题名 基于图书馆大数据的大学生成绩预测模型研究
1
作者
刘存杰 解玲 李小涛
机构
南京航空航天大学图书馆 南京航空航天大学经济与管理学院
出处
《无线互联科技》
2024年第15期5-9,共5页
基金
2023年南京航空航天大学本科教育教学改革研究项目,项目名称:基于图书馆大数据的大学生学业预警模型研究,项目编号:2023JGTS15Z。
文摘
基于高校图书馆大数据的大学生成绩预测对于推动高校图书馆的服务创新和高等教育数字化转型具有重要意义。文章针对鲜有图书馆利用数据用于大学生成绩预测模型构建的现状,结合高校教务处学业数据和图书馆利用数据,基于机器学习方法构建了大学生成绩预测模型。实验结果表明,对逻辑思维要求较高的科目对学生成绩有显著的正相关性;图书馆利用数据(如图书借阅、入馆次数等)与平均学分绩点(Grade Point Average,GPA)呈现明显的正相关关系。该研究旨在为高校图书馆精准化服务提供有力支持,并为高等教育数字化转型提供有益参考。
关键词
教育数据挖掘 机器学习 大学生成绩预测模型 高校图书馆
Keywords
education data mining machine learning university student performance prediction model university library
分类号
G258.6
[文化科学—图书馆学]
题名 混沌理论和机器学习算法的运动员成绩预测模型
被引量：4
2
作者
高素霞
机构
河南工学院
出处
《现代电子技术》
北大核心
2018年第7期152-155,共4页
文摘
为了准确地对运动员成绩进行预测,结合运动员成绩的具体变化特点,设计了基于混沌理论和机器学习算法的运动员成绩预测模型。首先对当前运动员成绩建模与预测的研究现状进行分析,找到当前运动员成绩预测模型存在的不足,然后采用混沌理论对运动员成绩历史数据进行处理,发现其中隐藏的规律,最后引入机器学习算法——极限学习机设计运动员成绩预测模型。仿真实验结果表明,与当前运动员成绩预测模型相比,所设计模型的运动员成绩预测结果更加可靠,而且运动员成绩预测精度更高,可以应用于体育科学训练计划制定。
关键词
运动员成绩 机器学习算法 混沌理论 原始数据 成绩预测模型 极限学习机
Keywords
athletes performance machine learning algorithm chaos theory initial data performance prediction model extreme learning machine
分类号
TN911.1-34
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于图卷积慕课成绩预测模型
3
作者
徐幼祥 原玲 范宝杰
机构
广东工业大学信息工程学院
出处
《电视技术》
2019年第18期1-4,共4页
文摘
针对现有慕课(MOOC)平台学生完成率低的问题,提出一种结合知识图谱和图卷积神经网络的成绩预测模型。使用决策树数据挖掘的方法构建用户知识图谱,进而将学生成绩预测问题考虑为图上节点分类问题。所提出方法优化了图的卷积,提取了用户信息和知识图谱的高维信息。实验结果表明所提的图卷积神经网络在预测精度上优于传统机器学习算法,并在同类型算法中有较低的时间复杂度。该模型有利于平台管理者及时了解学生情况,提高教学质量。
关键词
图卷积神经网络 成绩预测模型 知识图谱 慕课系统
Keywords
graph convolutional networks grades prediction model knowledge graph MOOC system
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 大学基础课课程成绩加权投票预测模型研究
被引量：8
4
作者
陈佳明 骆力明 宋洁
机构
首都师范大学信息工程学院
出处
《现代电子技术》
北大核心
2020年第1期93-98,共6页
基金
国家自然科学基金面上项目：面向关联数据的信息检索关键技术研究（61672361） 北京成像技术高精尖创新中心资助项目（BAICIT-2016004）
文摘
针对教育领域特定应用场景,利用数据挖掘技术处理教育数据是目前热点研究问题之一。课程成绩预测指对一门课程学生的期末成绩进行预测,其关键问题是通过选取合适的学生特征和确定最优的预测算法来构建预测准确率高的模型。针对大学基础课的特点,从主客观两方面选择特征,对比了4个效果最优的课程成绩预测分类算法,以准确率较高的算法构成加权投票集成算法,发现加权投票集成算法的预测准确率和AP值最高,为利用数据挖掘技术实现课程成绩预测提供了一种有效的方法。
关键词
成绩预测模型 教育数据挖掘 加权投票集成算法 模型 构建大学基础课 分类算法
Keywords
performance prediction model educational data mining weighted voting integrated algorithm model construction college elementary course classification algorithm
分类号
TN911.1-34
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于自适应差分进化的学生成绩等级预测神经网络模型
被引量：4
5
作者
林梦楠 李金辉
机构
中北大学环境与安全工程学院 河南科技大学车辆与交通工程学院
出处
《现代电子技术》
2022年第3期130-134,共5页
基金
河南省科技攻关项目(182102210296)。
文摘
学生成绩数据的分析与挖掘对于教学管理有重要意义,文中提出一种基于自适应差分进化算法优化BP神经网络的学生成绩等级预测模型。以学生各门课程成绩为研究对象,在选定目标课程作为模型输出的基础上,采用相关分析法确定与该门课程成绩相关性较高的科目成绩作为模型输入,建立BP神经网络模型进行成绩预测。针对神经网络收敛速度慢、效果差等不足,采用自适应差分进化算法对神经网络的权值阈值进行优化,以学院某一个年级的183条有效学生成绩数据进行实例验证,并与遗传算法优化神经网络的方法进行比较。结果表明,自适应差分进化算法优化BP神经网络预测结果的精度较高、均方差值较小、收敛效果更好,更有助于学生管理和教学指导。
关键词
BP神经网络优化 成绩预测模型 自适应差分进化算法 相关性分析 模型 输入模型 输出数据挖掘
Keywords
BP neural network optimization achievement prediction model ADE algorithm correlation analysis model input model output data mining
分类号
TN711-34
[电子电信—电路与系统]
TP301.6
[自动化与计算机技术—计算机系统结构]
