Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources

📄 arXiv: 2403.07194v1 📥 PDF

作者: W. Chango, R. Cerezo, M. Sanchez-Santillan, R. Azevedo, C. Romero

分类: cs.CY, cs.AI, cs.HC, cs.LG

发布日期: 2024-02-10

期刊: Journal of Computing in Higher Education,2021, 33, 614-634

DOI: 10.1007/s12528-021-09298-8

💡 一句话要点

通过属性选择与多模态数据集成提升智能辅导系统中学生表现预测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能辅导系统 学生表现预测 多模态数据 属性选择 分类集成 教育技术 数据挖掘

📋 核心要点

  1. 现有方法在预测学生学习表现时，未能充分利用多模态数据的潜力，导致预测精度不足。
  2. 论文提出通过属性选择与分类集成的方法，结合多种数据源来提升学生表现的预测能力。
  3. 实验结果显示，采用集成方法和最佳属性选择的组合，能够显著提高预测准确性，尤其是在数值数据上。

📝 摘要（中文）

本研究旨在利用智能辅导系统中的多种数据源预测大学生的学习表现。我们从40名学生收集并预处理了来自不同模态的数据，包括系统日志中的学习策略、面部录制视频中的情感、眼动追踪中的互动区域以及最终知识评估中的测试表现。我们的目标是测试通过属性选择和分类集成方法是否能提高预测精度。通过对六种分类算法在数值和离散化的预处理多模态数据上进行的三次实验，结果表明，采用集成方法和选择最佳属性的方式在数值数据上产生了最佳预测效果。

🔬 方法详解

问题定义：本研究旨在解决如何有效预测大学生在智能辅导系统中的学习表现。现有方法未能充分利用多模态数据，导致预测效果不佳。

核心思路：本研究的核心思路是通过选择最相关的属性并结合多种分类算法的集成方法，来提升预测的准确性。这样的设计旨在充分挖掘不同数据源的互补信息。

技术框架：整体架构包括数据收集与预处理、属性选择、分类算法应用及结果评估四个主要模块。首先，从多模态数据中提取特征，然后进行属性选择，最后应用多种分类算法进行预测。

关键创新：本研究的关键创新在于结合了多模态数据的属性选择与分类集成方法，显著提升了预测精度。这一方法与传统单一数据源的预测方法存在本质区别。

关键设计：在实验中，采用了六种不同的分类算法，并对数据进行了数值化和离散化处理。关键参数设置包括属性选择的标准和集成方法的选择，以确保最佳的预测性能。

📊 实验亮点

实验结果表明，采用集成方法和最佳属性选择的组合，能够在数值数据上实现显著的预测提升，具体表现为预测准确率的提高，优于传统方法的基线，显示出该方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用场景包括教育技术领域，尤其是在智能辅导系统中，通过准确预测学生表现，可以为个性化学习提供数据支持，帮助教师制定更有效的教学策略。未来，该方法还可扩展至其他领域，如职业培训和在线学习平台，提升学习效果。

📄 摘要（原文）

The aim of this study was to predict university students' learning performance using different sources of data from an Intelligent Tutoring System. We collected and preprocessed data from 40 students from different multimodal sources: learning strategies from system logs, emotions from face recording videos, interaction zones from eye tracking, and test performance from final knowledge evaluation. Our objective was to test whether the prediction could be improved by using attribute selection and classification ensembles. We carried out three experiments by applying six classification algorithms to numerical and discretized preprocessed multimodal data. The results show that the best predictions were produced using ensembles and selecting the best attributes approach with numerical data.