[论文解读] Machine Learning Based Student Grade Prediction: A Case Study

Zafar Iqbal, Junaid Qadir+2 more|arXiv (Cornell University)|Aug 17, 2017

Data Stream Mining Techniques参考文献 24被引用 86

一句话总结

这篇论文将协同过滤、矩阵分解（SVD 和 NMF）和在受限玻尔兹曼机（RBM）用于预测 ITU 工程学院学生的课程成绩，使用真实世界数据，RBM 表现最好。

ABSTRACT

In higher educational institutes, many students have to struggle hard to complete different courses since there is no dedicated support offered to students who need special attention in the registered courses. Machine learning techniques can be utilized for students' grades prediction in different courses. Such techniques would help students to improve their performance based on predicted grades and would enable instructors to identify such individuals who might need assistance in the courses. In this paper, we use Collaborative Filtering (CF), Matrix Factorization (MF), and Restricted Boltzmann Machines (RBM) techniques to systematically analyze a real-world data collected from Information Technology University (ITU), Lahore, Pakistan. We evaluate the academic performance of ITU students who got admission in the bachelor's degree program in ITU's Electrical Engineering department. The RBM technique is found to be better than the other techniques used in predicting the students' performance in the particular course.

研究动机与目标

• 动机：使用机器学习预测学生成绩以实现早期干预和留存。
• 在真实世界的 ITU 学生数据上评估多种 ML 技术（CF、MF、RBM）。
• 开发一个反馈模型以识别薄弱学生并提供课程领域层面的洞察。
• 提出一种预测方法，基于预测的 GPA 支持教师干预。

提出的方法

• 将成绩预测公式化为使用 Student-Course-GPA 矩阵的推荐系统问题。
• 应用 UBCF、SVD 和 NMF 预测缺失的 GPA。
• 将 RBM 作为无监督预测器用于推断缺失的成绩。
• 通过减去课程平均 GPA 来对预测变量进行居中处理，以提高模型性能。
• 实现一个将预测 GPA 与课程领域知识和教师警报相关联的反馈模型。

实验结果

研究问题

• RQ1 协同过滤、矩阵分解和 RBM 是否能够准确预测 ITU 学生的下学期成绩？
• RQ2 在稀疏的学生-课程数据上，哪种 ML 技术能给出最准确的 GPA 预测？
• RQ3 如何将预测的 GPA 转化为可操作的对教师与学生的反馈？
• RQ4 将领域基础知识和学习模型结合是否能改善对高风险学生的早期预警信号？

主要发现

• 在研究的技术中，RBM 在预测学生表现方面表现最佳。
• ITU 数据集包含225名学生和24门课程，拥有5400个潜在单元条目和1736个观测成绩（密度32.14%）。
• 入学前因素如入学考试和 HSSC 与 CGPA 的相关性为正（分别为 r = 0.29 和 r = 0.28）。
• CF、MF（SVD/NMF）为稀疏数据提供了具有竞争力的方法，可用于预测下学期成绩。
• 研究提供了一个反馈模型，当学生在一门课程中的预测 GPA 低于阈值（2.67）时向教师发出警报。
• 本文讨论了一种用于隐马尔可夫模型拟合的方法，以推断课程领域的学生知识。