Raisonnement flou multi-perspective et analyse basée sur XGBoost du comportement d’apprentissage en ligne

Résumé

Cette étude utilise un modèle de raisonnement flou multi-perspective et un algorithme amélioré de gradient extrême boosting (XGBoost) (optimisé par un algorithme amélioré d’optimisation de grey wolf) pour analyser les comportements d’apprentissage en ligne et classifier les émotions des commentaires des élèves, offrant un soutien à un enseignement personnalisé et à une intervention rapide.

Résumé

Le développement florissant de l’éducation en ligne a fait des classes en ligne un élément important du domaine de l’éducation. Une analyse approfondie du comportement d’apprentissage des élèves dans l’enseignement en ligne peut aider les enseignants à optimiser les stratégies pédagogiques et à fournir un soutien personnalisé à l’apprentissage. Ainsi, pour réaliser une analyse approfondie du comportement d’apprentissage des élèves, cette étude collecte des données provenant de plateformes d’enseignement en ligne et les pré-traite. Par la suite, cette étude construit un modèle de raisonnement flou multi-perspective couvrant trois dimensions : le programme, l’individu et la classe, afin d’examiner de manière globale la performance d’apprentissage des élèves à différents niveaux. Ce modèle traite des informations incertaines dans les données de comportement d’apprentissage via des ensembles flous et des règles floues, obtenant une évaluation multidimensionnelle de la performance d’apprentissage. Un algorithme XGBoost amélioré est conçu pour classifier les émotions des commentaires des élèves. Cet algorithme amélioré optimise les hyperparamètres de l’algorithme XGBoost en améliorant l’algorithme d’optimisation du loup gris. L’algorithme améliore la précision de la classification des émotions et explore davantage les tendances émotionnelles et le retour d’attitude derrière leur comportement d’apprentissage. Les résultats ont montré que, d’un point de vue du programme, le taux de réussite des tâches 3 semaines avant l’examen était essentiellement supérieur à 45 %, ce qui était bien supérieur au taux de réussite trois semaines après la sortie de la tâche (les deux en dessous de 18 %). Ces résultats ont montré que les élèves étaient plus enclins à terminer les tâches avant la date limite et avaient une procrastination évidente. La précision maximale de l’algorithme de classification améliorée était de 98,78 %, soit 8,57 %, 7,55 %, 6,38 % et 6,01 % de plus que dans le modèle de comparaison, et sa consommation moyenne de temps était de 58 ms. Les taux de rappel sur les émotions négatives, positives et neutres étaient de 98,35 %, 97,69 % et 98,02 %. Le modèle de recherche peut analyser efficacement les comportements d’apprentissage en ligne des élèves et permettre l’identification précoce des élèves à risque, facilitant un enseignement personnalisé et une intervention précise dans l’enseignement en ligne.

Introduction

L’intégration profonde d’Internet et des technologies éducatives a fait passer l’éducation en ligne d’un simple complément à une forme grand public. À la fin de 2023, le nombre d’apprenants inscrits en ligne dans le monde avait dépassé 1,2 milliard, et la Chine s’est constamment classée première au monde à la fois en nombre de cours en ligne ouverts massifs (MOOC) et en ^1,2 apprenants. Cependant, si l’enseignement en ligne apporte de la commodité, il expose aussi des défis tels que le processus d’apprentissage opaque, la séparation entre enseignants et élèves en termes de temps et d’espace, ainsi que des retours réglementaires en retard. Il existe une corrélation positive entre les données sur les comportements d’apprentissage et la performance scolaire. L’ajustement dynamique basé sur les données peut augmenter les taux de réussite des cours de plus de 20 % et réduire significativement le risque d’abandon ^3,4,5. Par conséquent, la réalisation d’une analyse du comportement d’apprentissage (LBA) est cruciale. Concernant cette question, les méthodes actuelles incluent la statistique descriptive, l’exploration de règles d’association et la classification traditionnelle par apprentissage^{automatique 6}. De nombreux chercheurs ont étudié cette question.

