Het protocol voor de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) integreert quantum-geïnspireerde cognitieve modellering, data-voorbewerking, kenmerkselectie en hybride neurale leerprocessen om de interesses van studenten techniek te identificeren. Dit protocol presenteert een reproduceerbare, hybride, quantum-geïnspireerde machine learning-workflow voor educatieve analyse, gedemonstreerd via de identificatie van interesses van studenten techniek met behulp van multidimensionale educatieve data.
Onderzoeksartikel
Datagestuurde identificatie van studenteninteresses voor intelligente systemen voor onderwijsbeheer in technische hogescholen
In dit artikel
Samenvatting
Samenvatting
Dit protocol presenteert een quantum-geïnspireerd computationeel raamwerk voor het identificeren van de interesses van studenten engineering met behulp van multidimensionale educatieve en gedragsgegevens. Het doel is om een systematische en reproduceerbare workflow te bieden die datapreprocessing, gedragspatroonanalyse, kenmerkselectie en hybride neurale leerprocessen integreert om educatieve besluitvorming en gepersonaliseerd leren te ondersteunen. De workflow begint met Box-Cox Robust IQR Scaling (BCRIS) om educatieve gegevens te preprocessen en te normaliseren door semantische ruis te verminderen en de datakwaliteit te verbeteren. Het leergedrag van studenten wordt vervolgens geanalyseerd met behulp van het Quantum Cognitive State Model (QCSM), dat gedragstransities en evoluerende leervoorkeuren onder onzekere omstandigheden representeert. Relevante kenmerken worden daarna geselecteerd met het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritme om redundantie in kenmerken te verminderen en informatieve gedragskenmerken te identificeren. Ten slotte integreert de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) quantum-geïnspireerd leren met diepe neurale netwerken om de interesses van studenten te classificeren. Het protocol is gevalideerd met behulp van een publiek toegankelijke educatieve dataset. De prestaties van het model zijn geëvalueerd aan de hand van conventionele metrieken, waaronder nauwkeurigheid, F1-score en de area under the receiver operating characteristic curve (AUC), samen met de Interest Detection Precision (IDP), de Quantum Pattern Stability Index (QPSI) en de Cross-Domain Adaptability Gain (CDAG). Het raamwerk behaalde een totale classificatienauwkeurigheid van 96,17% op de geëvalueerde dataset. Dit protocol biedt een reproduceerbare computationele workflow voor het analyseren van multidimensionale educatieve gegevens ter ondersteuning van intelligent educatief beheer en toepassingen voor gepersonaliseerd leren.
Inleiding
Educatieve managementsystemen worden steeds vaker gebruikt in de hele onderwijssector, gedreven door snelle vorderingen in informatietechnologie en computernetwerken. De voortdurende groei van het hoger onderwijs is gepaard gegaan met een toename van het aantal studenten, met name onder studenten technische wetenschappen, wat heeft geleid tot een aanzienlijke toename van educatieve managementgegevens. Deze groei ondersteunt een duurzame onderwijsontwikkeling, versnelt de informatisering van het onderwijs en faciliteert de totstandkoming van gestandaardiseerde educatieve managementsystemen die de consistentie en efficiëntie van het onderwijsbeheer verbeteren. Machine Learning (ML) biedt computationele technieken waardoor systemen in staat zijn om gegevens te analyseren, te leren van patronen en de voorspellende prestaties continu te verbeteren zonder expliciete programmering1,2.
Onderwijskwaliteit is een fundamenteel onderdeel van het hoger onderwijs. In recente jaren zijn examens op grote schaal ingezet om het begrip van studenten technische wetenschappen van de cursusinhoud en hun vermogen om nieuwe kennis te verwerven te beoordelen, om zo continue verbeteringen in de onderwijskwaliteit te bevorderen. Leerlinggerichte omgevingen kunnen worden gecreëerd door gebruik te maken van diverse leermiddelen die beschikbaar zijn via online educatieve platforms en door meerdere leertheorieën toe te passen om in te spelen op de behoeften van verschillende lerenden. Effectief onderwijs speelt een sleutelrol bij het verbeteren van de leerresultaten onder studenten technische wetenschappen aan universiteiten en hogescholen3,4. Bovendien bevordert effectief onderwijs een positieve leeromgeving, ondersteunt het het begrip van de cursusinhoud bij studenten en verbetert het de academische prestaties. Onderwijskwaliteit wordt gedurende het leerproces geëvalueerd aan de hand van meerdere indicatoren, waaronder de curriculumstructuur, de klasomgeving en de onderwijsinhoud.
Hoger onderwijs bevordert de intellectuele, persoonlijke en sociale ontwikkeling van studenten. Tegelijkertijd zijn studentbetrokkenheid — inclusief gedragsmatige, emotionele en cognitieve dimensies — en academische volharding belangrijke determinanten van leerresultaten geworden. Hoge niveaus van studentbetrokkenheid dragen aanzienlijk bij aan academisch succes op de lange termijn5,6. Vooruitgang in educatieve technologie heeft nieuwe mogelijkheden gecreëerd voor datagedreven educatieve analyses door complexe niet-lineaire relaties tussen de cognitieve, gedragsmatige en academische kenmerken van studenten te modelleren met behulp van Machine Learning (ML) en Deep Learning (DL) technieken.
Een grote uitdaging blijft de effectieve observatie en beoordeling van klaslokalingsdynamiek, waarbij rekening wordt gehouden met het evoluerende gedrag van studenten. Traditionele benaderingen voor het evalueren van onderwijskwaliteit en het analyseren van het gedrag van studenten engineering zijn vaak tijdrovend en vatbaar voor subjectieve menselijke beoordeling. Onoplettendheid van studenten tijdens activiteiten in de klas heeft een nadelig effect op de leerresultaten en de academische prestaties7,8. Het handhaven van een aanhoudende concentratie bij studenten engineering blijft echter uitdagend vanwege interne en externe afleidingen en schommelingen in de motivatie.
Het beoordelen en verbeteren van de betrokkenheid van studenten is steeds belangrijker geworden door de wijdverbreide adoptie van online leren, slimme klaslokalen en andere interactieve educatieve technologieën. Het waarborgen van inclusiviteit over diverse groepen engineeringstudenten benadrukt verder de noodzaak van uitgebreide kaders die technologiegedreven benaderingen integreren met educatieve praktijk, terwijl privacy- en ethische normen worden gehandhaafd. Daarnaast blijven beperkte modeltransparantie en uitdagingen die gepaard gaan met technologie-integratie9,10, waaronder methodologische bias en educatieve gelijkheid, de ontwikkeling belemmeren van voorspellende systemen die in staat zijn leerlingen te ondersteunen door middel van continue monitoring.
