Forschungsartikel

Datengetriebene Identifizierung des Studenteninteresses für intelligente Lehrverwaltungssysteme an technischen Hochschulen

1 Ansichten

⸱

DOI:

10.3791/71574

⸱

1. September 2026

1School of Foreign Languages, Bengbu University

In diesem Artikel

Zusammenfassung

Das Meta-Learning-Hybrid-Quanten-Klassisches-Neuronales-Klassifikator-Protokoll (ML-HQNC) integriert quanteninspirierte kognitive Modellierung, Datenpräprozessierung, Merkmalsauswahl und hybrides neuronales Lernen, um die Interessen von Studierenden der Ingenieurwissenschaften zu identifizieren. Dieses Protokoll stellt einen reproduzierbaren, hybriden, quanteninspirierten Maschinenlern-Workflow für die Bildungsanalytik vor, der anhand der Identifizierung von Interessen ingenieurwissenschaftlicher Studierender mithilfe mehrdimensionaler Bildungsdaten demonstriert wird.

Zusammenfassung

Dieses Protokoll stellt einen quanteninspirierten Rechenrahmen zur Identifizierung der Interessen von Ingenieurstudenten anhand mehrdimensionaler Bildungs- und Verhaltensdaten vor. Ziel ist es, einen systematischen und reproduzierbaren Arbeitsablauf bereitzustellen, der Datenpräprozessierung, Analyse von Verhaltensmustern, Merkmalsauswahl und hybrides neuronales Lernen integriert, um die Entscheidungsfindung im Bildungsbereich und personalisiertes Lernen zu unterstützen. Der Arbeitsablauf beginnt mit der Box-Cox-Robust-IQR-Skalierung (BCRIS), um Bildungsdaten durch Verringerung semantischer Störungen und Verbesserung der Datenqualität zu bereinigen und zu normalisieren. Das Lernverhalten der Studierenden wird anschließend mithilfe des Quanten-kognitiven Zustandsmodells (QCSM) analysiert, das Verhaltensübergänge und sich verändernde Lernpräferenzen unter unsicheren Bedingungen abbildet. Anschließend werden relevante Merkmale mit dem quantenverstärkten Schwarm-Wal-Optimierungs-Algorithmus zur Merkmalsauswahl (QES-WOFS) ausgewählt, um Merkmalsredundanz zu verringern und informative Verhaltensmerkmale zu identifizieren. Schließlich integriert der Meta-Lern-hybride Quanten-klassische Neuronale Klassifikator (ML-HQNC) quanteninspiriertes Lernen mit tiefen neuronalen Netzen, um Studierendeninteressen zu klassifizieren. Das Protokoll wurde anhand eines öffentlich zugänglichen Bildungsdatensatzes validiert. Die Modellleistung wurde anhand herkömmlicher Metriken bewertet, darunter Genauigkeit, F1-Score und die Fläche unter der ROC-Kurve (AUC), sowie Interessen-Erkennungsgenauigkeit (IDP), Quanten-Muster-Stabilitätsindex (QPSI) und Querdomänen-Anpassungsgewinn (CDAG). Der Rahmen erreichte eine Gesamtklassifikationsgenauigkeit von 96,17 % auf dem evaluierten Datensatz. Dieses Protokoll bietet einen reproduzierbaren Rechenarbeitsablauf zur Analyse mehrdimensionaler Bildungsdaten, um intelligente Bildungsverwaltung und Anwendungen des personalisierten Lernens zu unterstützen.

Einleitung

Bildungsmanagementsysteme werden aufgrund rascher Fortschritte in der Informationstechnologie und den Computernetzwerken zunehmend im gesamten Bildungssektor eingesetzt. Das anhaltende Wachstum der Hochschulbildung ist mit einer steigenden Studierendenzahl verbunden, insbesondere unter Ingenieurstudierenden, was zu einem erheblichen Anstieg der Daten im Bildungsmanagement führt. Dieses Wachstum unterstützt die nachhaltige Entwicklung der Bildung, beschleunigt die Informatisierung der Lehre und erleichtert die Einführung standardisierter Bildungsmanagementsysteme, die Konsistenz und Effizienz der Lehrverwaltung verbessern. Maschinelles Lernen (ML) stellt rechnergestützte Verfahren bereit, die es Systemen ermöglichen, Daten zu analysieren, aus Mustern zu lernen und ihre Vorhersagegenauigkeit kontinuierlich zu verbessern, ohne explizit programmiert zu werden1,2.

Die Bildungsqualität ist ein grundlegender Bestandteil der Hochschulbildung. In den letzten Jahren wurden Prüfungen häufig eingesetzt, um das Verständnis von Ingenieurstudenten für die Kursinhalte sowie ihre Fähigkeit, neues Wissen zu erwerben, zu bewerten und dadurch kontinuierliche Verbesserungen der Bildungsqualität zu fördern. Lernende-zentrierte Umgebungen können geschaffen werden, indem vielfältige Lernressourcen genutzt werden, die über Online-Bildungsplattformen verfügbar sind, und indem verschiedene Lerntheorien angewandt werden, um die Bedürfnisse unterschiedlicher Lernender zu berücksichtigen. Effektives Lehren spielt eine zentrale Rolle bei der Verbesserung der Lernergebnisse von Ingenieurstudenten an Hochschulen und Universitäten3,4. Darüber hinaus fördert effektives Lehren eine positive Lernumgebung, unterstützt das Verständnis der Studierenden für die Kursinhalte und verbessert die akademische Leistung. Die Bildungsqualität wird mithilfe mehrerer Indikatoren während des gesamten Lernprozesses bewertet, darunter die Struktur des Lehrplans, das Klassenraumklima und die Unterrichtsinhalte.

Die Hochschulbildung fördert die intellektuelle, persönliche und soziale Entwicklung von Studierenden. Gleichzeitig sind das Engagement der Studierenden – einschließlich der Verhaltens-, Emotions- und Kognitionsebene – sowie die akademische Ausdauer zu wichtigen Determinanten von Lernergebnissen geworden. Ein hohes Maß an Studierendenengagement trägt maßgeblich zum langfristigen akademischen Erfolg bei5,6. Fortschritte in der Bildungstechnologie haben neue Möglichkeiten für datengestützte Bildungsanalytik geschaffen, indem sie komplexe, nichtlineare Beziehungen zwischen den kognitiven, verhaltensbezogenen und akademischen Merkmalen von Studierenden mithilfe von Machine-Learning-(ML)- und Deep-Learning-(DL)-Verfahren modellieren.

Eine große Herausforderung bleibt die effektive Beobachtung und Bewertung von Klassenzimmerdynamiken unter Berücksichtigung sich verändernder Schülerverhaltensweisen. Traditionelle Ansätze zur Bewertung der Bildungsqualität und zur Analyse des Verhaltens von Ingenieurstudenten sind oft zeitaufwändig und anfällig für subjektive menschliche Urteile. Unaufmerksamkeit der Studierenden während des Unterrichts beeinträchtigt negativ die Lernergebnisse und die akademische Leistung7,8. Die Aufrechterhaltung einer anhaltenden Aufmerksamkeit bei Ingenieurstudenten bleibt jedoch aufgrund interner und externer Ablenkungen sowie Motivationsschwankungen eine Herausforderung.

Die Bewertung und Verbesserung der Studierendenbeteiligung hat angesichts der weiten Verbreitung des Online-Lernens, intelligenter Klassenzimmer und anderer interaktiver Bildungstechnologien zunehmend an Bedeutung gewonnen. Die Gewährleistung von Inklusion über verschiedene Gruppen von Ingenieurstudierenden hinweg unterstreicht weiterhin die Notwendigkeit umfassender Rahmenbedingungen, die technologiegestützte Ansätze mit der pädagogischen Praxis verbinden, während Datenschutz und ethische Standards gewahrt bleiben. Zudem behindern begrenzte Modelltransparenz und Herausforderungen im Zusammenhang mit der Technologieintegration9,10, einschließlich methodischer Verzerrungen und Bildungsgerechtigkeit, weiterhin die Entwicklung prognostischer Systeme, die Lernende durch kontinuierliche Überwachung unterstützen können.