Pour mener la LBA, Li Y et al. ont utilisé des données sur les comportements d’apprentissage provenant de plateformes d’enseignement en ligne de l’Université Harvard et du Massachusetts Institute of Technology pour construire un réseau de neurones pulsés (PNN) afin de prédire les résultats d’apprentissage. Ils ont analysé la corrélation entre le comportement d’apprentissage et les résultats. Le modèle de prédiction du comportement d’apprentissage en ligne basé sur le PNN a obtenu une précision de 99,80 ^%7. Zeng B a conçu un modèle efficace pour visualiser le comportement d’apprentissage en ligne de l’anglais en utilisant l’analyse de séquences retardées, des méthodes combinées d’exploration de données et l’algorithme de l’arbre de distribution minimale. De plus, l’étude a également mis en place une plateforme d’apprentissage intelligent en ligne pour les services de construction du Group Learning Path (GLP). La méthode conçue permettait de construire avec succès un GLP⁸. Zhao M et al. ont conçu une double couche de mémoire à court terme long (LSTM) pour révéler les problèmes potentiels dans l’apprentissage en ligne des élèves. Ils utilisaient le framework TensorFlow et le langage Python, et s’appuyaient sur des données provenant des plateformes en ligne Kaggle, edX et de l’Open University of the UK. Ce réseau affichait de bonnes performances, avec une précision maximale de 83,4 ^%. Li F et al. ont collecté et analysé des données sur les comportements d’apprentissage auprès de 109 étudiants de premier cycle afin de comprendre les caractéristiques du comportement de groupe des différents apprenants en ligne. Cette étude a introduit l’analyse en composantes principales pour réduire la dimensionnalité des données et a utilisé un regroupement hiérarchique agglomératif pour classer les apprenants en différentes catégories. Parmi eux, 15 groupes étaient regroupés, et la méthode proposée avait une bonne précision de^{regroupement 10}.

En résumé, la recherche actuelle sur la LBA est assez variée et utilise un large éventail de méthodes. Cependant, ces études et méthodes présentent également certaines lacunes. Par exemple, il y a un exploit insuffisant des informations émotionnelles dans les textes de revue des étudiants, et les statistiques descriptives ne peuvent pas révéler les mécanismes d’interaction complexes derrière les comportements. La classification par apprentissage automatique repose souvent sur des caractéristiques à perspective unique, qui séparent les informations multidimensionnelles des cours, des individus et des classes. Pour mieux performer LBA, cette étude conçoit un modèle Multi-Perspective Fuzzy Reasoning (MPFR) et construit un modèle de classification des émotions basé sur l’Enhanced Grey Wolf Optimization (IGWO) et l’eXtreme Gradient Boosting (XGBoost).

Dans les recherches existantes sur le LBA, bien que le LSTM puisse capturer la corrélation temporelle des comportements d’apprentissage, sa capacité à gérer des données floues et incertaines sur les comportements d’apprentissage est faible. Le réseau neuronal convolutionnel (CNN) présente certains avantages pour l’extraction de caractéristiques textuelles, mais il est meilleur pour capturer les caractéristiques locales et il est difficile d’intégrer des informations globales multidimensionnelles de cours, d’individus et de classes. Comparé aux méthodes d’apprentissage profond telles que CNN et LSTM, le modèle MPFR peut capturer des informations incertaines dans le comportement d’apprentissage grâce au raisonnement flou. Par exemple, la « participation modérée » et la « maîtrise de base » des états flous par les élèves compensent les limites de l’extraction locale de fonctionnalités par CNN. IGWO-XGBoost équilibre précision et efficacité dans la classification du sentiment, compensant la classification du sentiment LSTM chronophage et le faible traitement sémantique flou CNN. Cette étude vise à fournir un soutien informationnel tridimensionnel pour l’intervention pédagogique en ligne en combinant les résultats de l’analyse comportementale et émotionnelle. L’innovation de la recherche réside dans la construction d’un modèle MPFR qui couvre trois dimensions : le programme, l’individuel et la classe. Cette prise en compte complète sous plusieurs angles peut refléter de manière complète et stéréoscopique la performance d’apprentissage des élèves, évitant ainsi des informations importantes qui pourraient être négligées sous un seul angle. Cette méthode offre une bonne évolutivité de plateforme et peut être adaptée aux plateformes d’apprentissage en ligne grand public telles que Chaoxing et MOOC, c’est-à-dire via une interface unifiée de prétraitement des données sans nécessiter de fonctions supplémentaires de développement de plateforme. Parallèlement, cette méthode a été encapsulée comme un outil d’analyse simple, et les enseignants n’ont qu’à télécharger les données de base exportées depuis la plateforme pour générer automatiquement des rapports LBA sans opérations techniques complexes.

Protocole

Conception de la méthode LBA en tenant compte des perspectives MPFR et émotionnelles

Un système d’évaluation multi-perspective est construit pour analyser le comportement d’apprentissage en ligne (SOLB) des élèves, et un modèle MPFR est conçu. Pour approfondir les sentiments subjectifs des élèves dans l’apprentissage, cette étude adopte l’algorithme XGBoost et conçoit l’algorithme IGWO pour l’optimisation des hyperparamètres afin d’améliorer la précision de la classification.

