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
Early Adoption of Generative Artificial Intelligence in Computing Education: Emergent Student Use Cases and Perspectives in 2023
本研究调查了R1大学计算机科学专业学生对生成式人工智能的早期使用情况与态度,揭示了学生的需求、担忧及其对CS教学法、课程、文化和政策的影响。
2024-11-17 cs.CY
Monitor++?: Multiple versus Single Laboratory Monitors in Early Programming Education
贡献:本文提出了一种实证研究的入门级编程课程的学生使用多个显示器,并比较他们的表现和自我报告的经验与学生使用一个单一的显示器。背景技术背景:许多技术领域的教学级编程通常使用多监视器站,然而,一些教育实验室使用单监视器站。这并不能代表学生在实践和体验式学习中会遇到的情况。研究问题:本研究旨在回答三个研究问题。这些问题包括发现学生的经验观察,对比使用一个显示器的学生与使用两个显示器的学生的表现,以及调查学生使用多个显示器的方式。方法:研究中一半的学生可以使用多个显示器。这是两个研究组之间唯一的区别。本研究对比了年级中位数,并进行了中位数检验评估。此外,经验调查促进了likert规模的价值观和开放式的反馈问题促进文本分析。研究的局限性包括样本量小(86名学生)和缺乏对参与者组成的控制。调查结果:学生的反应非常积极的评价他们的经验,使用干预。总体而言,多显示器组的性能略有改善。最大的改进是在软件设计和图形作业。在接口和层次结构实验中,性能在统计上显著提高。学生以不同的方式使用多显示器,包括参考指南,作业规范等。
2021-08-13 cs.CY
Effects of Early Warning Emails on Student Performance
本研究利用数理统计入门课程电子评估平台的学习数据预测学生期末通过率,向低通过率学生发送预警邮件,发现干预有正向但精度不足的效果,提示需加大实施力度才能保证有效性。
2023-02-14 cs.CY stat.AP
Toward Finding and Supporting Struggling Students in a Programming Course with an Early Warning System
本研究开发早期预警系统,通过评估认知技能预测编程课程学生失败风险,并验证语法练习的积极效果,以支持困难学生。
2024-01-25 cs.CY cs.HC
Rookie Mistakes: Measuring Software Quality in Student Projects to Guide Educational Enhancement
本文通过分析83个学生团队项目,结合SonarQube和ArchUnit静态分析工具检测代码异味与架构反模式,揭示了中级学生在软件质量方面的常见问题,为软件工程课程改进提供实证依据。
2025-07-15 cs.CY cs.SE
Measuring Computational Thinking Self-Efficacy (CT-SEI): Instrument development and preliminary evaluation
Utrecht University(乌得勒支大学)
研究旨在开发测量高等教育学生计算思维自我效能感的工具,通过创建候选项目、专家评估、收集学生数据进行主成分分析和验证性因素分析,最终形成可用于评估干预效果及促进CT技能发展的工具。
2026-07-21 cs.CY
Human-AI Collaboration or Academic Misconduct? Measuring AI Use in Student Writing Through Stylometric Evidence
School of Computing and Information Systems, University of Melbourne(墨尔本大学计算与信息系统学院);School of Computing, University of Eastern Finland(东芬兰大学计算学院)
本研究利用作者身份验证技术,通过文体学证据量化学生写作中的AI辅助,开发了改进的特征向量差异方法,在多个数据集上有效区分学生与LLM生成文本,为教育者提供透明工具支持学术诚信调查。
2025-05-13 cs.AI cs.CL cs.CY
EPARS: Early Prediction of At-risk Students with Online and Offline Learning Behaviors
The Hong Kong Polytechnic University(香港理工大学);The University of Queensland(昆士兰大学)
