Mehrperspektiven-Fuzzy Reasoning und XGBoost-basierte Analyse des Online-Lernverhaltens

Zusammenfassung

Diese Studie verwendet ein multiperspektivisches Fuzzy-Reasoning-Modell und einen verbesserten Extrem-Gradient-Boosting-(XGBoost)-Algorithmus (optimiert durch einen verbesserten Grey-Wolf-Optimierungsalgorithmus), um Online-Lernverhalten zu analysieren und Kommentaremotionen von Schülern zu klassifizieren, was Unterstützung für personalisierten Unterricht und rechtzeitige Interventionen bietet.

Zusammenfassung

Die rasante Entwicklung der Online-Bildung hat Online-Klassenzimmer zu einem wichtigen Bestandteil des Bildungswesens gemacht. Eine tiefgehende Analyse des Lernverhaltens der Schüler im Online-Unterricht kann Lehrern helfen, Lehrstrategien zu optimieren und personalisierte Lernunterstützung für Schüler zu bieten. Daher sammelt diese Studie, um eine tiefgehende Analyse des Lernverhaltens der Schüler durchzuführen, Daten von Online-Lehrplattformen und bereitet sie vor. Anschließend konstruiert diese Studie ein multiperspektivisches Fuzzy-Reasoning-Modell, das drei Dimensionen abdeckt: Lehrplan, Individuum und Klasse, um die Lernleistungen der Schüler auf verschiedenen Ebenen umfassend zu berücksichtigen. Dieses Modell verarbeitet unsichere Informationen in Lernverhaltensdaten durch Fuzzy-Mengen und Fuzzy-Regeln und erreicht eine multidimensionale Bewertung der Lernleistung. Ein verbesserter XGBoost-Algorithmus wurde entwickelt, um die Kommentaremotionen der Schüler zu klassifizieren. Dieser verbesserte Algorithmus optimiert die Hyperparameter des XGBoost-Algorithmus, indem er den Grey Wolf-Optimierungsalgorithmus verbessert. Der Algorithmus verbessert die Genauigkeit der Emotionsklassifikation und untersucht die emotionalen Tendenzen und das Feedback der Einstellung hinter ihrem Lernverhalten weiter. Die Ergebnisse zeigten, dass aus Lehrplansicht die Abschlussrate der Kursaufgaben drei Wochen vor der Prüfung praktisch über 45 % lag, was deutlich höher war als die Abschlussrate drei Wochen nach der Veröffentlichung der Aufgabe (beide unter 18 %). Diese Ergebnisse zeigten, dass die Schüler eher dazu neigten, Aufgaben vor der Frist zu erledigen, und offensichtliche Prokrastination zeigten. Die maximale Genauigkeit des verbesserten Klassifikationsalgorithmus betrug 98,78 %, was 8,57 %, 7,55 %, 6,38 % und 6,01 % höher als das Vergleichsmodell war, und der durchschnittliche Zeitaufwand betrug 58 ms. Die Erinnerungsraten bei negativen, positiven und neutralen Emotionen lagen bei 98,35 %, 97,69 % und 98,02 %. Das Forschungsmodell kann das Online-Lernverhalten der Schüler effektiv analysieren und eine frühzeitige Erkennung gefährdeter Schüler ermöglichen, was personalisierten Unterricht und präzise Interventionen im Online-Unterricht ermöglicht.

Einleitung

Die tiefe Integration von Internet und Bildungstechnologie hat Online-Bildung von einer marginalen Ergänzung zu einer Mainstream-Form gemacht. Bis Ende 2023 hatte die Zahl der registrierten Online-Lernenden weltweit 1,2 Milliarden überschritten, und China belegte weltweit konstant den ersten Platz sowohl bei der Anzahl der Massive Open Online Courses (MOOCs) als auch bei den^{Teilnehmern mit 1,2}. Obwohl Online-Unterricht Bequemlichkeit bringt, bringt er auch Herausforderungen wie den undurchsichtigen Lernprozess, die Trennung von Lehrern und Schülern in Zeit und Raum sowie verzögertes regulatorisches Feedback mit sich. Es gibt eine positive Korrelation zwischen Daten zum Lernverhalten und schulischen Leistungen. Dynamische Abstimmung auf Basis von Daten kann die Kursabschlussrate um über 20 % erhöhen und das Risiko eines Abbruchs deutlich senken^. Daher ist die Durchführung einer Lernverhaltensanalyse (LBA) entscheidend. In Bezug auf dieses Thema umfassen aktuelle Methoden deskriptive Statistik, Association Rule Mining und traditionelle maschinelle Lernklassifikation⁶. Viele Wissenschaftler haben dieses Thema erforscht.