Maschinelle Lernverfahren wurden häufig eingesetzt, um bildungsspezifische Herausforderungen wie die Vorhersage von Studierendenrisiken und Abbruchquoten zu bewältigen. Diese Verfahren haben gezeigt, dass sie in der Lage sind, Studierende mit hohem Risiko zu identifizieren, wodurch gezielte Maßnahmen unterstützt werden, die die akademische Leistung verbessern11. Zudem wurden auf Künstlicher Intelligenz (KI) basierende Bildungsmanagementsysteme entwickelt, um sowohl administrative als auch akademische Prozesse an Hochschuleinrichtungen zu optimieren. Bildungsdatensätze enthalten üblicherweise akademische Aufzeichnungen wie Kursnoten, Anwesenheitsprotokolle und Einschreibungshistorien12.

Frühere Studien haben das Verhalten von Studierenden aus drei Perspektiven analysiert: Evaluationsdaten, Methoden und Ergebnisse13,14. Vorhersagemodelle, die auf informationsbezogener Kompetenz basieren, wurden entwickelt, um die Verhaltensmerkmale von Hochschulstudierenden zu analysieren. Diese Studien konzentrieren sich hauptsächlich auf die Bewertung des Lernerverhaltens mithilfe von Deep-Learning-(DL-)Methoden. Forschungsarbeiten zur intelligenten Bewertung des Lehrerverhaltens stecken jedoch noch in den Anfängen, was den Fortschritt in diesem Bereich begrenzt. Schnelle regionsbasierte Faltungsneuronale Netze (Fast R-CNNs) wurden bereits auf Bildungsdatensätze angewandt, um die Erkennung von Unterrichtsaktivitäten zu verbessern, und zeigten dabei deutliche Leistungssteigerungen gegenüber traditionellen Methoden15.

Bi-direktionale Long Short-Term Memory (Bi-LSTM)-Modelle, die Selbstüberwachungsmechanismen integrieren, haben ebenfalls die Genauigkeit der Leistungsprognose für Studierende verbessert. In ähnlicher Weise haben Vorhersagemodelle, die anhand von Datensätzen zum Online-Lernverhalten entwickelt wurden, eine verbesserte Vorhersageleistung gezeigt16,17,18. Außerdem wurde das k-Means-Clustering (KMC) verwendet, um die Merkmale verschiedener Studierendengruppen durch Clusteranalyse zu identifizieren, wodurch Einblicke in das Verhalten von Studierenden gewonnen werden, die zur Verbesserung von Lehre, Management und Lernen beitragen. Es wurden ebenfalls auf Deep Learning basierende Strategien vorgeschlagen, um die Erkennung und Bewertung von Unterrichtsverhalten im Klassenzimmer zu verbessern. Bei diesen Ansätzen werden Verhaltensmerkmale des Klassenzimmers genutzt, um Beziehungen zwischen Merkmalsrepräsentationen und Hyperflächen anhand linear separabler Startwerte für die Support Vector Machine (SVM) herzustellen19,20. Herausforderungen wie Verdeckungen, feingliedrige Verhaltensdetails und Umwelteinflüsse beschränken jedoch weiterhin die Genauigkeit der Erkennung des Verhaltens von Ingenieurstudierenden in Klassenzimmerumgebungen.

Tiefes Lernen wurde auch auf die ergebnisbasierte Bewertung von Universitätskursen angewandt, einschließlich der pädagogischen Leistungsbeurteilung im Bereich politischer und ideologischer Erziehung21,22. Die Wirksamkeit dieser Vorhersagemodelle wurde anhand öffentlich zugänglicher Bildungsdatensätze nachgewiesen. Vorwärts gerichtete Spiking-Neuronale-Netzwerke (FSNNs) wurden verwendet, um die akademischen Leistungen von Studierenden mithilfe von Daten vorherzusagen, die aus Online-Lernplattformen und Lernmanagementsystemen gesammelt wurden. Wie in Abbildung 1 veranschaulicht, integriert der vorgeschlagene rechnergestützte Arbeitsablauf einen Datensatz zur Bildungsbewertung, um das Interesse von Ingenieurstudierenden durch sequenzielle Phasen der Daten-Vorverarbeitung, Verhaltensmusteranalyse, Merkmalsauswahl und Klassifizierung zu identifizieren. Tabelle 123,24,25,26,27,28,29,30,31,32 fasst repräsentative Methoden zusammen, die in früheren Studien beschrieben wurden, zusammen mit den verwendeten Techniken und deren jeweiligen Einschränkungen bei der Identifizierung des Studierendeninteresses innerhalb von Lernmanagementsystemen.

figure-introduction-1
Abbildung 1: Rahmenwerk zur Identifizierung des Studieninteresses. Gesamter Arbeitsablauf des vorgeschlagenen Rahmenwerks zur Identifizierung des Interesses von Ingenieurstudenten, einschließlich Datenerfassung, Vorverarbeitung, Analyse von Verhaltensmustern, Merkmalsauswahl und Klassifizierung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 1: Analyse des Schülerverhaltens im Unterrichtsmanagement. Zusammenfassung repräsentativer Methoden, Techniken, Datensätze, Evaluierungsmetriken und berichteter Einschränkungen für die Analyse des Schülerverhaltens im Unterrichtsmanagement. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Der Swin-Transformer und das Lightweight Feature Pyramid Network (FPN) wurden auf die Erkennung des Verhaltens von Studierenden im Klassenzimmer angewandt, indem sie effizient mehrskalige Merkmalskarten verarbeiten33. Darüber hinaus wurde das durch Fruchtfliegen-Optimierung angepasste rekurrente neuronale Netzwerk (PFFO-ARNN) verwendet, um das Online-Lernverhalten von Studierenden zu analysieren und den Kursfortschritt vorherzusagen34. Studien, die auf Verhaltensdaten von Studierenden basieren, die aus universitären Lernmanagementsystemen gesammelt wurden, haben außerdem die Ineffizienz und zeitaufwändige Natur der Überwachung des Klassenraumverhaltens mit herkömmlichen Deep-Learning-Methoden hervorgehoben35. Tabelle 236,37,38,39,40,41,42,43,44,45,46,47 fasst repräsentative Klassifizierungsmethoden, Datensätze, Evaluierungsmetriken und berichtete Einschränkungen für intelligente Lehrmanagementsysteme im ingenieurwissenschaftlichen Bildungsbereich zusammen.

Tabelle 2: Deep-Learning-basierte intelligente Lehrmanagementsysteme für die Ingenieurausbildung. Vergleich repräsentativer Deep-Learning-basierter Lehrmanagementsysteme, Datensätze, Evaluierungsmetriken und berichteter Einschränkungen. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Eine frühere Studie48 entwickelte ein kombiniertes Modell zur Bewertung der Lehrqualität auf der Grundlage von Deep-Belief-Networks (DBNs) und schlug eine gemischte Evaluationsstrategie zur Beurteilung der Lehre an Hochschulen vor. Der vorgeschlagene Ansatz übertraf den herkömmlichen genetischen Algorithmus (GA) sowohl hinsichtlich der Klassifikationsgenauigkeit als auch der Ausführungszeit und erreichte eine Genauigkeit von über 95 % in weniger als 5,4 ms. Das Modell wurde mithilfe von gekennzeichneten Bildungsdatensätzen trainiert und anhand einer unabhängigen Teststrategie evaluiert49,50. Die berichteten Ergebnisse zeigten eine hohe Vorhersagegenauigkeit mit einem mittleren absoluten Fehler (MAE) von 0,593 % und einem quadratischen Mittelwert des Fehlers (RMSE) von 0,785 %.

Kürzlich entwickelte leistungsstarke Architekturen wie KANFormer51 kombinieren Multi-Head-Self-Attention mit Kolmogorow-Arnold-Netzwerken, um die Vorhersage der Schülerleistung durch Erfassung komplexer Merkmalsinteraktionen zu verbessern. Auf Transformatoren basierende Wissensverfolgungsmodelle haben ebenfalls eine verbesserte Vorhersagegenauigkeit und Interpretierbarkeit gezeigt, indem sie Attention-Mechanismen nutzen, um Lernverläufe von Schülern abzubilden52. Obwohl Transformatoren- und Attention-basierte Architekturen die Leistung bei Bildungsvorhersagetasks durch Modellierung kontextueller Abhängigkeiten und langreichweitiger Merkmalsinteraktionen verbessert haben, konzentrieren sich diese Ansätze hauptsächlich auf die Vorhersage der Schülerleistung oder die Wissensverfolgung, anstatt auf die unsicherheitsbasierte Identifizierung von Schülerinteressen durch quanteninspirierte kognitive Modellierung, optimierte Merkmalsauswahl und hybrides Meta-Lernen.

