面向在线学习的学习成效早期预测模型

• 作者: 黄江涛 谢颖
• 来源期刊: 南宁师范大学学报（自然科学版）
• 学科: 教育
• 关键词: 循环神经网络 辍学预测 在线学习 学习成效分析 数据融合
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 数学与计算机科学
• 页码范围: 86-93
• 页数: 7页
• 分类号: TP18,G434
• 语种: 中文
• DOI: 10.16601/j.cnki.issn2096-7330.2022.01.013

摘要

早期在线学习成效预测存在数据稀疏和数据不平衡问题，导致现有预测模型性能不高，难以实现有针对性的早期在线学习干预。另一方面，一些研究发现辍学情况在在线学习的早期发生的概率较高。针对该问题，提出了一种基于差分循环神经网络的在线学习成效早期预测模型（Early Learning Performance Prediction Model,ELEPP），通过分析在线学习者学习行为异常提升早期预测性能，同时规避不同在线学习者学习习惯和学习能力对模型参数学习的影响。首先，构架差分循环神经网络基础模型（Differential Recurrent Neural Network based on LSTM,DiffLSTM），学习在线学习者潜在学习模式，并捕捉学习行为异常；其次，编码在线学习行为数据和在线学习者个人背景信息；最后，构建在线学习成效早期预测模型ELEPP，融合DiffLSTM的在线学习行为时序分析结果和在线学习者个人背景信息编码分析结果，提升早期预测成效。实验结果表明，在早期在线学习成效预测上ELEPP模型能获得更好的准确率和F1值评估指标，DiffLSTM可以有效地捕捉到早期在线学习行为的异常，另一方面，在线学习者背景信息也能有助于早期预测性能的提升。