Construction du modèle MPFR pour LBA

Pour analyser le SOLB, cette étude part principalement de deux perspectives afin de constituer un plan d’analyse complet. Tout d’abord, en termes de performance d’apprentissage, cette étude prend en compte trois perspectives : le programme, l’individu et la classe, pour former le modèle MPFR. Deuxièmement, en termes d’analyse de sentiment des commentaires des étudiants, cette étude conçoit un algorithme XGBoost amélioré. Grâce à l’analyse de la performance d’apprentissage et des retours émotionnels des élèves, cette étude peut mieux analyser la SOLB. En ce qui concerne les détails techniques spécifiques de l’analyse de la performance d’apprentissage, cette étude utilise d’abord les données d’une plateforme d’apprentissage en ligne et les prétraite. Deuxièmement, cette étude sélectionne les indicateurs fondamentaux d’évaluation de la performance de l’apprentissage sous différents angles afin de construire un système d’évaluation global. Par la suite, un modèle MPFR correspondant est construit pour évaluer le comportement d’apprentissage.

Cette étude sélectionne des données provenant de la plateforme Superstar (source : https://www.chaoxing.com/). Il contient des informations issues de plusieurs dimensions, telles que les activités en classe et l’évaluation des notes, ce qui peut fournir une bonne base pour les LBA ultérieurs. Après avoir obtenu les données, elles doivent être prétraitées, incluant principalement la suppression de champs non pertinents, le filtrage des données et les vérifications d’intégrité des données. Par exemple, dans les données des enseignants, des informations non pertinentes telles que le numéro et le département auquel le cours appartient doivent être supprimées. Par la suite, cette étude construit l’ingénierie des fonctionnalités de LBA à partir des données de comportement d’apprentissage de la plateforme Superstar. L’indice LBA étudiant fournit une base d’ingénierie des caractéristiques pour le modèle MPFR ultérieur, et le contenu de cet index est illustré à la Figure 1.

Figure 1 : Indicateurs pour le LBA étudiant. La figure clarifie les trois dimensions principales (programme, individu, classe) de l’LBA des élèves ainsi que les indicateurs d’évaluation spécifiques sous chaque dimension, fournissant un support de fonctionnalités pour le modèle MPFR. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Dans la Figure 1, les indicateurs LBA des étudiants tournent principalement autour de trois perspectives : cours, individuel et classe, avec un accent clair sur chaque dimension, fournissant un support précis des caractéristiques pour la construction des modèles MPFR. Parmi eux, en termes d’indicateurs de dimension de cours, cette étude sélectionne le taux de réussite des tâches du cours, la durée de l’apprentissage et la fréquence des interactions avec les cours. La préoccupation centrale de cette dimension est la qualité globale de la réalisation des tâches du cours et la rapidité de la participation à l’apprentissage. Par exemple, le taux d’achèvement des tâches du cours est utilisé pour suivre la différence de taux d’achèvement avant et après la date limite ; La durée des études du cours est utilisée pour distinguer les différents intervalles d’intensité d’apprentissage ; La fréquence d’interaction des cours est utilisée pour filtrer les comportements interactifs efficaces. Sur le plan personnel, les progrès d’apprentissage personnel, la qualité des devoirs et les résultats aux examens sont sélectionnés comme indicateurs d’évaluation. Cette dimension se concentre sur le degré d’adaptation entre les progrès d’apprentissage personnel et les résultats de maîtrise des connaissances. Parmi les exemples, on trouve la comparaison des progrès personnels dans l’apprentissage avec les plans de cours, l’évaluation de la précision et de l’efficacité des travaux réalisés, et la classification des niveaux de maîtrise des connaissances en fonction des résultats aux tests. De plus, en termes de dimension de classe, les indicateurs sélectionnés incluent la moyenne de la classe, l’activité d’interaction en classe et l’atmosphère d’apprentissage en classe. Cette dimension se concentre principalement sur l’impact de l’environnement d’apprentissage global sur le comportement individuel. Par exemple, la note moyenne sert à localiser le niveau relatif de performance individuelle dans le groupe ; L’activité d’interaction de classe est utilisée pour refléter le degré de participation collective ; L’atmosphère d’apprentissage est utilisée pour analyser l’effet moteur de l’environnement de groupe sur le comportement d’apprentissage. Pour analyser le comportement d’apprentissage des élèves, un modèle de raisonnement flou est construit, et les caractéristiques du comportement d’apprentissage sont obtenues à partir de différentes perspectives. Le raisonnement flou est une méthode de raisonnement utilisant la logique floue, qui traite des informations imprécises ou incertaines à travers des ensembles flous et des règles floues, et présente les avantages d’une grande flexibilité et d’une compréhension^{facile 11,12}. Le raisonnement flou, en tant que mécanisme de calcul central des modèles MPFR, est appliqué après l’ingénierie des caractéristiques. Le principal processus de raisonnement flou est montré à la Figure 2.

