基于LSTM的学习成绩预测及其影响因素方法研究

doi:10.19722/j.cnki.1008-7729.2020.0043

北京邮电大学学报(社会科学版) ›› 2020, Vol. 22 ›› Issue (6): 90-100.doi: 10.19722/j.cnki.1008-7729.2020.0043

基于LSTM的学习成绩预测及其影响因素方法研究

曹洪江（1972—），男，湖南双峰人，博士，副教授

武汉理工大学经济学院，湖北武汉430000

收稿日期:2020-03-02 出版日期:2020-12-30 发布日期:2021-01-25
通讯作者: 曹洪江（1972—），男，湖南双峰人，博士，副教授
作者简介:曹洪江（1972—），男，湖南双峰人，博士，副教授
基金资助:
教育部人文社会科学研究规划基金项目(17YJA870006)；武汉理工大学教学研究项目(w2019129)

LSTM-based Learning Achievement Prediction and Its Influencing Factors

School of Economics, Wuhan University of Technology, Wuhan 430000, China

Received:2020-03-02 Online:2020-12-30 Published:2021-01-25

摘要/Abstract

摘要： 关于学生成绩预测的研究普遍存在数据结构单一和学习器浅层线性的问题。针对学生历史成绩的时序性及学习过程的遗忘特征，引入LSTM网络对学生知识结构状态进行建模，并融合情感特征和行为特征，通过全连接神经网络对学习成绩进行预测。实验结果表明，该方法能够显著提升学习成绩预测的准确性。同时，以此为基础，进一步提出了成绩主要影响因素的判断方法。

关键词: , LSTM, 成绩预测, 学生情感, 学生行为

Abstract: There are general problems in the study of student performance prediction, such as simple data structure, shallow linear layer of learner, etc. Therefore, considering the temporality of students’ historical performance and the forgotten features during learning process, a LSTM network was introduced to model the state of students’ knowledge structure. The features of emotion and behavior were integrated to predict the academic performance through fully connected neural networks. Experimental results show that the method can significantly improve the accuracy of prediction of academic performance. At the same time, a method for judging the main influencing factors of performance is further proposed.

Key words: LSTM, academic performance prediction, student emotion, student behavior

中图分类号:

G434

曹洪江, 谢金. 基于LSTM的学习成绩预测及其影响因素方法研究[J]. 北京邮电大学学报(社会科学版), 2020, 22(6): 90-100.

CAO Hong-jiang, XIE Jin. LSTM-based Learning Achievement Prediction and Its Influencing Factors[J]. Journal of Beijing University of Posts and Telecommunications(Social Sciences Edition), 2020, 22(6): 90-100.

