EMT:合奏Meta-Based树模型预测学生成绩

文摘

近几十年来,预测学生在学术领域的性能已经揭示了研究人员的关注增强弱点和为未来的学生提供支持。为了促进任务,教育数据挖掘(EDM)技术用于构建预测模型由学生学术历史记录。这些模型目前嵌入式知识由人类可读性更强,可判断的。因此,本文提出了贡献三折叠,包括以下几点:(i)提供了一个深入分析选择的特性及其对性能的影响值使用统计分析技术,(2)建设和学习性能的几个来自不同家庭的机器学习分类器(ML)技术,(3)提出一个meta-based树模型(EMT)分类器技术来预测学生的表现。实验结果表明,EMT的整体技术获得高精度性能达到98.5%(或0.985)的风险。此外,拟议的EMT技术获得高绩效是更好的结果比其他技术。

1。介绍

日益扩张的大型数据仓库的必要性分析数据和提取有用的信息成为一个常见的问题,丰富考试很多研究者的学术话题(1]。数据挖掘技术作为分析工具来提取隐藏的知识从这样的数据仓库模型的形式2,3]。部署,有许多应用领域,适应数据挖掘技术在他们的系统,如财务、市场营销、经济、电信、医药、医疗、和学生成绩的应用程序(4]。然而,由于学生的性能预测的重要性和数字化系统的大学,学术机构建立一个大型的数据量有关学生使用电脑形式[5,6]。就为这些学术机构基本传输大量的数据和操作到有用的知识7]。这个旨在帮助教师、员工和部门通过分析数据来促进他们的任务。因此,知识教育起着至关重要的作用,推动车轮进一步通过提供或提取重要的知识5)通过使用数据挖掘方法(7]。

教育数据挖掘(EDM)是一个成熟的领域,关注的过程中应用数据挖掘技术,如分类或聚类教育数据,以更好地理解学习的过程和学生的成绩(8,9]。这是由发现的知识解释和理解人类[10]。特别是,分类技术是用来分析教育数据来预测学生的学习成绩。这些结果提高大学的整体性能和提供一个更成功的学习环境10]。

学生成绩预测的问题,因此,制定作为输入特性,比如GradeID,话题,举起双手连同相关的标签。的特性代表学生历史数据的分析,而标签代表的实际性能。观察记录表示一个分类器的训练集。特别是,制定如下:假设有一组学生年代∈(年代)及其历史学业成绩记录r∈(R)聚集在特定的学期。提取相关的特性R为每一个学生φ(F₁,F₂,F₃、…F_n),它们与学术相关的性能P(年代),以便建立一个训练集Ts。分类器是由映射的集合特性到他们使用训练集对应的标签值Ts:

学术机构的目标是提高学生通过监测他们的历史记录的性能在不同的学期。过程消耗时间和精力收集此类信息为决策对很多学生来说尤其如此。许多作品揭示了不同的方法,可以帮助提供一个决定对提高学生成绩。这些方法依赖于构建分类器模型,同时确定未知的学生使用更少的性能特性。尽管这些技术在改善预测性能产生影响,他们不提供一个全面的和统一的方法,准确地确定性能。因此,贡献组成三个褶皱包括三个研究问题如下:(1)研究从学生历史的学术记录和分析提取的不同特性之间的相关性和关系的特性和它们的标签(或学生成绩)。这些相关性决定特性预测学生成绩的重要性。RQ1:什么是提取的特征和学生成绩之间的关系,以建立预测系统?(2)几毫升技术从不同理论家庭检查预测学生成绩表明多样性是如何使用这些技术以及在多大程度上他们帮助提高性能。RQ2:如何有效的运用各种毫升技术在预测学生的学习成绩,如何利用技术来提高性能的新学生吗?(3)提出的方法结合了两种分类技术。的方法是假设系综分类器的性能结果由不同的技术比使用一个简单的分类模型的技术。提出的模型称为EMT预测模型是建立在与深入分析其在学术表现学生训练集。RQ3:什么是EMT的预测性能技术评估学生成绩?

