Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.
Onderzoeksartikel
Deze studie gebruikt een multiperspectief fuzzy reasoningmodel en een verbeterd extreme gradient boosting (XGBoost) algoritme (geoptimaliseerd door een verbeterd grijs wolf-optimalisatiealgoritme) om online leergedrag te analyseren en emoties van leerlingcommentaar te classificeren, wat ondersteuning biedt voor gepersonaliseerd onderwijs en tijdige interventie.
De snelle ontwikkeling van online onderwijs heeft online klaslokalen tot een belangrijk onderdeel van het onderwijsveld gemaakt. Diepgaande analyse van het leergedrag van leerlingen in online onderwijs kan leraren helpen lesstrategieën te optimaliseren en gepersonaliseerde leerondersteuning te bieden voor leerlingen. Daarom verzamelt deze studie gegevens van online onderwijsplatforms om een diepgaande analyse van het leergedrag van studenten uit te voeren en verwerkt deze vooraf. Vervolgens construeert deze studie een multiperspectief fuzzy redeneermodel dat drie dimensies beslaat: curriculum, individueel en klas, om de leerprestaties van studenten op verschillende niveaus volledig te bekijken. Dit model verwerkt onzekere informatie in leergedragsgegevens via fuzzy sets en fuzzy regels, waarmee een multidimensionale evaluatie van leerprestaties wordt bereikt. Een verbeterd XGBoost-algoritme is ontworpen om de opmerkingemoties van studenten te classificeren. Dit verbeterde algoritme optimaliseert de hyperparameters van het XGBoost-algoritme door het grey wolf-optimalisatie-algoritme te verbeteren. Het algoritme verbetert de nauwkeurigheid van emotieclassificatie en onderzoekt verder de emotionele neigingen en attitudefeedback achter hun leergedrag. De resultaten toonden aan dat vanuit curriculumperspectief het voltooiingspercentage van cursustaken drie weken voor het examen in feite boven de 45% lag, wat veel hoger was dan het voltooiingspercentage drie weken na de uitgave van de taak (beide lager dan 18%). Deze resultaten gaven aan dat studenten eerder geneigd waren om taken vóór de deadline af te ronden en duidelijk uitstelgedrag vertoonden. De maximale nauwkeurigheid van het verbeterde classificatie-algoritme was 98,78%, wat 8,57%, 7,55%, 6,38% en 6,01% hoger was dan het vergelijkingsmodel, en het gemiddelde tijdsverbruik was 58 ms. De recall-percentages op negatieve, positieve en neutrale emoties waren 98,35%, 97,69% en 98,02%. Het onderzoeksmodel kan het online leergedrag van studenten effectief analyseren en vroegtijdige identificatie van risicoleerlingen mogelijk maken, wat gepersonaliseerd onderwijs en nauwkeurige interventie in online onderwijs faciliteert.
De diepe integratie van internet en onderwijstechnologie heeft online onderwijs van een marginale aanvulling naar een mainstream vorm gemaakt. Eind 2023 was het aantal geregistreerde online studenten wereldwijd boven de 1,2 miljard uitgekomen, en China stond consequent op de eerste plaats in zowel het aantal Massive Open Online Courses (MOOCs) als het aantal studentenmet 1,2. Hoewel online onderwijs gemak biedt, brengt het ook uitdagingen aan het licht zoals het ondoorzichtige leerproces, de scheiding van leraren en leerlingen in tijd en ruimte, en achterblijvende regelgevings....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Ontwerp van de LBA-methode met oog op MPFR en emotionele perspectieven
Er wordt een multi-perspectief evaluatiesysteem opgebouwd voor het analyseren van het Online Leergedrag van Studenten (SOLB), en er wordt een MPFR-model ontworpen. Om de subjectieve gevoelens van studenten tijdens het leren verder te analyseren, gebruikt deze studie het XGBoost-algoritme en ontwerpt het het IGWO-algoritme voor hyperparameteroptimalisatie om de classificatienauwkeurigheid te verbeteren.
Constructie van het MPFR-model voor LBA
Om SOLB....
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
LBA-resultaten met meervoudige perspectieven en sentimentclassificatie
Om de prestaties te verifiëren wordt de experimentele omgeving opgezet en de experimentele dataset beschreven. Daarnaast selecteert deze studie het vergelijkende algoritme IGWO-XGBoost en analyseert en verifieert dit met indicatoren zoals nauwkeurigheid, tijdsverbruik en geheugen. In de resultaatanalyse verdeelt de studie het in twee duidelijke secties: de resultaten van LB.......
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
Voor de analyse van SSOLB ontwierp deze studie MPFR- en IGWO-XGBoost-modellen en gebruikte het data van online onderwijsplatforms. In het experiment was er een hoge consistentie tussen de beoordeling van het inferentiemodel en de werkelijke score, wat de effectiviteit van het inferentiemodel aangeeft. Ongeveer 25% van de studenten had een studietijd van 1-10 uur in de cursus. Het aandeel studenten met studieuren tussen 11-20, 21-30, 31-40 uur en ouder dan 41 uur was 30%, 20%, 15% en 10%........
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
De auteurs hebben geen relevante financiële of niet-financiële belangen om te melden.
Geen enkele
....Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| BERT vooraf getraind taalmodel | Google research | https://github.com/google-research/bert | |
| CNKI emotiewoordenboek | CNKI | https://www.cnki.net/ | |
| Chaoxing-platform leert gedragsgegevens | Chaoxing INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd | https://www.chaoxing.com/ | |
| Computergeheugen | Universele hardwareleverancier (geen specifiek model) | ||
| Lijst met stopwoorden van het Harbin Institute of Technology | Harbin Institute of Technology | https://github.com/goto456/stopwords/blob/master/hit_s | |
| Intel Core i5-12600KF | Intel Corporation | BX8071512600KF | |
| Jieba woordsegmentatietool (precisiemodus) | Derde partij open source-gemeenschap | https://github.com/fxsjy/jieba. | |
| MOOC-platform studentenbeoordelingsgegevens | Love Course Network | https://www.icourse163.org/ | |
| NLTK-bibliotheek | NLTK-ontwikkelingsteam | https://www.nltk.org/ | |
| Python-programmeertaal | Python Software Foundation | https://www.python.org/ | |
| Scikit-learn 1.2.2 | Scikit learn-team | https://scikit-learn.org/stable/ | |
| Smart Tree-platform leert gedragsgegevens | Smart Tree Network | https://www.zhihuishu.com/ | |
| SMOTE-technologie | Ontwikkelingsteam Imbalanced Learn | Geïntegreerd in de Imbalanced Learn-bibliotheek, https://imbalanced-learn.org/stable/ | |
| Windows 10-besturingssysteem | Microsoft Corporation | https://www.microsoft.com/nl-nl/windows/windows-10 | |
| XGBoost 1.7.5 | XGBoost-ontwikkelingsteam | https://xgboost.readthedocs.io/ |
Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.
This corrects the article 10.3791/69515