[论文解读] Grade Prediction with Temporal Course-wise Influence

Zhiyun Ren, Xia Ning+1 more|arXiv (Cornell University)|Sep 15, 2017

Online Learning and Analytics参考文献 16被引用 14

一句话总结

该论文提出了一种基于矩阵分解的新型模型——时间课程影响矩阵分解（MFTCI），通过整合时间动态和课程影响效应，提升了下一学期成绩预测的性能。该方法优于当前最先进的基线模型，并学习到有意义且与课程内容相关的课程影响模式，能够反映学术课程结构。

ABSTRACT

There is a critical need to develop new educational technology applications that analyze the data collected by universities to ensure that students graduate in a timely fashion (4 to 6 years); and they are well prepared for jobs in their respective fields of study. In this paper, we present a novel approach for analyzing historical educational records from a large, public university to perform next-term grade prediction; i.e., to estimate the grades that a student will get in a course that he/she will enroll in the next term. Accurate next-term grade prediction holds the promise for better student degree planning, personalized advising and automated interventions to ensure that students stay on track in their chosen degree program and graduate on time. We present a factorization-based approach called Matrix Factorization with Temporal Course-wise Influence that incorporates course-wise influence effects and temporal effects for grade prediction. In this model, students and courses are represented in a latent "knowledge" space. The grade of a student on a course is modeled as the similarity of their latent representation in the "knowledge" space. Course-wise influence is considered as an additional factor in the grade prediction. Our experimental results show that the proposed method outperforms several baseline approaches and infer meaningful patterns between pairs of courses within academic programs.

研究动机与目标

• 通过改进成绩预测，解决学生及时毕业和学术成功的问题。
• 建模先修课程对后续表现的动态影响，超越静态的学生和课程嵌入表示。
• 将时间效应和课程影响整合到矩阵分解中，实现更准确的下一学期成绩预测。
• 揭示可解释的课程影响模式，反映学术课程结构和课程内容依赖关系。
• 通过数据驱动的洞察，支持个性化学术指导和学位规划。

提出的方法

• MFTCI模型使用矩阵分解将学生和课程表示在共享的潜在‘知识’空间中，成绩预测为两者潜在向量的点积。
• 引入课程影响矩阵A，捕捉先前修读课程对学生后续课程表现的影响。
• 通过纳入学生在多个先前学期的表现来建模时间效应，实验表明两个先前学期最具信息量。
• 模型采用交替优化与梯度下降法，更新学生因子（U, V）、影响矩阵（A）以及时间分量（Z1, Z2, U1, U2）。
• 使用奇异值分解（SVD）计算时间分量Z1，额外的潜在矩阵（U1, U2）用于建模学生表现的时间依赖性变化。
• 模型在乔治梅森大学（2009年秋季至2016年春季）的历史学生记录上进行训练，涵盖六个专业，包括转学生和非转学生。

实验结果

研究问题

• RQ1 与标准矩阵分解相比，引入课程影响后，下一学期成绩预测的准确性如何提升？
• RQ2 为建模学生表现的时间影响，应考虑多少个先前学期为最佳？
• RQ3 所学习到的课程影响模式是否能反映实际的学术课程结构和课程内容依赖关系？
• RQ4 时间效应与课程影响如何共同影响预测性能？
• RQ5 该模型能否识别出课程目录中未明确规定的、类似先修课程的关系？

主要发现

• MFTCI模型在所有评估数据集上均显著优于多种最先进的基线方法，实现更优的下一学期成绩预测性能。
• 通过同时整合时间动态和课程影响，模型实现了性能提升，其中课程影响对预测准确性的贡献尤为显著。
• 在计算机科学（CS）和应用信息科技（AIT）专业中，模型分别识别出17个和13个与官方学术课程指南图一致的课程影响关系。
• MFTCI学习到的课程影响模式与实际课程内容高度相关，例如‘多媒体与网页设计’对‘应用信息技术编程’和‘全球环境中的信息技术’的影响。
• 结果表明，考虑两个先前学期可获得最佳预测性能，表明学生学习进展中存在强烈的时间依赖性。
• 课程影响矩阵的可视化揭示了跨多个专业（包括BIOL、CEIE、CPE和PSYC）的可解释、基于内容的关系。