Predicting academic success in Belgium and France Comparison and integration of variables related to student behavior
在比利时和法国的大学一年级学生中观察到低成功率，我们在本文中开发预测模型，以确定，在尽可能早的阶段，那些学生谁是在学年结束时失败的风险。我们应用不同的数据采掘技术来预测学生的学业成就。我们发现，这是很难预测的成功，只考虑在课堂上的行为相关的变量，这是必要的，以获得高质量的结果，增加有关个人的历史，参与和行为在他们的研究，和学术生活的看法变量。
2014-08-21 cs.CY
An Analysis of Academic Performance of University Students in Namibia
根据观察，纳米比亚相当一部分大学生似乎需要提高学业成绩，以便在全球化的工作环境中充分竞争。这特别包括对数学的透彻理解，因为它是信息技术和管理科学等现代知识学科的组成部分。然而，由于缺乏足够的材料、有能力的教育者、他们自己的意志力，或者两者兼而有之，学生们很难或无法从事相关的课程工作。本研究旨在调查与纳米比亚大学生学习成绩相关的关键因素。
2020-06-26 cs.CY
Predicting Academic Performance for College Students: A Campus Behavior Perspective
及时发现学生的异常行为，并在早期提供个性化的干预和指导，是教育管理的重要内容。学习成绩预测是实现这种预先干预和指导的重要组成部分。以往的研究大多基于问卷调查和自我报告，存在样本量小和社会期望偏差的问题。本研究以6，597名学生的灵巧卡为研究对象，收集了学生的纵向行为数据，并提出了三种主要的区分性行为因素，即勤奋、有序和睡眠模式。实证分析表明，这些行为因素与学习成绩密切相关。在此基础上，我们以社会影响理论为依据，分析了每个学生的学习成绩与其行为相似的学生的学习成绩之间的相关性。统计检验表明这种相关性是显著的。基于这些因素，我们进一步建立了一个多任务预测框架的基础上学习排名算法的学习成绩预测。本研究以学生的学习成绩为研究对象，利用学期间、专业间的相关性，结合学生的相似性来预测学生的学习成绩。在大规模真实世界数据集上的实验表明，我们的方法用于预测学习成绩和建议的行为因素的有效性。
2019-03-15 cs.CY
Student-centric Model of Learning Management System Activity and Academic Performance: from Correlation to Causation
University of Maryland Baltimore County（马里兰大学巴尔的摩郡分校）；Univerisy of Alabama（阿拉巴马大学）
近年来，在学习管理系统（LMS）中对学生的数字痕迹进行建模，以了解学生的学习行为模式，包括元认知和自我调节方面，最终目标是将这些见解转化为可操作的信息，以支持学生改善他们的学习成果。然而，在实现这一目标时，鉴于现有文献，有两个主要问题需要解决。首先，目前的大部分工作是以课程为中心的（即模型是根据特定课程的数据构建的），而不是以学生为中心的;其次，绝大多数模型是相关的，而不是因果关系。这些问题使得它具有挑战性，以确定最有前途的可操作的因素，在学生一级的干预，大部分的校园范围内的学术支持是专为。在本文中，我们探索了一个以学生为中心的LMS活动数据的分析框架，不仅可以提供相关的，但从观测数据挖掘因果关系的见解。我们在2019年秋季的一个学期中使用美国一所公立大学1651名计算专业学生的数据集演示了这种方法。该数据集包括学生的细粒度LMS交互日志和管理数据，例如人口统计和学习成绩。此外，我们扩展了LMS行为指标的存储库，以包括那些可以表征登录时间的指标（例如，时钟类型）。我们的分析表明，学生的登录量，与其他登录行为指标相比，既强烈相关和因果关系，以学生的学习成绩，特别是在学生的学习成绩低。我们设想，这些见解将为大学生支持团体提供令人信服的证据，以启动以学生为中心的有效和可扩展的有针对性的干预措施。
2023-03-30 cs.AI 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
Relationship between Student Engagement and Performance in e-Learning Environment Using Association Rules
Western University（韦仕敦大学）
由于使用智能手机和无线设备访问互联网越来越容易，电子学习领域已经成为学术界感兴趣的话题。电子学习平台面临的挑战之一是如何保持学生的积极性和参与度。此外，确定可能需要帮助的学生以确保他们的学习成绩不会受到影响也很重要。为此，本文试图探讨学生投入与学业成绩之间的关系。Apriori关联规则算法被用来推导出一组将学生参与度与学习成绩联系起来的规则。实验结果的分析表明，学生的参与水平和他们的学习成绩之间存在着正相关关系，在混合式电子学习环境。特别是，它表明，更高的参与往往会导致更好的学习成绩。这巩固了以前在传统课堂上将参与度和学习成绩联系起来的工作。
2020-12-25 cs.CY cs.HC cs.LG
