利用学习管理多媒体数据（包含复杂特征）和集成模型预测学生的学术成就

《Journal of Data and Information Quality》：Student Academic Success Prediction Using Learning Management Multimedia Data With Convoluted Features and Ensemble Model

预测学生学业成功对教育机构提供精准支持至关重要，本研究通过结合CNN提取的多媒体数据特征与集成学习模型（SVM+随机森林），在97.88%的准确率下显著优于独立模型。

　　

摘要

预测学生的学业成绩对于教育机构来说至关重要，这样它们就能为那些有可能表现不佳的学生提供有针对性的支持和干预措施。随着数字学习管理系统（LMS）的日益普及，多媒体数据量激增，为教育领域的预测分析开辟了新的途径。预测学生的学业表现可以作为一种早期预警系统，帮助教育机构提前采取干预措施。本研究提出利用卷积神经网络（CNN）提取的特征与机器学习模型相结合，以提高预测的准确性。这种方法避免了手动特征提取的繁琐过程，并且相比单独使用机器学习或深度学习模型，取得了更优的结果。首先，将九种机器学习模型应用于原始特征和经过卷积处理后的特征上，然后挑选表现最佳的模型组合成一个集成模型。本研究采用了支持向量机（SVM）和随机森林（RF）的组合模型来进行学业成绩预测。通过与其他现有模型的对比验证，证明了所提出方法的有效性，其准确率达到了97.88%，精确度、召回率和F1分数均为98%，在预测学生学业成功方面取得了显著成果。该研究通过展示如何利用学习管理系统中的多媒体数据以及集成建模技术，为教育领域中蓬勃发展的预测分析领域做出了贡献。