研究文章

面向工科院校智能教学管理系统的数据驱动型学生兴趣识别

1 次观看

⸱

DOI：

10.3791/71574

⸱

2026年9月1日

1School of Foreign Languages, Bengbu University

本文内容

摘要

元学习混合量子-经典神经分类器（ML-HQNC）协议融合了受量子启发的认知建模、数据预处理、特征选择以及混合神经学习方法，用于识别工科学生的兴趣。该协议提出了一种可重复的、受量子启发的混合机器学习工作流程，应用于教育数据分析，并通过利用多维教育数据识别工科学生兴趣的实例加以展示。

摘要

本方案提出了一种受量子启发的计算框架，用于利用多维度的教育与行为数据识别工科学生的学习兴趣。目标是提供一个系统化且可重复的工作流程，整合数据预处理、行为模式分析、特征选择以及混合神经学习，以支持教育决策与个性化学习。该工作流程首先采用Box-Cox稳健四分位距缩放法（BCRIS）对教育数据进行预处理与归一化，以降低语义噪声并提升数据质量。随后，利用量子认知状态模型（QCSM）分析学生的学习行为，该模型可在不确定条件下表征行为转变及不断演化的学习偏好。接着，采用量子增强型群智能-鲸鱼优化特征选择算法（QES-WOFS）筛选相关特征，以减少特征冗余并识别具有信息量的行为特征。最后，元学习混合量子-经典神经分类器（ML-HQNC）将受量子启发的学习方法与深度神经网络相结合，实现对学生兴趣的分类。本方案使用一个公开的教育数据集进行了验证。模型性能通过传统指标（包括准确率、F1分数和受试者工作特征曲线下面积（AUC））以及兴趣检测精度（IDP）、量子模式稳定性指数（QPSI）和跨领域适应性增益（CDAG）进行评估。该框架在所评估的数据集上实现了96.17%的整体分类准确率。本方案为分析多维度教育数据提供了一个可重复的计算工作流程，可用于支持智能化教育管理与个性化学习应用。

引言

随着信息技术和计算机网络的快速发展，教育管理系统在教育领域的应用日益广泛。高等教育的持续发展伴随着学生入学人数的增加，尤其是工程类专业学生人数的增长，导致教育管理数据量显著上升。这一趋势有助于推动教育的可持续发展，加快教育信息化进程，并促进标准化教育管理体系的建立，从而提高教学管理的一致性和效率。机器学习（Machine Learning, ML）提供了一系列计算技术，使系统能够分析数据、从模式中学习，并在无需显式编程的情况下持续优化预测性能1,2。

教育质量是高等教育的基本组成部分。近年来，考试被广泛用于评估工科学生对课程内容的理解程度及其获取新知识的能力，从而推动教育质量的持续改进。通过利用在线教育平台提供的多样化学习资源，并应用多种学习理论来满足不同学习者的需求，可以构建以学习者为中心的学习环境。有效的教学在提高高校工科学生学习成效方面发挥着关键作用3,4。此外，有效的教学有助于营造积极的学习氛围，支持学生对课程内容的理解，并提升学业表现。教育质量在学习过程中通过多个指标进行评估，包括课程结构、课堂环境和教学内容。

高等教育促进学生的智力、个人和社会发展。同时，学生参与度（包括行为、情感和认知三个维度）以及学业坚持性已成为学习成果的重要决定因素。高水平的学生参与度对长期学业成功具有显著贡献5,6。教育技术的进步通过使用机器学习（ML）和深度学习（DL）技术对学生认知、行为和学业特征之间的复杂非线性关系进行建模，为数据驱动的教育分析创造了新的机遇。

一个主要挑战仍然是在考虑学生行为变化的同时，有效观察和评估课堂动态。传统的教育质量评估方法以及工科学生行为分析方法通常耗时较长，且容易受到主观人为判断的影响。学生在课堂活动中的注意力不集中会负面影响学习效果和学业表现7,8然而，由于内在和外在的干扰以及动机的波动，工程专业学生持续保持注意力仍然具有挑战性。

随着在线学习、智能教室及其他互动教育技术的广泛应用，评估并提升学生参与度变得愈发重要。确保涵盖各类工程专业学生群体的包容性，进一步凸显了建立综合框架的必要性，此类框架需将技术驱动的方法与教育实践相结合，同时维护隐私和伦理标准。此外，模型透明度有限以及技术整合相关的挑战9,10（包括方法学偏差和教育公平性问题）仍持续阻碍着能够通过持续监测支持学习者的预测系统的开发。

机器学习方法已被广泛用于解决教育领域的挑战，例如预测学生风险和辍学率。这些方法已展现出识别高风险学生的能力，从而支持干预措施以提高学业成绩11。基于人工智能（AI）的教育管理系统也已开发出来，以增强高等教育机构中的行政和学术流程。教育数据集通常包括课程成绩、出勤记录和注册历史等学业记录12。

以往的研究从三个角度分析了学生行为：评估数据、方法和结果13,14。基于信息素养的预测模型已被开发用于分析大学生的行为特征。这些研究主要侧重于使用深度学习（DL）方法对学习者行为进行评估。然而，关于教师智能行为评估的研究仍处于初级阶段，限制了该领域的进展。基于区域的快速卷积神经网络（Fast R-CNN）已应用于教育数据集，以提高课堂活动检测的准确性，相较于传统方法表现出显著的性能提升15。

结合自监控机制的双向长短期记忆（Bi-LSTM）模型也提高了对大学生学业成绩预测的准确性。类似地，利用在线学习行为数据集构建的预测模型已表现出更优的预测性能16,17,18。此外，k均值聚类（KMC）已被用于通过聚类分析识别不同学生群体的特征，从而深入理解学生行为，为教学、管理和学习的改进提供依据。基于深度学习的策略也被提出，以提升课堂教学行为的检测与评估效果。在这些方法中，利用课堂行为特征，通过支持向量机（SVM）的线性可分初始值建立特征表示与超平面之间的关系19,20。然而，遮挡、细粒度行为细节以及环境干扰等问题仍持续制约着工程类学生在课堂环境中行为识别的准确性。