Machine learning-benaderingen worden op grote schaal gebruikt om educatieve uitdagingen aan te pakken, zoals het voorspellen van risico's voor studenten en uitvalpercentages. Deze benaderingen hebben aangetoond in staat te zijn om studenten met een hoog risico te identificeren, waardoor interventies worden ondersteund die de academische prestaties verbeteren11. Er zijn ook educatieve beheersystemen op basis van kunstmatige intelligentie (AI) ontwikkeld om zowel administratieve als academische processen binnen instellingen voor hoger onderwijs te verbeteren. Educatieve datasets bevatten gewoonlijk academische gegevens zoals cursuscijfers, presentielijsten en inschrijvingsgeschiedenis12.
Eerdere studies hebben studentengedrag vanuit drie perspectieven geanalyseerd: evaluatiegegevens, methoden en resultaten13,14. Voorspellingsmodellen op basis van informatiegeletterdheid zijn ontwikkeld om de gedragskenmerken van studenten aan het hoger onderwijs te analyseren. Deze studies richten zich hoofdzakelijk op de beoordeling van leerlinggedrag met behulp van Deep Learning (DL)-methoden. Onderzoek naar intelligente beoordeling van docentgedrag bevindt zich echter nog in een vroeg stadium, wat de vooruitgang op dit gebied beperkt. Fast Region-based Convolutional Neural Networks (Fast R-CNNs) zijn toegepast op educatieve datasets om de detectie van activiteiten in de klas te verbeteren, waarbij aanzienlijke prestatieverbeteringen ten opzichte van traditionele methoden werden aangetoond15.
Bi-Directional Long Short-Term Memory (Bi-LSTM)-modellen met geïntegreerde zelfmonitoringsmechanismen hebben ook de nauwkeurigheid van cijfervoorspellingen voor studenten in het hoger onderwijs verbeterd. Op soortgelijke wijze hebben voorspellingsmodellen, ontwikkeld met behulp van datasets van online leergedrag, een verbeterde voorspellende prestatie aangetoond16,17,18. Daarnaast is k-means clustering (KMC) gebruikt om de kenmerken van verschillende studentengroepen via clusteranalyse te identificeren, wat inzicht geeft in studentengedrag ter ondersteuning van verbeteringen in het onderwijs, management en leren. Er zijn ook strategieën op basis van deep learning voorgesteld om de detectie en evaluatie van onderwijsgedrag in de klas te verbeteren. In deze benaderingen worden kenmerken van gedrag in de klas gebruikt om relaties tussen kenmerkrepresentaties en hypervlakken vast te stellen, gebruikmakend van lineair scheidbare startwaarden voor de Support Vector Machine (SVM)19,20. Uitdagingen zoals occlusie, fijnmazige gedragsdetails en omgevingsinterferentie blijven echter de nauwkeurigheid van gedragsherkenning bij studenten techniek in klasomgevingen beperken.
Deep learning is ook toegepast op de uitkomstgerichte evaluatie van universitaire cursussen, waaronder onderwijsbeoordelingen binnen politiek en ideologisch onderwijs21,22De effectiviteit van deze voorspellingsmodellen is aangetoond met behulp van openbaar beschikbare educatieve datasets. Feed-forward Spiking Neural Networks (FSNN's) zijn ingezet om de academische prestaties van studenten te voorspellen aan de hand van gegevens verzameld via online leerplatformen en leerbeheersystemen. Zoals geïllustreerd in Figuur 1de voorgestelde computationele workflow bevat een educatieve beoordelingsdataset om de interesses van studenten techniek te identificeren via opeenvolgende fasen van datapreprocessing, analyse van gedragspatronen, kenmerkselectie en classificatie. Tabel 123,24,25,26,27,28,29,30,31,32 vat de representatieve methoden samen die in eerdere studies zijn gerapporteerd, samen met de toegepaste technieken en de daarmee gepaard gaande beperkingen voor het identificeren van studenteninteresse binnen leerbeheersystemen.
Figuur 1: Raamwerk voor de identificatie van studenteninteresses. Algemene workflow van het voorgestelde raamwerk voor de identificatie van interesses bij engineeringstudenten, inclusief data-acquisitie, preprocessing, analyse van gedragspatronen, kenmerkselectie en classificatie. Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 1: Analyse van studentengedrag in onderwijsmanagement. Samenvatting van representatieve methoden, technieken, datasets, evaluatiemetrieken en gerapporteerde beperkingen voor de analyse van studentengedrag in onderwijsmanagement. Klik hier om deze tabel te downloaden.
De Swin Transformer en het Lightweight Feature Pyramid Network (FPN) zijn toegepast op de detectie van het gedrag van studenten in de klas door multi-schaal feature maps efficiënt te verwerken33. Daarnaast is het Fruit-Fly-Optimized Adjustable Recurrent Neural Network (PFFO-ARNN) gebruikt om het online leergedrag van studenten te analyseren en cursusprestaties te voorspellen34. Studies gebaseerd op gedragsgegevens van studenten, verzameld uit leerbeheersystemen van universiteiten, hebben ook gewezen op de inefficiëntie en de tijdrovende aard van het monitoren van klasgedrag met conventionele deep learning-methoden35. Tabel 236,37,38,39,40,41,42,43,44,45,46,47 vat representatieve classificatiemethoden, datasets, evaluatiemetrieken en gerapporteerde beperkingen samen voor intelligente systemen voor onderwijsbeheer in het technisch onderwijs.
Tabel 2: Op deep learning gebaseerde intelligente onderwijsbeheersystemen voor technisch onderwijs. Vergelijking van representatieve op deep learning gebaseerde onderwijsbeheersystemen, datasets, evaluatiemetrieken en gerapporteerde beperkingen. Klik hier om deze tabel te downloaden.
In een eerdere studie48 werd een model voor de kwaliteitsbeoordeling van blended learning ontwikkeld op basis van Deep Belief Networks (DBNs), waarbij een gemengde evaluatiestrategie werd voorgesteld voor het beoordelen van de onderwijskwaliteit aan universiteiten. De voorgestelde aanpak presteerde beter dan het conventionele Genetisch Algoritme (GA), zowel wat betreft de classificatienauwkeurigheid als de uitvoeringstijd, waarbij een nauwkeurigheid van meer dan 95% werd bereikt in minder dan 5,4 ms. Het model werd getraind met gelabelde educatieve datasets en geëvalueerd met behulp van een onafhankelijke teststrategie49,50. De gerapporteerde resultaten toonden sterke voorspellende prestaties aan, met een Mean Absolute Error (MAE) van 0,593% en een Root Mean Square Error (RMSE) van 0,785%.
