基于所修模块考核方法利用数据挖掘技术细化学生成绩
计算机与社会
2020-09-15 v1
摘要
选择正确且有效的学生考核方式是高等教育最重要的任务之一。许多研究表明，当采用包含按不同学习时长全面考核的单元或课程与考试相结合等多样化学习方法、而非仅以考试考核时，学生在学习过程中往往获得更高分数。许多教育数据挖掘（EDM）研究通过传统数据抽取（含数据准备过程）预先处理数据。本文中，我们通过考察超过 230000 条学生记录来提出一种不同的数据准备过程以用于成绩准备。数据经过多个阶段处理，以提取一个分类因子，借此在数据准备阶段细化学生模块成绩。本工作结果表明，学生最终成绩不应脱离其所修模块考核方法的性质而孤立看待，而必须在 EDM 数据预处理阶段被彻底考察并纳入考虑。更一般地，由于数据来源、应用与错误类型的差异，教育数据不应以处理普通数据的相同方式准备。我们考察了模块考核指数（MAI）对使用 Random Forest 与 Naive Bayes 分类技术的预测过程的影响，表明将 MAI 作为属性可提高基于学生第一年平均成绩预测其第二年平均成绩的准确率。
引用
@article{arxiv.2009.06381,
title = {Refining Student Marks based on Enrolled Modules Assessment Methods using Data Mining Techniques},
author = {Mohammed A. Alsuwaiket and Anas H. Blasi and Khawla Altarawneh},
journal= {arXiv preprint arXiv:2009.06381},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2008.13255