具有不确定性估计的可靠深度成绩预测

当前，上大学的学生比其父辈一代花费更长时间毕业。此外，在美国，六年毕业率数十年来一直为 59%。通过培养能及时成功毕业的更充分准备的学生来改善教育质量至关重要。准确预测学生未来课程的成绩已引起广泛关注，因为此举可及早识别高危学生，从而由指导老师及时向他们提供个性化反馈。先前关于学生成绩预测的研究包括浅层线性模型；然而，学生的学习是一个高度复杂的过程，涉及跨一系列课程的知识积累，这些线性模型无法充分建模。除此之外，先前的方法聚焦于预测精度而未考虑预测不确定性，而后者对指导与决策至关重要。本工作中，我们提出两类贝叶斯深度学习模型用于成绩预测。MLP 忽略了学生知识演化的时间动态。因此，我们提出 RNN 用于学生成绩预测。为评估所提模型的性能，我们在一个大型公立大学收集的数据上进行了广泛实验。实验结果表明，所提模型优于先前最先进的方法。除更准确的结果外，贝叶斯深度学习模型估计与预测相关的不确定性。我们探索如何将不确定性估计应用于开发可靠的教育预警系统。除不确定性外，我们还开发了一种解释预测结果的方法，这有助于指导老师向学生提供个性化反馈。