發(fā)布時間：2022-01-03 15:43

　　大規(guī)模開放在線課程（MOOC）相比于傳統(tǒng)的線下教育模式,有其獨特的優(yōu)勢。但是,當MOOC學分課在全球高校廣泛開展起來的同時,也暴露出了一些問題,比如學習者的誠信問題。由于在線學習中缺乏對學習者學習過程的有效監(jiān)控,部分學習者存在僥幸心理,會選擇采用“刷課”、抄襲、替考等作弊手段來完成課程考核,以達到輕松獲取學分的目的。采用作弊手段進行在線學習會造成學習效果評價不準確、學習質(zhì)量不高等問題,這將會對MOOC的學分認證造成嚴重的影響。因此,針對MOOC作弊行為的研究與檢測將成為當前MOOC可持續(xù)發(fā)展的一個重要突破點。本文基于MOOC平臺真實的學習行為日志數(shù)據(jù),開展了對MOOC平臺中作弊行為檢測的相關(guān)研究。首先圍繞MOOC學習者全方位的行為數(shù)據(jù)構(gòu)建MOOC作弊行為特征指標體系,為應(yīng)用機器學習算法實現(xiàn)作弊行為檢測奠定數(shù)據(jù)基礎(chǔ)。然后針對當前作弊行為檢測場景所存在的問題,設(shè)計了三種基于機器學習算法的MOOC作弊行為檢測模型。最后,從實踐層面驗證了本文設(shè)計的三種MOOC作弊行為檢測模型的有效性。本文的主要研究內(nèi)容如下:（1）設(shè)計了一種基于孤立森林算法的MOOC作弊行為檢測模型。針對MOOC平臺前期作弊標... 

【文章來源】：深圳大學廣東省

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

全文組織結(jié)構(gòu)與章節(jié)安排第1章：緒論

持向量機是屬于有監(jiān)督學習，往往很難從異常標簽較少的場景中獲得較好的分類效果。針對此問題，SchlkopfB等人[54]提出了單類支持向量機（One-classSVM）方法。在One-classSVM中，支持向量模型是針對僅具有一個類別（即“正�！鳖悇e）的數(shù)據(jù)進行訓練的，它可以推斷正常示例的屬性，并從這些屬性可以預測哪些示例與正常示例不同。因此，One-classSVM這種特性使其在異常行為檢測領(lǐng)域中得以廣泛應(yīng)用。One-classSVM的基本思想是利用核函數(shù)將輸入空間映射到高維空間，并試圖在高維空間中將樣本與原點分離，其分類機制如圖2-1所示：圖2-1One-Class-SVM分類器

基于機器學習的MOOC作弊行為檢測模型研究14圖2-2Boosting流程圖Bagging的原理主要是通過隨機采樣得到多個訓練集，然后針對這多個訓練集分別單獨地訓練出多個弱分類器，再對這多個弱分類器通過某種集合策略來進行組合，得到最終的強分類器。Bagging工作機制如圖2-3所示：圖2-3Bagging流程圖2.3深度學習相關(guān)算法2.3.1Word2vec模型Word2vec作為一種淺層的神經(jīng)網(wǎng)絡(luò)模型，在自然語言處理中得到廣泛應(yīng)用[55]。這種模型能夠在諸如句子、時間序列數(shù)據(jù)之類的數(shù)據(jù)實例中捕獲順序關(guān)系，獲取字嵌入特征作為輸入，可以提高幾個深度學習體系結(jié)構(gòu)的性能[56]。因此利用Word2vec嵌入的異常檢測模型可以顯著提高檢測性能。Word2vec有兩種不同的結(jié)構(gòu)模型：CBOW（ContinuousBag-of-WordsModel）和

【參考文獻】：
期刊論文
[1]基于圖數(shù)據(jù)庫與機器學習的業(yè)務(wù)安全風控平臺[J]. 方國強,包森成,王晨.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020(02)
[2]煙草工業(yè)控制系統(tǒng)信息安全檢測技術(shù)研究[J]. 洪軼群.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020(02)
[3]芻議人工智能在安全領(lǐng)域的應(yīng)用[J]. 張興悟.  數(shù)字通信世界. 2020(01)
[4]在線考試系統(tǒng)中防作弊措施的應(yīng)用探討[J]. 呂曉東.  科技風. 2019(36)
[5]B2C欺詐交易檢測模型的研究[J]. 舒鵬飛.  福建電腦. 2019(12)
[6]基于注意力機制的CNN-GRU短期電力負荷預測方法[J]. 趙兵,王增平,紀維佳,高欣,李曉兵.  電網(wǎng)技術(shù). 2019(12)
[7]基于MOOC平臺的混合式教學模式設(shè)計[J]. 王小偉.  信息與電腦(理論版). 2019(22)
[8]機器學習方法在MOOC學習者學業(yè)完成率預測中的應(yīng)用研究[J]. 郝思源,謝太峰.  數(shù)學的實踐與認識. 2019(21)
[9]特征選擇方法綜述[J]. 李郅琴,杜建強,聶斌,熊旺平,黃燦奕,李歡.  計算機工程與應(yīng)用. 2019(24)
[10]混合式教學環(huán)境下SPOC學習行為影響因素研究[J]. 劉小杏,孫笑倩.  河南科技學院學報. 2019(10)

碩士論文
[1]基于人工智能的網(wǎng)絡(luò)異常行為分析[D]. 宋佳明.北京郵電大學 2019
[2]基于腦偏好風格的在線學習行為序列差異研究[D]. 菅保霞.東北師范大學 2019
[3]基于機器學習的網(wǎng)絡(luò)游戲作弊行為識別應(yīng)用研究[D]. 車林耿.電子科技大學 2019
[4]一種基于行為序列的網(wǎng)絡(luò)用戶異常行為分析方法[D]. 關(guān)海潮.南京郵電大學 2018
[5]基于用戶畫像技術(shù)的內(nèi)部威脅檢測框架研究[D]. 劉春輝.戰(zhàn)略支援部隊信息工程大學 2018



本文編號：3566536