深度学习还被应用于基于结果的大学课程评估，包括思想政治教育中的教学评估21,22。这些预测模型的有效性已通过公开可用的教育数据集得到验证。前馈脉冲神经网络（FSNNs）已被用于利用从在线学习平台和学习管理系统中收集的数据来预测学生的学业表现。如图1所示，所提出的计算工作流程结合教育评估数据集，通过数据预处理、行为模式分析、特征选择和分类等连续阶段，识别工科学生的学习兴趣。表123,24,25,26,27,28,29,30,31,32总结了以往研究中报道的代表性方法，以及用于识别学习管理系统中学生产生兴趣的技术及其相关局限性。

figure-introduction-1
图1：学生兴趣识别框架。所提出的工科学生兴趣识别框架的整体工作流程，包括数据采集、预处理、行为模式分析、特征选择和分类。请点击此处查看该图的放大版本。

表1：教学管理中的学生行为分析。 教学管理中学生行为分析的代表性方法、技术、数据集、评估指标及报告局限性的汇总。 请点击此处下载该表格。

Swin Transformer 和轻量级特征金字塔网络（FPN）已应用于学生课堂行为检测，能够高效处理多尺度特征图33。此外，基于果蝇优化的可调循环神经网络（PFFO-ARNN）已被用于分析学生的在线学习行为并预测课程成绩34。基于从高校学习管理系统收集的学生行为数据的研究也表明，传统的深度学习方法在监控课堂行为方面效率低下且耗时35。表236,37,38,39,40,41,42,43,44,45,46,47 总结了工程教育中智能教学管理系统所采用的代表性分类方法、数据集、评估指标以及报告的局限性。

表2：基于深度学习的工程教育智能教学管理系统。 对代表性基于深度学习的教学管理系统、数据集、评估指标及报告局限性的比较。请点击此处下载该表格。

一项先前的研究48基于深度置信网络（DBNs）构建了一种混合式教学质量评估模型，并提出了一种用于评估高校教学质量的混合评价策略。该方法在分类准确率和执行时间方面均优于传统的遗传算法（GA），在不到5.4 ms的时间内实现了超过95%的准确率。该模型使用标注的教育数据集进行训练，并采用独立测试策略进行评估49,50。报告结果表明该模型具有较强的预测性能，平均绝对误差（MAE）为0.593%，均方根误差（RMSE）为0.785%。

近期的注意力增强架构（如 KANFormer51）将多头自注意力机制与 Kolmogorov-Arnold 网络相结合，通过捕捉复杂的特征交互来提升学生表现预测的准确性。基于 Transformer 的知识追踪模型也通过利用注意力机制建模学生的学习轨迹，在预测准确性和可解释性方面表现出改进52。尽管基于 Transformer 和注意力机制的架构通过建模上下文依赖关系和长程特征交互，在教育预测任务中提升了性能，但这些方法主要聚焦于学生表现预测或知识追踪，而非通过受量子启发的认知建模、优化的特征选择以及混合元学习来实现对不确定性的感知的学生兴趣识别。

尽管机器学习和深度学习在教育分析领域取得了最新进展，但现有方法在识别工科学生兴趣方面仍存在若干局限性。许多传统方法主要关注预测准确性，而忽视了学生行为的多面性，包括不断变化的学习偏好、行为不确定性、上下文关系以及语义交互。此外，这些方法通常依赖于传统的特征工程和确定性学习策略，可能无法充分捕捉非线性行为模式或适应动态的学习环境。因此，亟需一种更全面的框架，整合稳健的数据预处理、智能行为建模、自适应特征选择以及混合学习技术，以提升对复杂教育数据的分析能力。

为解决这些局限性，所提出的框架将稳健的数据预处理、受量子启发的行为建模、优化的特征选择以及混合量子-经典神经学习整合到一个统一的计算工作流程中，用于识别工科学生的学习兴趣。通过结合这些互补的组件，该方案为分析复杂的教育数据提供了系统化且可重复的方法，以支持个性化学习和教育决策。

本研究的目的是利用多维度的教育和行为数据，开发并验证用于识别工科学生兴趣的CQEI框架。该框架结合了稳健的数据预处理、受量子启发的认知状态建模、优化的特征选择方法，以及元学习混合量子-经典神经分类器（ML-HQNC），以分析学生的学习行为，实现精准的兴趣识别。性能评估采用一系列标准指标，包括准确率、F1分数、受试者工作特征曲线下面积（AUC），以及兴趣检测精度（IDP）、量子模式稳定性指数（QPSI）和跨领域适应性增益（CDAG）。通过将这些互补组件整合到一个统一的计算流程中，所提出的框架为教育数据分析和智能化教育决策提供了系统性的解决方案。

方案

本研究使用了一个从 Kaggle 仓库获取的公开匿名数据集。未直接招募或涉及人类受试者，也未收集任何个人身份信息。因此，无需机构伦理审批和知情同意。本研究使用的研究工具列于材料表中。

1. CQEI 框架概述
本文提出的受量子启发的概念化教育智能（CQEI）框架集成了数据预处理、行为模式分析、特征选择与分类方法，利用从 Kaggle 数据库获取的教学质量评估数据集来识别工科学生的学习兴趣。首先，采用 Box–Cox Robust IQR Scaling（BCRIS）方法对数据集进行预处理，以降低语义噪声并实现输入特征的归一化。随后，使用量子认知状态模型（QCSM）分析学生的行为模式。接着，应用量子增强的群集-鲸鱼优化特征选择（QES-WOFS）算法，在建模量子最优选择、反馈显著性及瞬时行为变化的基础上，识别具有信息量的特征并减少特征冗余。最后，元学习混合量子-经典神经分类器（ML-HQNC）结合受量子启发的学习机制与深度残差语义层，实现对学生兴趣的识别。

