
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于优化递归LSTM模型的学生学术表现预测及其与CNN、GRU基线模型的对比研究
《Scientific Reports》:Enhancing student performance prediction using an optimized RNN-LSTM model: a step towards personalized education
【字体: 大 中 小 】 时间:2026年09月23日 来源:Scientific Reports 4.9
编辑推荐:
摘要学习分析是一个新兴领域,旨在分析和预测学生表现随时间的变化趋势。随着学习管理系统(LMS)的广泛使用,这些系统配备了与教学目标相匹配的学习内容、交互和评估功能,高级机器学习技术如长短期记忆网络(LSTM)正被用于分析顺序数据。本研究旨在通过与其他基线模型(如卷积神经网络(
学习分析是一个新兴领域,旨在分析和预测学生表现随时间的变化趋势。随着学习管理系统(LMS)的广泛使用,这些系统配备了与教学目标相匹配的学习内容、交互和评估功能,高级机器学习技术如长短期记忆网络(LSTM)正被用于分析顺序数据。本研究旨在通过与其他基线模型(如卷积神经网络(CNN)和门控循环单元(GRU))的准确率进行比较,来评估LSTM在学生表现预测中的效率。所提出的优化递归LSTM模型在预测准确率上优于CNN和GRU基线模型,并能高效捕捉顺序学生学术数据中的时间依赖性。为了增强训练稳定性和预测性能,该模型使用二元交叉熵损失函数进行训练,并基于验证进行参数选择。研究表明,此类模型具备应用于个性化学习的能力,通过动态调整学习路径来改进学生表现。实验使用了模拟现实学术进展模式的合成数据集,证明了该模型的预测能力。