这项研究提供了一个答案，即为什么学生应该学习两部分的大学微积分课程，以及微积分在毕业后如何在他们未来的工作中发挥实际作用。因此，主要目标是确定某些微积分预备课程在预测澳门ACLC微积分成功的意义。学生沟通技巧P-1、大学代数、三角和几何的最终成绩被用来预测微积分的成功。最好的预测因素是学生在大学代数课程中的最终成绩。

微积分，逻辑回归，学生表现，期末成绩，计算机科学，信息技术，课程设置。

这项研究提供了一个答案，即为什么学生应该学习两部分的大学微积分课程，以及微积分在毕业后如何在他们未来的工作中发挥实际作用。因此，主要目标是确定某些微积分预备课程在预测澳门ACLC微积分成功的意义。学生沟通技巧P-1、大学代数、三角和几何的最终成绩被用来预测微积分的成功。最好的预测因素是学生在大学代数课程中的最终成绩。

微积分，逻辑回归，学生表现，期末成绩，计算机科学，信息技术，课程设置。

微积分是大多数计算机科学或信息技术课程的必修课。然而，许多CS/IT学生在学习微积分方面有很多顾虑。对于许多学生来说，“微积分”的一般印象就是“难”的代名词。

这些学生中的大多数没有意识到微积分和他们所选择的领域之间的关系。他们还抱怨他们的课程中充斥着许多数学科目，没有看到这两个学科之间的联系。

许多CS/IT专业的学生质疑为什么他们应该学习由两部分组成的大学微积分课程，以及毕业后微积分在他们未来的工作中如何实用。许多学生微积分不及格的充分证据也强化了这种消极观点。

许多大学教师会同意，学生在微积分上不成功的主要原因是他们在代数和其他微积分预备课程上基础薄弱。学生在微积分中遇到的一个主要困难是缺乏所谓的微积分前技能，这些技能应该事先掌握。一个学生用弱。

技能在计算极限、确定导数或解决优化或相关率等应用问题时，容易在代数操作中出错。高中阶段的数学课程困难也可能导致微积分的整体薄弱背景，并可能导致大学生的表现困难。高中阶段的数学基础在大学阶段的数学成绩中起着突出的作用。

本研究的主要目的是确定某些微积分预备课程和一些高中数据在预测澳门ACLC微积分成功的意义。

根据Moore et al.[1]，线性回归是一种对标量因变量y与一个或多个解释变量(或自变量)x之间关系进行建模的方法。只有一个解释变量的情况称为简单线性回归。对于多于一个的解释变量，这个过程称为多元线性回归。

在线性回归中，使用线性预测函数对关系进行建模，其未知模型参数由数据估计。这样的模型被称为线性模型。最常见的是，假设给定X值的y的条件均值是X的仿射函数;不太常见的是，给定X的y的条件分布的中位数或其他一些分位数表示为X的线性函数。与所有形式的回归分析一样，线性回归关注给定X的y的条件概率分布，而不是y和X的联合概率分布，这是多元分析的领域。

线性回归是第一种被严格研究的回归分析，并在实际应用中被广泛使用。这是因为线性依赖于其未知参数的模型比与其参数非线性相关的模型更容易拟合，并且因为所得到的估计量的统计特性更容易确定。

Strickland[2]指出，广义线性模型(GLM)是普通线性回归的一种灵活的泛化，它允许响应变量具有非正态分布的误差分布模型。GLM通过允许线性模型通过链接函数与响应变量相关，并允许每次测量的方差大小是其预测值的函数，从而推广线性回归。广义线性模型由Nelder和Wedderburn[3]提出，作为一种统一各种其他统计模型的方式，包括线性回归、逻辑回归和泊松回归。他们提出了反迭代重加权最小二乘法的最大似然估计模型参数。最大似然估计仍然很流行，并且是许多统计计算包上的默认方法。

根据Freedman[4]，逻辑回归，或logit回归，或logit模型是一种因变量是分类的回归模型。二元逻辑模型用于基于一个或多个预测变量估计二元响应的概率。因此，它不是一种分类方法。在经济学术语中可以称之为定性反应/离散选择模型。

逻辑回归测量类别因变量和一个或多个自变量之间的关系，通过使用逻辑函数估计概率，这是累积逻辑分布。因此，它使用类似的技术处理与probit回归相同的问题集，后者使用累积正态分布曲线代替。同样地，在这两种方法的潜变量解释中，第一种假设误差的标准logistic分布，第二种假设误差的标准正态分布。

逻辑回归可以被看作是广义线性模型的一种特殊情况，因此类似于线性回归。然而，逻辑回归模型是基于与线性回归完全不同的假设。具体而言，这两个模型的关键差异体现在logistic回归的以下两个特征上。首先，条件分布y \mid x是伯努利分布而不是高斯分布，因为因变量是二进制的。其次，预测值是概率，因此通过逻辑分布函数被限制在(0,1)，因为逻辑回归预测特定结果的概率。

Yushau和Omar[5]调查了法赫德国王石油矿产大学(KFUPM)预科课程对第一门微积分课程的影响。该研究的数据来自2000多名双语阿拉伯大学的英语学生，追踪了几个学期。这些学生占所有进入KFUPM学位课程的一年级学生的70%以上。使用SAS 9.0软件，多元回归分析发现，在KFUPM微积分I课程的成功主要取决于两个预科数学课程，以及它们的相互作用。另一个在模型中起重要作用的变量是英语预科年。与新要求相比，旧的数学排位要求在微积分I中产生更高的预测成绩。

