.png){kind=icon}
返回
Optimizing multi label student performance prediction with GNN-TINet: A contextual multidimensional deep learning framework
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0314823.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着教育日益依赖数据驱动的方法论，准确预测学生表现对于实施及时有效的干预措施至关重要。加州学生表现数据集为分析影响教育成果的复杂要素提供了独特基础，例如学生人口统计特征、学术行为和心理健康状况。本研究提出了GNN-Transformer-InceptionNet（GNN-TINet）模型，以克服先前模型在多标签情境下未能有效捕捉复杂交互的局限，其中学生可能同时表现出多种表现类别。GNN-TINet利用InceptionNet、Transformer架构和图神经网络（GNN）来提升多标签学生表现预测的精度。在包含97,000个样本的数据集上，采用了高级预处理方法，如情境频率编码（CFI）和情境自适应插补（CAI）。该模型取得了卓越成果，其预测一致性得分（PCS）达到0.92，准确率达到98.5%，超越了当前标准。探索性数据分析揭示了GPA、作业完成率和家长参与度之间存在显著关联，强调了学业成就的复杂性。结果表明，GNN-TINet能够识别有风险的学生，为教育工作者和政策制定者提供可靠资源以改善学习成果。本研究通过实现针对性的干预措施以促进教育公平，提升了教育数据挖掘领域，解决了该领域的重大挑战。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
暂无机构信息
引用论文
分享收藏Readiness for Inclusion: Analysis of Information Society Indicator with Educational Attainment of People with Disabilities in European Union Countries包容性准备度：对欧盟国家残疾人教育成就与信息社会指标的分析OAAI
OAAI分享收藏Complex artificial intelligence models for energy sustainability in educational buildings教育建筑能源可持续性的复杂人工智能模型.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏The Effectiveness and Challenges of Online Teaching of EFL Teachers in the COVID-19 Crisis英语作为外语（EFL）教师在线教学在新冠危机中的有效性与挑战
PREAI
分享收藏Effective Handling of Missing Values in Datasets for Classification Using Machine Learning MethodsInformationOAAI
InformationIF0
OAAI分享收藏CNN-Transformer: A deep learning method for automatically identifying learning engagementCNN-Transformer：一种用于自动识别学习参与度的深度学习方法
PREAI
分享收藏
查看更多内容