利用AI与语义技术提升学生学业表现

人工智能与语义技术不断发展，已应用于包括教育领域在内的多个研究方向。高等教育机构致力于提升学生学业表现。对高危学生的早期干预与合理课程至关重要。已有研究采用传统机器学习模型预测学生表现。在课程语义分析方面，经对计算机科学课程中语义技术使用进行全面系统综述，本研究主要发现是用于度量相似度的技术在准确性及概念、课程等表示的歧义性方面存在局限。为弥补这些不足，本研究开发了三种实现：利用上学期成绩预测学生表现、以语义方式建模课程表示并计算相似度、以及识别两门相似课程间的先修关系。在表现预测上，我们使用遗传算法与长短期记忆（LSTM）的组合，基于某巴西大学含248730条记录的数据集。相似度度量上，部署BERT编码句子并用余弦相似度获取课程间距离。先修识别上，应用TextRazor从课程描述提取概念，再用SemRefD度量两概念间先修程度。本研究结果可总结为：（i）突破性结果在辍学预测准确率上比Manrique的工作提升2.5%；（ii）基于课程描述揭示课程间相似度；（iii）识别ANU计算学院的三门必修课程间先修关系。