参考文献

［1］陈曦,梅广,张金金,等.融合知识图谱和协同过滤的学生成绩预测方法［J］.计算机应用,2020,40(2):595-601.
［2］ AL-BARRAK M A, AL-RAZGAN M. Predicting students final GPA using decision trees: a case study［J］. International Journal of Information and Education Technology, 2016, 6(7): 528-533.
［3］ UMARIR S, SHARIF M M. Predicting Students Grades Using Artificial Neural Networks and Support Vector Machine［M］.Encyclopedia of Information Science and Technology(Fourth Edition), 2018: 5169-5182.
［4］申航杰,琚生根,孙界平.基于模糊聚类和支持向量回归的成绩预测［J］.华东师范大学学报：自然科学版,2019(5):66-73,84.
［5］张麒增,戴翰波.基于数据预处理技术的学生成绩预测模型研究［J］.湖北大学学报：自然科学版,2019,41(1):101-108.
［6］叶俊民,罗达雄,陈曙.基于短文本情感增强的在线学习者成绩预测方法［J］.自动化学报,2019,46(9):1-15.
［7］王改花,傅钢善.网络学习行为与成绩的预测及学习干预模型的设计［J］.中国远程教育,2019(2):39-48.
［8］吴青,罗儒国.基于在线学习行为的学习成绩预测及教学反思［J］.现代教育技术,2017,27(6):18-24.
［9］ YANG T Y, BRINTON C G, JOE-WONG C, et al. Behavior-based grade prediction for MOOCs via time series neural networks［J］. IEEE Journal of Selected Topics in Signal Processing, 2017, 11(5): 716-728.
［10］ POLYZOU A, KARYPIS G. Grade prediction with models specific to students and courses［J］. International Journal of Data Science and Analytics, 2016, 2(3-4): 159-171.
［11］张甜,尹长川,潘林,等.基于改进的聚类和关联规则挖掘的学生成绩分析［J］.北京邮电大学学报(社会科学版),2018,20(2):91-96.
［12］赵帅,黄晓婷,卢晓东.情感指数对MOOC学生成绩的预测研究［J］.中国大学教学,2019(5):66-71.
［13］郎波,樊一娜.利用学习向量化样本分类的在线学习成绩预测［J］.计算机系统应用,2019,28(3):215-222.
［14］ LIPTON Z C. The mythos of model interpretability［J］. Queue, 2018,16(3): 31-57.
［15］ POLYZOU A, GEORGE K. Grade prediction with course and student specific models［J］. Pacific-Asia Conference on Knowledge Discovery and Data Mining,2016,4(12):89-101.
［16］ SWEENEY M, RANWALA H,LESTER J, et al. Next-term student performance prediction: A recommender systems approach［EB/OL］.(2016-04-07)［2020-05-20］. https://arxiv.org/abs/1604.01840.
［17］ LIVIERIS I E. Predicting students′ performance using artificial neural networks［C］.Volos,Greece: Information & Communication Technologies in Education,2012:312-328.
［18］ HU Q, POLYZOU A, KARYPIS G, et al. Enriching course-specific regression models with content features for grade prediction［C］.Piscataway,NJ:IEEE, 2017: 504-513.
［19］ KINGMA D P, BA J. Adam: A method for stochastic optimization［EB/OL］.(2017-01-30)［2020-05-20］. https://arxiv.org/abs/1412.6980.

[1]	黄淼. 电商短视频的媒介可供性分析——基于快手美妆主播的文本挖掘[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 1-9.
[2]	梁爽. “场景+”模式下面向用户的媒介技术互动与传播规则重建[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 10-16.
[3]	傅魁, 殷晓岩, 王乾. 基于LSTM的多特征股票趋势预测研究[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 17-27.
[4]	程希. 产品服务系统与服务设计研究综述[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 61-73.
[5]	万岩, 杨悦钊, 李明慧. 国外人工智能伦理知识结构、研究概览与跨学科研究启示[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 74-86.
[6]	陈冬林, 郭娟, 郭萌 . 农村振兴中资助信号博弈研究[J]. 北京邮电大学学报(社会科学版), 2020, 22(5): 99-106.
[7]	田祖海, 吴雅静. 自由贸易协定对中国制造业出口的影响研究：基于“一带一路”沿线国家数[J]. 北京邮电大学学报(社会科学版), 2020, 22(4): 17-26.
[8]	刘树林, 张晟嘉. 营商环境评价体系的构建与研究——基于熵权TOPSIS法[J]. 北京邮电大学学报(社会科学版), 2020, 22(4): 27-36.
[9]	齐佳音, 胡帅波, 张亚, . 人工智能聊天机器人在数字营销中的应用：文献综述[J]. 北京邮电大学学报(社会科学版), 2020, 22(4): 59-70.
[10]	胡桃, 郑君臣. 高校电子商务专业核心课程教学评价体系探究[J]. 北京邮电大学学报(社会科学版), 2020, 22(4): 103-111.
[11]	黄逸珺，靳晓晶，李琳. 欠发达地区义务教育应用MOOC的学习意愿影响因素研究[J]. 北京邮电大学学报(社科版), 2020, 22(1): 87-97.
[12]	熊莺,徐静,李颖臻. null[J]. 北京邮电大学学报(社科版), 2019, 21(6): 1-10.
[13]	魏龙，杨晖. 服务外包对中国制造业出口复杂度影响的研究[J]. 北京邮电大学学报(社科版), 2019, 21(6): 46-57.
[14]	彭若弘，苏玉苗. 创新补贴、税收优惠与高新技术产业研发产出[J]. 北京邮电大学学报(社科版), 2019, 21(6): 77-89.
[15]	张爱华，陈超雨. 基于文本分析的中国5G产业发展研究——市场主体视角[J]. 北京邮电大学学报(社科版), 2019, 21(6): 90-102.

基于LSTM的学习成绩预测及其影响因素方法研究

LSTM-based Learning Achievement Prediction and Its Influencing Factors

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价