检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于校园上网行为感知的学生成绩预测方法

计算机研究与发展 2022年第8期59卷 1770-1781页

作者：姚丽崔超然马乐乐王飞超马玉玲陈勐尹义龙山东大学软件学院济南250100 山东财经大学计算机科学与技术学院济南250014 齐鲁师范学院网络信息中心济南250001 山东建筑大学计算机科学与技术学院济南250101

学生成绩预测旨在利用学生的相关信息预测其在未来的学业表现.随着校园信息化建设的持续推进,校园网络认证系统越来越完善,各高校逐步积累了丰富的学生校园上网行为数据.考虑到人的行为表现和学习能力密切相关,以校园上网行为感知为切入... 详细信息

学生成绩预测旨在利用学生的相关信息预测其在未来的学业表现.随着校园信息化建设的持续推进,校园网络认证系统越来越完善,各高校逐步积累了丰富的学生校园上网行为数据.考虑到人的行为表现和学习能力密切相关,以校园上网行为感知为切入点,通过挖掘学生的上网行为日志来预测他们的成绩.为此,收集构建了一个同时包含学生校园上网行为和成绩数据的真实数据集,并通过数据分析证明两者之间确实存在一定的关联性.在此基础上,提出了一个端到端的双层自注意力网络(dual-level self-attention network,DEAN),引入级联式的自注意力机制来分别提取学生每一天的局部上网行为特征和长时间的全局上网行为特征,更好地解决了长行为序列建模问题.此外,通过多任务学习策略在统一的框架下同时解决面向不同专业的学生成绩预测问题,并设计了基于学生排名差的代价敏感损失来进一步提升方法的性能.实验结果表明:相比于传统的序列建模方法,所提出的方法具有更好的预测精度.

关键词：学生成绩预测校园上网行为感知双层自注意力网络多任务学习代价敏感学习

基于增量学习算法的混合课程学生成绩预测模型研究

在线全文

学校读者我要写书评

暂无评论

电化教育研究 2021年第7期42卷 83-90页

作者：罗杨洋韩锡斌清华大学教育研究院北京100084

基于在线学习行为预测学生成绩可以辅助教师动态掌握学情,制定差异化的教学策略,然而在混合课程中仅仅依据在线数据对学生成绩进行预测难度很大,尚处于探索中。文章选取某高校2018秋季学期和2020春季学期的“高活跃型混合课程”学生在... 详细信息

基于在线学习行为预测学生成绩可以辅助教师动态掌握学情,制定差异化的教学策略,然而在混合课程中仅仅依据在线数据对学生成绩进行预测难度很大,尚处于探索中。文章选取某高校2018秋季学期和2020春季学期的“高活跃型混合课程”学生在线行为数据,采用增量学习的随机森林算法构建学生成绩预测模型,研究发现:(1)增量学习随机森林算法在混合课程样本最多的数据集中,获得预测结果准确率最高(75.1%);(2)相较于批量学习随机森林算法,增量学习算法在数据样本量较多的数据集中预测结果准确率更高;(3)当样本数量达到一定规模后,预测结果准确率波动减小、稳定性增强。本研究采用增量学习随机森林算法预测混合课程中的学生成绩,不仅取得了较好的预测准确率,而且解决了新增数据后模型的稳定性问题,将有助于模型的迭代优化,提高模型的通用性,以及可持续追踪学生在不同学期的学习行为特征。

关键词：学生成绩预测混合课程增量学习算法随机森林算法机器学习

在线全文

学校读者我要写书评

暂无评论

基于多层特征融合的学生成绩预测模型

计算机工程与设计 2023年第10期44卷 2973-2978页

作者：刘彤齐慧冉倪维健山东科技大学计算机科学与工程学院山东青岛266590

为及时准确地对学生成绩进行预测,提出基于多层特征融合的学生成绩预测模型。针对以往研究未能对成绩信息进行有效特征表示,导致预测效果不佳的问题,利用LSTM和注意力机制的柔性结合方式实现成绩序列信息在课程和时间两个维度的同步特... 详细信息

