基于CNN_LSTM混合神经网络模型的学业预测

作     者：杜晓明 葛世伦 王念新 DU Xiao-ming;GE Shi-lun;WANG Nian-xin

作者机构：江苏科技大学经济管理学院江苏镇江212100 

出 版 物：《现代教育技术》 (Modern Educational Technology)

年 卷 期：2021年第31卷第12期

页      面：69-76页

核心收录：

学科分类：0401[教育学-教育学] 04[教育学] 040110[教育学-教育技术学（可授教育学、理学学位）] 

基　　金：全国教育科学“十三五”规划课题“基于教育大数据的高校学生行为分析与预测研究”(项目编号:ECA180463)的阶段性研究成果。 

主　　题：学业预测 CNN LSTM 空间特征 时序特征 深度学习 

摘      要：学业预测工作一直是教育界的研究热点,而现有的学业预测存在数据来源单一、预测精度提升有限的问题。基于此,文章利用卷积神经网络(Convolutional Neural Networks,CNN)在空间特征提取和长短期记忆神经网络(LongShort-TermMemory,LSTM)在时序特征提取方面的优势,构建了一种融合CNN与LSTM的CNNLSTM混合神经网络模型。之后,文章进行了不同类型特征组合实验和不同模型对比实验,实验结果表明:全部特征组合进行学业预测的精度优于所有的部分特征组合,CNNLSTM混合神经网络模型学业预测的准确度优于其它模型。基于CNNLSTM混合神经网络模型对学生学业进行预测,既可为解决数据来源单一问题提供参考,也可为教师因材施教和学生个性化学习提供依据。