Figure 2 : Le principal organigramme du raisonnement flou. La figure montre le processus central du raisonnement flou, incluant quatre étapes clés : la fuzzification, la construction de la base de règles floues, le raisonnement flou et le défloutage, et clarifie la logique du modèle MPFR dans la gestion des données de comportement d’apprentissage incertain. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le raisonnement flou implique principalement la fuzzification, l’établissement d’une bibliothèque de règles floues (FRL), le raisonnement flou et le défloutage. Parmi elles, la fuzzification nécessite de convertir des données d’entrée précises en ensembles flous et implique la définition de fonctions d’appartenance. Le FRL contient une série de règles floues et sert principalement à décrire la relation entre l’entrée et la sortie. Dans la construction de la base de règles floues, l’étude invite trois professeurs associés en technologie éducative dotés de ≥ 8 ans d’expérience à développer conjointement 28 règles, et détermine les règles finales à travers trois cycles d’itérations utilisant la « méthode Delphi ». Par exemple, Règle 1 : SI le taux de réussite de la tâche du cours est inférieur à 30 % et que le progrès individuel a 2 semaines de retard sur le planning, → ALORS c’est un état à haut risque. Le raisonnement flou est le processus consistant à déduire des données d’entrée floues construites sur un FRL et à obtenir des résultats de sortie flous. Enfin, le défloutage convertit le résultat flou en une valeur de sortie précise. L’étude sélectionne une fonction d’appartenance triangulaire, qui est une fonction largement utilisée dans les systèmes logiques flous, et présente des avantages tels qu’une grande flexibilité et une grande efficacité de calcul. L’expression de la fonction μ_A(x) est illustrée dans l’équation (1).

(1)

Dans l’équation (1), x est la valeur d’entrée spécifique. A, B et C sont les trois sommets d’un triangle. En défloutage, cet article utilise la méthode du centroïde pour convertir les résultats de sortie. La méthode du centroïde est une technique de défloutage couramment utilisée en logique floue, qui présente des avantages tels qu’une forte intuitivité, un calcul simple et^{une stabilité 13}. L’expression de la méthode du centroïde est illustrée dans l’équation (2)¹⁴.

(2)

Dans l’équation (2), f* est la valeur de sortie après défloutage, qui est le centroïde de l’ensemble flou. μ(x) est la fonction d’appartenance. est la somme pondérée de tous les points d’un ensemble flou.  est l’intégrale de la fonction d’appartenance sur toutes les valeurs possibles de x. La rationalité de l’utilisation de règles et fonctions d’appartenance définies manuellement dans le modèle MPFR se reflète en trois aspects. Tout d’abord, garantie de qualification experte : les régulateurs sont trois professeurs associés en technologie éducative, certifiés par l'« Analyste du comportement d’apprentissage en ligne » du « Centre de recherche en éducation en ligne du Ministère de l’Éducation » afin de garantir que les règles respectent les lois de l’éducation et de l’enseignement. Deuxièmement, avantage d’efficacité : le temps d’inférence des règles manuelles est bien inférieur à celui des méthodes basées sur les données, ce qui les rend plus adaptés aux besoins d'« inférence en temps réel » des plateformes d’éducation en ligne et ne nécessite pas une grande quantité de données annotées, réduisant ainsi les coûts de collecte^{de données 15}. Troisièmement, s’adapter à l’exigence fondamentale d'« interprétabilité » dans les scénarios d’éducation en ligne, des règles manuelles définies et des fonctions d’adhésion triangulaires (Équation 1) peuvent correspondre directement à la cognition intuitive dans les scénarios d’enseignement. Les éducateurs n’ont pas besoin d’une formation technique complexe pour comprendre la raison qui justifie qu’un élève soit considéré comme à risque. Les méthodes basées sur les données telles que les systèmes neuro-flous peuvent optimiser automatiquement les règles. Cependant, la plupart des règles générées sont des expressions mathématiques complexes, difficiles à interpréter pour les enseignants, ce qui réduit l’acceptabilité du modèle dans l’intervention pédagogique réelle.

