ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Students' family backgrounds and behaviors can affect their learning difficulties, but teachers managing large classes often cannot monitor each student's complex situation. Machine learning offers a solution by identifying anomalies in student performance data, enabling early detection of at-risk students. This study proposed a method that preprocessed data and applied smooth target encoding with a global mean prior and smoothing to address high-dimensional sparsity and small-sample category noise. Fitting encoding was performed on the training set to prevent data leakage into features. After training, temperature scaling calibration on the validation set produced probability outputs suitable for threshold-sensitive decision-making. Experimental results showed 92.31% accuracy, 95.24% F1 score, and 97.97% receiver operating characteristic–area under curve, demonstrating strong predictive performance for final student grades. This approach provided robust technical support for teachers to enhance teaching quality.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 81/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Online Learning and Analytics · Intelligent Tutoring Systems and Adaptive Learning · Machine Learning and Data Classification
บทบาทของนักวิจัยและสถาบันไทย
Tang Lin · Tiamyod Pasawano · Rajamangala University of Technology
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง