通过机器学习模型理解优等生的健康与行为趋势
计算机与社会
2021-02-09 v1
摘要
本研究分析了大学生在学期中不同时期的身体、心理、生活方式与人格因素的模式，并建模了这些因素与学生学业表现之间的关系。所分析的数据通过智能手机和 Fitbit 收集。利用从所收集数据衍生的机器学习模型，观察学生行为与其 GPA、生活方式、身体健康、心理健康及人格属性的关联程度。采用了一种一致性方法，即不关注结果准确率，而是利用模型参数与特征权重来发现共同的行为趋势。根据模型构建的结果，确定学业成功（定义为较高 GPA）的最显著指标是学生所花费时间的地点。生活方式与人格因素被认为比心理与身体因素更为重要。本研究将揭示不同因素及其发生时机对学生学业表现的影响。
引用
@article{arxiv.2102.04212,
title = {Understanding health and behavioral trends of successful students through machine learning models},
author = {Abigale Kim and Fateme Nikseresht and Janine M. Dutcher and Michael Tumminia and Daniella Villalba and Sheldon Cohen and Kasey Creswel and David Creswell and Anind K. Dey and Jennifer Mankoff and Afsaneh Doryab},
journal= {arXiv preprint arXiv:2102.04212},
year = {2021}
}
备注
10 pages, 6 plots