Conception d’un modèle amélioré d’analyse du sentiment des commentaires des étudiants pour XGBoost

Le modèle MPFR conçu peut analyser le SOLB sous trois angles : cours, individuel et classe. Cependant, l’analyse des données comportementales externes présente des limites dans l’expression des sentiments subjectifs des élèves. Ainsi, pour analyser davantage les sentiments subjectifs des élèves à propos de l’apprentissage, des données supplémentaires provenant des plateformes d’apprentissage MOOC contenant des informations sur les commentaires des élèves sont collectées et prétraitées. Ensuite, le XGBoost est utilisé pour construire le modèle de classification du sentiment. L’IGWO est conçu pour optimiser ses paramètres afin d’améliorer la précision du modèle de classification. L’amélioration de XGBoost se reflète dans son optimisation des paramètres grâce à l’algorithme IGWO. Le prétraitement des données est une première étape cruciale avant la construction et l’analyse du modèle. Le processus de prétraitement des données est illustré à la Figure 3.

Figure 3 : Le processus de prétraitement des données. Le prétraitement des données en neuf étapes comprend le nettoyage de texte, la segmentation des mots, la suppression des stop-mots, l’extraction de tiges et la reconnaissance de mots de sentiment, fournissant des données de haute qualité pour l’analyse du comportement ultérieure et la classification des sentiments. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Les étapes de prétraitement des données sont les suivantes : La première étape consiste à effectuer un nettoyage du texte pour supprimer les champs non pertinents dans les données de la plateforme Chaoxing et filtrer les échantillons invalides. Parallèlement, les champs non textuels et les courtes critiques sont supprimés des données d’évaluation sur la plateforme MOOC. La deuxième étape consiste à effectuer le traitement de segmentation. Parmi eux, les commentaires chinois utilisent le « mode précis » de Jieba pour le traitement de segmentation de texte, tandis que les commentaires en anglais utilisent la fonction de segmentation de mots de la bibliothèque NLTK pour le traitement. La troisième étape consiste à supprimer les mots stop-verbaux courants comme « de », « yöi », « in », etc. Parmi eux, les mots stop chinois utilisent la liste des mots stop (https://github.com/goto456/stopwords/blob/master/hit_stopwords.txt) de l’Institut de technologie de Harbin. Les mots stop sont supprimés par correspondance de mots. Les mots d’arrêt anglais utilisent la liste universelle de mots d’arrêt intégrée à la bibliothèque NLTK, qui est également supprimée par correspondance mot par mot. La quatrième étape consiste à utiliser le stemmer de la bibliothèque NLTK pour extraire les stems du texte et restaurer les verbes dans les données anglaises à leur forme stem. La cinquième étape consiste à identifier les mots émotionnels positifs et négatifs dans les commentaires en se basant sur le dictionnaire émotionnel CNKI afin de fournir une base pré-annotation pour une classification émotionnelle ultérieure. La sixième étape consiste à réaliser l’extraction des caractéristiques. Parmi eux, les données structurées de la plateforme Chaoxing sont standardisées, tandis que les indicateurs de classification sont codés séparément. En même temps, ces données de commentaires de la plateforme MOOC utilisent une méthode de modèle de langage pré-entraîné (Bidirectional Encoder Representation from Transformers, BERT) pour extraire les caractéristiques du texte. L’avantage principal du modèle BERT dans l’extraction de caractéristiques de texte est qu’il peut générer dynamiquement des vecteurs de mots contextuels via une architecture Transformer bidirectionnelle profonde, répondant ainsi à l’ambiguïté que les modèles d’intégration de mots statiques traditionnels ne peuvent pas gérer. La septième étape consiste à traiter le problème des catégories de sentiment déséquilibrées dans les données des commentaires. La technique de suréchantillonnage des minorités synthétiques (SMOTE) est utilisée pour le traitement. Cinq échantillons de voisins les plus proches sont sélectionnés pour être interpolés afin de générer des échantillons de classes minoritaires synthétiques, avec une graine aléatoire fixe de 42 pour garantir la reproductibilité de l’expérience. La huitième étape consiste à annoter et partitionner les données. La neuvième étape consiste à combler les valeurs manquantes dans les données de superstars et à supprimer les valeurs aberrantes. Lors du traitement d’équilibrage des données, SMOTE crée de nouveaux échantillons composites en interpolant entre des échantillons de classes minoritaires, augmentant ainsi le nombre d’échantillons de classes minoritaires et rendant la distribution par classes de l’ensemble de données plus^{équilibrée 16,17}. L’expression de SMOTE est illustrée dans l’équation (3).