本文的组织结构如下:部分2讨论相关工作和澄清这个弱点,推导的假设提出技术。部分3礼物的方法提取的特征,研究检查了ML技术和建立一个基于集群的预测模型。部分4调查实验设置,结果,讨论,其次是结论和未来的工作部分5。

2。相关工作

出现了一些研究来提高学生成绩(5,11,12]。这些要么专注于变异因素对学生的影响性能或创建一个适当的分类模型来预测未来未知的性能。因此,本节讨论两个方面的大量研究。

2.1。学生成绩的因素

在文献中,有许多特性,研究了影响学生的最终预测结果。表1总结了大多数特性被用来预测学生的表现。对学生的历史记录和提取这些特性被用作构建预测模型的输入。

研究人员调查了影响学生的学业成绩的因素,特别是那些低学业成绩的教育机构,如表所示1。聚集的因素在学生的学术生活包括CGPA(平均成绩),内部评估、学生的人口统计信息、外部评估、课外活动、高中背景、社会互动网络,和心理。回顾了研究的最常见的因素是CGPA,内部评估和学生的人口统计信息,如性别、年龄、收入和工资。在尊重其他因素,外部也用来预测评估学生的表现,包括学生在类的行为。的其他重要因素没有在以前的研究中经常是课外活动,高中背景、社交网络和心理。

2.2。预测方法

领域的重要方面有更多的关注学生成绩预测的预测模型用于分类的学生成绩。有变异的ML技术分为一组家庭,每个家庭反映了一个特定的理论观点。EDM领域作为讨论的介绍,研究了不同的ML技术来确定这些技术获得高精度预测未来表现的学生(7]。表2总结了最常用的分类算法,用来预测在教育学生成绩数据集;一些作品被调查找到最好的算法,可以用来预测未来学生成绩。

罗梅罗et al。28)发现,序列最小优化(SMO) NaiveBayesSimple和BayesNet技术对准确性和F-measure最高价值。恢复性et al。15]表明,神经网络和朴素贝叶斯分类模型使用击打技术在不平衡数据集有一个75%的准确性,而朴素贝叶斯模型和神经网络模型离散化方法时产生几乎相似的精度水平。通过应用决策树,结果表明,C4.5,购物车,ID3分类器的预测性能最好的学生(31日]。

进行的一项研究[20.)比较C4.5多层感知器和朴素贝叶斯。结果表明,朴素贝叶斯方法在其他分类器之间具有良好的预测精度。同样,决策树模型(REPTree)有一个最高的预测精度(17]。

最近许多研究人员在他们的论文,如表所示2,取得了重大成果,在他们了解适当的因素,影响学生的成就。同样,他们显示所有分类器可以预测学生成绩与合理的结果。此外,选择最合适的技术是不一样的在先前的研究,因为他们在不同的上下文中有不同的数据集,如表所示1。

3所示。合奏Meta-Based树模型

学生在学术机构的性能提供了一个指示的多少努力这样的机构必须保持改善低甚至中性能。使用毫升技术的重要性,利用学生的历史数据来预测未知或未来表现,见证了一个直观的关注激励我们构建一个模型来预测未来的未知标签实例。该方法被称为EMT是一个技术相结合作为最终的选择最佳技术预测模型。提议的方法是按照显示技术是如何构建一个精确的方式。由三个折叠方法包括预处理阶段,施工阶段、评估阶段,如图1。这些阶段帮助增加EMT模型性能来预测学生的表现。每个阶段讨论如下。

3.1。预处理阶段

构造模型的性能预测取决于历史记录的学生作为训练集。因此,收集这些记录显示至关重要为了增加构造模型的准确性。聚合过程的记录进行各种技术,如学生的采访,问卷调查,在线学生评价,等等。在大多数情况下,组织以非结构化形式的历史记录,文件等提取的任务变得更为复杂的模式。因此,将文档转换为一个适当的结构形式简化了ML的工作在构建预测模型。训练集维护一组特性从文件中选择(或学生记录)的480条记录的学生成绩水平低(≤69%),中间水平小于或等于89%(70%),和高水平(90%小于或等于100%)(10]。数据集包括十六个属性从一个预先登记学生信息登记机关。这些属性是聚集在一个学术学期。干净的数据集,不一致等异常值和缺失值删除。数据集属性和400年减少到13日记录,结果如表所示3(更多的描述,请参阅附录一个)。