所提出的ML-HQNC框架的整体工作流程如图2所示。该方案包含六个顺序阶段：首先从Kaggle数据仓库获取教育数据集，随后使用Box–Cox Robust IQR Scaling（BCRIS）进行数据预处理，接着利用量子认知状态模型（Quantum Cognitive State Model, QCSM）进行特征变换与行为表征，并采用量子增强群鲸优化特征选择算法（Quantum-Enhanced Swarm–Whale Optimization Feature Selection, QES-WOFS）进行特征选择。所选出的特征随后用于Meta-Learning混合量子-经典神经分类器（Meta-Learning Hybrid Quantum-Classical Neural Classifier, ML-HQNC）的模型训练与验证，最后通过准确率、F1分数、受试者工作特征曲线下面积（AUC）、兴趣检测精度（Interest Detection Precision, IDP）、量子模式稳定性指数（Quantum Pattern Stability Index, QPSI）以及跨域适应性增益（Cross-Domain Adaptability Gain, CDAG）对框架进行评估。

figure-protocol-1
图 2：元学习混合量子-经典神经分类器（ML-HQNC）框架。所提出的 ML-HQNC 框架的整体架构，该框架集成了用于数据预处理的 Box-Cox 鲁棒四分位距缩放（BCRIS）、用于行为模式分析的量子认知状态模型（QCSM）、用于特征选择的量子增强群智能-鲸鱼优化特征选择（QES-WOFS）算法，以及用于学生兴趣分类的混合量子-经典神经学习方法。请点击此处查看此图的放大版本。

2. 教学质量评估数据集
所提出的框架使用从 Kaggle 仓库获取的公开可用的教学质量评估数据集开发而成。该数据集包含 1,014 条教育记录，涵盖 14 个多维特征，代表通过综合教育管理平台（CEMP）收集的学术表现、评估成绩、出勤情况、教学特征以及学生行为指标。这些属性提供了建模识别工科学生兴趣相关非线性关系所需的多维教育信息。

如图3所示，数据集被划分为训练集（80%）和测试集（20%）两个子集。共使用800条记录用于训练所提出的模型，保留200条用于性能评估。该数据集可公开获取，网址为：https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset。随后，利用所提出的框架对训练和测试数据集进行处理，以构建学习模型并提升其预测能力。

尽管基础数据集的名称为“教学质量评估数据集”，但本研究旨在识别工科学生的兴趣。该数据集中包含的教育、行为和教学属性被用作训练和评估所提出框架的输入变量。因此，所有报告的预测结果和性能指标均描述了该框架在识别工科学生兴趣方面的有效性，而非用于评估教学质量。在数据预处理之前，导入的数据集经过验证，以确保全部1,014条记录均已成功加载，数据集结构符合预期格式，并且任何缺失或重复的记录都已被识别并处理。

3. 使用Box-Cox稳健四分位距缩放（BCRIS）进行数据预处理
采用Box-Cox稳健四分位距缩放（BCRIS）方法对教育数据集进行预处理和归一化，该方法结合了Box-Cox变换与基于四分位距（IQR）的稳健缩放，以降低极端值的影响。通过对称性校正和以中位数为中心的归一化，生成了统计上稳定且可扩展的特征表示，适用于后续分析。在所提出的教育智能框架中，BCRIS将多维的教育、教学和行为指标转换为方差受控的特征表示。包括出勤率（attendance_rate）、互动会话占比（interactive_sessions_percentage）及相关教育变量在内的特征均经过归一化处理，以提高训练和测试数据集的一致性。详细的数学解释见补充文件1（第S1节）。BCRIS方法提供了一种量子兼容的预处理策略，在保留下游建模所需基本行为特征的同时，对异构的教育数据进行归一化，以便进行后续的统计分析。在开展行为分析之前，验证了预处理流程，确保归一化后的数据集中不含无效值或缺失值，语义噪声已减少，且处理后的特征适用于后续的行为建模。

4. 使用量子认知状态模型（QCSM）进行特征转换与行为表征
采用量子认知状态模型（QCSM）对工科学生兴趣的动态变化进行建模，使用受量子启发的概率表征方法。学生的兴趣被表征为多个概念状态的叠加，这些状态反映了认知概念的层次结构、不确定性、概念间的重叠、对多个主题的同时参与、犹豫或难以决策的学习行为，以及学习偏好发生转变的概率。来自《工程教学质量评估数据集》的多维指标，包括 Student_Avg_Score、Attendance_rate 和 Student_Feedback_Rating，被表征为归一化量子态空间中的振幅加权认知跃迁。QCSM 结合量子态跃迁与基于干涉的概念对齐机制，生成受量子启发的认知表征，以反映学生兴趣随时间的稳定性与演化过程。详细的数学公式见补充文件1（第S2节）。QCSM 通过归一化的量子态表征对知识获取、概念转变、学习参与度和学科兴趣等概率性认知状态进行建模。通过对所有学生记录的行为表征进行验证，确保所提取的认知状态特征能够准确捕捉学习行为和主题转换过程。

5. 使用量子增强型群鲸优化特征选择器（QES-WOFS）算法进行特征选择
采用量子增强型群鲸优化特征选择（QES-WOFS）算法识别最优特征子集，并从多维教育数据中确定具有高信息量的行为特征。受量子启发的搜索机制增强了全局与局部搜索策略在特征优化中的融合。根据教育变量与目标结果之间的相关性，对包括 interactive_sessions_percentage、assignments_time_percentage 和 course_completion_rate 在内的变量进行评估。候选特征子集通过量子概率表示建模，而量子隧穿机制则实现了超越局部最优的概率性转移。利用边际似然估计特征重要性，以量化各特征对分类性能及自适应群状态的贡献。QES-WOFS 算法选取出稳定且具有行为意义的特征，提高了对噪声、学期间变异以及周期性行为波动的鲁棒性。

为了克服单独使用鲸鱼优化算法（Whale Optimization Algorithm, WOA）或粒子群优化算法（Particle Swarm Optimization, PSO）所带来的局限性，QES-WOFS 算法将基于 PSO 的全局探索与基于 WOA 的局部开发相结合。量子隧穿机制进一步实现了超越局部最优的概率性转移，从而提高了种群多样性，减少了特征冗余，并改善了向最优特征子集的收敛，以识别工科学生的学习兴趣。

