الاستدلال الضبابي متعدد المنظورات والتحليل القائم على XGBoost لسلوك التعلم عبر الإنترنت

Summary

تستخدم هذه الدراسة نموذج التفكير الضبابي متعدد المنظورات وخوارزمية تعزيز التدرج الأقصى المحسنة (XGBoost) (المحسنة بواسطة خوارزمية تحسين الذئب الرمادية) لتحليل سلوك التعلم عبر الإنترنت وتصنيف مشاعر تعليق الطلاب، مما يوفر الدعم للتدريس الشخصي والتدخل في الوقت المناسب.

Abstract

لقد جعل التطور السريع للتعليم عبر الإنترنت الفصول الدراسية عبر الإنترنت جزءا مهما من مجال التعليم. يمكن أن يساعد التحليل المتعمق لسلوك التعلم لدى الطلاب في التدريس عبر الإنترنت المعلمين على تحسين استراتيجيات التدريس وتقديم دعم تعليمي مخصص للطلاب. لذلك، لإجراء تحليل معمق لسلوك التعلم لدى الطلاب، تجمع هذه الدراسة بيانات من منصات التدريس عبر الإنترنت وتعالجها مسبقا. بعد ذلك، تبني هذه الدراسة نموذجا متعدد المنظورات للاستدلال الضبابي يغطي ثلاثة أبعاد: المنهج الدراسي، الفرد، والصف، لتقييم أداء الطلاب التعليمي من مستويات مختلفة بشكل شامل. يعالج هذا النموذج المعلومات غير المؤكدة في بيانات سلوك التعلم من خلال مجموعات ضبابية وقواعد ضبابية، محققا تقييما متعدد الأبعاد لأداء التعلم. تم تصميم خوارزمية XGBoost المحسنة لتصنيف مشاعر الطلاب عند التعليق. تعمل هذه الخوارزمية المحسنة على تحسين المعاملات الفائقة لخوارزمية XGBoost من خلال تحسين خوارزمية تحسين الذئب الرمادي. تعزز الخوارزمية دقة تصنيف المشاعر وتستكشف بشكل أعمق النزعات العاطفية وردود الفعل الموقفية وراء سلوكهم أثناء التعلم. أظهرت النتائج أنه من منظور المنهج الدراسي، كان معدل إكمال مهام المقرر قبل 3 أسابيع من الامتحان أعلى من 45٪، وهو أعلى بكثير من معدل الإنجاز بعد ثلاثة أسابيع من إصدار المهمة (كلاهما أقل من 18٪). أشارت هذه النتائج إلى أن الطلاب كانوا أكثر ميلا لإكمال المهام قبل الموعد النهائي ولديهم تساطف واضح. كانت الدقة القصوى لخوارزمية التصنيف المحسنة 98.78٪، والتي كانت أعلى بنسبة 8.57٪، 7.55٪، 6.38٪، و6.01٪ من نموذج المقارنة، وكان متوسط استهلاكها الزمني 58 مللي ثانية. كانت معدلات الاستدعاء على المشاعر السلبية والإيجابية والمحايدة 98.35٪، 97.69٪، و98.02٪. يمكن لنموذج البحث تحليل سلوك التعلم عبر الإنترنت لدى الطلاب بفعالية وتمكين التعرف المبكر على الطلاب المعرضين للخطر، مما يسهل التدريس الشخصي والتدخل الدقيق في التعليم عبر الإنترنت.

Introduction

لقد جعل التكامل العميق بين الإنترنت والتكنولوجيا التعليمية التعليم عبر الإنترنت ينتقل من مجرد ملحق هامشي إلى شكل رئيسي. بحلول نهاية عام 2023، تجاوز عدد المتعلمين المسجلين عبر الإنترنت حول العالم 1.2 مليار، واحتلت الصين باستمرار المرتبة الأولى عالميا في كل من عدد الدورات المفتوحة الضخمة عبر الإنترنت (MOOCs) والمتعلمين ^1,2. ومع ذلك، بينما يوفر التدريس عبر الإنترنت الراحة، فإنه يكشف أيضا عن تحديات مثل عملية التعلم الغامضة، وفصل المعلمين والطلاب في الزمان والمكان، وتأخر التغذية الراجعة التنظيمية. هناك علاقة إيجابية بين بيانات سلوك التعلم والأداء الأكاديمي. يمكن للضبط الديناميكي ال....