3.2。构建阶段

训练集可以用于构建学生成绩的预测模型。有一组来自不同家庭的ML技术可以用来构建预测模型。这些家庭互相区分理论过程中用于构建模型。这些模型可以被部署在系统分类未来的实例。机器学习技术从空间构造一个假设的假设使用训练集,每个假说表示为一个数学模型(或模式)的输入实例映射到输出标签。在机器学习中,有模型分为一组相同的理论,但在技术部分存在着细微的差别。在这篇文章中,一组来自不同家庭的学习技术选择。分类器的家庭的角度总结了如下也用于相关工作(32]:(1)贝叶斯:这是一个家庭,依赖于概率理论来构建分类器。这个家族建立在一种基于规则的分类器或网络模型反映类给定的特定功能的概率。特别是使用先验概率模型,观察各种数据的概率假设,以及观察到的数据本身NaiveBayes和BayesNet等施工过程。(2)功能:这个家庭的目标是构造一个分类器模型的功能。功能包括输入特性和输出标签。有许多种技术的输入映射到输出,如使用前馈神经网络和反向传播方法更新网络,为了提高预测减少损失函数的误差。的其他技术还包括物流(回归),支持向量机(即。、超平面)等。(3)懒惰的:分类器模型使用训练集来找到最相似的输出标签共同训练集的标签。例如,未来实例特性与训练集的特征相比,最相似实例的标签是用来预测未来价值的实例。这个家庭中有一组技术如IBk KStar,低潮位。(4)元:这个家庭表明使用一组整体技术提高预测模型的性能。值得注意的是,系综分类器是由一组弱学习分类器相结合,通过投票或结果的加权技术。每个分类器是由使用训练集的随机样本。在这个家庭有许多技术如演算法、装袋,LogitBoost。(5)树:这个家庭构建分类器的形式除了离开树的节点代表属性节点代表了标签,而弧(或边缘)表示该属性的值。属性选择使用不同的方法,这依赖于信息熵反映了属性的重要性较低的混乱。有一组技术,区分彼此的选择方法,如决策树(或J48),航空航天,和随机森林。

EMT是一个整体包装技术,它结合了两种方法提高和整个家庭的最好的ML技术预测模型如图1。提高方法是最受欢迎的和强大的数据挖掘算法,获得较高的预测性能通过结合几个弱的学习者。这是一个迭代过程,生成一个分类器作为一个弱学习者在每个迭代。然后,一提高分类器结合了这些薄弱的学习者和每个学习者的重量系数与高精度性能强大的预测模型。摘要AdaboostM1方法用于训练多个学习者解决学生问题的预测性能。这些学习者的最佳预测模型选择EMT的两个方法。另一方面,装袋方法评估的输出弱学习者使用两种技术。涉及的技术投票和平均方法。在投票的方法中,最受欢迎的一类弱的学习者作为最终输出结果装袋学习者,而平均方法估计弱学习者的平均值作为最终输出。

总之,EMT技术结合了整个家庭的最佳分类器在同一训练集与最好的学习者AdaboostM1方法作为装袋技术使用两种技术之间的投票方法。

3.3。评估阶段

为了评估EMT技术来概括它未来的情况下,使用10倍交叉验证技术。评价模型的部分在图1证明了这种技术。如图所示,每10部分持有相同数量的实例划分以随机的方式。在每个迭代中,一部分作为验证集,而其他部分则结合作为训练集。因此,该训练集用于构建分类器,而验证集是用来评估分类器的预测实例的类。,一组评价指标还用于检查构造分类器的性能在每个迭代模型。然而,所有迭代的评估值平均为最终输出评估度量值作为估计值的分类器的性能。在评价指标的角度来看,一系列的评价指标用于评价急诊医疗技术,精度,F-measure,中华民国指标。精度度量代表正确分类的实例数量在所有实例使用三个类,低、中、和高性能。F-measure是一个评价指标相结合,获得两个评价指标的好处,精度和召回。精度(也称为阳性预测值)的比例是检索的相关实例,同时召回(也称为灵敏度)的比例和相关实例检索所有相关的总数。中华民国区域(或曲线)是用于检查分类器如何区分正面和负面的实例和确定一个阈值分离:

TP是指真阳性,实例的数量,正确地贴上属于积极的类。TN是指真正的负面,这是消极的实例的数量,正确归类为负。FP是假阳性,阳性的数量被错误地归类为负。FN指假阴性,这是消极的实例的数量错误归类为积极。

4所示。结果与讨论

实验结果进行的研究问题,确保该技术预测学生性能高效的性能。研究问题明确了三个重要问题,即(1)特性分析、(2)分析预测模型,和(3)提出了一种叫做合奏meta-based树模型(EMT模型)。

