上。特别是,我们引入了一个GritNet架构,并开发了一个无监督的领域自适应方法转移GritNet培训过去的课程,以一个新的课程,没有任何学生的结果标签。我们对真实Udacity学生毕业预测的结果表明,GritNet不仅在不同的Nanodegree课程中从一门课程推广到另一门课程,而且还在准确预测最具挑战性的前几周明确增强了实时预测。
2019-04-27 cs.CY cs.LG stat.ML
Application of k Means Clustering algorithm for prediction of Students Academic Performance
Lagos State University(拉各斯州立大学)
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。
2010-02-11 cs.CY cs.LG
Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms
Department of Information Technology, Sydney International School of Technology and Commerce(悉尼国际科技与商业学院信息科技系)
本研究利用机器学习方法(逻辑回归、随机森林、支持向量机、K近邻)基于学业表现、人口统计和注册数据预测学生退学,逻辑回归和线性SVM准确率最高。
2026-06-23 cs.CY cs.LG
Online Learning for the Random Feature Model in the Student-Teacher Framework
Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克数学科学研究所);Universität Leipzig(莱比锡大学)
本文在学生-教师框架下通过推导微分方程研究随机特征模型的过参数化问题,发现仅当隐藏层大小呈指数级大于输入维度时才能实现完美泛化,否则存在非零渐近泛化误差。
2023-04-06 cond-mat.dis-nn cs.AI cs.LG
Sharp Rate of Convergence for Deep Neural Network Classifiers under the Teacher-Student Setting
Purdue University(普渡大学);New Jersey Institute of Technology(新泽西理工学院)
用神经网络构建的分类器可以很好地处理大规模高维数据,例如来自计算机视觉的面部图像,而传统的统计方法往往失败得很惨。在本文中,我们试图通过推导超额风险的收敛率来理解高维分类的经验成功。特别地,提出了一个教师-学生框架,该框架假设贝叶斯分类器被表示为ReLU神经网络。在这种设置中,我们获得了急剧的收敛速度,即,$\tilde{O}_d(n^{-2/3})$,用于使用0-1损失或铰链损失训练的分类器。当数据分布是可分离的时,该速率可以进一步提高到$\tilde{O}_d(n^{-1})$。这里,$n$表示样本量。一个有趣的观察结果是,数据维度仅对上述比率中的$\log(n)$项有贡献。这可以为深度神经网络在高维分类中的经验成功提供一种理论解释,特别是对于结构化数据。
2020-02-01 cs.LG stat.ML
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