Investigating the Influence of Computer Anxiety on the Academic Performance of Junior Secondary School Students in Computer Studies in Nigeria
本研究探讨了计算机焦虑对尼日利亚初中学生计算机学习成绩的影响。本研究所使用的研究工具为电脑焦虑量表，并经由辅导讲师与教育测量与评估专家验证。研究结果表明，大部分被试在与电脑打交道时存在轻度焦虑。
2020-11-21 cs.CY
Academic Lobification: Low-performance Control Strategy for Long-planed Academic Purpose
学术趋同化是指一个学生为了某种长期目的，故意隐藏学术行为，或故意降低学术成绩，或故意拖延学术回报，但不产生学术风险的一种学术成绩控制策略、方法和手段的集合。理解学术的性别化对于我们弥补学生学业评价中的固有偏差、发现天才学生、获取利益和减少伤害至关重要。它概述了一系列问题，是基本的，这一新兴的跨学科研究领域，包括研究对象，研究问题，研究范围，研究方法，并探讨了技术，法律和其他限制研究学术全球化。
2021-11-26 cs.CY
CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
Florida State University（佛罗里达州立大学）
CS-Guide利用LLMs和学生反思提供频繁、可扩展的学术反馈，通过学习分析和定制干预提升计算机科学学生支持
2025-12-22 cs.CY
The Effect Of Online Cooperative Homework On Students' Academic Success
本研究旨在探讨线上协作学习作业对学生学业成就的影响。本研究的体验组由58名来自阿纳多卢大学教育学院计算机与教学技术系的学生组成。A段学生采用传统方法，中立预约; B段学生采用在线作业练习方法。每班29人，决定14名学生单独准备作业，其余15名学生以三人小组的形式合作准备作业。是单独准备作业还是合作准备作业是学生自己的选择。在教学期结束时有一个成功的量表。根据研究结果，参加传统作业实践和在线作业实践的学生之间没有统计上的显著差异。根据研究结果，学生参加个别作业练习和合作作业练习的成绩在统计上没有显著差异。参加网上个别作业的学生的学业成就高于传统的个别作业和网上协作学习作业。
2014-01-21 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
Student self-management, academic achievement: Exploring the mediating role of self-efficacy and the moderating influence of gender insights from a survey conducted in 3 universities in America
本研究以美国三所大学的289名学生为对象，探究自我管理与学业成就的关系，发现自我效能起中介作用、性别有一定调节效应，为相关教育实践提供了洞见。
2024-04-17 cs.CY
Determining the Impacts of Social Media on Mood, Time Management and Academic Activities of Students and the Relationship with their Academic Performance
社交媒体网站的数量呈指数级增长，新网站利用旧网站的弱点获利，其他网站则通过提供未经审查的内容超越社区指导方针。这些平台的供应商为了有更广泛的影响力，不限制观看年龄，承诺年轻人有名气，以及其他有吸引力的优惠，使年轻人沉迷于该网站。黑客入侵用户账户并利用其进行欺诈的可能性是尼日利亚年轻人渴望快速致富的另一个狂欢。数据、智能手机和相关数字设备价格的暴跌增加了可用性和可及性，从而缩小了数字鸿沟，并扩大了其对青年道德和学术追求的不利影响。重要的是，尼日利亚政府要了解导致政府拥有的机构的学生成绩下降的因素，以制定有助于应对挑战的政策和基础设施。本研究探讨了社交媒体对学生学业活动、情绪和时间管理能力的影响。结果表明，社交媒体和学术活动之间的关联具有统计学意义。然而，两者之间存在负相关，这意味着社交媒体活动水平越高，学术活动参与度越低。社交媒体对学生时间管理能力的影响也存在类似的关联。
2021-03-12 cs.CY
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
Mobile social media usage and academic performance
在普通人群中，学生对社交媒体和智能手机特别敏感，因为它们无处不在。几项研究表明，社交媒体和学习成绩之间存在负相关关系，因为它们可能导致损害学生职业生涯的行为，例如，成瘾然而，这些研究要么关注智能手机和社交媒体成瘾，要么依赖于调查，而调查只能提供近似估计。我们建议通过以下方式弥合这一差距：i）将社交媒体使用和学习成绩参数化; ii）将智能手机和时间日记相结合，以跟踪用户的活动及其智能手机互动。我们将我们的解决方案应用于参与SmartUnitn项目的72名学生，该项目调查了学生的时间管理和学习成绩。通过分析学生智能手机上的社交媒体应用程序的日志，并将其与学生的学分和成绩进行比较，我们可以提供负相关和正相关的定量和定性估计。我们的研究结果显示了社交媒体使用的负面影响，区分了社交媒体对学术活动的不同影响模式，并强调了在学术环境中控制智能手机使用的必要性。
