Il protocollo del Classificatore Neurale Ibrido Quantistico-Classico basato su Meta-Apprendimento (ML-HQNC) integra modellazione cognitiva ispirata al calcolo quantistico, preelaborazione dei dati, selezione delle caratteristiche e apprendimento neurale ibrido per identificare gli interessi degli studenti di ingegneria. Questo protocollo presenta un flusso di lavoro riproducibile di machine learning ibrido ispirato al calcolo quantistico per l'analisi educativa, dimostrato attraverso l'identificazione degli interessi degli studenti di ingegneria mediante dati educativi multidimensionali.
È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.
Articolo di ricerca
Identificazione degli interessi degli studenti basata sui dati per sistemi di gestione dell'insegnamento intelligente nei college di ingegneria
In questo articolo
Sommario
Abstract
Questo protocollo presenta un framework computazionale ispirato alla meccanica quantistica per l'identificazione degli interessi degli studenti di ingegneria mediante dati educativi e comportamentali multidimensionali. L'obiettivo è fornire un flusso di lavoro sistematico e riproducibile che integri la pre-elaborazione dei dati, l'analisi dei modelli comportamentali, la selezione delle caratteristiche e l'apprendimento neurale ibrido per supportare il processo decisionale educativo e l'apprendimento personalizzato. Il flusso di lavoro inizia con la scalatura robusta Box-Cox IQR (BCRIS), utilizzata per pre-elaborare e normalizzare i dati educativi riducendo il rumore semantico e migliorando la qualità dei dati. I comportamenti di apprendimento degli studenti vengono successivamente analizzati mediante il Modello Quantistico dello Stato Cognitivo (QCSM), che rappresenta le transizioni comportamentali e le preferenze di apprendimento in evoluzione in condizioni di incertezza. Le caratteristiche rilevanti vengono quindi selezionate utilizzando l'algoritmo Quantistico-Potenziato di Selezione delle Caratteristiche basato su Ottimizzazione Ibrida Sciame-Balena (QES-WOFS), al fine di ridurre la ridondanza delle caratteristiche e identificare tratti comportamentali informativi. Infine, il Classificatore Ibrido Meta-Apprendente Quantistico-Classico (ML-HQNC) integra l'apprendimento ispirato alla meccanica quantistica con reti neurali profonde per classificare gli interessi degli studenti. Il protocollo è stato validato utilizzando un dataset educativo disponibile pubblicamente. Le prestazioni del modello sono state valutate mediante metriche convenzionali, tra cui accuratezza, punteggio F1 e area sotto la curva ROC (AUC), insieme alla Precisione nel Rilevamento degli Interessi (IDP), all'Indice di Stabilità dei Pattern Quantistici (QPSI) e al Guadagno di Adattabilità Inter-Dominio (CDAG). Il framework ha raggiunto un'accuratezza complessiva nella classificazione del 96,17% sul dataset analizzato. Questo protocollo fornisce un flusso di lavoro computazionale riproducibile per l'analisi di dati educativi multidimensionali, utile a supportare applicazioni di gestione educativa intelligente e di apprendimento personalizzato.
Introduzione
I sistemi di gestione educativa sono sempre più utilizzati in tutto il settore dell'istruzione, spinti dai rapidi progressi dell'informatica e delle reti informatiche. La crescita continua dell'istruzione superiore è stata accompagnata da un aumento dell'iscrizione degli studenti, in particolare tra gli studenti di ingegneria, con un conseguente notevole incremento dei dati di gestione educativa. Questa crescita sostiene lo sviluppo educativo sostenibile, accelera l'informatizzazione dell'istruzione e facilita l'istituzione di sistemi di gestione educativa standardizzati che migliorano la coerenza e l'efficienza dell'amministrazione didattica. Il Machine Learning (ML) fornisce tecniche computazionali che consentono ai sistemi di analizzare dati, apprendere da schemi ricorrenti e migliorare continuamente le prestazioni predittive senza una programmazione esplicita1,2.
La qualità dell'insegnamento è un componente fondamentale dell'istruzione superiore. Negli ultimi anni, gli esami sono stati ampiamente utilizzati per valutare la comprensione degli studenti di ingegneria sui contenuti del corso e la loro capacità di acquisire nuove conoscenze, promuovendo così miglioramenti continui nella qualità dell'insegnamento. Ambiente centrati sull'apprendimento possono essere creati sfruttando risorse didattiche diversificate disponibili attraverso piattaforme educative online e applicando diverse teorie dell'apprendimento per soddisfare le esigenze di studenti differenti. Un insegnamento efficace svolge un ruolo chiave nel migliorare i risultati di apprendimento degli studenti di ingegneria nelle università e nei college3,4. Inoltre, un insegnamento efficace favorisce un ambiente di apprendimento positivo, sostiene la comprensione degli studenti sui contenuti del corso e migliora la performance accademica. La qualità dell'insegnamento viene valutata mediante diversi indicatori lungo tutto il processo di apprendimento, tra cui la struttura del curriculum, l'ambiente in aula e i contenuti didattici.