Trotz jüngster Fortschritte im maschinellen Lernen und im Deep Learning für Bildungsanalysen weisen bestehende Methoden zur Identifizierung der Interessen von Ingenieurstudenten mehrere Einschränkungen auf. Viele herkömmliche Ansätze konzentrieren sich hauptsächlich auf die Vorhersagegenauigkeit und vernachlässigen dabei die vielschichtige Natur des Schülerverhaltens, einschließlich sich entwickelnder Lernpräferenzen, Verhaltensunsicherheiten, kontextueller Beziehungen und semantischer Interaktionen. Darüber hinaus stützen sich diese Methoden häufig auf konventionelles Feature-Engineering und deterministische Lernstrategien, die nicht ausreichend nichtlineare Verhaltensmuster erfassen oder sich an dynamische Lernumgebungen anpassen können. Folglich ist ein umfassenderes Framework erforderlich, das eine robuste Datenpräprozessierung, ein intelligentes Verhaltensmodell, eine adaptive Merkmalsauswahl und hybride Lernverfahren integriert, um die Analyse komplexer Bildungsdaten zu verbessern.

Um diese Einschränkungen zu beheben, integriert das vorgeschlagene Framework eine robuste Datenvorverarbeitung, ein quanteninspirierte Verhaltensmodellierung, eine optimierte Merkmalsauswahl und ein hybrides quanten-klassisches neuronales Lernen in einen einheitlichen rechnergestützten Arbeitsablauf zur Identifizierung der Interessen von Studierenden der Ingenieurwissenschaften. Durch die Kombination dieser komplementären Komponenten bietet das vorgeschlagene Protokoll einen systematischen und reproduzierbaren Ansatz zur Analyse komplexer Bildungsdaten, um individualisiertes Lernen und bildungspolitische Entscheidungsfindung zu unterstützen.

Das Ziel dieser Studie ist die Entwicklung und Validierung des CQEI-Frameworks unter Verwendung multidimensionaler bildungs- und verhaltensbezogener Daten zur Identifizierung des Interesses von Studierenden im Ingenieurwesen. Das Framework kombiniert eine robuste Datenpräprozessierung, ein quanteninspiriertes Modell kognitiver Zustände, eine optimierte Merkmalsauswahl und den Meta-Learning-Hybrid-Quanten-Klassischen-Neuronalen-Klassifikator (ML-HQNC), um das Lernverhalten von Studierenden zu analysieren und eine präzise Interessenidentifikation zu ermöglichen. Die Leistung wird anhand etablierter Metriken bewertet, darunter Genauigkeit, F1-Score und die Fläche unter der ROC-Kurve (AUC), sowie Interessenidentifikations-Präzision (IDP), Quantenmuster-Stabilitätsindex (QPSI) und Querdomänen-Anpassungsgewinn (CDAG). Durch die Integration dieser komplementären Komponenten in einen einzigen rechnergestützten Workflow bietet das vorgeschlagene Framework einen systematischen Ansatz für Bildungsanalytik und intelligente bildungspolitische Entscheidungsfindung.

Protokoll

Diese Studie verwendete einen öffentlich verfügbaren, anonymisierten Datensatz aus dem Kaggle-Repository. Es wurden keine menschlichen Teilnehmer direkt rekrutiert oder einbezogen, und es wurden keine personenbezogenen Daten erhoben. Daher waren eine institutionelle ethische Genehmigung und eine informierte Einwilligung nicht erforderlich. Die in dieser Studie verwendeten Forschungswerkzeuge sind in der Tabelle der Materialien aufgelistet.

1. Übersicht über den CQEI-Rahmen
Der vorgeschlagene quanteninspirierte konzeptionelle Bildungsintelligenz-Rahmen (CQEI) integrierte Datenpräprozessierung, Verhaltensmusteranalyse, Merkmalsauswahl und Klassifizierung, um mithilfe des aus dem Kaggle-Repository stammenden Datensatzes zur Lehrevaluationsqualität die Interessen von Ingenieurstudenten zu identifizieren. Der Datensatz wurde zunächst mit der Box–Cox-Robust-IQR-Skalierungsmethode (BCRIS) präprozessiert, um semantische Störungen zu reduzieren und die Eingabemerkmale zu normalisieren. Anschließend wurden die Verhaltensmuster der Studierenden mithilfe des Quantenkognitiven Zustandsmodells (QCSM) analysiert. Danach wurde der quantenverstärkte Schwarm–Wal-Optimierungsalgorithmus zur Merkmalsauswahl (QES-WOFS) angewandt, um informative Merkmale zu identifizieren und Merkmalsredundanz zu verringern, indem quantenoptimale Auswahl, Feedback-Bedeutsamkeit und transiente Verhaltensvariationen modelliert wurden. Schließlich integrierte der Meta-Lern-hybride Quanten–klassische Neuronale Klassifizierer (ML-HQNC) quanteninspiriertes Lernen mit tiefen residualen semantischen Schichten, um die Interessen der Studierenden zu ermitteln.

Der gesamte Arbeitsablauf des vorgeschlagenen ML-HQNC-Frameworks ist in Abbildung 2 dargestellt. Das Protokoll umfasste sechs aufeinanderfolgende Schritte: zunächst die Beschaffung des Bildungsdatensatzes aus dem Kaggle-Repository, gefolgt von der Datenvorverarbeitung mittels Box–Cox-Robust-IQR-Skalierung (BCRIS), der Merkmalsumwandlung und Verhaltensrepräsentation unter Verwendung des Quantenkognitiven Zustandsmodells (QCSM) sowie der Merkmalsauswahl mithilfe des Quantenverstärkten Schwarm–Wal-Optimierungsalgorithmus zur Merkmalsauswahl (QES-WOFS). Die ausgewählten Merkmale wurden anschließend für das Training und die Validierung des Meta-Learning-Hybrid-Quanten-Klassischen-Neuronalen-Klassifikators (ML-HQNC) verwendet, und das Framework wurde abschließend anhand von Genauigkeit, F1-Score, Fläche unter der ROC-Kurve (AUC), Interessenserkennungspräzision (IDP), Quantenmuster-Stabilitätsindex (QPSI) und Querdomänen-Anpassungsgewinn (CDAG) bewertet.

figure-protocol-1
Abbildung 2: Meta-Learning-Hybrid-Quanten-Klassisches-Neuronales-Klassifizierer-Framework (ML-HQNC). Übergeordnete Architektur des vorgeschlagenen ML-HQNC-Frameworks, das Box–Cox-Robust-IQR-Scaling (BCRIS) zur Datenvorverarbeitung, das Quanten-kognitive-Zustandsmodell (QCSM) zur Verhaltensmusteranalyse, den quantenverstärkten Schwarm–Wal-Optimierungs-Algorithmus zur Merkmalsauswahl (QES-WOFS) zur Merkmalsselektion und hybrides quanten-klassisches neuronales Lernen zur Klassifizierung des Schülerinteresses integriert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

2. Datensatz zur Bewertung der Unterrichtsqualität
Der vorgeschlagene Ansatz wurde unter Verwendung des öffentlich verfügbaren Datensatzes zur Bewertung der Unterrichtsqualität entwickelt, der aus dem Kaggle-Repository bezogen wurde. Der Datensatz enthielt 1.014 Bildungsdatensätze mit 14 mehrdimensionalen Merkmalen, die akademische Leistungen, Bewertungsergebnisse, Anwesenheit, unterrichtliche Eigenschaften sowie Indikatoren des Schülerverhaltens umfassten, die über die umfassende Bildungsmanagementplattform (CEMP) erhoben wurden. Diese Attribute lieferten die mehrdimensionalen Bildungsinformationen, die erforderlich waren, um nichtlineare Zusammenhänge abzubilden, die mit der Identifizierung der Interessen von Ingenieurstudenten verbunden sind.

