基于机器学习的风险学生早期检测
机器学习
2025-07-16 v1
摘要
本研究 presented preliminary work to address the challenge of identifying at-risk students using supervised machine learning and three unique data categories: engagement, demographics, and performance data collected from Fall 2023 using Canvas and the California State University, Fullerton dashboard. 我们旨在通过筛查风险学生并构建高风险识别系统来解决高等教育保留率和学生 dropout rates 持续的挑战。通过关注传统指标之外的以前被忽视的行为因素，本工作旨在解决教育差距、提高学生结果，并显著提升在University整个学科的学生成功率。预处理步骤用于建立目标变量、匿名化学生信息、管理缺失数据并识别最重要的特征。鉴于数据集中混合数据类型的特性以及本研究的二元分类本质，本工作考虑了支持向量机（SVM）、朴素贝叶斯、K近邻（KNN）、决策树、逻辑回归和随机森林等多种机器学习模型。这些模型用于预测风险学生并识别学生表现最脆弱的关键时期。我们将使用如训练测试分割和k折交叉验证等验证技术来确保模型的可靠性。我们的分析表明，所有算法都为风险学生预测生成可接受的结果，而朴素贝叶斯综合表现最佳。
引用
@article{arxiv.2412.09483,
title = {Early Detection of At-Risk Students Using Machine Learning},
author = {Azucena L. Jimenez Martinez and Kanika Sood and Rakeshkumar Mahto},
journal= {arXiv preprint arXiv:2412.09483},
year = {2025}
}