基于考试的学生评估：因果与预测分析社会学术与经济因素的可解释人工智能与机器学习
机器学习
2025-08-04 v1
摘要
学术表现依赖于社会学术与财务因素的多变量相互作用。本研究旨在开发有效策略以优化学生的 CGPA。为实现此目标，我们审阅了 various 文献以识别关键影响因素，并构建了初始假设性因果图。此外，进行了一次在线调查，1050 名学生参与其中，提供了全面的数据进行分析。严格的数据预处理技术，包括清洗和可视化，确保了数据质量。因果分析验证了变量之间的关系，深入洞察其对 CGPA 的直接和间接影响。为 CGPA 预测实施了回归模型，同时为学生分类实施了分类模型。岭回归显示出强大的预测准确性，平均绝对误差为 0.12，均方误差为 0.023。随机森林在分类任务中表现突出，F1 分数接近完美，准确率为 98.68%。可解释人工智能技术如 SHAP、LIME 和 Interpret 增强了模型可解释性，突出显示关键因素包括学习小时数、奖学金、父母教育程度以及 prior 学术表现。本研究 culminated 于开发了一个基于 web 的应用程序，为学生提供个人化见解，使他们能够预测学术表现、识别改进领域，并做出明智的决策以提高其结果。
引用
@article{arxiv.2508.00785,
title = {Explainable AI and Machine Learning for Exam-based Student Evaluation: Causal and Predictive Analysis of Socio-academic and Economic Factors},
author = {Bushra Akter and Md Biplob Hosen and Sabbir Ahmed and Mehrin Anannya and Md. Farhad Hossain},
journal= {arXiv preprint arXiv:2508.00785},
year = {2025}
}