风险学生早期预测是对辍学和自杀学生进行及时干预的有效手段。现有的工作大多依赖于在线或离线的学习行为,不够全面,以捕捉整个学习过程,并导致不令人满意的预测性能。我们提出了一种新的算法(EPARS),可以早期预测STAR在一个学期通过建模在线和离线学习行为。在线行为来源于学生使用在线学习管理系统时的活动日志。离线行为来源于图书馆的签到记录。我们的主要观察有两个方面。与好学生明显不同,STAR几乎没有规律和明确的学习计划。我们设计了一个多尺度的规律性袋的方法来提取学习行为的规律性,是强大的稀疏数据。其次,STAR的朋友更有可能处于危险之中。我们构建了一个共现网络来近似底层的社会网络,并通过网络嵌入将社会同质性编码为特征。为了验证所提出的算法,广泛的实验已经进行了亚洲大学与15,503名本科生。结果表明,EPARS对STAR的预测效果优于基线值14.62% ~ 38.22%。
2020-06-06 cs.AI 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
AI Mentors for Student Projects: Spotting Early Issues in Computer Science Proposals
Carnegie Mellon University(卡内基梅隆大学)
本文设计并初步验证了一个AI辅助系统,通过收集项目提案与能力信息帮助教师识别学生是否具备开展项目式学习的准备度,并发现GPT-4o评分与教师评分具有一致性。
2025-02-26 cs.AI cs.CY
Predicting At-Risk Programming Students in Small Imbalanced Datasets using Synthetic Data
本研究针对小型不平衡数据集,利用合成数据生成结合机器学习,显著提升了对编程课程中高风险(不及格)学生的早期识别召回率,为及时干预奠定基础。
2025-05-21 cs.CY
Knowledge Distillation in RNN-Attention Models for Early Prediction of Student Performance
Kyushu University(九州大学)
针对课程结束后才识别有风险学生的问题,提出RNN-Attention-KD框架,利用RNN、注意力机制与知识蒸馏实现课程全程早期预测,显著提升了召回率和F1值。
2024-12-19 cs.CY cs.LG
Student Teacher Interaction While Learning Computer Science: Early Results from an Experiment on Undergraduates
本文通过一项86名本科生参与的实验,研究计算机科学教学中不同教学风格对学生学习意愿和兴趣的影响,发现互动性强、氛围轻松的课程更受学生欢迎且更能激发学习动力。
2023-07-07 cs.CY cs.HC
The Effect of Civic Knowledge and Attitudes on CS Student Work Preferences
我们提出了一个调查计算学生的公民知识,态度,或自我效能感和他们的工作意愿之间的连接公民技术。早期的研究结果表明,这些因素与接受政府技术工作的意愿有关,但与接受专注于民用技术的非营利工作的意愿无关。
2020-01-30 cs.CY
The CTSkills App -- Measuring Problem Decomposition Skills of Students in Computational Thinking
本文开发了 CTSkills 网络评估工具,通过 75 名 4-9 年级学生的数据测量问题分解技能,强调其在 K-12 计算机科学教育中的关键作用。
2024-11-22 cs.CY cs.ET cs.HC
Indicators of Good Student Performance in Moodle Activity Data
Insight Centre(洞察中心);University College Dublin(都柏林大学学院)
在本文中,我们对Moodle活动数据进行了分析,重点是识别良好学生表现的早期预测因素。分析表明,三个相关假设在很大程度上得到了数据的支持。这些假设是:早期提交是一个好兆头,高水平的活动预示着好的结果,晚上的活动甚至比白天的活动更好。我们强调一些病理的例子,高水平的活动与不良结果相关。
2016-01-12 cs.AI cs.CY
Measuring Five Accountable Talk Moves to Improve Instruction at Scale
Stanford University(斯坦福大学)
本文微调RoBERTa和GPT模型,基于2500条教师话语数据集识别五种负责任的教学话语行为,发现其使用与学生参与度和满意度呈正相关,为大规模教学反馈提供了有效途径。
2023-11-02 cs.AI cs.CL cs.CY
Generalisable Methods for Early Prediction in Interactive Simulations for Education
EPFL(洛桑联邦理工学院);University of Cagliari(卡利亚里大学)
