可扩展的幼儿阅读表现预测
机器学习
2024-12-17 v1
摘要
学生阅读表现的模型可以帮助教育者和机构主动识别高风险学生，从而实现早期和量身定制的教学干预。然而，目前没有适合建模和预测未来阅读表现的公开教育数据集。本文引入了增强型核心阅读指令（Enhanced Core Reading Instruction, ECRI）数据集，这是一个跨越44所学校、包含6916名学生和172名教师的大型纵向表格数据集。我们利用该数据集经验评估了最先进的机器学习模型在多变量和部分测量中的识别能力，以捕捉早期教育模式。具体而言，我们演示了一种简单的自监督策略，即通过在掩码输入上预训练的多层感知机（MLP）网络，可超过多个强基准模型，同时在多样化的教育环境中实现泛化。为促进面向精确建模和负责任使用的未来发展，以实现针对个体化和早期干预的精准建模，Our data and code are available at https://ecri-data.github.io/.
引用
@article{arxiv.2412.10401,
title = {Scalable Early Childhood Reading Performance Prediction},
author = {Zhongkai Shangguan and Zanming Huang and Eshed Ohn-Bar and Ola Ozernov-Palchik and Derek Kosty and Michael Stoolmiller and Hank Fien},
journal= {arXiv preprint arXiv:2412.10401},
year = {2024}
}
备注
The Thirty-eight Conference on Neural Information Processing Systems Datasets and Benchmarks Track