2020-04-03 cs.CY
BlockCampus: A Blockchain-Based DApp for enhancing Student Engagement and Reward Mechanisms in an Academic Community for E-JUST University
本研究面向埃及-日本科学技术大学（E-JUST）师生，设计实现了基于区块链的去中心化应用BlockCampus，以搭建专用学术平台、提供参与激励，助力提升学术社区的协作与参与度。
2023-07-07 cs.CY
Facebook use, personality characteristics and academic performance: A correlational study
本文探讨了学生的个性，使用社交媒体和他们的学习成绩和参与之间的关系。具体而言，本研究的目的是使用大五人格测试（a）学生参与度，（b）准备上课的时间，（c）在课外活动中花费的时间和（d）学习成绩来检查学生的Facebook（FB）使用和人格特征之间的关系。结果显示，FB时间与学生参与度和备课时间呈显著正相关。最后，部分facebook活动与学生的人格特质呈显著正相关，部分则与各因变量呈显著负相关。本研究对教师与学生的意涵也进行了讨论。
2018-06-19 cs.CY
Evaluating Algorithmic Bias in Models for Predicting Academic Performance of Filipino Students
University of Pennsylvania（宾夕法尼亚大学）；Kyushu University（九州大学）；Sorbonne University（索邦大学）；Ateneo de Manila University（雅典耀大学）；LIP6（巴黎第六大学信息学实验室）；ait.kyushu-u.ac.jp（九州大学先进信息技术研究所）
本研究针对亚洲教育场景中地区层面算法偏差研究不足的问题，基于菲律宾某大学5986名学生的Canvas LMS活动日志训练成绩预测模型，通过三项指标评估未发现地区相关的预测不公平性。
2024-07-15 cs.CY cs.LG
Reflection on Purpose Changes Students' Academic Interests: A Scalable Intervention in an Online Course Catalog
该研究在在线课程目录中嵌入目的反思干预，通过超4000名学生的随机实验发现其能改变学术兴趣，为高等教育中引导学生有意识探索兴趣提供了可扩展策略。
2024-12-26 cs.CY cs.HC
An empirical analysis of the relationship between web usage and academic performance in undergraduate students
互联网的使用，特别是网络浏览，为教育机构提供了许多潜在的优势，因为学生可以获得以前无法获得的广泛信息。然而，由于浪费时间和反社会行为等因素，存在潜在的负面影响。本研究以2153名大学生为被试，对大学生的学习成绩和网络使用模式进行了实证调查。来自大学代理日志的数据使我们能够检查使用模式，并将这些数据与学生的学习成绩进行比较。结果表明，在大量的网络浏览和较差的学术成绩（较低的平均分数，较高的失败率）之间有一个小但显著的（统计学和教育学上）关联。此外，在优秀学生中，互联网用户相对较少的学生比例明显高于偶然预期。
2011-10-28 cs.CY cs.SI
Multidimensional Analysis of Psychological Factors affecting Students Academic Performance
任何个人的学术表现取决于许多方面关于个人的日常生活的考虑。学习成绩是以平均成绩或GPA来衡量的。平均成绩不仅取决于教师，而且还取决于各种心理参数，包括学习习惯，社交焦虑和联盟。本研究对影响学生成绩的诸多心理因素进行了详细的分析，并根据各种心理因素对学生在即将到来的考试中的表现进行了预测。
2018-05-26 cs.CY cs.IR
Computational Models for Academic Performance Estimation
Indian Institute of Technology Roorkee（印度鲁基理工学院）
在新型冠状病毒疫情下，评估学生完成课程的表现一直是学生及教职员在居家工作期间的主要问题。为此，本文深入分析了深度学习和机器学习方法，用于制定一个自动化的学生成绩评估系统，该系统适用于部分可用的学生学习成绩。我们的主要贡献是（a）一个大型数据集，有15门课程（公开分享用于学术研究）（b）对该数据集的估计问题进行统计分析和消融（c）通过深度学习方法进行预测分析，并与其他艺术和机器学习算法进行比较。与以前依赖于特征工程或逻辑函数推导的方法不同，我们的方法是完全数据驱动的，因此具有高度通用性，在不同的预测任务中具有更好的性能。
2020-09-06 cs.CY cs.LG stat.ML