交互式模拟允许学生通过自己的探索发现科学现象的基本原理。不幸的是,学生往往很难在这些环境中有效地学习。根据学生的预期表现对模拟中的学生交互数据进行分类,有可能实现自适应指导,从而改善学生的学习。以前的研究主要集中在后验分析或调查限于一个特定的预测模型和模拟。在本文中,我们调查的质量和概括性的模型的概念理解的早期预测的基础上点击流数据的学生在交互式模拟。我们首先通过学生在任务中的表现来衡量他们的概念理解。然后,我们提出了一种新型的功能,从点击流数据,编码的模拟和学生执行的动作的状态。最后,我们建议将这些特征输入到基于GRU的模型中,无论是否注意,用于预测。对两种不同模拟和两种不同人群的实验表明,我们提出的模型优于浅层学习基线,并且更好地推广到不同的学习环境和人群。将注意力纳入模型增加了有效探究的可解释性。源代码可以在Github上找到(https://github.com/epfl-ml4ed/beerslaw-lab.git)。
2022-07-04 cs.CY cs.LG
Accurate Multi-Category Student Performance Forecasting at Early Stages of Online Education Using Neural Networks
Hanshan Normal University(韩山师范学院);The University of Lahore(拉合尔大学)
针对在线教育多类别学生成绩早期预测的研究空白,提出基于神经网络的新方法,在OULA数据集上实现四类成绩预测,准确率较现有最优方法提升约25%,课程初期预测效果更优。
2024-12-08 cs.CY cs.LG
A Frugal Model for Accurate Early Student Failure Prediction
Domoscio by RiseUp(RiseUp 旗下 Domoscio);Université de Lorraine(洛林大学);CNRS, LORIA(法国国家科学研究中心,洛林计算机科学实验室)
针对早期学生失败预测中数据有限而额外数据易造成浪费的问题,提出选择性融合额外数据的混合 FEP 模型,在减少 27% 数据消耗的同时提升平均准确率 7.3%。
2025-05-12 cs.CY cs.LG
Measuring How Students Rely on Generative AI in Academic Writing: Development and Multi-Source Validation of the Generative AI Reliance Types Scale (GenAI-RTS)
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校);University at Buffalo(布法罗大学)
研究如何衡量学生在学术写作中对生成式人工智能的依赖,开发并验证GenAI-RTS量表,该量表含20个条目测四种依赖类型,经多源验证有良好信效度,能区分学生,为相关研究和教育干预提供工具。
2026-07-17 cs.AI cs.CL cs.CY
"Check My Work?": Measuring Sycophancy in a Simulated Educational Context
USC Gould School of Law(USC 法学院)
本研究在模拟教育场景中测试五款GPT系列大语言模型,发现模型存在谄媚性偏差,会随学生提及的答案改变自身判断,小模型偏差更显著,该现象对教育公平有重要影响,需进一步研究其机制与缓解方法。
2025-06-12 cs.CL cs.CY
Based on Graph-VAE Model to Predict Student's Score
经合组织指出,让学生按时上学的最好方法是尽早干预[1]。利用教育大数据和深度学习预测学生成绩,为早期干预提供了新的资源和视角。以往的预测方案往往需要人工进行特征筛选,需要大量的先验知识和专家知识。深度学习可以自动提取特征,无需人工干预,实现更好的预测性能。本文提出的基于深度学习的图神经网络矩阵填充模型(Graph-VAE)可以在不需要大量先验知识的情况下自动提取特征。实验证明,在学生成绩数据集上,该模型优于传统的解决方案,更好地描述了学生与课程之间的相关性和差异性,并将降维后的编码结果向量可视化,聚类效果与真实数据分布聚类一致。此外,我们使用基于梯度的归因方法来分析影响绩效预测的关键因素。
2019-03-08 cs.CY cs.LG
Modeling Behavior Change for Multi-model At-Risk Students Early Prediction (extended version)
The Hong Kong Polytechnic University(香港理工大学);HKRSS Tai Po Secondary School(香港道教联合会大埔中学)
本文提出多模态变点检测模型MCPD,融合中学教师评语文本与成绩数据,通过变点检测和注意力机制捕捉学生行为的连续非线性变化,用于风险学生早期预测,准确率较基线提升约5%-10%并具备可迁移性。
2025-02-19 cs.AI cs.CY
New Metrics for Learning Evaluation in Digital Education Platforms
