【摘要】：隨著互聯(lián)網(wǎng)在各個領(lǐng)域的不斷普及,傳統(tǒng)的教育教學(xué)模式正在發(fā)生改變。自2012年大規(guī)模開放在線課程——慕課(Massive Open Online Courses,MOOC)誕生以來,吸引了越來越多的人參與學(xué)習(xí),但高輟學(xué)率卻給MOOC平臺教學(xué)的管理帶來不便。預(yù)測學(xué)習(xí)者的輟學(xué)行為,有助于提升學(xué)習(xí)者的學(xué)習(xí)效果以及實(shí)現(xiàn)MOOC平臺更多的價值。本文從MOOC學(xué)習(xí)者的學(xué)習(xí)行為特征出發(fā),提出了3種基于深度網(wǎng)絡(luò)的輟學(xué)預(yù)測算法,主要研究內(nèi)容如下:(1)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶(Long Short-Term Memory based on Convolutional Neural Network,CNN-LSTM)網(wǎng)絡(luò)的輟學(xué)預(yù)測模型。針對現(xiàn)有的MOOC輟學(xué)預(yù)測模型依賴于特征工程提取特征,預(yù)測效果存在不穩(wěn)定、性能欠佳等問題,該模型采用一種自動特征提取策略,無需特定領(lǐng)域知識和人工干預(yù),同時考慮了學(xué)生行為特征的長期依賴信息,提高了模型的預(yù)測能力。實(shí)驗(yàn)結(jié)果表明,該模型與基于LSTM、CNN-RNN的輟學(xué)預(yù)測方法相比,分別將AUC提高了2.7%、1.4%。(2)提出了一種基于豐富卷積特征的長短期記憶(Long Short-Term Memory based on Richer Convolutional Features,RCF-LSTM)網(wǎng)絡(luò)的輟學(xué)預(yù)測模型。針對時間跨度大、特征粗粒度、未能充分利用CNN豐富的層次特征等問題,該模型將粒度更精細(xì)的行為特征作為輸入,同時還有效地融合每個CNN層的細(xì)粒度特征。實(shí)驗(yàn)結(jié)果表明,相較于CNN-RNN和CNN-LSTM輟學(xué)預(yù)測模型,該模型的AUC值分別提高了0.29%和0.25%。(3)提出了一種基于CNN-LSTM-SVM網(wǎng)絡(luò)的輟學(xué)預(yù)測模型。針對訓(xùn)練參數(shù)多、耗費(fèi)內(nèi)存以及數(shù)據(jù)類別非均衡等問題,綜合考慮了學(xué)生行為的局部特征和序列化特征,同時對不同類別設(shè)置不同的權(quán)重,解決了非均衡數(shù)據(jù)對預(yù)測結(jié)果的影響。該模型結(jié)構(gòu)簡單,相較于RCF-LSTM網(wǎng)絡(luò)模型的輟學(xué)預(yù)測算法,AUC提升了5.54%。本文的研究表明基于深度網(wǎng)絡(luò)的輟學(xué)預(yù)測模型,可以預(yù)測學(xué)生不同時刻的行為狀態(tài)變化,有助于教師提供及時的干預(yù)措施,提升學(xué)習(xí)者的學(xué)習(xí)效果,對促進(jìn)我國教育信息化快速發(fā)展具有重要的指導(dǎo)意義。
【學(xué)位授予單位】：西北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP183
【圖文】：

長的學(xué)習(xí)活動，估計(jì)學(xué)習(xí)者在未來一周內(nèi)停止參加課程的可能性。表 1 MOOC 中“輟學(xué)”的定義文獻(xiàn) 描述DEF1 [6][19] 最后一周的參與情況:學(xué)生是否會堅(jiān)持到課程結(jié)束。DEF2 [13][15][16][17] 參與的最后一周:本周是否是學(xué)生活動的最后一周。DEF3 [34] 下周參與:學(xué)生在接下來的周是否有活動。.2 面向輟學(xué)預(yù)測的 CNN-LSTM 網(wǎng)絡(luò)模型的構(gòu)建本章采用 CNN-LSTM 網(wǎng)絡(luò)模型來預(yù)測和分析輟學(xué)問題。其中模型包含了一層和一層池化，用于自動特征提取�？紤]到 CNN 處理高維特征的高效性以及提取的有效性，本文采用單層 CNN 自動提取學(xué)習(xí)者的行為特征，訓(xùn)練模型的最佳參數(shù)自動篩選出有效的行為特征。而 LSTM 網(wǎng)絡(luò)被用作輟學(xué)預(yù)測的模型，以確定學(xué)不同的時間步長內(nèi)是否輟學(xué)。圖 3 展示了 CNN-LSTM 模型的網(wǎng)絡(luò)結(jié)構(gòu)圖。

步長內(nèi)學(xué)習(xí)者的輸入特征是從一周內(nèi)的所有學(xué)習(xí)活動生成的。根輟學(xué)定義，本章采取學(xué)生的堆疊周特征進(jìn)行訓(xùn)練和預(yù)測模型。其中為：在第 T 周使用的特征向量是通過將第 T 周之前的所有周的特特征之上形成的，其捕獲自課程開始以來學(xué)生的累積活動相關(guān)信k1xk2yk3ykTyk1yk2xk3xkTx標(biāo)簽行為活動week 1 week 2 week 3 week T圖 7 學(xué)生 k 第 T 周的輟學(xué)預(yù)測問題示意圖學(xué)生k在 T周內(nèi)的行為特征序列( )以及相應(yīng)的輟學(xué) )，其中 T 表示學(xué)生參加課程的周數(shù)，如圖 7 所示。對于當(dāng)學(xué)生 k 在下周有活動，則認(rèn)為 j 周的輟學(xué)標(biāo)簽為 = ，否則為

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 李曼麗;徐舜平;孫夢Z

本文編號：2746184