Predicting academic major of students using bayesian networks to the case of iran
在这项研究中，今年发生在伊朗的马拉盖市。对高中学生在数学、实验科学、人文科学、职业、商业和科学领域的人数进行了研究和比较。本研究旨在利用贝氏网路预测高中生的学术专业。有效因子作为贝叶斯网络的一个有效指标，首次被应用于学术专业选择。GeNIe进行了指标相互影响的评估、数据离散化和处理。适当的课程将建议学生继续他们的教育。
2015-08-07 cs.CY cs.IR
Evaluation of Machine Learning Models in Student Academic Performance Prediction
Dept. of Computer Engineering General Sir John Kotelawala Defence University（计算机工程系 加普尔·约翰·科特拉瓦拉国防大学）；Dept. of Computer Science Sri Lanka Institute of Information Technology（计算机科学系 斯里兰卡信息技术研究所）
本文评估经典机器学习模型对学生学业表现的预测能力，发现MLPC表现最佳，并结合特征选择与可解释机器学习验证模型有效性。
2025-06-08 cs.AI cs.CY cs.LG
Complementary Training Programme for Electrical and Computer Engineering Students Through an Industrial-Academic Collaboration (Extended Version)
我们描述了电气工程研究生课程（PPGEE），电子和信息研究中心（CETELI）和三星电子亚马逊有限公司之间的工业-学术合作的结果。（三星），旨在为三星的研究和开发（R&D）领域培训人力资源。受合作教育系统的启发，这种合作通过补充培训计划（CTP）提供学术经验，以训练电气和计算机工程的本科生和研究生，特别强调数字电视（TV），工业自动化和移动设备技术。特别是，这种合作为学生提供了奖学金，为教授和协调员提供了财政支持，此外还建造了一座新的大楼，配备了新的实验室、教室和工作人员房间，以协助所有研究和开发活动。此外，合作成果还为三星的移动设备、数字电视和生产流程开发了应用程序，使CETELI的科学生产增加了37%（即，会议和期刊论文）以及对本科生和研究生的专业培训。
2016-07-30 cs.CY
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
Is social media hindering or helping Academic Performance? A case study of Walter Sisulu University Buffalo City Campus
该研究通过对 WSU Buffalo City 校区 71 名学生的随机问卷调查，发现社交媒体虽有助学作用，但过度使用主要造成分心并损害学业表现。
2025-01-07 cs.CY cs.SI
When Does It Become Cheating? Exploring the Roles of Self-Efficacy and the Impostor Phenomenon in Computing Students' Perceptions of Academic Dishonesty
Georgia Institute of Technology（佐治亚理工学院）
本研究通过调查443名CS本科生，发现自我效能感与冒充者现象负相关，且冒充者现象与将AI相关情景视为严重作弊正相关，强调需关注学生AI认知与学术诚信。
2026-10-06 cs.CY
Academic mobility as an organizational mechanism of intercultural interaction
提出了国际化背景下大学生学术流动的趋势。介绍了一项关于学生对国际教育、文化教育交流和学术流动计划的态度的调查结果。研究表明，学术流动组织作为大学跨文化环境的一部分，是大学教育过程中的必要激励工具，也是跨文化交流的组织机制。
2022-02-13 cs.CY
Disadvantaged students increase their academic performance through collective intelligence exposure in emergency remote learning due to COVID 19
在COVID-19危机期间，全球教育机构从面对面教学转向紧急远程教学（ERT）模式。在这种被迫和突然的转变中，教师和学生没有机会获得通过学习管理系统（LMS）实施的在线学习模式所需的知识或技能。因此，本科教师往往主要使用LMS作为信息库，很少促进学生之间的虚拟互动，从而限制了集体智慧对学生的好处。我们分析了7,528名本科生的数据，发现大学生在论坛上的合作和共识动态对他们的最终GPA有积极影响，对高中期间学习成绩较低的学生影响更大。这些结果超出了社会经济和其他LMS活动混杂因素。此外，使用自然语言处理，我们表明，在高中期间学习成绩较低的一年级学生在讨论论坛中接触到更多内容密集型的帖子，导致大学GPA显著高于高中低成绩的同龄人。我们希望这些结果能够激励世界各地的高等教育教师在课堂上使用论坛讨论等工具来促进学生之间的合作和共识动态，以获得社会学习和集体智慧的好处。