应用于教育的技术可以提供巨大的好处,并通过方便随时随地访问学习对象来克服挑战。然而,光有技术是不够的,因为它需要适当的规划和学习方法。使用技术可能会有问题,特别是在确定学习是否发生时。然而,如果学习没有发生,技术可以使它难以确定如何减轻这种缺乏学习.本文提出了一套新的度量标准,用于衡量学生在基于技术的教育平台中对内容的理解。一些指标取自文献“原样”,一些略有修改,而另一些则被添加。我们的假设是,我们不应该只关注传统的评分,因为它只计算命中/错误的数量,而不考虑学习的任何其他方面。我们将所有指标应用于在高中课堂上进行的评估,其中我们展示了特定的案例,以及指标,通过结合几个指标可以获得非常有用的信息。我们的结论是,建议的指标是有前途的测量学生的后天理解的内容,以及教师来衡量学生的弱点。
2022-09-22 cs.CY
Measuring Computer Science Enthusiasm: A Questionnaire-Based Analysis of Age and Gender Effects on Students' Interest
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Economics, Faculty of Business Management(经济大学商业管理学院)
本研究通过问卷分析揭示年龄和性别对学生产生计算机科学兴趣的影响,发现年龄比性别在兴趣发展中的作用更关键,并指出早期青春期热情下降及干预后年长学生兴趣提升的现象。
2026-09-02 cs.CY cs.SE econ.GN
Development of Computational Thinking in High School Students: A Case Study in Chile
大多数将计算思维纳入K-12教育的努力都集中在学校教育的第一个周期的学生身上,并使用了视觉工具,如Scratch和Alice。很少有研究项目研究学生在学校最后几年的计算思维的发展,他们通常没有早期的正式准备来获得这些技能。这项研究提供了证据的有效性,在C++(一种低级语言)的教学编程开发计算思维在智利的高中学生。通过在自愿C++编程研讨会前后进行测试,结果显示研讨会结束时计算思维有了显着改善。然而,我们也观察到,在初始计算思维水平较低的学生中,有退出研讨会的趋势。十年级学生的期末成绩低于十一年级和十二年级学生。这些结果表明,教授低级程序设计语言是有用的,但它有很高的入门门槛。
2019-10-04 cs.CY
Detecting Struggling Student Programmers using Proficiency Taxonomies
Department of Software and Information Systems Engineering, Ben-Gurion University, Israel(软件与信息系统工程系,本·古里安大学,以色列);School of Informatics, University of Edinburgh, U.K.(信息学院,爱丁堡大学,英国)
针对现有AI方法未明确推理编程技能的问题,本研究联合教育者开发嵌入检测模型的熟练度分类法,提出PTM模型,其在两个编程课程数据集上预测学习困难学生的性能优于现有模型。
2025-08-24 cs.CY cs.LG
Vibe coding before the trend
Fontys ICT, University of Applied science(Fontys ICT应用科学大学)
本文通过2025年四个学生群体的vibe编码挑战,探讨AI工具对学习焦点、技能转变和职业影响的模式,总结教育实践中AI与学习的关系变化及教育实践启示。
2026-05-08 cs.AI cs.CY
Finding Bottlenecks: Predicting Student Attrition with Unsupervised Classifier
California State University, Northridge(加州州立大学北岭分校)
随着提高毕业率和减少高等教育学位时间的压力,及早识别有风险的学生非常重要。因此,非常需要自动化预警系统。在本文中,我们使用无监督聚类技术来预测在加州州立大学北岭分校(CSUN)的五个部门宣布的专业的毕业状态,在每个专业的最小数量的低分工课程的基础上。此外,我们使用检测到的集群,以确定隐藏的瓶颈课程。
2017-05-07 cs.AI cs.CY cs.LG
Meta Transfer Learning for Early Success Prediction in MOOCs
EPFL(洛桑联邦理工学院);University of Cagliari(卡利亚里大学)
尽管大规模开放式在线课程(MOOC)越来越受欢迎,但许多课程的辍学率很高,成功率很低。因此,早期预测学生的成功,有针对性的干预是必不可少的,以确保没有学生在一个过程中落后。有大量关于MOOC成功预测的研究,主要集中在个别课程从头开始的培训模型上。这种设置在早期成功预测中是不切实际的,因为学生的表现只有在课程结束时才知道。在本文中,我们的目标是创建早期成功预测模型,这些模型可以在不同领域和主题的MOOC之间转移。为此,我们提出了三种新的迁移策略:1)在大量不同的课程上预训练模型,2)通过包含有关课程的Meta信息来利用预训练模型,以及3)在以前的课程迭代中微调模型。我们在26个MOOC上进行的实验显示,结合交互数据和课程信息的模型具有与访问先前课程迭代的模型相当或更好的性能。通过这些模型,我们的目标是有效地使教育工作者能够对新课程和正在进行的课程进行预测。
