面向距离学习预测退学的多模态机器学习模型 SentiDrop
人工智能
2025-07-15 v1 新兴技术
信息检索
机器学习
摘要
学校退学是距离学习中的严重问题，早期检测对于有效干预和学生坚持至关重要。使用可用教育数据预测学生退学是学习分析中的热门研究主题。我们合作伙伴的距离学习平台强调整合多样数据源——包括社会人口统计数据、行为数据和情感分析——以准确预测退学风险。本文引入一种新型模型，将基于双向编码器表示来自 Transformer（BERT）模型的学生评论情感分析与通过极端梯度提升（XGBoost）分析的社会人口统计数据和行为数据相结合。我们在学生评论上微调 BERT 以捕捉细腻情感，这些情感随后与通过 XGBoost 特征重要性技术选取的关键特征合并。我们在下一学年的未见数据上测试了该模型，准确率为 84%，而基线模型为 82%。此外，该模型在其他指标（如精确率和 F1 分数）上表现优异。该方法可是降低退学率、鼓励学生坚持的个人化策略的重要工具。
引用
@article{arxiv.2507.10421,
title = {SentiDrop: A Multi Modal Machine Learning model for Predicting Dropout in Distance Learning},
author = {Meriem Zerkouk and Miloud Mihoubi and Belkacem Chikhaoui},
journal= {arXiv preprint arXiv:2507.10421},
year = {2025}
}
备注
International Conference on Education and New Learning Technologies (2025)