用深度学习预测学生成绩
机器学习
2019-05-08 v1 计算机与社会
机器学习
摘要
在线课程内容日益加快的开发周期，以及每个在线课堂中多样化的学生人口统计特征，使得实时学生成绩预测成为工业界研究和实际需求中有趣的课题。在本文中，我们利用领域适配框架解决进行中课程的实时学生表现预测问题。该框架是一个在以往课程标注学生成绩数据上训练、但旨在部署于另一门课程的系统。特别地，我们引入了 GritNet 架构，并开发了无监督领域适配方法，以在没有任何学生成绩标签的情况下将基于过去课程训练的 GritNet 迁移到新课程。我们对 Udacity 真实学生毕业预测的结果表明，GritNet 不仅在不同纳米学位项目间从一门课程到另一门课程泛化良好，而且能在准确预测最具挑战性的前几周显式增强实时预测。
引用
@article{arxiv.1905.02530,
title = {Deep Learning to Predict Student Outcomes},
author = {Byung-Hak Kim},
journal= {arXiv preprint arXiv:1905.02530},
year = {2019}
}
备注
Accepted as oral presentation to ICLR 2019, AI for Social Good Workshop. arXiv admin note: substantial text overlap with arXiv:1809.06686, arXiv:1804.07405