4.1。特性分析

为了评估的特性和检查他们对学生学业成绩的影响(即。类标签),皮尔森相关法作为一种分析技术(33]。图2显示的结果进行皮尔逊相关法来预测学生的最终成绩。属性访问资源的占0.436,学生缺席天得到0.399的系数,提高手获得0.376,声明视图达到0.33,关系的因素得到0.312,0.272家长回答调查获得的属性,家校满意度的因素得到0.196,性别的属性得分0.164,0.160属性的讨论占据,舞台属性得分0.077,学期因素占0.075,最后得到0.06主题因素。结果表明,预测变量或(有统计学意义的关联类值值< 0.01)。

结果,如图2所有独立之间,反映强烈的正相关性属性和属性(或类)的依赖。介于0.06作为最小值之间的相关性为主题和0.436的最高价值访问资源。值得一提的是,访问资源高度的因素影响学生的最终结果,事实证明,它高度影响他们的最终结果,它可以提高他们获得中等或高的结果,而不是得到低的结果。因此,学术机构必须关注这个因素通过促进这项服务,并鼓励他们的学生访问可用资源。另一方面,这个话题表示低相关性由于各种课程的内容依赖于教师教学大纲和方法使用在类。这些结果可以帮助教师、管理人员和决策者关于学习过程做出更好的决定。最后,这些结果肯定地回答RQ1每个因素以不同的方式表现相关预测类。

4.2。预测模型分析

最近许多研究人员在他们的论文中有显著的结果在理解适当的因素影响学生的成就。问题是这些因素会影响多少分类方法。在本节中,47个分类技术进行使用的数据集。这个数据集的因素提取的特征随着标签代表学生成绩。为了评估分类技术,评估阶段之后的讨论部分3。如表所示4,分类器获得一致的结果F-measure和精度的措施。这些结果表明,提取的特征有一个角色演变的预测模型学生历史记录合理的准确性。

关于分类结果,表4显示了不同家庭的最佳算法,每个家庭的行为以不同的方式从训练集提取模式。每个家庭毫升技术遵循一个理论框架来构建所需的模型。因此,它是正常的,以不同的方式构造模型的行为识别(即目标类。,低,中,高),并提供多样化的结果。每个家庭都有一个模型与最佳结果(规则),其中包括部分A2DE(贝叶斯),多层感知器(函数),LocalKnn(懒),和J48(树木)算法为91.8%,89.5%,91%,92.8%,和94.3%的准确率分别(见附录B)。最有效的家庭在预测学生成绩是树的家庭比其他家庭在准确性和F-measure高价值。特别是J48算法优于整个46后与一致的结果来自不同家庭的分类器应用的交叉验证方法377正确分类的实例400实例,这是94.3%。一致的结果树的家族与特征选择标准,用于选择构建树模型的相关特性。最相关的特征选择是树的根,如访问资源,而选择其他功能随后基于它们的有效性,直到叶节点代表决定类。毫升的分析技术和检查的影响来预测学生的表现让我们回答的研究问题RQ2。问题研究的能力毫升技术在电火花部署在学术机构系统。因此,最好是找到最有前途的和优越的技术在一个特定的学校。

4.3。合奏Meta-Based树模型

拟议的EMT模型基本上结合了两种一致的ML技术投票装袋技术。这个想法来自于聚合成一个最有效的算法技术,增强预测模型。EMT的技术执行作为一个整体的方法得到更准确的预测结果比传统的学习方法,学习者关注一个算法(34,35]。

表5显示的结果使用的最佳分类器不同家庭单独和功能在促进和包装方法。如图所示,提高分类器的方法揭示了高精度与装填方法使用精度相比,F-measure,民国面积指标。特别是J48分类器获得一致的结果当它被用作函数称为Adaboost_J48刺激方法,即从0.943到0.983增加了4.1%。因此,使用J48分类器作为促进函数方法是EMT的第一个函数模型结合的最佳分类器整体其他分类模型。

组合多个有效的分类器,而不是使用单一分类器为一个精确的预测模型将获得一个高的预测性能的学生(35]。于是,EMT模型集合体的一套更有效的分类器模型来源于聚合EMT的第一个函数模型与最好的树分类器使用投票方法的包装技术,如表所示6。结果介于0.95与Adaboost_J48 BFTree投票和0.985之间时,合奏NBTree用Adaboost_J48投票。NBTree算法的鲁棒性将朴素贝叶斯方法的决策树对提高性能指标。

