基于多源多模态数据融合的混合学习大学课程学业绩预测
计算机与社会
2024-03-12 v1 人工智能
机器学习
摘要
本文应用数据融合方法，用于预测大学学生在混合学习环境中的最终学业绩，利用来自多个来源、多模态数据。我们收集并预处理了来自不同来源（理论课程、实践课程、线上 Moodle 课程和期末考试）的大一学生数据。我们的目标是发现哪种数据融合方法在我们的数据上产生最佳效果。我们通过应用四种不同的数据融合方法和六种分类算法进行实验。结果表明，使用采用了集成方法并选择最佳属性的离散化数据，能够产生最佳的预测结果。最佳预测模型表明，理论课上的注意力水平、Moodle 小测验得分以及 Moodle 论坛活跃度是预测我们课程中学生最终绩效的最佳属性组合。
引用
@article{arxiv.2403.05552,
title = {Multi-source and multimodal data fusion for predicting academic performance in blended learning university courses},
author = {W. Chango and R. Cerezo and C. Romero},
journal= {arXiv preprint arXiv:2403.05552},
year = {2024}
}