详细的数学公式见补充文件1（第S3节）。QES-WOFS算法结合了量子概率特征编码、基于粒子群优化（PSO）的自适应速度策略以及受鲸鱼启发的螺旋搜索机制，以识别最具信息量的教育特征。超参数通过训练数据集进行经验性优化。通过系统性实验评估候选值，并选择在验证性能上表现最佳的组合。具体而言，Box-Cox变换参数（λ = 0.25）、对比损失边界（m = 1.0）以及量子隧穿系数（α = 0.7 和 β = 0.3）是根据验证准确率、F1分数及收敛行为确定的。在分类器训练前，对特征选择结果进行了验证，以确保QES-WOFS算法已选出最优特征子集，并剔除了冗余或重要性较低的特征。

6. 使用元学习混合量子-经典神经分类器（ML-HQNC）进行模型训练与验证
元学习混合量子-经典神经分类器（ML-HQNC）通过将深度神经网络与受量子启发的计算方法相结合，用于识别工科学生的学习兴趣。该模型采用多头量子注意力机制和深度残差语义层，捕捉由变分量子电路（VQCs）表示的多维教育数据中的复杂非线性关系。从行为数据中提取的特征，包括student_average_grade、attendance_rate和student_feedback_rating，被投影到量子态空间中，归一化后的输入被转换为基于振幅的量子表示，以建模重叠性和概率性参与模式。归一化的学生行为特征向量根据补充文件1（第S4节）中提供的公式进行计算。随后，ML-HQNC对工科学生的学习兴趣进行分类与识别。

ML-HQNC 分类器在训练过程中采用了情景式元学习策略。每个训练阶段均从训练数据集中随机选取一个元学习任务。在保持类别分布不变的前提下，训练数据被划分为支持集（80%）和查询集（20%）。支持集用于通过内层优化循环进行任务特定的参数适应，而查询集则用于评估经过适应的模型，并计算用于更新共享参数的元损失。每次训练周期共生成100个元学习任务。内层循环适应采用5步梯度更新，内层学习率为0.001；而Adam优化器以外层学习率0.0005优化元参数。在每个训练轮次中均重复进行随机任务采样，以使模型接触多样化的学习行为模式，从而提升对先前未见过的学生特征的泛化能力。量子对比对齐的损失估计详见补充文件1（公式41–45）。模型训练过程经过验证，确保了成功收敛且无计算错误，同时训练损失和验证损失曲线在连续的训练轮次中已趋于稳定。

结果

采用传统的分类指标（包括准确率、精确率、召回率、F1分数以及受试者工作特征曲线下面积（AUC））以及所提出的评估指标——兴趣检测精确率（IDP）、量子模式稳定性指数（QPSI）和跨域适应性增益（CDAG），对所提出的ML-HQNC框架与Fast R-CNN、Bi-LSTM、CNN和XGBoost进行了比较评估。这些指标的数学定义见补充文件1（第S5节）。

为评估所提出框架的稳健性，所有实验均使用不同的随机初始化重复五次。报告的性能值以五次运行结果的平均值±标准差表示。采用配对t检验评估所提出框架与基线模型之间的统计学显著性差异，以p < 0.05为具有统计学显著性。

如补充表1所示，模拟实验使用包含1,014条记录的教学质量评估数据集进行。其中800条记录用于模型训练，200条记录保留用于测试。所提出的ML-HQNC框架及对比模型在Jupyter Notebook环境中使用Python实现。公开的教学质量评估数据集中，Teaching_Quality属性作为原始目标变量，包含两个类别：良好和优秀。这些标签被用作训练和评估ML-HQNC框架的预测目标。最终的预测类别汇总于表3中。补充表2总结了Box–Cox Robust IQR Scaling（BCRIS）预处理阶段的验证结果。预处理流程去除了缺失和重复记录，降低了异常值的影响，对特征分布进行了归一化，并在特征转换和模型训练前提升了语义和行为的一致性。

表3：教学评估数据集的目标变量。 原始目标变量 Teaching_Quality 及其用于模型训练与评估的分类类别（良好和优秀）的说明。请点击此处下载该表格。

补充表3展示了由量子认知状态模型（QCSM）生成的代表性特征。所提取的特征描述了学生的学习行为，包括认知状态、参与度、不确定性、主题转换以及行为一致性，并作为后续QES-WOFS特征选择阶段的输入。补充表S4列出了由QES-WOFS算法最终选出的特征及其特征类别、相对影响水平以及在所提出框架中的功能作用。补充表5总结了所提取的多维行为特征的特性。补充表6展示了在行为表征过程中为两个预测类别（良好和优秀）生成的代表性边结构。

如图4和表4所示，所提出的ML-HQNC框架在评估方法中取得了最高的F1分数（87.9%）。Fast R-CNN、Bi-LSTM、CNN和XGBoost对应的F1分数分别为77.9%、80.2%、82.8%和85.8%。采用双侧独立t检验（p < 0.05）评估统计学显著性。

图5 和 表5 总结了兴趣检测精度（IDP）结果。所提出的 ML-HQNC 框架的 IDP 达到 89.3%，而 Fast R-CNN、Bi-LSTM、CNN 和 XGBoost 的 IDP 分别为 79.11%、82.12%、84.6% 和 87.10%。图6 和 表6 展示了量子模式稳定性指数（QPSI）结果。所提出的框架 QPSI 值为 92.7%，而 Fast R-CNN、Bi-LSTM、CNN 和 XGBoost 的 QPSI 值分别为 81.1%、84.11%、87.4% 和 90.9%。图7 和 表7 总结了跨域适应性增益（CDAG）结果。所提出的 ML-HQNC 框架取得了最高的 CDAG 值（0.95），而 Fast R-CNN、Bi-LSTM、CNN 和 XGBoost 的 CDAG 值分别为 0.78、0.83、0.80 和 0.86。如 图8 和 表8 所示，所提出的 ML-HQNC 框架实现了最高的分类准确率（96.17%），而 Fast R-CNN、Bi-LSTM、CNN 和 XGBoost 的相应准确率分别为 85.10%、87.21%、90.14% 和 93.19%。图9 和 表9 展示了各方法所需的计算时间。所提出的 ML-HQNC 框架耗时 9.02 ms，而 Fast R-CNN、Bi-LSTM、CNN 和 XGBoost 分别耗时 31.2 ms、27.5 ms、22.4 ms 和 17.6 ms。图10 展示了受试者工作特征（ROC）分析结果。所提出的 ML-HQNC 框架的 AUC 为 0.944，表明在评估的分类阈值范围内具有较高的真阳性率和较低的假阳性率。

figure-results-1
图4：不同数据集规模下的F1分数比较。ML-HQNC模型与竞争模型在不同数据集规模下所达到的F1分数的比较。 结果以五次独立实验运行的均值±标准差表示（n = 5）。误差条代表一个标准差。采用双侧独立t检验评估统计学显著性（p < 0.05）。请点击此处查看该图的放大版本。