Um LBA durchzuführen, nutzten Li Y et al. Lernverhaltensdaten von Online-Lehrplattformen der Harvard University und des Massachusetts Institute of Technology, um ein Pulse Neural Network (PNN) zur Vorhersage von Lernergebnissen zu erstellen. Sie analysierten die Korrelation zwischen Lernverhalten und Ergebnissen. Das Online-Modell zur Vorhersage des Lernverhaltens auf Basis von PNN erreichte eine Genauigkeit von 99,80 ^%. Zeng B entwickelte ein effizientes Modell zur Visualisierung des Online-Englisch-Lernverhaltens mittels verzögerter Sequenzanalyse sowie kombinierter Data-Mining-Methoden und des Minimum-Spanning-Tree-Algorithmus. Darüber hinaus wurde in der Studie eine Online-Plattform für intelligente Lernangebote für Group Learning Path (GLP) Baudienste eingerichtet. Die entworfene Methode konnte erfolgreich ein GLP⁸ konstruieren. Zhao M et al. entwickelten ein doppelschichtiges Langzeitgedächtnis (LSTM), um potenzielle Probleme im Online-Lernen der Schüler aufzudecken. Sie nutzten das TensorFlow-Framework und die Python-Sprache und nutzten Daten von Online-Plattformen wie Kaggle, edX und der Open University im Vereinigten Königreich. Dieses Netzwerk hatte eine gute Leistung mit einer maximalen Genauigkeit von 83,4 ^%. Li F et al. sammelten und analysierten Daten zum Lernverhalten von 109 Bachelorstudierenden, um die Gruppenverhaltensmerkmale verschiedener Online-Lernender zu verstehen. Diese Studie führte die Analyse der Hauptkomponenten ein, um die Datendimensionalität zu reduzieren, und nutzte agglomerative hierarchische Clustering, um Lernende in verschiedene Kategorien zu klassifizieren. Davon waren 15 Gruppen gruppiert, und die vorgeschlagene Methode hatte eine gute Clustergenauigkeit^{von 10}.

Zusammenfassend ist die aktuelle Forschung zu LBA sehr vielfältig und verwendet eine breite Palette von Methoden. Diese Studien und Methoden haben jedoch auch gewisse Schwächen. Zum Beispiel wird in den Wiederholungstexten von Studierenden nicht ausreichend emotionale Informationen ausgewertet, und beschreibende Statistiken können die komplexen Interaktionsmechanismen hinter Verhaltensweisen nicht aufdecken. Die Klassifikation des maschinellen Lernens basiert oft auf Einzelperspektiven, die multidimensionale Informationen von Kursen, Einzelpersonen und Klassen trennen. Um die LBA besser auszuführen, entwirft diese Studie ein Multi-Perspective Fuzzy Reasoning (MPFR)-Modell und konstruiert ein Emotionsklassifikationsmodell, das auf Improved Grey Wolf Optimization (IGWO) und eXtreme Gradient Boosting (XGBoost) Algorithmen basiert.

In der bestehenden LBA-Forschung kann LSTM zwar die zeitliche Korrelation von Lernverhalten erfassen, aber seine Fähigkeit, unscharfe und unsichere Lernverhaltensdaten zu verarbeiten, ist schwach. Das Convolutional Neural Network (CNN) hat bestimmte Vorteile bei der Extraktion von Textmerkmalen, ist aber besser darin, lokale Merkmale zu erfassen, und es ist schwierig, multidimensionale globale Informationen über Kurse, Individuen und Klassen zu integrieren. Im Vergleich zu Deep-Learning-Methoden wie CNN und LSTM kann das MPFR-Modell unsichere Informationen im Lernverhalten durch fuzzy Reasoning erfassen. Zum Beispiel gleichen die "moderate Teilnahme" der Schüler und die "grundlegende Beherrschung" der Fuzzy States die Einschränkungen der lokalen Feature-Extraktion von CNN aus. IGWO-XGBoost balanciert Genauigkeit und Effizienz in der Sentiment-Klassifikation aus, kompensiert die zeitaufwändige LSTM-Sentimentklassifikation und die schwache CNN-semantische Fuzzy-Verarbeitung. Diese Studie zielt darauf ab, dreidimensionale Informationsunterstützung für Online-Lehrinterventionen bereitzustellen, indem die Ergebnisse von Verhaltens- und Emotionsanalysen kombiniert werden. Die Innovation der Forschung liegt im Aufbau eines MPFR-Modells, das drei Dimensionen abdeckt: Lehrplan, Individuum und Klasse. Diese umfassende Betrachtung aus mehreren Perspektiven kann die Lernleistung der Schüler umfassend und stereoskopisch widerspiegeln und dabei wichtige Informationen vermeiden, die aus einer einzigen Perspektive übersehen werden könnten. Diese Methode bietet eine gute Plattform-Skalierbarkeit und kann an gängige Online-Lernplattformen wie Chaoxing und MOOC angepasst werden, also über eine einheitliche Datenvorverarbeitungsschnittstelle ohne zusätzliche Plattformentwicklungsfunktionen. Gleichzeitig wurde diese Methode als einfaches Analysewerkzeug zusammengefasst, und Lehrkräfte müssen lediglich die von der Plattform exportierten Grunddaten hochladen, um automatisch LBA-Berichte ohne komplexe technische Operationen zu generieren.

Protokoll

Design der LBA-Methode unter Berücksichtigung von MPFR und emotionalen Perspektiven

Ein multiperspektivisches Bewertungssystem wird zur Analyse des Online-Lernverhaltens der Schüler (SOLB) entwickelt, und ein MPFR-Modell wird entwickelt. Um die subjektiven Gefühle der Schüler beim Lernen weiter zu analysieren, verwendet diese Studie den XGBoost-Algorithmus und entwickelt den IGWO-Algorithmus für Hyperparameteroptimierung, um die Klassifikationsgenauigkeit zu verbessern.

