基于机器学习的高校学生成绩预测方法研究
发布时间：2022-01-06 09:42
教育数据挖掘是一个综合了教育心理学、计算机科学和统计学等多学科的新兴交叉研究领域。它旨在基于教育领域内不断累积的海量数据资源,运用机器学习、数据挖掘、统计与可视化等相关技术和方法来分析和挖掘其中的内在规律,以期解决教育教学过程中的各种潜在问题,进而提升教育质量。学生成绩预测是教育数据挖掘领域的热点研究问题之一,其目的是基于学生的相关信息预测其未来的学习表现,例如:分数、排名、考核等级等。近年来,随着高校的持续扩招,在校生人数逐年增多,因而课堂教学的规模也越来越大,以致于教师很难跟踪了解每一位学生的学习情况,从而在一定程度上影响了教学质量。与此同时,各高校每年都有一定数量的学生出现考试不及格、留级、甚至退学现象,这严重影响了学生的未来发展。在这种背景下,研究构建高效的学生成绩预测方法具有重要的应用价值和实践意义。此前,许多学者已对学生成绩预测开展了部分卓有成效的工作。但是,现有的工作仍存在一些不足和尚待解决的挑战性问题,主要体现在以下三个方面:1)现有研究在进行课程成绩预测时大多依赖学生在课程进行中的表现信息,例如:出勤情况、作业完成情况和课程阶段性考核成绩等,导致需要在课程开始一段时间...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【部分图文】：
图１－１本文研宄技术路线图??如图１－１所示，本文主要开展了以下三个方面的研宄：??１．提出了一种基于课程关联性的学生成绩预测方法
学生样本被表示为包含多个课程示例并同时拥有多个标记的数据形式，即：??＆?＝?｛足，扮。??多示例的表示形式?多标记同时预测??广?、?ｆ?、??完成课程１学时夢分：：课程性质［＊：＊?Ｊ成新学期待预测课程｜??！，?—?ｊ?傳?ｔ￣Ｊ??完成课程２学时学分课程样质ｌ?成?多?々?｜〔新翔龍Ｈ賴２〕｜??｜??！??！学生样杉?！?！??（完成课程《，？学时￣孥分课程性质｜：?－成绩）?｜?ｆ新学期待预测课程ｊ??Ｖ?，?丨、?＞??图３－１多示例多标记的学生样本表示??３．２．２?问题的形式化表示??在本章中，用大写字母（如：Ｘ）表示集合，黑体小写字母（如：ｘ）表示??向量，非黑体小写字母（如：ｘ）表示标量；用符号；ｆ和Ｊ；分别表示样本输入??空间和输出空间。斜体大写字母Ｔ表示矩阵的转置操作，除非特别指定，向量??默认为列向量。表３－１中给出了本章所定义的变量及其含义。??因为本文基于学生以往课程学习表现来预测下一学期各科课程的学习情??况。如表３－１所示，令符号（表示学期数量。高等教育培养计划中，专科学制??一般为３年，本科学制４年，对应的ｉ值分别为６和８。令符号ｐ表７Ｆ目标学??期，即在此学期开设的课程为预测对象。因为第一学期之前没有开设任何课程，??所以本文把第二学期作为最初的目标学期，故有２?Ｓｔ。需要注意的是，由??于高等教育中不同专业的课程设置不相同，因此，本文把不同专业学生的课程??成绩预测工作视为不同的任务。对于某个专业的建模任务，给定目标学期ｐ，??２５??