Wie in Abbildung 3 gezeigt, wurde der Datensatz in einen Trainings- (80 %) und einen Testanteil (20 %) aufgeteilt. Insgesamt 800 Datensätze wurden zur Schulung des vorgeschlagenen Modells verwendet, wobei 200 für die Leistungsbewertung reserviert blieben. Der Datensatz ist öffentlich verfügbar unter: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Die Trainings- und Testdatensätze wurden anschließend mithilfe des vorgeschlagenen Frameworks verarbeitet, um das Lernmodell aufzubauen und seine Vorhersagefähigkeit zu verbessern.

Obwohl der zugrunde liegende Datensatz als „Teaching Quality Evaluation Dataset“ bezeichnet ist, zielte diese Studie darauf ab, die Interessen von Studierenden der Ingenieurwissenschaften zu identifizieren. Die im Datensatz enthaltenen pädagogischen, verhaltensbezogenen und instruktionalen Merkmale dienten als Eingabevariablen zur Schulung und Bewertung des vorgeschlagenen Frameworks. Folglich beschreiben alle berichteten Vorhersageergebnisse und Leistungsmetriken die Effektivität des Frameworks bei der Identifizierung der Interessen von Studierenden der Ingenieurwissenschaften und nicht die Bewertung der Unterrichtsqualität. Vor der Datenvorverarbeitung wurde der importierte Datensatz überprüft, um sicherzustellen, dass alle 1.014 Datensätze erfolgreich geladen wurden, dass das Datensatzschema dem erwarteten Format entsprach und dass fehlende oder doppelte Einträge identifiziert und behoben worden waren.

3. Daten-Vorverarbeitung mittels robuster IQR-Skalierung nach Box–Cox (BCRIS)
Die Methode der robusten IQR-Skalierung nach Box–Cox (BCRIS) wurde zur Vorverarbeitung und Normalisierung des Bildungsdatensatzes verwendet, indem die Box–Cox-Transformation mit einer auf dem Interquartilsabstand (IQR) basierenden robusten Skalierung kombiniert wurde, um den Einfluss extremer Werte zu verringern. Durch die Symmetriekorrektur in Kombination mit einer medianzentrierten Normalisierung entstanden statistisch stabile und skalierbare Merkmalsdarstellungen, die für die anschließende Analyse geeignet sind. Im Rahmen des vorgeschlagenen Bildungsintelligenz-Frameworks transformierte BCRIS mehrdimensionale bildungsbezogene, instruktionale und verhaltensbezogene Indikatoren in varianzkontrollierte Merkmalsrepräsentationen. Merkmale wie attendance_rate, interactive_sessions_percentage und verwandte bildungsbezogene Variablen wurden normalisiert, um die Konsistenz der Trainings- und Testdatensätze zu verbessern. Ausführliche mathematische Erläuterungen finden sich in Supplementary File 1 (Abschnitt S1). Die BCRIS-Methode lieferte eine quantenkompatible Vorverarbeitungsstrategie, die heterogene Bildungsdaten vor der anschließenden statistischen Analyse normalisierte, wobei die zugrundeliegenden verhaltensbezogenen Charakteristika für die nachgeschaltete Modellierung erhalten blieben. Vor der verhaltensbezogenen Analyse wurde die Vorverarbeitungspipeline überprüft, um sicherzustellen, dass der normalisierte Datensatz keine ungültigen oder fehlenden Werte enthielt, semantische Störungen reduziert waren und die verarbeiteten Merkmale für die nachfolgende Verhaltensmodellierung geeignet waren.

4. Merkmalsumwandlung und Verhaltensrepräsentation mithilfe des quantenkognitiven Zustandsmodells (QCSM)
Das Quantenkognitive Zustandsmodell (QCSM) wurde implementiert, um die Dynamik der Interessen von Studierenden der Ingenieurwissenschaften unter Verwendung quanteninspirierter probabilistischer Repräsentationen abzubilden. Das Interesse der Studierenden wurde als Überlappung mehrerer konzeptueller Zustände dargestellt, die die Hierarchie kognitiver Konzepte, Unsicherheit, konzeptuelle Überlappung, gleichzeitige Beschäftigung mit mehreren Themen, zögerliche oder unentschlossene Lernverhaltensweisen sowie die Wahrscheinlichkeit von Veränderungen in den Lernpräferenzen widerspiegeln. Die mehrdimensionalen Indikatoren aus dem Datensatz zur Bewertung der Qualität ingenieurwissenschaftlichen Lehrens, einschließlich Student_Avg_Score, Attendance_rate und Student_Feedback_Rating, wurden als amplitudengewichtete kognitive Übergänge in einem normalisierten quantenmechanischen Zustandsraum repräsentiert. Das QCSM kombinierte quantenmechanische Zustandsübergänge mit interferenzbasierten konzeptuellen Ausrichtungen, um quanteninspirierte kognitive Repräsentationen zu erzeugen, die Stabilität und Entwicklung des Studierendeninteresses im Zeitverlauf widerspiegeln. Detaillierte mathematische Formulierungen finden sich in Supplementary File 1 (Abschnitt S2). Das QCSM modellierte probabilistische kognitive Zustände, um Wissenserwerb, konzeptuelle Veränderungen, Lernengagement und Fachinteresse durch normalisierte Quantenzustandsrepräsentationen abzubilden. Die Verhaltensrepräsentationen wurden anhand aller Studierendendatensätze überprüft, um sicherzustellen, dass die extrahierten Merkmale kognitiver Zustände das Lernverhalten und die Themenübergänge korrekt erfassen.

5. Merkmalsauswahl mithilfe des quantenverstärkten Schwarm-Wal-Optimierungs-Algorithmus (QES-WOFS)
Der Algorithmus zur quantenverstärkten Schwarm-Wal-Optimierung (Quantum-Enhanced Swarm–Whale Optimization Feature Selection, QES-WOFS) wurde verwendet, um die optimale Teilmenge von Merkmalen zu identifizieren und verhaltensbezogene Merkmale mit hohem Informationsgehalt aus mehrdimensionalen Bildungsdaten zu extrahieren. Quanteninspirierte Suchmechanismen verbesserten die Kombination globaler und lokaler Suchstrategien zur Optimierung der Merkmale. Bildungsvariablen wie interactive_sessions_percentage, assignments_time_percentage und course_completion_rate wurden hinsichtlich ihres Zusammenhangs mit dem Zielkriterium bewertet. Kandidaten-Teilmengen von Merkmalen wurden mittels quantenbasierter Wahrscheinlichkeitsdarstellungen modelliert, während ein Quantentunnelmechanismus probabilistische Übergänge jenseits lokaler Optima ermöglichte. Die Wichtigkeit der Merkmale wurde anhand der marginalen Likelihood geschätzt, um den Beitrag jedes Merkmals zur Klassifikationsleistung und zu adaptiven Schwarmzuständen zu quantifizieren. Der QES-WOFS-Algorithmus wählte stabile und verhaltensrelevant aussagekräftige Merkmale aus und verbesserte dadurch die Robustheit gegenüber Rauschen, semestergleichen Schwankungen und periodischen Verhaltensänderungen.

Um die mit der alleinigen Verwendung des Whale Optimization Algorithm (WOA) oder des Particle Swarm Optimization (PSO) verbundenen Einschränkungen zu überwinden, kombiniert der QES-WOFS-Algorithmus die auf PSO basierende globale Erkundung mit der auf WOA basierenden lokalen Ausnutzung. Ein Quantentunnelmechanismus ermöglichte darüber hinaus probabilistische Übergänge jenseits lokaler Optima, wodurch die Populationsvielfalt erhöht, die Merkmalsredundanz verringert und die Konvergenz in Richtung einer optimalen Merkmalsuntermenge zur Identifizierung des Interesses von Ingenieurstudenten verbessert wurde.

