61、机器学习在学生评估与预测中的应用综述

机器学习在学生评估与预测中的应用综述

1. 人工神经网络

人工神经网络由大量紧密相连的处理单元组成，其结构和运行方式模仿了大脑的中枢神经系统。每个处理单元仿照生物神经元建模，接收一组平衡的输入并输出相应的值。人工神经网络在多种预测方法中得到应用，多数方法结合了学生评估数据：
- 在课程学习过程中，使用前馈神经网络根据部分成绩来估计考试结果。
- 基于累积平均绩点（CGPA）训练的神经网络可推测第八学期的学业成绩。
- 对比广义回归神经网络和多层感知器这两种模型，以确定哪种在预测学生学业成绩方面更有效。
- 在临床教育领域，将人工神经网络的预测能力与多元逻辑回归模型进行比较。

2. 目标分类

研究将目标分为三大类：学生退学、学生表现和学生风险。各类目标在文献中的占比反映了其重要性和研究潜力，其中学生表现的预测尝试占比最大（72%），其次是学生退学（19%），而提升学生技能和推荐任务与资源的目标需求较低（分别为5%和4%）。

2.1 学生退学

早期准确评估学生退学情况，有助于通过制定和实施及时一致的干预措施来解决潜在问题。以下是不同研究采用的方法：
- Quadri和Kalyankar ：使用决策树和逻辑回归分析学生活动日志数据库，决策树用于识别退学变量，逻辑回归用于估计退学率。
- Walia等人 ：利用朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）和ZeroR等分类方法预测学生学业成绩，发现学校、学生态度、性别和复习时间会影响最终成绩，使用Weka工具进行大量试验，自制数据集的准确率超过83%