网络学习行为与成绩的关联性发现及其应用研究——以初中英语听力为例
这是一篇关于网络学习行为,学习成绩,教育数据挖掘,教学优化的论文, 主要内容为疫情的突然来临,给传统课堂教学带来了新的挑战,同时也为混合教学提供了实践契机。随着互联网技术的发展,线上与线下教育资源不断融合,混合教学常态化也将成为教育发展的必然趋势。而目前,网络学习行为分析的研究对象,多集中于成年人。其与青少年的身心发展存在显著差异,故而学习行为分析无法直接为中学阶段的教育决策提供支持。因此,分析中学生网络学习行为,对促进中学教学改革、提升教学质量意义重大。本研究立足中学生学习特点,选择“小打卡”平台,以初中英语听力为例,探究网络学习行为与学习成绩间的关联性并加以应用。该平台可以为学生提供一个多元、有趣的网络学习空间,通过打卡机制培养良好学习习惯。同时后台有强大的数据统计功能,便于教师分析管理。本文通过调查问卷收集了天津市某中学七年级两个班共67名学生对“小打卡”平台的使用感受,同时对该平台后台的学生行为数据进行采集,包括打卡天数、发布日记数、获赞数、评论数、点评分数等。首先,运用决策树算法建立了学习行为与成绩的模型,提取出四种关联性规则,并得出相关性较高的行为有评论数、获赞数、点评分数和对平台的喜爱程度,关联性较低的行为有打卡天数、发布日记数。然后,运用K-means算法对不同学习行为特征进行了聚类分组,其结果与决策树模型较为一致,证明了关联性模型的有效性。最后,基于关联规则的挖掘结果,提出教学设计的建议:教学资源注重层次丰富,趣味性强;教学方法多用小组协作,促进交互;教学模式设置关卡,提升粘性。并将其应用于教学实验中,从实验的行为数据结果与成绩数据结果来看,优化后的教学设计能够有效促进学生在“小打卡”平台的交互性学习行为,从而提升学生的听力成绩。
融合元学习方法和异构信息网络的冷启动习题推荐
这是一篇关于教育数据挖掘,个性化习题推荐,冷启动推荐,元学习,异构信息网络的论文, 主要内容为近年来,个性化的习题推荐一直是教育领域的重要研究课题,习题推荐通常分为两个过程,一是根据学生的做题记录来了解学生的知识点掌握情况,二是根据学生的知识点掌握情况结合相关学习策略为学生推荐合适的习题,以达到帮助学生学习的目的。根据学生的特点为学生个性化地推荐习题,可以提高学生学习效率,提升学生的知识水平,也可以帮助学生探索新的知识,复习遗忘的知识点。这对帮助学生更好地掌握、探索、学习与巩固知识点都有着重要的意义。习题推荐算法的进一步发展主要面临两个问题:第一,大量的用户行为数据已经成为推荐系统的前提和重要组成部分,推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣。对于进入系统的新用户或者刚加入系统的习题,由于用户-习题交互较少,便会产生冷启动问题,进而影响推荐的结果,冷启动推荐一直是一个具有挑战性的问题。第二,目前主要的习题推荐策略一般是通过对资源进行评分和排序,或者依赖专家根据经验进行制定,但这种方式往往效率较低,同时难以根据学生学习情况和习题难度来为学生调整推荐方向,并且没有考虑推荐习题结果的多样性,使得推荐效果不好。因此,针对第一个问题,本文以最新解决冷启动推荐问题的模型为基础,融合图卷积神经网络(GCN),提出了Meta HIN-GCN模型。该模型同时利用了模型层面元学习和数据层面异构信息网络来解决冷启动问题。模型将用户-习题-知识点构建成异构信息网络并增加边权信息来丰富数据层面的信息,同时采用GCN来对用户信息进行嵌入,最大程度保留异构图结构的信息,并采用语义增强任务构造器和共同适应元学习器来捕获在元学习环境中基于异构信息网络的语义,进而学习适应多层面语义的一般知识。最后在不同元路径下的预测学生的习题正确概率,并根据注意力机制对元路径结果的进行融合,将合适的习题推荐给学生。