通过人工智能驱动的数据挖掘技术,对21世纪能力规模的多维分析

科学领域:

• 教育研究教育研究
• 计算机科学 计算机科学
• 数据科学是数据科学.

背景情况:

• 评估学生的能力,如知识,技能,性格和超级学习,在教育中至关重要.
• 庞大而复杂的教育数据集需要先进的分析工具.
• 机器学习 (ML) 提供了强大的方法来分析学生的反应和支持评估.

研究的目的:

• 用各种ML算法对21世纪能力量表中的学生反应进行分类.
• 评估ML模型在评估不同能力维度方面的表现.

主要方法:

• 利用了616名参与者在四个关键子维度的响应数据集.
• 应用了多个ML算法:支持矢量机 (SVM),人工神经网络 (ANN),k-最近邻居 (k-NN),随机森林 (RF),后勤回归 (LR),决策树 (DT),AdaBoost,梯度提升和XGBoost.
• 使用网格搜索优化模型性能,并使用准确性,精度,回忆和F1分数进行评估.

主要成果:

• 后勤回归 (LR) 在"角色"子维度中获得了最高的准确性 (78.73%).
• 支持矢量机 (SVM) 在"技能" (78.58%) 和整体规模 (74.51%) 方面显示出高准确度.
• 梯度提升和k-NN模型在多个维度中展示了竞争性性能.

结论:

• 机器学习模型,特别是经过优化后的机器学习模型,是对学生能力分类的有效工具.
• 这些发现支持将ML纳入数据驱动的教育评估过程.
• 这项研究强调了机器学习在为学生的能力提供细微洞察力的潜力.