.png){kind=icon}
返回
Learning boosting: enhancing predictive modelling in blended learning environments
.png){kind=icon}
PRE
AI
DOI：10.1504/IJAHUC.2026.152175.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对学生学习结果的准确预测对于混合学习环境中的早期干预和教学决策至关重要。本研究提出了一种名为“学习提升”（learning boosting）的结构增强型预测框架，该框架整合了社区感知的Louvain聚类与梯度提升分类算法。通过对学生活动图进行聚类以检测潜在的行为社区，并将由此产生的结构标签嵌入为特征用于最终预测。在包含102名学生的混合学习课程的真实数据上进行的实验，在多种分类粒度、数据模态和聚类策略下评估了该方法。结果表明，“学习提升”方法在三项分类任务中持续优于11个基线模型，实现了F1分数0.892、AUC 0.883和召回率0.903。消融研究证实了结构特征提取和聚类的互补优势。研究结果证明，结合基于图的结构建模与提升分类器为学习分析提供了一种稳健且可解释的方法，尤其在稀疏和多模态条件下。
Keyword:
learning boosting
learning analytics
blended learning
student performance prediction
gradient boosting
期刊
IF:
0.7
论文数:
42
被引数:
317
机构
引用论文
暂无论文信息