图3描述结果关于学生在学术机构的性能。在图3(一个)并根据结果,NBTree分类器的准确性分数是0.925。结果在图3 (b)代表J48算法的输出。因为这个数字的准确的结果的数量增加,第二个图的总精度达到0.943。图3 (c)代表了混淆矩阵和EMT的性能模型。这个数字增加到0.985的准确性。这表明一个重要事实关于实际结果的改进和学生的切实改善性能。提出的这项研究指出发展学生成绩的准确性和预测,这是采用增加后的算法J48 NBTree在一起。反过来,这导致最高精度0.985,结果与观测精度结果后记录的使用J48算法单独或促进方法。

这里的问题是在使用EMT的价值有多少模型的性能预测方法的一种很有前途的学生。答案是证明,如表所示6和图3,特别是导致确认RQ3。这项工作的主要目的是提出更有效和准确的预测模型来提高教育机构通过部署模型的质量。这将被用来预测潜在的学生实现低性能和理解他们为什么取得了这样的结果。因此,EMT预测模型及其结果将有助于教师,管理员和决策者进行更好的决策特别是对于那些有望实现底层的性能(5,36]。这一决定旨在减少预期的潜在学生的数量可能达到低级的性能和发展学习系统通过添加新工具,提高学生的学业成绩(5]。

5。结论和未来的工作

教育数据挖掘(EDM)使用分析工具从利用数据挖掘领域探索的独特类型的学术领域的数据集。教育系统数据转换的工具,不是由人类可读可翻译的和有价值的信息,可能有一个大对教育研究的影响。摘要电火花字段是用来预测学生的学习成绩。维护分成三个折叠的贡献包括(i)研究一组特性,反映学生使用皮尔逊相关的性能,(2)评估一组学习模型使用毫升的技术,这些技术使用具体的数据集400实例收集在两个学期在构建阶段中使用(数据集包括十三个属性,从登记办公室,有预先登记学生信息和学生成绩低,中,高),以及(3)提出了一种预测模型来评估学生的表现在相同的数据集,称为EMT模型。EMT模型构造的结合是最有效的技术研究来自47个学习技巧。

然而,结果显示强劲的独立特性之间的相关性和学生的最终成绩范围在0.436和0.06之间,导致答案RQ1。基于10倍交叉验证方法,比较不同的ML技术。,一组评价指标用于评估这些技术,精度,F-measure,民国指标。结果发现,部分A2DE,多层感知器,LocalKnn,和J48算法精度值的91.8%,89.5%,91%,92.8%,和94.3%,分别选择不同的五个家庭的分类器保证的有效性RQ2。最后,根据前面的ML结果,选择了J48实现的主要目标RQ3。此外,实验结果进行提高结果选择最佳分类器J48运用整体法和投票结果与家庭树算法。结果显示显著改善使用提出了EMT模型算法。已经证明,该算法可以实现高达98.5%的准确性;结果,RQ3因此实现。

这项工作的主要目的是改善教育机构的质量。提出的改进是通过部署预测模型,可以用来预测学生的性能尤其是在低性能和理解这样的结果背后的原因。结果,该模型提供了学术机构,包括其管理和教师,准确评价学生在学习过程的早期阶段,以阻止他们获得一个低的结果。同时,它有助于更好地分配资源和人员,导致增加教育发展的有效性。