L'istruzione superiore promuove lo sviluppo intellettuale, personale e sociale degli studenti. Allo stesso tempo, l'impegno degli studenti — comprese le dimensioni comportamentale, emotiva e cognitiva — e la persistenza accademica sono diventati determinanti importanti per i risultati dell'apprendimento. Elevati livelli di coinvolgimento degli studenti contribuiscono in modo significativo al successo accademico a lungo termine5,6. I progressi nella tecnologia educativa hanno creato nuove opportunità per l'analisi educativa basata sui dati, modellando relazioni non lineari complesse tra le caratteristiche cognitive, comportamentali e accademiche degli studenti mediante tecniche di Machine Learning (ML) e Deep Learning (DL).
Un'importante sfida rimane l'osservazione e la valutazione efficace della dinamica in aula, tenendo conto dei comportamenti degli studenti in continua evoluzione. Gli approcci tradizionali per valutare la qualità dell'insegnamento e analizzare il comportamento degli studenti di ingegneria sono spesso lunghi e soggetti al giudizio soggettivo dell'osservatore. La mancanza di attenzione da parte degli studenti durante le attività in aula influisce negativamente sugli esiti dell'apprendimento e sul rendimento accademico7,8. Tuttavia, mantenere un'attenzione prolungata tra gli studenti di ingegneria rimane difficile a causa di distrazioni interne ed esterne e delle fluttuazioni della motivazione.
Valutare e migliorare il coinvolgimento degli studenti è diventato sempre più importante con l'ampia diffusione dell'apprendimento online, delle aule intelligenti e di altre tecnologie educative interattive. Garantire l'inclusione tra gruppi diversi di studenti di ingegneria sottolinea ulteriormente la necessità di quadri completi che integrino approcci basati sulla tecnologia con la pratica educativa, mantenendo al contempo standard di privacy ed etici. Inoltre, la limitata trasparenza dei modelli e le sfide associate all'integrazione tecnologica9,10, tra cui il bias metodologico e l'equità educativa, continuano a ostacolare lo sviluppo di sistemi predittivi in grado di supportare gli studenti attraverso un monitoraggio continuo.
Gli approcci di machine learning sono stati ampiamente utilizzati per affrontare sfide educative come la previsione del rischio per gli studenti e dei tassi di abbandono. Questi approcci hanno dimostrato la capacità di identificare studenti a rischio elevato, sostenendo così interventi volti a migliorare i risultati accademici11. Sono stati inoltre sviluppati sistemi di gestione educativa basati sull'intelligenza artificiale (AI) per potenziare sia i processi amministrativi che quelli accademici all'interno delle istituzioni di istruzione superiore. I dataset educativi includono comunemente informazioni accademiche come i voti nei corsi, i dati sulla frequenza e la storia delle iscrizioni12.
Studi precedenti hanno analizzato il comportamento degli studenti da tre prospettive: dati di valutazione, metodi e risultati13,14. Sono stati sviluppati modelli predittivi basati sull'alfabetizzazione informativa per analizzare le caratteristiche comportamentali degli studenti universitari. Questi studi si concentrano principalmente sulla valutazione del comportamento dell'apprendente mediante metodi di apprendimento profondo (Deep Learning, DL). Tuttavia, la ricerca sulla valutazione intelligente del comportamento dell'insegnante è ancora a uno stadio iniziale, limitando i progressi in questo ambito. Le reti neurali convoluzionali veloci basate su regioni (Fast R-CNN) sono state applicate a dataset educativi per migliorare il rilevamento delle attività in aula, dimostrando significativi miglioramenti nelle prestazioni rispetto ai metodi tradizionali15.