Aufbau des MPFR-Modells für LBA

Um SOLB zu analysieren, beginnt diese Studie hauptsächlich aus zwei Perspektiven, um einen vollständigen Analyseplan zu erstellen. Erstens berücksichtigt diese Studie im Hinblick auf die Lernleistung drei Perspektiven: Lehrplan, Individuum und Klasse, um das MPFR-Modell zu bilden. Zweitens entwickelt diese Studie im Hinblick auf die Sentiment-Analyse von Schülerkommentaren einen verbesserten XGBoost-Algorithmus. Durch die Analyse der Lernleistung und der Emotionen des Schülerfeedbacks kann diese Studie SOLB besser analysieren. Was spezifische technische Details der Lernleistungsanalyse betrifft, so verwendet diese Studie zunächst Daten von einer Online-Lernplattform und bearbeitet sie vor. Zweitens wählt diese Studie zentrale Leistungsbewertungsindikatoren für Lernen aus verschiedenen Perspektiven aus, um ein umfassendes Bewertungssystem zu erstellen. Anschließend wird ein entsprechendes MPFR-Modell erstellt, um das Lernverhalten zu bewerten.

Diese Studie wählt Daten von der Superstar-Plattform aus (Quelle: https://www.chaoxing.com/). Es enthält Informationen aus mehreren Dimensionen, wie zum Beispiel Unterrichtsaktivitäten und Notenbewertung, die eine gute Grundlage für eine weitere LBA bieten können. Nach der Datenerhebung müssen sie vorverarbeitet werden, hauptsächlich einschließlich irrelevanter Feldlöschung, Datenfilterung und Datenintegritätsprüfungen. Zum Beispiel müssen in Lehrerdaten irrelevante Informationen wie die Nummer und die Abteilung, zu der der Kurs gehört, entfernt werden. Anschließend konstruiert diese Studie das Feature Engineering von LBA basierend auf den Lernverhaltensdaten der Superstar-Plattform. Der Student LBA-Index bietet eine Feature-Engineering-Grundlage für das nachfolgende MPFR-Modell, und der Inhalt dieses Index ist in Abbildung 1 dargestellt.

Abbildung 1: Indikatoren für den LBA der Studierenden. Die Abbildung verdeutlicht die drei Kerndimensionen (Lehrplan, Einzel, Klasse) der LBA und die spezifischen Bewertungsindikatoren unter jeder Dimension und bietet so Feature-Unterstützung für das MPFR-Modell. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

In Abbildung 1 drehen sich die LBA-Indikatoren der Studierenden hauptsächlich um drei Perspektiven: Kurs, Individuum und Klasse, mit klarem Fokus auf jede Dimension, was eine präzise Feature-Unterstützung für den Aufbau von MPFR-Modellen bietet. Dazu zählt diese Studie hinsichtlich der Kursgrößen-Indikatoren, wie die Kursaufgaben-Abschlussrate, die Lerndauer des Kurses und die Häufigkeit der Kursinteraktion berücksichtigt. Das Kernanliegen dieser Dimension ist die Gesamtqualität der Kursaufgaben und die Zeitlichkeit der Lernteilnahme. Zum Beispiel wird die Abschlussrate von Kursaufgaben verwendet, um die Unterschiede in den Abschlussraten vor und nach der Frist zu verfolgen; Die Dauer des Kurses wird verwendet, um verschiedene Lernintensitätsintervalle zu unterscheiden; Die Häufigkeit der Kursinteraktion wird verwendet, um effektive interaktive Verhaltensweisen zu filtern. Auf persönlicher Ebene werden der persönliche Lernfortschritt, die Qualität der Hausaufgaben und die Prüfungsergebnisse als Bewertungsindikatoren ausgewählt. Diese Dimension konzentriert sich auf den Grad der Übereinstimmung zwischen persönlichem Lernfortschritt und Ergebnissen der Wissensbeherrschung. Beispiele sind der Vergleich persönlicher Lernfortschritte mit Kursplänen, die Bewertung der Genauigkeit und Effizienz abgeschlossener Aufgaben sowie die Klassifizierung von Wissensbeherrschungsniveaus anhand von Testergebnissen. Zusätzlich gehören in Bezug auf die Klassendimension zu den ausgewählten Indikatoren der Klassendurchschnittspunktzahl, Klasseninteraktionsaktivität und Lernatmosphäre. Diese Dimension konzentriert sich hauptsächlich auf die Auswirkungen der gesamten Lernumgebung auf das individuelle Verhalten. Zum Beispiel wird die Durchschnittsnote verwendet, um das relative Leistungsniveau der Einzelpersonen in der Gruppe zu bestimmen; Die Aktivität der Klasseninteraktion wird genutzt, um das Ausmaß der kollektiven Beteiligung widerzuspiegeln; Die Lernatmosphäre wird genutzt, um den treibenden Effekt der Gruppenumgebung auf das Lernverhalten zu analysieren. Um das Lernverhalten der Schüler zu analysieren, wird ein Fuzzy-Reasoning-Modell erstellt, und Lernverhaltensmerkmale werden aus verschiedenen Perspektiven abgeleitet. Fuzzy Reasoning ist eine Methode des Denkens mit Fuzzy Logic, die ungenaue oder unsichere Informationen durch fuzzy Sets und fuzzy rules verarbeitet und die Vorteile großer Flexibilität und leichtes Verständnis^11,12 bietet. Fuzzy Reasoning, als Kernrechenmechanismus von MPFR-Modellen, wird nach der Feature Engineering angewendet. Der Hauptprozess des fuzzy-logischen Denkens ist in Abbildung 2 dargestellt.

