MOOCs背景下基于行為特征的學(xué)習(xí)者流失問題研究
發(fā)布時間:2021-02-09 01:11
隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展,大規(guī)模在線開放課程(MOOCs)作為一種的新的教學(xué)方式,在國內(nèi)開始迅速興起和發(fā)展,但普遍存在著學(xué)習(xí)效果不佳或?qū)W習(xí)者大量流失等問題,阻礙了MOOCs的持續(xù)發(fā)展。為了解決MOOCs中存在的問題,需要大量關(guān)于MOOCs的研究,深入理解MOOCs下的學(xué)習(xí)者,能實時掌握學(xué)習(xí)者學(xué)習(xí)狀態(tài)和情況,對于課程教師和平臺管理者來說都是極為有利的。其中通過對客觀存在的學(xué)習(xí)者行為數(shù)據(jù)分析來理解學(xué)習(xí)者是很有研究價值和意義的。本文對楚課聯(lián)盟平臺下的學(xué)習(xí)者展開研究,充分利用了平臺中已有數(shù)據(jù),對在線學(xué)習(xí)行為進行分析和預(yù)測,首先結(jié)合相關(guān)行為理論,對平臺下學(xué)習(xí)者進行了行為活動屬性分析,然后針對MOOCs中學(xué)習(xí)者流失問題,進行了影響因素分析并建立行為數(shù)據(jù)模型,提取并確定30個具體且全新的學(xué)習(xí)者行為特征,然后運用邏輯回歸求得各行為活動的特征系數(shù)并分析得出了若干個強關(guān)聯(lián)性的行為特征,最后了另一種概率圖模型-隱馬爾可夫模型進行了預(yù)測對比分析,驗證并評估了模型得預(yù)測精度和可行性。本文研究結(jié)果說明了基于學(xué)習(xí)者行為特征對MOOCs流失問題研究是很有價值的,為之后更加深入挖掘?qū)W習(xí)者的學(xué)習(xí)行為屬性和規(guī)律提供了參考。...
【文章來源】:武漢紡織大學(xué)湖北省
【文章頁數(shù)】:55 頁
【學(xué)位級別】:碩士
【部分圖文】:
Sigmoid函數(shù)函數(shù)()的值有特殊含義,表示預(yù)測結(jié)果為正標(biāo)簽1(即流失)的概率,其值在0
圖 4.4 P-R 曲線示意圖4 中所示為查準(zhǔn)率與查全率曲線示意圖,其中橫坐標(biāo)表示為查全率稱“P-R 曲線”。從圖中可以很直觀的看出模型在樣本數(shù)據(jù)集上的中一共顯示了 A,B,C 三條曲線,如果一個曲線完全在另一個曲者的模型性能優(yōu)于后者,例如圖中所示曲線 A 完全包住了曲線 C,顯優(yōu)于模型 C;當(dāng)兩個曲線相互交叉的時候,一般不能這么直接判通過比較具體的查準(zhǔn)率或查全率,就是比較 P-R 曲線下面積的大小模型查準(zhǔn)率和查全率取得相對高的比例,但是這個不容易估算,所能度量就是“平衡點”(Break-Event Point,BEP)。圖中虛線表示查值,這條虛線與三條曲線均有一個交點即平衡點,比較平衡點的取模型 A 的性能優(yōu)于模型 B。OC 和 AUC
圖 4.5 ROC 曲線示意圖ROC(Receiver Operating Characteristic)曲線是顯示分類(Classification)模型真率和假正率之間折中的一種圖形化方法。ROC 曲線的面積就是 AUC(Area Under tCurve)。AUC 常用于評估“二分類問題”算法性能也就是模型泛化能力。使用模型測樣本產(chǎn)生一個預(yù)測概率值,然后將預(yù)測值與分類閾值進行比較,若大于閾值則分為正類小于閾值則分為反類。這個概念叫“截斷點”。利用模型對測試樣本進行預(yù)測分類后,以得到各測試樣本屬于某類別的相似度概率。比如樣本 D1屬于 A 類別的概率為 0.3一般認為預(yù)測分類概率低于 0.5,D1就屬于類別 B。這里的 0.5,就是“截斷點”即類閾值。隨著分類閾取值的不同,計算 TPR 和 FPR 的結(jié)果就會不同。將不同取值下對應(yīng)的 TPR 和 FPR 結(jié)果點,將結(jié)果點畫在二維坐標(biāo)上會得到一條線叫做 ROC 曲線,軸用 Falsepositiverate 即 FPR 表示,縱軸用 Truepositiverate 即 TPR 表示,ROC 曲線意圖如圖 4.5 表示。4.5 交叉驗證一般建立模型是不會將所有數(shù)據(jù)集都應(yīng)用于訓(xùn)練模型,因為模型建立之后,需要