Recente architecturen met verbeterde aandacht, zoals KANFormer51, integreren multi-head self-attention met Kolmogorov-Arnold-netwerken om de voorspelling van studentenprestaties te verbeteren door complexe interacties tussen kenmerken vast te leggen. Op Transformer gebaseerde modellen voor knowledge tracing hebben eveneens een verbeterde voorspellingsnauwkeurigheid en interpreteerbaarheid aangetoond door gebruik te maken van aandachtmechanismen om het leertraject van studenten te modelleren52. Hoewel Transformer- en aandachtgebaseerde architecturen de prestaties bij educatieve voorspellingstaken hebben verbeterd door contextuele afhankelijkheden en lange-afstand interacties tussen kenmerken te modelleren, richten deze benaderingen zich primair op de voorspelling van studentenprestaties of knowledge tracing, in plaats van op onzekerheidsbewuste identificatie van studenteninteresses via quantum-geïnspireerde cognitieve modellering, geoptimaliseerde kenmerkselectie en hybride meta-learning.
Ondanks recente vooruitgang in machine learning en deep learning voor educatieve analyse, hebben bestaande methoden voor het identificeren van de interesses van studenten technische opleidingen verschillende beperkingen. Veel conventionele benaderingen richten zich primair op de voorspellingsnauwkeurigheid, waarbij de veelzijdige aard van studentengedrag over het hoofd wordt gezien, waaronder evoluerende leervoorkeuren, gedragsmatige onzekerheid, contextuele relaties en semantische interacties. Bovendien vertrouwen deze methoden vaak op conventionele feature engineering en deterministische leerstrategieën, die mogelijk niet adequaat in staat zijn om niet-lineaire gedragspatronen vast te leggen of zich aan te passen aan dynamische leeromgevingen. Bijgevolg is er een uitgebreider kader nodig dat robuuste datapreprocessing, intelligente gedragsmodellering, adaptieve featureselectie en hybride leertechnieken integreert om de analyse van complexe educatieve data te verbeteren.
Om deze beperkingen aan te pakken, integreert het voorgestelde raamwerk robuuste data-preprocessing, quantum-geïnspireerde gedragsmodellering, geoptimaliseerde kenmerkselectie en hybride quantum-klassiek neuraal leren in een uniforme computationele workflow voor het identificeren van de interesses van studenten engineering. Door deze complementaire componenten te combineren, biedt het voorgestelde protocol een systematische en reproduceerbare aanpak voor het analyseren van complexe onderwijsgegevens ter ondersteuning van gepersonaliseerd leren en educatieve besluitvorming.
Het doel van deze studie is om het CQEI-raamwerk te ontwikkelen en te valideren met behulp van multidimensionale educatieve en gedragsgegevens voor de identificatie van de interesses van studenten in de techniek. Het raamwerk combineert robuuste datapreprocessing, quantum-geïnspireerde cognitieve toestandsmodellering, geoptimaliseerde kenmerkselectie en de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) om het leergedrag van studenten te analyseren en een nauwkeurige interesse-identificatie te faciliteren. De prestaties worden geëvalueerd aan de hand van standaardmetrieken, waaronder nauwkeurigheid, de F1-score en de oppervlakte onder de receiver operating characteristic-curve (AUC), samen met de Interest Detection Precision (IDP), de Quantum Pattern Stability Index (QPSI) en de Cross-Domain Adaptability Gain (CDAG). Door deze complementaire componenten te integreren in één enkele computationele workflow, biedt het voorgestelde raamwerk een systematische benadering voor educatieve analytics en intelligente educatieve besluitvorming.
Protocol
Voor deze studie is gebruikgemaakt van een publiek toegankelijke, geanonimiseerde dataset afkomstig uit de Kaggle-repository. Er zijn geen menselijke proefpersonen direct geworven of betrokken, en er zijn geen persoonlijk identificeerbare gegevens verzameld. Daarom waren institutionele ethische goedkeuring en geïnformeerde toestemming niet vereist. De onderzoeksinstrumenten die in deze studie zijn gebruikt, staan vermeld in de Tabel met materialen.
1. Overzicht van het CQEI-raamwerk
Het voorgestelde Quantum-Inspired Conceptual Education Intelligence (CQEI)-raamwerk integreerde datapreprocessing, analyse van gedragspatronen, kenmerkselectie en classificatie om de interesses van studenten engineering te identificeren met behulp van de Teaching Quality Evaluation Dataset, verkregen uit de Kaggle-repository. De dataset werd eerst gepreprocessed met de Box–Cox Robust IQR Scaling (BCRIS)-methode om semantische ruis te verminderen en de inputkenmerken te normaliseren. Gedragspatronen van studenten werden vervolgens geanalyseerd met behulp van het Quantum Cognitive State Model (QCSM). Daarna werd het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS)-algoritme toegepast om informatieve kenmerken te identificeren en redundantie van kenmerken te verminderen door het modelleren van quantum-optimale selectie, feedbacksignificantie en transiënte gedragsvariaties. Tot slot integreerde de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) quantum-geïnspireerd leren met diepe residuele semantische lagen om de interesses van studenten te identificeren.
De algehele workflow van het voorgestelde ML-HQNC-framework wordt geïllustreerd in Figuur 2. Het protocol bestond uit zes opeenvolgende fasen, beginnend met de acquisitie van de educatieve dataset uit de Kaggle-repository, gevolgd door data-preprocessing met behulp van Box–Cox Robust IQR Scaling (BCRIS), kenmerkentransformatie en gedragsrepresentatie met behulp van het Quantum Cognitive State Model (QCSM), en kenmerkenselectie met behulp van het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS)-algoritme. De geselecteerde kenmerken werden vervolgens gebruikt voor modeltraining en validatie met de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), en het framework werd tot slot geëvalueerd aan de hand van nauwkeurigheid, F1-score, de area under the receiver operating characteristic curve (AUC), Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) en Cross-Domain Adaptability Gain (CDAG).
Figuur 2: Raamwerk van de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC). Algemene architectuur van het voorgestelde ML-HQNC-raamwerk waarin Box–Cox Robust IQR Scaling (BCRIS) voor datapreprocessing, het Quantum Cognitive State Model (QCSM) voor gedragspatroonanalyse, het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS)-algoritme voor kenmerkselectie en hybride quantum-klassieke neurale learning voor de classificatie van studenteninteresse zijn geïntegreerd. Klik hier om een grotere versie van deze figuur te bekijken.