Abbildung 2: Das Hauptflussdiagramm des unscharfen Denkens. Die Abbildung zeigt den Kernprozess des fuzzy-logischen Denkens, einschließlich vier Schlüsselschritte: Fuzzifizierung, Erstellung einer fuzzy-Regelbasis, fuzzy-logisches Schließen und Entschärfen, und klärt die Logik des MPFR-Modells bei der Verarbeitung unsicherer Lernverhaltensdaten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Fuzzy Reasoning beinhaltet hauptsächlich Fuzzifizierung, die Einrichtung einer Fuzzy Rule Library (FRL), Fuzzy Reasoning und das Entschärfen. Dazu gehört die Fuzzifikation die Umwandlung präziser Eingabedaten in Fuzzy-Mengen und beinhaltet die Definition von Mitgliedschaftsfunktionen. Die FRL enthält eine Reihe von Fuzzy-Regeln und wird hauptsächlich verwendet, um die Beziehung zwischen Eingang und Ausgabe zu beschreiben. Beim Aufbau der Fuzzy-Regelbasis lädt die Studie drei außerordentliche Professoren für Bildungstechnologie mit ≥ 8 Jahren Lehrerfahrung ein, gemeinsam 28 Regeln zu entwickeln und die endgültigen Regeln durch drei Iterationsrunden mit der "Delphi-Methode" festzulegen. Zum Beispiel Regel 1: WENN die Abschlussquote der Kursaufgabe unter 30 % liegt und der individuelle Lernfortschritt zwei Wochen hinter dem Zeitplan liegt → DANN ein Hochrisiko-Zustand. Fuzzy-Schlussfolgerung ist der Prozess, fuzzy-Eingabedaten auf Basis eines FRL abzuleiten und fuzzy-Output-Ergebnisse zu erhalten. Schließlich wandelt das Entschärfen das unscharfe Ausgabeergebnis in einen genauen Ausgabewert um. Die Studie wählt eine dreieckige Mitgliedschaftsfunktion, die in Fuzzy-Logiksystemen weit verbreitet ist und Vorteile wie hohe Flexibilität und hohe Recheneffizienz bietet. Der Ausdruck der Funktion μ_A(x) ist in Gleichung (1) dargestellt.

(1)

In Gleichung (1) ist x der spezifische Eingangswert. A, B und C sind die drei Eckpunkte eines Dreiecks. Beim Entschärfen verwendet diese Arbeit die Schwerpunktmethode, um die Ausgabeergebnisse umzuwandeln. Die Schwerpunktmethode ist eine häufig verwendete Entschärfungstechnik in der Fuzzy-Logik, die Vorteile wie starke Intuitivität, einfache Berechnung und Stabilität¹³ bietet. Der Ausdruck der Schwerpunktmethode ist in Gleichung (2)¹⁴ dargestellt.

(2)

In Gleichung (2) ist f* der Ausgabewert nach der Unschärfung, der der Schwerpunkt der Fuzzy-Menge ist. μ(x) ist die Mitgliedschaftsfunktion. ist die gewichtete Summe aller Punkte in einer unscharfen Menge.  das Integral der Mitgliedschaftsfunktion über alle möglichen Werte von x ist. Die Rationalität der Verwendung manuell definierter Regeln und Mitgliedschaftsfunktionen im MPFR-Modell spiegelt sich in drei Aspekten wider. Erstens die Garantie für die Fachqualifikation: Die Regelmacher sind drei außerordentliche Professoren für Bildungstechnologie, die vom "Online Learning Behavior Analyst" des "Online Education Research Center des Bildungsministeriums" zertifiziert wurden, um sicherzustellen, dass die Regeln den Bildungs- und Lehrgesetzen entsprechen. Zweitens: Effizienzvorteil: Die Schlusszeit manueller Regeln ist deutlich kürzer als bei datengetriebenen Methoden, was sie für die "Echtzeit-Inferenz"-Anforderungen von Online-Bildungsplattformen besser geeignet macht und keine großen Mengen an annotierten Daten benötigt, was die Kosten für die Datenerhebung^{um 15} senkt. Drittens können die Anpassung an die Kernanforderung der "Interpretierbarkeit" in Online-Bildungsszenarien, manuell definierte Regeln und dreieckige Mitgliedschaftsfunktionen (Gleichung 1) direkt intuitiver Kognition in Lehrszenarien entsprechen. Lehrkräfte benötigen keinen komplexen technischen Hintergrund, um die Gründe dafür zu verstehen, dass ein Schüler als gefährdet eingestuft wird. Datengetriebene Methoden wie neuro-fuzzy-Systeme können Regeln automatisch optimieren. Die meisten der generierten Regeln sind jedoch komplexe mathematische Ausdrücke, die für Lehrkräfte schwer zu interpretieren sind, was die Akzeptanz des Modells in der tatsächlichen Lehrintervention verringert.

