预测学生的学术成绩使用堆叠集体学习与深度神经网络和模糊的基于特征选择选择

科学领域:

• 教育数据挖掘教育数据挖掘
• 教育中的人工智能
• 机器学习为学生的成功

背景情况:

• 预测学生成长对于个性化教育和早期干预至关重要.
• 目前的方法可能缺乏有效学术规划所需的准确性.
• 数据驱动的洞察力可以优化教育策略,改善学生的成绩.

研究的目的:

• 开发和评估一种新的混合方法来预测学生的学业成绩.
• 提高学生成长预测的准确性,以改善学术规划.
• 通过基于模糊逻辑的方法来确定影响学生成功的关键特征.

主要方法:

• 数据预处理,然后基于模糊逻辑的特征选择,使用相互信息 (MI) 和差异分析 (ANOVA).
• 功能选择是通过向后淘汰功能选择 (BEFS) 进行精炼的.
• 使用卷积神经网络 (CNN),长短期记忆 (LSTM) 和多层感知器 (MLP) 进行集体建模,并使用元模型进行最终预测.

主要成果:

• 提出的方法在预测准确度方面取得了显著的改进.
• 根平均平方误差 (RMSE) 报告为0.6%,平均绝对百分比误差 (MAPE) 为0.03%.
• 合奏模型在预测学生学术成长方面表现优异.

结论:

• 新的混合方法为数据驱动的学术规划提供了有价值的工具.
• 该方法为学生对定制教育计划的需求提供了全面的见解.
• 准确预测学生成长有助于及时进行干预,并提高整体学业绩效.