在線教育在互聯(lián)網(wǎng)快速發(fā)展的今天,已經(jīng)逐漸發(fā)展成現(xiàn)代人們學(xué)習(xí)的一種新途徑。以慕課為代表的在線教育平臺(tái)在近幾年成為包括在校生及在職人士的重要學(xué)習(xí)平臺(tái)�；诨ヂ�(lián)網(wǎng)技術(shù)的在線教育平臺(tái)使得大量學(xué)習(xí)行為數(shù)字化,方便了規(guī)�；詣�(dòng)化的通過(guò)計(jì)算機(jī)技術(shù)分析學(xué)習(xí)行為,以此輔助教師的教學(xué),給學(xué)生及時(shí)的反饋。我們通過(guò)好大學(xué)在線提供的脫敏在線平臺(tái)用戶行為數(shù)據(jù)進(jìn)行分析,基于學(xué)習(xí)行為提供更好的教學(xué)學(xué)習(xí)建議,實(shí)現(xiàn)在在線教育平臺(tái)上的自適應(yīng)學(xué)習(xí)。然而在實(shí)際的工業(yè)數(shù)據(jù)中,情況較理想的數(shù)據(jù)集差別較大,數(shù)據(jù)的復(fù)雜性和稀疏性造成了模型學(xué)習(xí)的困難。本論文我們主要關(guān)注的是如何通過(guò)實(shí)際的學(xué)習(xí)行為數(shù)據(jù)對(duì)學(xué)生的學(xué)習(xí)效率進(jìn)行預(yù)測(cè)。通過(guò)特征工程處理包括學(xué)生基本信息,測(cè)驗(yàn)信息,課程視頻觀看信息以及論壇交互信息這四種主要的用戶信息,并通過(guò)在不同模型上的比較,提出在稀疏數(shù)據(jù)上較優(yōu)的模型,并且通過(guò)自然語(yǔ)言處理技術(shù)提升模型的預(yù)測(cè)準(zhǔn)確性,從而實(shí)現(xiàn)通過(guò)用戶數(shù)據(jù)反饋用戶的學(xué)習(xí)效率,為教師及學(xué)生提供相應(yīng)的教學(xué)和學(xué)習(xí)建議。我們比較了不同類別的特征對(duì)學(xué)習(xí)者學(xué)習(xí)效率的影響,最后得到了最優(yōu)模型測(cè)試準(zhǔn)確率為65.27%,同時(shí)還嘗試了對(duì)時(shí)序特征測(cè)驗(yàn)信息進(jìn)行校正,對(duì)文本特征進(jìn)... 

【文章來(lái)源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

–1項(xiàng)目反應(yīng)理論

其中 稱為激活函數(shù)，常見(jiàn)的激活函數(shù)有sigmoid tanh ReLU[27]。將多個(gè)的神經(jīng)元相互連接，就可以組成各種結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)。一般的，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2–2所示，主要分為三種神經(jīng)網(wǎng)絡(luò)層：輸入層，隱藏層和輸出層。圖 2–2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig 2–2 Artificial Neural Network神經(jīng)網(wǎng)絡(luò)常常需要在大量的數(shù)據(jù)上進(jìn)行訓(xùn)練，要訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)需要較為強(qiáng)大的學(xué)習(xí)算法，最經(jīng)典的是反向傳播算法（Back Propagation，簡(jiǎn)稱 BP）[28]。由于神經(jīng)網(wǎng)絡(luò)的特性，常常容易過(guò)擬合，而正則化（Regularization）[29][30] 和隨機(jī)丟棄（Dropout）[31] 可以防止過(guò)擬合以提高模型泛化能力。由于經(jīng)典的全連接神經(jīng)網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)較多，有些特殊結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡(jiǎn)稱 CNN）[32

信息的聚合。然后我們統(tǒng)計(jì)每個(gè)學(xué)生的文本集對(duì)應(yīng)的統(tǒng)計(jì)特征，如內(nèi)容長(zhǎng)度和帖子數(shù)量。細(xì)粒度的用戶特征向量具有 400 個(gè)特征。圖3–2描繪了隨機(jī)抽樣的 250 名學(xué)習(xí)者的歸一化測(cè)驗(yàn)特征向量。從圖中可以很容易地發(fā)現(xiàn)，在線教育平臺(tái)的細(xì)粒度測(cè)驗(yàn)用戶特征向量的稀疏性是相當(dāng)普遍的。特征稀疏性在其他類型的特征中也是常見(jiàn)的情況。我們相信模型能夠捕捉所有這些特征之間的相互關(guān)系，而不論特征的稀疏性如何。圖 3–2 采樣了 250 名學(xué)生的測(cè)驗(yàn)特征向量的熱力圖。大多數(shù)特征向量包含少量有效特征。每列代表一個(gè)用戶測(cè)驗(yàn)特征向量Fig 3–2 The heatmap of sampled 250 students’test feature vectors. Most feature vectors contain few validfeatures. Each column represents a user test feature vector— 24 —

【參考文獻(xiàn)】：
期刊論文
[1]慕課發(fā)展及其對(duì)開放大學(xué)的啟示[J]. 殷丙山,李玉.  北京廣播電視大學(xué)學(xué)報(bào). 2013(05)



本文編號(hào)：3331331