《表7 机器学习算法和逻辑回归的平均表现(%)》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《高等教育人工智能应用研究综述:教育工作者的角色何在》
注:算法:ANN=artificial neural network(人工神经网络),RF/DT=random forest/decision tree(随机森林/决策树),SVM=supportvector machines(支持向量机),NB=Nave Bayes(朴素贝叶斯),J48=C4.5 decision tree(C4.5决策树),LR=logistic regression(逻辑回归)预
这一类全部58项研究均采用机器学习方法对模式进行识别和分类并对学生特征进行建模以实现预测。因此,它们都是定量研究。很多研究使用几种机器学习算法(如ANN、SVM、RF、NB,见表7)(1)并将它们的总体预测准确度与常规的逻辑回归进行比较。表7显示所有研究均证明机器学习方法在分类准确度上优于逻辑回归。我们还可以使用F1分数评估分类器(classifiers)的表现(Umer,et al.,2017;关于诊断性准确率方法另见?imundi,2009)。F1分数的值介于0~1之间,最佳值是1(最佳精确率和召回率)。一项根据在线讨论参与情况预测学生小组项目表现的研究显示,J48、NB和SVM的F1分数值很高,分别是0.848、0.911和0.914(Yoo&Kim,2013)。
图表编号 | XD00148741100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.30 |
作者 | 奥拉夫·扎瓦克奇-里克特##德、维多利亚·艾琳·马林、梅丽莎·邦德、弗兰齐斯卡·古弗尼尔、肖俊洪 |
绘制单位 | 德国奥尔登堡大学教育与社会科学部开放教育研究中心、德国奥尔登堡卡大学教育与社会科学部开放教育研究中心、德国奥尔登堡卡大学教育与社会科学部开放教育研究中心、汕头广播电视大学 |
更多格式 | 高清、无水印(增值服务) |