基于改进谱聚类算法的学生学业预测模型

预测学生学业成绩是教育数据挖掘(EDM)领域最重要的研究课题之一。高职院校计算机相关专业学生在诸如程序设计和数据结构等课程上面临各种各样的困难,这类课程的成绩不及格是大部分学生重修甚至辍学的主要因素。因此,使用EDM分析学生在校学习行为数据,达到提前预测学生学业成绩的目的,实现及时学业预警,并帮助学生在未来取得更好的成绩。针对谱聚类在处理具有复杂统计特性数据集时的不足,设计了一种通过Siamese网络从数据中学习距离度量构造相似性矩阵的改进谱聚类算法,再把学生成绩相关数据进行聚类,获取学生学业表现预测模型。实验结果表明,模型预测学生成绩的准确率为98.3%,高于k-means和传统谱聚类模型。

任务粒度视角下的学生成绩预测研究综述

学生成绩预测作为教育数据挖掘领域重要的研究分支之一,学者们已开展了大批卓有成效的研究工作,但对现有文献进行调查、梳理的综述性研究仍相对缺乏。立足于不同的应用场景,以学生成绩预测研究的任务粒度为视角,从答题表现预测、课程成绩预测、综合学习表现预测等3个方面,详细介绍学生成绩预测研究所采用的技术和方法,并介绍目前学生成绩预测研究在真实教学场景中的应用情况,从而为科研和教育管理工作者提供更有针对性的参考信息。