Using Naive Bayes Algorithm to Students' bachelor Academic Performances Analysis
学术数据采掘是一个新兴的领域，它包括通过不同的元素，如前学期的成绩，出勤率，作业，讨论，实验室工作来检查学生的详细信息的过程，用于提高本科生的学习成绩，并克服困难的低级别的本科生。它是从计算机系本科生数据中提取有用的知识。随后对数据进行预处理，应用数据采掘技术进行分类发现和聚类。本文提出了一种基于朴素贝叶斯算法的学术数据采掘分类方法。它支持学生和讲师评估学习成绩。这是一种警示性的方法，可以帮助学生提高学习成绩。
2018-02-05 cs.CY
Influence of Facebook in Academic Performance of Sri Lankan University Students
Facebook只是人类之间的电子交流，但不幸的是，它已经成为所有人的瘾。本文考察了大学生使用Facebook的情况及其对学业成绩的影响。Facebook对大学生及其学术活动的影响可能是好的，也可能是坏的。尽管仔细观察Facebook的实际影响会发现，它会导致大学生的学业表现出现一些问题。今天，Facebook正在某种程度上摧毁大学生的未来和学术载体。在同一时间也打算找到使用Facebook的大学生在他们的学术成功的帮助下进行了一项调查，以收集在斯里兰卡不同大学的250多名学生之间的数据的意义.
2015-01-03 cs.CY
Decision Tree-Based Predictive Models for Academic Achievement Using College Students' Support Networks
Weber State University（韦伯州立大学）；George Mason University（乔治梅森大学）；Loyola Marymount University（洛约拉马利蒙特大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
在这项研究中，我们检查了在COVID-19大流行早期阶段从美国大西洋中部地区一所大型公立大学入学的484名学生收集的一组原始数据。这些数据被称为Ties数据，包括学生的人口统计和支持网络信息。支持网络数据包括强调支持类型的信息（即情感或教育;常规或强烈）。使用这个数据集，预测学生学业成绩的模型，通过他们自我报告的GPA量化，使用卡方自动交互检测（CHAID），一种决策树算法，和cforest，一种使用条件推理树的随机森林算法。我们比较的方法的准确性和变化的重要变量的集合建议每个算法。每种算法都发现了不同的变量，这些变量对不同的学生人口统计数据很重要，但有一些重叠。对于白人学生，不同类型的教育支持在预测学业成绩方面很重要，而对于非白人学生，不同类型的情感支持在预测学业成绩方面很重要。存在不同类型的常规支持是重要的，在预测学业成绩的cisgender女性，而不同类型的强烈支持是重要的cisgender男性预测学业成绩。
2022-09-12 cs.CY cs.LG stat.ML
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
Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction
Shandong University of Finance and Economics（山东财经大学）；Shandong University（山东大学）；Shandong Jianzhu University（山东建筑大学）；Shandong Normal University（山东师范大学）
学习成绩预测是利用学生的相关信息来预测学生未来的学习成绩，在个性化教学、学业预警等教育领域有着广泛的应用前景。在本文中，我们解决这个问题，通过分析学生的日常行为轨迹，这可以全面跟踪校园记录。与以往的研究不同，我们提出了一种新的三分支CNN架构，它配备了行，列和深度卷积和注意力操作，以捕捉持久性，规律性和时间分布的特点，学生行为的端到端的方式，分别。此外，我们将学习成绩预测作为一个顶级$k$排名问题，并引入一个顶级$k$集中损失，以确保识别学术风险学生的准确性。在一个大规模的真实世界数据集上进行了大量的实验，我们表明，我们的方法大大优于最近提出的学习成绩预测方法。为了重复性，我们的代码已在https://github.com/ZongJ1111/Academic-Performance-Prediction上发布。
2021-07-22 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Improving Students' Academic Performance with AI and Semantic Technologies
The Australian National University（澳大利亚国立大学）
人工智能和语义技术正在发展，并已应用于包括教育领域在内的各个研究领域。高等教育机构努力提高学生的学习成绩。对高危学生的早期干预和合理的课程设置对学生的成功至关重要。之前的研究选择部署传统的机器学习模型来预测学生的表现。在课程语义分析方面，在对语义技术在计算机科学课程中的应用进行了全面系统的回顾之后，研究的一个主要发现是，用于测量相似性的技术在概念、课程等的表示方面存在准确性和模糊性方面的局限性。利用上学期的成绩预测学生的学习成绩，以语义的方式对课程表示进行建模并计算相似度，以及识别两门相似课程之间的先决条件。关于性能预测，我们在巴西一所大学的数据集上使用了遗传算法和长短期记忆（LSTM）的组合，该数据集包含248730条记录。在相似性度量方面，我们采用BERT对句子进行编码，并使用余弦相似度来获得课程之间的距离。在先决条件识别方面，采用TextRazor从课程描述中提取概念，然后采用SemRefD度量两个概念之间的先决程度。这项研究的成果可以概括为：（i）突破性的结果提高了Manrique的工作2.5%的辍学预测的准确性方面;（ii）发现课程之间的相似性基于课程描述;（iii）确定在ANU计算学院的三门必修课程的先决条件。
2022-10-27 cs.AI 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
Argus: Academic Integrity in the Era of Generative AI
Purdue University（普渡大学）
Argus系统通过行为与风格指标检测编程作业中的LLM辅助使用，发现45%学生存在此类模式，且与考试成绩显著负相关，强调需结合人工审查流程以维护学术诚信。
2026-10-01 cs.AI cs.CY
Generative AI in Collaborative Academic Report Writing: Advantages, Disadvantages, and Ethical Considerations
RMIT University（RMIT大学）
本文针对教育学术领域学生过度依赖生成式人工智能（GenAI）工具完成作业的问题，强调培养自身批判性思维和终身学习技能的重要性，指出需教育学生了解AI模型缺陷及相关伦理问题。
2025-04-10 cs.AI 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
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
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
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
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
Plagiarism or Productivity? Students Moral Disengagement and Behavioral Intentions to Use ChatGPT in Academic Writing
Pampanga State University（帕曼加州立大学）；National University（国家大学）
研究探讨道德脱节如何影响菲律宾大学生使用ChatGPT进行学术写作的意图，发现归咎机制对态度和控制感影响最大，而态度对行为意图影响最大，模型解释了超过一半的意图变异。
2026-03-20 cs.AI cs.CY cs.ET
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
AI Slop or AI-enhancement? Student perceptions of AI-generated media for an English for Academic Purposes course
Everwrite Limited（Everwrite有限公司）；Faculty of Education, The University of Hong Kong（香港大学教育学院）；Faculty of Education, The Chinese University of Hong Kong（香港中文大学教育学院）
研究探讨了AI生成内容在EAP课程中的教学效果，通过混合方法分析发现学生偏好视觉化内容，视频与学业表现正相关，但高认知负荷与成绩负相关，表明需合理设计内容以提升学习效果。
2026-04-08 cs.AI cs.CL cs.CY
The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing
Department of Language, Literacy and Culture（语言、 literacy 与文化系）
本文提出依赖协商框架，用于解释学生与大语言模型在学术写作中的动态互动过程，考虑了学生在不同任务中的变化性、经验带来的习惯化现象以及伦理非使用作为伦理推理的形式。
2026-04-18 cs.AI cs.CY cs.HC
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
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
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
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
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
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