为及时准确地对学生成绩进行预测,提出基于多层特征融合的学生成绩预测模型。针对以往研究未能对成绩信息进行有效特征表示,导致预测效果不佳的问题,利用LSTM和注意力机制的柔性结合方式实现成绩序列信息在课程和时间两个维度的同步特征提取。针对学业早期训练数据不足问题,构建基于时间共现频率的相似学生计算方法,融合相似学生信息实现信息互补。实验结果表明,该模型的准确度、稳定性和及时性都高于其它基线方法。

关键词：学生成绩预测特征融合长短期记忆网络注意力机制历史成绩建模共现频率特征提取

在线全文

学校读者我要写书评

暂无评论

学生成绩预测模型中数据挖掘技术的应用

中国教育信息化 2019年第15期25卷 55-60页

作者：李嘉伟费雪李丞勇党同真高克宁东北大学理学院辽宁沈阳110819 东北大学计算中心辽宁沈阳110819

教育数据挖掘是指开发、研究和应用计算机技术来发掘存在于大规模教育数据背后的潜在模式。本文着重梳理数据挖掘技术在学生学习成绩预测领域内应用的文献,重点介绍自2016年以来的主要研究成果,对其应用的典型算法进行详细阐述,并分析... 详细信息

教育数据挖掘是指开发、研究和应用计算机技术来发掘存在于大规模教育数据背后的潜在模式。本文着重梳理数据挖掘技术在学生学习成绩预测领域内应用的文献,重点介绍自2016年以来的主要研究成果,对其应用的典型算法进行详细阐述,并分析不同算法的应用范围与局限性。最后总结出学生成绩预测的主要流程及其未来发展方向。

关键词：教育数据挖掘学生成绩预测分类回归

基于学生画像和课程相似度的学生成绩预测模型

在线全文

学校读者我要写书评

暂无评论

基于学生画像和课程相似度的学生成绩预测模型

作者：毛天怡浙江大学

学位级别：硕士

“智慧校园”是校园发展的必然趋势,从分散的信息化数据中挖掘出有效信息,促进校园活动的发展,是十分重要的。学生成绩是衡量学生个人能力和教师教学水平的最重要因素,提前预测学生课程成绩能够对学生和教师起到提前预警、及时纠正的作... 详细信息

“智慧校园”是校园发展的必然趋势,从分散的信息化数据中挖掘出有效信息,促进校园活动的发展,是十分重要的。学生成绩是衡量学生个人能力和教师教学水平的最重要因素,提前预测学生课程成绩能够对学生和教师起到提前预警、及时纠正的作用,学生成绩预测也是教育数据挖掘中最重要的一个方向。但是现有的学生成绩预测研究中,大部分研究的数据量普遍较少,研究方向不适用我国教育情况,同时传统教育数据挖掘研究里对学生成绩的预测很少考虑到课程之间隐含的关联。针对以上问题,本文通过学生的相关数据信息,研究预测学生的后续成绩。研究的数据来源于浙江大学城市学院14级-17级学生个人统计数据和学生成绩单,基于这些数据,本文经过国内外现状研究和实验,提出了两个预测学生成绩的回归模型和一个融合模型。首先提出了基于学生画像特征库的CART回归树的学生成绩预测模型,使用学生的成绩数据和个人信息数据进行学生成绩的预测。在建模过程中,结合数据集中的学生人口统计数据,运用特征工程来对学生的特征进行分析,找出有用信息建立“学生画像”特征库,使用CART回归树模型建立基于学生画像的成绩预测模型。根据已有数据进行的实验证明了构建的学生画像特征库能够有效描述学生的特征。然后提出了基于课程相似度的混合多权值Slope-one的成绩预测模型,通过课程名的语义相似度,找出课程与课程之间的相似关系,并结合多权值的加权Slope-one协同过滤算法,在数据有限时,从学生的历史成绩着手预测学生的后续课程成绩,通过实验验证了其有效性。最后本文融合了前面所提出的两种模型,将学生个人特质和课程之间的关联性结合考虑,进行模型的加权平均融合,提出了基于学生画像和课程相似度的学生成绩预测模型,并在上述实验数据上进行了模型性能的评估,实验证明融合模型性能较好,能够进一步提升预测的准确性。

