用于预测学生学习满意度的自动分段线性回归
人工智能
2025-10-14 v1 机器学习
摘要
尽管学生学习满意度已被广泛研究，但现代技术如可解释机器学习和神经网络的应用仍不足。本研究表明，一种结合了提升与可解释性的近期模型——自动分段线性回归(APLR)——在预测学习满意度方面表现最佳，优于几种最先进的方法。通过对APLR的数值和可视化解释，我们发现学生的时间管理和注意力能力、对同学的帮助程度感知以及对线下课程的参与度对学习满意度影响最大。意外的是，参与创造性活动并未对学习满意度产生正面影响。此外，贡献因素可以按个体水平进行解释，允许教育者根据学生轮廓定制教学。
引用
@article{arxiv.2510.10639,
title = {Automatic Piecewise Linear Regression for Predicting Student Learning Satisfaction},
author = {Haemin Choi and Gayathri Nadarajan},
journal= {arXiv preprint arXiv:2510.10639},
year = {2025}
}