• 语料库ID:164777470

利用潜在变量模型观察学术路径

@第{条Gruver2019UsingLV，title={使用潜在变量模型观察学术路径}，author={Nate Gruver、Ali Malik、Brahm Capoor、Chris Piech、Mitchell L.Stevens和Andreas Paepcke}，日志={ArXiv}，年份={2019}，体积={abs/1905.13383}，网址={https://api.semanticscholar.org/CorpusID:164777470}}
提出了一种建模课程招生决策的概率方法，使用一所大型大学十年的匿名学生成绩单构建高斯潜在变量模型，以学习课程招生的联合分布。
[PDF]语义阅读器

本文图表

5引文

问题库网站中预测辍学的学生参与情绪特征

本研究首次尝试通过开发学生的参与情绪来理解和预测QP中的学生辍学，并引入了一种新的混合机器学习模型Dropout-Plus，该模型在准确性、F1度量和AUC方面可以超过竞争算法的辍学预测性能。

基于混合式深度学习的课程推荐策略

提出了一种混合型课程推荐系统，该系统采用内容和协作方法，并解决了各自的局限性，在使用LSTM代替RNN时优于其他推荐系统。

网络教育中的信息不平等

机器学习方法用于恢复课程的潜在特征空间，通过数据驱动的方法识别哪些课程是替代品，以及由于偏见的信念，不同性别和工作状态的学习者如何感知课程价值相对于真实价值的显著异质性。

高校网络学生入学表现的学术求助情绪特征

支持开放式非结构化环境中学习的规划算法

CFLS规划师有望根据学习者留下的交互痕迹，找到合适的学习路径，推荐给学习者，而无需外部工程化的学习对象元数据或对学习者了解很多。

25参考文献

高斯混合模型在大规模开放网络课程风险学习者识别中的应用

从分类程序中获得的结果得出高斯混合模型的F1-测量值为0.835，表明这种方法有望在MODe环境中识别风险学生。

查找注册数据中的主题

描述了主题建模的使用，以确定不同的学习主题，并根据观察到的课程注册情况对学生进行分类，并介绍了该技术在更广泛的教育数据挖掘领域中的可能应用。

基于目标的课程推荐

开发了一种新的基于递归神经网络的推荐系统，用于推荐课程，帮助学生准备感兴趣的目标课程，并根据其估计的先验知识背景和最近发展区进行个性化。

变分自编码器中的推理次优

研究发现，与真实后验的差异通常是由于不完美的识别网络，而不是近似分布的有限复杂性，并且用于增加近似表达性的参数在泛化推理中发挥了作用。

基于数据挖掘的招生预测模型

第二次世界大战后，美国对高等教育机构产生了巨大需求，高等教育领导人在“建设它，他们就会来”的基础上建立了高等教育机构；然而，到了20世纪90年代，情况发生了变化，由于入学人数大幅下降，大学处于一个“过度竞争”的市场中，各院校面临着接收申请人数减少的陌生问题。

利用隐马尔可夫模型预测大规模在线开放课程中的学生保留率

如果副本不是为了盈利或商业目的而制作或分发，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用…

自动编码变分贝叶斯决策

这项工作将重要性抽样误差描述为后验方差的函数，并表明使用证据上界学习的建议分布优于当前技术水平。

基于神经网络的网络高校学生选课预测

MOOC中的学生成功预测

本文根据预测因子、预测和基础理论模型对MOOC研究进行了分类，并对每个类别的工作进行了批判性调查，提供了有关这些实验的原始数据源、特征工程、统计模型、评估方法、预测架构和其他方面的数据。

利用社会网络分析了解大学生的专业选择

对社区大学结业率低的担忧促使政策制定者和管理者审查旨在通过让大学变得更容易来增加持久性和成功性的干预措施…