教育數(shù)據(jù)挖掘是一個綜合了教育心理學、計算機科學和統(tǒng)計學等多學科的新興交叉研究領域。它旨在基于教育領域內不斷累積的海量數(shù)據(jù)資源,運用機器學習、數(shù)據(jù)挖掘、統(tǒng)計與可視化等相關技術和方法來分析和挖掘其中的內在規(guī)律,以期解決教育教學過程中的各種潛在問題,進而提升教育質量。學生成績預測是教育數(shù)據(jù)挖掘領域的熱點研究問題之一,其目的是基于學生的相關信息預測其未來的學習表現(xiàn),例如:分數(shù)、排名、考核等級等。近年來,隨著高校的持續(xù)擴招,在校生人數(shù)逐年增多,因而課堂教學的規(guī)模也越來越大,以致于教師很難跟蹤了解每一位學生的學習情況,從而在一定程度上影響了教學質量。與此同時,各高校每年都有一定數(shù)量的學生出現(xiàn)考試不及格、留級、甚至退學現(xiàn)象,這嚴重影響了學生的未來發(fā)展。在這種背景下,研究構建高效的學生成績預測方法具有重要的應用價值和實踐意義。此前,許多學者已對學生成績預測開展了部分卓有成效的工作。但是,現(xiàn)有的工作仍存在一些不足和尚待解決的挑戰(zhàn)性問題,主要體現(xiàn)在以下三個方面:1)現(xiàn)有研究在進行課程成績預測時大多依賴學生在課程進行中的表現(xiàn)信息,例如:出勤情況、作業(yè)完成情況和課程階段性考核成績等,導致需要在課程開始一段時間... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：106 頁

【學位級別】：博士

【部分圖文】：

圖１－１本文研宄技術路線圖??如圖１－１所示，本文主要開展了以下三個方面的研宄：??１．提出了一種基于課程關聯(lián)性的學生成績預測方法

學生樣本被表示為包含多個課程示例并同時擁有多個標記的數(shù)據(jù)形式，即：??＆?＝?｛足，扮。??多示例的表示形式?多標記同時預測??廣?、?ｆ?、??完成課程１學時夢分：：課程性質［＊：＊?Ｊ成新學期待預測課程｜??！，?—?ｊ?傳?ｔ￣Ｊ??完成課程２學時學分課程樣質ｌ?成?多?々?｜〔新翔龍Ｈ賴２〕｜??｜??！??！學生樣杉?！?！??（完成課程《，？學時￣孥分課程性質｜：?－成績）?｜?ｆ新學期待預測課程ｊ??Ｖ?，?丨、?＞??圖３－１多示例多標記的學生樣本表示??３．２．２?問題的形式化表示??在本章中，用大寫字母（如：Ｘ）表示集合，黑體小寫字母（如：ｘ）表示??向量，非黑體小寫字母（如：ｘ）表示標量；用符號；ｆ和Ｊ；分別表示樣本輸入??空間和輸出空間。斜體大寫字母Ｔ表示矩陣的轉置操作，除非特別指定，向量??默認為列向量。表３－１中給出了本章所定義的變量及其含義。??因為本文基于學生以往課程學習表現(xiàn)來預測下一學期各科課程的學習情??況。如表３－１所示，令符號（表示學期數(shù)量。高等教育培養(yǎng)計劃中，�？茖W制??一般為３年，本科學制４年，對應的ｉ值分別為６和８。令符號ｐ表７Ｆ目標學??期，即在此學期開設的課程為預測對象。因為第一學期之前沒有開設任何課程，??所以本文把第二學期作為最初的目標學期，故有２?Ｓｔ。需要注意的是，由??于高等教育中不同專業(yè)的課程設置不相同，因此，本文把不同專業(yè)學生的課程??成績預測工作視為不同的任務。對于某個專業(yè)的建模任務，給定目標學期ｐ，??２５??

