【摘 要】
：
在教育信息化高速发展的背景下,许多学者在教育数据挖掘领域开展研究,而其中最热门的研究是成绩预测。成绩预测基于学生的成绩数据、行为数据、或其它个人数据预测学生未来表现。早期的成绩预测主要依靠学生的成绩数据,随着大数据时代的到来,可用于成绩预测的数据得到了极大地扩展。然而,目前成绩预测研究仍存在着采用的数据类型比较单一,数据规模普遍较小的问题。针对这些问题,本文开展了基于较大规模多源数据的成绩预测研究
【基金项目】
：
国家重点研发计划“基于大数据的教学效果评价技术”（编号:2018YFB1004504）；
论文部分内容阅读
在教育信息化高速发展的背景下,许多学者在教育数据挖掘领域开展研究,而其中最热门的研究是成绩预测。成绩预测基于学生的成绩数据、行为数据、或其它个人数据预测学生未来表现。早期的成绩预测主要依靠学生的成绩数据,随着大数据时代的到来,可用于成绩预测的数据得到了极大地扩展。然而,目前成绩预测研究仍存在着采用的数据类型比较单一,数据规模普遍较小的问题。针对这些问题,本文开展了基于较大规模多源数据的成绩预测研究,其主要内容包括:（1）利用一所大学二级学院的部分学生成绩与部分学习行为数据构建了一个较大规模且完备的数据集——GLMS数据集（Grade-Point Average with Learning Management System Dataset）,该数据集包含同一年级连续三个学年共1153名学生的数据,涵盖了该学年应修的十五门课程数据。（2）本文设计并实现了基于多源数据的学生课程成绩预测模型GLMS。具体包括:多源输入数据的处理与建模,预测模型的选择与训练,预测结果的评价与应用。（3）设计了3个实验来对本文提出的综合考虑学生加权成绩与学习行为的成绩预测模型GLMS进行验证:在不含LMS（Learning Management System）数据的全部课程中,模型预测分数的平均预测误差是5.69分,决定系数是0.5659;在部分含有LMS的课程中,引入的LMS特征可以额外降低0.31分的预测误差并提升0.0610的决定系数;设定73分为不及格预警线可以达到0.8690的预测召回率。这些结论有效说明了本文的研究价值。与以往研究相比,本文首次对真实多源数据在较大规模上进行了成绩预测的研究,并获取了较好的预测精度。该工作对于成绩预测问题中多源输入数据的处理与建模,预测模型的选择与训练,预测结果的评价与应用方面的研究都具有较好的参考价值。
其他文献
2021年新《著作权法》对广播权制度的修改,在一定程度上弥补了之前我国传统广播权制度的不足,使其与信息网络传播权的关系更加协调,体现了技术中立的立法原则,且在权利控制范畴上有所扩大,使广播权制度更加科学,但有关广播权的权利范畴并不明确。本文将采取历史研究和比较研究的方法,梳理传统广播权制度向综合广播权制度演变的历程,并将广播权与信息网络传播权以及其他传播作品的专有权利做横向比较,揭示出我国广播权权
近些年来各种定位技术层出不穷,例如Wi Fi定位、超带宽（Ultra Wide Band,UWB）定位等等。以上技术通常需要部署多个基站。近年来,一些特定场合提出了轻量级、单基站部署的定位需求,以减少定位系统部署的负担。本文基于蓝牙信号,提出了一种基于蓝牙单基站的测向-测距-测速的联合定位方法。此外,考虑到可穿戴定位标签中通常已包含低成本、低功耗的惯性测量单元（Inertial Measureme
