.png){kind=icon}
返回
Predicting Elementary School GPA Using Machine Learning Approaches
.png){kind=icon}
PRE
AI
DOI：10.19090/pp.v19i1.2625.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测学术成功，量化为平均绩点（GPA），是教育心理学中的关键研究重点之一，关于最具影响力的预测因素存在持续争议。先前研究显示，入学认知准备（如注意力、工作记忆等）是后期学业成就的最强预测因素之一。此外，社会因素如父母教育水平和性别也与GPA呈现一致但稍弱的关联。然而，许多早期研究依赖传统统计模型（如线性回归），这些模型假设线性关系并常忽略变量间的复杂非线性交互，限制了其揭示真实预测因素结构的能力。相比之下，先进的机器学习（ML）方法（如决策树、随机森林和梯度提升）能建模此类复杂性，提供更高的准确性和更深入的对预测因素重要性的洞察。本研究应用这些ML算法以及线性回归，使用认知准备和社会人口变量的测量值作为预测因素，预测218名小学四年级和七年级学生的GPA。结果显示，线性回归和随机森林提供了最准确的预测。在两个年级中，GPA的最强预测因素均为认知准备测量值（编码、视觉记忆、一般知识、积木拼装），而其他预测因素影响甚微或无影响。这些发现强调了ML模型在改进高风险学生早期识别和指导针对性学业支持方面的价值，同时也说明在特定情境下传统方法可能仍能表现相当。
Keyword:
elementary school GPA
decision trees
random forest
gradient boosting
cognitive readiness for school
期刊
P
IF:
0.5
论文数:
5
被引数:
0
机构
引用论文
.png){kind=icon}
Parental Educational Expectations and Academic Achievement of Left-Behind Children in China: The Mediating Role of Parental Involvement中国留守儿童父母教育期望与学业成就：父母参与的中介作用
OAAI
OAAI分享收藏分享收藏
查看更多内容