摘要
学生学业表现预测作为学业预警领域热门研究方向，受到了国内外专家学者的广泛关注。在学生学业表现预测中，学生成绩预测和学生辍学风险预测是两个研究热点。成绩预测和辍学预测研究旨在从学生个人信息、行为信息、环境信息等识别教育数据的内在关联和有效信息，预测学生在未来的学业表现，对具有不及格或辍学风险的学生予以警告。然而，大多数现有研究忽略了学生与学生之间的隐含联系对学生成绩的影响，也未考虑到学生个体之间差异性对学生辍学风险的影响。针对这两个问题，本文将围绕学生共性和学生个性展开以下研究。具体研究内容如下： （1）提出基于学生共性的深度神经网络学生成绩预测模型。预测模型充分考虑了学生间的关联性对学生成绩的影响，学习能力相似的学生，其学业表现也相近。首先计算不同学生属性特征的相似度，然后选取与目标学生相似度较高的学生，将其历史成绩按相似度加权求和，作为深度神经网络的输入部分。为了避免过拟合问题，在DNN中融合了Dropout机制，从而使模型精度在两个公开数据集上分别提高了1.97%和3.31% （2）提出了基于学生个性的集成学习学生辍学风险预测模型。预测模型主要分为编码层、自注意力层和预测层，通过深度挖掘不同学生影响辍学风险的因素，预测学生是否存在辍学风险。针对学习者具有个体差异的问题，通过自注意力算法捕获影响因素，生成学生加权属性特征，将注意力放在对学习者影响更多的属性特征上。预测层使用Stacking集成学习的思想，结合多个单一分类器的预测结果，输出最终预测结果。模型预测准确率比表现最好的随机森林模型提高了2%。 （3）设计与实现了学生学业预警系统，并且收集了一个来自某所中学的真实数据集。在预测算法研究的基础上，通过对数据集的分析挖掘和前后端搭建，对学生未来的学业表现进行预测。学生可以清晰地了解自己的学业状态，及时调整学习策略。
NETL