一个多因素机器学习框架,用于预测和分析学生的学业表现,使用行为,财务和可穿戴数据
A L Akash Devaraje Urs1, Akshay Sudharshan1
1Amrita Vishwa Vidyapeetham Mysuru, India.
MethodsX
|November 26, 2025
概括
这项研究使用机器学习来通过分析生活方式,财务和可穿戴设备数据来预测学生的学业表现. 它可以识别有风险的学生,并为高等教育的早期干预创建个人资料.
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
- 学生表现分析 学生表现分析
背景情况:
- 学术成功受到传统指标之外的多方面的因素的影响.
- 整合多样化的数据来源提供了关于学生福祉和表现的整体观点.
- 现有的预测模型往往缺乏全面的数据集成.
研究的目的:
- 开发和验证用于预测学生学业绩 (CGPA) 的机器学习框架.
- 用行为,财务和可穿戴数据将学生分为不同的学术和压力风险类别.
- 为教育机构建立一个可解释和可重复使用的预测分析管道.
主要方法:
- 数据预处理和功能工程,包括创建金融压力和复合压力指数.
- 基准测试多重回归模型 (随机森林实现R2 ≈ 0.30) 来预测CGPA.
- 采用无监督的集群 (K-Means,聚合) 进行学生细分和分析可穿戴数据的相关性.
主要成果:
- 随机森林模型在预测CGPA方面表现出最高的准确性.
- 确定了生活方式,财务和生理数据与学术成果之间的重要关系.
- 成功地将学生分成可解释的学术和压力风险概况.
结论:
- 拟议的多因素机器学习框架有效预测学生的学业成绩.
- 学生分析有助于早期发现有风险的个人,以便及时提供支持.
- 可适应的蓝图支持教育机构实施先进的预测分析.