2022-03-10 cs.CY physics.ed-ph
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
Single-Agent vs. Multi-Agent LLM Strategies for Automated Student Reflection Assessment
Kyushu University, Fukuoka, Japan（九州大学）；Nagoya University, Nagoya, Japan（名古屋大学）；Chubu University, Kasugai, Japan（名古屋大学）
本研究探索利用LLM自动评估学生反思并预测学业表现，通过单/多智能体策略与零/少样本提示对比，发现少样本单智能体匹配率最高，且能有效识别风险学生并减轻教师负担。
2025-06-18 cs.CY cs.LG
The effect of twitter-mediated activities on learning outcome and student engagement: A case study
本文报告的研究，探讨了Twitter在教育过程中的严格设计的引入的影响。具体而言，它探讨了学生使用Twitter的背景下，组织良好的教育活动和他们的成绩在学术课程之间的关系。结果表明，学生使用Twitter和他们在课程中的表现之间存在显着的相关性。此外，他们在Twitter上的参与可以提高学生的学术参与度和他们对学术界的归属感。最后，Twitter的使用可能对学生的互联网自我效能感的影响也进行了研究。研究结果及其影响进行了详细讨论。
2018-03-04 cs.CY
Impact of UK Postgraduate Student Experiences on Academic Performance in Blended Learning: A Data Analytics Approach
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
Dependency on Meta AI Chatbot in Messenger Among STEM and Non-STEM Students in Higher Education
本研究调查菲律宾872名高等教育学生对Meta AI的依赖情况，发现学生认可其学术与技术价值但不愿过度依赖，更偏好传统资源，STEM学生使用频率更高且对依赖风险的担忧更突出，表明该工具在教育中起补充作用。
2025-05-13 cs.CY
Explainable AI as a Social Microscope: A Case Study on Academic Performance
学习成绩被认为是学生的整体经历、个人特征和教养之间复杂相互作用的产物。数据科学技术，最常见的是回归分析和相关方法，是探索这种相互作用的可行手段。然而，这些往往提取具有广泛影响的因素，而忽略了个别学生的具体变化。对于数千甚至数百个科目来说，关注每个学生的特点通常是不可能的，但数据采掘方法可能在设计更有针对性的方法方面证明是有效的。例如，具有共同特征的受试者可以被分配到集群，然后可以使用机器学习算法单独检查这些集群，从而提供对影响特定群体中个体的因素的更细致入微的看法。在这种情况下，我们引入了一个数据科学工作流程，允许对学习成绩相关性进行细粒度分析，以捕捉学生对这些因素敏感度的细微差异。利用可解释人工智能（XAI）技术工具箱中的局部可解释模型不可知推理（LIME）算法，所提出的管道产生具有相似学术成就指标的学生组，而不是如先前研究中通常实践的相似特征（例如家庭背景）。作为一个概念验证的案例研究，丰富的纵向数据集被选择来评估所提出的方法与标准回归模型的有效性。
2020-06-04 cs.CY
Which CS1 Students Will Fail? Identifying Digital Markers from Learning Analytics in Computer Systems and Architecture Using Weighted Academic Momentum and Interaction Logs
University of Zambia（赞比亚大学）；DataLab Research Group, University of Zambia（赞比亚大学数据实验室研究组）
该研究基于284名学生数据，结合加权学业动量等数字标记与传统特征，构建可在学期第5周预警大一CS1课程不及格的高召回模型，贡献了多源数据集、特征消融研究及可部署的可解释模型。
2026-08-19 cs.CY cs.LG
Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies
College of Education（教育学院）；College of Hospitality and Tourism（旅游与 hospitality 学院）；Pampanga State University（帕玛潘加州立大学）；College of Education Management（教育管理学院）；College of Computing Studies（计算机科学学院）
研究探讨了菲律宾大学生对AI的依赖程度及其对批判性思维、写作能力等学术能力的影响，通过潜在类别分析识别出四类学生群体，发现AI依赖学生学术能力最弱，需加强AI素养与核心学术技能的平衡。
