融合增强深度知识追踪模型学习到的特征进行STEM/非STEM工作预测
计算机与社会
2018-06-11 v1 人工智能
机器学习
摘要
2017年ASSISTments数据挖掘竞赛旨在利用纵向研究数据预测学生的一个全新结果，这在教育数据挖掘研究界之前从未研究过。具体来说，它促进了预测模型的研究，预测学生大学毕业后的第一份工作是否属于STEM（科学、技术、工程和数学）领域。这是基于学生在ASSISTments混合学习平台上的学习历史，以中学期间收集的大量点击流数据的形式。为了应对这一挑战，我们首先使用深度知识追踪（DKT）模型和增强型DKT（DKT+）模型估计学生在不同数学技能方面的预期知识状态。然后，我们将DKT/DKT+预期知识状态对应的特征与从数据集中学生档案直接提取的其他特征相结合，训练多个机器学习模型用于STEM/非STEM工作预测。我们的实验表明，使用组合特征训练的模型通常比仅使用学生档案训练的模型表现更好。对学生知识状态的详细分析表明，与非STEM学生相比，STEM学生通常在数学方面表现出更高的掌握水平和更高的学习收益。
引用
@article{arxiv.1806.03256,
title = {Incorporating Features Learned by an Enhanced Deep Knowledge Tracing Model for STEM/Non-STEM Job Prediction},
author = {Chun-kit Yeung and Zizheng Lin and Kai Yang and Dit-yan Yeung},
journal= {arXiv preprint arXiv:1806.03256},
year = {2018}
}
备注
10 pages; Career prediction; Knowledge tracing; Machine learning