融合多源异构数据的并行集成学习模型在高职学生学业风险预测研究
Keywords:
学业风险, 多源异构数据, 集成学习, 高职学生Abstract
为准确预警学生的辍学风险，辅助高职院校开展早期学习风险干预。本研究通过构建学生学习风险预测模型，采取对数据集进行缺失值填充、标准化、独热编码与 SMOTE 类别不平衡处理，对比了逻辑回归模型、决策树、Gradient Boosting、Bagging模型的预测效果。实验结果显示，Bagging集成学习模型在测试集表现最优，准确率为99.62%、F1-Score为85.33%。SHAP技术分析表明，心理健康评分、GPA、出勤率是高职学生辍学的三大关键特征。研究构建的模型具备高准确率和可解释性，为高职院校构建精准预警机制与差异化干预方案提供了科学依据。References
[1]罗杨洋，韩锡斌．混合课程学生成绩预测模型的可解释性探究[J]．中国远程教育，2022（6)：46-55． DOI:10.13541/j.cnki.chinade.2022.06.006
[2]Kord A,Aboelfetouh A,Shohieb S M.Academic course planningrecommendation and students’ performance prediction multi-modal based on educational data mining techniques[J].Journal ofComputing in Higher Education,2025.DOI:10.1007/s12528-024-09426-0
[3]付玲毓，贾积有．基于教育数据挖掘的学习行为和学业成就分析——以北京大学某门慕课为例[J]．教学研究，2024，47（5)：1-8． DOI:10.13541/j.cnki.chinade.2024.05.001
[4]许惠惠．基于多分支数据挖掘模型的大学生精准思政研究[J]．智能计算机与应用，2025，15（4)：115-120．DOI:10.20169/j.issn.2095-2163.24062702
[5]Lou Y,Colvin K F.Performance prediction using educational datamining techniques:a comparative study[J].Discover Education,2025,4:112.DOI:10.1007/s44217-025-00502-w
[6]Yagci M.Educational data mining:prediction of students’academic performance using machine learning algorithms[J].SmartLearning Environments,2022,9（1):11.DOI:10.1186/s40561-022-00192-z