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

Dans l’équation (3), B_mn est un échantillon de classe minoritaire construit artificiellement, d_m est le ième échantillon de classe minoritaire, et d_mn est le n-ième échantillon parmi les k plus proches voisins de_{d m.} Rand(0,1) est un nombre aléatoire entre 0 et 1. XGBoost améliore la performance prédictive en ajoutant itérativement des arbres de prédiction. Il présente des avantages tels qu’une grande précision, une grande flexibilité et une facilité d’utilisation^18,19. Les étapes de la construction itérative d’un modèle en arbre utilisant XGBoost incluent principalement : initialiser le modèle, construire itérativement l’arbre, la fonction objectif et le terme de régularisation. La sortie prédite dans la t-ième itération est indiquée dans l’équation (4).

   (4)

Dans l’équation (4), est la valeur de prédiction du modèle après t - 1e itération, f_t(h) est la fonction de prédiction du modèle arbre ajoutée dans la t-ième itération, et h est le vecteur de caractéristiques d’entrée. La fonction objectif pour minimiser XGBoost est présentée dans l’équation (5).

(5)

Dans l’équation (5), i est le nombre d’échantillon. I et J représentent le nombre total d’échantillons et d’arbres, et j est le nombre d’arbres. est la fonction de perte, et g_i est la véritable étiquette du i-ième échantillon.  est la valeur prédite du modèle pour le i-ème échantillon après la t-ième itération. Ω(f_t) est le terme de régularisation, et (f_t) est la fonction de prédiction de l’arbre j -ième. L’expression générale Ω(f) pour la régularisation est indiquée dans l’équation (6).

(6)

Dans l’équation (6), γ signifie le coefficient de pénalité pour la quantité de nœuds feuilles, λ est le coefficient de régularisation L2 pour le poids des nœuds feuilles, et w est le poids des nœuds feuilles. Cependant, le choix des hyperparamètres XGBoost a un effet direct et significatif sur les performances. Les hyperparamètres courants de XGBoost incluent le taux d’apprentissage, la profondeur maximale de l’arbre et les paramètres de régularisation. En raison de l’espace potentiellement grand des hyperparamètres, ajuster manuellement ces paramètres est non seulement chronophage, mais aussi difficile à trouver la combinaison optimale. Par conséquent, cette étude conçoit IGWO pour optimiser les hyperparamètres de XGBoost. GWO recherche des solutions optimales en simulant la hiérarchie sociale et les stratégies de chasse des loups gris, avec des avantages tels que moins de paramètres et une forte^{adaptabilité 20,21}. Dans GWO, la position initiale de la population est générée comme montré dans l’équation (7).

(7)

Dans l’équation (7), P_uv est la position de l’individu u-ième dans la v-ième dimension. et sont les bornes supérieure et inférieure de l’espace de recherche v-ième. rand() est un nombre aléatoire entre [0,1]. Cependant, l’algorithme GWO peut rencontrer des problèmes tels que la lenteur de la convergence et le blocage dans les optima locaux aux stades intermédiaires et ultérieurs. Cela signifie également qu’à ce stade, GWO pourrait ne pas être en mesure d’explorer efficacement l’ensemble du domaine des solutions, rendant difficile la recherche de la solution globale optimale. Pour répondre à ce problème, cette étude améliore le GWO sous deux aspects, à savoir l’introduction de la carte chaotique de la tente (TCM) et du facteur de convergence non linéaire (NCF). La MTC est une cartographie chaotique simple qui garantit que les régions potentiellement optimales de solution ne sont pas manquées lors du processus de recherche et évite les recherches répétées de la même région²². Ainsi, grâce à la MTC, une population initiale plus uniforme et aléatoire peut être générée, et la capacité de l’algorithme à surmonter les optima locaux peut être améliorée. Le calcul de la MTC est illustré dans l’équation (8).

(8)

Dans l’équation (8), y est le paramètre de contrôle.  R_t et R_t+1 sont les variables d’état du système aux t-ième et t+1-ième itérations. La formule pour la FCN z est présentée dans l’équation (9).

(9)

Dans l’équation (9), z_max est le facteur de convergence maximal et t_max est le nombre maximal d’itérations. Cette méthode décroissante non linéaire permet à GWO de maintenir une grande taille de pas pour la recherche globale au stade précoce. À l’étape intermédiaire de la recherche, la vitesse de convergence s’accélère, tandis qu’à l’étape suivante, la recherche locale se fait par étapes plus courtes, équilibrant efficacement les capacités de recherche globales et locales et améliorant la performance d’optimisation. L’algorithme IGWO est utilisé spécifiquement pour l’étape d’optimisation des hyperparamètres du classificateur de sentiment XGBoost, et son processus principal est illustré à la Figure 4.

