基于10个机器学习算法的学生教学满意度预测模型的开发.
Zhonghua Zhan1, Tongping Shen2
1School of Information Engineering, Anhui University of Chinese Medicine, Hefei, 230012, Anhui, China.
Scientific reports
|October 21, 2025
概括
这项研究比较了十种用于预测学生满意度的机器学习算法,发现支持矢量机 (SVM) 是最准确的. 开发了一个在线应用程序,以帮助教育工作者进行个性化教学和课程优化.
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
背景情况:
- 传统的教育评估方法存在主观性和效率低下的问题.
- 机器学习的进步为学生教学评估提供了数据驱动的解决方案.
- 教育数据挖掘揭示了隐藏的模式,并有助于预测学生的成绩.
研究的目的:
- 为了比较十个机器学习算法来预测学生满意度等级.
- 确定评估学生教学最有效的算法.
- 基于预测建模,为教育工作者开发一个实用的工具.
主要方法:
- 应用了十种机器学习算法:随机森林,梯度提升机,天真贝斯,K-最近邻居,神经网络,灵活的差别分析,支持向量机 (SVM),分类和回归树,稀疏的线性差别分析和AdaBoost.
- 利用了来自土耳其的学生评估数据集.
- 采用SHAP (夏普利添加式解释) 框架来解释SVM模型的预测.
- 开发了一个Shiny应用程序,用于在线预测学习效应满意度.
主要成果:
- 支持矢量机 (SVM) 算法在预测学生满意度方面表现出卓越的表现.
- SVM实现了高精度 (0.9765) 和其他关键性能指标,如灵敏度 (0.9887) 和特异性 (0.9789).
- SHAP框架为SVM模型的预测驱动因素提供了洞察力.
结论:
- 机器学习,特别是SVM,为教育评估提供了强大而准确的方法.
- 开发的Shiny应用程序为教育工作者提供了评估和个性化的教学支持的科学基础.
- 数据驱动的洞察力可以优化课程并增强学习体验.