| 邓正杰, 杜沥沥, 李志瑞, 张君度.一种基于机器学习的学生成绩预测方法[J].海南师范大学学报自科版,2026,(1):110-118 |
| 一种基于机器学习的学生成绩预测方法 |
| A Student′s Score Prediction Method Based on Machine Learning |
| |
| DOI：10.12051/j.issn.1674-4942.2024.04.014 |
| 中文关键词: 随着大数据技术在教育领域的深度渗透，教育大数据已成为学界研究热点。然而，当前高校积累的海量教育数据尚未得到充分挖掘，其在学生个性化学习支持方面的应用仍面临诸多瓶颈。针对这一现实困境，本文提出一种融合Gap 值、ISSA K-means 聚类与反比加权法的数据分析模型，旨在为课程教学优化提供精准的数据支撑。该方法首先对学生成绩数据进行学期维度的切分处理，继而依托聚类算法实现学生群体的精准分类，最终基于成绩相似性完成学生学业表现的预测。实验结果表明，与传统算法相比，所提方法在聚类精度与成绩预测效能上均展现出显著优势 在处理大规模学生成绩数据集时，该方法能够高效识别学业成绩的动态变化趋势，为教学管理部门制定针对性指导策略提供科学的决策依据，也为提升高校教学管理的精准化与智能化水平提供了全新的技术路径。 |
| 英文关键词: 成绩预测 课程数据分析 机器学习 聚类算法 |
| 基金项目:海南省高等学校教育教学改革研究项目（Hnjg2023-49，Hnjg2020ZD-14，Hnjg2021-37）；海南省高等学校科学研究项目（Hnky2023ZD-7）；海口市重大科技计划项目（2022-007，2020-006）；海南师范大学教育教学改革研究项目（hsjg2023-08） |
|
| 摘要点击次数: 431 |
| 全文下载次数: 120 |
| 中文摘要: |
| 随着大数据技术在教育领域的深度渗透，教育大数据已成为学界研究热点。然而，当前高校积累的海量教育数据尚未得到充分挖掘，其在学生个性化学习支持方面的应用仍面临诸多瓶颈。针对这一现实困境，本文提出一种融合Gap 值、ISSA K-means 聚类与反比加权法的数据分析模型，旨在为课程教学优化提供精准的数据支撑。该方法首先对学生成绩数据进行学期维度的切分处理，继而依托聚类算法实现学生群体的精准分类，最终基于成绩相似性完成学生学业表现的预测。实验结果表明，与传统算法相比，所提方法在聚类精度与成绩预测效能上均展现出显著优势；在处理大规模学生成绩数据集时，该方法能够高效识别学业成绩的动态变化趋势，为教学管理部门制定针对性指导策略提供科学的决策依据，也为提升高校教学管理的精准化与智能化水平提供了全新的技术路径。 |
| 英文摘要: |
| With the in-depth application of big data technology in the field of education, educational big data has gradually become a research hotspot. However, the large amount of data accumulated by universities has not been fully exploited, and it still faces many challenges in providing personalized learning support for students. In response to this situation, this paper proposed a data analysis method based on Gap value, ISSA K-means clustering and inverse weighted method, aiming to provide data support for course teaching. This method divided the student's score data by semester, classified students using the clustering algorithm, and then further predicted the student's score based on the similarity of scores. Experimental results showed that compared with traditional algorithms, this method demonstrated significant advantages in clustering analysis and score prediction. When dealing with large-scale student score data, it can effectively identify the trend of score changes and provide targeted teaching guidance decision support, providing a new solution for improving the accuracy and efficiency of teaching management. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
