今春突發(fā)的新冠肺炎疫情是對(duì)我國(guó)在線教育的一次重大考驗(yàn),在疫情防控期間各類(lèi)學(xué)校開(kāi)展各種形式的在線教學(xué)工作,實(shí)現(xiàn)了“停課不停學(xué)”的目標(biāo),這表明進(jìn)一步推進(jìn)在線教育發(fā)展的必要性和重要性。大規(guī)模開(kāi)放在線課程（Massive Open Online Courses,MOOCs）作為在線教育的一種形式,以其不受時(shí)空限制等諸多優(yōu)勢(shì),近年來(lái)吸引了大量學(xué)習(xí)者,發(fā)展迅速。然而,由于寬松的學(xué)習(xí)環(huán)境,目前面向MOOCs的學(xué)習(xí)存在以下兩個(gè)問(wèn)題:課程輟學(xué)率較高和學(xué)習(xí)者學(xué)習(xí)效果較差。研究表明,學(xué)習(xí)行為和情感是影響輟學(xué)和學(xué)習(xí)效果的重要因素。面向MOOCs的學(xué)習(xí)行為和情感分析是新型教育環(huán)境下降低輟學(xué)率、改善學(xué)習(xí)效果的突破口,迅速成為當(dāng)前研究熱點(diǎn)。雖然已經(jīng)涌現(xiàn)出諸多相關(guān)研究,面向MOOCs的學(xué)習(xí)行為和情感分析在實(shí)際應(yīng)用中,仍然面臨以下挑戰(zhàn):第一,在輟學(xué)行為預(yù)測(cè)方面,采用不同的學(xué)習(xí)行為特征預(yù)測(cè)結(jié)果不同,可能導(dǎo)致預(yù)測(cè)結(jié)果波動(dòng)較大,識(shí)別準(zhǔn)確率較低。第二,在學(xué)習(xí)行為和學(xué)習(xí)效果分析方面,目前大多研究重點(diǎn)關(guān)注學(xué)習(xí)行為和學(xué)習(xí)效果的相關(guān)關(guān)系分析,缺乏因果關(guān)系分析,導(dǎo)致分析的結(jié)論不可靠,無(wú)法提供有效的決策支持。第三,在情感分析方面,有監(jiān)督的... 

【文章來(lái)源】：西北大學(xué)陜西省 211工程院校

【文章頁(yè)數(shù)】：133 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

輟學(xué)行為預(yù)測(cè)的實(shí)驗(yàn)結(jié)果

第二章面向網(wǎng)絡(luò)日志的輟學(xué)行為預(yù)測(cè)29表2.5平均訓(xùn)練時(shí)間（秒）方法DT-ELMTALSTMGA-ELM時(shí)間1.63832.427>1003.3649根據(jù)實(shí)驗(yàn)結(jié)果，在整體性能方面，DT-ELM五周的平均準(zhǔn)確率和F1值分別達(dá)到89.29%和91.49%，優(yōu)于對(duì)比方法在這兩個(gè)指標(biāo)上的五周平均值，且它的平均訓(xùn)練時(shí)間為1.6383秒，在所有類(lèi)別中用時(shí)最少。具體地，TA在兩個(gè)指標(biāo)上的結(jié)果最低，LSTM較TA在整體性能上有一定提升，但它的訓(xùn)練時(shí)間大于100秒，在所有方法中用時(shí)最長(zhǎng)，開(kāi)銷(xiāo)過(guò)大。GA-ELM的結(jié)果優(yōu)于LSTM，略低于DT-ELM。根據(jù)實(shí)驗(yàn)結(jié)果，第四周和第五周的預(yù)測(cè)結(jié)果高于其他幾周。為了分析原因，我們對(duì)每周的輟學(xué)率進(jìn)行統(tǒng)計(jì)分析，與前三周相比，最后兩周的平均輟學(xué)率更高，這意味著學(xué)習(xí)者的行為模式更容易識(shí)別，另一方面也說(shuō)明了輟學(xué)預(yù)測(cè)研究的重要性，輟學(xué)率在課程后期普遍高于課程初期。因此，為了進(jìn)行有效的干預(yù)，首先需要準(zhǔn)確地識(shí)別有輟學(xué)風(fēng)險(xiǎn)的學(xué)習(xí)者。從算法時(shí)間復(fù)雜度方面分析，DT-ELM結(jié)合了決策樹(shù)和ELM，C4.5算法的時(shí)間復(fù)雜度為，其中為樣本數(shù)，為輸入的特征數(shù)[75]。ELM的算法時(shí)間復(fù)雜度為，其中為隱含神經(jīng)元個(gè)數(shù)[76]。因此，DT-ELM的時(shí)間復(fù)雜度等于C4.5和ELM的時(shí)間復(fù)雜度相加之和。盡管DT-ELM的時(shí)間復(fù)雜度高于一些對(duì)比算法，如LG的時(shí)間復(fù)雜度為，但從預(yù)測(cè)準(zhǔn)確率和訓(xùn)練開(kāi)銷(xiāo)整體考慮，DT-ELM的預(yù)測(cè)效果較對(duì)比算法有一定優(yōu)勢(shì)。2.5.4特征選擇對(duì)模型性能的影響為了驗(yàn)證特征選擇的有效性，本文對(duì)比了DT-ELM和ELM的實(shí)驗(yàn)結(jié)果，如圖2.4所示。圖2.4特征選擇對(duì)模型性能的影響

