基于行为识别的课堂深度学习成绩预测模型研究

课堂学习行为智能识别和大数据分析为课堂高阶认知评价带来契机。利用数据技术挖掘学生课堂学习行为对深度学习成绩的影响关系,解决识别与评价课堂高阶认知不足的现实问题。以英语和化学两门学科为例,以课堂学习行为为自变量,以测试试卷深度学习成绩为因变量,通过高斯消元、回代总样本求均方差最优解等算法,分析出课堂“听讲”“阅读”等8种课堂行为对深度学习成绩的权重影响,构建课堂学习行为与深度学习成绩间的预测模型,依据模型可识别和评价学生的高阶认知是否发生,为常态课堂高阶认知规模化评价提供科学依据和技术支撑。

基于在线学习行为的学习成绩预测及教学反思

文章通过采集在线学习学员的人口统计信息、自主学习行为和协作学习行为,通过使用决策树、贝叶斯网络、神经网络和支持向量机,分别构造了不同的学习成绩预测模型;通过比较模型的准确率、召回率和F值,最终选择基于贝叶斯网络的成绩预测模型。随后,通过分析该模型,文章得到在线学习成绩的直接影响因素依然是自主学习行为、协作学习行为通过提高学员的学习积极性来影响成绩的结论。最后,文章提出组织教学资源时,最好首先提供先行组织者和加强学习讨论监管以促进有效交互的教学策略。

基于AdaBoost的MOOC学习成绩预测模型研究

为了识别有辍学风险或问题倾向的学习者,从而有针对性地进行指导、干预或预警,开展MOOC环境下的学习预测研究。该研究虽然引起广泛重视,但不成熟,还需要通过更多的实证工作构建更加精准的预测模型,助力在线教育向智能化方向发展。利用中国大学MOOC课程数据和RapidMiner大数据挖掘研究平台,构建基于AdaBoost算法的MOOC学习者学习成绩预测模型。实验结果表明:①模型具有较强的预测能力,综合预测精度为86.39%,具有实际应用价值;②登录间隔标准差等5个指标对“不及格学习者”具有较好的预测作用;③帖子的TF-IDF累计值等15个指标对“及格学习者”具有较好的预测作用。

基于k-近邻优化算法慕课学习成绩预测研究

如何利用学生在线学习大数据进行分析挖掘出有价值的信息成为当前学习分析领域的一个研究热点。为了预测慕课课程学生的学习成绩,首先对慕课在线数据和课堂学习表现数据进行了数据建模,定义了各数据项;然后构建了基于k-近邻优化算法的学习成绩预测模型,为消除多项数据之间的差异提出了数据预处理方法;最后给出了基于遗传算法的k-近邻优化算法的原理,并采用Python语言实现。根据结课学员数据,预测在学学员的学习成绩,实验结果表明,采用遗传算法优化后的k-近邻算法使得预测精度更高。

基于PSO-BP网络的学习成绩预测研究

智慧课堂背景下对学生学习成绩的预测是制定更具针对性学习方案的关键,文章采用PSO-BP网络对目标课程学习成绩进行预测,同时和BP网络对目标课程学习成绩的预测结果进行对比。结果表明,PSO-BP网络对目标课程成绩预测精度高,但对目标成绩预测不宜采用等级法。此研究对目标课程成绩预测,更好地优化教学资源具有一定的参考价值。

基于人工神经网络的学习成绩预测

准确预测大学生的学习成绩,对于提高学生学习成绩和提高教师教学质量具有重要意义。本文以前向神经网络为模型,采用Levenberg-Marquardt算法计算模型的最优权值,实现了大学生平时的行为对学习成绩影响的映射。实验基于800个学生样本,通过计算发现模型精度高达79.1%,本文提出的方法有效。

基于多算法融合的在线学习成绩精准预测研究

学习成绩早期预测是解决在线学习辍学率高、参与度低等问题的关键要素,如何实现在线学习成绩精准预测是亟待解决的科学议题。已有研究主要采用单一算法训练单一分类器和集成分类器预测学习成绩,然而该方法预测精准性较低。研究设计基于多算法的在线学习成绩预测框架,融合神经网络、决策树、K-近邻、随机森林和逻辑回归算法预测学习者在线学习成绩,并进行了预测性能分析。研究结果表明,多算法融合预测精准性优于单一算法,预测结果在应用中有助于学习者意识到潜在的学业风险,促进其积极参与学习活动,显著提高在线课程学习质量。

基于机器学习的学生成绩预测及教学启示

利用学习分析技术挖掘在线学习特征是理解与优化教学过程、实现教学决策和学业预警的重要依据。在采集在线学习者的人口统计信息、学习背景、家长参与以及学习者的行为特征等信息的基础上,首先使用感知机、支持向量机和神经网络等分类算法,分别构造了不同的学习成绩预测模型;通过比较模型的准确度、召回率、F值,误分类样本数量和精确度,最终选择基于支持向量机的成绩预测模型。其次,通过分析模型参数,得出了影响学习成绩的主要因素是学习者参与小组讨论、课堂举手、访问与课程相关资源以及浏览通告等学习者行为特征的结论。最后,提出教师应该关注学生的学习行为特征,合理运用价值动机理论和内隐智力信念调节机制,激发学生的学习投入和学习动力的教学启示。

混合课程场景下学生成绩预测模型可迁移性研究

在混合课程中收集学生学习过程数据,构建学生成绩预测模型,可辅助教师动态调整教学策略。目前混合课程场景下,学生成绩预测研究很少应用于实践的瓶颈问题之一是预测模型难以从构建场景中迁移到其他场景。本文梳理了混合课程学生成绩预测模型迁移时,影响预测结果准确率的因素,包括构建预测模型的结果准确率,具体场景下混合课程训练样本的特征,机器学习算法数据处理方式及目标课程的特征。使用A校两学期所有混合课程数据构建了成绩预测模型并将其迁移应用到B校的案例课程中连续观察三学年后发现:(1)使用样本规模较大,特征值的完整性和数据可变性较强的数据获得的成绩预测模型具有较强可迁移性,研究显示“高活跃型”混合课程符合这些特征;(2)增量学习方法和批量学习方法都可构建具有较高预测结果准确率(超过70%)的成绩预测模型,增量学习方法更有助于成绩预测模型的迁移应用;(3)在模型迁移应用时,增量学习数据处理算法构建的模型可得到更高的预测结果准确率,且应用目标课程与“高活跃型”混合课程的学生在线行为数据分布相似时,预测结果准确率较高。上述研究发现为混合课程场景下学生成绩预测模型的迁移提供了实证基础和基本思路。