2. Dataset voor de evaluatie van de onderwijskwaliteit
Het voorgestelde raamwerk is ontwikkeld met behulp van de publiek toegankelijke Teaching Quality Evaluation Dataset, verkregen uit de Kaggle-repository. De dataset bevatte 1.014 onderwijsrecords met 14 multidimensionale kenmerken die academische prestaties, beoordelingsscores, aanwezigheid, instructiekenmerken en gedragsindicatoren van studenten vertegenwoordigen, verzameld via het Comprehensive Education Management Platform (CEMP). Deze attributen leverden de multidimensionale onderwijsinformatie die nodig was om de niet-lineaire relaties te modelleren die verbonden zijn met het identificeren van de interesses van studenten in de techniek.
Zoals weergegeven in Figuur 3, werd de dataset verdeeld in trainings- (80%) en testsubsets (20%). In totaal werden 800 records gebruikt om het voorgestelde model te trainen, waarbij 200 records werden gereserveerd voor de prestatie-evaluatie. De dataset is publiekelijk beschikbaar via: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. De trainings- en testdatasets werden vervolgens verwerkt met behulp van het voorgestelde raamwerk om het leermodel te construeren en de voorspellende capaciteit ervan te verbeteren.
Hoewel de onderliggende dataset de titel Teaching Quality Evaluation Dataset draagt, was het doel van deze studie om de interesses van studenten techniek te identificeren. De educatieve, gedragsmatige en instructieve kenmerken in de dataset dienden als invoervariabelen voor het trainen en evalueren van het voorgestelde raamwerk. Bijgevolg beschrijven alle gerapporteerde voorspellingsresultaten en prestatiemetrieken de effectiviteit van het raamwerk bij het identificeren van de interesses van studenten techniek, in plaats van het evalueren van de onderwijskwaliteit. Vóór de datapreprocessing werd de geïmporteerde dataset geverifieerd om te bevestigen dat alle 1.014 records succesvol waren geladen, dat het dataschema overeenkwam met het verwachte formaat en dat eventuele ontbrekende of dubbele records waren geïdentificeerd en behandeld.
3. Gegevensvoorbewerking met behulp van box–cox robuuste IQR-schaling (BCRIS)
De Box–Cox Robust IQR Scaling (BCRIS)-methode werd gebruikt om de educatieve dataset voor te bewerken en te normaliseren door de Box–Cox-transformatie te combineren met robuuste schaling op basis van het interkwartielbereik (IQR) om de invloed van extreme waarden te verminderen. Symmetrieherstel samen met mediaan-gecentreerde normalisatie genereerde statistisch stabiele en schaalbare kenmerkrepresentaties die geschikt waren voor verdere analyse. Binnen het voorgestelde framework voor educatieve intelligentie transformeerde BCRIS multidimensionale educatieve, instructieve en gedragsindicatoren in variantie-gecontroleerde kenmerkrepresentaties. Kenmerken zoals attendance_rate, interactive_sessions_percentage en gerelateerde educatieve variabelen werden genormaliseerd om de consistentie van de trainings- en testdatasets te verbeteren. Gedetailleerde wiskundige uitleg is te vinden in Aanvullend Bestand 1 (Sectie S1). De BCRIS-methode bood een quantum-compatibele voorbewerkingsstrategie die heterogene educatieve gegevens normaliseerde voorafgaand aan de daaropvolgende statistische analyse, terwijl de onderliggende gedragskenmerken die nodig zijn voor downstream-modellering behouden bleven. Voorafgaand aan de gedragsanalyse werd de voorbewerkingspijplijn geverifieerd om ervoor te zorgen dat de genormaliseerde dataset geen ongeldige of ontbrekende waarden bevatte, dat semantische ruis was verminderd en dat de bewerkte kenmerken geschikt waren voor de daaropvolgende gedragsmodellering.
4. Kenmerkentransformatie en gedragsrepresentatie met behulp van het quantum cognitive state model (QCSM)
Het Quantum Cognitive State Model (QCSM) werd geïmplementeerd om de dynamiek van de interesses van engineeringstudenten te modelleren met behulp van quantum-geïnspireerde probabilistische representaties. De interesse van de student werd weergegeven als een overlap van meerdere conceptuele toestanden die de hiërarchie van cognitieve concepten, onzekerheid, conceptuele overlap, gelijktijdige betrokkenheid bij meerdere onderwerpen, aarzelend of besluiteloos leergedrag en de waarschijnlijkheid van verschuivingen in leervoorkeuren weerspiegelden. De multidimensionale indicatoren uit de Engineering Teaching Quality Assessment-dataset, waaronder Student_Avg_Score, Attendance_rate en Student_Feedback_Rating, werden gerepresenteerd als amplitude-gewogen cognitieve transities binnen een genormaliseerde quantumtoestandsruimte. Het QCSM combineerde quantumtoestandstransities met interferentiegebaseerde conceptuele uitlijning om quantum-geïnspireerde cognitieve representaties te genereren die de stabiliteit en evolutie van de studenteninteresse in de loop van de tijd weerspiegelden. Gedetailleerde mathematische formuleringen worden gegeven in Supplementary File 1 (Sectie S2). Het QCSM modelleerde probabilistische cognitieve toestanden om kennisverwerving, conceptuele verandering, leerbetrokkenheid en vakinteresse weer te geven via genormaliseerde quantumtoestandsrepresentaties. Gedragsrepresentaties werden geverifieerd over alle studentenrecords om ervoor te zorgen dat de geëxtraheerde cognitieve-toestandskenmerken de leergedragingen en onderwerptransities nauwkeurig vastlegden.
5. Kenmerkselectie met behulp van het Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS) algoritme
Het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritme werd gebruikt om de optimale subset van kenmerken te identificeren en gedragskenmerken met een hoge informatiewaarde te bepalen uit multidimensionale onderwijsgegevens. Quantum-geïnspireerde zoekmechanismen verbeterden de integratie van globale en lokale zoekstrategieën voor kenmerkoptimalisatie. Onderwijsvariabelen, waaronder interactive_sessions_percentage, assignments_time_percentage en course_completion_rate, werden geëvalueerd op basis van hun correlatie met het doelresultaat. Kandidaat-kenmerksubsets werden gemodelleerd met behulp van quantumwaarschijnlijkheidsrepresentaties, terwijl een quantumtunnelmechanisme probabilistische overgangen voorbij lokale optima mogelijk maakte. Het belang van kenmerken werd geschat met behulp van marginale aannemelijkheid om de bijdrage van elk kenmerk aan de classificatieprestaties en adaptieve zwermtoestanden te kwantificeren. Het QES-WOFS algoritme selecteerde stabiele en gedragsmatig betekenisvolle kenmerken, waardoor de robuustheid ten opzichte van ruis, variatie tussen semesters en periodieke gedragsschommelingen werd verbeterd.
