一种混合模型,集成反复的神经网络和半监督的支持矢量机器,用于识别早期学生学风险
Huong Nguyen Thi Cam1,2, Aliza Sarlan1, Noreen Izza Arshad1
1Universiti Teknologi Petronas, Department of Computer and Information Sciences, Seri Iskandar, Malaysia.
PeerJ. Computer science
|December 9, 2024
概括
本研究介绍了DeepS3VM,一种混合机器学习模型,用于准确预测学生学风险. 该模型达到92.54%的准确性,超过了教育机构的现有方法.
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
- 教育中的人工智能
背景情况:
- 学生学率对教育机构的成功和有效性构成重大挑战.
- 准确的早期识别学生学风险是复杂的,但对于干预至关重要.
- 机器学习 (ML) 和深度学习 (DL) 为预测学生学提供了潜在的解决方案.
研究的目的:
- 开发一个有效的预测模型来识别学生学风险.
- 通过早期风险识别,增强学生的留学能力和学业成功.
- 解决各种教育数据集中预测学生学的复杂性.
主要方法:
- 通过将半监督支持矢量机器 (S3VM) 与循环神经网络 (RNN) 集成,开发了一个混合的DeepS3VM模型.
- 该模型捕获了对准确的学生学预测至关重要的顺序模式.
- 整合了个性化推系统 (PRS),为有风险的学生提供量身定制的学习路径.
主要成果:
- DeepS3VM模型实现了92.54%的高精度,超过了像Random Forest,Decision Tree,XGBoost,ANN和CNN这样的既定模型.
- 该模型的有效性在一个大数据集上得到验证,规模扩大到十万条记录.
- 混合方法在识别有学风险的学生方面表现出了卓越的表现.
结论:
- DeepS3VM模型提供了一个非常有效的解决方案,用于准确预测学生学风险.
- 整合ML/DL技术为改善留学生战略提供了一个有希望的途径.
- 个性化干预,以准确的预测为指导,可以显著支持学生的学术旅程.