Design eines verbesserten Modells zur Analyse von Schülerkommentar-Sentiments für XGBoost

Das entworfene MPFR-Modell kann SOLB aus drei Aspekten analysieren: Kurs, Individuum und Klasse. Externe Verhaltensdatenanalyse hat jedoch Einschränkungen darin, die subjektiven Gefühle der Schüler auszudrücken. Um die subjektiven Gefühle der Schüler zum Lernen weiter zu analysieren, werden zusätzliche Daten von MOOC-Lernplattformen mit Kommentarinformationen der Schüler gesammelt und vorverarbeitet. Anschließend wird das XGBoost verwendet, um das Sentiment-Klassifikationsmodell zu erstellen. Das IGWO ist darauf ausgelegt, seine Parameter zu optimieren, um die Genauigkeit des Klassifikationsmodells zu verbessern. Die Verbesserung von XGBoost spiegelt sich in der Parameteroptimierung durch den IGWO-Algorithmus wider. Die Datenvorverarbeitung ist ein entscheidender erster Schritt vor dem Modellaufbau und der Analyse. Der Prozess der Datenvorverarbeitung ist in Abbildung 3 dargestellt.

Abbildung 3: Der Prozess der Datenvorverarbeitung. Der neunstufige Datenvorverarbeitungsprozess umfasst Textreinigung, Wortsegmentierung, Stop-Word-Entfernung, Stammextraktion und Sentiment-Worterkennung und liefert hochwertige Daten für die anschließende Verhaltensanalyse und Sentiment-Klassifikation. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die Datenvorverarbeitungsschritte sind wie folgt: Der erste Schritt ist die Textreinigung, um irrelevante Felder in den Chaoxing-Plattformdaten zu entfernen und ungültige Stichproben herauszufiltern. Gleichzeitig werden nicht-textbezogene Felder und kurze Rezensionen aus den Bewertungsdaten auf der MOOC-Plattform entfernt. Der zweite Schritt ist die Durchführung der Segmentierungsverarbeitung. Unter ihnen verwenden chinesische Kommentare Jiebas "präzisen Modus" für die Wortsegmentierungsverarbeitung, während englische Kommentare die Wortsegmentierungsfunktion der NLTK-Bibliothek für die Verarbeitung verwenden. Der dritte Schritt besteht darin, gängige Stoppwörter wie "de", "ja", "in" usw. zu entfernen. Unter ihnen verwenden die chinesischen Stoppwörter die Harbin Institute of Technology Stoppwortliste (https://github.com/goto456/stopwords/blob/master/hit_stopwords.txt). Stoppwörter werden durch Wortabgleich gelöscht. Englische Stoppwörter verwenden die universelle Stoppwortliste, die in der NLTK-Bibliothek integriert ist und ebenfalls durch Wort-für-Wort-Matching gelöscht wird. Der vierte Schritt besteht darin, den stemmer der NLTK-Bibliothek zu verwenden, um Stämme aus dem Text zu extrahieren und Verben in den englischen Daten in ihre Stammform zurückzuversetzen. Der fünfte Schritt besteht darin, die positiven und negativen emotionalen Wörter in den Kommentaren anhand des CNKI-emotionalen Wörterbuchs zu identifizieren, um eine Grundlage für die spätere emotionale Klassifikation zu schaffen. Der sechste Schritt ist die Feature-Extraktion. Darunter sind die strukturierten Daten in der Chaoxing-Plattform standardisiert, während die Klassifikationsindikatoren separat codiert werden. Gleichzeitig verwenden diese Kommentardaten der MOOC-Plattform ein vortrainiertes Sprachmodell (Bidirectional Encoder Representation from Transformers, BERT), um Textmerkmale zu extrahieren. Der Hauptvorteil des BERT-Modells bei der Textfeature-Extraktion besteht darin, dass es kontextbewusste Wortvektoren dynamisch über eine tiefe bidirektionale Transformer-Architektur erzeugen kann, wodurch die Mehrdeutigkeit, die traditionelle statische Wort-Embedding-Modelle nicht bewältigen können, effektiv adressiert. Der siebte Schritt besteht darin, das Problem unausgewogener Sentiment-Kategorien in den Kommentardaten anzugehen. Die Synthetic Minority Over-sampling Technique (SMOTE) wird zur Verarbeitung eingesetzt. Fünf Stichproben der nächstgelegenen Nachbarn werden für die Interpolation ausgewählt, um synthetische Minderheitenklassenproben zu erzeugen, mit einem festen Zufallsseed von 42, um die Reproduzierbarkeit des Experiments sicherzustellen. Der achte Schritt besteht darin, die Daten zu annotieren und zu partitionieren. Der neunte Schritt besteht darin, fehlende Werte in den Superstar-Daten zu ergänzen und Ausreißer zu entfernen. Bei der Datenbalancing-Verarbeitung erzeugt SMOTE neue zusammengesetzte Stichproben, indem es zwischen Minderheitenklassenstichproben interpoliert, wodurch die Anzahl der Minderheitenklassenstichproben erhöht und die Klassenverteilung des Datensatzes ausgewogener^{wird: 16,17}. Der Ausdruck von SMOTE ist in Gleichung (3) dargestellt.