Om de beperkingen te overwinnen die gepaard gaan met het onafhankelijk gebruiken van het Whale Optimization Algorithm (WOA) of Particle Swarm Optimization (PSO), combineerde het QES-WOFS-algoritme PSO-gebaseerde globale exploratie met WOA-gebaseerde lokale exploitatie. Een quantumtunnelmechanisme maakte bovendien probabilistische overgangen voorbij lokale optima mogelijk, waardoor de populatiediversiteit werd vergroot, feature-redundantie werd verminderd en de convergentie naar een optimale feature-subset voor het identificeren van de interesses van engineeringstudenten werd verbeterd.
Gedetailleerde wiskundige formuleringen worden verstrekt in Aanvullend Bestand 1 (Sectie S3). Het QES-WOFS-algoritme combineerde kwantumprobabilistische feature-codering, een PSO-aangepaste snelheidsstrategie en een op walvissen geïnspireerd spiraalzoekmechanisme om de meest informatieve educatieve kenmerken te identificeren. De hyperparameters werden empirisch geoptimaliseerd met behulp van de trainingsdataset. Kandidaatwaarden werden geëvalueerd via systematische experimenten, waarbij de combinatie die de hoogste validatieprestaties opleverde, werd geselecteerd. Specifiek werden de Box-Cox-transformatieparameter (λ = 0.25), de contrastieve verliesmarge (m = 1.0) en de kwantumtunnelingscoëfficiënten (α = 0.7 en β = 0.3) gekozen op basis van validatienauwkeurigheid, F1-score en convergentiegedrag. Voorafgaand aan de training van de classifier werden de resultaten van de feature-selectie geverifieerd om er zeker van te zijn dat het QES-WOFS-algoritme de optimale subset van kenmerken had geselecteerd en redundante kenmerken of kenmerken met een gering belang had verwijderd.
6. Modeltraining en validatie met de meta-learning hybride quantum-klassieke neurale classifier (ML-HQNC)
De Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) werd geïmplementeerd door deep neural networks te combineren met quantum-geïnspireerde berekeningen om de interesses van studenten engineering te identificeren. Multi-head quantum attention-mechanismen en diepe residuele semantische lagen legden complexe niet-lineaire relaties vast binnen multidimensionale educatieve data, gerepresenteerd middels variational quantum circuits (VQCs). Op gedrag gebaseerde kenmerken, waaronder student_average_grade, attendance_rate en student_feedback_rating, werden geprojecteerd in een quantumtoestandsruimte, waarbij genormaliseerde inputs werden getransformeerd in amplitude-gebaseerde quantumrepresentaties om overlappende en probabilistische betrokkenheidspatronen te modelleren. Genormaliseerde featurevectoren van studentengedrag werden berekend volgens de vergelijkingen in Supplementary File 1 (Sectie S4). De ML-HQNC classificeerde en identificeerde vervolgens de interesses van de studenten engineering.
De ML-HQNC-classifier maakte gebruik van een episodische meta-learning-strategie tijdens de training. Voor elke episode werd één willekeurig geselecteerde meta-learning-taak uit de trainingsdataset toegewezen. Met behoud van de klassendistributie werden de trainingsgegevens verdeeld in een supportset (80%) en een queryset (20%). De supportset werd gebruikt voor taakspecifieke parameteradaptatie via de innerlijke optimalisatielus, terwijl de queryset het geadapteerde model evalueerde en het meta-verlies berekende dat werd gebruikt om de gedeelde parameters bij te werken. In totaal werden er tijdens elke trainingscyclus 100 meta-learning-taken gegenereerd. Voor de adaptatie in de innerlijke lus werden vijf gradiënt-update-stappen met een innerlijke leerfrequentie van 0,001 gebruikt, terwijl de Adam-optimizer met een outerlijke leerfrequentie van 0,0005 de meta-parameters optimaliseerde. Willekeurige taaksteekproeven werden voor elke trainingsepoche herhaald om het model bloot te stellen aan diverse gedragspatronen en de generalisatie naar voorheen onbekende studentprofielen te verbeteren. De schatting van het verlies voor quantum contrastive alignment wordt beschreven in Supplementary File 1 (Equations 41–45). De modeltraining werd geverifieerd om succesvolle convergentie zonder computationele fouten te garanderen en om te bevestigen dat de trainings- en validatieverliescurven over opeenvolgende epoches waren gestabiliseerd.
Resultaten
Het voorgestelde ML-HQNC-raamwerk werd geëvalueerd ten opzichte van Fast R-CNN, Bi-LSTM, CNN en XGBoost met behulp van conventionele classificatiemetrieken, waaronder nauwkeurigheid (Accuracy), precisie (Precision), recall, F1-score en de oppervlakte onder de receiver operating characteristic-curve (AUC), samen met de voorgestelde evaluatiemetrieken Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) en Cross-Domain Adaptability Gain (CDAG). De wiskundige definities van deze metrieken worden gegeven in Aanvullend bestand 1 (Sectie S5).
Om de robuustheid van het voorgestelde raamwerk te beoordelen, werden alle experimenten vijf keer herhaald met verschillende willekeurige initialisaties. De gerapporteerde prestatiewaarden worden gepresenteerd als het gemiddelde ± standaarddeviatie over de vijf runs. De statistische significantie tussen het voorgestelde raamwerk en de baselinemodellen werd geëvalueerd met een gepaarde t-toets, waarbij p < 0,05 als statistisch significant werd beschouwd.
Zoals samengevat in Aanvullende Tabel 1, werden simulatie-experimenten uitgevoerd met behulp van de Teaching Quality Evaluation Dataset die 1.014 records bevat. In totaal werden 800 records gebruikt voor de training van het model, terwijl 200 records werden gereserveerd voor testen. Het voorgestelde ML-HQNC-framework en de vergelijkingsmodellen werden geïmplementeerd in de Jupyter Notebook-omgeving met behulp van Python. Het Teaching_Quality-attribuut diende als de oorspronkelijke doelvariabele in de publiek toegankelijke Teaching Quality Evaluation Dataset en bestond uit twee klassen, Good en Excellent. Deze labels werden gebruikt als voorspellingsdoelen voor het trainen en evalueren van het ML-HQNC-framework. De resulterende voorspellingscategorieën zijn samengevat in Tabel 3. Aanvullende Tabel 2 vat de validatieresultaten van de Box–Cox Robust IQR Scaling (BCRIS) voorbehandelingsfase samen. De voorbehandelingspijplijn verwijderde ontbrekende en dubbele records, verminderde de invloed van uitschieters, normaliseerde de kenmerkdistributies en verbeterde de semantische en gedragsmatige consistentie voorafgaand aan de kenmerktransformatie en modeltraining.