表4：不同数据集规模下的F1分数比较。 ML-HQNC与竞争模型所达到的F1分数的比较结果。数据以五次独立实验运行的均值±标准差形式报告（n = 5）。请点击此处下载该表格。

figure-results-2
图5：不同数据集规模下的兴趣检测精度（IDP）比较。 ML-HQNC 与竞争模型在不同数据集规模下所达到的兴趣检测精度（IDP）比较。结果以五次独立实验运行的均值 ± 标准差表示（n = 5）。误差条代表一个标准差。采用双侧独立 t 检验评估统计学显著性（p < 0.05）。请点击此处查看该图的放大版本。

表5：不同数据集规模下的兴趣检测精度（IDP）比较。 ML-HQNC 与竞争模型在兴趣检测精度（IDP）上的表现比较。结果以五次独立实验运行的均值 ± 标准差形式报告（n = 5）。请点击此处下载该表格。

figure-results-3
图6：不同数据集规模下的量子模式稳定性指数（QPSI）比较。 比较ML-HQNC与竞争模型在不同数据集规模下所达到的量子模式稳定性指数（QPSI）。结果以五次独立实验运行的均值±标准差表示（n = 5）。误差线代表一个标准差。采用双侧独立t检验评估统计学显著性（p < 0.05）。请点击此处查看该图的放大版本。

表6：不同数据集规模下的量子模式稳定性指数（QPSI）比较。 ML-HQNC 与竞争模型在量子模式稳定性指数（QPSI）上的表现比较。结果以五次独立实验运行的均值 ± 标准差形式报告（n = 5）。请点击此处下载该表格。

figure-results-4
图7：不同数据集规模下的跨域适应性增益（CDAG）比较。 ML-HQNC 与竞争模型在不同数据集规模下实现的跨域适应性增益（CDAG）比较。结果以五次独立实验运行的均值 ± 标准差表示（n = 5）。误差条代表一个标准差。统计学显著性通过双侧独立 t 检验进行评估（p < 0.05）。请点击此处查看该图的放大版本。

表7：不同数据集规模下的跨域适应性增益（CDAG）比较。 ML-HQNC 与竞争模型在跨域适应性增益（CDAG）上的表现比较。结果以五次独立实验运行的均值 ± 标准差形式报告（n = 5）。请点击此处下载该表格。

figure-results-5
图8：不同数据集规模下的分类准确率比较。 ML-HQNC 与竞争模型在不同数据集规模下所达到的分类准确率比较。结果以五次独立实验运行的均值 ± 标准差表示（n = 5）。误差条代表一个标准差。统计学显著性通过双侧独立 t 检验进行评估（p < 0.05）。请点击此处查看该图的放大版本。

表8：不同数据集规模下的分类准确率比较。 ML-HQNC 与竞争模型在分类准确率上的比较结果。数据以五次独立实验运行的均值 ± 标准差形式报告（n = 5）。请点击此处下载该表格。

figure-results-6
图9：不同数据集规模下的计算时间比较。ML-HQNC 与竞争模型在不同数据集规模下的计算执行时间比较。结果以五次独立实验运行的平均值 ± 标准差表示（n = 5）。误差条代表一个标准差。数值越低表示计算执行时间越短。统计学显著性通过双侧独立 t 检验进行评估（p < 0.05）。请点击此处查看该图的放大版本。

表9：不同数据集规模下的计算时间比较。 ML-HQNC 与竞争模型的计算执行时间比较。结果以五次独立实验运行的均值 ± 标准差表示（n = 5）。数值越低表示计算执行时间越短。请点击此处下载该表格。

figure-results-7
图10：受试者工作特征曲线下面积（AUC）比较。ML-HQNC 与竞争模型在工科学生兴趣识别任务中所达到的 AUC 比较。报告的 AUC 值对应于单次实验运行结果，因此未提供误差条和统计显著性分析。请点击此处查看该图的放大版本。

补充图1展示了代表性行为变量的相关性矩阵。Avg_Score 与 Course_Completion_Rate 之间（0.81）以及 Attendance_Rate 与 Course_Completion_Rate 之间（0.75）表现出较强的正相关性。Avg_Score 与 Course_Completion 之间（0.72）以及 Attendance_Rate 与 Time_Assignment_Percentage 之间（0.74）表现出中等相关性。补充图2和图3 结合 表10 汇总了训练与测试准确率图谱。所提出的 ML-HQNC 框架实现了 96.1% 的训练准确率和 93.8% 的测试准确率，优于对比方法的性能。补充图4和图5 结合 表11 汇总了收敛性分析结果。所提出的 ML-HQNC 框架在优化过程中表现出稳定的收敛性，训练损失最低达 0.21，测试损失最低达 0.26。

表12总结了所提出的ML-HQNC框架及对比方法在所有评估指标上的整体性能。该框架在准确率（Accuracy）、F1分数（F1-score）、AUC、IDP、QPSI和CDAG指标上均取得了最高性能，同时在所有被评估方法中所需计算时间最短。表13展示了所提出框架的组件级消融分析结果。逐步引入BCRIS预处理阶段、QCSM行为表征、QES-WOFS特征选择算法以及完整的ML-HQNC分类器，使分类性能持续提升，验证了每个组件对整体框架的贡献。