多示例的表示形式和多门课??程同时建模均给模型性能带来一定程度的提升。??３．３．５课程信息量对模型性能的影响??如前所述，本文利用学生课程历史信息来预测其在新学期课程上是否有不??及格风险。由于第一学期之前不存在己完成课程信息，本研宄从第二学期开??始建立课程成绩预测模型，此时只有第１个学期的课程信息可用，课程数量??往往只是个位数。随着学生学习过程的推进，课程信息量逐渐增多，为了解课??程信息量对方法性能的影响，本小节中，以学期为单位展示并分析各方法在??每个数据集上的性能。图３－２、图３－３和图３－４分别给出了各个方法在数据集??ＢＣＳ０８—１１、ＢＥＴ０８—１１?和?ＧＩＭ０８」０?上的综合指标?ｍａｃｒｏ－ｉ＾．ｓ?的值。??ｉｌ＾ＭＡＮＮ??Ｉ?ＥｉｉＢＬＲ??０．８?－?Ｉ?－?ＦＦｉ週?ＳＶＭ??、?〇?Ｉｒ！??？?：?ｎ?Ｊｌｊｐ?１?ｌＬ??Ｄ?ｒ＞，?：?［ｔ］?ｌｌｊ］?ＩＩ?ｆｌ?Ｉ?ｍ?Ｃｉｔａｔｉｏｎ－ＫＮＮ??Ｃ?｜?ＪＩ?１?：?［?ｌ?１?ＭＬ－ｋＮＮ??Ａ?Ｉｎ！?Ｉ?Ｉ?｜?：?｜?Ｏｕｒ?ｍｅｔｈｏｄ??ｒ?｜?ｙ?ｉｌ?Ｉ?ｒ?ｆｌ??Ｔｅｒｍ２?Ｔｅｒｍ３?Ｔｅｒｍ４?Ｔｅｒｍ５?Ｔｅｒｍ６?Ｔｅｍｉ７?Ｔｅｒｍ８??图３－２不同学期各方法在数据集ＢＣＳ０８＿１１上的性能比较??从图３－２、图３－３和图３－４可以看出，在ｍａｃｒｏ－巧．５指标上，本文方法在??多数情况下取得了最优的性能。尤其在预测第２学期的课程时，由于可用课??程的信息量较少，大多数传统单示例单标记方法的性能较差，即：在三组数??据上的ｍａｃｒｏｉ＾值均低于０．６。然而
【参考文献】：
期刊论文
[1]当代大学生学习动机的特征及其对学业成绩的影响[J]. 高秀梅. 高教探索. 2020(01)
[2]基于模糊聚类和支持向量回归的成绩预测[J]. 申航杰,琚生根,孙界平. 华东师范大学学报(自然科学版). 2019(05)
[3]学生成绩关键因素挖掘与成绩预测[J]. 谢娟英,张宜,陈恩红. 南京信息工程大学学报(自然科学版). 2019(03)
[4]ARPDF:基于对话流的学习者成绩等级预测算法[J]. 罗达雄,叶俊民,郭霄宇,王志锋,陈曙. 小型微型计算机系统. 2019(02)
[5]大学生大五人格特征与英语学习之间的关系研究[J]. 杨蕴桢,黄芳,赵雯. 台州学院学报. 2018(06)
[6]基于改进的聚类和关联规则挖掘的学生成绩分析[J]. 张甜,尹长川,潘林,安杰. 北京邮电大学学报(社会科学版). 2018(02)
[7]专业兴趣吻合度 大五人格对大学生学习成绩的影响[J]. 李艳. 校园心理. 2018(02)
[8]利用电子签到数据预测课程成绩[J]. 刘俊岭,李婷,孙焕良,于戈. 计算机科学与探索. 2018(06)
[9]面向在线智慧学习的教育数据挖掘技术研究[J]. 刘淇,陈恩红,朱天宇,黄振亚,吴润泽,苏喻,胡国平. 模式识别与人工智能. 2018(01)
[10]基于校园卡消费预测学生挂科情况[J]. 周庆,尹春梅,全文君,张代英. 中国教育技术装备. 2017(24)
博士论文
[1]大数据的教育领域应用之研究[D]. 张燕南.华东师范大学 2016
本文编号：3572218
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：106 页
【学位级别】：博士
【部分图文】：
图１－１本文研宄技术路线图??如图１－１所示，本文主要开展了以下三个方面的研宄：??１．提出了一种基于课程关联性的学生成绩预测方法
学生样本被表示为包含多个课程示例并同时拥有多个标记的数据形式，即：??＆?＝?｛足，扮。??多示例的表示形式?多标记同时预测??广?、?ｆ?、??完成课程１学时夢分：：课程性质［＊：＊?Ｊ成新学期待预测课程｜??！，?—?ｊ?傳?ｔ￣Ｊ??完成课程２学时学分课程样质ｌ?成?多?々?｜〔新翔龍Ｈ賴２〕｜??｜??！??！学生样杉?！?！??（完成课程《，？学时￣孥分课程性质｜：?－成绩）?｜?ｆ新学期待预测课程ｊ??Ｖ?，?丨、?＞??图３－１多示例多标记的学生样本表示??３．２．２?问题的形式化表示??在本章中，用大写字母（如：Ｘ）表示集合，黑体小写字母（如：ｘ）表示??向量，非黑体小写字母（如：ｘ）表示标量；用符号；ｆ和Ｊ；分别表示样本输入??空间和输出空间。斜体大写字母Ｔ表示矩阵的转置操作，除非特别指定，向量??默认为列向量。表３－１中给出了本章所定义的变量及其含义。??因为本文基于学生以往课程学习表现来预测下一学期各科课程的学习情??况。如表３－１所示，令符号（表示学期数量。高等教育培养计划中，专科学制??一般为３年，本科学制４年，对应的ｉ值分别为６和８。令符号ｐ表７Ｆ目标学??期，即在此学期开设的课程为预测对象。因为第一学期之前没有开设任何课程，??所以本文把第二学期作为最初的目标学期，故有２?Ｓｔ。需要注意的是，由??于高等教育中不同专业的课程设置不相同，因此，本文把不同专业学生的课程??成绩预测工作视为不同的任务。对于某个专业的建模任务，给定目标学期ｐ，??２５??