I modelli Bi-Directional Long Short-Term Memory (Bi-LSTM) che incorporano meccanismi di auto-monitoraggio hanno inoltre migliorato l'accuratezza della previsione del rendimento accademico per gli studenti universitari. Analogamente, modelli predittivi sviluppati utilizzando dataset sul comportamento di apprendimento online hanno dimostrato prestazioni predittive migliorate16,17,18. Inoltre, il k-means clustering (KMC) è stato utilizzato per identificare le caratteristiche di diversi gruppi di studenti mediante analisi dei cluster, fornendo informazioni sui comportamenti studenteschi che supportano miglioramenti nell'insegnamento, nella gestione e nell'apprendimento. Sono state inoltre proposte strategie basate sul deep learning per migliorare il rilevamento e la valutazione dei comportamenti didattici in aula. In questi approcci, le caratteristiche comportamentali in aula vengono utilizzate per stabilire relazioni tra rappresentazioni delle caratteristiche e iperpiani, impiegando valori iniziali linearmente separabili per la macchina a vettori di supporto (Support Vector Machine, SVM)19,20. Tuttavia, sfide come l'occlusione, i dettagli comportamentali finemente granulari e le interferenze ambientali continuano a limitare l'accuratezza del riconoscimento del comportamento degli studenti di ingegneria negli ambienti d'aula.
Il deep learning è stato inoltre applicato alla valutazione basata sui risultati dei corsi universitari, inclusa la valutazione educativa nell'ambito della formazione politica e ideologica21,22. L'efficacia di questi modelli predittivi è stata dimostrata utilizzando dataset educativi disponibili pubblicamente. Reti neurali impulsive feed-forward (FSNN) sono state impiegate per prevedere il rendimento accademico degli studenti mediante dati raccolti da piattaforme di apprendimento online e sistemi di gestione dell'apprendimento. Come illustrato in Figura 1, il flusso di lavoro computazionale proposto incorpora un dataset di valutazione educativa per identificare gli interessi degli studenti di ingegneria attraverso fasi sequenziali di pre-elaborazione dei dati, analisi dei modelli comportamentali, selezione delle caratteristiche e classificazione. Tabella 123,24,25,26,27,28,29,30,31,32 riassume i metodi rappresentativi riportati negli studi precedenti, insieme alle tecniche utilizzate e alle relative limitazioni nell'identificazione dell'interesse degli studenti all'interno dei sistemi di gestione dell'apprendimento.
Figura 1: Schema per l'identificazione dell'interesse degli studenti. Flusso di lavoro complessivo dello schema proposto per l'identificazione dell'interesse degli studenti in ingegneria, che include acquisizione dei dati, pre-elaborazione, analisi dei modelli comportamentali, selezione delle caratteristiche e classificazione. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Tabella 1: Analisi del comportamento degli studenti nella gestione didattica. Sintesi di metodi, tecniche, set di dati, metriche di valutazione e limitazioni riportate per l'analisi del comportamento degli studenti nella gestione didattica. Cliccare qui per scaricare questa tabella.
Il trasformatore Swin e la rete piramidale di caratteristiche leggera (FPN) sono stati applicati al rilevamento del comportamento degli studenti in aula, elaborando in modo efficiente mappe di caratteristiche multiscala33. Inoltre, la rete neurale ricorrente adattabile ottimizzata con l'algoritmo dell'insetto frutto (PFFO-ARNN) è stata utilizzata per analizzare il comportamento degli studenti nell'apprendimento online e prevedere il rendimento nei corsi34. Studi basati sui dati di comportamento degli studenti raccolti dai sistemi universitari di gestione dell'apprendimento hanno inoltre evidenziato l'inefficienza e la natura dispendiosa in termini di tempo del monitoraggio del comportamento in aula mediante metodi convenzionali di apprendimento profondo35. Tabella 236,37,38,39,40,41,42,43,44,45,46,47 riassume i metodi di classificazione rappresentativi, i set di dati, le metriche di valutazione e i limiti riportati per i sistemi di gestione didattica intelligente nell'ambito dell'istruzione ingegneristica.
Tabella 2: Sistemi intelligenti di gestione didattica basati sul deep learning per l'istruzione ingegneristica. Confronto tra sistemi rappresentativi di gestione didattica basati sul deep learning, set di dati, metriche di valutazione e limitazioni riportate. Cliccare qui per scaricare questa tabella.
Uno studio precedente48 ha sviluppato un modello di valutazione della qualità dell'insegnamento basato su reti profonde di credenza (DBNs) e ha proposto una strategia di valutazione mista per l'analisi della qualità didattica nelle università. L'approccio proposto ha superato l'algoritmo genetico (GA) convenzionale sia in termini di accuratezza di classificazione che di tempo di esecuzione, raggiungendo un'accuratezza superiore al 95% in meno di 5,4 ms. Il modello è stato addestrato utilizzando dataset educativi etichettati e valutato mediante una strategia di test indipendente49,50. I risultati riportati hanno dimostrato un'elevata capacità predittiva, con un Errore Assoluto Medio (MAE) dello 0,593% e un Errore Quadratico Medio (RMSE) dello 0,785%.
