面向实时学生成绩预测的域适应方法
计算机与社会
2019-03-19 v3 机器学习
机器学习
摘要
在线课程内容日益快速的开发与更新周期，以及每个在线课堂中学生群体的多样性，使得在课程结束前（实时）且/或在缺乏特定历史成绩数据的课程上预测学生成绩，成为工业界研究与实用需求中有趣的课题。在本研究中，我们在域适应框架下解决实时学生成绩预测问题，该系统在以往某批课程的学生标注结果上训练，但旨在部署于另一批课程。具体而言，我们首先介绍近期开发的 GritNet 架构——其是当前学生成绩预测问题上的最优(state of the art)方法——并开发一种新的无监督域适应方法，将训练于过往课程的 GritNet 迁移至无任何（学生结果）标注的新课程。我们对真实 Udacity 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中显式增强实时预测。
引用
@article{arxiv.1809.06686,
title = {Domain Adaptation for Real-Time Student Performance Prediction},
author = {Byung-Hak Kim and Ethan Vizitei and Varun Ganapathi},
journal= {arXiv preprint arXiv:1809.06686},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1804.07405