Predicting Student Performance in Solving Parameterized Exercises
Predicting Student Performance in Solving Parameterized Exercises
复制标题
预测学生解决参数化练习的表现
DOI：
--
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Peter Brusilovsky
中科院分区：
文献类型：
--
作者：
Shaghayegh Sherry Sahebi;Yun Huang;Peter Brusilovsky
在本文中，我们比较了教育数据挖掘领域的先驱方法与推荐系统技术预测学生的表现。此外，我们研究了包括学生的尝试时间序列的参数化练习的重要性。我们使用的方法是贝叶斯知识追踪（BKT），性能因子分析（PFA），贝叶斯概率张量因子分解（BPTF）和贝叶斯概率矩阵因子分解（BPMF）。最后两种方法是从推荐系统的领域。我们使用问题级知识组件（KCs）来解决问题，并使用交叉验证来测试方法。在这项工作中，我们专注于预测学生在参数化练习中的表现。我们的实验表明，先进的推荐系统技术在预测学生成绩方面与先驱方法一样准确。此外，我们的研究表明，考虑时间序列的学生的尝试，以达到理想的准确性的重要性。
In this paper, we compare pioneer methods of educational data mining field with recommender systems techniques for predicting student performance. Additionally, we study the importance of including students’ attempt time sequences of parameterized exercises. The approaches we use are Bayesian Knowledge Tracing (BKT), Performance Factor Analysis (PFA), Bayesian Probabilistic Tensor Factorization (BPTF), and Bayesian Probabilistic Matrix Factorization (BPMF). The last two approaches are from the recommender system’s field. We approach the problem using question-level Knowledge Components (KCs) and test the methods using cross-validation. In this work, we focus on predicting students’ performance in parameterized exercises. Our experiments shows that advanced recommender system techniques are as accurate as the pioneer methods in predicting student performance. Also, our studies show the importance of considering time sequence of students’ attempts to achieve the desirable accuracy.