学生学习性能预测基于特征提取算法和基于注意力的双向封闭反复单元网络
Chengxin Yin1,2, Dezhao Tang3, Fang Zhang3
1Institute of Vocational Education, Chengdu Aeronautic Polytechnic, Chengdu, Asia, China.
PloS one
|October 25, 2023
概括
这项研究引入了一种新的数据挖掘方法,用于预测学生成绩,优于现有的模型. 具有注意力的因子分析双向门反复单元 (FA-BiGRU-attention) 模型使学术挑战的早期识别成为可能.
科学领域:
- 教育数据挖掘教育数据挖掘
- 机器学习在教育中的应用
- 学术成绩预测预测
背景情况:
- 学生成绩预测对于教育改进至关重要,但目前的模型在杂的公共数据集中扎.
- 教育数据中的弱相关因素往往会对预测模型的性能产生负面影响.
- 需要强大的模型来优化教学,学习和家长指导.
研究的目的:
- 开发和确定最佳的数据挖掘模型,以准确地预测学生的成绩.
- 解决现有模型在处理教育数据集方面的局限性.
- 为教育现代化提供数据驱动的政策建议.
主要方法:
- 使用因子分析 (FA) 进行特征提取和维度减小.
- 使用双向门反复单元 (BiGRU) 模型与注意力机制集成的等级预测.
- 与线性回归 (LR),逆向传播 (BP),随机森林 (RF) 和门反复单位 (GRU) 等单个模型进行比较分析.
主要成果:
- 与所有基准模型相比,拟议的FA-BiGRU-注意力模型显示出更高的预测准确性.
- 该模型在各种多步预测场景中表现一致.
- 废弃实验验证了联合FA,BIGRU和注意力组件的有效性.
结论:
- FA-BiGRU注意力模型在预测学生学业表现方面取得了重大进展.
- 这种方法可以主动识别学习困难和影响因素.
- 这些发现支持通过数据驱动的洞察力改变教育实践和人才发展.