关键词：教育数据挖掘学生成绩预测 CART回归树 Slope-one协同过滤学生画像分析课程相似度分析

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于校园大数据的学生成绩预测研究

基于校园大数据的学生成绩预测研究

作者：梅玉丽兰州理工大学

学位级别：硕士

随着高校信息化建设的快速发展,以校园一卡通系统为代表的信息化系统被广泛地应用到学生生活的各个方面,产生了大量的学生行为数据,如何从这些数据中挖掘有用信息,分析学生行为与成绩之间的关联模式,是当前教育领域的热门研究课题。本... 详细信息

随着高校信息化建设的快速发展,以校园一卡通系统为代表的信息化系统被广泛地应用到学生生活的各个方面,产生了大量的学生行为数据,如何从这些数据中挖掘有用信息,分析学生行为与成绩之间的关联模式,是当前教育领域的热门研究课题。本文主要是基于学生行为的成绩预测研究,结合数据挖掘分类算法和深度学习算法对学生在校园活动中的行为数据进行分析,试图找到一种预测准确率较高的学生成绩预测方法。首先,通过聚类和关联规则分析消费数据、借阅数据、学习时长和图书馆门禁等行为数据,挖掘隐藏在学生行为背后的行为模式以及与学生成绩相关的影响因素;其次,建立了基于随机森林、梯度提升树（Gradient Boosting Decision Tree,GBDT）和极端梯度提升（e Xtreme Gradient Boosting,Xgboost）的成绩预测融合模型;最后,针对融合模型预测精度低、手动提取行为特征不充分的问题,提出基于注意力机制的CNN-LSTM成绩预测模型。本文的主要研究内容如下:（1）数据预处理与特征提取。针对目前学生信息化管理平台不完善、挖掘有用信息效果不佳的问题,提出一种基于聚类和关联规则的学生行为分析组合算法,该算法首先采用K-mediods（K-中心点）算法对学生行为数据进行聚类分析,并对聚类结果进行离散化处理;然后,采用Eclat算法分析学生行为与成绩之间的关联关系;最后,结合两种算法综合分析了影响学生成绩的行为因素。（2）基于数据挖掘算法构建成绩预测模型。根据传统手动提取的行为特征,建立了基于随机森林、GBDT和Xgboost的成绩预测融合模型。首先通过Boosting算法计算随机森林、GBDT和Xgboost单一分类模型的权值;然后采用加权平均的方法对以上单模型进行融合,将该融合模型与单模型进行对比,验证融合模型的有效性。（3）建立了基于注意力机制的CNN-LSTM学生成绩预测模型。在融合模型分析结果的基础上,提出一种基于注意力机制的CNN-LSTM学生成绩预测模型。首先使用卷积神经网络（Convolutional Neural Nnetwork,CNN）提取深层学生行为特征,并采用最大池化方法选择学生行为特征中的显著特征;然后提取到的特征作为长短时记忆网络（Long and Short-Term Memory network,LSTM）的输入,进行学生成绩的预测;最后,在LSTM输出端引入时序注意力机制,为不同周次学生行为特征分配注意力权重,选择关键点数据,进而更准确的预测学生成绩。

关键词：学生成绩预测数据挖掘卷积神经网络长短期记忆网络注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于校园行为感知的学生成绩预测方法研究

基于校园行为感知的学生成绩预测方法研究

作者：宗鉴山东大学

学位级别：硕士

随着大数据时代的到来,各高校在校园信息化建设的不断推进下积累了丰富的教育教学信息数据。如何通过海量的教育数据资源,为高校的教育教学工作提供支撑和指导,已成为当下高校亟待解决的问题。教育数据挖掘（Educational Data Mining）... 详细信息

