.png){kind=icon}
返回
Predicting Student Performance Through Innovative Machine Learning Techniques
.png){kind=icon}
PRE
AI
DOI：10.1177/24056456261448332.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
教育领域的数字化转型，由大规模开放在线课程和虚拟学习环境等平台驱动，已显著拓宽了全球教育资源的可及性。本研究探讨了机器学习（ML）如何通过预测模型识别和支持有风险学生，以增强和预测学习成果。目标是通过对学生档案的分析和多重影响因素的解决来提升学业成就。本研究中，采用了机器学习分类模型，特别是支持向量分类（SVC），并结合两种优化器：埃博拉优化算法和攻击-保留优化器，旨在提升模型性能和预测精度。结果表明，在训练阶段，基于支持向量的埃博拉优化（SVEO）模型达到0.900的准确率，相较于达到0.887准确率的SVC模型表现出中等性能。然而，基于支持向量的攻击-保留优化（SVAL）模型以0.936的最高准确率超越了其他模型。
Keyword:
massive open online courses
virtual learning environments
academic achievement
metaheuristic algorithms
