基于迁移学习的学生表现预测可适用性提升

在不同数据分布下预测学生表现是一项具有挑战性的任务。本研究提出一种方法，通过对数据分布有差异的数据集采用迁移学习技术来提高预测准确性。使用来自数学和葡萄牙语课程的数据集，对模型进行训练与评估，以增强其泛化能力和预测准确性。本研究中使用的数据集来源于 Kaggle，包含多种属性，如人口统计信息、社会因素和学业表现。方法论涉及使用人工神经网络（ANN）结合迁移学习，其中部分层权重逐层冻结，其余层进行微调。实验结果表明，该方法在降低根均方误差（RMSE）和平均绝对误差（MAE）的同时，提高了决定系数（R2）。该模型最初在较大样本量的子集上进行训练，随后在另一个子集上进行微调。该方法有效促进了知识的迁移，增强了在数据有限任务上的模型性能。结果表明，冻结更多层对复杂且噪声较大的数据表现更佳，而冻结较少层对简单且数据量较大的集合更为有效。本研究突显了迁移学习在预测学生表现方面的潜力，并建议未来研究探索针对无标签数据集的领域适应技术。