在未来的工作中,研究表明使用更多的功能检查等社交媒体的使用或保姆会如何影响学生的表现。此外,额外的实验可以使用等数据挖掘技术进行聚类。

附录

答:数据集的描述

在这项研究中,400名学生的记录和13个特征(或属性)作为数据集。数据集,如图4说明了特征的定义和类型及其分布范围值。

b .混淆矩阵结果最好的五分类器

在本部分中,采用混淆矩阵作为工具 分析 每个家庭的最佳 五 分类器通过比较实际和目标输出。 结果如图5表明,最好的分类器是A2DE,多层感知器,LocalKnn,和J48算法正确分类实例在367年,358年,364年,371年和377年,分别。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. s . Kalaivani b Priyadharshini, b . s . Nalini”分析基于数据挖掘的方法,学生的学习成绩”国际计算机科学和技术的创新研究》杂志上,5卷,不。1,第197 - 194页,2017。视图:出版商的网站|谷歌学术搜索
2. 达乌德,n . r . Aljohani r . a . Abbasi m . d . Lytras f·阿巴斯和j·s . Alowibdi“学生成绩预测使用先进的学习分析,”学报》第26届国际会议在万维网上,伴侣珀斯,澳大利亚,2017年4月。视图:出版商的网站|谷歌学术搜索
3. 罗伊和辛格、“新兴趋势的应用数据挖掘大数据在教育和学习分析”学报2017年第七届国际会议上云计算,数据科学和Engineering-Confluence2017年1月,诺伊达,印度。视图:出版商的网站|谷歌学术搜索
4. a . m·艾哈迈德·a . Rizaner, a . h . Ulusoy“使用数据挖掘预测教师表现,”Procedia计算机科学卷,102年,第142 - 137页,2016年。视图:出版商的网站|谷歌学术搜索
5. r·阿西夫•a . Merceron s a·阿里和n . g .海德尔”分析本科生使用教育数据挖掘性能,”计算机和教育卷,113年,第194 - 177页,2017年。视图:出版商的网站|谷歌学术搜索
6. j . a . Larusson和白色,学习分析:从研究到实践中去施普林格,卷。13日,柏林,德国,2014年。
7. m .钟旭z . m .尤索夫和m z . a . Nazri“教育数据挖掘大学生接受,”教育与信息技术,22卷,不。3、1195 - 1216年,2016页。视图:出版商的网站|谷歌学术搜索
8. r·s·j·d·贝克和k Yacef”, 2009年国家教育数据挖掘:回顾和未来的愿景,”JEDM教育数据挖掘》杂志上,1卷,不。1,3 - 17,2009页。视图:谷歌学术搜索
9. c·罗梅罗和s·文图拉,”教育数据挖掘:审核状态的艺术”IEEE系统,人,控制论,一部分C(应用程序和评论),40卷,不。6,601 - 618年,2010页。视图:出版商的网站|谷歌学术搜索
10. e·a·Amrieh t Hamtini, Aljarah,“挖掘教育数据来预测学生的学业成绩使用整体方法,”国际期刊数据库理论和应用,9卷,不。8,119 - 136年,2016页。视图:出版商的网站|谷歌学术搜索
11. m . Mayilvaganan和d . Kalpanadevi比较分类技术预测学生学习环境的性能,”学报2014通信和网络技术国际会议(ICCNT)2014年12月,Sivakasi,印度,。视图:出版商的网站|谷歌学术搜索
12. c·塔克,b . k . Pursel和a . Divinsky“网络公开课矿业学生文本数据和量化其对学生成绩的影响和学习结果,“电脑在教育杂志,5卷,不。4、84 - 95年,2014页。视图:谷歌学术搜索
13. d·m·d·安吉莉”的关联规则生成学生使用先验的算法性能分析,“SIJ事务在计算机科学工程及其应用(CSEA),1卷,不。1,12日至16日,2013页。视图:谷歌学术搜索
14. t . m .基督教和m .阿尤布“探索分类使用NBTree预测学生的表现,”学报2014年数据和软件工程国际会议(ICODSE)2014年11月,印尼万隆。视图:出版商的网站|谷歌学术搜索
15. S. T. Jishan, R. I. Rashu, N. Haque, 和 R. M. Rahman, “Improving studentsâ™ 最终 成绩 的 准确性 预测 模型 使用 最佳 宽度 相等 装箱 和 合成 少数 over-sampling technique,”决策分析,卷2,不。1,p。2015。视图:出版商的网站|谷歌学术搜索
16. d . k . f . Li面包干,f的歌,“预测学生学业成绩,”学报2013年第七次国际会议上复杂,聪明,和软件密集型系统(CISIS),台中,台湾,2013年7月。视图:谷歌学术搜索
