基于上下文感知非线性与神经注意力知识模型的成绩预测
机器学习
2020-03-12 v1 计算机与社会
机器学习
摘要
预测学生尚未修读的未来课程成绩十分重要，因为它能在选课过程中帮助学生及其顾问，并有助于设计个性化学位计划并根据其表现进行调整。准确预测学生未来课程成绩的成功方法之一是累积基于知识的回归模型（Cumulative Knowledge-based Regression Models, CKRM）。CKRM 学习浅层线性模型，将学生成绩预测为其知识状态与目标课程之间的相似度。然而，学生在估计知识状态以及针对每门目标课程时，先前修读的课程可能有不同的贡献，这是线性模型无法捕捉的。此外，CKRM 及其他成绩预测方法忽略了同期修读课程对学生目标课程表现的影响。在本文中，我们提出上下文感知的非线性与神经注意力模型，能够潜在更好地从学生的先修课程信息中估计其知识状态，并建模目标课程与同期课程之间的交互。与对比方法相比，我们在包含超过 M 条成绩的大型真实数据集上的实验显示了所提模型在准确预测学生成绩方面的有效性。此外，神经注意力模型学习到的注意力权重有助于更好地设计其学位计划。
引用
@article{arxiv.2003.05063,
title = {Context-aware Non-linear and Neural Attentive Knowledge-based Models for Grade Prediction},
author = {Sara Morsy and George Karypis},
journal= {arXiv preprint arXiv:2003.05063},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.11858