Architetture recenti potenziate dall'attenzione, come KANFormer51, integrano l'auto-attenzione multi-testa con reti di Kolmogorov-Arnold per migliorare la previsione delle prestazioni degli studenti catturando interazioni complesse tra caratteristiche. I modelli di tracciamento della conoscenza basati su Transformer hanno inoltre dimostrato un'accuratezza predittiva e un'interpretabilità migliorate sfruttando meccanismi di attenzione per modellare le traiettorie di apprendimento degli studenti52. Sebbene le architetture basate su Transformer e su attenzione abbiano migliorato le prestazioni nei compiti di previsione educativa modellando dipendenze contestuali e interazioni tra caratteristiche a lungo raggio, questi approcci si concentrano principalmente sulla previsione delle prestazioni degli studenti o sul tracciamento della conoscenza, piuttosto che sull'identificazione degli interessi degli studenti con consapevolezza dell'incertezza attraverso modellazione cognitiva ispirata alla fisica quantistica, selezione ottimizzata delle caratteristiche e meta-apprendimento ibrido.
Nonostante i recenti progressi nell'apprendimento automatico e nell'apprendimento profondo applicati all'analisi educativa, i metodi esistenti per identificare gli interessi degli studenti in ingegneria presentano diverse limitazioni. Molti approcci convenzionali si concentrano principalmente sull'accuratezza predittiva, trascurando la natura multiforme del comportamento degli studenti, inclusi i preferenze di apprendimento in evoluzione, l'incertezza comportamentale, le relazioni contestuali e le interazioni semantiche. Inoltre, questi metodi spesso si basano su tecniche tradizionali di estrazione delle caratteristiche e su strategie di apprendimento deterministiche, che potrebbero non catturare adeguatamente modelli comportamentali non lineari né adattarsi a ambienti di apprendimento dinamici. Di conseguenza, è necessario un quadro più completo che integri una preelaborazione robusta dei dati, una modellizzazione intelligente del comportamento, una selezione adattativa delle caratteristiche e tecniche ibride di apprendimento per migliorare l'analisi di dati educativi complessi.
Per affrontare tali limitazioni, il framework proposto integra un'elaborazione robusta dei dati, una modellizzazione comportamentale di ispirazione quantistica, una selezione ottimizzata delle caratteristiche e un apprendimento neurale ibrido quantistico-classico in un flusso di lavoro computazionale unificato per identificare gli interessi degli studenti di ingegneria. Combinando questi componenti complementari, il protocollo proposto fornisce un approccio sistematico e riproducibile per analizzare dati educativi complessi al fine di supportare l'apprendimento personalizzato e il processo decisionale nell'ambito educativo.
L'obiettivo di questo studio è sviluppare e validare il framework CQEI utilizzando dati multidimensionali di tipo educativo e comportamentale per l'identificazione dell'interesse degli studenti in ingegneria. Il framework combina un'accurata pre-elaborazione dei dati, una modellizzazione dello stato cognitivo ispirata alla meccanica quantistica, una selezione ottimizzata delle caratteristiche e il Classificatore Ibrido Meta-Apprendimento Quantistico-Classico (ML-HQNC) per analizzare i comportamenti di apprendimento degli studenti e facilitare un'identificazione precisa degli interessi. Le prestazioni vengono valutate mediante metriche standard, tra cui accuratezza, punteggio F1 e area sotto la curva caratteristica operativa del ricevitore (AUC), insieme alla Precisione di Rilevamento dell'Interesse (IDP), all'Indice di Stabilità del Pattern Quantistico (QPSI) e al Guadagno di Adattabilità Inter-Dominio (CDAG). Integrando questi componenti complementari in un singolo flusso di lavoro computazionale, il framework proposto offre un approccio sistematico per l'analisi educativa e per decisioni intelligenti nel contesto educativo.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Protocollo
Questo studio ha utilizzato un dataset pubblico e anonimizzato ottenuto dal repository Kaggle. Non sono stati reclutati né coinvolti direttamente partecipanti umani, e non sono state raccolte informazioni personalmente identificabili. Pertanto, non è stato richiesto il parere etico dell'istituto né il consenso informato. Gli strumenti di ricerca utilizzati in questo studio sono elencati nella Tabella dei Materiali.
