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。

一种基于投票的ICT类课程学生在线学习成绩预测模型

当前,线上教学在高职信息通信技术类课程教学中越发普遍,学生在线学习成绩预测也愈发重要。虽然教师缺失了线下教学可监督性的优势,但其受益于在线教学平台提供的丰富教学数据,客观性的数据可较大程度地帮助教师掌握学生学习情况。在分析客观性数据的基础上,针对学习效果不佳的学生提前预警,对于改善学生线上学习效果具有重要意义。在ICT类课程在线教学过程中,将现有模型与已有模型在该类课程中的性能指标进行对比分析,并基于投票提出一种新颖的学生在线学习成绩预测模型。通过实验证明,该模型性能优于其他已有预测模型。

国内周期性大型运动会比赛成绩预测模型初探

为了对各省市在全国综合性运动会中的成绩进行预报 ,我们对历史数据进行分析 ,给出了预测模型 ,分析最优组合方案 。

学生成绩预测模型的对比分析

目的:旨在对比学生成绩预测模型。方法:共获取605条数据,共32个解释变量,通过特征选择剩余23个自变量,建立训练集和测试集,以G3为目标变量,分别构建SVM模型、神经网络模型和逐步回归模型,比较这三个模型的预测结果。结果:采用逐步回归模型预测学生成绩在最小误差、最大误差、平均误差、平均绝对误差和标准差方面均低于神经网络模型和SVM模型,在预测值和实际值的线性相关系数方面均高于神经网络模型和SVM模型。结论:在预测学生成绩上,逐步回归模型优于神经网络模型和SVM模型。

混沌理论和机器学习算法的运动员成绩预测模型

为了准确地对运动员成绩进行预测,结合运动员成绩的具体变化特点,设计了基于混沌理论和机器学习算法的运动员成绩预测模型。首先对当前运动员成绩建模与预测的研究现状进行分析,找到当前运动员成绩预测模型存在的不足,然后采用混沌理论对运动员成绩历史数据进行处理,发现其中隐藏的规律,最后引入机器学习算法——极限学习机设计运动员成绩预测模型。仿真实验结果表明,与当前运动员成绩预测模型相比,所设计模型的运动员成绩预测结果更加可靠,而且运动员成绩预测精度更高,可以应用于体育科学训练计划制定。

基于图卷积慕课成绩预测模型

针对现有慕课(MOOC)平台学生完成率低的问题,提出一种结合知识图谱和图卷积神经网络的成绩预测模型。使用决策树数据挖掘的方法构建用户知识图谱,进而将学生成绩预测问题考虑为图上节点分类问题。所提出方法优化了图的卷积,提取了用户信息和知识图谱的高维信息。实验结果表明所提的图卷积神经网络在预测精度上优于传统机器学习算法,并在同类型算法中有较低的时间复杂度。该模型有利于平台管理者及时了解学生情况,提高教学质量。

对张丽的素质、成绩预测模型及运动能力的分析研究

本文运用灰色理论的优势分析,多元回归理论和运功能力理伦,对我国女子优秀掷标枪运动员张丽的素质,成绩预测模型及运动能力进行量化研究分析。研究表明:要提高张丽的掷标枪的运动成绩,不仅要重视素质,技术的训练,更重要的是培养比赛时的良好的心理应激能力和提高其比赛时的运动能力。

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。

大学基础课课程成绩加权投票预测模型研究

针对教育领域特定应用场景,利用数据挖掘技术处理教育数据是目前热点研究问题之一。课程成绩预测指对一门课程学生的期末成绩进行预测,其关键问题是通过选取合适的学生特征和确定最优的预测算法来构建预测准确率高的模型。针对大学基础课的特点,从主客观两方面选择特征,对比了4个效果最优的课程成绩预测分类算法,以准确率较高的算法构成加权投票集成算法,发现加权投票集成算法的预测准确率和AP值最高,为利用数据挖掘技术实现课程成绩预测提供了一种有效的方法。

基于自适应差分进化的学生成绩等级预测神经网络模型

学生成绩数据的分析与挖掘对于教学管理有重要意义,文中提出一种基于自适应差分进化算法优化BP神经网络的学生成绩等级预测模型。以学生各门课程成绩为研究对象,在选定目标课程作为模型输出的基础上,采用相关分析法确定与该门课程成绩相关性较高的科目成绩作为模型输入,建立BP神经网络模型进行成绩预测。针对神经网络收敛速度慢、效果差等不足,采用自适应差分进化算法对神经网络的权值阈值进行优化,以学院某一个年级的183条有效学生成绩数据进行实例验证,并与遗传算法优化神经网络的方法进行比较。结果表明,自适应差分进化算法优化BP神经网络预测结果的精度较高、均方差值较小、收敛效果更好,更有助于学生管理和教学指导。

MOOC学习行为分析及成绩预测方法研究

近年来,MOOC以"互联网+教育"模式迅速发展,积累了海量学习行为数据,MOOC学习行为分析及成绩预测成为研究热点。笔者收集学习行为数据,用Clementine构建了MOOC成绩预测模型,为验证其有效性,依托智慧树平台数据结构课程的行为数据展开实证研究,旨在为其课程团队提供指导意见。

基于特征选择优化的学生成绩预测

特征选择是数据处理任务中的一种重要方法,该方法可大大降低数据的维度以减小模型训练中的计算开销。为进一步提高学生成绩预测模型的预测精度并尝试寻找影响学生成绩的主要因素,本文分别采用卡方统计分析和随机森林算法对学生成绩数据进行特征选择,得到了学生成绩预测模型的最优最小特征子集,然后使用新的特征数据子集训练模型,验证多种经典机器学习算法在学生成绩预测模型上的应用效果。结果表明:合理的特征选择可以显著地减少学生成绩预测模型的输入维度,并且提高学生成绩模型的预测精度。

信息技术在线上线下混合教学中的应用探索——以数字信号处理课程为例

开展线上线下混合教学,需要创新教学方法,强化信息技术与教学的深度融合。教学团队积极探索信息技术在数字信号处理课程教学中的应用,开发远程虚拟仿真实验教学平台,把线上线下混合教学推广到实验课教学中。此外,基于人工智能技术开发数字信号处理课程的成绩预测软件,辅助教师开展学情分析,本文旨在探索信息技术在教学中的应用,从而为高校专业课程教学的信息化改革提供参考。

基于评估模型的分数线预测及录取概率分析

高考是我国最重要的考试,而志愿填报是其中的关键环节,高校录取分数线的预测与录取几率的预测对于考生能够准确把握填报志愿尤为重要。文章采用弱化因子和新型背景值改进GM(1,1)模型,预测学校和专业录取线,建立样本正态模型,预测录取概率,利用层次分析法,对学校和专业进行分析。