学生管理系统中的人工智能,以加强学业绩监测和干预的干预

科学领域:

• 教育技术的教育技术
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 传统的学生管理系统 (SMS) 在适应性和预测准确性方面扎.
• 将人工智能集成到SMS中对于监测学业成绩和识别有风险的学生至关重要.
• 现有的方法缺乏复杂性,无法有效地处理多样化的学习环境.

研究的目的:

• 开发和评估一种混合人工智能模型,以加强学术绩效监测和干预.
• 评估混合模型在多个不同的教育数据集中的有效性.
• 将混合模型的性能与单个AI算法进行比较.

主要方法:

• 开发了一个混合AI模型,集成决策树 (DT),随机森林 (RF),支持矢量机 (SVM) 和人工神经网络 (ANN).
• 该模型使用了预处理技术,包括缺失数据的归算,特征选择和数据规范化.
• 在UCI,OULAD和NELS:88数据集中使用准确度,精度,回忆,F1得分和AUC-ROC指标来评估性能.

主要成果:

• 混合人工智能模型在UCI学生绩效数据集上实现了98.8%的准确性,超过了单个基础模型.
• 混合模型在所有测试的数据集中始终表现出卓越的性能.
• 与个人AI模型相比,错误率降低了5%以上,显示出显著的改进.

结论:

• 拟议的混合人工智能模型为学术绩效监测提供了一个强大而可扩展的解决方案.
• 这种人工智能方法增强了面临风险的学生的早期干预策略.
• 该模型显示了在各种教育环境中部署的潜力,以积极支持学生的成功.