1. Panoramica del framework CQEI
Il framework proposto di Intelligenza Educativa Concettuale Ispirata al Quantum (CQEI) integra la preelaborazione dei dati, l'analisi dei modelli comportamentali, la selezione delle caratteristiche e la classificazione per identificare gli interessi degli studenti di ingegneria utilizzando il dataset di Valutazione della Qualità dell'Insegnamento ottenuto dal repository Kaggle. Il dataset è stato inizialmente preelaborato mediante il metodo di scala robusta BCRIS (Box–Cox Robust IQR Scaling) per ridurre il rumore semantico e normalizzare le caratteristiche in ingresso. I modelli comportamentali degli studenti sono stati successivamente analizzati utilizzando il Modello Quantistico dello Stato Cognitivo (QCSM). Successivamente, è stato applicato l'algoritmo di Selezione delle Caratteristiche Quantistico-Potenziato basato su Sciame e Balena (QES-WOFS) per identificare le caratteristiche informative riducendo al contempo la ridondanza, modellando la selezione quantistica ottimale, il significato del feedback e le variazioni comportamentali transitorie. Infine, il Classificatore Ibrido Meta-Apprendimento Quantistico-Classico (ML-HQNC) integra l'apprendimento ispirato al quantum con strati semantici profondi residui per identificare gli interessi degli studenti.
Il flusso di lavoro complessivo del framework ML-HQNC proposto è illustrato nella Figura 2. Il protocollo comprendeva sei fasi sequenziali, a partire dall'acquisizione del dataset educativo dal repository Kaggle, seguita dalla pre-elaborazione dei dati mediante la scala robusta Box–Cox IQR (BCRIS), dalla trasformazione delle caratteristiche e dalla rappresentazione comportamentale tramite il Modello Quantistico dello Stato Cognitivo (QCSM) e dalla selezione delle caratteristiche mediante l'algoritmo Quantistico-Potenziato di Selezione delle Caratteristiche basato sull'Ottimizzazione Ibrida Sciame-Balena (QES-WOFS). Le caratteristiche selezionate sono state successivamente utilizzate per l'addestramento e la validazione del Classificatore Neurale Ibrido Meta-Apprendimento Quantistico-Classico (ML-HQNC), e il framework è stato infine valutato in termini di accuratezza, punteggio F1, area sotto la curva caratteristica operativa del ricevitore (AUC), precisione nel rilevamento dell'interesse (IDP), indice di stabilità del pattern quantistico (QPSI) e guadagno di adattabilità cross-domain (CDAG).
Figura 2: Architettura ibrida meta-apprendistico di classificatore neurale quantistico-classica (ML-HQNC). Architettura generale del framework ML-HQNC proposto, che integra la scalatura robusta Box–Cox IQR (BCRIS) per la preelaborazione dei dati, il modello quantistico dello stato cognitivo (QCSM) per l'analisi dei modelli comportamentali, l'algoritmo quantistico potenziato di ottimizzazione ispirato allo sciame e alla balena per la selezione delle caratteristiche (QES-WOFS) per la selezione delle caratteristiche e un apprendimento neurale ibrido quantistico-classico per la classificazione dell'interesse degli studenti. Cliccare qui per visualizzare una versione ingrandita di questa figura.
2. Dataset per la valutazione della qualità dell'insegnamento
Il framework proposto è stato sviluppato utilizzando il Dataset per la Valutazione della Qualità dell'Insegnamento disponibile pubblicamente nel repository Kaggle. Il dataset conteneva 1.014 record educativi con 14 caratteristiche multidimensionali che rappresentavano la performance accademica, i punteggi di valutazione, la frequenza, le caratteristiche didattiche e gli indicatori comportamentali degli studenti raccolti attraverso la Piattaforma Integrata di Gestione dell'Istruzione (CEMP). Questi attributi fornivano le informazioni educative multidimensionali necessarie per modellare le relazioni non lineari associate all'individuazione degli interessi degli studenti di ingegneria.
Come mostrato nella Figura 3, il dataset è stato suddiviso in sottoinsiemi di addestramento (80%) e di test (20%). Un totale di 800 record è stato utilizzato per addestrare il modello proposto, con 200 riservati per la valutazione delle prestazioni. Il dataset è disponibile pubblicamente all'indirizzo: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. I dataset di addestramento e di test sono stati successivamente elaborati utilizzando il framework proposto per costruire il modello di apprendimento e migliorarne la capacità predittiva.
Sebbene il set di dati sottostante sia intitolato Teaching Quality Evaluation Dataset, lo scopo di questo studio era identificare gli interessi degli studenti di ingegneria. Gli attributi educativi, comportamentali e didattici contenuti nel set di dati sono stati utilizzati come variabili di ingresso per l'addestramento e la valutazione del framework proposto. Di conseguenza, tutti i risultati di previsione e le metriche di prestazione riportati descrivono l'efficacia del framework nell'identificare gli interessi degli studenti di ingegneria, piuttosto che valutare la qualità dell'insegnamento. Prima della pre-elaborazione dei dati, il set di dati importato è stato verificato per assicurarsi che tutti e 1.014 i record fossero stati caricati correttamente, che lo schema del set di dati corrispondesse al formato previsto e che eventuali record mancanti o duplicati fossero stati identificati e gestiti.
