基于知识追踪和知识网络的学生成绩预测

随着教育事业和数字技术的蓬勃发展,高校内大量学生学习数据开始以电子形式进行存储。预测学生在未来学习中的表现(如成绩)成为一个重要课题。在现有的学生成绩预测研究中,大多数忽略了学生历史习题之间隐含的关联性。因此,该文提出了基于知识追踪和知识网络的学生成绩预测方法,其主要思想是融合知识追踪和习题对应知识点的知识网络实现成绩预测。该方法将每个学生所做习题对应的知识点以及前驱知识点组成的知识网络作为输入之一,并在知识网络中标注出掌握程度大于给定阈值的知识点;结合LSTM神经网络,通过学生学习记录融合注意力机制来追踪学生知识水平,最终预测学生在未来做题中的表现。在公开数据集上的实验结果表明,该模型在Assistment2009数据集上较DKT、DKT+、DKVMN、SAKT、MFKT、MSKT分别提高了2.3%,2.2%,3.3%,3.4%,0.41%,2.0%,在Assistment2015数据集上分别提高了9.0%,9.4%,9.7%,9.3%,8.1%,8.5%,具有较好的模型精度。

2013-2023年间浙江省青少年游泳比赛成绩变化趋势及两种成绩预测模型对比赛成绩预测效果的对比分析

采用数理统计法、预测分析法对2013-2023年间“迎春杯”浙江省青少年游泳锦标赛的成绩进行分析,以探讨2013-2023年间青少年游泳整体水平的发展变化情况。通过整合2013-2022十年间比赛成绩,采用灰色理论GM(1,1)预测模型和BP神经网络预测模型对2023年比赛冠军成绩和前八名平均成绩进行预测,将预测值和2023年比赛的实测值进行拟合对比,采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)对两种模型的预测能力进行评定,探索更加有效的成绩预测方法,为今后备战重要比赛提供一定的理论参考依据。

基于多元线性回归的数学建模成绩预测研究

利用机器学习中的多元线性回归方法建立了数学建模成绩的预测模型。首先,选择课程并进行数据清洗,确定数据集。其次,利用相关性分析和方差膨胀因子检验课程成绩间的相关性和多重共线性,通过逐步回归的方式确定数学建模成绩的影响因素和回归模型。最后,利用交叉验证,在不同的训练集上训练模型,利用均方误差和平均相对误差检验模型的预测准确性。结果表明,采用多元线性回归预测的数学建模成绩与实际成绩相近,预测模型有效。

基于径向基函数神经网络的大学生体测成绩预测研究

大学生体质健康测试成绩是评价学生体质健康的重要标准,科学有效地对体测成绩进行预测分析是其他研究的基础。该研究运用径向基函数神经网络对某大学XX学院学生2022年体质健康测试数据进行预测和分析,并与BP神经网络、支持向量机等方法分类预测结果进行对比。试验结果表明,该预测模型具有较高的预测准确率和较好的泛化性能,为后续体育教师开展教学,相关学者开展研究提供了科学有效的分析方法。

基于Stacking集成学习模型的学生学习成绩预测研究

以数据为载体驱动学生学习表现评估是教育领域的重要研究内容,鉴于单一学习模型在学习成绩预测时会出现泛化效果较差的情况,本文提出一种融合多个单一学习模型的Stacking集成学习模型,以KNN、逻辑斯谛回归、朴素贝叶斯、决策树四种模型作为集成学习模型的基分类器,选择XGBoost模型作为次学习器。结果表明,Stacking集成学习模型的准确率为99.4%、F1-score为96.18%,优于单一学习模型,对在线课程的学习成绩预测有较好的效果,能够有效预测学生的学习表现,为开展在线教学的教师提供学习预警。

基于图书馆大数据的大学生成绩预测模型研究

基于高校图书馆大数据的大学生成绩预测对于推动高校图书馆的服务创新和高等教育数字化转型具有重要意义。文章针对鲜有图书馆利用数据用于大学生成绩预测模型构建的现状,结合高校教务处学业数据和图书馆利用数据,基于机器学习方法构建了大学生成绩预测模型。实验结果表明,对逻辑思维要求较高的科目对学生成绩有显著的正相关性;图书馆利用数据(如图书借阅、入馆次数等)与平均学分绩点(Grade Point Average,GPA)呈现明显的正相关关系。该研究旨在为高校图书馆精准化服务提供有力支持,并为高等教育数字化转型提供有益参考。