Detaillierte mathematische Formulierungen sind in Zusatzdatei 1 (Abschnitt S3) enthalten. Der QES-WOFS-Algorithmus kombinierte quantenprobabilistische Merkmalskodierung, eine PSO-angepasste Geschwindigkeitsstrategie und einen walartigen Spiral-Suchmechanismus, um die informativsten pädagogischen Merkmale zu identifizieren. Die Hyperparameter wurden empirisch mithilfe des Trainingsdatensatzes optimiert. Kandidatenwerte wurden durch systematische Experimente evaluiert, und die Kombination mit der höchsten Validierungsleistung wurde ausgewählt. Insbesondere wurden der Box-Cox-Transformationsparameter (λ = 0,25), der Margin für den kontrastiven Verlust (m = 1,0) sowie die Quantentunnel-Koeffizienten (α = 0,7 und β = 0,3) basierend auf Validierungsgenauigkeit, F1-Score und Konvergenzverhalten ausgewählt. Vor dem Training des Klassifikators wurden die Ergebnisse der Merkmalsauswahl überprüft, um sicherzustellen, dass der QES-WOFS-Algorithmus die optimale Teilmenge an Merkmalen ausgewählt und redundante oder wenig aussagekräftige Merkmale entfernt hatte.

6. Modelltraining und -validierung mithilfe des meta-lernenden hybriden quanten-klassischen neuronalen Klassifizierers (ML-HQNC)
Der meta-lernende hybride quanten-klassische neuronale Klassifizierer (ML-HQNC) wurde durch die Kombination tiefer neuronaler Netze mit quanteninspirierten Berechnungen implementiert, um die Interessen von Studierenden der Ingenieurwissenschaften zu identifizieren. Mehrkanalige Quanten-Attention-Mechanismen und tiefe residuelle semantische Schichten erfassten komplexe nichtlineare Beziehungen innerhalb multidimensionaler Bildungsdaten, die mittels variationsquantenbasierter Schaltkreise (VQCs) dargestellt wurden. Aus dem Verhalten abgeleitete Merkmale wie student_average_grade, attendance_rate und student_feedback_rating wurden in einen Quantenzustandsraum projiziert, wobei normalisierte Eingaben in amplitudenbasierte Quantendarstellungen umgewandelt wurden, um überlappende und probabilistische Engagement-Muster abzubilden. Normalisierte Merkmalsvektoren des Studierendenverhaltens wurden gemäß den in Ergänzende Datei 1 (Abschnitt S4) bereitgestellten Gleichungen berechnet. Anschließend klassifizierte und identifizierte der ML-HQNC die Interessen von Studierenden der Ingenieurwissenschaften.

Der ML-HQNC-Klassifikator verwendete während des Trainings eine episodische Meta-Lern-Strategie. Jeder Episode wurde eine zufällig ausgewählte Meta-Lernaufgabe aus dem Trainingsdatensatz zugewiesen. Unter Beibehaltung der Klassenverteilung wurden die Trainingsdaten in eine Support-Menge (80 %) und eine Abfrage-Menge (20 %) aufgeteilt. Die Support-Menge diente der anwendungsspezifischen Parameteranpassung über die innere Optimierungsschleife, während die Abfrage-Menge das angepasste Modell bewertete und den Meta-Verlust berechnete, der zur Aktualisierung der gemeinsamen Parameter verwendet wurde. In jedem Trainingszyklus wurden insgesamt 100 Meta-Lernaufgaben generiert. Für die Anpassung in der inneren Schleife wurden fünf Gradient-Update-Schritte mit einer inneren Lernrate von 0,001 verwendet, während der Adam-Optimierer mit einer äußeren Lernrate von 0,0005 die Meta-Parameter optimierte. Die zufällige Aufgabenstichprobe wurde in jeder Trainingsäpoche wiederholt, um das Modell unterschiedlichen Verhaltensmustern auszusetzen und die Verallgemeinerungsfähigkeit auf zuvor nicht gesehene Schülerprofile zu verbessern. Die Verlustschätzung für die quantenkontrastive Ausrichtung ist in Supplementary File 1 (Equations 41–45) beschrieben. Das Modelltraining wurde überprüft, um eine erfolgreiche Konvergenz ohne rechnerische Fehler sicherzustellen und um zu bestätigen, dass die Verlustkurven für Training und Validierung über aufeinanderfolgende Epochen hinweg stabilisiert waren.

Ergebnisse

Der vorgeschlagene ML-HQNC-Ansatz wurde anhand herkömmlicher Klassifizierungsmetriken wie Genauigkeit, Präzision, Sensitivität, F1-Score und der Fläche unter der ROC-Kurve (AUC) sowie anhand der vorgeschlagenen Bewertungsmetriken Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) und Cross-Domain Adaptability Gain (CDAG) mit Fast R-CNN, Bi-LSTM, CNN und XGBoost verglichen. Die mathematischen Definitionen dieser Metriken sind in Supplementary File 1 (Section S5) enthalten.

Um die Robustheit des vorgeschlagenen Frameworks zu bewerten, wurden alle Experimente fünfmal mit unterschiedlichen zufälligen Initialisierungen wiederholt. Die angegebenen Leistungswerte werden als Mittelwert ± Standardabweichung über die fünf Durchläufe angegeben. Die statistische Signifikanz zwischen dem vorgeschlagenen Framework und den Baseline-Modellen wurde mittels eines gepaarten t-Tests evaluiert, wobei p < 0,05 als statistisch signifikant betrachtet wurde.

Wie in Zusatz-Tabelle 1 zusammengefasst, wurden Simulationsexperimente mit dem Datensatz zur Lehrevaluation durchgeführt, der 1.014 Datensätze umfasst. Insgesamt wurden 800 Datensätze zum Modelltraining verwendet, während 200 Datensätze für Tests reserviert blieben. Der vorgeschlagene ML-HQNC-Ansatz und die Vergleichsmodelle wurden in der Jupyter-Notebook-Umgebung mithilfe von Python implementiert. Das Attribut Teaching_Quality diente als ursprüngliche Zielvariable im öffentlich verfügbaren Datensatz zur Lehrevaluation und bestand aus zwei Klassen, Gut und Ausgezeichnet. Diese Klassen wurden als Vorhersageziele für das Training und die Bewertung des ML-HQNC-Frameworks verwendet. Die resultierenden Vorhersagekategorien sind in Tabelle 3 zusammengefasst. Zusatz-Tabelle 2 fasst die Validierungsergebnisse des Vorverarbeitungsschritts Box–Cox Robust IQR Scaling (BCRIS) zusammen. Die Vorverarbeitungspipeline entfernte fehlende und doppelte Einträge, verringerte den Einfluss von Ausreißern, normalisierte die Verteilung der Merkmale und verbesserte die semantische und verhaltensmäßige Konsistenz vor der Merkmalsumwandlung und dem Modelltraining.

Tabelle 3: Zielvariable des Datensatzes zur Lehrgütebewertung. Beschreibung der ursprünglichen Zielvariable Teaching_Quality und ihrer Klassifikationskategorien (Good und Excellent), die für das Modelltraining und die Bewertung verwendet wurden. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Zusatz-Tabelle 3 zeigt repräsentative Merkmale, die vom Quanten-kognitiven Zustandsmodell (QCSM) generiert wurden. Die extrahierten Merkmale beschreiben das Lernverhalten von Studierenden, einschließlich kognitivem Zustand, Engagement, Unsicherheit, Themenübergängen und Verhaltenskonsistenz, und dienten als Eingabe für die anschließende Merkmalsauswahlphase QES-WOFS. Zusatz-Tabelle S4 listet die endgültigen Merkmale auf, die vom QES-WOFS-Algorithmus ausgewählt wurden, zusammen mit ihren Merkmalskategorien, relativen Einflussniveaus und funktionalen Rollen innerhalb des vorgeschlagenen Rahmens. Die Eigenschaften der extrahierten mehrdimensionalen Verhaltensmerkmale sind in Zusatz-Tabelle 5 zusammengefasst. Zusatz-Tabelle 6 zeigt repräsentative Kantenstrukturen, die während der Verhaltensrepräsentation für die beiden Vorhersageklassen (Gut und Ausgezeichnet) generiert wurden.

Wie in Abbildung 4 und Tabelle 4 gezeigt, erzielte der vorgeschlagene ML-HQNC-Ansatz den höchsten F1-Wert (87,9 %) im Vergleich zu den evaluierten Methoden. Die entsprechenden F1-Werte für Fast R-CNN, Bi-LSTM, CNN und XGBoost lagen bei 77,9 %, 80,2 %, 82,8 % bzw. 85,8 %. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests (p < 0,05) bewertet.