多示例的表示形式和多門課??程同時建模均給模型性能帶來一定程度的提升。??３．３．５課程信息量對模型性能的影響??如前所述，本文利用學生課程歷史信息來預測其在新學期課程上是否有不??及格風險。由于第一學期之前不存在己完成課程信息，本研宄從第二學期開??始建立課程成績預測模型，此時只有第１個學期的課程信息可用，課程數(shù)量??往往只是個位數(shù)。隨著學生學習過程的推進，課程信息量逐漸增多，為了解課??程信息量對方法性能的影響，本小節(jié)中，以學期為單位展示并分析各方法在??每個數(shù)據(jù)集上的性能。圖３－２、圖３－３和圖３－４分別給出了各個方法在數(shù)據(jù)集??ＢＣＳ０８—１１、ＢＥＴ０８—１１?和?ＧＩＭ０８」０?上的綜合指標?ｍａｃｒｏ－ｉ＾．ｓ?的值。??ｉｌ＾ＭＡＮＮ??Ｉ?ＥｉｉＢＬＲ??０．８?－?Ｉ?－?ＦＦｉ週?ＳＶＭ??、?〇?Ｉｒ！??？?：?ｎ?Ｊｌｊｐ?１?ｌＬ??Ｄ?ｒ＞，?：?［ｔ］?ｌｌｊ］?ＩＩ?ｆｌ?Ｉ?ｍ?Ｃｉｔａｔｉｏｎ－ＫＮＮ??Ｃ?｜?ＪＩ?１?：?［?ｌ?１?ＭＬ－ｋＮＮ??Ａ?Ｉｎ！?Ｉ?Ｉ?｜?：?｜?Ｏｕｒ?ｍｅｔｈｏｄ??ｒ?｜?ｙ?ｉｌ?Ｉ?ｒ?ｆｌ??Ｔｅｒｍ２?Ｔｅｒｍ３?Ｔｅｒｍ４?Ｔｅｒｍ５?Ｔｅｒｍ６?Ｔｅｍｉ７?Ｔｅｒｍ８??圖３－２不同學期各方法在數(shù)據(jù)集ＢＣＳ０８＿１１上的性能比較??從圖３－２、圖３－３和圖３－４可以看出，在ｍａｃｒｏ－巧．５指標上，本文方法在??多數(shù)情況下取得了最優(yōu)的性能。尤其在預測第２學期的課程時，由于可用課??程的信息量較少，大多數(shù)傳統(tǒng)單示例單標記方法的性能較差，即：在三組數(shù)??據(jù)上的ｍａｃｒｏｉ＾值均低于０．６。然而

【參考文獻】：
期刊論文
[1]當代大學生學習動機的特征及其對學業(yè)成績的影響[J]. 高秀梅.  高教探索. 2020(01)
[2]基于模糊聚類和支持向量回歸的成績預測[J]. 申航杰,琚生根,孫界平.  華東師范大學學報(自然科學版). 2019(05)
[3]學生成績關鍵因素挖掘與成績預測[J]. 謝娟英,張宜,陳恩紅.  南京信息工程大學學報(自然科學版). 2019(03)
[4]ARPDF:基于對話流的學習者成績等級預測算法[J]. 羅達雄,葉俊民,郭霄宇,王志鋒,陳曙.  小型微型計算機系統(tǒng). 2019(02)
[5]大學生大五人格特征與英語學習之間的關系研究[J]. 楊蘊楨,黃芳,趙雯.  臺州學院學報. 2018(06)
[6]基于改進的聚類和關聯(lián)規(guī)則挖掘的學生成績分析[J]. 張?zhí)?尹長川,潘林,安杰.  北京郵電大學學報(社會科學版). 2018(02)
[7]專業(yè)興趣吻合度 大五人格對大學生學習成績的影響[J]. 李艷.  校園心理. 2018(02)
[8]利用電子簽到數(shù)據(jù)預測課程成績[J]. 劉俊嶺,李婷,孫煥良,于戈.  計算機科學與探索. 2018(06)
[9]面向在線智慧學習的教育數(shù)據(jù)挖掘技術研究[J]. 劉淇,陳恩紅,朱天宇,黃振亞,吳潤澤,蘇喻,胡國平.  模式識別與人工智能. 2018(01)
[10]基于校園卡消費預測學生掛科情況[J]. 周慶,尹春梅,全文君,張代英.  中國教育技術裝備. 2017(24)

博士論文
[1]大數(shù)據(jù)的教育領域應用之研究[D]. 張燕南.華東師范大學 2016



本文編號：3572218