2026-04-30 cs.AI cs.CY
Understanding University Students' Use of Generative AI: The Roles of Demographics and Personality Traits
West Lafayette Junior/Senior High School（西拉法叶初高中）；University of Georgia（佐治亚大学）
本研究通过调查美国363名大学生，揭示了人口统计学特征（年级、族裔等）和大五人格特质对生成式AI使用及态度的影响，为高校开展个性化GAI使用指导提供依据。
2025-05-19 cs.AI cs.CY
Grade Encoding and the Structural Representation of Student Academic Trajectories
Hefei No.62 Middle School（合肥市第六十二中学）；Anhui NARI ZT Electric Co., Ltd.（安徽南瑞继远电力有限公司）
本文提出“数据失语症”概念，通过将百分制成绩转换为字母等级，发现信息熵下降约69%，聚类结构不稳定，诊断一致性波动大，揭示了字母评分制度对认知稳定性的影响。
2026-07-14 cs.CY
Forecasting Success of Computer Science Professors and Students Based on Their Academic and Personal Backgrounds
本文分析学生本科院校对其进入北美顶尖计算机科学研究生项目及日后成为教授的影响，揭示前25项目录取中的本科院校偏差，并用机器学习预测教授成功，RMSE达7.85。
2024-08-04 cs.CY
Is AI Changing the Rules of Academic Misconduct? An In-depth Look at Students' Perceptions of 'AI-giarism'
Faculty of Education, The University of Hong Kong（香港大学教育学院）
该研究针对393名高校学生调研其对AI抄袭的认知，发现学生明确反对直接AI生成内容但对隐蔽AI使用态度矛盾，提出AI抄袭概念化量表，为教育政策与设计提供支持，推动学术不端定义适配AI发展。
2023-06-10 cs.AI 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
Tracing GenAI Literacy: Uncovering Student-AI Interaction Patterns in Academic Writing through Epistemic Network Analysis
Department of Educational Technology, Graduate School of Education, Peking University（教育技术系，教育研究生院，北京大学）
本研究利用学习分析和认知网络分析，通过分析162名学生在GenAI辅助摘要写作任务中的交互日志，揭示了高素养学生采用迭代优化和策略性提问，而低素养学生依赖直接生成命令的不同交互模式。
2026-04-28 cs.AI cs.CY
Develop the application for learning place value
本研究的目的是：（1）开发学习位置价值的应用程序，（2）确定开发的应用程序的效率，（3）比较学习成绩，比较使用开发的位置价值应用程序学习的学生的课前和课后学习成绩，4）在课后比较通过开发的应用程序和通过传统方法学习位置值的学生的学业成绩，5）比较2周后申请学习地点值的学习成绩的保持情况，以及6）发现学习了申请学习地点值的学生的满意度。通过有目的抽样选择的样本组是5个内容专家和400 pratomsuksa 1学生。
2018-07-25 cs.CY cs.MM
A Proposal for a Nationwide Student Gradebook Information Network
今天的学生被鼓励在一个以上的国家学术环境中学习和发展专业知识。事实上，他们的教育活动不可避免地发生在各种学术环境中，甚至跨越数年。因此，学生的学业成绩和进步预计将很容易监测和全国访问。本论文的作者设计了一个学生成绩册信息网络，供全国所有公立和私立大学和学院使用。这些文件涉及该系统的基本架构原则，并讨论了与跨多台机器的数据汇集、数据分析和数据存储有关的方面，同时从一个单一的Web访问点提供整个基础设施和服务提供系统的无缝视图。建筑系统的效用与它的主要优点：用户友好性，安全访问，灵活性，透明度，分布式电源和可扩展性的关系进行了讨论。该系统的主要受益者是罗马尼亚高等教育系统。
2015-03-14 cs.CY
Academic Support Network Reflects Doctoral Experience and Productivity