随着大数据时代的到来,各高校在校园信息化建设的不断推进下积累了丰富的教育教学信息数据。如何通过海量的教育数据资源,为高校的教育教学工作提供支撑和指导,已成为当下高校亟待解决的问题。教育数据挖掘（Educational Data Mining）便是在这种背景下应运而生。教育数据挖掘是一种综合运用教育学、心理学、统计学和计算机科学的理论技术来解决教育研究和教学实践过程中所存在的问题的交叉研究领域。而作为该领域热门研究问题之一,学生成绩预测旨在利用学生的各类相关信息来预测其在未来的学业表现。通过学生成绩预测技术,教师可以利用有限的教学资源开展因材施教,为学生制定差异化的教学方法;与此同时,高校也可通过学生成绩预测技术对部分有课程挂科,留级甚至退学风险的学生开展学业预警工作,最终实现人才培养的目标。因此,研究一种高效准确的学生成绩预测方法对与提升教学产出和强化学生管理都有重要意义。由于校园刷卡系统在高校中的普及,海量学生校园学习和生活的行为数据通过校园智能卡以一种完全隐蔽的方式被记录下来。考虑到人的行为表现和学习能力密切相关,充分挖掘利用这些数据将有助于解决学生成绩预测问题。因此在本文中,本文通过分析学生的日常校园行为轨迹（即校园智能卡记录）来解决学生成绩预测问题。具体来说,本文将每个学生的校园智能卡记录按照日期,时间间隔和校园位置的维度进行对其,使每个学生的行为轨迹被编码为一个三阶张量。与以往的研究不同,本文提出了一种新颖的端到端的三分支卷积神经网络架构,该架构配备了行式卷积,列式卷积和深度卷积三种卷积操作,并在每个卷积运算后添加了一个注意力模块,以分别捕获学生行为的持久性,规律性和空间感知特性。此外,本文将对不同专业学生的预测视为单独的任务,引入基于硬参数共享的多任务学习策略,将三分支卷积神经网络在不同任务间共享,并使用不同的融合子网络用以特定任务的预测。最后本文题出了一种基于学生排名差的代价敏感损失函数,进一步提升了预测方法的准确性。通过在大规模的真实世界数据集上进行了广泛的实验以及对注意力图的可视化,验证了所提方法的有效性。此外,本文研究了关注学业落后学生的成绩预测方法。学生成绩预测的首要目标是尽早发现存在学业风险的学生并及时提供指导和帮助,然而现有工作的目标往往是提升学生整体的预测表现,而很少注意对学业落后学生的预测准确性。为了解决这个问题,本文按学习成绩由低到高的顺序对学生进行排序,将排名前k位的学生定义为学业表现最差的学业落后学生。在前一个工作的基础上,本文将学生成绩预测问题转化为top-k排序问题,将问题优化目标与准确识别学业落后学生直接关联起来。遵循代价敏感学习的思想,本文提出了 top-k聚焦损失函数,通过为排名处于较高位置的训练样本分配较高的权重,为排在第k个位置后的训练样本分配较小权重,确保对学业落后学生的优先正确识别。通过对于学生特征表示的可视化以及详尽的对比实验,证明了所提方法对学生特征表示优秀的学习能力以及相较于其他近期提出的学生成绩预测方法的优越性。

关键词：学生成绩预测校园行为轨迹卷积神经网络代价敏感学习

协同过滤算法在教育数据挖掘中学生成绩预测的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

协同过滤算法在教育数据挖掘中学生成绩预测的研究

作者：刘翠翠昆明理工大学

学位级别：硕士

目前,在学校对学生的教育中累积了大量较为明显的各种数据,例如学生的入学率、辍学率以及学生各科成绩分数的数据,具体到课堂中的学生回答题目的正确率、知识点的掌握程度等信息。显然,这些教育领域中的各种数据是不断变化的,会随着信... 详细信息

目前,在学校对学生的教育中累积了大量较为明显的各种数据,例如学生的入学率、辍学率以及学生各科成绩分数的数据,具体到课堂中的学生回答题目的正确率、知识点的掌握程度等信息。显然,这些教育领域中的各种数据是不断变化的,会随着信息化的发展而累积增加,那么如何提取这些复杂繁冗数据中有用的信息,具有很好的研究价值。本文结合协同过滤算法在电子商务等领域数据分析的相似性,将协同过滤算法应用到教育数据领域,重点对学生成绩预测进行研究,对KDD Cup 2010比赛中从ITS智能导师系统中选取的890万条数据作为实验数据集,进行学生成绩预测的教育数据挖掘实践探索。实验数据集中特征量大,取值范围也较大,多为文本类型的数据,部分数据稀疏等特点。针对这些问题,本文主要进行如下工作：(1)采用渐进抽样方式,确定最优的训练集样本大小,大幅缩减训练集记录量;结合数据集时间特性,抽取训练集最新的N个数据;删除隐含作答结果集空值比例大的特征,分离部分复杂结构属性。(2)将单一分类算法K最近邻和奇异值分解模型SVD应用到教育数据集中进行验证,对测试集中的Correct First Attempt(CFA)属性进行预测,并以此作为评价内容,同时对比两种算法的预测效果。(3)本文还依据两种基础算法的特点互补性,将SVD降维与K最近邻算法相结合预测学生成绩。进行实验可以分析出,该算法能使数据稀疏性得到一定程度上的缓解,但只保留了数据的基本特征,因降维造成的部分数据丢失对评价效果会造成些许影响。