B_mn = d_m + rand(0,1) x (d_mn - d_m) (3)

In Gleichung (3) ist B_mn eine künstlich konstruierte Stichprobe der Minderheitenklasse, d_m die i-te Minderheitenklasse-Stichprobe und d_mn die n-te Stichprobe unter den k-nächsten Nachbarn von d_m. rand(0,1) ist eine Zufallszahl zwischen 0 und 1. XGBoost verbessert die prädiktive Leistung, indem iterativ Vorhersagebäume hinzugefügt werden. Er bietet Vorteile wie hohe Genauigkeit, starke Flexibilität und einfache^{Handhabung 18,19}. Die Schritte zur iterativen Konstruktion eines Baummodells mit XGBoost umfassen hauptsächlich: das Initialisieren des Modells, das iterative Konstruieren des Baums, die Zielfunktion und den Regularisierungsterm. Das vorhergesagte Ergebnis in der t-ten Iteration wird in Gleichung (4) dargestellt.

   (4)

In Gleichung (4) ist der Modellvorhersagewert nach der t-1. Iteration, f_t(h) ist die Vorhersagefunktion des in der t-ten Iteration hinzugefügten Baummodells und h der Eingabemerkmalvektor. Die Zielfunktion zur Minimierung von XGBoost ist in Gleichung (5) dargestellt.

(5)

In Gleichung (5) ist i die Stichprobenzahl. I und J sind die Gesamtzahl der Stichproben und Bäume, und j ist die Anzahl der Bäume. ist die Verlustfunktion, und g_i ist das wahre Label der i-ten Stichprobe.  ist der vorhergesagte Wert des Modells für die i-te Stichprobe nach der t-ten Iteration. Ω(f_t) ist der Regularisierungsterm, und (f_t) ist die Vorhersagefunktion des j-ten Baumes. Der allgemeine Ausdruck Ω(f) für die Regularisierung ist in Gleichung (6) dargestellt.

(6)

In Gleichung (6) bedeutet γ den Strafkoeffizienten für die Anzahl der Blattknoten, λ ist der L2-Regularisierungskoeffizient für das Gewicht der Blattknoten und w das Gewicht der Blattknoten. Die Wahl der XGBoost-Hyperparameter hat jedoch einen direkten und signifikanten Einfluss auf die Leistung. Gängige Hyperparameter von XGBoost sind die Lernrate, die maximale Tiefe des Baums und die Regularisierungsparameter. Aufgrund des potenziell großen Hyperparameterraums ist eine manuelle Anpassung dieser Parameter nicht nur zeitaufwendig, sondern auch schwierig, die optimale Parameterkombination zu finden. Daher entwickelt diese Studie IGWO so, dass die Hyperparameter von XGBoost optimiert werden. GWO sucht nach optimalen Lösungen, indem es die soziale Hierarchie und Jagdstrategien der Grauwölfe simuliert, mit Vorteilen wie weniger Parametern und starker Anpassungsfähigkeit^20,21. In GWO wird die Anfangsposition der Population wie in Gleichung (7) dargestellt erzeugt.

(7)

In Gleichung (7) ist P_uv die Position des u-ten Individuums in der v-ten Dimension. und sind die oberen und unteren Schranken des v-ten Suchraums. rand() ist eine Zufallszahl zwischen [0,1]. Allerdings kann der GWO-Algorithmus auf Probleme wie langsame Konvergenzgeschwindigkeit und das Stecken in lokalen Optima in den mittleren und späteren Phasen stoßen. Das bedeutet auch, dass GWO zu diesem Zeitpunkt möglicherweise nicht in der Lage ist, den gesamten Lösungsbereich effektiv zu erforschen, was es schwierig macht, die globale optimale Lösung zu finden. Um dieses Problem zu adressieren, verbessert diese Studie GWO aus zwei Aspekten, nämlich durch die Einführung der Tent Chaotic Map (TCM) und des Nonlinear Convergence Factor (NCF). TCM ist eine einfache chaotische Kartierung, die sicherstellt, dass potenziell optimale Lösungsregionen während des Suchprozesses nicht übersehen werden und wiederholte Durchsuchungen derselben Region²² vermeidet. Daher kann durch TCM eine gleichmäßigere und zufälligere Anfangspopulation generiert werden, und die Fähigkeit des Algorithmus, lokale Optima zu überwinden, kann verbessert werden. Die Berechnung der TCM ist in Gleichung (8) dargestellt.

(8)

In Gleichung (8) ist y der Steuerparameter.  R_t und R_t+1 sind die Systemzustandsvariablen an den t-ten und t+1-ten Iterationen. Die Formel für NCF z ist in Gleichung (9) dargestellt.

(9)

In Gleichung (9) ist z_max der maximale Konvergenzfaktor und t_max die maximale Anzahl der Iterationen. Diese nichtlineare abnehmende Methode ermöglicht es GWO, in der frühen Phase eine große Schrittlänge für die globale Suche beizubehalten. In der mittleren Phase der Suche beschleunigt sich die Konvergenzgeschwindigkeit, während in der späteren Phase die lokale Suche mit kleineren Schritten durchgeführt wird, wodurch globale und lokale Suchfunktionen effektiv ausbalanciert und die Optimierungsleistung verbessert wird. Der IGWO-Algorithmus wird speziell für die Hyperparameter-Optimierungsstufe des XGBoost-Sentiment-Klassifikators verwendet, und sein Hauptprozess ist in Abbildung 4 dargestellt.