2022-04-25 cs.CY cs.LG
CodeStylist: Supporting Early Undergraduate Programmers with Course-Aware Code Style Feedback
Purdue University(普渡大学)
该研究开发了支持课程特定标准的CodeStylist工具,用于为早期本科编程学习者提供本地化代码风格反馈,专家评审显示其有应用前景但存在信任度不足等问题,需优化工具设计。
2026-08-04 cs.CY cs.HC
Reliable Deep Grade Prediction with Uncertainty Estimation
George Mason University(乔治梅森大学)
目前,上大学的学生比他们的父母一代需要更长的时间才能毕业。此外,在美国,六年制毕业率几十年来一直是59%。通过培养能够及时顺利毕业的准备更充分的学生来提高教育质量至关重要。准确预测学生在未来课程中的成绩已经引起了人们的广泛关注,因为它可以帮助早期识别有风险的学生,以便顾问可以及时向他们提供个性化的反馈。以往对学生成绩预测的研究多采用浅层线性模型,然而学生的学习是一个高度复杂的过程,涉及到一系列课程知识的积累,这些线性模型无法充分模拟。除此之外,以前的方法专注于预测准确性,而不考虑预测的不确定性,这对于建议和决策至关重要。在这项工作中,我们提出了两种类型的贝叶斯深度学习模型的成绩预测。MLP忽略了学生知识演变的时间动态性。因此,我们提出RNN用于学生的表现预测。为了评估所提出的模型的性能,我们进行了广泛的实验,从一个大型公立大学收集的数据。实验结果表明,所提出的模型实现了更好的性能比现有的国家的最先进的方法。除了更准确的结果外,贝叶斯深度学习模型还可以估计与预测相关的不确定性。我们探讨如何不确定性估计可以应用于发展一个可靠的教育预警系统。除了不确定性,我们还开发了一种方法来解释预测结果,这是有用的顾问提供个性化的反馈给学生。
2019-02-26 cs.AI cs.CY
Evaluating Federated Learning for At-Risk Student Prediction: A Comparative Analysis of Model Complexity and Data Balancing
Federal Institute of Education, Science and Technology of Rio Grande do Norte - IFRN(北里奥格兰德联邦教育、科学与技术学院(IFRN))
本文通过比较模型复杂度和数据平衡,评估联邦学习在高风险学生预测中的应用,展示了其在保护隐私的同时实现高预测精度的可行性。
2025-12-12 cs.AI cs.CY cs.LG
How Widely Can Prediction Models be Generalized? Performance Prediction in Blended Courses
将面对面教学与在线平台相结合的混合课程在中学教育中越来越受欢迎。这些工具记录了大量关于学生学习习惯和社会交往的数据。先前的研究表明,这些指标与学生在面对面课程中的表现相关。然而,混合课程的预测模型仍然是有限的,尚未成功的早期预测或跨类预测,即使是重复提供相同的课程。在这项工作中,我们使用的数据,从两个不同的本科课程的两个产品的训练和评估预测模型的学生表现的基础上持久的学生的特点,包括学习习惯和社会交往。我们分析了这些模型在同一课程、同一课程的不同课程以及跨课程上的性能,以了解它们的泛化能力。我们还评估了课程不同部分的模型,以确定如何早期可靠的预测。这项工作部分地告诉我们需要多少数据来进行稳健的预测,以及如何使用或不使用跨类数据来提高模型性能。本研究的结果将有助于我们更好地了解学生在学习习惯,社会活动和团队合作风格方面的相似性。这些经过训练的模型还提供了一个途径,以改善我们现有的支持平台,以更好地支持挣扎的学生在学期初提供及时的干预的目标。
2019-06-21 cs.CY cs.LG stat.ML
Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics
Hacettepe University(哈契特佩大学)
本研究利用学习管理系统前八周数字痕迹预测在线考试AI辅助作弊风险,逻辑回归最佳,准确率73.1%,支持早期学术指导。
2026-09-30 cs.CY cs.HC
How Soft Skills Shape First-Year Success in Higher Education
Technical University of Munich(慕尼黑工业大学)
本文提出了一种半隔离的教学干预措施,旨在提升计算机科学新生的软技能,通过研讨会和团队编程课程的结合,提高学生在团队项目和学术表现中的能力。
2025-05-27 cs.CY cs.IT math.IT
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
