.png){kind=icon}
返回
Predicting learning performance using NLP: an exploratory study using two semantic textual similarity methods
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-024-02293-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大多数学习分析（LA）系统提供通用反馈，因为它们主要基于测验分数的性能数据。本研究探讨了学生生成的摘要作为预测学习绩效的替代方法的潜力。254名本科生首先观看了6个短视频讲座，然后为每个讲座撰写了简短的摘要。基于他们的中位数性能测验分数，参与者被分为两个绩效组。稀疏和密集文本向量化方法被用于表示视频讲座和学生摘要。通过余弦相似度计算了三个语义文本相似性特征，并将其作为输入用于7种常见的机器学习算法。结果表明，稀疏相似性特征在分类绩效方面优于密集特征。此外，使用K-最近邻和随机森林算法实现了最佳分类准确率。总体而言，研究发现表明，语义相似性度量可以作为学习的额外代理度量，从而实现在学习分析背景下对学生理解情况进行的实时监控和评估。
Keyword:
Learning analytics
Natural language processing
Machine learning
Student-generated texts
Text vectorization methods
Learning from video lectures
Performance prediction
期刊
IF:
3.1
论文数:
552
被引数:
5.2K
机构
引用论文
.png){kind=icon}
The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis
PREAI
分享收藏
查看更多内容