Abbildung 4: Der Hauptprozess von IGWO. Die Abbildung beschreibt den Ausführungsprozess von IGWO, einschließlich Populationsinitialisierung basierend auf Tent Chaotic Mapping, Positionsaktualisierung nichtlinearer Konvergenzfaktoren und optimaler individueller Screening, und klärt die Logik zur Optimierung von XGBoost-Hyperparametern. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

In Abbildung 4 umfasst der IGWO-Prozess: Initialisierung des Algorithmus; indem TCM zur Initialisierung der Population verwendet wird; Berechnung des anfänglichen Fitnesswerts jedes Einzelnen; die NCF zur Aktualisierung der Grauwolf-Positionen; die Lösung mit der besten Fitness als neue optimale Person auszuwählen; und das optimale Individuum zu liefern. Die optimale Kombination der XGBoost-Hyperparameter kann über IGWO ausgegeben werden. Der gesamte Prozess der Sentiment-Klassifikation integriert Datenvorverarbeitung, IGWO-Optimierung und das finale XGBoost-Modell. Der Klassifikationsmodellprozess basierend auf IGWO-XGBoost ist in Abbildung 5 dargestellt.

Abbildung 5: Der Klassifikationsmodellprozess basierend auf IGWO-XGBoost. Die Abbildung zeigt den vollständigen Prozess des IGWO-XGBoost Sentiment-Klassifikationsmodells, von der Dateneingabe und -vorverarbeitung bis hin zur Datensatzpartitionierung, IGWO-Hyperparameteroptimierung, XGBoost-Modellkonstruktion und Ergebnisausgabe der Klassifikationsergebnisse und stellt die Operationskette des Modells klar dar. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Das auf IGWO-XGBoost basierende Modell umfasst Prozesse wie Eingabedaten, Datenvorverarbeitung, Datensatz-Partitionierung, Hyperparameteroptimierung des IGWO-Algorithmus, optimale Hyperparameterkombination, Konstruktion von XGBoost basierend auf optimaler Hyperparameterkombination und Ausgabe von Klassifikationsergebnissen. Durch dieses Klassifikationsmodell können Emotionen in Schülerkommentaren klassifiziert werden, wodurch ein intuitiveres Verständnis der subjektiven Gefühle der Schüler zum Lernen gewonnen wird. Die spezifischen Softwareversionen, zufälligen Seeds, Hardware-Spezifikationen, Umweltspezifikationen und Datensatzquellen, die in der Studie verwendet wurden, sind in Tabelle 1 dargestellt.

Mengentyp	Spezifisches Modell und Inhalt
Grundlegende Software	Python 3.9.7
Kernbibliothek	XGBoost 1.7.5、Scikit-learn 1.2.2、Jieba 0.42.1、NLTK 3.8.1、Pandas 1.5.3、NumPy 1.24.3、Matplotlib 3.7.1、Imbalanced-learn 0.10.1
Zufälliger Seed	Setze den globalen Zufallsseed auf 42
Hardware-/Umweltspezifikationen	1. Betriebssystem: Windows 10 Professional Edition (64 Bit, Versionsnummer 22H2)
	2. Prozessor: Intel Core i5-12600KF (mit einer Hauptfrequenz von 3,7 GHz und einer dynamischen Beschleunigungsfrequenz von 4,9 GHz)
	3. Speicher: 64 GB DDR4 (Frequenz 3200 MHz, unterstützt bis zu 128 GB Speicher)
	4. Speicher: 1TB SSD (Samsung 980 Pro, Lesegeschwindigkeit 7450MB/s)
	5. Grafikkarte: NVIDIA GeForce RTX 3060 (12 GB Videospeicher)
Datensatzquellen und Zugriffsdetails	1. Superstar-Plattform-Datensatz:
	-Quelle: Uniform Resource Locator (URL): https://www.chaoxing.com/
	-Erwerbsmethode: Anwendung über die Chaoxing Education Big Data Open Platform (Anwendungspfad: offizielle Website der Plattform → Entwicklerzentrum → Datenschnittstelle → Lernverhaltensdatensatz)
	2. MOOC-Plattform-Kommentardatensatz:
	-Quell-URL: https://www.icourse163.org/.cn
	-Erwerbsmethode: Bewerben Sie sich über den "Data Research Support"-Kanal der MOOC-Plattform
Benutzerdefinierte Skripte oder Modelle	1. Datenvorverarbeitungsskript
	2. MPFR-Modellskript
	3. IGWO-XGBoost Modellskript

Tabelle 1: Spezifische Softwareversionen, zufällige Seeds, Hardware-Spezifikationen, Umweltspezifikationen und in der Forschung verwendete Datensatzquellen. Bereitstellen Sie eine detaillierte Liste der erforderlichen Software- und Hardwareumgebungen, zufälliger Seed-Einstellungen, Datensatzquellen und des XGBoost-Hyperparametersuchbereichs für die Studie, um die Reproduzierbarkeit und Standardisierung des Experiments sicherzustellen.