多示例的表示形式和多门课??程同时建模均给模型性能带来一定程度的提升。??３．３．５课程信息量对模型性能的影响??如前所述，本文利用学生课程历史信息来预测其在新学期课程上是否有不??及格风险。由于第一学期之前不存在己完成课程信息，本研宄从第二学期开??始建立课程成绩预测模型，此时只有第１个学期的课程信息可用，课程数量??往往只是个位数。随着学生学习过程的推进，课程信息量逐渐增多，为了解课??程信息量对方法性能的影响，本小节中，以学期为单位展示并分析各方法在??每个数据集上的性能。图３－２、图３－３和图３－４分别给出了各个方法在数据集??ＢＣＳ０８—１１、ＢＥＴ０８—１１?和?ＧＩＭ０８」０?上的综合指标?ｍａｃｒｏ－ｉ＾．ｓ?的值。??ｉｌ＾ＭＡＮＮ??Ｉ?ＥｉｉＢＬＲ??０．８?－?Ｉ?－?ＦＦｉ週?ＳＶＭ??、?〇?Ｉｒ！??？?：?ｎ?Ｊｌｊｐ?１?ｌＬ??Ｄ?ｒ＞，?：?［ｔ］?ｌｌｊ］?ＩＩ?ｆｌ?Ｉ?ｍ?Ｃｉｔａｔｉｏｎ－ＫＮＮ??Ｃ?｜?ＪＩ?１?：?［?ｌ?１?ＭＬ－ｋＮＮ??Ａ?Ｉｎ！?Ｉ?Ｉ?｜?：?｜?Ｏｕｒ?ｍｅｔｈｏｄ??ｒ?｜?ｙ?ｉｌ?Ｉ?ｒ?ｆｌ??Ｔｅｒｍ２?Ｔｅｒｍ３?Ｔｅｒｍ４?Ｔｅｒｍ５?Ｔｅｒｍ６?Ｔｅｍｉ７?Ｔｅｒｍ８??图３－２不同学期各方法在数据集ＢＣＳ０８＿１１上的性能比较??从图３－２、图３－３和图３－４可以看出，在ｍａｃｒｏ－巧．５指标上，本文方法在??多数情况下取得了最优的性能。尤其在预测第２学期的课程时，由于可用课??程的信息量较少，大多数传统单示例单标记方法的性能较差，即：在三组数??据上的ｍａｃｒｏｉ＾值均低于０．６。然而
【参考文献】：
期刊论文
[1]当代大学生学习动机的特征及其对学业成绩的影响[J]. 高秀梅. 高教探索. 2020(01)
[2]基于模糊聚类和支持向量回归的成绩预测[J]. 申航杰,琚生根,孙界平. 华东师范大学学报(自然科学版). 2019(05)
[3]学生成绩关键因素挖掘与成绩预测[J]. 谢娟英,张宜,陈恩红. 南京信息工程大学学报(自然科学版). 2019(03)
[4]ARPDF:基于对话流的学习者成绩等级预测算法[J]. 罗达雄,叶俊民,郭霄宇,王志锋,陈曙. 小型微型计算机系统. 2019(02)
[5]大学生大五人格特征与英语学习之间的关系研究[J]. 杨蕴桢,黄芳,赵雯. 台州学院学报. 2018(06)
[6]基于改进的聚类和关联规则挖掘的学生成绩分析[J]. 张甜,尹长川,潘林,安杰. 北京邮电大学学报(社会科学版). 2018(02)
[7]专业兴趣吻合度 大五人格对大学生学习成绩的影响[J]. 李艳. 校园心理. 2018(02)
[8]利用电子签到数据预测课程成绩[J]. 刘俊岭,李婷,孙焕良,于戈. 计算机科学与探索. 2018(06)
[9]面向在线智慧学习的教育数据挖掘技术研究[J]. 刘淇,陈恩红,朱天宇,黄振亚,吴润泽,苏喻,胡国平. 模式识别与人工智能. 2018(01)
[10]基于校园卡消费预测学生挂科情况[J]. 周庆,尹春梅,全文君,张代英. 中国教育技术装备. 2017(24)
博士论文
[1]大数据的教育领域应用之研究[D]. 张燕南.华东师范大学 2016
本文编号：3572218
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3572218.html
