用于课程序列发现的排序聚合
机器学习
2016-03-10 v1
摘要
本工作中，我们调整排序聚合框架以发现大学阶段的最优课程序列。每位学生提供其整个本科阶段所修课程的部分排序。我们基于学生通常修读课程的顺序计算课程间的成对排序比较，在整个学生群体上聚合结果，进而获得课程对之间排序偏移的代理量。我们通过几种处理带噪声成对信息的排序最先进算法提取课程的全局排序，包括 SerialRank、Rank Centrality 以及近期基于群同步问题的 SyncRank。我们在加州大学洛杉矶分校(UCLA)数学系15年的学生数据上测试了这一排序聚合应用。此外，我们基于最终GPA条件对上述方法在学生群体的不同子集上实验，并突出所得排序中的若干差异，这些差异揭示了数学课程中隐藏的先修要求。
引用
@article{arxiv.1603.02695,
title = {Rank Aggregation for Course Sequence Discovery},
author = {Mihai Cucuringu and Charlie Marshak and Dillon Montag and Puck Rombach},
journal= {arXiv preprint arXiv:1603.02695},
year = {2016}
}