基于高校学生数据的成绩预警研究及系统实现
这是一篇关于特征提取,成绩预测,成绩预警系统的论文, 主要内容为随着教育大数据的不断发展,越来越多的研究者投入到这一研究领域。成绩预测作为该领域的一个重要分支,成为了研究者们关注的热点。本文主要从学生的在校数据提取特征,建立成绩预测模型,并在此基础上设计实现成绩预警系统,用来帮助辅导员更好的管理学生的学习,帮助学生顺利完成学业。具体的工作内容如下所述:(1)本文通过ETL工具采集学生一卡通消费数据,图书馆门禁数据,图书馆借阅数据,校园网日志数据,从这些数据中提取学生的行为特征,如周内进馆天数,图书借阅次数,消费次数,早餐规律性等,将提取的这些特征与学生的成绩进行相关性分析,找出了影响学生成绩的特征。(2)本文基于Stacking集成学习方法构建成绩预测模型。因为数据是非均衡的,所以使用Smote算法对数据进行过采样操作。为了减少冗余的特征并提升模型的分类性能,使用TMGWO算法对数据进行特征选择,原始TMGWO算法使用准确率作为适应度函数,针对非均衡数据评估,本文对算法进行了改进,使用F1-Score作为TMGWO算法的适应度函数,来评估所选特征,通过对比实验验证改进的有效性。最后,本文构建的成绩预测模型在测试集上得到了87%的准确率和0.8的F1值。(3)本文根据构建的成绩预测模型设计并实现了成绩预警系统。该系统是基于B/S架构实现的,并且使用了前后端分离技术。该系统的主要用户为辅导员和学生。辅导员通过该系统可以查看学生的预警信息和历史成绩,当学生被预警时,辅导员可以通过该系统向学生发送邮件,提醒学生。学生通过该系统可以查看自己的成绩预警情况和历史成绩信息等。
基于SpringBoot的某综合训练平台成绩分析与预测系统设计与实现
这是一篇关于数据分析,数据可视化,SpringBoot,多元线性回归,成绩预测的论文, 主要内容为近年来,随着商业活动需求的增多,依托互联网技术形成的高度数字化市场迅速发展。为了更清晰、更准确地实现传统业务应用的数据传输与资源的交换共享,使各种复杂数据更具辨识性和可分析性,数据分析技术和数据可视化技术应势而生。许多公司和企业已将其应用到决策管理中,既提高了经济管理效益和人才管理效益,又增强了管理的科学性。同时,作为国家安全和军工技术的重要保障,许多军工科研所也在逐步将数据分析技术与数据可视化技术应用到统筹管理中,以期为军工科研提供准确数据支持,实现产品研发模式的自我革新。根据某科研所中学员训练项目的特点,本文设计了一套基于B/S架构的数据分析与预测系统,分别从数据采集、需求分析、前后端架构设计、数据库设计和功能模块研发等方面,对系统的具体开发流程进行了完整的阐述。本文论述了学员训练成绩的数据来源,将学员训练成绩划分为基础成绩、理论成绩、模拟训练成绩和其它成绩四种类型,并根据这四种成绩的共有信息,将它们进行多维度地分析设计。此外,在四类成绩中,模拟训练成绩占有特殊的重要意义。一方面,为了提高模拟训练成绩数据分析的准确性,系统增加了小组对比的分析面,通过组间对比和组内对比,可以分析出小组之间和组内成员之间的训练情况,为学员的培训提供直观的决策支持。另一方面,为了更好地判断学员模拟训练成绩的走向,系统在历史成绩统计的基础上,建立了多元线性回归模型,对模拟训练成绩的数字特征进行挖掘,实现了模拟训练成绩的预测分析。此外,本系统还综合了信息管理功能,对不同用户进行了权限管理,实现了从上到下的分层部署,在客观评分的基础上,增加了主观评分的因素,更加科学合理地完善了评分机制。最后,本文从运行环境和功能用例两方面对设计的系统进行了测试,并对现有系统的特点和不足做出了总结和展望。在保障系统安全和稳定的基础上,本文对比了前人的研究状况。为了解决传统军工企业系统基于JSP或Thymeleaf模板开发导致的“高耦合”、“低内聚”、“前后端难分离”等问题,本文采用了SpringBoot+Nginx+Vue的技术体系,融合Restful思想,不仅实现了前后端的完全分离,便于多维度的分析需求开发,而且提高了系统的延展性,为系统的升级和迭代提供了功能接口。
基于MOOC视频字幕和学习数据的自动评测模型和算法研究
这是一篇关于慕课,知识图谱,自动出题,自动组卷,遗传算法,成绩预测的论文, 主要内容为慕课是近几年出现并且发展非常迅速的一种在线学习课程,它将教育资源以视频、博客、文档等形式通过互联网传播给每一个人,使得学习变得更加容易和方便,在高等教育领域影响较大。MOOCs学生数量的大规模增加使得其评测反馈系统的自动化变得越来越重要,因此本文围绕MOOCs评测系统中出题和组卷两个任务的自动化开展了一系列的研究,其中主要工作和创新点包括:·本文创新性地提出了一种基于MOOCs视频字幕的自动出题算法。先基于维基知识图谱对视频字幕进行结构化,提取出感兴趣的知识实体及其相互关系,构建课程知识图谱;然后用基于模版的出题算法从课程知识图谱中自动生成测试题目。在公开数据集Simple Questions上的实验结果表明,我们提出的基于模版的自动出题算法可以有效地改善题目的准确性和可理解性,其中准确率比其他方法提高了6.99%(评价指标为BLEU)。·本文创新性地提出了一种由MOOCs学生平时学习数据所驱动,基于遗传算法的自动组卷模型。在该模型中,我们先根据学生的平时学习数据预测其学习效果,进而决定试卷的整体难度要求;然后用遗传算法从题库中找到合适的题目组合,使得其难度、知识点分布、题型分布等都基本满足目标约束。在MOOCs课程上的实验结果表明,预测模型的平均绝对误差在百分制的情况下为10分左右,并且算法可以在多个目标约束下成功完成组卷任务。综上,本文设计并实现了一套基于MOOCs视频字幕和学生学习数据的自动评测模型,为MOOCs评测反馈系统的自动化、自适应化作出了贡献。
