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

Summary

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.

Abstract

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 temp....

Protocol

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 a....

Results

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 .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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/