Ragionamento Fuzzy Multi-Prospettiva e Analisi basata su XGBoost del Comportamento di Apprendimento Online

Summary

Questo studio utilizza un modello di ragionamento fuzzy multi-prospettiva e un algoritmo di aumento del gradiente estremo migliorato (XGBoost) (ottimizzato da un algoritmo di ottimizzazione di grey wolf migliorato) per analizzare il comportamento di apprendimento online e classificare le emozioni dei commenti degli studenti, offrendo supporto per un insegnamento personalizzato e interventi tempestivi.

Abstract

Il rapido sviluppo dell'istruzione online ha reso le classi online una componente importante del campo dell'istruzione. Un'analisi approfondita del comportamento di apprendimento degli studenti nell'insegnamento online può aiutare gli insegnanti a ottimizzare le strategie didattiche e a fornire supporto personalizzato per gli studenti. Pertanto, per condurre un'analisi approfondita del comportamento di apprendimento degli studenti, questo studio raccoglie dati dalle piattaforme didattiche online e li pre-elabora. Successivamente, questo studio costruisce un modello di ragionamento fuzzy multi-prospettiva che copre tre dimensioni: curriculum, individuale e classe, per considerare in modo completo le prestazioni di apprendimento degli studenti da diversi livelli. Questo modello elabora informazioni incerte nei dati sui comportamenti di apprendimento tramite insiemi fuzzy e regole fuzzy, ottenendo una valutazione multidimensionale delle prestazioni di apprendimento. Un algoritmo XGBoost migliorato è progettato per classificare le emozioni dei commenti degli studenti. Questo algoritmo migliorato ottimizza gli iperparametri dell'algoritmo XGBoost migliorando l'algoritmo di ottimizzazione del lupo grigio. L'algoritmo migliora l'accuratezza della classificazione delle emozioni ed esplora ulteriormente le tendenze emotive e il feedback sugli atteggiamenti dietro il loro comportamento di apprendimento. I risultati hanno mostrato che, dal punto di vista del curriculum, il tasso di completamento dei compiti del corso 3 settimane prima dell'esame era sostanzialmente superiore al 45%, molto più alto del tasso di completamento tre settimane dopo il rilascio del compito (entrambi inferiori al 18%). Questi risultati indicavano che gli studenti erano più inclini a completare i compiti prima della scadenza e avevano una chiara procrastinazione. L'accuratezza massima dell'algoritmo di classificazione migliorata era del 98,78%, ovvero l'8,57%, il 7,55%, il 6,38% e il 6,01% superiore rispetto al modello di confronto, e il suo consumo medio di tempo era di 58 ms. I tassi di richiamo sulle emozioni negative, positive e neutre erano del 98,35%, 97,69% e 98,02%. Il modello di ricerca può analizzare efficacemente il comportamento di apprendimento online degli studenti e consentire l'identificazione precoce degli studenti a rischio, facilitando l'insegnamento personalizzato e un intervento preciso nell'istruzione online.

Introduction

La profonda integrazione tra Internet e tecnologia educativa ha fatto sì che l'istruzione online passasse da un semplice supplemento marginale a una forma mainstream. Alla fine del 2023, il numero di studenti online registrati nel mondo aveva superato 1,2 miliardi e la Cina si era costantemente classificata prima al mondo sia per numero di Corsi Online Aperti di Massiccità (MOOC) sia per studenti ^1,2. Tuttavia, sebbene l'insegnamento online porti comodità, mette anche in luce sfide come il processo di apprendimento opaco, la separazione tra insegnanti e studenti in termini di ....

Protocol

Progettazione del metodo LBA considerando prospettive MPFR ed emotive

Viene costruito un sistema di valutazione multi-prospettiva per analizzare il Comportamento di Apprendimento Online degli Studenti (SOLB) e viene progettato un modello MPFR. Per analizzare ulteriormente i sentimenti soggettivi degli studenti durante l'apprendimento, questo studio adotta l'algoritmo XGBoost e progetta l'algoritmo IGWO per l'ottimizzazione degli iperparametri al fine di migliorare l'accuratezza della classificazione.

Costruzione del modello MPFR per LBA

Results

I risultati LBA considerano la classificazione multi-prospettiva e sentiment

Per verificare le prestazioni, viene configurato l'ambiente sperimentale e viene descritto il dataset sperimentale. Inoltre, questo studio seleziona l'algoritmo comparativo IGWO-XGBoost e lo analizza e verifica utilizzando indicatori come accuratezza, consumo di tempo e tasso di richiamo. Nell'analisi dei risultati, lo studio lo divide in due sezioni chiare: i risulta.......

Discussion

Per l'analisi di SOLB, questo studio ha progettato modelli MPFR e IGWO-XGBoost e ha utilizzato dati provenienti da piattaforme didattiche online. Nell'esperimento vi è stata un'alta coerenza tra la valutazione del modello di inferenza e il punteggio effettivo, indicando l'efficacia del modello di inferenza. Circa il 25% degli studenti ha avuto un tempo di studio di 1-10 ore nel corso. La percentuale di studenti con ore di studio tra 11 e 20 anni, 21 e 30 anni, 31-40 ore e oltre 41 ore er.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Modello linguistico pre-addestrato BERT	Ricerca su Google	https://github.com/google-research/bert
Dizionario delle emozioni CNKI	CNKI	https://www.cnki.net/
La piattaforma Chaoxing apprende i dati comportamentali	Chaoxing INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd	https://www.chaoxing.com/
Memoria del computer			Fornitore di hardware universale (senza modello specifico)
Elenco dei termini dismessi dell'Harbin Institute of Technology	Istituto di Tecnologia di Harbin	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Strumento di segmentazione delle parole Jieba (modalità precisione)	Comunità open source di terze parti	https://github.com/fxsjy/jieba.
Dati sulle recensioni degli studenti della piattaforma MOOC	Love Course Network	https://www.icourse163.org/
Biblioteca NLTK	Team di sviluppo NLTK	https://www.nltk.org/
Linguaggio di programmazione Python	Python Software Foundation	https://www.python.org/
Scikit-learn 1.2.2	Team Scikit Learn	https://scikit-learn.org/stable/
La piattaforma Smart Tree apprende i dati comportamentali	Rete Intelligente per Alberi	https://www.zhihuishu.com/
Tecnologia SMOTE	Team di Sviluppo Imparata Squilibrato	Integrato nella libreria Imbalanced Learn, https://imbalanced-learn.org/stable/
Sistema operativo Windows 10	Microsoft Corporation	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	Team di sviluppo XGBoost	https://xgboost.readthedocs.io/