3. Pre-elaborazione dei dati mediante scala robusta IQR di Box–Cox (BCRIS)
Il metodo di scala robusta IQR di Box–Cox (BCRIS) è stato utilizzato per pre-elaborare e normalizzare il dataset educativo combinando la trasformazione di Box–Cox con una scala robusta basata sull'intervallo interquartile (IQR) al fine di ridurre l'influenza dei valori estremi. La correzione della simmetria insieme alla normalizzazione centrata sulla mediana ha generato rappresentazioni delle caratteristiche statisticamente stabili e scalabili, adatte per l'analisi successiva. All'interno del framework proposto di intelligenza educativa, BCRIS ha trasformato indicatori multidimensionali di tipo educativo, didattico e comportamentale in rappresentazioni delle caratteristiche con varianza controllata. Caratteristiche come attendance_rate, interactive_sessions_percentage e altre variabili educative correlate sono state normalizzate per migliorare la coerenza dei dataset di addestramento e di test. Spiegazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S1). Il metodo BCRIS ha fornito una strategia di pre-elaborazione compatibile con approcci quantistici, in grado di normalizzare dati eterogenei di tipo educativo prima dell'analisi statistica successiva, preservando al contempo le caratteristiche comportamentali fondamentali necessarie per la modellizzazione successiva. Prima dell'analisi comportamentale, la pipeline di pre-elaborazione è stata verificata per assicurare che il dataset normalizzato non contenesse valori non validi o mancanti, che il rumore semantico fosse stato ridotto e che le caratteristiche elaborate fossero adatte alla modellizzazione comportamentale successiva.
4. Trasformazione delle caratteristiche e rappresentazione del comportamento mediante il modello quantistico dello stato cognitivo (QCSM)
Il modello quantistico dello stato cognitivo (QCSM) è stato implementato per modellare la dinamica degli interessi degli studenti di ingegneria utilizzando rappresentazioni probabilistiche ispirate alla meccanica quantistica. L'interesse dello studente è stato rappresentato come sovrapposizione di più stati concettuali che riflettevano la gerarchia dei concetti cognitivi, l'incertezza, la sovrapposizione concettuale, l'engagement simultaneo con più argomenti, comportamenti di apprendimento esitanti o indecisi e la probabilità di cambiamenti nelle preferenze di apprendimento. Gli indicatori multidimensionali provenienti dal dataset di Valutazione della Qualità dell'Insegnamento in Ingegneria, inclusi Student_Avg_Score, Attendance_rate e Student_Feedback_Rating, sono stati rappresentati come transizioni cognitive pesate in ampiezza all'interno di uno spazio di stato quantistico normalizzato. Il QCSM ha combinato transizioni di stato quantistico con allineamento concettuale basato sull'interferenza per generare rappresentazioni cognitive ispirate alla meccanica quantistica che riflettevano la stabilità e l'evoluzione dell'interesse degli studenti nel tempo. Le formulazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S2). Il QCSM ha modellato stati cognitivi probabilistici per rappresentare l'acquisizione di conoscenze, il cambiamento concettuale, l'engagement nell'apprendimento e l'interesse per la materia attraverso rappresentazioni normalizzate di stato quantistico. Le rappresentazioni comportamentali sono state verificate su tutti i record degli studenti per assicurare che le caratteristiche estratte degli stati cognitivi catturassero accuratamente i comportamenti di apprendimento e le transizioni tra argomenti.
5. Selezione delle caratteristiche mediante l'algoritmo Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS)
L'algoritmo Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) è stato utilizzato per identificare il sottoinsieme ottimale di caratteristiche e determinare le caratteristiche comportamentali ad alto contenuto informativo a partire da dati educativi multidimensionali. Meccanismi di ricerca ispirati alla fisica quantistica hanno potenziato l'integrazione tra strategie di ricerca globale e locale per l'ottimizzazione delle caratteristiche. Le variabili educative, tra cui interactive_sessions_percentage, assignments_time_percentage e course_completion_rate, sono state valutate in base alla loro correlazione con l'esito target. I sottoinsiemi di caratteristiche candidati sono stati modellati utilizzando rappresentazioni probabilistiche quantistiche, mentre un meccanismo di effetto tunnel quantistico ha consentito transizioni probabilistiche al di là degli ottimi locali. L'importanza delle caratteristiche è stata stimata mediante la verosimiglianza marginale, al fine di quantificare il contributo di ciascuna caratteristica alle prestazioni di classificazione e agli stati adattivi dello sciame. L'algoritmo QES-WOFS ha selezionato caratteristiche stabili e significative dal punto di vista comportamentale, migliorando la robustezza al rumore, alle variazioni da semestre a semestre e alle fluttuazioni comportamentali periodiche.