表10：训练与测试准确率比较。 ML-HQNC 与竞争模型在训练和测试准确率上的比较结果。报告的数值对应于单次实验运行的结果。请点击此处下载该表格。

表11：训练与测试损失比较。 ML-HQNC 与竞争模型所达到的训练和测试损失的对比。报告的数值对应于一次实验运行的结果。请点击此处下载该表格。

表12：整体性能比较。 使用多种评估指标对ML-HQNC与竞争模型进行比较。结果以五次独立实验运行的均值±标准差形式报告（n = 5）。请点击此处下载该表格。

数据可用性：
本研究中使用的原始教学评估数据集可从 Kaggle 仓库公开获取（https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset）。访问该数据集可能需要用户身份验证，并受 Kaggle 使用条款的约束。为在遵守原始数据集许可条件的同时支持研究的可重复性，本研究生成的资源——包括合成数据集、源代码、实现与配置文件、特征描述、预处理工作流程以及复现所报告实验所需的辅助文档——均已存入开放获取的 Zenodo 仓库：https://doi.org/10.5281/zenodo.21393413。

figure-results-8
图3：教学评估数据集特征采集。用于工科学生兴趣识别的教学评估数据集的结构与特征组成。请点击此处查看该图的放大版本。

补充图1：特征相关性矩阵。 相关性矩阵展示了所提出的ML-HQNC框架中使用的代表性教育和行为变量之间的两两关系。 请点击此处下载该文件。

补充图2：训练准确率比较。 ML-HQNC 与竞争模型在训练过程中所达到的训练准确率的比较。 请点击此处下载该文件。

补充图3：测试准确率比较。 ML-HQNC 与竞争模型在测试过程中所达到的测试准确率比较。 请点击此处下载该文件。

补充图4：训练损失分析。 ML-HQNC 与竞争模型在模型优化过程中所达到的训练损失的比较。 请点击此处下载该文件。

补充图5：测试损失分析。 模型评估期间，ML-HQNC 与竞争模型所达到的测试损失比较。  请点击此处下载该文件。

补充表 1：模拟参数与实验设置。 用于评估所提出的 ML-HQNC 框架的模拟参数、实现环境、数据集划分及实验设置的汇总。 请点击此处下载该文件。

补充表 2：Box–Cox 稳健四分位距缩放（BCRIS）预处理阶段的验证结果。 对代表性数据集在预处理前后的特征进行比较，包括缺失值、重复记录、异常值处理、特征归一化以及数据一致性。 请点击此处下载该文件。

补充表 3：量子认知状态模型（QCSM）生成的代表性特征。 经数据预处理后，由 QCSM 生成的代表性行为特征，包括认知状态、参与度、不确定性、话题转换和行为一致性特征。 请点击此处下载该文件。

补充表4：量子增强型群鲸优化特征选择（QES-WOFS）算法所选特征。 QES-WOFS算法选出的最终特征子集，以及各特征对应的类别、相对影响程度及其在所提出框架中的功能作用。 请点击此处下载该文件。

补充表5：教学质量预测类别。 本研究提出的ML-HQNC框架所使用的预测类别说明及代表性行为特征。 请点击此处下载该文件。

补充表6：边界敏感性分析。模型评估过程中所用边界敏感性分析的汇总。 请点击此处下载该文件。

补充文件1：补充方法、数学公式、评估指标及补充表格。 本文件包含主方案中描述的Box–Cox稳健四分位距缩放（BCRIS）、量子认知状态模型（QCSM）、量子增强群智能-鲸鱼优化特征选择（QES-WOFS）以及元学习混合量子-经典神经分类器（ML-HQNC）的详细数学公式。此外，还包括评估指标的定义、仿真参数、实验设置以及支持主文结果的补充表格S1–S6。 请点击此处下载该文件。

讨论

所提出的ML-HQNC框架通过将受量子启发的行为建模、自适应特征选择和元学习整合到统一的计算流程中，在识别工科学生兴趣方面表现出更优的性能。与Fast R-CNN、Bi-LSTM、CNN和XGBoost相比，该框架在传统分类指标以及所提出的行為评估指标上均持续实现了更高的性能。这些结果表明，将受量子启发的认知状态表征与自适应特征优化相结合，提升了框架对复杂教育行为的建模能力，同时保持了稳健的分类性能。较低的计算时间和训练与测试性能之间较小的差异进一步表明该框架具有稳定的优化特性和良好的泛化能力。

所提出的评估指标通过提供有关行为建模的额外信息，补充了传统的分类度量方法。兴趣检测精度（IDP）用于量化兴趣识别的准确性，量子模式稳定性指数（QPSI）用于评估受量子启发的行为表征的稳定性，而跨域适应性增益（CDAG）则用于评估该框架在不同数据划分间的泛化能力。这些指标共同提供了比传统预测指标更为全面的模型性能评估。

逐组件消融分析（表13）进一步验证了所提出工作流中各个阶段的贡献。引入Box–Cox鲁棒四分位距缩放（BCRIS）预处理步骤，通过降低异常值的影响并生成归一化的特征表示，提高了数据的一致性。量子认知状态模型（QCSM）将多维教育变量转化为行为表征，捕捉了不确定性、参与度以及动态变化的学习偏好。随后采用量子增强的群智能-鲸鱼优化特征选择（QES-WOFS）算法进行特征选择，在保留具有信息量的行为特征的同时减少了特征冗余。最后，将这些组件整合至元学习混合量子-经典神经分类器（ML-HQNC）中，相较于基线模型，提升了分类性能与泛化能力。

本方案旨在利用从数字学习环境中收集的多维度教育与行为数据，识别工科学生的学习兴趣。该计算工作流程通过系统化分析学生的学习行为并识别其兴趣演变，可支持个性化学习、学业指导、课程规划以及智能化教育管理。该框架特别适用于包含行为、学业和情境变量的结构化教育数据集。

成功的实施取决于高质量教育数据的可获得性以及充足的计算资源。在分析之前，应检查教育数据集是否存在缺失值、重复记录和不一致之处，因为数据质量直接影响预处理和后续的行为建模。稳定的特征表示还依赖于适当的预处理、特征转换和超参数优化。在模型训练过程中，应通过训练损失和验证损失曲线监控收敛情况，并在必要时调整优化参数，以保持稳定的学习行为。

尽管该框架在所评估的数据集上表现出有效的性能，但仍需考虑若干局限性。本方案仅使用一个公开的教育数据集进行了验证，未来还需利用更大规模、多机构且更具多样性的教育数据集进行进一步评估，以验证其泛化能力。此外，由于该混合型量子启发学习框架包含预处理、优化及混合学习组件，其所需的计算资源较传统机器学习方法更多。该框架还依赖于标注良好的教育数据，若数据集存在不完整、噪声较多或严重类别不平衡的情况，可能会影响其性能。

