利用半监督机器学习预测中学多类型特长学生
机器学习
2025-09-03 v1
摘要
人才识别在促进学生发展方面起着关键作用。然而，传统方法通常依赖人工流程或仅狭隘地关注学业成绩，并且往往将干预推迟到高等教育阶段。这种疏忽忽视了多样化的非学业才能，并错失了早期干预的机会。为解决这一差距，本研究引入了 TalentPredictor，这是一种新型的半监督多模态神经网络，它结合了 Transformer、LSTM 和 ANN 架构。该模型旨在离线教育环境中预测中学学生的七种不同才能类型——学术、体育、艺术、领导力、服务、技术及其他。TalentPredictor 利用来自 1041 名本地中学生的现有离线教育数据，克服了传统天赋识别方法的局限性。通过将各种获奖记录聚类为才能类别，并从学生多样化的学习行为中提取特征，该模型实现了高预测准确率（0.908 的分类准确率，0.908 的 ROCAUC）。这展示了机器学习在学生发展早期识别多样化才能的潜力。
引用
@article{arxiv.2509.00863,
title = {Predicting Multi-Type Talented Students in Secondary School Using Semi-Supervised Machine Learning},
author = {Xinzhe Zheng and Zhen-Qun Yang and Jiannong Cao and Jiabei Cheng},
journal= {arXiv preprint arXiv:2509.00863},
year = {2025}
}