基于循环自编码器与属性子集约简的学业表现增强型预测分析与决策方法

《Ain Shams Engineering Journal》:Modelling of enhanced predictive analytics and decision-making approach using recurrent autoencoder with attribute subset reduction for students’ academic performance

【字体: 大 中 小 】 时间:2026年02月02日 来源:Ain Shams Engineering Journal 6.2

编辑推荐:

  教育在社会中发挥着至关重要的作用,其通过人力资本推动经济增长、降低犯罪率并提升整体福祉。当前,预测建模在各行动分支的决策程序中扮演关键角色。传统识别学业风险学生的技术往往依赖反应性事件,这些事件仅在学业复杂性已然显现后才发生,通常已来不及规避失败或退学。由人工

  
教育在社会中发挥着至关重要的作用,其通过人力资本推动经济增长、降低犯罪率并提升整体福祉。当前,预测建模在各行动分支的决策程序中扮演关键角色。传统识别学业风险学生的技术往往依赖反应性事件,这些事件仅在学业复杂性已然显现后才发生,通常已来不及规避失败或退学。由人工智能(AI)驱动的预测分析的发展,为主动干预策略带来范式转变,能够在达到关键阈值前识别面临学业失败或退学风险的学生。预测分析已成为教育技术中的变革性方法,利用AI与机器学习(ML)模型识别风险学生、预测学业表现并在失败发生前推荐针对性干预。用于预测分析的ML通过利用海量数据集与创新技术发现隐藏模式并估计未来趋势,正在改变各行业的数据驱动决策。本手稿提出一种应用于教育领域的“基于循环自编码器与降维的预测分析与决策方法(PADM-RAEDR)”。目标是开发有效框架以增强预测分析并支持教育域中的有效决策。首先,数据预处理阶段通过Z分数标准化(Z-score standardisation)完成。为实现有效特征选择,PADM-RAEDR模型采用互信息(MI)、对称不确定性(SU)与最大相关最小冗余(mRMR)去除无关与冗余数据。最终,采用长短期记忆自编码器(LSTM-AE)方法进行分类。PADM-RAEDR模型的对比分析在基准数据集上较现有方法展现出98.61%的优越准确率。
研究背景方面,教育作为社会人力资本积累的核心途径,其质量提升是学术共同体的优先议题。高校每年产生大量学业、行为与人口统计数据,但传统分析多停留在描述性层面,缺乏对未来结果的预测能力;既有风险识别方法多为“反应性”机制,即在学业失败或退学已发生后才触发,错失早期干预窗口。随着教育数据挖掘(EDM)与机器学习(ML)的成熟,利用历史与实时数据主动预测风险学生成为可行路径。然而,学业数据常具高维、时序依赖、特征冗余与相关噪声,常规分类器(如决策树、支持向量机)难以同时兼顾时序建模与特征精简。为此,Abdulrahman H. Altalhi与Mahmoud Ragab在《Ain Shams Engineering Journal》发表研究,提出PADM-RAEDR框架,将Z分数标准化、MI-SU-mRMR融合特征子集约简与LSTM-AE分类级联,在基准数据集上取得98.61%准确率,证明该组合可兼顾鲁棒性、可解释性与预测精度,为教育机构早期预警与资源调配提供可部署方案。
关键技术方法上,研究人员采用基准学业数据集(具体队列来源依原文基准集而定,未另设独立队列)。流程含三步:其一,Z分数标准化处理数值属性,类别变量经独热或标签编码;其二,顺序调用互信息(MI)初筛目标相关特征、对称不确定性(SU)修正高边际熵偏置并量化特征间归一化依赖、mRMR在相关与冗余间寻优,输出紧凑特征子集;其三,将约简后序列特征送入LSTM-AE,编码器压缩为固定维度隐向量、解码器重构以捕捉时序与潜变量结构,隐表示交由分类层判定学业结局。全程未涉及生物试剂、培养或质粒操作。
研究结果部分,按原文小节浓缩如下。
数据标准化(Data Normalisation):研究人员以Z分数公式 x′i,n=(xi,n?μi)/σi 将各属性缩至零均值单位方差,缓解量纲主导与异常值敏感,类别属性经独热或标签编码入模,从而提升收敛速度与跨量纲特征公平性。
特征约简模型(Feature Reduction models):MI基于熵 H(U)=?Σp(ui)log p(ui) 与 I(U;V)=H(U)+H(V)?H(U,V) 度量特征与目标互减不确定性;SU以 SU(U,V)=2I(U;V)/(H(U)+H(V)) 归一化MI以抑制高熵偏置;mRMR定义 Relevance(fi,c)=I(fi;c) 与 Redundancy(fi,S)=(1/|S|)Σfj∈S I(fi;fj),按 maxfi 实现最大相关最小冗余。三者串行融合在保留目标相关信息的同时剔除同质特征。
分类使用LSTM-AE模型(Classification using LSTM-AE model):LSTM单元通过输入门 iz=σ(Wi·[hz?1,xz]+bi)、遗忘门 fz=σ(Wf·[hz?1,xz]+bf)、候选态 C?z=tanh(WC·[hz?1,xz]+bC)、细胞态 Cz=fz⊙Cz?1+iz⊙C?z、输出门 oz=σ(Wo·[hz?1,xz]+bo) 及隐态 hz=oz⊙tanh(Cz) 建模长程依赖;AE结构将输入序列压至隐空间再重构,以噪声抑制与潜模式凸显辅助分类。相较静态分类器,该模块更适配带时间维度的学业轨迹。
讨论与结论翻译:研究人员指出,传统教育分析偏重描述性统计与滞后预警,而PADM-RAEDR通过标准化—融合特征选择—循环自编码分类的一体化流水线,在基准数据集上以98.61%准确率超越对照方法。该框架的意义在于将预测窗口前移至阈值突破前,使教务人员可依据MI-SU-mRMR输出的可解释子集与LSTM-AE学到的时序隐表示,针对高风险学生部署辅导、排课或心理支持等干预。研究同时表明,单纯增加模型复杂度不如在特征层消除冗余更有效;Z分数与熵基度量的组合降低了量纲与高熵属性干扰,LSTM-AE则弥补了静态模型对学期间成绩演化建模的缺失。综上,PADM-RAEDR为教育预测分析提供了一套可复现、高精度且具决策可读性的技术路径,其组件均可替换或迁移至其他教育场景的早警系统。
相关新闻
生物通微信公众号
微信
新浪微博

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