基于课程关联的高校学生成绩预测模型研究

【目的】为监测学习状况、管理学生成绩和提高教学质量,提出一种基于课程关联的学生成绩预测模型(students performance prediction using course association,SPCA)。【方法】以学生综合数据库为基础,挖掘课程间的关联程度,利用大数据技术对高校学生成绩进行分析和预测。选取某校2018—2020级工业工程专业学生的29门课程成绩,首先利用自组织映射网络(self-organizing map,SOM)算法对课程进行聚类,分为数学计算、通识与专业基础、实践应用三类;然后利用先验算法(apriori algorithm,Apriori)挖掘课程间的关联规则;最后采用决策树算法,利用处于同一类并且在关联规则中的前置课程成绩,对后置课程成绩进行预测。【结果】预测模型最终精确率为90.2%,准确率为88.9%,是预测学生成绩的较为有效的模型。【结论】本预测模型能优化课程安排,并帮助学生规划学习计划,对提高教学质量和改进教学管理具有一定的参考意义。

基于随机森林算法的学生成绩预测的实现

教育数据挖掘是数据挖掘中的重要领域之一,其中成绩预测是研究的重点内容,成绩数据是学生学习行为的重要反映。基于数据挖掘技术,通过采集学生的基本信息、图书借阅、消费行为、门禁数据等各类数据,挖掘行为特征与学习成绩之间的关联性,构建基于学生行为数据的成绩预测模型。以实现对学生异常情况的早期预警,优化教学实施过程,有利于学校对不同类群学生进行培养、引导和管理。

基于学生学习行为序列的成绩预测模型构建研究

基于学习投入理论,依据学习者在线学习过程中产生的行为数据,采用滞后序列分析法与GSEQ工具进行行为序列分析,利用PSO-BP算法在Matlab编程软件中构建基于学习行为序列的成绩预测模型。实验结果表明,训练集与预测集的准确率均大约为80%,基于学习行为序列的成绩预测模型具有一定实用意义。

基于数据挖掘的高校学生考研成绩预测分析

随着硕士研究生考试初试难度越来越大,影响考研结果的因素众多,以安徽建筑大学建筑类设计专业高校学生为研究对象,以本科毕业生的在校成绩和考研初试成绩作为样本数据,通过Logistic回归分类算法、SVM支持向量机算法、KNN算法三种实验建模测试对比,寻找对应变化规律,提高考研初试成绩变量之间的关联性,从而得出预测结果,从平均预测误差看,Logistic回归分类算法的预测方法具有较高的适应力和稳定性,准确性更适合初试无高数科目的建筑类设计专业高校学生。得出要特别注重加强对专业课、课程设计的学习,同时对政治和英语注意学习态度的结论。为帮助其预测学业发展趋势、制定职业生涯规划上提供数据支撑。

基于偏最小二乘法的学生成绩预测研究

成绩预测已经成为提高教学质量的重要手段之一。目前多数成绩预测方法都是单一的考虑课程成绩,而忽略了各门课程之间的相关性。考虑到课程之间的相互支撑关系,提出了基于偏最小二乘法的成绩预测方法,在传统成绩预测方法的基础上进一步充分考虑课程之间的相关性。为验证算法性能,以某校信息与计算科学专业的学生成绩为研究对象对算法进行了验证。实验结果表明,基于偏最小二乘法的成绩预测方法具有更低的预测误差,并且因其受训练样本数量影响较小,更易于泛化推广。

基于XGBoost的学生成绩预测及SHAP特征分析研究

本文对开源学生成绩数据集进行数据挖掘,将机器学习算法应用于学生成绩预测,提出一种基于XGBoost算法的学生成绩预测模型。与传统的机器学习预测模型(决策树、K近邻、支持向量机、逻辑回归、随机森林和AdaBoost)相比较,XGBoost算法预测模型具有良好的预测效果。实验结果表明,其分类准确率达到71.5%,AUC值为0.782。最后引入SHAP模型进行特征信息的解释性分析,归纳总结出学生所在学校、学生缺勤次数以及未来攻读学位的愿望是影响学生成绩好坏的重要因素。

基于机器学习的本科学生成绩预测与分层教学方法研究

机器学习作为人工智能领域的重要研究方向,如何将机器学习模型有效地与实际教育工作结合,以发挥其在教育场景下的实际价值成为一个重要问题。研究通过机器学习模型预测本科学生的学习成绩,并根据预测结果对学生进行多层次划分,进而实施分层教学,以便教育工作者调整课程内容和教学策略,为学生提供个性化指导。该方法不仅为传统教学方法注入了新的活力,还有助于提高学生的学习成绩和学习兴趣。

基于课程学习过程性数据的成绩预测研究

学生成绩预测在智慧教育领域备受瞩目,通过分析课程过程性学习数据预测期末考试成绩对于提高教学质量至关重要。选取2017-2019年青海大学程序设计基础(C)课程的学生学习数据作为研究对象,使用支持向量机、随机森林、多层感知器、极限梯度提升树和多元线性回归5种机器学习模型,根据过程性学习数据提前评估学生的期末表现,同时采用均方根误差、确定系数、平均绝对误差和均方误差评价模型预测性能。实验结果表明,5种机器学习模型在成绩预测方面均有较好表现,其中极限梯度提升树性能最佳。采用机器学习模型深入分析学生的过程性学习数据并提前预测其期末表现可以帮助教师优化教学过程,使学生获得更好的学习成绩和体验。