Abbildung 5 und Tabelle 5 Zusammenfassung der Interest Detection Precision (IDP)-Ergebnisse: Der vorgeschlagene ML-HQNC-Ansatz erreichte eine IDP von 89,3 % im Vergleich zu 79,11 %, 82,12 %, 84,6 % und 87,10 % bei Fast R-CNN, Bi-LSTM, CNN bzw. XGBoost. Abbildung 6 und Tabelle 6 zeigen die Ergebnisse des Quantum Pattern Stability Index (QPSI). Der vorgeschlagene Ansatz erreichte einen QPSI-Wert von 92,7 %, während Fast R-CNN, Bi-LSTM, CNN und XGBoost Werte von 81,1 %, 84,11 %, 87,4 % bzw. 90,9 % erreichten. Abbildung 7 und Tabelle 7 Zusammenfassung der Ergebnisse zum Cross-Domain Adaptability Gain (CDAG). Der vorgeschlagene ML-HQNC-Ansatz erreichte den höchsten CDAG-Wert (0,95) im Vergleich zu Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) und XGBoost (0,86). Wie gezeigt in Abbildung 8 und Tabelle 8, erreichte das vorgeschlagene ML-HQNC-Framework die höchste Klassifizierungsgenauigkeit (96,17 %). Die entsprechenden Genauigkeiten für Fast R-CNN, Bi-LSTM, CNN und XGBoost lagen bei 85,10 %, 87,21 %, 90,14 % bzw. 93,19 %. Abbildung 9 und Tabelle 9 zeigt die Rechenzeit, die von jeder Methode benötigt wird. Der vorgeschlagene ML-HQNC-Ansatz benötigte 9,02 ms, während Fast R-CNN, Bi-LSTM, CNN und XGBoost 31,2 ms, 27,5 ms, 22,4 ms bzw. 17,6 ms benötigten. Abbildung 10 stellt die Receiver-Operating-Characteristic-(ROC)-Analyse vor. Der vorgeschlagene ML-HQNC-Ansatz erreichte eine AUC von 0,944, was auf eine hohe Trefferquote (True-Positive-Rate) und eine niedrige Falsch-Positiv-Rate über alle evaluierten Klassifizierungsschwellen hinweg hindeutet.

figure-results-1
Abbildung 4: F1-Score-Vergleich bei unterschiedlichen Datensatzgrößen. Vergleich des von ML-HQNC und konkurrierenden Modellen erreichten F1-Scores bei unterschiedlichen Datensatzgrößen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe (n = 5) angegeben. Die Fehlerbalken entsprechen einer Standardabweichung. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests (p < 0,05) bewertet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 4: F1-Score-Vergleich bei unterschiedlichen Datensatzgrößen. Vergleich des von ML-HQNC und konkurrierenden Modellen erreichten F1-Scores. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-2
Abbildung 5: Vergleich der Präzision bei der Erkennung von Interessen (IDP) anhand unterschiedlicher Datensatzgrößen. Vergleich der von ML-HQNC und konkurrierenden Modellen erreichten Präzision bei der Erkennung von Interessen (IDP) anhand unterschiedlicher Datensatzgrößen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe (n = 5) angegeben. Die Fehlerbalken entsprechen einer Standardabweichung. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests (p < 0,05) bewertet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 5: Vergleich der Präzision bei der Interessen­erkennung (IDP) anhand unterschiedlicher Datensatzgrößen. Vergleich der von ML-HQNC und konkurrierenden Modellen erreichten Präzision bei der Interessen­erkennung (IDP). Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige experimentelle Durchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-3
Abbildung 6: Vergleich des Quantum Pattern Stability Index (QPSI) bei unterschiedlichen Datensatzgrößen. Vergleich des Quantum Pattern Stability Index (QPSI), der von ML-HQNC und konkurrierenden Modellen bei unterschiedlichen Datensatzgrößen erreicht wurde. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe (n = 5) angegeben. Die Fehlerbalken entsprechen einer Standardabweichung. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests (p < 0,05) bewertet. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 6: Vergleich des Quantum Pattern Stability Index (QPSI) bei unterschiedlichen Datensatzgrößen. Vergleich des Quantum Pattern Stability Index (QPSI), der von ML-HQNC und konkurrierenden Modellen erreicht wurde. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige experimentelle Durchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-4
Abbildung 7: Vergleich des Cross-Domain Adaptability Gain (CDAG) bei unterschiedlichen Datensatzgrößen. Vergleich des von ML-HQNC und konkurrierenden Modellen erreichten Cross-Domain Adaptability Gain (CDAG) bei unterschiedlichen Datensatzgrößen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe angegeben (n = 5). Die Fehlerbalken repräsentieren eine Standardabweichung. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests bewertet (p < 0,05). Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 7: Vergleich des Cross-Domain-Adaptabilitäts-Gewinns (CDAG) bei unterschiedlichen Datensatzgrößen. Vergleich des von ML-HQNC und konkurrierenden Modellen erzielten Cross-Domain-Adaptabilitäts-Gewinns (CDAG). Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-5
Abbildung 8: Vergleich der Klassifizierungsgenauigkeit bei unterschiedlichen Datensatzgrößen. Vergleich der von ML-HQNC und konkurrierenden Modellen erreichten Klassifizierungsgenauigkeit bei unterschiedlichen Datensatzgrößen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe (n = 5) angegeben. Fehlerbalken repräsentieren eine Standardabweichung. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests (p < 0,05) bewertet. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Tabelle 8: Vergleich der Klassifikationsgenauigkeit bei unterschiedlichen Datensatzgrößen. Vergleich der Klassifikationsgenauigkeit, die von ML-HQNC und konkurrierenden Modellen erreicht wurde. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-6
Abbildung 9: Vergleich der Rechenzeit bei unterschiedlichen Datensatzgrößen. Vergleich der Rechenlaufzeit von ML-HQNC und konkurrierenden Modellen bei unterschiedlichen Datensatzgrößen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige Experimentdurchläufe angegeben (n = 5). Die Fehlerbalken repräsentieren eine Standardabweichung. Niedrigere Werte deuten auf eine kürzere Rechenlaufzeit hin. Die statistische Signifikanz wurde mittels eines zweiseitigen unabhängigen t-Tests bewertet (p < 0,05). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 9: Vergleich der Rechenzeit bei unterschiedlichen Datensatzgrößen. Vergleich der Rechenlaufzeit von ML-HQNC und konkurrierenden Modellen. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige experimentelle Durchläufe angegeben (n = 5). Niedrigere Werte deuten auf eine kürzere Rechenlaufzeit hin. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

figure-results-7
Abbildung 10: Vergleich der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC). Vergleich der AUC-Werte, die von ML-HQNC und konkurrierenden Modellen zur Identifizierung des Interesses von Ingenieurstudenten erreicht wurden. Die angegebenen AUC-Werte entsprechen einem einzelnen experimentellen Durchlauf; daher werden keine Fehlerbalken und statistischen Signifikanzanalysen dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Erweiterte Abbildung 1 zeigt die Korrelationsmatrix repräsentativer Verhaltensvariablen. Starke positive Korrelationen wurden zwischen Avg_Score und Course_Completion_Rate (0,81) sowie zwischen Attendance_Rate und Course_Completion_Rate (0,75) beobachtet. Mäßige Korrelationen ergaben sich zwischen Avg_Score und Course_Completion (0,72) sowie zwischen Attendance_Rate und Time_Assignment_Percentage (0,74). Erweiterte Abbildungen 2 und 3 zusammen mit Tabelle 10 fassen die Genauigkeitskarten für Training und Test zusammen. Der vorgeschlagene ML-HQNC-Ansatz erreichte eine Trainingsgenauigkeit von 96,1 % und eine Testgenauigkeit von 93,8 %, was die Leistung der Vergleichsmethoden übertrifft. Erweiterte Abbildungen 4 und 5 zusammen mit Tabelle 11 fassen die Konvergenzanalyse zusammen. Der vorgeschlagene ML-HQNC-Ansatz erreichte den niedrigsten Trainingsverlust (0,21) und Testverlust (0,26) mit stabiler Konvergenz während des gesamten Optimierungsprozesses.