目前以生产率量化研究绩效的做法导致了对博士生心理健康的严重关注，而研究环境的影响往往被忽视。论文中的致谢反映了学生的经历，并提供了一个感谢支持他们的人的机会。我们进行文本分析的论文，以建立“学术支持网络”，发现五个不同的社区：学术，行政，家庭，朋友和同事，和精神;其中每一个是不同的性别和学科的承认。女学生提到的每个社区的人较少，除了他们的家庭和总人数提到的人在引文允许学科被归类为个人科学或团队科学。我们还发现，从学术界提到的人数与生产力呈正相关，机构排名被发现与生产力和学术支持网络的规模，但没有显示出对学生的情绪的影响。我们的研究结果表明，学术支持网络的重要性，通过解释他们如何不同，他们如何影响生产力。
2022-03-07 cs.CY cs.DL cs.IR
An Agent-Based Simulation of Regularity-Driven Student Attrition: How Institutional Time-to-Live Constraints Create a Dropout Trap in Higher Education
National University of Tucumán（图库曼国立大学）
本文通过代理模拟揭示了行政时间限制如何导致学生辍学，指出规范机制比单纯学术失败更驱动辍学，挑战了行政结构的中立性。
2025-11-20 cs.CY
Lessons Learned from Development of a Software Tool to Support Academic Advising
我们详细介绍了一些经验教训，同时设计和测试的决策理论咨询支持工具，在一个大型州立大学的本科生。在2009年至2011年期间，我们对500多名来自多个专业和学院的学生进行了两次调查。这些调查向学生提出了关于他们在课程选择、建议和职业道路方面的偏好的详细问题。我们提出的数据，从这项研究，这可能是有帮助的教师和工作人员谁建议本科生。我们发现，建议支持软件工具可以增强学生与顾问的关系，特别是在课程规划方面，但不能也不应该取代面对面的建议。
2014-05-29 cs.CY physics.ed-ph
Auto-assessment of assessment: A conceptual framework towards fulfilling the policy gaps in academic assessment practices
针对学术评估中AI使用的政策空白，调查117名学者后提出一种新型AI框架，可自主评估学生作业并自动评分，同时指出需提升学者对现代AI工具的认知。
2024-10-28 cs.AI cs.CY
Understanding health and behavioral trends of successful students through machine learning models
本研究分析了大学生在一个学期中不同时期的身体、心理、生活方式和人格因素的模式，并建立了它们与学生学习成绩的关系模型。分析的数据是通过智能手机和Fitbit收集的。使用从收集的数据中导出的机器学习模型来观察学生的行为与他们的GPA，生活方式，身体健康，心理健康和个性属性相关的程度。使用了一种相互一致的方法，其中不是查看结果的准确性，而是使用模型参数和特征的权重来找到共同的行为趋势。根据模型创建的结果，确定了学术成功的最重要指标，即更高的GPA，是学生花费时间的地方。生活方式和个性因素被认为比精神和身体因素更重要。这项研究将提供洞察不同的因素和这些因素对学生的学习成绩的时间的影响。
2021-01-23 cs.CY
Reducing Procrastination on Programming Assignments via Optional Early Feedback
本文提出不计分但提供提前自动化反馈的编程作业干预，实验与访谈表明其能促使学生提早开始，实际使用者成绩更高，并在心理健康和软技能方面受益。
2025-10-16 cs.CY
Protecting Student Mental Health with a Context-Aware Machine Learning Framework for Stress Monitoring
Dept. of Computer Science, George Mason University, Virginia, USA（计算机科学系，乔治·马歇尔大学，弗吉尼亚州，美国）；Dept. of Computer Science and Engineering, University of Rajshahi, Bangladesh（计算机科学与工程系，拉贾沙希大学，孟加拉国）；Dept. of Computer Science and Engineering, Green University of Bangladesh, Bangladesh（计算机科学与工程系，孟加拉国绿色大学，孟加拉国）
本文提出一种上下文感知的机器学习框架，利用六个基分类器和集成策略对学生压力进行分类，在两个数据集上分别达到93.09%和99.53%的准确率，优于现有基准，支持早期压力检测。
2025-08-01 cs.AI cs.CY cs.LG
Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses
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 Córdoba（科尔多瓦大学）
本研究针对混合学习大学课程的学生成绩预测问题，采用多源多模态数据融合方法，通过对比四种融合策略与六种分类算法，得出集成学习结合离散化最优属性选择的方法效果最佳，并明确了核心预测特征。
2024-02-08 cs.AI cs.CY cs.LG