17. Natek和m . Zwilling“学生数据挖掘solution-knowledge管理系统相关的高等教育机构,”专家系统与应用程序第41卷。。14日,第6407 - 6400页,2014年。视图:出版商的网站|谷歌学术搜索
18. z . k . Papamitsiou诉terzi, a“俭”家,答:“时间学习分析基于计算机的测试,”《第四国际会议上学习分析和知识美国印第安纳波利斯,在2014年3月。视图:出版商的网站|谷歌学术搜索
19. 美国本垫,n . Buniyamin p . m . Arsad和r·卡欣”的概述使用学术分析预测和改善学生的成就:提出主动智能干预”工程教育学报2013年IEEE 5日会议(冰)2013年12月,吉隆坡,马来西亚,。视图:出版商的网站|谷歌学术搜索
20. 大肠Osmanbegović和m . Suljić“数据挖掘方法对预测学生的性能,”经济评论,10卷,不。1、3 - 12,2012页。视图:谷歌学术搜索
21. 诉拉梅什、p . Parkavi和k . Ramar”预测学生成绩:统计和数据挖掘的方法,”国际期刊的计算机应用程序,卷63,不。8日,35-39,2013页。视图:出版商的网站|谷歌学术搜索
22. m·m·a·Tair和a . m . El-Halees”,挖掘教育数据来改善学生的性能:一个案例研究。”国际期刊的信息,卷2,不。2、140 - 146年,2012页。视图:谷歌学术搜索
23. 下午Arsad和n . Buniyamin”神经网络学生性能预测模型(NNSPPM)”学报2013年IEEE国际会议在智能仪器仪表、测量和应用程序(ICSIMA)、吉隆坡、马来西亚,2013年11月。视图:出版商的网站|谷歌学术搜索
24. a . Bogarin c·罗梅罗,r·塞雷佐和m . Sanchez-Santillan“集群改善教育过程挖掘”第四国际研讨会论文集学习分析和知识美国印第安纳波利斯,在2014年3月。视图:出版商的网站|谷歌学术搜索
25. c . Coffrin l·科林,p . de胡须和g·肯尼迪,“可视化网络公开课的学生参与和表现模式,”《第四国际会议上学习分析和知识美国印第安纳波利斯,在2014年3月。视图:出版商的网站|谷歌学术搜索
26. s . Parack z Zahid f .商人,“在教育数据库中数据挖掘的应用预测学术趋势和模式,”技术强化教育学报2012年IEEE国际会议(ICTEE)2012年1月,Amritapuri,印度,。视图:出版商的网站|谷歌学术搜索
27. t . Mishra d·库马尔和s·古普塔挖掘学生的数据预测性能”学报》2014年第四高级计算和通信技术国际会议(ACCT),Rohtak,印度,2014年2月。视图:出版商的网站|谷歌学术搜索
28. c·罗梅罗,我。洛佩兹,人类。卢娜,文图拉,“预测学生的最终性能从参与在线讨论论坛”计算机和教育卷,68年,第472 - 458页,2013年。视图:出版商的网站|谷歌学术搜索
29. g .灰色,c·麦吉尼斯,p . Owende”应用程序分类模型预测学习者发展高等教育,”学报2014年IEEE国际预先计算会议(IACC)的2014年2月,古尔加翁、印度。视图:出版商的网站|谷歌学术搜索
30. Hidayah, a . e . Permanasari和n . Ratwastuti”学生学业成绩预测分类在传统的教室,使用神经模糊”学报2013年信息技术和电气工程国际会议(ICITEE)2013年10月,日惹,印尼,。视图:出版商的网站|谷歌学术搜索
31. k . Bunkar英国辛格b·迪亚和r . Bunkar“数据挖掘:预测的性能改进研究生使用分类,”学报》2012年第九次国际会议上无线和光纤通信网络(WOCN),印多尔,印度,2012年9月。视图:出版商的网站|谷歌学术搜索
32. 伊恩·h·w·f . Eibe a h·马克和j·p·克里斯托弗,数据挖掘实用机器学习工具和技术,摩根Kaufmann出版商公司,伯灵顿,妈,美国第四版,2016年版。
33. m·阿瑟顿·m·沙阿,j·巴斯克斯,z格里菲斯b·杰克逊和c·伯吉斯”评估学生接触和使用学习分析开放存取学术成果使项目,“开放学习:《开放、距离和电子学习,32卷,不。2、119 - 136年,2017页。视图:出版商的网站|谷歌学术搜索
34. h·威滕,e·弗兰克·m·a·霍尔和c j .朋友数据挖掘:实用机器学习工具和技术摩根考夫曼,伯灵顿,妈,美国,2016年。
35. Z.-H。周,整体方法:基础和算法美国佛罗里达州波卡拉顿,CRC新闻,2012年。
36. A . m . Shahiri w·侯赛因,n . A·拉希德”回顾使用数据挖掘技术,预测学生的性能”Procedia计算机科学卷,72年,第422 - 414页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Ammar Almasri et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。