通过自适应多层次学习模型预测学生成绩

《Scientific Reports》：Predicting student grades via adaptive multi-level learning models

　　

摘要

教育机构越来越依赖智能系统从学生数据中提取可操作的洞察。其中一个关键应用是提前预测学生在特定课程中的表现，这可以为学术指导、课程选择和有针对性的干预提供依据。本文提出了一种自适应的多层次预测框架，该框架将学生-课程数据划分为同质组，并为每个组分配一个经过时间验证的专用模型。该框架具有模型无关性：它接受任何实现标准fit/predict接口的学习器，包括线性回归、集成方法、神经网络和协同过滤。为了应对在波动性或分块教学大纲结构中常见的数据稀疏问题，该框架引入了一个自动数据密度回退机制，能够动态地将孤立的数据片段转移到本地验证池中。在两个大规模的真实世界高等教育数据集上的系统验证表明，该框架具有很强的跨机构通用性。在一个传统的大学数据集上，该框架的均方根误差（RMSE）比全局基准提高了18.6%，模型选择主要集中在基于树的集成方法上。相反，在一个波动性较大且数据稀疏的课程数据集上，该框架自动发现了一个极其多样的模型生态系统——为48%的簇选择了神经网络层，并在22%的时间窗口中触发了协同过滤。这些结果得到了渐近显著性测试（p-值 \(< 10^{-207}\)）的支持，证明了该框架有效地将配置负担从手动启发式方法转移到了自我纠正的数据驱动优化上。