Tabel 3: Doelvariabele van de Teaching Quality Evaluation Dataset. Beschrijving van de oorspronkelijke Teaching_Quality-doelvariabele en de classificatiecategorieën (Good en Excellent) die zijn gebruikt voor modeltraining en evaluatie. Klik hier om deze tabel te downloaden.
Aanvullende Tabel 3 presenteert representatieve kenmerken gegenereerd door het Quantum Cognitive State Model (QCSM). De geëxtraheerde kenmerken beschrijven het leergedrag van studenten, waaronder cognitieve toestand, betrokkenheid, onzekerheid, onderwerpovergangen en gedragsconsistentie, en dienden als input voor de daaropvolgende QES-WOFS kenmerkselectiefase. Aanvullende Tabel S4 vermeldt de uiteindelijke kenmerken die door het QES-WOFS-algoritme zijn geselecteerd, samen met hun kenmerkcategorieën, relatieve invloedsniveaus en functionele rollen binnen het voorgestelde raamwerk. De kenmerken van de geëxtraheerde multidimensionale gedragskenmerken zijn samengevat in Aanvullende Tabel 5. Aanvullende Tabel 6 presenteert representatieve randstructuren gegenereerd tijdens de gedragsrepresentatie voor de twee voorspellingsklassen (Goed en Uitstekend).
Zoals getoond in Figuur 4 en Tabel 4, behaalde het voorgestelde ML-HQNC-framework de hoogste F1-score (87,9%) van de geëvalueerde methoden. De overeenkomstige F1-scores voor Fast R-CNN, Bi-LSTM, CNN en XGBoost waren respectievelijk 77,9%, 80,2%, 82,8% en 85,8%. Statistische significantie werd beoordeeld met een tweezijdige onafhankelijke t-toets (p < 0,05).
Figuur 5 en Tabel 5 vatten de resultaten van de Interest Detection Precision (IDP) samen. Het voorgestelde ML-HQNC-framework behaalde een IDP van 89,3%, vergeleken met respectievelijk 79,11%, 82,12%, 84,6% en 87,10% voor Fast R-CNN, Bi-LSTM, CNN en XGBoost. Figuur 6 en Tabel 6 presenteren de resultaten van de Quantum Pattern Stability Index (QPSI). Het voorgestelde framework behaalde een QPSI-waarde van 92,7%, terwijl Fast R-CNN, Bi-LSTM, CNN en XGBoost respectievelijk 81,1%, 84,11%, 87,4% en 90,9% behaalden. Figuur 7 en Tabel 7 vatten de resultaten van de Cross-Domain Adaptability Gain (CDAG) samen. Het voorgestelde ML-HQNC-framework behaalde de hoogste CDAG-waarde (0,95), vergeleken met Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) en XGBoost (0,86). Zoals getoond in Figuur 8 en Tabel 8 behaalde het voorgestelde ML-HQNC-framework de hoogste classificatienauwkeurigheid (96,17%). De overeenkomstige nauwkeurigheden voor Fast R-CNN, Bi-LSTM, CNN en XGBoost waren respectievelijk 85,10%, 87,21%, 90,14% en 93,19%. Figuur 9 en Tabel 9 presenteren de rekentijd die door elke methode werd vereist. Het voorgestelde ML-HQNC-framework vereiste 9,02 ms, terwijl Fast R-CNN, Bi-LSTM, CNN en XGBoost respectievelijk 31,2 ms, 27,5 ms, 22,4 ms en 17,6 ms vereisten. Figuur 10 presenteert de receiver operating characteristic (ROC)-analyse. Het voorgestelde ML-HQNC-framework behaalde een AUC van 0,944, wat duidt op een hoge true-positive rate en een lage false-positive rate over de geëvalueerde classificatiedrempel.
Figuur 4: Vergelijking van de F1-score bij verschillende datasetgroottes. Vergelijking van de F1-score behaald door ML-HQNC en concurrerende modellen bij verschillende datasetgroottes. Resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). De foutenbalken vertegenwoordigen één standaarddeviatie. Statistische significantie werd geëvalueerd met een tweezijdige onafhankelijke t-toets (p < 0,05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 4: Vergelijking van de F1-score bij verschillende datasetgroottes. Vergelijking van de F1-score behaald door ML-HQNC en concurrerende modellen. Resultaten worden weergegeven als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
Figuur 5: Vergelijking van de Interest Detection Precision (IDP) bij verschillende datasetgroottes. Vergelijking van de Interest Detection Precision (IDP) behaald door ML-HQNC en concurrerende modellen bij verschillende datasetgroottes. De resultaten worden weergegeven als het gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). De foutenbalken vertegenwoordigen één standaarddeviatie. Statistische significantie werd geëvalueerd met behulp van een tweezijdige onafhankelijke t-toets (p < 0,05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 5: Vergelijking van de precisie van interestedetectie (IDP) bij verschillende datasetgroottes. Vergelijking van de precisie van interestedetectie (IDP) behaald door ML-HQNC en concurrerende modellen. De resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
Figuur 6: Vergelijking van de Quantum Pattern Stability Index (QPSI) over verschillende datasetgroottes. Vergelijking van de Quantum Pattern Stability Index (QPSI) behaald door ML-HQNC en concurrerende modellen bij verschillende datasetgroottes. De resultaten worden weergegeven als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Foutenbalken vertegenwoordigen één standaarddeviatie. Statistische significantie werd geëvalueerd met een tweezijdige onafhankelijke t-toets (p < 0,05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 6: Vergelijking van de Quantum Pattern Stability Index (QPSI) over verschillende datasetgroottes. Vergelijking van de Quantum Pattern Stability Index (QPSI) behaald door ML-HQNC en concurrerende modellen. Resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
Figuur 7: Vergelijking van de Cross-Domain Adaptability Gain (CDAG) bij verschillende datasetgroottes. Vergelijking van de Cross-Domain Adaptability Gain (CDAG) behaald door ML-HQNC en concurrerende modellen bij verschillende datasetgroottes. Resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Foutenbalken vertegenwoordigen één standaarddeviatie. Statistische significantie werd geëvalueerd met een tweezijdige onafhankelijke t-test (p < 0.05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 7: Vergelijking van de Cross-Domain Adaptability Gain (CDAG) bij verschillende datasetgroottes. Vergelijking van de Cross-Domain Adaptability Gain (CDAG) behaald door ML-HQNC en concurrerende modellen. De resultaten worden weergegeven als het gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
Figuur 8: Vergelijking van de classificatienauwkeurigheid bij verschillende datasetgroottes. Vergelijking van de classificatienauwkeurigheid behaald door ML-HQNC en concurrerende modellen bij verschillende datasetgroottes. De resultaten worden gerapporteerd als het gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Foutenbalken vertegenwoordigen één standaarddeviatie. Statistische significantie werd geëvalueerd met een tweezijdige onafhankelijke t-test (p < 0.05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 8: Vergelijking van de classificatienauwkeurigheid bij verschillende datasetgroottes.Vergelijking van de classificatienauwkeurigheid behaald door ML-HQNC en concurrerende modellen. De resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
Figuur 9: Vergelijking van de rekentijd bij verschillende datasetgroottes.Vergelijking van de computationele uitvoeringstijd van ML-HQNC en concurrerende modellen over verschillende datasetgroottes. De resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). De foutenbalken vertegenwoordigen één standaarddeviatie. Lagere waarden duiden op een kortere computationele uitvoeringstijd. De statistische significantie werd geëvalueerd met een tweezijdige onafhankelijke t-test (p < 0,05). Klik hier om een grotere versie van deze figuur te bekijken.