Per superare i limiti associati all'uso indipendente dell'algoritmo di ottimizzazione basato sul comportamento dei balenotteri (Whale Optimization Algorithm, WOA) o dell'ottimizzazione basata su sciami di particelle (Particle Swarm Optimization, PSO), l'algoritmo QES-WOFS combina l'esplorazione globale basata su PSO con lo sfruttamento locale basato su WOA. Un meccanismo di effetto tunnel quantistico ha inoltre permesso transizioni probabilistiche al di là degli ottimi locali, aumentando così la diversità della popolazione, riducendo la ridondanza delle caratteristiche e migliorando la convergenza verso un sottoinsieme ottimale di caratteristiche per l'identificazione dell'interesse degli studenti di ingegneria.
Formulazioni matematiche dettagliate sono fornite nel File Supplementare 1 (Sezione S3). L'algoritmo QES-WOFS ha combinato una codifica quantistica probabilistica delle caratteristiche, una strategia di velocità adattata dalla PSO e un meccanismo di ricerca a spirale ispirato alle balene per identificare le caratteristiche educative più informative. Gli iperparametri sono stati ottimizzati empiricamente utilizzando il dataset di addestramento. I valori candidati sono stati valutati attraverso esperimenti sistematici, e la combinazione che ha prodotto le migliori prestazioni di validazione è stata selezionata. In particolare, il parametro della trasformazione Box–Cox (λ = 0.25), il margine della loss contrastiva (m = 1.0) e i coefficienti del tunnel quantistico (α = 0.7 e β = 0.3) sono stati scelti in base all'accuratezza di validazione, al punteggio F1 e al comportamento di convergenza. Prima dell'addestramento del classificatore, i risultati della selezione delle caratteristiche sono stati verificati per assicurare che l'algoritmo QES-WOFS avesse selezionato il sottoinsieme ottimale di caratteristiche ed eliminato quelle ridondanti o con bassa importanza.
6. Addestramento e validazione del modello mediante il classificatore neurale quantistico-classico ibrido basato su meta-apprendimento (ML-HQNC)
Il classificatore neurale quantistico-classico ibrido basato su meta-apprendimento (ML-HQNC) è stato implementato combinando reti neurali profonde con computazioni ispirate alla meccanica quantistica per identificare gli interessi degli studenti di ingegneria. Meccanismi di attenzione quantistica multistrato e strati semantici residui profondi hanno catturato relazioni non lineari complesse all'interno di dati educativi multidimensionali rappresentati mediante circuiti quantistici variabili (VQCs). Caratteristiche derivate dal comportamento, tra cui student_average_grade, attendance_rate e student_feedback_rating, sono state proiettate in uno spazio di stato quantistico, dove gli ingressi normalizzati sono stati trasformati in rappresentazioni quantistiche basate sull'ampiezza per modellare schemi di coinvolgimento sovrapposti e probabilistici. I vettori normalizzati delle caratteristiche comportamentali degli studenti sono stati calcolati secondo le equazioni fornite nel File Supplementare 1 (Sezione S4). Successivamente, l'ML-HQNC ha classificato e identificato gli interessi degli studenti di ingegneria.