Islam和Al-Ghassani[6]评估了苏丹卡布斯大学理学院(SQU)学生在微积分I课程中的表现，并检验了学生高中成绩和性别对微积分I成功的预测有效性。本研究的数据来自南大招生和注册办公室主任维护的学生数据库。该研究考虑了2014年春季学期参加微积分I课程的615名学生的样本。描述性统计和推理统计技术均用于数据分析。采用层次回归分析对所选因素的预测效度进行分析。分析结果显示，进入SQU的女生的高中平均成绩比男生高，而高中成绩比女生低的男生也有很多人被SQU录取。结果显示，女生在微积分I的成绩低于C，其中有20%的女生不及格。男生中取得F成绩的比例明显高于女生(28% vs. 7%)。分析显示，性别、高中数学成绩和高中总体成绩是大学微积分课程后续表现的重要预测因素。因此，在录取过程中应该考虑到性别和高中成绩的差异，以便为所有申请人提供更平等的机会，并做出更公平的录取决定。

Sule和Saporu[7]运用逻辑回归模型研究了影响学生在MTH101 (Element of Calculus)课程学习的因素。数据使用的是MTH101(200-400)级学生的成绩，这些成绩来源于系里的考试记录，也来源于对学生的问卷调查。数据分析表明，影响MTH101课程学习成绩的显著因素是GPA(学生的学习成绩)、课程挑战(学生对课程的态度)和与现实世界经验相关的课程概念(学生的动机)。因此，建议改善课程的干预策略应集中在如何提高学习成绩，改变与课程有关的态度问题和提供足够的动机。

Post et al.[8]研究了高中数学课程与学生高中后数学成绩之间的关系中先前数学成绩的影响。样本(N= 4144，来自266所高中)根据ACT数学成绩分为3个层次。样本由完成3年或以上商业开发课程、芝加哥大学学校数学项目课程或国家科学资助课程的学生组成。有趣的是比较他们在最初和随后的大学数学课程中的难度和分数，以及在8个学期的大学工作中完成的数学课程的数量。一般来说，高中课程与学生随着时间的推移所获得的数学成绩模式或学生数学课程学习模式的难度水平没有差异关系。

高中课程与完成的大学数学课程数量之间没有关系。

Amici[9]调查了预测AP微积分成功的因素。调查的因素包括学生的学习习惯，比如花在做作业上的时间，与学习小组或导师合作的时间，打电话给朋友寻求帮助的时间，或使用互联网寻求帮助的时间。该研究还考察了课堂环境和结构，以及教师知识和态度在预测成功中的作用。此外，教师的教学风格和教师设计的课程预测AP微积分的成功进行了调查。73名(N=73)以前学过这门课程的学生参与了这项研究。为了收集研究数据，进行了一项在线调查。该研究使用多元回归分析学生数据。结果表明，综合来看，学生的学习习惯和教师的教学风格是预测AP微积分成功的两个统计显著因素。研究发现，互联网是预测AP微积分成功的一个因素，随着学生越来越多地使用手机、平板电脑和其他媒体设备，这一点非常重要。

相反，结果还表明，课堂环境和结构、教学知识和态度以及教师设计的课程在预测AP微积分的成功方面不具有统计学意义。然而，尽管这些在统计上并不显著，但学生们表示，他们是他们成功的重要贡献者。建议包括在学校应用特定的学习习惯、教学风格和增加对互联网资源的使用，包括增加对手机和平板电脑等各种手持设备的使用。此外，建议继续在更高水平的数学课程，如AP微积分考试成功的因素。

本研究采用描述性研究方法。根据Calderon和Gonzales[10]的定义，描述性研究是一种有目的地收集、分析、分类和制表有关普遍情况、实践、信念、过程、趋势和因果关系的数据，然后借助或不借助统计方法对这些数据作出充分和准确的解释的过程。

Ariola[11]指出，描述性研究描述当前事件，提出的研究问题或问题是基于对当前现象、事件或事务状态的欣赏。描述性方法的目的是描述“是什么”。它处理的是事物、人物和事件的普遍状况。

四十(40)样本包括在研究中选择的学生(N=112)谁在ACLC，澳门微积分;数据基于ACLC澳门注册商记录。收集了学生在沟通技巧P-1、微积分及其先决条件的大学代数、三角和几何方面的最终成绩。在微分学中，因变量的最终分数为1(及格)或0(不及格)。

逐步回归的逆向消去过程如表1所示。大学代数的ap值为0.00717的学生的最终成绩似乎对微积分的成功有显著影响。学生在沟通技巧P-1、平面和球面三角以及解析几何方面的最终成绩似乎对微积分的成功没有显著影响。

偏差分析表如表2所示。似然比检验统计量为7.4019,p值为0.006516。因此，有相对有力的证据支持拒绝。

研究结果表明，学生在大学代数课程中的表现对学习微积分的成功与否有显著影响。大学代数课程通常涉及大量的主题，从高中代数到更高级的代数课程，如函数和图，矩阵和行列式，复数和序列。大学教师可以通过“预备微积分方法”来帮助他们的学生“准备好微积分”。也就是说，他们让学生从基础数学舒服地过渡到更高级的课程，避免选择和展示一堆不相干的主题或与微积分无关的材料。