Tabelle 12 fasst die Gesamtleistung des vorgeschlagenen ML-HQNC-Frameworks und der Vergleichsmethoden über alle Bewertungsmetriken hinweg zusammen. Das vorgeschlagene Framework erzielte die höchste Leistung hinsichtlich Genauigkeit, F1-Score, AUC, IDP, QPSI und CDAG und benötigte dabei die kürzeste Rechenzeit unter den evaluierten Methoden. Tabelle 13 zeigt die komponentenweise Ablationsanalyse des vorgeschlagenen Frameworks. Die schrittweise Integration der BCRIS-Vorverarbeitungsstufe, der QCSM-Verhaltensrepräsentation, des QES-WOFS-Algorithmus zur Merkmalsauswahl und des vollständigen ML-HQNC-Klassifizierers führte zu kontinuierlichen Verbesserungen der Klassifizierungsleistung und belegt somit den Beitrag jeder Komponente zum Gesamtergebnis des Frameworks.

Tabelle 10: Vergleich der Trainings- und Testgenauigkeit. Vergleich der Trainings- und Testgenauigkeit, die von ML-HQNC und konkurrierenden Modellen erreicht wurden. Die angegebenen Werte entsprechen einem einzelnen experimentellen Durchlauf. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 11: Vergleich von Trainings- und Testverlust. Vergleich des Trainings- und Testverlusts, der von ML-HQNC und konkurrierenden Modellen erreicht wurde. Die angegebenen Werte entsprechen einem einzelnen experimentellen Durchlauf. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 12: Vergleich der Gesamtleistung. Vergleich von ML-HQNC und konkurrierenden Modellen anhand mehrerer Evaluierungsmetriken. Die Ergebnisse werden als Mittelwert ± Standardabweichung über fünf unabhängige experimentelle Durchläufe angegeben (n = 5). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

VERFÜGBARKEIT VON DATEN:
Der ursprüngliche Datensatz zur Bewertung der Unterrichtsqualität, der in dieser Studie verwendet wurde, ist öffentlich im Kaggle-Repository verfügbar (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). Der Zugriff auf den Datensatz erfordert möglicherweise eine Benutzerauthentifizierung und unterliegt den Nutzungsbedingungen von Kaggle. Um die Reproduzierbarkeit zu unterstützen und gleichzeitig den Lizenzbedingungen des ursprünglichen Datensatzes zu entsprechen, wurden die in der Studie erstellten Ressourcen – einschließlich des synthetischen Datensatzes, des Quellcodes, der Implementierungs- und Konfigurationsdateien, der Merkmalsbeschreibungen, des Vorverarbeitungsworkflows und der unterstützenden Dokumentation, die zur Reproduktion der berichteten Experimente erforderlich sind – in einem öffentlich zugänglichen Zenodo-Repository hinterlegt: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
Abbildung 3: Datensatzmerkmale zur Bewertung der Unterrichtsqualität. Struktur und Zusammensetzung der Merkmale des Datensatzes zur Bewertung der Unterrichtsqualität, der zur Identifizierung des Interesses von Studierenden der Ingenieurwissenschaften verwendet wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung S1: Merkmalskorrelationsmatrix. Korrelationsmatrix, die die paarweisen Beziehungen zwischen repräsentativen bildungs- und verhaltensbezogenen Variablen zeigt, die im vorgeschlagenen ML-HQNC-Framework verwendet werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung S2: Vergleich der Trainingsgenauigkeit. Vergleich der Trainingsgenauigkeit, die von ML-HQNC und konkurrierenden Modellen während des Trainingsprozesses erreicht wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Abbildung 3: Vergleich der Testgenauigkeit. Vergleich der Testgenauigkeit, die von ML-HQNC und konkurrierenden Modellen während des Testprozesses erreicht wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung 4 (zusätzlich): Analyse des Trainingsverlusts. Vergleich des Trainingsverlusts, der von ML-HQNC und konkurrierenden Modellen während der Modelloptimierung erreicht wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Abbildung 5 (zusätzlich): Analyse des Testverlusts. Vergleich des Testverlusts, der von ML-HQNC und konkurrierenden Modellen während der Modellevaluation erreicht wurde.  Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 1: Simulationsparameter und experimentelle Einstellungen. Zusammenfassung der Simulationsparameter, der Implementierungsumgebung, der Datensatzpartitionierung und der experimentellen Einstellungen, die zur Bewertung des vorgeschlagenen ML-HQNC-Frameworks verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungstabelle 2: Validierungsergebnisse der Vorverarbeitungsstufe Box–Cox Robust IQR Scaling (BCRIS). Vergleich repräsentativer Datensatzmerkmale vor und nach der Vorverarbeitung, einschließlich fehlender Werte, doppelter Datensätze, Behandlung von Ausreißern, Merkmalsnormalisierung und Datensatzkonsistenz. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzungstabelle 3: Repräsentative Merkmale, generiert durch das Quanten-kognitive Zustandsmodell (QCSM). Repräsentative Verhaltensmerkmale, die vom QCSM nach der Datenverarbeitung generiert wurden, einschließlich kognitiver Zustand, Beteiligung, Unsicherheit, Themenwechsel und Verhaltenskonsistenz-Merkmale. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Erweiterte Tabelle 4: Von dem quantenverstärkten Schwarm-Wal-Optimierungsalgorithmus zur Merkmalsauswahl (QES-WOFS) ausgewählte Merkmale. Endgültige Menge der von dem QES-WOFS-Algorithmus ausgewählten Merkmale zusammen mit den entsprechenden Merkmalskategorien, relativen Einflussstufen und funktionellen Rollen innerhalb des vorgeschlagenen Frameworks. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 5: Vorhersagekategorien zur Unterrichtsqualität. Beschreibung der Vorhersagekategorien und repräsentativer Verhaltensmerkmale, die vom vorgeschlagenen ML-HQNC-Framework verwendet werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatz-Tabelle 6: Sensitivitätsanalyse der Ränder. Zusammenfassung der Sensitivitätsanalyse der Ränder, die während der Modellevaluation verwendet wurde. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 1: Ergänzende Methoden, mathematische Formulierungen, Evaluierungsmetriken und ergänzende Tabellen. Diese Datei enthält detaillierte mathematische Formulierungen für die Box-Cox-Robust-IQR-Skalierung (BCRIS), das Quantenkognitive-Zustandsmodell (QCSM), die Quantenverstärkte Schwarm-Wal-Optimierung zur Merkmalsauswahl (QES-WOFS) und den Meta-Lern-Hybrid-Quanten-Klassisch-Neuronalen-Klassifikator (ML-HQNC), die im Hauptprotokoll beschrieben sind. Außerdem sind darin die Definitionen der Evaluierungsmetriken, Simulationsparameter, experimentellen Einstellungen sowie die ergänzenden Tabellen S1–S6 enthalten, die die im Hauptmanuskript präsentierten Ergebnisse unterstützen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Der vorgeschlagene ML-HQNC-Rahmen zeigte eine verbesserte Leistung bei der Identifizierung des Interesses von Ingenieurstudenten, indem quanteninspirierte Verhaltensmodellierung, adaptive Merkmalsauswahl und Meta-Lernen in einen einheitlichen rechnerischen Workflow integriert wurden. Im Vergleich zu Fast R-CNN, Bi-LSTM, CNN und XGBoost erzielte der Rahmen konsistent höhere Leistungswerte bei herkömmlichen Klassifizierungsmetriken sowie bei den vorgeschlagenen verhaltensbasierten Evaluierungsmetriken. Diese Ergebnisse deuten darauf hin, dass die Kombination einer quanteninspirierten Repräsentation kognitiver Zustände mit adaptiver Merkmalsoptimierung die Fähigkeit des Rahmens verbesserte, komplexe bildungsbezogene Verhaltensweisen abzubilden, während gleichzeitig eine robuste Klassifizierungsleistung beibehalten wurde. Die geringe Rechenzeit sowie die kleine Differenz zwischen Trainings- und Testleistung deuten zudem auf eine stabile Optimierung und eine gute Generalisierungsfähigkeit hin.

