基于学生成绩与人口统计信息的机器学习成绩预测
人工智能
2026-03-03 v1
摘要
学生在中等教育阶段的重复学情况给资源分配带来重大负担，尤其是在资源受限的环境中。为此，本研究提出一种统一的机器学习框架，同时预测通过/失败结果和连续成绩，区别于以往将分类与回归视为独立任务的研究。评估了六个模型：用于分类的逻辑回归、决策树和随机森林；用于回归的线性回归、决策树回归器和随机森林回归器，通过穷举网格搜索优化了超参数。基于 4424 名中学生的学业与人口统计数据，分类模型达到了最高 96% 的准确率，而回归模型获得了 0.70 的决定系数，显著优于基线方法。这些结果确认了基于数据驱动的早期、全方位识别 at-risk 学生的可行性，突显了集成双任务预测在提供更全面洞察方面的价值。通过实现及时、个性化的干预，此框架为减少成绩重复、优化资源分配提供了实际可行的路径。
引用
@article{arxiv.2603.00608,
title = {Machine Learning Grade Prediction Using Students' Grades and Demographics},
author = {Mwayi Sonkhanani and Symon Chibaya and Clement N. Nyirenda},
journal= {arXiv preprint arXiv:2603.00608},
year = {2026}
}