基于代表性学习和随机森林模型的STEM专业学生流失率分析 学术轨迹分析是评估和改善STEM专业留学生的关键组成部分。 分析学生的学术行为的一种常见做法是根据人类选定的特征进行分析。 虽然这种方法在关联已知现象时可能很有效,但是根据领域知识制作的功能可能会排除发现有用但不熟悉的现象的可能性。 在这项工作中,将结合建模来预测学生在STEM中的保留率。 代表性学习方法的目标是使模型能够理解课程互连性的体系结构。 并将在其他情况下有用。 随机森林将根据代表性学习提供的信息以及其他学生信息进行预测。 这种组合建模的动机是要求对学生行为的假设尽可能少,而是让学习者行为的突出特征有机地显现出来。 •跳过语法模型将课程有意义地编码为学习的向量表示形式。 与NLP相似,该模型将像大型语料库中的单词一样对待课程,并将学习语料库中课程的上下文。 •课程历史的向量表示将是随机森林模型(以及可能的其他模型:逻辑