基于贝叶斯更新的学生表现早期预测：跨群体信息性先验
斑图形成与孤子
2026-04-22 v1 高能物理 - 唯象学
高能物理 - 理论
数学物理
math.MP
摘要
在高等教育中，早期识别处于风险中的学生依赖于跨越多个学期保持准确性的预测模型——这一要求单一群体建模方法无法满足。本研究评估了使用来自前一群体的信息性先验进行贝叶斯更新，以提高跨群体预测鲁棒性，方法基于数字化轨迹数据。我们拟合了基于贝叶斯的线性、逻辑和序数回归模型，分别使用非信息性默认先验或从前一群体后验分布派生的信息性先验。模型应用于两个连续群体的学生在混合式一年级数学课程中(self-regulated learning(SRL)对齐的6项自我调度学习指标)(N1=307；N2=323)。结果为考试分数、最终成绩和二元风险指示器。模型按周评估，基于准确率、灵敏度和RMSE。 在源群体中，第6周时性能已相当可观。在目标群体中，信息性先验改善了早期分类：以逻辑模型为例，第3周相对于非信息性默认方法，误分类减少22%，假阴性减少38%。序数模型亦表现出在早期周数显著提升，第2周误分类减少42%，第4周准确率达到0.77。线性模型对先验信息的收益不大。这些发现表明，贝叶斯更新是提高跨群体早期分类性能的可行方法，收益集中在学期初若干周，当当前群体数据稀缺时。
引用
@article{arxiv.2604.19277,
title = {Generalized PT-symmetric nonlinear Dirac equation: exact solitary waves solutions, stability and conservation laws},
author = {Fernando Carreño-Navas and Siannah Peñaranda and Renato Alvarez-Nodarse and Niurka R. Quintero},
journal= {arXiv preprint arXiv:2604.19277},
year = {2026}
}