Tabelle 1 zeigt, dass die Studie XGBoost 1.7.5 als Kernrahmen des Sentiment-Klassifikationsmodells übernimmt und Scikit Learn 1.2.2 für Datenvorverarbeitung, Feature-Extraktion und Modellbewertung einführt. Zusätzlich setzt die Studie den Zufallsseed einheitlich auf 42, um die Reproduzierbarkeit von Datenpartitionierung, SMOTE-Oversampling, IGWO-Hyperparameteroptimierung und IGWO-XGBoost-Modelltrainingsergebnissen sicherzustellen. Zusätzlich legt der IGWO-Algorithmus den Suchraum für XGBoost-Hyperparameter fest. Der Suchbereich für die Lernrate beträgt [0,001, 0,3] auf der logarithmischen Skala, und die maximale Tiefe des Baums wird in der ganzzahligen Menge {3, 4,..., 15} durchsucht. Der Optimierungsbereich des L2-Regularisierungsterms beträgt [0,1, 5,0], und das Stichprobenverhältnis jeder Baummerkmal-Teilmenge ist im Bereich von [0,6, 1,0] optimiert. Der Abstimmungsbereich für das Mindestgewicht der Blattknoten beträgt [1, 10].

Der Datensatz sowie der zugehörige Datenvorverarbeitungs- und Analysecode wurden vom Team selbst erstellt und analysiert. Die Kernskripte für die Datenvorverarbeitung sind in Tabelle 2 dargestellt.

Importiere Pandas als PD, Jieba, RE, Numpy als NP

von nltk.tokenize import word_tokenize; von nltk.stem import PorterStemmer

def clean(text, l):

return re.sub(r"[^\u4e00-\u9fa5]" if l=="zh" else r"[^a-zA-Z]", " ", text).strip()

def process(text, l):

t = jieba.lcut(text) if l=="zh" sonst word_tokenize(text)

return " ".join([PorterStemmer().stem(w) if l=="en" sonst w für w in t if w not in open("hit_stopwords.txt").read().split()])

def main(c,m,l):

cx=pd.read_csv(c).query("Kurslerndauer>=1 & Prüfungsergebnisse.notna()"); mc=pd.read_csv(m).query("comment text.str.len()>=5")

mc["t"]=mc["Kommentar Text"].apply(clean,args=("zh",)).apply(process,args=("zh",))

np.savez("out.npz",**{k:v for k,v in locals().items()})

Tabelle 2: Kernskript für die Datenvorverarbeitung. Präsentieren Sie die Kernskriptinformationen für die Datenvorverarbeitung, erläutern Sie die dem Skript entsprechenden Vorverarbeitungsschritte und liefern Sie technische Referenzen zur Replikation von Forschungsmethoden.

Ergebnisse

LBA-Ergebnisse unter Berücksichtigung von Multiperspektive und Stimmungsklassifikation

Zur Leistungsüberprüfung wird die experimentelle Umgebung eingerichtet und der experimentelle Datensatz beschrieben. Darüber hinaus wählt diese Studie den vergleichenden Algorithmus IGWO-XGBoost aus und analysiert und verifiziert ihn anhand von Indikatoren wie Genauigkeit, Zeitaufwand und Abrufrate. In der Ergebnisanalyse unterteilt die Studie sie in zwei kl...

Diskussion

Für die Analyse von SOLB entwarf diese Studie MPFR- und IGWO-XGBoost-Modelle und nutzte Daten von Online-Lehrplattformen. Im Experiment gab es eine hohe Konsistenz zwischen der Bewertung des Inferenzmodells und dem tatsächlichen Score, was auf die Wirksamkeit des Inferenzmodells hinweist. Etwa 25 % der Studierenden hatten eine Lernzeit von 1 bis 10 Stunden im Kurs. Der Anteil der Schüler mit Lernstunden zwischen 11 und 20, 21 bis 30, 31 bis 40 Stunden und über 41 Stunden betrug 30 %, 20 ...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
BERT-vortrainiertes Sprachmodell	Google-Recherche	https://github.com/google-research/bert
CNKI Emotionswörterbuch	CNKI	https://www.cnki.net/
Die Chaoxing-Plattform lernt Verhaltensdaten	Chaoxing INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd	https://www.chaoxing.com/
Computerspeicher			Universal-Hardware-Anbieter (kein spezifisches Modell)
Liste der eingestellten Amtszeiten des Harbin Institute of Technology	Harbin Institute of Technology	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Jieba-Wortsegmentierungswerkzeug (Präzisionsmodus)	Open-Source-Community von Drittanbietern	https://github.com/fxsjy/jieba.
MOOC-Plattform Schülerbewertungsdaten	Love Course Network	https://www.icourse163.org/
NLTK-Bibliothek	NLTK-Entwicklungsteam	https://www.nltk.org/
Programmiersprache Python	Python Software Foundation	https://www.python.org/
Scikit-learn 1.2.2	Scikit-Lernteam	https://scikit-learn.org/stable/
Die Smart-Tree-Plattform lernt Verhaltensdaten	Smart Tree Network	https://www.zhihuishu.com/
SMATE-Technologie	Unausgewogenes Lernentwicklungsteam	Integriert in die Bibliothek von Imbalanced Learn https://imbalanced-learn.org/stable/
Betriebssystem Windows 10	Microsoft Corporation	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost-Entwicklungsteam	https://xgboost.readthedocs.io/