基于深度学习的AI模型用于预测物理高等教育学生的学术成功和参与
1Basic Department, Jiangsu Vocational College of Information Technology, Wuxi, 214153, Jiangsu, China.
Scientific reports
|November 27, 2025
概括
一个新的机器学习模型HybridStackNet准确地预测了学术成功和体育教育 (PE) 学生的参与度. 这种可解释的AI方法有助于早期识别有风险的学生.
科学领域:
- 教育技术的教育技术
- 机器学习在教育中的应用
- 运动科学 运动科学 运动科学
背景情况:
- 学业成绩和学生参与度在体育教育 (PE) 中至关重要.
- 由于认知和身体技能的交叉,预测这些结果具有挑战性.
- 早期识别有风险的学生对于及时干预至关重要.
研究的目的:
- 开发和评估一个堆叠组合机器学习模型,HybridStackNet,共同预测高等教育PE学生的学术成功和参与度.
- 根据基线模型评估HybridStackNet的性能.
- 探索模型预测的可解释性,使用部分依赖图 (PDPs) 和LIME等技术.
主要方法:
- 使用随机森林和支持矢量机器 (SVM) 作为基础学习者和后勤回归作为元学习者,设计了一个堆叠组合模型 (HybridStackNet).
- 数据预处理涉及标签编码,z-score规范化,特征选择,以及用于类平衡的SMOTE.
- 使用分层5倍交叉验证和GridSearchCV进行模型评估和超参数调整.
主要成果:
- 混合StackNet实现了高性能指标,包括准确性 (0.992),精度 (0.9922),回忆 (0.992) 和F1得分 (0.9915).
- 该模型显著超过了几种基线机器学习模型.
- 可解释性方法确定了影响预测的关键特征,如出席率和动机水平.
结论:
- HybridStackNet提供了一个高度准确和可解释的机器学习解决方案,用于预测学生在PE中的成功.
- 该模型有助于早期发现业绩风险,从而提供有针对性的支持.
- 这种方法通过提供数据驱动的见解来增强PE的教育策略.