基于机器学习的青少年在线教育适应性研究
机器学习
2024-09-02 v1 分布式、并行与集群计算
摘要
随着互联网技术的快速发展，青少年对在线学习的适应性已成为教育界关注的焦点。然而，学术界在开发青少年在线学习适应性预测模型方面的努力仍需进一步完善和拓展。本研究利用2014年至2016年“中国青少年在线教育调查”的数据，实现了五种机器学习算法——逻辑回归、K近邻、随机森林、XGBoost和CatBoost——以分析影响青少年在线学习适应性的因素，并确定最适合预测的模型。研究表明，课程时长、家庭经济状况和年龄是影响学生在线学习环境适应性的主要因素。此外，年龄显著影响学生的适应能力。在预测模型中，随机森林、XGBoost和CatBoost算法展现出更优的预测能力，其中随机森林模型尤为擅长捕捉学生适应性的特征。
引用
@article{arxiv.2408.16849,
title = {Machine Learning-Based Research on the Adaptability of Adolescents to Online Education},
author = {Mingwei Wang and Sitong Liu},
journal= {arXiv preprint arXiv:2408.16849},
year = {2024}
}