寻找瓶颈课程：利用无监督分类器预测学生流失
机器学习
2017-05-09 v1 人工智能
计算机与社会
机器学习
应用统计
摘要
随着高等教育中提高毕业率和缩短攻读学位时间的压力，尽早识别处于风险中的学生十分重要。因此，自动早期预警系统非常可取。在本文中，我们使用无监督聚类技术，基于每个专业最少量的低阶课程，来预测加州州立大学北岭分校(CSUN)五个院系中已声明专业学生的毕业状态。此外，我们利用检测到的聚类来识别隐藏的瓶颈课程。
引用
@article{arxiv.1705.02687,
title = {Finding Bottlenecks: Predicting Student Attrition with Unsupervised Classifier},
author = {Seyed Sajjadi and Bruce Shapiro and Christopher McKinlay and Allen Sarkisyan and Carol Shubin and Efunwande Osoba},
journal= {arXiv preprint arXiv:1705.02687},
year = {2017}
}
备注
7 pages, 10 figures, Finding Bottlenecks: Predicting Student Attrition with Unsupervised Classifiers, IEEE, IntelliSys 2017