基于神经网络的学生成绩预测与分析方法

学生成绩是学校教务部门和学工部门管理与引导学生的重要指标,也是进行课程改革的重要依据之一。针对学校缺乏有效的定量与预测问题,提出成绩分析与基于神经网络的预测方法。通过大数据分析成绩影响因素,从现有的学习成绩和学生的其他相关信息中找出对成绩影响较大的因素及其关联关系,并采用BP神经网络预测成绩,实验证明,该模型能准确预测学生的升学成绩。测试结果表明,该模型能有效弥补传统的成绩定性预测的不足,具有较高的预测精度及实际应用价值。

基于行为识别的课堂深度学习成绩预测模型研究

课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。利用数据技术挖掘学生课堂学习行为对深度学习成绩的影响关系,解决识别与评价课堂高阶认知不足的现实问题。以英语和化学两门学科为例,以课堂学习行为为自变量,以测试试卷深度学习成绩为因变量,通过高斯消元、回代总样本求均方差最优解等算法,分析出课堂“听讲”“阅读”等8种课堂行为对深度学习成绩的权重影响,构建课堂学习行为与深度学习成绩间的预测模型,依据模型可识别和评价学生的高阶认知是否发生,为常态课堂高阶认知规模化评价提供科学依据和技术支撑。

基于K-means—BP神经网络的高校专业核心课程成绩预测

为挖掘专业核心课程与公共基础课程、专业基础课程的潜在联系,实现高校专业核心课程成绩的预测,构建基于K-means聚类与BP神经网络的预测方法。以学生公共基础课程、专业基础课程成绩为预测基本数据,根据K-means聚类结果将基本数据划分用于训练成绩预测模型,并随机选取某高校护理专业一个年级503名学生的成绩进行验证。实验结果表明,专业核心课程的成绩与公共基础课程、专业基础课程存在潜在联系;同时,所构建的专业核心课程成绩预测方法具有泛化能力更好、预测误差更小、预测精度更高的特点,可用于预测学生专业核心课程成绩,为高校教师教学质量提升提供依据,助力高校人才培养。

基于因果推断和多头自注意力机制的学生成绩预测

学生成绩预测旨在为学校管理者提供决策支持,帮助教师改进教学手段,对学生进行学业指导,最终提高学生成绩。传统的学生成绩预测方法大多利用相关性分析选取重要因素,忽视多变量之间的间接联系和联系的方向性,而且在进行预测时没有区分输入特征的重要程度,因此提出一种基于因果推断和多头自注意力机制的学生成绩预测方法。该方法不仅使用因果推断选取与标签具有方向性联系的直接特征和间接特征,而且用多头自注意力机制区分不同特征对期末成绩的影响程度。在公开数据集上进行大量的实验,结果显示所提出方法的预测准确率高达93.06%,高于其他传统成绩预测方法。

基于长短期记忆网络的在线课程学生成绩预测

针对高校在线课程学生成绩预测问题,本文提出了基于长短期记忆(LSTM)网络的预测方法。在综合考察学习成绩影响因素的基础上,结合教育学相关理论,构建了评价输入指标集,具体包括观视比、出勤情况和课堂表现。预测结果为期末笔试成绩、期末实验成绩和阶段测试成绩。教师根据在线教学实际情况,将每个学生的输入指标以学时为单位量化成具体数值作为LSTM的输入,将真实的阶段测试、期末笔试和实验成绩作为LSTM的输出,构造训练样本集实施网络训练。训练后的网络即可用于相同课程后续学生的成绩预测。实验结果表明,预测集样本三个输出指标预测结果的均方误差均在10以内,这表明应用深度学习的预测模型解决教育学领域的学生成绩预测问题的研究思路是可行的。

基于双注意力机制的成绩预测

为更好利用虚拟学习环境中的数据,提升学习者成绩和教师教学效果,准确预测学习者的成绩、确定重要影响因素以及确定合适的反馈时间点这三项工作非常重要.本文基于问题域的形式化描述,在明确研究对象特征和假设条件后,提出了一种集成了双注意力机制、门控循环单元(gated recurrent unit,GRU)与一维卷积神经网络(convolutional neural networks,CNN)的网络模型,并在两个公开数据集上进行实验验证.结果显示该模型可以有效实现上述三个核心功能,且在寻找合适的反馈时间时比目前主流方法更为快捷,结果更具普遍性.