针对第二个问题,本文通过引入习题难度、多样性和准确度指标,制定个性化习题推荐策略,根据模型对学生的预测,推荐难度符合预设难度的习题给学生,同时考虑了多样性,在推荐过程中保证推荐习题结果的多样性,令整体的推荐效果更好,推荐结果比原排名推荐的方式更优异、更具可解释性。实验方面,在验证冷启动问题上,本文将数据合理分为多种冷启动场景进行不同的实验验证,保证结果的可靠性和效果的优越性,同时进行参数相关实验,优化调整模型参数,并且与传统推荐模型,异构信息网络模型以及其他冷启动推荐模型进行对比,将本模型的结果进行验证。在习题推荐策略方面,也与目前广泛应用的习题推荐模型进行实验,引入习题难度参数,采取准确度和多样性为指标,对比各项指标的结果的差异和突出性,验证本文模型的推荐效果。
网络教学平台中数据挖掘云系统设计与开发
这是一篇关于教育数据挖掘,支持向量机,SVM,云计算,SOA的论文, 主要内容为当前大数据时代,各类网络教学平台中,逐步储存起各类数据,并且海量地增长着。充分整合利用这些数据,作为教育决策依据,可提高决策的客观性、科学性。教育数据挖掘云系统,则是辅助人们实现这些目标的软件系统,具有重要的研究意义。教育数据挖掘云系统跨教育、数据、软件多个领域,目前尚处于起步阶段。本文对数据挖掘云系统进行设计开发的研究与实践。文章首先通过信息互动系统分析的方法,从信息互动系统的视角对数据挖掘在教育中的应用模式进行了探讨,提出了一个教育数据挖掘原理与工程框架,作为本教育数据挖掘云系统设计开发及应用的教育理论基础。由该框架,结合软件需求分层次模型,形成了本系统的软件需求。算法是教育数据挖掘系统的核心部件,论文在云计算二分类并行SVM算法及单机多分类SVM算法基础上,提出了一种二叉树多分类SVM并行计算算法,通过采用UCI标准数据集样本进行了算法实验,发现该算法相比单机算法,准确率稍低但在可接受范围,效率有明显提高。大规模复杂系统的开发,系统架构是非常重要的部分。论文在分析了云计算架构及SOA服务架构策略后,提出了一种在教育数据挖掘领域的基于云的SOA服务体系架构方案,该体系架构由表现层、接口服务层、云计算业务逻辑层、云数据处理层构成。系统开发实现时,探讨了合理的开发和技术选择策略,探讨了云计算平台、数据同步、后台管理、挖掘算法、服务接口实现等关键技术的实现。最后该系统在由信息互动系统观推导的应用框架指导下,应用于英语语法学习系统、写作学习社区、学习绩效决策支持分析等三个教学系统,检验了该系统在网络教学平台中的应用成效。发现该系统能较好与各种教学系统进行数据挖掘集成应用、能对云环境下的教育数据进行有效的支持向量分类挖掘,能为教育数据挖掘提供有效的使用平台及集成模块。
基于知识追踪的数学知识个性化推荐研究
这是一篇关于知识推荐,教育数据挖掘,知识追踪,知识图谱,遗忘机制的论文, 主要内容为线上教育的迅速崛起产生了海量的教育数据,挖掘分析其中蕴含的个性化信息对于优化教学质量尤为重要。面对海量的学习数据,学生很难在有限的时间内精准学习所需的知识,极有可能重复学习已掌握的知识或浪费时间学习难度过大的知识。特别是对于中小学阶段的学生,每个人的认知水平和认知结构差异性比较大,更需要根据自身差异循序渐进地学习符合认知水平的知识和技能。作为教育数据挖掘领域的重要研究内容,知识追踪(Knowledge Tracing,KT)可以根据历史学习数据准确建模学生的知识水平,追踪知识状态变化并预测其未来的答题表现。然而现有性能较优的知识追踪模型如动态键值记忆网络(Dynamic Key-Value Memory Network,DKVMN),把学生答题准确与否作为建模学生知识掌握程度的唯一依据,忽略了答题过程中学生的知识遗忘、学习行为特征以及练习特征对建模结果的影响。同时,在已有的数学学习资源推荐研究中,研究者多以习题推荐或知识点推荐的单一资源推荐为主,较少考虑从习题和知识点两个层面进行联合推荐。