Die vorgeschlagenen Evaluierungsmetriken ergänzten herkömmliche Klassifizierungsmaße, indem sie zusätzliche Informationen über die Verhaltensmodellierung lieferten. Die Präzision der Interessenidentifikation (Interest Detection Precision, IDP) quantifizierte die Genauigkeit der Interessenbestimmung, der Quantenmuster-Stabilitätsindex (Quantum Pattern Stability Index, QPSI) bewertete die Stabilität der quanteninspirierten Verhaltensrepräsentationen, und der Gewinn an Querdomänen-Anpassungsfähigkeit (Cross-Domain Adaptability Gain, CDAG) beurteilte die Fähigkeit des Frameworks, auf verschiedene Datenaufteilungen zu verallgemeinern. Zusammen boten diese Maße eine umfassendere Bewertung der Modellleistung als herkömmliche Vorhersagemetriken allein.

Die komponentenweise Ablationsanalyse (Tabelle 13) verdeutlichte weiterhin den Beitrag jeder Phase des vorgeschlagenen Workflows. Die Einbindung der Box–Cox-Robust-IQR-Skalierungs-(BCRIS-)Vorverarbeitungsstufe verbesserte die Datenkonsistenz, indem der Einfluss von Ausreißern verringert und normalisierte Merkmalsdarstellungen erzeugt wurden. Das Quanten-kognitive Zustandsmodell (QCSM) transformierte mehrdimensionale bildungsbezogene Variablen in Verhaltensdarstellungen, die Unsicherheit, Beteiligung und sich verändernde Lernpräferenzen erfassten. Die anschließende Merkmalsauswahl mithilfe des quantenverstärkten Schwarm–Wal-Optimierungs-Algorithmus zur Merkmalsauswahl (QES-WOFS) reduzierte die Redundanz der Merkmale, behielt jedoch informative Verhaltensmerkmale bei. Schließlich verbesserte die Integration dieser Komponenten in den Meta-Lern-hybriden Quanten–klassischen neuronalen Klassifikator (ML-HQNC) die Klassifizierungsleistung und Generalisierungsfähigkeit im Vergleich zu den Baseline-Modellen.

Das vorgeschlagene Protokoll dient der Identifizierung des Interesses von Ingenieurstudenten mithilfe mehrdimensionaler bildungs- und verhaltensbezogener Daten, die aus digitalen Lernumgebungen gesammelt wurden. Der rechnergestützte Arbeitsablauf kann individualisiertes Lernen, akademische Beratung, Lehrplanentwicklung und intelligente Bildungsverwaltung unterstützen, indem er einen systematischen Ansatz zur Analyse des Lernverhaltens von Studierenden und zur Ermittlung sich entwickelnder Interessen bereitstellt. Das Framework eignet sich besonders für strukturierte Bildungsdatensätze, die verhaltensbezogene, akademische und kontextuelle Variablen enthalten.

Die erfolgreiche Implementierung hängt von der Verfügbarkeit hochwertiger Bildungsdaten und ausreichender Rechenressourcen ab. Vor der Analyse sollten Bildungsdatensätze auf fehlende Werte, doppelte Einträge und Inkonsistenzen überprüft werden, da die Datenqualität die Vorverarbeitung und anschließende Verhaltensmodellierung direkt beeinflusst. Stabile Merkmalsdarstellungen hängen außerdem von einer geeigneten Vorverarbeitung, Merkmalstransformation und Hyperparameter-Optimierung ab. Während des Modelltrainings sollte die Konvergenz anhand der Trainings- und Validierungsverlustkurven überwacht und die Optimierungsparameter bei Bedarf angepasst werden, um ein stabiles Lernverhalten sicherzustellen.

Obwohl das Framework eine wirksame Leistung mit dem ausgewerteten Datensatz zeigte, sollten mehrere Einschränkungen berücksichtigt werden. Das Protokoll wurde anhand eines einzigen öffentlich verfügbaren bildungswissenschaftlichen Datensatzes validiert, und weitere Bewertungen anhand größerer, multi-institutioneller und vielfältigerer bildungswissenschaftlicher Datensätze sind erforderlich, um die Generalisierbarkeit weiter zu beurteilen. Zudem erfordert das hybride, quanteninspirierte Lernframework aufgrund seiner Vorverarbeitungs-, Optimierungs- und hybriden Lernkomponenten mehr Rechenressourcen als herkömmliche maschinelle Lernansätze. Das Framework ist außerdem auf gut annotierte Bildungsdaten angewiesen, und die Leistung kann durch unvollständige, verrauschte oder stark unausgeglichene Datensätze beeinträchtigt werden.

Zukünftige Arbeiten werden darauf abzielen, das Framework zur feiner abgestuften Identifizierung des Interesses von Studierenden in mehreren Klassen zu erweitern, zusätzliche Modalitäten bildungsbezogener Daten wie textuelle Rückmeldungen, zeitliche Lernverhaltensmuster und Aktivitätsprotokolle aus Lernmanagementsystemen in Echtzeit einzubeziehen und das Protokoll in unterschiedlichen Umgebungen der ingenieurwissenschaftlichen Lehre zu evaluieren. Eine weitere Optimierung des rechnergestützten Workflows könnte zudem die Skalierbarkeit verbessern und die Implementierung in groß angelegten Bildungsmanagementsystemen erleichtern.

Zusammenfassend bietet der vorgeschlagene ML-HQNC-Rahmen einen reproduzierbaren computerbasierten Arbeitsablauf zur Identifizierung des Interesses von Studierenden im Ingenieurwesen anhand mehrdimensionaler Bildungsdaten. Durch die Integration einer robusten Vorverarbeitung, eines quanteninspirierten Verhaltensmodells, einer adaptiven Merkmalsauswahl und eines hybriden quanten-klassischen neuronalen Lernverfahrens erzielte der Rahmen verbesserte Klassifizierungsleistungen, während gleichzeitig eine stabile Optimierung und effiziente Berechnung gewährleistet blieben. Diese Eigenschaften untermauern sein Anwendungspotenzial in der intelligenten Bildungsanalytik und im Management der ingenieurwissenschaftlichen Ausbildung.

Offenlegungen

Der Autor erklärt keine Wettbewerbsinteressen.

Danksagungen

Der Autor dankt der Bengbu University in Bengbu, China, für die Bereitstellung der akademischen Unterstützung und eines Forschungsumfelds, das diese Studie ermöglicht hat. Für diese Studie wurden keine externen Mittel eingeworben. Diese Arbeit wurde durch das jährliche qualitätsorientierte Ingenieurprojekt auf Ebene der Hochschule der Bengbu University im Jahr 2025 (Nr. 2025zhkc1) unterstützt.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Baseline-Modelle (Fast R-CNN, Bi-LSTM, CNN, XGBoost)Open-Source-ImplementierungenFast R-CNN (2015); TensorFlow/Keras-Implementierung v2.16; XGBoost v2.1.1Benchmark-Modelle zur vergleichenden Leistungsbewertung.
BCRIS-PräprozessierungsmodulIn dieser Studie entwickeltVersion 1.0Individuelles Präprozessierungsmodul zur Durchführung der Box-Cox-Transformation und robusten IQR-Normalisierung.
Jupyter NotebookProject JupyterVersion 7.2.2Interaktive Entwicklungsumgebung zur Implementierung, zum Training und zur Testung.
ML-HQNC-KlassifikatorIn dieser Studie entwickeltVersion 1.0Vorgeschlagener hybrider quanten-klassischer neuronaler Netzwerkklassifikator mit Meta-Learning-Struktur.
PythonPython Software FoundationVersion 3.11.9Programmiersprache für die Modellentwicklung und -experimente.
PyTorchPyTorch FoundationVersion 2.5.1Tiefenlern-Framework für Implementierung und Training der Modelle.
QCSM-ModellIn dieser Studie entwickeltVersion 1.0Vorgeschlagenes Quanten-kognitives-Zustands-Modell zur Repräsentation von Verhaltensmustern.
QES-WOFS-AlgorithmusIn dieser Studie entwickeltVersion 1.0Vorgeschlagener Quantum-Enhanced Swarm–Whale-Optimization-Algorithmus zur Merkmalsauswahl.
Scikit-learnScikit-learn-EntwicklerVersion 1.6.1Machine-Learning-Bibliothek für Präprozessierung, Merkmalsauswahl und Evaluierung.

Referenzen

  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.

Nachdrucke und Genehmigungen

Schlagwörter

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.