基于稀疏神经注意力知识模型的成绩预测
计算机与社会
2019-04-29 v1 机器学习
机器学习
摘要
预测学生尚未修读的未来课程成绩十分重要，因为它能在选课过程中帮助学生及其顾问，并有助于设计个性化学位计划及依据其表现进行修改。准确预测学生未来课程成绩的成功方法之一是累积知识回归模型（CKRM）。CKRM 学习浅层线性模型，将学生成绩预测为其知识状态与目标课程之间的相似度。学生的知识状态通过线性累积其已修课程所提供的知识组件、并以其在这些课程中的成绩加权来构建。然而，并非所有先修课程对目标课程的贡献都相等。本文中，我们提出一种新颖的神经注意力知识模型（NAK），学习每门历史课程在预测目标课程成绩时的重要性。与 CKRM 及其他竞争方法相比，我们在由约 1.5 个成绩组成的大型真实数据集上的实验显示了所提 NAK 模型在准确预测学生成绩上的有效性。此外，模型学到的注意力权重有助于更好地设计其学位计划。
引用
@article{arxiv.1904.11858,
title = {Sparse Neural Attentive Knowledge-based Models for Grade Prediction},
author = {Sara Morsy and George Karypis},
journal= {arXiv preprint arXiv:1904.11858},
year = {2019}
}
备注
accepted for publication in EDM 2019