基于多视角模糊推理与XGBoost的在线学习行为分析

摘要

本研究采用多视角模糊推理模型和一种改进的极端梯度提升（XGBoost）算法（通过改进的灰狼优化算法进行优化），分析在线学习行为并分类学生评论情绪，为个性化教学和及时干预提供支持。

摘要

在线教育的蓬勃发展使得网络课堂已成为教育领域的重要组成部分。深入分析学生在网络教学中的学习行为，有助于教师优化教学策略，并为学生提供个性化的学习支持。因此，为开展对学生学习行为的深入分析，本研究采集了在线教学平台的数据并进行预处理。随后，本研究构建了一个涵盖课程、个体和班级三个维度的多视角模糊推理模型，从不同层次综合考量学生的学习表现。该模型通过模糊集和模糊规则处理学习行为数据中的不确定性信息，实现了对学习表现的多维度评估。本研究设计了一种改进的XGBoost算法用于对学生评论情感进行分类。该改进算法通过优化灰狼优化算法，对XGBoost算法的超参数进行调优，提升了情感分类的准确性，进一步挖掘了学习行为背后的情感倾向与态度反馈。结果表明，从课程维度来看，考试前3周课程任务的完成率基本高于45%，远高于任务发布后3周内的完成率（均低于18%），说明学生更倾向于在截止日期前完成任务，存在明显的拖延现象。改进分类算法的最大准确率达到98.78%，分别比对比模型高出8.57%、7.55%、6.38%和6.01%，其平均耗时为58 ms；在负面、正面和中性情感上的召回率分别为98.35%、97.69%和98.02%。研究表明，该模型能够有效分析学生的在线学习行为，实现对潜在风险学生的早期识别，从而推动在线教育中的个性化教学与精准干预。

引言

互联网与教育技术的深度融合使在线教育实现了从边缘补充到主流形式的跃迁。截至2023年底，全球注册在线学习者人数已超过12亿，中国在大规模开放在线课程（MOOC）数量和学习者人数方面持续位居世界首位^1,2。然而，在线教学在带来便利的同时，也暴露出学习过程不透明、师生在时间和空间上的分离以及监管反馈滞后等挑战。学习行为数据与学业表现之间存在正相关关系，基于数据的动态调整可使课程完成率提高20%以上，并显著降低辍学风险^3,4,5。因此，开展学习行为分析（Learning Behavior Analysis, LBA）至关重要。针对这一问题，当前的方法包括描述性统计、关联规则挖掘以及传统机器学习分类⁶。众多学者已对此问题展开研究。

为了开展学习行为分析（LBA），Li Y 等人利用哈佛大学和麻省理工学院在线教学平台的学习行为数据，构建了脉冲神经网络（Pulse Neural Network, PNN）以预测学习成果，并分析了学习行为与学习结果之间的相关性。基于PNN的在线学习行为预测模型准确率达到99.80%

方案

综合考虑多视角模糊推理与情感视角的LBA方法设计

构建了一个多视角评估系统，用于分析学生在线学习行为（SOLB），并设计了MPFR模型。为了进一步分析学生在学习过程中的主观感受，本研究采用了XGBoost算法，并设计了IGWO算法进行超参数优化，以提高分类准确率。

用于学习行为分析的多视角模糊推理模型的构建

为分析学生在线学习行为（SOLB），本研究主要从两个角度出发，形成完整的分析方案。首先，在学习表现方面，本研究从课程、个体和班级三个维度出发，构建多视角模糊推理（MPFR）模型。其次，在学生评论的情感分析方面，本研究设计了一种改进的XGBoost算法。通过分析学习表现及学生反馈情绪，本研究能够更深入地解析SOLB。在学习表现分析的具体技术细节方面，本研究首先获取在线学习平台的数据并进行预处理；其次，从不同维度选取核心学习表现评价指标，构建综合评价体系；随后，建立相应的MPFR模型以评估学习行为。

本研究选取超星平台的数据（来源：https://www.chaoxing.com/）。数据包含课堂活动、成绩评价等多个维度的信息，可为后续学习行为分析（LBA）提供良好基础。获取数据后需进行预处理，主要包括无关字段删除、数据筛选和数据完整性检查。例....

结果

综合多视角与情感分类的LBA结果

为了验证性能，设置了实验环境并描述了实验数据集。此外，本研究选取了对比算法IGWO-XGBoost，并使用准确率、耗时和召回率等指标对其进行分析与验证。在结果分析中，研究将其分为两个明确的部分：基于MPFR的LBA结果，以及基于IGWO-XGBoost的情感分类性能验证。

通过MPFR进行学习行为分析

为了验证MPFR的性能并从多个角度分析学生的学习行为，本研究采用Windows 10系统和Intel Core i5-12600KF中央处理器。该处理器主频为3.7 GHz，动态加速频率为4.9 GHz，支持最大128 GB内存。在数据集中，从超星平台（来源：https://www.chaoxing.com/）获取了约50,000条来自1,000人的数据。经过数据预处理后，仍保留48,652条记录。这些数据包含课程任务完成率、课程学习时长等多个维度的信息。从课程视角出发的L.......

讨论

针对SOLB的分析，本研究设计了MPFR模型和IGWO-XGBoost模型，并利用在线教学平台的数据进行实验。实验结果显示，推理模型的评分与实际得分之间具有高度一致性，表明该推理模型有效。约25%的学生在课程中的学习时长为1–10小时，学习时长在11–20小时、21–30小时、31–40小时以及超过41小时的学生比例分别为30%、20%、15%和10%。这表明大多数学生保持了中等强度的学习投入，而学习时间极短或极长的学生占比较小。不同优化算法在XGBoost模型超参数优化上的结果存在差异，其中IGWO表现更优。IGWO-XGBoost的分类时间为100 ms，F1分数为0.968。IGWO-XGBoost的最大分类准确率达到98.78%，最小值为95.02%，显著高于对比模型。在负向、正向和中性情绪上的召回率，IGWO-XGBoost均高于对比模型。在负向情绪方面，IGWO-XGBoost与对比模型的最大召回率分别为98.35%、90.12%、91.05%、92.30%和93.10%。综上所述，MPFR模型与IGWO-XGBoost模型均表现出良好的性能，能够有效分析学生的学习行为。在实际应用价值方面，该研究方法可通过两个具体应用场景为.......

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BERT 预训练语言模型	Google research	https://github.com/google-research/bert
CNKI 情感词典	CNKI	https://www.cnki.net/
超星平台学习行为数据	超星信息技术发展有限公司	https://www.chaoxing.com/
计算机内存			通用硬件供应商（无具体型号）
哈尔滨工业大学停用词表	哈尔滨工业大学	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Jieba 分词工具（精确模式）	第三方开源社区	https://github.com/fxsjy/jieba.
MOOC 平台学生评论数据	爱课程网	https://www.icourse163.org/
NLTK 库	NLTK 开发团队	https://www.nltk.org/
Python 编程语言	Python 软件基金会	https://www.python.org/
Scikit-learn 1.2.2	Scikit-learn 团队	https://scikit-learn.org/stable/
智慧树平台学习行为数据	智慧树网	https://www.zhihuishu.com/
SMOTE 技术	Imbalanced Learn 开发团队	集成于 Imbalanced Learn 库，https://imbalanced-learn.org/stable/
Windows 10 操作系统	Microsoft corporation	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost 开发团队	https://xgboost.readthedocs.io/