Tabel 9: Vergelijking van de rekentijd bij verschillende datasetgroottes. Vergelijking van de computationele uitvoeringstijd van ML-HQNC en concurrerende modellen. De resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Lagere waarden duiden op een kortere computationele uitvoeringstijd. Klik hier om deze tabel te downloaden.
Figuur 10: Vergelijking van het oppervlak onder de receiver operating characteristic-curve (AUC). Vergelijking van de AUC behaald door ML-HQNC en concurrerende modellen voor de identificatie van de interesse van engineeringstudenten. De gerapporteerde AUC-waarden komen overeen met één enkele experimentele run; daarom worden er geen foutenbalken en statistische significantieanalyses gepresenteerd. Klik hier om een grotere versie van deze figuur te bekijken.
Aanvullende figuur 1 presenteert de correlatiematrix van representatieve gedragsvariabelen. Sterke positieve correlaties werden waargenomen tussen Avg_Score en Course_Completion_Rate (0,81) en tussen Attendance_Rate en Course_Completion_Rate (0,75). Matige correlaties werden waargenomen tussen Avg_Score en Course_Completion (0,72) en tussen Attendance_Rate en Time_Assignment_Percentage (0,74). Aanvullende figuren 2 en 3, samen met Tabel 10, vatten de nauwkeurigheidskaarten voor training en testen samen. Het voorgestelde ML-HQNC-framework behaalde een trainingsnauwkeurigheid van 96,1% en een testnauwkeurigheid van 93,8%, waarmee de prestaties van de vergelijkingsmethoden werden overtroffen. Aanvullende figuren 4 en 5, samen met Tabel 11, vatten de convergentieanalyse samen. Het voorgestelde ML-HQNC-framework behaalde het laagste trainingsverlies (0,21) en testverlies (0,26), met een stabiele convergentie gedurende het optimalisatieproces.
Tabel 12 vat de algehele prestaties van het voorgestelde ML-HQNC-framework en de vergelijkingsmethoden samen voor alle evaluatiemetrieken. Het voorgestelde framework behaalde de hoogste prestaties voor Accuracy, F1-score, AUC, IDP, QPSI en CDAG, terwijl het de kortste rekentijd vereiste van alle geëvalueerde methoden. Tabel 13 presenteert de componentgewijze ablatieanalyse van het voorgestelde framework. De progressieve incorporatie van de BCRIS-preprocessingfase, de QCSM-gedragsrepresentatie, het QES-WOFS-kenmerkselectiealgoritme en de volledige ML-HQNC-classifier leidde tot incrementele verbeteringen in de classificatieprestaties, wat de bijdrage van elke component aan het algehele framework aantoont.
Tabel 10: Vergelijking van trainings- en testnauwkeurigheid. Vergelijking van de trainings- en testnauwkeurigheid behaald door ML-HQNC en concurrerende modellen. De gerapporteerde waarden komen overeen met één enkele experimentele run. Klik hier om deze tabel te downloaden.
Tabel 11: Vergelijking van trainings- en testverlies. Vergelijking van het trainings- en testverlies behaald door ML-HQNC en concurrerende modellen. De gerapporteerde waarden komen overeen met één enkele experimentele run. Klik hier om deze tabel te downloaden.
Tabel 12: Vergelijking van de algehele prestaties. Vergelijking van ML-HQNC en concurrerende modellen met behulp van meerdere evaluatiemetrieken. Resultaten worden gerapporteerd als gemiddelde ± standaarddeviatie over vijf onafhankelijke experimentele runs (n = 5). Klik hier om deze tabel te downloaden.
DATABESCHIKBAARHEID:
De oorspronkelijke Teaching Quality Evaluation Dataset die in deze studie is gebruikt, is publiekelijk beschikbaar via de Kaggle-repository (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). Toegang tot de dataset kan gebruikersauthenticatie vereisen en is onderworpen aan de gebruiksvoorwaarden van Kaggle. Om de reproduceerbaarheid te ondersteunen en tegelijkertijd te voldoen aan de licentievoorwaarden van de oorspronkelijke dataset, zijn de in de studie gegenereerde bronnen — inclusief de synthetische dataset, de broncode, implementatie- en configuratiebestanden, kenmerkbeschrijvingen, de workflow voor voorbewerking en de ondersteunende documentatie die nodig is om de gerapporteerde experimenten te reproduceren — gedeponeerd in een openbaar toegankelijke Zenodo-repository: https://doi.org/10.5281/zenodo.21393413.
Figuur 3: Verzameling van kenmerken van de dataset voor de evaluatie van de onderwijskwaliteit. Structuur en samenstelling van kenmerken van de dataset voor de evaluatie van de onderwijskwaliteit die is gebruikt voor de identificatie van de interesses van studenten techniek. Klik hier om een grotere versie van deze figuur te bekijken.
Aanvullende Figuur 1: Correlatiematrix van kenmerken. Correlatiematrix die de paarsgewijze relaties weergeeft tussen representatieve educatieve en gedragsmatige variabelen die worden gebruikt door het voorgestelde ML-HQNC-framework. Klik hier om dit bestand te downloaden.
Aanvullende Figuur 2: Vergelijking van trainingsnauwkeurigheid. Vergelijking van de trainingsnauwkeurigheid behaald door ML-HQNC en concurrerende modellen gedurende het trainingsproces. Klik hier om dit bestand te downloaden.
