利用机器学习技术对泰国数据分析和机器学习课程中学生学习情况的探索性分析

《Sage Open》：Exploratory Analysis of Student Learning in a Thai Data Analytics and Machine Learning Course Using Machine Learning Techniques

　　

本研究采用多方法分析方法，考察了数据分析和机器学习课程中学生在核心主题上的理解模式。数据来源包括学生调查、课程学习成果（course learning outcome, CLO）评估和考试成绩。研究人员使用聚类（clustering）、关联规则挖掘（association rule mining）、决策树分析（decision tree analysis）和卡方检验（chi-square testing）对数据进行分析。结果表明，学生对不同主题的理解存在差异。回归（Regression）和分类（Classification）通常被学生较好掌握，而图像处理（Image Processing）在各成绩水平上均造成较大困难。决策树分析将关联规则（Association Rules）确定为整体课程成绩的最强预测因子，而聚类结果提示聚类（Clustering）与关联规则之间关系密切。观察到的模式表明，关联规则可能是一个影响更广泛理解与成绩的概念性关键点。教学启示包括对复杂主题提供结构化支持、加强聚类与关联规则之间的整合，以及使用形成性自我评估检查点。本研究受限于小样本量（n = 19）、单一课堂情境、回顾性自我评估以及对感知理解测量的依赖。因此，研究结果代表探索性见解，而非验证性证据。

一篇发表于《Sage Open》的论文针对泰国高校数据分析和机器学习课程中学生的理解模式展开了探索性研究。随着东南亚经济体推进数字化转型和工业4.0建设，数据素养与机器学习能力成为工程、商业、医疗等领域毕业生的