为了解决上述这些问题,本文提出了一种基于知识追踪的数学知识个性化推荐方法,具体研究内容主要包括以下两个方面:(1)针对DKVMN模型忽略了学习者的知识遗忘、学习行为特征以及习题特征对知识追踪结果的影响这一不足,提出了融合遗忘机制和多特征的动态键值记忆网络(Dynamic Key-Value Memory Network by Considering Forgetting Mechanism and Multiple Features,DKVMN-FMF)。首先将做题次数、请求提示、持续时间以及习题难度、习题类型五种特征融入到DKVMN模型中,充分考虑几种特征对于建模学生知识水平的影响,同时增加注意力机制为每个特征赋予权重,以衡量各特征对提高模型性能的重要程度。其次该模型采用拟合遗忘曲线的随时间衰减的幂函数来模拟学生的遗忘行为,以更为全面准确地预测学生的知识掌握程度。在公开的知识追踪数据集ASSISTments2009和ASSISTments2012上进行实验,结果表明扩展后的模型在AUC值和准确率上优于原模型和两种现有的先进模型。(2)针对现有的数学知识推荐研究中较少考虑将习题推荐与知识点推荐相结合这一不足,提出了一种基于知识追踪的数学知识个性化推荐方法(Personalized Recommendation for Mathematical Knowledge based on Knowledge Tracing,KT-PRMK)。首先根据提出的知识追踪方法获取学生的知识掌握程度并划分不同的掌握阶段,然后分别针对不同阶段推荐符合学生认知程度的知识点或习题:对于学生尚未掌握和已掌握阶段的知识点,根据构建的数学知识图谱中知识点之间的语义关系为其推荐相应的前驱或后继知识点;对于学生掌握一般的知识点则通过推荐算法为其推荐相似的习题加以练习;同时从用户偏好的角度为学生推荐可能感兴趣的习题。实验结果证明该推荐方法在数学知识个性化推荐中的有效性。
基于校园网数据的学习行为分析及学业预警技术的研究与实现
这是一篇关于教育数据挖掘,学习行为分析,学业预警,深度学习的论文, 主要内容为科学技术的发展,推动了校园信息化的进程,带来了海量的在校生记录数据。借助数据挖掘技术,从海量数据中挖掘对教育管理者和学习者有用的信息,发现和解决教育研究和实践中的各种问题,具有重要意义。基于校园网利用学生学习行为数据进行学生学业状态和课程风险评估,对有学业风险的学生及时进行学业预警,成为大学教育中保障学习质量,降低辍学率的迫切需求。然而已有的学业分析及预警研究中,大多仅基于在线课程学习数据,缺少学生学习行为习惯对学业带来的影响分析,且未能充分利用多种行为语义,及语义间的相关性,使得对学业和课程风险预测存在局限性。针对上述问题,本文首先利用校园网上网日志数据进行了学生学习行为分析,提出了一种基于多语义特征时域卷积胶囊网络(Multi-Semantic Feature based Time Convolution Capsule Network,MSF-TCCN)的学业风险预测算法。模型针对数据分布特点及相关性分析设计了一种多语义层级特征输入,并利用矢量神经元结构捕捉学生行为在时间维度的相互影响。实验结果表明,本算法性能优于多种基线算法。其次,针对特定课程的风险预警问题,本文提出了一种多维时域特征的融合神经网络(Multi-Dimensional Time Feature based Fusion Neural Network,MDTF-FNN)算法,通过多维特征时间序列输入在线学习日志中的学习行为特征,与上网数据中的日常行为特征进行融合,实现对该课程的风险预测,并通过对比实验验证了算法的有效性。最后搭建了一个学习行为画像与学业预警系统,使用前后端分离设计,并运用Spring框架和Vue.js框架对本研究中的成果进行了展示。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工厂 ，原文地址：https://bishedaima.com/lunwen/45350.html