Il classificatore ML-HQNC ha impiegato una strategia di apprendimento meta-episodico durante l'addestramento. A ciascun episodio è stato assegnato un compito di apprendimento meta scelto casualmente dal dataset di addestramento. Mantenendo la distribuzione delle classi, i dati di addestramento sono stati suddivisi in un insieme di supporto (80%) e un insieme di query (20%). L'insieme di supporto è stato utilizzato per l'adattamento dei parametri specifici del compito attraverso il ciclo interno di ottimizzazione, mentre l'insieme di query ha valutato il modello adattato e calcolato la meta-perdita utilizzata per aggiornare i parametri condivisi. Un totale di 100 compiti di apprendimento meta è stato generato durante ogni ciclo di addestramento. Per l'adattamento nel ciclo interno sono stati effettuati cinque passaggi di aggiornamento del gradiente con un tasso di apprendimento interno di 0,001, mentre l'ottimizzatore Adam con un tasso di apprendimento esterno di 0,0005 ha ottimizzato i meta-parametri. Il campionamento casuale dei compiti è stato ripetuto per ogni epoca di addestramento per esporre il modello a schemi comportamentali diversi e migliorare la generalizzazione a profili di studenti precedentemente non osservati. La stima della perdita per l'allineamento contrastivo quantistico è descritta nel Supplementary File 1 (Equations 41–45). L'addestramento del modello è stato verificato per assicurare una convergenza corretta senza errori computazionali e per garantire che le curve di perdita di addestramento e di validazione si fossero stabilizzate nel corso delle epoche successive.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Risultati
Il framework proposto ML-HQNC è stato valutato rispetto a Fast R-CNN, Bi-LSTM, CNN e XGBoost utilizzando metriche di classificazione convenzionali, tra cui Accuratezza, Precisione, Richiamo, punteggio F1 e l'area sotto la curva caratteristica operativa del ricevitore (AUC), insieme alle metriche di valutazione proposte Precisione nel Rilevamento dell'Interesse (IDP), Indice di Stabilità del Pattern Quantistico (QPSI) e Guadagno di Adattabilità Cross-Dominio (CDAG). Le definizioni matematiche di queste metriche sono forni...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Discussione
Il framework proposto ML-HQNC ha dimostrato prestazioni migliorate nell'identificazione dell'interesse degli studenti di ingegneria, integrando una modellizzazione comportamentale ispirata alla meccanica quantistica, una selezione adattativa delle caratteristiche e un apprendimento meta in un flusso di lavoro computazionale unificato. Rispetto a Fast R-CNN, Bi-LSTM, CNN e XGBoost, il framework ha ottenuto costantemente prestazioni superiori in tutte le metriche convenzionali di classificazione e nelle metriche comportame...
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Dichiarazioni
L'autore dichiara di non avere interessi concorrenti.
Ringraziamenti
L'autore ringrazia l'Università di Bengbu, Bengbu, Cina, per aver fornito il supporto accademico e l'ambiente di ricerca che hanno facilitato questo studio. Questo lavoro è stato sostenuto dal Progetto Annuale di Qualità a Livello di Ateneo dell'Università di Bengbu 2025 (n. 2025zhkc1).
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Modelli di base (Fast R-CNN, Bi-LSTM, CNN, XGBoost) | Implementazioni open source | Fast R-CNN (2015); implementazione TensorFlow/Keras v2.16; XGBoost v2.1.1 | Modelli di riferimento utilizzati per la valutazione comparativa delle prestazioni. |
| Modulo di preelaborazione BCRIS | Sviluppato nel presente studio | Versione 1.0 | Modulo personalizzato di preelaborazione che implementa la trasformazione Box-Cox e la normalizzazione robusta IQR. |
| Jupyter Notebook | Project Jupyter | Versione 7.2.2 | Ambiente interattivo di sviluppo utilizzato per implementazione, addestramento e verifica. |
| Classificatore ML-HQNC | Sviluppato nel presente studio | Versione 1.0 | Classificatore ibrido proposto di rete neurale quantistica-classica con framework di meta-apprendimento. |
| Python | Fondazione Python Software | Versione 3.11.9 | Linguaggio di programmazione utilizzato per lo sviluppo e l'esperimentazione del modello. |
| PyTorch | Fondazione PyTorch | Versione 2.5.1 | Framework di deep learning utilizzato per l'implementazione e l'addestramento del modello. |
| Modello QCSM | Sviluppato nel presente studio | Versione 1.0 | Modello quantistico cognitivo proposto per la rappresentazione dei modelli comportamentali. |
| Algoritmo QES-WOFS | Sviluppato nel presente studio | Versione 1.0 | Algoritmo proposto di selezione delle caratteristiche basato su sciami quantistici ottimizzati con balene (Quantum-Enhanced Swarm–Whale Optimization Feature Selection). |
| Scikit-learn | Sviluppatori di Scikit-learn | Versione 1.6.1 | Libreria di machine learning utilizzata per preelaborazione, selezione delle caratteristiche e valutazione. |
Riferimenti
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- 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.
- 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
- 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
- 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
- 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
- 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
- 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.
- 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.
- 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.
- 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.
- 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
- 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
- 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
- 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
- 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
- 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.
- 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
- 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.
- 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
- 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.
- 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.
- 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.
- 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.
- 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
- 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.
- 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
- 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
- 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
- Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
- Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
- 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
- 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
- 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
- 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
- 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.
- Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
- 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.
- 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
- Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
- 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.
- 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
- 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
- Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
- 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
- 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.
Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.