使用可解释的人工智能预测学生的学习风险
Practical early prediction of students’ performance using machine learning and eXplainable AI
作者:Yeonju Jang et al.
学情预测是一种使用人工智能算法来预测学习者未来学习成绩的技术，通常用于尽早或及时地发现“风险”学生。最近，研究者报告了一项使用可解释的人工智能（XAI）技术来预测学生成绩的方法。研究者首先从12位学生家长和教育决策者的焦点小组获得了用于预测学生成绩的特征，然后在940名学生参与的不同课程的数据集中进行了验证。研究结果显示，在众多算法中，逻辑回归（Logistic Regression）有着最高的准确率，而XAI算法（SHAP）直观地提供了需要帮助学生的具体特征信息。
使用教育数据挖掘针对性地促进教学质量
Predicting academic performance using tree-based machine learning models: A case study of bachelor students in an engineering department in China
作者:Wei Zhang et al.
教育数据挖掘是指使用人工智能算法和技术来分析教育中的数据，寻找有价值的信息。最近，研究者将大学某一专业学生的成绩单数据作为挖掘对象，用于预测哪些学生会获得较低的GPA分数。研究使用了决策树、梯度增强决策树和随机森林三种机器学习算法，研究结果表明，随机森林算法能够在识别学习风险中达到80%以上的成功率。研究者指出，数据挖掘的结果可以促进学校进行针对性的措施来提高整体教学质量。
追踪技术对学生使用学习管理系统意愿的影响
The effect of the tracking technology on students’ perceptions of their continuing intention to use a learning management system
作者:Dhuha Al-Shaikhli
越来越多的学习管理系统（LMS）中被置入了学习分析或跟踪技术，但目前尚不清楚这种技术对于学生的影响。因此，研究者基于群体行为理论对这个领域进行了探讨。基于151名大学生参与的课程数据显示，跟踪技术会影响学习者对认知发展和自我调节能力的感知，最终积极影响了学生们在未来继续使用学习管理系统的意愿。另一方面，研究者指出，群体行为理论可以作为未来开发学习管理系统的理论基础，为教育技术设计提供一个新的理论视角。
责任编辑：Diaw Maxwell
15117967419@126.com