A course-level early final study status prediction task is to predict as soon as possible the final success of each student after studying a course. It is significant because each successful course accomplishment is required for a degree. Further, early predictions provide enough time to make necessary changes for ultimate success. This article aims at an effective solution to this task. Different from the existing works, we resolve the task in a more practical context. First, the temporal aspects of the task and its data are considered. For the task, historical datasets are used to support the task on current ones. For the data, both labeled and unlabeled data before the midterm break are used. Second, our solution examines assessment data for the task, and thus, requires less data collection cost and effort over time. Third, we propose a semisupervised learning method, ST_OS, to obtain a better prediction model because ST_OS handles data insufficiency when exploiting all the labeled and unlabeled data. Moreover, ST_OS combines Self-Training and Tri-Training to create a resulting ensemble model in an effective semisupervised learning process with local learning for each selected unlabeled instance. Above all, the task is addressed in a general manner for different course types. As a result, our solution outperforms several existing supervised and semisupervised learning ones with higher Accuracy and F-measure. Therefore, it can be used as a forecasting tool before their courses end. More activities can be then improved to help the students complete the courses successfully.

中文翻译：

---

ST_OS：一种有效的课程级早期预测半监督学习方法

一个课程级别的早期期末学习状态预测任务是尽快预测每个学生在学习一门课程后的最终成功。这很重要，因为每个成功的课程成就都是获得学位所必需的。此外，早期预测提供了足够的时间来为最终成功做出必要的改变。本文旨在有效解决此任务。与现有作品不同，我们在更实际的背景下解决任务。首先，考虑任务及其数据的时间方面。对于任务，历史数据集用于支持当前数据集的任务。对于数据，使用了中休前的标记数据和未标记数据。其次，我们的解决方案会检查任务的评估数据，因此随着时间的推移需要更少的数据收集成本和工作量。第三，我们提出了一种半监督学习方法 ST_OS，以获得更好的预测模型，因为 ST_OS 在利用所有标记和未标记数据时处理数据不足。此外，ST_OS 将自我训练和三重训练相结合，在有效的半监督学习过程中创建结果集成模型，并对每个选定的未标记实例进行本地学习。最重要的是，该任务以不同课程类型的通用方式解决。因此，我们的解决方案优于现有的几种具有更高准确度和 F 度量的监督和半监督学习方法。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。以获得更好的预测模型，因为 ST_OS 在利用所有标记和未标记数据时处理数据不足。此外，ST_OS 将自我训练和三重训练相结合，在有效的半监督学习过程中创建结果集成模型，并对每个选定的未标记实例进行本地学习。最重要的是，该任务以不同课程类型的通用方式解决。因此，我们的解决方案优于现有的几种具有更高准确度和 F 度量的监督和半监督学习方法。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。以获得更好的预测模型，因为 ST_OS 在利用所有标记和未标记数据时处理数据不足。此外，ST_OS 将自我训练和三重训练相结合，在有效的半监督学习过程中创建结果集成模型，并对每个选定的未标记实例进行本地学习。最重要的是，该任务以不同课程类型的通用方式解决。因此，我们的解决方案优于现有的几种具有更高准确度和 F 度量的监督和半监督学习方法。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。ST_OS 结合自训练和三重训练，在有效的半监督学习过程中创建结果集成模型，并对每个选定的未标记实例进行本地学习。最重要的是，该任务以不同课程类型的通用方式解决。因此，我们的解决方案优于现有的几种具有更高准确度和 F 度量的监督和半监督学习方法。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。ST_OS 结合自训练和三重训练，在有效的半监督学习过程中创建结果集成模型，并对每个选定的未标记实例进行本地学习。最重要的是，该任务以不同课程类型的通用方式解决。因此，我们的解决方案优于现有的几种具有更高准确度和 F 度量的监督和半监督学习方法。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。我们的解决方案优于几个现有的监督和半监督学习方法，具有更高的准确度和 F 度量。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。我们的解决方案优于几个现有的监督和半监督学习方法，具有更高的准确度和 F 度量。因此，它可以作为他们课程结束前的预测工具。然后可以改进更多活动，以帮助学生成功完成课程。