关键词：教育数据挖掘 K最近邻降维特征处理学生成绩预测

面向智慧教育的学生成绩预测及知识追踪技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向智慧教育的学生成绩预测及知识追踪技术研究

作者：刘涛杭州电子科技大学

学位级别：硕士

随着教育事业和数字技术的蓬勃发展,高校内大量数据开始以电子形式进行存储。为了有效利用这些数据,辅助教学工作的展开,越来越多的高校开始研究教育数据挖掘。教育数据挖掘是从大量有噪声、不完整的校园数据中提取有价值的信息,如贫困... 详细信息

随着教育事业和数字技术的蓬勃发展,高校内大量数据开始以电子形式进行存储。为了有效利用这些数据,辅助教学工作的展开,越来越多的高校开始研究教育数据挖掘。教育数据挖掘是从大量有噪声、不完整的校园数据中提取有价值的信息,如贫困生与普通学生的差异性,学生成绩与学生行为的相关性,学生的选课趋势,教师教学风格对教学质量的影响等。因此,教育数据挖掘是当前教育领域的研究重点。教育数据挖掘领域有许多研究方向,学生成绩预测和知识追踪是其中的热门研究内容。学生成绩预测是评估学生能力和教师教学质量的重要因素,现有的学生成绩预测研究中,大多忽略了学生历史成绩之间隐含的关联性以及学生个体之间的差异性。知识追踪通过学生历史学习记录来追踪学生知识水平,并预测学生在未来的表现,现有研究中深度知识追踪模型表现优异,但深度知识追踪通过学生答题结果建模学生知识水平变化,忽略了学生学习以及遗忘行为特征对学生知识水平变化和答题结果的影响。针对以上问题,本文提出新的学生成绩预测模型以及知识追踪模型,具体研究内容如下:(1)本文提出一种结合协同过滤和注意力机制的学生成绩预测模型(Collaborative filtering with Attention,CFA)。针对忽略历史成绩关联性的问题,CFA模型借助协同过滤算法的思想,构建历史成绩相似度矩阵,计算学生在目标课程上的先验成绩,挖掘学生历史成绩之间隐含的关联关系。针对忽略学生个体差异的问题,模型中使用注意力机制计算学生加权属性,将注意力集中在对当前学生成绩影响更大的属性上,让模型能够区分学生个体差异。最后使用多层感知机建立回归模型,减少了人工特征工程,有效提高了成绩预测的准确度。(2)本文提出一种结合修正机制和行为特征的深度知识追踪模型(Deep Knowledge Tracing with correction mechanism and behavioral characteristics,DKTCorrecting)。针对忽略学生行为特征的问题,本文考虑到学习以及遗忘行为对学生知识水平变化和答题结果的影响,构建学习行为特征以及遗忘行为特征,并训练自编码器将其融入输入信息当中。同时,本文提出修正机制,通过评估预测结果的正确性,修正学生知识状态,使知识追踪过程更为稳定。最后,使用循环门单元神经网络替换传统深度知识追踪中使用的循环神经网络,缓解梯度消失问题,对学生学习过程进行建模,使模型能够更好的预测学生未来答题表现。(3)本文在Student Performance的数学和葡萄牙语成绩数据集上对CFA模型进行多组对比实验和消融实验,实验结果表明CFA具有更好的成绩预测准确性。本文在Assist2009、KDDCup2010和Synthetic数据集上对DKT-Correcting模型进行多组对比实验和消融实验,实验结果表明DKT-Correcting具有更好的知识追踪效果。

关键词：教育数据挖掘学生成绩预测知识追踪协同过滤注意力机制循环门单元神经网络