Figure 4 : Le processus principal de l’IGWO. La figure décrit le processus d’exécution de l’IGWO, incluant l’initialisation de la population basée sur le cartographie chaotique de la tente, la mise à jour de position des facteurs de convergence non linéaires, et le criblage individuel optimal, et clarifie la logique pour optimiser les hyperparamètres XGBoost. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Dans la Figure 4, le processus IGWO inclut : initialisation de l’algorithme ; utiliser la MTC pour initialiser la population ; le calcul de la valeur initiale de fitness de chaque individu ; utilisant le NCF pour mettre à jour les positions des loups gris ; choisir la solution ayant la meilleure aptitude comme nouvel individu optimal ; et en produisant l’individu optimal. La combinaison optimale des hyperparamètres XGBoost peut être produite via IGWO. Le processus global de classification du sentiment intègre le prétraitement des données, l’optimisation IGWO et le modèle final XGBoost. Le processus de classification basé sur IGWO-XGBoost est présenté à la Figure 5.

Figure 5 : Le processus du modèle de classification basé sur IGWO-XGBoost. La figure montre l’ensemble du processus du modèle de classification du sentiment IGWO-XGBoost, de la saisie et prétraitement des données au partitionnement des ensembles de données, à l’optimisation des hyperparamètres IGWO, à la construction du modèle XGBoost et à la sortie des résultats de classification, présentant clairement la chaîne opérationnelle du modèle. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le modèle basé sur IGWO-XGBoost inclut des processus tels que les données d’entrée, le prétraitement des données, le partitionnement des ensembles de données, l’optimisation des hyperparamètres par algorithme IGWO, la combinaison optimale d’hyperparamètres, la construction de XGBoost basée sur la combinaison optimale d’hyperparamètres, ainsi que la sortie des résultats de classification. Grâce à ce modèle de classification, les émotions dans les commentaires des élèves peuvent être classifiées, acquérant ainsi une compréhension plus intuitive des sentiments subjectifs des élèves à propos de l’apprentissage. Les versions logicielles spécifiques, les graines aléatoires, les spécifications matérielles, les spécifications environnementales et les sources de jeux de données utilisées dans l’étude sont présentées dans le Tableau 1.

Type de décor	Modèle et contenu spécifiques
Logiciels de base	Python 3.9.7
Bibliothèque de base	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
Graine aléatoire	Fixez la graine aléatoire globale à 42
Spécifications matérielles/environnementales	1. Système d’exploitation : Windows 10 Édition Professionnelle (64 bits, numéro de version 22H2)
	2. Processeur : Intel Core i5-12600KF (avec une fréquence principale de 3,7 GHz et une fréquence d’accélération dynamique de 4,9 GHz)
	3. Mémoire : 64 Go de DDR4 (fréquence 3200MHz, prise en charge jusqu’à 128 Go de mémoire)
	4. Stockage : SSD 1 To (Samsung 980 Pro, vitesse de lecture 7450 Mo/s)
	5. Carte graphique : NVIDIA GeForce RTX 3060 (12 Go de mémoire vidéo)
Sources de jeux de données et détails d’accès	1. Ensemble de données de la plateforme superstar :
	-Source Uniform Resource Locator (URL) : https://www.chaoxing.com/
	- Méthode d’acquisition : postuler via la plateforme ouverte Big Data de Chaoxing Education (parcours de candidature : site officiel de la plateforme → centre de développement → interface de données → jeu de données sur le comportement d’apprentissage)
	2. Jeu de données de commentaires sur la plateforme MOOC :
	-URL source : https://www.icourse163.org/.cn
	-Méthode d’acquisition : Postuler via le canal « support de recherche de données » de la plateforme MOOC
Scripts ou modèles personnalisés	1. Script de prétraitement des données
	2. Script de modèle MPFR
	3. Script modèle IGWO-XGBoost

Tableau 1 : Versions spécifiques des logiciels, graines aléatoires, spécifications matérielles, spécifications environnementales et sources de jeux de données utilisées dans la recherche. Fournir une liste détaillée de l’environnement logiciel et matériel requis, des paramètres de graines aléatoires, des sources de jeux de données et de la plage de recherche des hyperparamètres XGBoost pour l’étude afin d’assurer la reproductibilité et la standardisation de l’expérience.

