今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

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(

  

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(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。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:学习分析|LSTM|学生表现预测|机器学习|个性化学习|顺序数据

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号