一种混合AI方法用于预测RBE学生的学业成绩

科学领域:

• 教育技术的教育技术
• 教育中的人工智能
• 机器学习应用 机器学习应用

背景情况:

• 机器学习 (ML) 在高等教育中越来越多地用于数据分析.
• 关于在基础教育中预测学业成绩的ML研究有限,特别是在私立教派机构.
• 这种差距突出了为这些特定的教育环境开发预测模型的机会.

研究的目的:

• 为普通基础教育提出一种使用机器学习技术的新型预测方法.
• 开发一个决策支持工具,以协助私立教派学校的教育规划和干预.
• 评估各种ML和深度学习模型对性能预测的有效性.

主要方法:

• 对多个机器学习模型的分析:物流回归,支持向量机器和随机森林.
• 深度学习模型的评估:亚历克斯网,门式循环单元 (GRU) 和双向门式循环单元 (Bi-GRU).
• 组合模型的开发和评估,将ML和深度学习技术结合起来.

主要成果:

• 集成深度学习和机器学习的Ensemble模型展示了卓越的性能.
• 包括准确性,精度和灵敏度在内的关键性能指标在Ensemble模型中显著更高.
• 对比分析显示,集体方法的表现优于单个ML和深度学习模型.

结论:

• 拟议的Ensemble模型作为一个有效的决策支持工具,用于预测学生在基础教育中的表现.
• 机器学习和深度学习的整合为在专门的机构环境中进行教育数据分析提供了强大的策略.
• 进一步的研究可以探索这种方法在各种教育环境中的可扩展性和适应性.