西北大學(xué)博士學(xué)位論文30DT-ELM在兩個(gè)指標(biāo)上的實(shí)驗(yàn)結(jié)果優(yōu)于ELM，結(jié)果表明，特征選擇提高了輟學(xué)行為預(yù)測(cè)的結(jié)果，用較少的特征進(jìn)行輟學(xué)行為預(yù)測(cè)比用所有學(xué)習(xí)行為特征進(jìn)行預(yù)測(cè)取得更好的實(shí)驗(yàn)結(jié)果，選擇盡可能多的學(xué)習(xí)行為特征并不能達(dá)到最佳的預(yù)測(cè)結(jié)果。根據(jù)前面提到的熵理論，具有不同的信息增益比的學(xué)習(xí)行為特征具有不同的分類(lèi)能力，具有低增益比值的學(xué)習(xí)行為特征可能會(huì)削弱模型的預(yù)測(cè)能力。2.5.5特征增強(qiáng)和連接初始化對(duì)模型性能的影響為了驗(yàn)證特征增強(qiáng)對(duì)模型的有效性，我們將DT-ELM與其去掉特征增強(qiáng)功能的方法Without-FE進(jìn)行比較。類(lèi)似地，為了驗(yàn)證連接初始化對(duì)模型的有效性，我們將DT-ELM與其去掉連接初始化功能的方法Without-IC進(jìn)行了比較。三種方法的實(shí)驗(yàn)結(jié)果如圖2.5所示。根據(jù)實(shí)驗(yàn)結(jié)果，DT-ELM的實(shí)驗(yàn)結(jié)果均高于Without-FE和Without-IC，驗(yàn)證了特征增強(qiáng)和連接初始化對(duì)模型性能的有效性。Without-IC方法的實(shí)驗(yàn)結(jié)果在兩個(gè)指標(biāo)上均高于Without-FE方法，說(shuō)明特征增強(qiáng)對(duì)模型在提升預(yù)測(cè)準(zhǔn)確性方面的貢獻(xiàn)大于連接初始化。圖2.5特征增強(qiáng)和連接初始化對(duì)模型性能的影響2.5.6訓(xùn)練集大小對(duì)模型性能的影響為了驗(yàn)證訓(xùn)練集大小對(duì)模型性能的影響，我們?cè)O(shè)計(jì)了兩組實(shí)驗(yàn)，第一組（DT-ELM-SE）包括在10門(mén)課程中注冊(cè)人數(shù)最少的5門(mén)課程，注冊(cè)人數(shù)從幾百人到約一千人，第二組（DT-ELM-LE）包括注冊(cè)人數(shù)最多的5門(mén)課程，注冊(cè)人數(shù)從幾千人到上萬(wàn)人，我們使用本文提出的模型在這兩組課程數(shù)據(jù)上分別進(jìn)行實(shí)驗(yàn)，結(jié)果如圖2.6所示。根據(jù)實(shí)驗(yàn)結(jié)果，用于模型訓(xùn)練的數(shù)據(jù)越多，分類(lèi)結(jié)果越好。在時(shí)間方面，DT-ELM-LE和DT-ELM-SE的平均訓(xùn)練時(shí)間分別為1.6752秒和1.6014秒，差異不大。盡管模型在注冊(cè)人數(shù)較少的課程上的預(yù)測(cè)結(jié)果低于注冊(cè)人數(shù)較多的課程，但整體結(jié)果仍高于第一組

【參考文獻(xiàn)】：
期刊論文
[1]數(shù)據(jù)挖掘視角下網(wǎng)絡(luò)學(xué)習(xí)者行為特征聚類(lèi)分析[J]. 王改花,傅鋼善.  現(xiàn)代遠(yuǎn)程教育研究. 2018(04)
[2]網(wǎng)絡(luò)評(píng)論方面級(jí)觀點(diǎn)挖掘方法研究綜述[J]. 韓忠明,李夢(mèng)琪,劉雯,張夢(mèng)玫,段大高,于重重.  軟件學(xué)報(bào). 2018(02)
[3]情感分類(lèi)研究進(jìn)展[J]. 陳龍,管子玉,何金紅,彭進(jìn)業(yè).  計(jì)算機(jī)研究與發(fā)展. 2017(06)
[4]基于行為序列分析對(duì)在線學(xué)習(xí)參與模式的探索[J]. 李爽,鐘瑤,喻忱,程罡,魏順平.  中國(guó)電化教育. 2017(03)
[5]基于非時(shí)序觀察數(shù)據(jù)的因果關(guān)系發(fā)現(xiàn)綜述[J]. 蔡瑞初,陳薇,張坤,郝志峰.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[6]因果關(guān)系及其在社會(huì)媒體上的應(yīng)用研究綜述[J]. 趙森棟,劉挺.  軟件學(xué)報(bào). 2014(12)
[7]基于MOOC數(shù)據(jù)的學(xué)習(xí)行為分析與預(yù)測(cè)[J]. 蔣卓軒,張巖,李曉明.  計(jì)算機(jī)研究與發(fā)展. 2015(03)
[8]基于句法與主題擴(kuò)展的中文微博情感傾向性分析模型[J]. 陸浩,牛振東,張楠,孫星愷,劉文禮.  北京理工大學(xué)學(xué)報(bào). 2014(08)
[9]行為科學(xué)理論指導(dǎo)下的高校大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)行為研究[J]. 劉中宇,周曉.  中國(guó)電化教育. 2008(05)

博士論文
[1]面向e-Learning的學(xué)習(xí)者情感建模及應(yīng)用研究[D]. 黃煥.華中師范大學(xué) 2014



本文編號(hào)：3275180