未来的工作将聚焦于扩展该框架，以实现更细粒度的多类别学生兴趣识别，纳入其他教育数据模态，如文本反馈、时序学习行为以及实时学习管理系统活动日志，并在多样化的工程教育环境中评估该协议。进一步优化计算工作流程还可能提升可扩展性，并促进其在大规模教育管理系统中的部署。

综上所述，所提出的ML-HQNC框架通过多维度教育数据，为工程类学生兴趣识别提供了一种可重复的计算工作流程。该框架结合了稳健的预处理、受量子启发的行为建模、自适应特征选择以及混合量子-经典神经学习方法，在保持优化稳定性与计算高效性的同时，实现了更优的分类性能。这些特性支持其在智能教育分析与工程教育管理中的潜在应用。

披露

作者声明无竞争利益。

致谢

作者感谢中国蚌埠的蚌埠大学为本研究提供的学术支持和研究环境。本研究未获得外部资金资助。本工作得到了蚌埠大学2025年度校级质量工程项目的资助（项目编号：2025zhkc1）。

材料

本文使用的材料清单
姓名公司目录编号评论
基线模型（Fast R-CNN、Bi-LSTM、CNN、XGBoost）开源实现快速R-CNN（2015）；TensorFlow/Keras 实现版本 v2.16；XGBoost 版本 v2.1.1用于比较性能评估的基准模型。
BCRIS 预处理模块本研究中开发版本 1.0自定义预处理模块，实现Box-Cox变换和基于四分位距的稳健归一化。
Jupyter NotebookProject Jupyter版本 7.2.2用于实现、训练和测试的交互式开发环境
ML-HQNC 分类器本研究中开发版本 1.0基于元学习框架的混合量子-经典神经网络分类器
PythonPython 软件基金会版本 3.11.9用于模型开发和实验的编程语言
PyTorchPyTorch 基金会版本 2.5.1用于模型实现与训练的深度学习框架。
QCSM 模型本研究中开发版本 1.0用于行为模式表征的量子认知态模型设想
QES-WOFS 算法本研究中开发版本 1.0建议的量子增强型集群–鲸鱼优化特征选择算法
Scikit-learnScikit-learn 开发者版本 1.6.1用于预处理、特征选择和评估的机器学习库。