Improving Students Performance in Small-Scale Online Courses -- A Machine Learning-Based Intervention
Åbo Akademi University(奥布学术大学);University Politehnica of Bucharest(布加勒斯特理工大学);University of Novi Sad(诺威萨德大学)
大规模开放式在线课程(MOOC)的诞生对教学方式产生了不可否认的影响。传统的课堂教学似乎越来越不受年轻一代的欢迎,这一代人希望选择何时,何地以及以何种速度学习。因此,许多大学正在转向在线学习课程,至少部分在线学习。然而,在线课程虽然对年轻一代的学习者很有吸引力,但也是有代价的。例如,这类课程的辍学率高于传统课程,与教师的面对面互动减少,导致教育工作者的指导和干预不够及时。基于机器学习(ML)的方法在其他领域取得了惊人的成功。现有的耻辱,应用基于ML的技术需要大量的数据似乎是一个瓶颈,当处理小规模的课程与有限的生产数据量。在这项研究中,我们不仅可以很好地利用从在线学习管理系统收集的数据,以预测学生的整体表现,但它也可以用来提出及时的干预策略,以提高学生的成绩水平。本研究结果显示,有效的介入策略可以在课程中途提出,以改善学生的学习进度。我们还提出了一个辅助教学工具的基础上,这项研究的结果,以协助确定具有挑战性的学生,并建议早期干预策略。
2020-11-23 cs.AI cs.CY
A Predictive Model for Student Performance in Classrooms Using Student Interactions With an eTextbook
Faculty of Computers and Information, Assiut University(艾斯尤特大学计算机与信息学院)
随着在线电子教科书和大规模开放式在线课程(MOOC)的兴起,已经收集了大量与学生学习相关的数据。通过对这些数据的仔细分析,教育工作者可以对学生的表现以及他们在学习特定主题时的行为获得有用的见解。本文提出了一种新的模型来预测学生的表现分析的基础上,学生如何互动的在线电子教科书。通过能够在课程早期预测学生的表现,教育工作者可以很容易地识别出有风险的学生,并提供适当的干预。我们考虑了两个主要问题,预测好/坏的表现和预测的期末考试成绩。为了建立所提出的模型,我们评估了最流行的分类和回归算法的数据从数据结构和算法课程(CS2)在一个大型的公立研究型大学。随机森林回归和多元线性回归已被应用于回归。而Logistic回归、决策树、随机森林分类器、K近邻、支持向量机等方法在分类中得到了应用。
2022-02-16 cs.CY cs.LG
Towards AI Agents for Course Instruction in Higher Education: Early Experiences from the Field
Department of Computational and Data Sciences, Indian Institute of Science (IISc), Bangalore 560012 India(计算与数据科学系,印度科学研究院(IISc),班加罗尔)
本文报告在IISc研究生云计算课程中部署LLM驱动的讲师智能体作为主要授课者的早期经验,提出教学与分析框架,并通过参与度指标揭示学生从广泛探索到深入探究的参与演变,证明其可促进反思性学习与可扩展的高质量教育。
2025-10-23 cs.AI cs.CY cs.HC
Predicting Student Dropout Risk With A Dual-Modal Abrupt Behavioral Changes Approach
The Hong Kong Polytechnic University(香港理工大学);The Education University of Hong Kong(香港教育大学)
针对离线教育场景下辍学预测数据质量差、教育理论指标难量化的问题,提出整合学业与行为数据的双模态多尺度滑动窗口模型,通过捕捉行为突变提升15%预测准确率,为早期干预提供工具。
2025-05-16 cs.AI cs.CY cs.LG
Applying Deep Learning to Specific Learning Disorder Screening
早期发现是治疗那些被诊断患有特定学习障碍的人的关键,这些障碍包括拼写、语法、标点符号、书面表达的清晰度和组织问题。早期干预可以防止这种疾病的潜在负面后果。深度卷积神经网络(CNN)在许多视觉任务中表现得比人类更好,例如从视觉数据进行医学诊断。本研究的目的是评估深度CNN从学生的笔迹中检测出患有特定学习障碍的学生的能力。通过应用迁移学习来使用MobileNetV2深度CNN架构。该模型使用497张来自被诊断患有特定学习障碍的学生以及没有这种诊断的学生的手写样本图像的数据集进行训练。特定学习障碍的检测在验证集上产生0.89的接收器操作特征曲线下的平均面积。这是一种使用深度学习来检测具有特定学习障碍诊断的学生的新颖尝试。这样的系统是建立在这项研究中,可能会提供快速的初步筛选的学生谁可能符合标准的诊断特定的学习障碍。
2020-08-22 cs.CY eess.IV