基于决策树的大学生支持网络学业成就预测模型
机器学习
2022-09-13 v2 计算机与社会
机器学习
摘要
在本研究中，我们考察了一组从美国中大西洋地区一所大型公立大学在 COVID-19 大流行早期阶段入学的 484 名学生中收集的原始数据。该数据称为 Ties 数据，包含学生的人口统计信息与支持网络信息。支持网络数据包含突出支持类型（即情感或教育；常规或高强度）的信息。利用该数据集，我们使用卡方自动交互检测（CHAID，一种决策树算法）和 cforest（一种使用条件推断树的随机森林算法），创建了以自我报告 GPA 量化的学生学业成就预测模型。我们比较了各算法所建议的重要变量集合在准确率和变异性上的差异。每种算法都为不同学生人口统计群体找到了不同的重要变量，并存在一定重叠。对于白人学生，不同类型的教育支持对预测学业成就十分重要，而对于非白人学生，不同类型的情感支持对预测学业成就十分重要。不同类型常规支持的存在对顺性别女性的学业成就预测十分重要，而不同类型高强度支持的存在对顺性别男性的学业成就预测十分重要。
引用
@article{arxiv.2108.13947,
title = {Decision Tree-Based Predictive Models for Academic Achievement Using College Students' Support Networks},
author = {Anthony Frazier and Joethi Silva and Rachel Meilak and Indranil Sahoo and David Chan and Michael Broda},
journal= {arXiv preprint arXiv:2108.13947},
year = {2022}
}