基于多任务多模态神经融合从教育数据库分析大学生 retention 风险
计算与语言
2021-09-14 v1
摘要
我们开发了用于多任务学习 (MSNF-MTCL) 的多模态时空神经融合网络，以预测 5 种重要的学生 retention 风险：未来辍学、下学期辍学、辍学类型、辍学时长和辍学原因。首先，我们开发了通用多模态神经融合网络模型 MSNF，通过融合空间与时间非结构化咨询记录与时空结构化数据来学习学生的学业信息表示。MSNF 结合了基于 Bidirectional Encoder Representations from Transformers (BERT) 的文档嵌入框架来表示每条咨询记录、长短期记忆 (LSTM) 网络来建模时间咨询记录嵌入、LSTM 网络来共同建模学生的时间表现变量和静态人口统计信息。来自 MSNF 的最终融合表示已用于多任务级联学习 (MTCL) 模型，以构建 MSNF-MTCL 来预测 5 种学生 retention 风险。我们在一个包含 36,445 名大学生、跨度 18 年的大型教育数据库上评估了 MSNFMTCL，其相比最近的最先进模型表现出有前景的性能。此外，鉴于偏差的存在，我们检验了该模型的公平性。
引用
@article{arxiv.2109.05178,
title = {College Student Retention Risk Analysis From Educational Database using Multi-Task Multi-Modal Neural Fusion},
author = {Mohammad Arif Ul Alam},
journal= {arXiv preprint arXiv:2109.05178},
year = {2021}
}
备注
Submitted to 36th AAAI Conference on Artificial Intelligence (AAAI) 2022