Le tableau 1 montre que l’étude adopte XGBoost 1.7.5 comme cadre central du modèle de classification du sentiment et introduit Scikit learn 1.2.2 pour le prétraitement des données, l’extraction de caractéristiques et l’évaluation du modèle. De plus, l’étude fixe uniformément la graine aléatoire à 42 afin d’assurer la reproductibilité du partitionnement des données, du suréchantillonnage SMOTE, de l’optimisation des hyperparamètres IGWO et des résultats d’entraînement du modèle IGWO-XGBoost. De plus, l’algorithme IGWO définit l’espace de recherche pour les hyperparamètres XGBoost. La plage de recherche pour le taux d’apprentissage est [0,001, 0,3] sur l’échelle logarithmique, et la profondeur maximale de l’arbre est recherchée dans l’ensemble entier {3, 4,..., 15}. La plage d’optimisation du terme de régularisation L2 est de [0,1, 5,0], et le rapport d’échantillonnage de chaque sous-ensemble de caractéristiques de l’arbre est optimisé dans l’intervalle de [0,6, 1,0]. La plage d’accord pour le poids minimum des nœuds feuilles est [1, 10].

Le jeu de données et le code de prétraitement et d’analyse des données associé ont été générés et analysés par l’équipe elle-même. Les scripts de base pour le prétraitement des données sont présentés dans le Tableau 2.

Importez Pandas comme, jieba, re, numpy comme NP

depuis nltk.tokenize import word_tokenize ; from nltk.stem import PorterStemmer

Définitivement propre (texte, l) :

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

Processus DEF (texte, L) :

t = jieba.lcut(texte) si l=="zh » sinon word_tokenize(texte)

return " « .join([PorterStemmer().stem(w) si l=="en » sinon w pour w dans t si w n’est pas en open(« hit_stopwords.txt »).read().split()])

Défense principale(C,M,L) :

cx=.read_csv(c).query(« durée de l’apprentissage du cours>=1 & résultats de l’examen.notna() ») ; mc=.read_csv(m).query(« text comment.str.len()>=5 »)

mc["t"]=mc["text de commentaire"].apply(clean,args=(« zh »,)).apply(process,args=(« zh »,))

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

Tableau 2 : Script de base pour le prétraitement des données. Présenter les informations de base du script pour le prétraitement des données, clarifier les étapes de prétraitement correspondantes au script, et fournir des références techniques pour la réplication des méthodes de recherche.

Résultats

Les résultats de LBA prennent en compte la classification multi-perspective et la classification par sentiment

Pour vérifier la performance, l’environnement expérimental est mis en place et le jeu de données expérimental est décrit. De plus, cette étude sélectionne l’algorithme comparatif IGWO-XGBoost et l’analyse et le vérifie à l’aide d’indicateurs tels que la précision, la consommation de temps et le taux de rappel. Dans l’analyse des résul...

Discussion

Pour l’analyse de SOLB, cette étude a conçu des modèles MPFR et IGWO-XGBoost et a utilisé des données provenant de plateformes d’enseignement en ligne. Dans l’expérience, il y avait une forte cohérence entre l’évaluation du modèle d’inférence et le score réel, indiquant l’efficacité du modèle d’inférence. Environ 25 % des étudiants ont eu un temps d’étude de 1 à 10 heures dans le cours. La proportion d’étudiants ayant des heures d’étude entre 11 et 20 ans, 21 à 30 ans, 31 à 40 heures et ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Modèle de langage pré-entraîné à BERT	Recherche Google	https://github.com/google-research/bert
Dictionnaire émotionnel CNKI	CNKI	https://www.cnki.net/
La plateforme Chaoxing apprend les données comportementales	Chaoxing INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd	https://www.chaoxing.com/
Mémoire informatique			Fournisseur de matériel universel (pas de modèle spécifique)
Liste des termes supprimés de l’Institut de technologie de Harbin	Institut de technologie de Harbin	https://github.com/goto456/stopwords/blob/master/hit_s  ;
Intel Core i5-12600KF  ;	Intel Corporation	BX8071512600KF
Outil de segmentation de mots Jieba (mode précision)	Communauté open source tierce	https://github.com/fxsjy/jieba.
Données d’avis étudiants sur la plateforme MOOC	Réseau de cours d’amour	https://www.icourse163.org/
Bibliothèque NLTK	Équipe de développement de NLTK	https://www.nltk.org/
Langage de programmation Python	Fondation Python Software	https://www.python.org/
Scikit-learn 1.2.2	Équipe Scikit Learn	https://scikit-learn.org/stable/
La plateforme Smart Tree apprend les données comportementales	Réseau d’arbres intelligents	https://www.zhihuishu.com/
Technologie SMOTE	Équipe de développement de l’apprentissage déséquilibrée	Intégré à la bibliothèque Imbalanced Learn, https://imbalanced-learn.org/stable/
Système d’exploitation Windows 10	Microsoft Corporation	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	Équipe de développement XGBoost	https://xgboost.readthedocs.io/