基于高校学生数据的成绩预警研究及系统实现
这是一篇关于特征提取,成绩预测,成绩预警系统的论文, 主要内容为随着教育大数据的不断发展,越来越多的研究者投入到这一研究领域。成绩预测作为该领域的一个重要分支,成为了研究者们关注的热点。本文主要从学生的在校数据提取特征,建立成绩预测模型,并在此基础上设计实现成绩预警系统,用来帮助辅导员更好的管理学生的学习,帮助学生顺利完成学业。具体的工作内容如下所述:(1)本文通过ETL工具采集学生一卡通消费数据,图书馆门禁数据,图书馆借阅数据,校园网日志数据,从这些数据中提取学生的行为特征,如周内进馆天数,图书借阅次数,消费次数,早餐规律性等,将提取的这些特征与学生的成绩进行相关性分析,找出了影响学生成绩的特征。(2)本文基于Stacking集成学习方法构建成绩预测模型。因为数据是非均衡的,所以使用Smote算法对数据进行过采样操作。为了减少冗余的特征并提升模型的分类性能,使用TMGWO算法对数据进行特征选择,原始TMGWO算法使用准确率作为适应度函数,针对非均衡数据评估,本文对算法进行了改进,使用F1-Score作为TMGWO算法的适应度函数,来评估所选特征,通过对比实验验证改进的有效性。最后,本文构建的成绩预测模型在测试集上得到了87%的准确率和0.8的F1值。(3)本文根据构建的成绩预测模型设计并实现了成绩预警系统。该系统是基于B/S架构实现的,并且使用了前后端分离技术。该系统的主要用户为辅导员和学生。辅导员通过该系统可以查看学生的预警信息和历史成绩,当学生被预警时,辅导员可以通过该系统向学生发送邮件,提醒学生。学生通过该系统可以查看自己的成绩预警情况和历史成绩信息等。
基于知识图谱的成绩预测研究
这是一篇关于知识图谱,高等教育,成绩预测,学业预警的论文, 主要内容为在与教育相关的研究中,学生的学业成绩往往被视为衡量其学习成果和综合素质的重要标志之一。通过研究学生的学习表现,不仅能够对学生学习情况进行提前干预,同时也能为培养计划设置提供科学的依据。本文以此为切入点,将知识图谱融入到成绩预测的流程之中,利用知识图谱丰富的语义关系挖掘不同课程之间的语义联系,并通过实体关系抽取对课程之间的先后修关系进行梳理细化,提高成绩预测的准确度与预测结果的可解释性。本文主要做了两方面的工作:完成计算机专业课程知识图谱的构建;提出基于课程知识图谱的学生成绩预测方法并验证其有效性。首先,根据某高校计算机学院本科生培养计划,从MOOC网站爬取对应的国家精品课程的课程介绍与学习引导文本。将爬取得到的非结构化课程介绍与学习引导文本使用中文停用词表和自行构建的计算机专业词汇表进行预处理,通过TF-IDF(Term Frequency–Inverse Document Frequency)算法计算关键词权重,输出权重TOP20的知识点完成课程知识点的提取。通过机器学习方法与规则相结合的方法抽取参考书籍与课程先后修关系,使用上述知识点、参考书籍与课程先后修关系组成的三元组信息基于Neo4j图数据库构建计算机专业课程知识图谱。其次,本文基于以上课程知识图谱提出一种成绩预测方法(Achievement Prediction Model Based on Knowledge Graph,AP-KG),使用知识表示模型将课程知识图谱进行低维嵌入,通过距离模型计算嵌入向量的相似度,得到课程之间的相似矩阵;将基于知识图谱计算得出的课程语义相似度与协同过滤推荐算法计算得到的相似度进行融合,基于融合相似度完成学生成绩预测,从语义关系的维度改善协同过滤推荐算法没有利用被推荐对象语义关联的缺陷,在提升预测结果准确度与可解释性的同时可在一定程度上缓解其数据稀疏性和冷启动问题。最后,通过多组对比实验验证,在学生成绩数据集上,AP-KG比其他九种经典的推荐算法表现更好,均方根误差(Root Mean Square Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)均有明显下降,成功验证了AP-KG成绩预测方法的准确性与有效性,在提高预测结果准确性的同时提高了预测结果的可解释性,对推动智慧校园建设和保障高校人才培养质量具有一定意义。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/49914.html