参考文献

  1. Xu Q, Deng H. Research on education management system based on machine learning and multidimensional data modeling. Applied Mathematics and Nonlinear Sciences. 2024;9(1). https://dialnet.unirioja.es/servlet/articulo?codigo=9386765
  2. Li D. An interactive teaching evaluation system for preschool education in universities based on machine learning algorithm. Comput Hum Behav. 2024;157:108211. https://doi.org/10.1016/j.chb.2024.108211
  3. Chunhua H, Kaabar MKA, Qiuju X, Zhang G. Fuzzy comprehensive evaluation of students' classroom experience in online teaching. International Journal of Emerging Technologies in Learning. 2023;18(21):79-88.
  4. He Z, et al. Assessment of influencing factors of college and universities' teaching effects using fuzzy and deep learning techniques. Scientific Reports. 2026;16:5168. https://doi.org/10.1038/s41598-026-35940-5
  5. Liu J. Innovation and practice of educational management system in colleges and universities based on the concept of data analysis education. Applied Mathematics and Nonlinear Sciences. 2023;9(1). https://www.researchgate.net/publication/377568313
  6. Li C, Cao Z. Deep learning-based AI model for predicting academic success and engagement among physical higher education students. Scientific Reports. 2025;15:45471. https://doi.org/10.1038/s41598-025-29000-7
  7. Kong Y, Dong R, Zhang H. Classroom behavior analysis and digital teaching quality evaluation based on spatiotemporal graph neural network. Discover Artificial Intelligence. 2025;5:404. https://doi.org/10.1007/s44163-025-00623-z
  8. Zedan F, Jabali RR, Raiyn J. Detecting student inattention using deep learning and behavioral analysis. Journal of International Education Practice. 2026;9(1):1-17.
  9. Feng F. Deep learning-based model for analyzing student engagement in activities. Scientific Reports. 2025;16:2552. https://doi.org/10.1038/s41598-025-32521-w
  10. Turkmenbayev A, et al. The application of machine learning in predicting student performance in university engineering programs: A rapid review. Frontiers in Education. 2025;10:1562586. https://doi.org/10.3389/feduc.2025.1562586
  11. Albreiki B, Zaki N, Alashwal H. A systematic literature review of student performance prediction using machine learning techniques. Education Sciences. 2021;11(9):552. https://doi.org/10.3390/educsci11090552
  12. Lai Q. Research on the refinement of college student education management based on artificial intelligence. Discover Artificial Intelligence. 2026;6:31. https://doi.org/10.1007/s44163-025-00651-9
  13. Yuanyuan L, et al. Research on the application framework of intelligent technologies to promote teachers' classroom teaching behavior evaluation. Frontiers of Education in China. 2023;18(1):12–35. https://doi.org/10.3868/s110-008-023-0012-8
  14. Shi Y, Sun F, Zuo H, Peng F. Analysis of learning behavior characteristics and prediction of learning effect for improving college students' information literacy based on machine learning. IEEE Access. 2023;11:50447-50461.
  15. Liu S, Zhang J, Su W. An improved method of identifying learner's behaviors based on deep learning. Journal of Supercomputing. 2022;78(10):12861-12872.
  16. Yang J. Accurate prediction and analysis of college students' performance from online learning behavior data. IEIE Transactions on Smart Processing and Computing. 2023;12(3):404-411.
  17. Xie Y, Zhang S, Liu Y. Abnormal behavior recognition in classroom pose estimation of college students based on spatiotemporal representation learning. Traitement du Signal. 2021;38(6):1769-1778.
  18. Shen X, Yuan C. A college student behavior analysis and management method based on machine learning technology. Wireless Communications and Mobile Computing. 2021;2021:6611630. https://doi.org/10.1155/2021/6611630
  19. Li G, et al. A convolutional neural network-based approach for the recognition and evaluation of classroom teaching behavior. Scientific Programming. 2021;2021:5513886. https://doi.org/10.1155/2021/5513886
  20. Feng C, et al. IMRMB-Net: A lightweight student behavior recognition model for complex classroom scenarios. PLoS ONE. 2025;20(2):e0318817. https://doi.org/10.1371/journal.pone.0318817
  21. Zhang Y, Liu T, Ru B. Effect evaluation and student behavior design method of moral education in colleges and universities under the environment of deep learning. Scientific Programming. 2022;2022:6056117. https://doi.org/10.1155/2022/6056117
  22. Liu C, Wang H, Yuan Z. A method for predicting the academic performances of college students based on education system data. Mathematics. 2022;10(19):3737. https://doi.org/10.3390/math10193737
  23. Vora DR, Iyer KR. Deep learning in engineering education: performance prediction using cuckoo-based hybrid classification. In: Machine Learning and Deep Learning in Real-Time Applications. Studies in Computational Intelligence, Vol. 841, pp. 187-218. Springer; Singapore; 2020.
  24. Li H, Liu Z. An intelligent educational system: analyzing student behavior and academic performance using multi-source data. Electronics. 2024;14(16):3328. https://doi.org/10.3390/electronics14163328
  25. Zhang Y, Li J. Deep learning-based model for predicting student learning behavior: a pathway to early intervention and enhanced outcomes. Journal of Computational Methods in Sciences and Engineering. 2025;25(2):1169-1184.
  26. Jia Q, He J. Student behavior recognition in classroom based on deep learning. Applied Sciences. 2024;14(18):7981. https://doi.org/10.3390/app14187981
  27. Luo H. Prediction of student decision-making behaviour based on machine learning algorithms. Pakistan Journal of Life and Social Sciences. 2024;22(2):11045-11058.
  28. Abdi A, Sedrakyan G, Veldkamp B. Students' feedback analysis model using deep learning-based method and linguistic knowledge for intelligent educational systems. Soft Computing. 2023;27(38):14073-14094.
  29. Ning X. Behavior recognition of college students based on improved deep learning algorithm. International Journal of Web-Based Learning and Teaching Technologies. 2023;18(1):1-16.
  30. Sravya MN, Prashanth D, Saifa S, Reddy LS. A comprehensive analysis of learning behaviour characteristics and predictive modeling of learning outcomes to enhance college-level academic performance. International Journal of Pharmacy and Medical Sciences. 2025;5(2):94-100.
  31. Kalita E, et al. Predicting student academic performance using Bi-LSTM: a deep learning framework with SHAP-based interpretability and statistical validation. Frontiers in Education. 2025;10:1581247. https://doi.org/10.3389/feduc.2025.1581247
  32. Alias MAH, Hambali N, Aziz MAA. Feature selection techniques and classification algorithms for student performance classification: a review. International Journal of Electrical and Computer Engineering. 2024;14(3):3230-3242.
  33. Wang Z, et al. Students' classroom behavior detection system incorporating deformable DETR with Swin Transformer and lightweight feature pyramid network. Systems. 2023;11(7):372. https://doi.org/10.3390/systems11070372
  34. Zou X. Design of student behavior analysis and management system based on deep learning. International Journal of High Speed Electronics and Systems. 2024;33(1):2450005. https://doi.org/10.1142/S012915642450005X
  35. Zhang Q. The impact of machine learning-based student behaviour detection on teaching in classroom scenarios. Journal of Information and Knowledge Management. 2025;24(1):2450101. https://doi.org/10.1142/S021964922450101X
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. Han X, Chen X. The evaluation model of engineering practice teaching with complex network analytic hierarchy process based on deep learning. Scientific Reports. 2025;15:14733. https://doi.org/10.1038/s41598-025-14733-x
  39. Guo S, et al. The analysis of teaching quality evaluation for college sports dance by convolutional neural network model and deep learning. Heliyon. 2024;10(8):e36067. https://doi.org/10.1016/j.heliyon.2024.e36067
  40. Gao Y. Deep learning-based strategies for evaluating and enhancing university teaching quality. Computers and Education: Artificial Intelligence. 2025;8:100362. https://doi.org/10.1016/j.caeai.2025.100362
  41. Li Y, Lu B. Intelligent educational systems based on adaptive learning algorithms and multimodal behavior modeling. PeerJ Computer Science. 2025;11:e3157. https://doi.org/10.7717/peerj-cs.3157
  42. Geng F, John AD, Chinnappan CV. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework. Progress in Artificial Intelligence. 2023;12(2):147-162.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. Chen W, Min L. The evaluation model of physical education teaching performance based on deep learning algorithm. Scalable Computing: Practice and Experience. 2025;26(3):458-466.
  45. Zhang Y. A comprehensive evaluation system for physical education teaching effectiveness supported by multimodal machine learning. Discover Artificial Intelligence. 2026;6:75. https://doi.org/10.1007/s44163-026-00075-x
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. Ding J, Su Y. A teaching management system for physical education in colleges and universities using the theory of multiple intelligences and SVM. Soft Computing. 2024;28(2):685-701.
  48. Li Y, Zhang L, Tian Y, Qi W. Research on teaching practice of blended higher education based on deep learning route. Computational Intelligence and Neuroscience. 2022;2022:5751843. https://doi.org/10.1155/2022/5751843
  49. Jiang X, Du Y, Zheng Y. Evaluation of physical education teaching effect using Random Forest model under artificial intelligence. Heliyon. 2024;10(1):e23576. https://doi.org/10.1016/j.heliyon.2024.e23576
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. Alnasyan B, Basheri M, Alassafi MO, Alnasyan K. Kanformer: An Attention-Enhanced Deep Learning Model for Predicting Student Performance in Virtual Learning Environments. Social Network Analysis and Mining. 2025;15:25. https://doi.org/10.1007/s13278-025-01446-7
  52. Lu Y, Tong L, Cheng Y. Advanced Knowledge Tracing: Incorporating Process Data and Curricula Information via an Attention-Based Framework for Accuracy and Interpretability. Journal of Educational Data Mining. 2024;16(2):58-84.

重印与许可

标签

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。