Predicting and Understanding Student Learning Performance Using Multi-Source Sparse Attention Convolutional Neural Networks

计算机科学 人工智能 Softmax函数 深度学习 机器学习 卷积神经网络 分类器(UML) 多任务学习 任务(项目管理) 经济 管理
作者
Yupei Zhang,Rui An,Shuhui Liu,Jiaqi Cui,Xuequn Shang
出处
期刊:IEEE Transactions on Big Data [Institute of Electrical and Electronics Engineers]
卷期号:9 (1): 118-132 被引量:18
标识
DOI:10.1109/tbdata.2021.3125204
摘要

Predicting and understanding student learning performance has been a long-standing task in learning science, which can benefit personalized teaching and learning. This study shows that the progress towards this task can be accelerated by using learning record data to feed a deep learning model that considers the intrinsic course association and the structured features. We proposed a multi-source sparse attention convolutional neural network (MsaCNN) to predict the course grades in a general formulation. MsaCNN adopts multi-scale convolution kernels on student grade records to capture structured features, a global attention strategy to discover the relationship between courses, and multiple input-heads to integrate multi-source features. All achieved features are then poured into a softmax classifier towards an end-to-end supervised deep learning model. Conducting insights into higher education on real-world university datasets, the results show that MsaCNN achieves better performance than traditional methods and delivers an interpretation of student performance by virtue of the resulted course relationships. Inspired by this interpretation, we created an association map for all mentioned courses, followed by evaluating the map with a questionnaire survey. This study provides computer-aided system tools and discovers the course-space map from the educational data, potentially facilitating the personalized learning progress.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
dsfsdf发布了新的文献求助10
2秒前
3秒前
现在到未来完成签到,获得积分10
3秒前
4秒前
cjh发布了新的文献求助10
4秒前
Biggest发布了新的文献求助10
4秒前
yang发布了新的文献求助30
5秒前
尛瞐慶成发布了新的文献求助10
6秒前
hevensh完成签到 ,获得积分10
6秒前
长安完成签到 ,获得积分10
7秒前
小马甲应助尊敬鸵鸟采纳,获得10
8秒前
加拿大一枝黄花完成签到,获得积分10
8秒前
9秒前
11秒前
12秒前
12秒前
cjh完成签到,获得积分10
12秒前
Aixia完成签到 ,获得积分10
12秒前
13秒前
哈哈哈发布了新的文献求助10
13秒前
果然完成签到,获得积分20
13秒前
Hello应助cherry采纳,获得10
13秒前
Mint发布了新的文献求助10
14秒前
fan关闭了fan文献求助
15秒前
jphu发布了新的文献求助30
15秒前
16秒前
吕归尘发布了新的文献求助30
16秒前
852应助Andorchid采纳,获得10
16秒前
17秒前
佳敏发布了新的文献求助10
18秒前
小明发布了新的文献求助10
19秒前
19秒前
科研通AI2S应助优雅的纸鹤采纳,获得10
20秒前
21秒前
科研通AI2S应助摆烂的熊猫采纳,获得10
22秒前
22秒前
NexusExplorer应助surong采纳,获得10
22秒前
23秒前
犬豆斑发布了新的文献求助30
23秒前
高分求助中
Sustainability in Tides Chemistry 2000
The ACS Guide to Scholarly Communication 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Threaded Harmony: A Sustainable Approach to Fashion 810
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Gerard de Lairesse : an artist between stage and studio 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3076615
求助须知:如何正确求助?哪些是违规求助? 2729637
关于积分的说明 7509187
捐赠科研通 2377811
什么是DOI,文献DOI怎么找? 1260829
科研通“疑难数据库(出版商)”最低求助积分说明 611183
版权声明 597203