【參考文獻】:
期刊論文
[1]開放教育資源的可持續(xù)發(fā)展:現(xiàn)狀、問題及趨勢[J]. 楊滿福. 中國電化教育. 2013(06)
[2]讓MOOCs更有意義:在謊言、悖論和可能性的迷宮中沉思[J]. 約翰·丹尼爾,王志軍,趙文濤. 現(xiàn)代遠程教育研究. 2013(03)
[3]大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)行為分析及改進策略[J]. 張林泉. 廣西教育學(xué)院學(xué)報. 2012(04)
本文編號:3024798
【文章來源】:武漢紡織大學(xué)湖北省
【文章頁數(shù)】:55 頁
【學(xué)位級別】:碩士
【部分圖文】:
Sigmoid函數(shù)函數(shù)()的值有特殊含義,表示預(yù)測結(jié)果為正標(biāo)簽1(即流失)的概率,其值在0
圖 4.4 P-R 曲線示意圖4 中所示為查準(zhǔn)率與查全率曲線示意圖,其中橫坐標(biāo)表示為查全率稱“P-R 曲線”。從圖中可以很直觀的看出模型在樣本數(shù)據(jù)集上的中一共顯示了 A,B,C 三條曲線,如果一個曲線完全在另一個曲者的模型性能優(yōu)于后者,例如圖中所示曲線 A 完全包住了曲線 C,顯優(yōu)于模型 C;當(dāng)兩個曲線相互交叉的時候,一般不能這么直接判通過比較具體的查準(zhǔn)率或查全率,就是比較 P-R 曲線下面積的大小模型查準(zhǔn)率和查全率取得相對高的比例,但是這個不容易估算,所能度量就是“平衡點”(Break-Event Point,BEP)。圖中虛線表示查值,這條虛線與三條曲線均有一個交點即平衡點,比較平衡點的取模型 A 的性能優(yōu)于模型 B。OC 和 AUC
圖 4.5 ROC 曲線示意圖ROC(Receiver Operating Characteristic)曲線是顯示分類(Classification)模型真率和假正率之間折中的一種圖形化方法。ROC 曲線的面積就是 AUC(Area Under tCurve)。AUC 常用于評估“二分類問題”算法性能也就是模型泛化能力。使用模型測樣本產(chǎn)生一個預(yù)測概率值,然后將預(yù)測值與分類閾值進行比較,若大于閾值則分為正類小于閾值則分為反類。這個概念叫“截斷點”。利用模型對測試樣本進行預(yù)測分類后,以得到各測試樣本屬于某類別的相似度概率。比如樣本 D1屬于 A 類別的概率為 0.3一般認為預(yù)測分類概率低于 0.5,D1就屬于類別 B。這里的 0.5,就是“截斷點”即類閾值。隨著分類閾取值的不同,計算 TPR 和 FPR 的結(jié)果就會不同。將不同取值下對應(yīng)的 TPR 和 FPR 結(jié)果點,將結(jié)果點畫在二維坐標(biāo)上會得到一條線叫做 ROC 曲線,軸用 Falsepositiverate 即 FPR 表示,縱軸用 Truepositiverate 即 TPR 表示,ROC 曲線意圖如圖 4.5 表示。4.5 交叉驗證一般建立模型是不會將所有數(shù)據(jù)集都應(yīng)用于訓(xùn)練模型,因為模型建立之后,需要
【參考文獻】:
期刊論文
[1]開放教育資源的可持續(xù)發(fā)展:現(xiàn)狀、問題及趨勢[J]. 楊滿福. 中國電化教育. 2013(06)
[2]讓MOOCs更有意義:在謊言、悖論和可能性的迷宮中沉思[J]. 約翰·丹尼爾,王志軍,趙文濤. 現(xiàn)代遠程教育研究. 2013(03)
[3]大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)行為分析及改進策略[J]. 張林泉. 廣西教育學(xué)院學(xué)報. 2012(04)
本文編號:3024798
本文鏈接:http://sikaile.net/jiaoyulunwen/jykj/3024798.html
最近更新
教材專著