21世纪以来,城市化以前所未有的速度推动了城市发展,改变了历史城区的整体环境,历史保护与城市发展的矛盾日益突出,产生了一系列文化遗产保护问题。作为我国城乡历史文化的重要载体,历史城区的整体保护具有重要的意义和使命,在中华文明体系中扮演重要的角色,同时也逐渐成为推动城市创新发展的动力。在新时代的背景与需求下,如何整合历史城市的历史空间资源,化解保护与发展的矛盾,使历史城区以一个整体的方式,融入现代城
随着我国经济的高速发展和科技水平的提高,异常检测技术在工业质检、视频监控等领域扮演着越来越重要的角色。目前,随着计算机视觉技术的发展,异常检测技术也在不断取得突破。然而,现有算法仍存在许多问题亟待解决,如计算量较大,难以满足实时性需求;模型需要大量的样本及时间进行训练,难以满足实际场景需求。本文充分调研了异常检测、高效学习等领域的相关研究,对异常检测任务中存在的问题进行了探究,主要工作内容及创新点
计算机视觉领域,图像语义分割是热点研究问题之一,其研究成果被广泛应用于自动驾驶、智慧医疗等场景。在一系列算法中,基于深度学习的语义分割算法是目前的主流。在算法实际部署的过程中,业界对轻量级语义分割网络的需求愈发迫切,针对计算资源受限场景下的语义分割主干网络设计是其中的一个研究方向。主干网络在深度学习算法中扮演着重要角色,主要用于提取输入图像的信息,为下游任务提供多尺度特征。Transformer网
近年来深度学习方法在医学图像分割领域取得了显著成效。然而,深度学习分割模型的性能高度依赖于训练样本的标签质量。医学图像的像素级标注依赖于专家的经验,十分耗时且容易出错,导致训练样本不可避免存在大量标签噪声,严重影响分割模型的性能。如何消除标签噪声对分割任务的干扰仍面临挑战,是目前的研究热点方向。医学图像分割场景中的标签噪声主要包含两类:1)由标注者的疲劳或粗心导致的随机标签噪声;2)由于目标结构复
在新一轮科技革命和产业变革的背景下,快速发展的计算机技术与传统汽车行业深度融合,智能汽车成为产业发展的战略方向。作为智能驾驶关键技术中的数据前端,车辆感知系统利用多种传感器收集数据,并以此为基础进行算法分析,提取有价值的外部环境信息,供车内乘员及辅助驾驶系统做出驾驶行为决策。本文主要研究设计和实现一个车辆多模态视觉感知系统,选用可见光与红外摄像头作为视觉传感器,以此为基础实现像素级和语义级的外部环
人体实例分割旨在对图像中的每一个人体都给出像素级的识别结果,是计算机视觉领域的一个重要研究问题,在手机等移动终端上具有良好的应用价值。本文基于业内主流的Yolact方法设计了一种能在移动终端实时运行且具有较高精度的人体实例分割算法,命名为Yolact Mobile,算法主要做了两个方面的改进:（1）针对多尺度人体特征难以准确表达的问题,本文在主流的人体实例分割模型Yolact框架基础上提出了更优的
基于视觉与雷达融合的即时定位与重建技术（Simultaneous Localization and Mapping,SLAM）,是室外场景位姿估计和建图的主要技术手段之一。它融合了相机和雷达两方面的优势,一方面利用相机获得较高的输出频率,另一方面利用激光雷达直接获取大范围的场景结构信息。然而,现有融合方法的视觉模块（即深度增强视觉里程计）大多采用特征点法。但是,基于图像信息提取的2D特征点和激光雷
二维虚拟试衣技术利用服装与人体图像合成虚拟试衣图像的方式来模拟服装的试穿效果。当前主流技术手段利用人体的体型姿势信息对服装图像进行扭曲变换,弥补服装与人体间的空间错位,然后再将扭曲服装与人体图像进行融合得到合成图像。然而,空间错位是无法完全消除的,人体与扭曲服装之间的未对齐区域会在融合过程中混入无关纹理,从而在合成图像的服装区域造成模糊和伪影。因此,如何解决上述问题是二维虚拟试衣领域面临的重要挑战