.png){kind=icon}
返回
Predicting learning achievement using ensemble learning with result explanation
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0312124.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测学习成就是应对高辍学率的关键策略。然而，现有预测模型通常表现出偏差，限制了其准确性。此外，当前机器学习方法的可解释性缺乏限制了其在教育实践中的应用。为克服这些挑战，本研究结合各类机器学习算法的优势，设计了一个在多指标上表现稳健的模型，并运用可解释性分析来阐明预测结果。本研究引入了一种基于集成学习技术的学习成就预测框架。具体而言，利用六种不同的机器学习模型建立基础学习器，以逻辑回归作为元学习器构建集成模型来预测学习成就。随后采用SHapley Additive exPlanation (SHAP)模型解释预测结果。通过在XuetangX数据集上的实验验证了所提模型的有效性。所提模型在预测精度方面优于传统机器学习和深度学习模型。结果表明，基于集成学习的预测框架显著优于传统机器学习方法。通过特征重要性分析，SHAP方法增强了模型的可解释性并提高了预测结果的可靠性，从而能够支持更个性化的学生干预措施。
Keyword:
HYPERPARAMETER OPTIMIZATION
PERFORMANCE
STUDENTS
DROPOUT
ENGAGEMENT
RISK
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Leveraging Class Balancing Techniques to Alleviate Algorithmic Bias for Predictive Tasks in Education利用班级平衡技术减轻教育预测任务的算法偏差
PREAI
分享收藏iAFPs-Mv-BiTCN: Predicting antifungal peptides using self-attention transformer embedding and transform evolutionary based multi-view features with bidirectional temporal convolutional networksIafps-mv-bitcn: 使用双向时间卷积网络的基于自注意变换器嵌入和变换进化的多视图特征预测抗真菌肽
PREAI
分享收藏Integrating oversampling and ensemble-based machine learning techniques for an imbalanced dataset in dyslexia screening tests.png)
ICT EXPRESS
OAAI
ICT EXPRESSIF4.2
OAAI分享收藏Learning behavior feature fused deep learning network model for MOOC dropout prediction用于MOOC辍学预测的学习行为特征融合深度学习网络模型
PREAI
分享收藏Application of Machine Learning in Predicting Performance for Computer Engineering Students: A Case StudySUSTAINABILITYOAAI
SUSTAINABILITYIF3.3
OAAI分享收藏A new automatic machine learning based hyperparameter optimization for workpiece quality predictionOAAI
OAAI分享收藏
查看更多内容