Protocol

تصميم طريقة LBA مع الأخذ في الاعتبار ال MPFR والمنظورات العاطفية

تم إنشاء نظام تقييم متعدد المنظورات لتحليل سلوك التعلم عبر الإنترنت للطلاب (SOLB)، وتم تصميم نموذج MPFR. لتحليل مشاعر الطلاب الذاتية في التعلم بشكل أعمق، تعتمد هذه الدراسة خوارزمية XGBoost وصممت خوارزمية IGWO لتحسين المعاملات الفائقة لتحسين دقة التصنيف.

بناء نموذج MPFR ل LBA

لتحليل SOLB، تبدأ هذه الدراسة بشكل رئيسي من منظورين لتشكيل خطة تحليل كاملة. أولا، من حيث الأداء التعليمي، تأخذ هذه الدراسة في الاعتبار ثلاثة وجهات نظر: المنهج الدراسي، الفرد، والصف، ل....

Results

نتائج تحليل السود (LBA) التي تنظر في تصنيف المنظور المتعدد والمشاعر

للتحقق من الأداء، يتم إعداد بيئة التجربة ووصف مجموعة البيانات التجريبية. بالإضافة إلى ذلك، تختار هذه الدراسة خوارزمية IGWO-XGBoost المقارنة وتحللها وتتحقق منها باستخدام مؤشرات مثل الدقة، واستهلاك الوقت، ومعدل الاستدعاء. في تحليل النتائج، تقسمه الدراسة إلى قسمين واضحين: نتائج LBA عبر MPFR والتحقق من أداء تصنيف المشاعر عبر IGWO-XGBoost.

تحليل .......

Discussion

لتحليل SOLB، صممت هذه الدراسة نماذج MPFR وIGWO-XGBoost واستخدمت بيانات من منصات التعليم عبر الإنترنت. في التجربة، كان هناك اتساق عال بين تقييم نموذج الاستدلال والدرجة الفعلية، مما يشير إلى فعالية نموذج الاستدلال. حوالي 25٪ من الطلاب كان لديهم وقت دراسة يتراوح بين 1-10 ساعات في المقرر. كانت نسبة الطلاب الذين لديهم ساعات دراسة بين 11-20، 21-30، 31-40 ساعة، وأكثر من 41 ساعة هي 30٪، 20٪، 15٪، و10٪. وقد أشار هذا إلى أن غالبية الطلاب حافظوا على كثافة تعلم متوسطة، بينما كان أولئك الذين يشاركون .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
نموذج اللغة المدرب مسبقا من BERT	بحث جوجل	https://github.com/google-research/bert
قاموس المشاعر CNKI	CNKI	https://www.cnki.net/
منصة تشاوشينغ تتعلم بيانات السلوك	شركة تشاوشينغ لتطوير تكنولوجيا المعلومات المحدودة	https://www.chaoxing.com/
ذاكرة الحاسوب			مورد الأجهزة العالمي (بدون طراز محدد)
قائمة المصطلحات التي توقفت عن العمل في معهد هاربين للتكنولوجيا	معهد هاربين للتكنولوجيا	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	شركة إنتل	BX8071512600KF
أداة تقسيم كلمات جيبا (وضع الدقة)	مجتمع المصادر المفتوحة من طرف ثالث	https://github.com/fxsjy/jieba.
بيانات مراجعة الطلاب في منصة MOOC	شبكة دورات الحب	https://www.icourse163.org/
مكتبة NLTK	فريق تطوير NLTK	https://www.nltk.org/
لغة البرمجة بايثون	مؤسسة بايثون للبرمجيات	https://www.python.org/
Scikit-learn 1.2.2	فريق سيكيت للتعلم	https://scikit-learn.org/stable/
منصة الشجرة الذكية تتعلم بيانات السلوكيات	شبكة الأشجار الذكية	https://www.zhihuishu.com/
تقنية SMOTE	فريق تطوير التعلم غير المتوازن	مدمجة في مكتبة التعلم غير المتوازن، https://imbalanced-learn.org/stable/
نظام تشغيل ويندوز 10	شركة مايكروسوفت	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	فريق تطوير XGBoost	https://xgboost.readthedocs.io/