Aanvullende Figuur 3: Vergelijking van de testnauwkeurigheid. Vergelijking van de testnauwkeurigheid behaald door ML-HQNC en concurrerende modellen gedurende het testproces. Klik hier om dit bestand te downloaden.
Aanvullende figuur 4: Analyse van het trainingsverlies. Vergelijking van het trainingsverlies behaald door ML-HQNC en concurrerende modellen tijdens de modeloptimalisatie. Klik hier om dit bestand te downloaden.
Aanvullende figuur 5: Analyse van het testverlies. Vergelijking van het testverlies behaald door ML-HQNC en concurrerende modellen tijdens de modelevaluatie. Klik hier om dit bestand te downloaden.
Aanvullende tabel 1: Simulatieparameters en experimentele instellingen. Samenvatting van de simulatieparameters, de implementatieomgeving, de partitionering van de dataset en de experimentele instellingen die zijn gebruikt om het voorgestelde ML-HQNC-framework te evalueren. Klik hier om dit bestand te downloaden.
Aanvullende Tabel 2: Validatieresultaten van de Box–Cox Robust IQR Scaling (BCRIS) voorbehandelingsfase. Vergelijking van representatieve datasetkenmerken vóór en na de voorbehandeling, inclusief ontbrekende waarden, dubbele records, omgang met uitschieters, feature-normalisatie en dataconsistentie. Klik hier om dit bestand te downloaden.
Aanvullende Tabel 3: Representatieve kenmerken gegenereerd door het Quantum Cognitive State Model (QCSM). Representatieve gedragskenmerken gegenereerd door het QCSM na data-preprocessing, inclusief kenmerken voor cognitieve toestand, betrokkenheid, onzekerheid, onderwerpovergang en gedragsconsistentie. Klik hier om dit bestand te downloaden.
Aanvullende tabel 4: Kenmerken geselecteerd door het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritme. Definitieve subset van kenmerken geselecteerd door het QES-WOFS algoritme, samen met de overeenkomstige kenmerkcategorieën, relatieve invloedsniveaus en functionele rollen binnen het voorgestelde raamwerk. Klik hier om dit bestand te downloaden.
Aanvullende tabel 5: Categorieën voor de voorspelling van onderwijskwaliteit. Beschrijving van de voorspellingscategorieën en representatieve gedragskenmerken die worden gebruikt door het voorgestelde ML-HQNC-framework. Klik hier om dit bestand te downloaden.
Aanvullende Tabel 6: Margegevoeligheidsanalyse. Samenvatting van de margegevoeligheidsanalyse die is gebruikt tijdens de modelevaluatie. Klik hier om dit bestand te downloaden.
Aanvullend bestand 1: Aanvullende methoden, wiskundige formuleringen, evaluatiemetrieken en aanvullende tabellen.Dit bestand bevat gedetailleerde wiskundige formuleringen voor de Box–Cox Robust IQR Scaling (BCRIS), het Quantum Cognitive State Model (QCSM), de Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) en de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) die in het hoofdprotocol worden beschreven. Het bevat ook definities van de evaluatiemetrieken, simulatieparameters, experimentele instellingen en aanvullende tabellen S1–S6 ter ondersteuning van de resultaten die in het hoofdmanuscript worden gepresenteerd. Klik hier om dit bestand te downloaden.
Discussie
Het voorgestelde ML-HQNC-framework demonstreerde verbeterde prestaties bij het identificeren van de interesse van studenten engineering door quantum-geïnspireerde gedragsmodellering, adaptieve kenmerkselectie en meta-learning te integreren in een uniforme computationele workflow. Vergeleken met Fast R-CNN, Bi-LSTM, CNN en XGBoost behaalde het framework consistent hogere prestaties over zowel de conventionele classificatiemetrieken als de voorgestelde gedragsevaluatiemetrieken. Deze bevindingen suggereren dat de combinatie van quantum-geïnspireerde representatie van de cognitieve status met adaptieve kenmerkoptimalisatie het vermogen van het framework verbeterde om complexe educatieve gedragingen te modelleren, terwijl een robuuste classificatieprestatie behouden bleef. De lage computationele tijd en het geringe verschil tussen de trainings- en testprestaties wijzen verder op een stabiele optimalisatie en een goede generalisatie.
De voorgestelde evaluatiemetrieken vulden de conventionele classificatiemaatstaven aan door aanvullende informatie over gedragsmodellering te bieden. De Interest Detection Precision (IDP) kwantificeerde de nauwkeurigheid van de interesse-identificatie, de Quantum Pattern Stability Index (QPSI) evalueerde de stabiliteit van de quantum-geïnspireerde gedragsrepresentaties, en de Cross-Domain Adaptability Gain (CDAG) beoordeelde het vermogen van het raamwerk om te generaliseren over verschillende datapartities. Samen zorgden deze maten voor een bredere beoordeling van de modelprestaties dan conventionele voorspellingsmetrieken alleen.
De componentgewijze ablatieanalyse (Tabel 13) demonstreerde verder de bijdrage van elke fase van de voorgestelde workflow. De integratie van de Box–Cox Robust IQR Scaling (BCRIS) voorbewerkingsfase verbeterde de dataconsistentie door de invloed van uitschieters te verminderen en genormaliseerde kenmerkrepresentaties te genereren. Het Quantum Cognitive State Model (QCSM) transformeerde multidimensionale educatieve variabelen naar gedragsrepresentaties die onzekerheid, betrokkenheid en evoluerende leervoorkeuren vastlegden. De daaropvolgende kenmerkselectie met behulp van het Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) algoritme verminderde de redundantie van kenmerken terwijl informatieve gedragskenmerken behouden bleven. Ten slotte verbeterde de integratie van deze componenten binnen de Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) de classificatieprestaties en generalisatie in vergelijking met de baselinemodellen.
Het voorgestelde protocol is bedoeld voor het identificeren van de interesses van studenten in engineering aan de hand van multidimensionale educatieve en gedragsgegevens die zijn verzameld uit digitale leeromgevingen. De computationele workflow kan gepersonaliseerd leren, academische begeleiding, curriculumplanning en intelligent educatief management ondersteunen door een systematische aanpak te bieden voor het analyseren van het leergedrag van studenten en het identificeren van evoluerende interesses. Het raamwerk is bijzonder geschikt voor gestructureerde educatieve datasets die gedragsmatige, academische en contextuele variabelen bevatten.
Een succesvolle implementatie is afhankelijk van de beschikbaarheid van hoogwaardige educatieve data en adequate computationele middelen. Voorafgaand aan de analyse moeten educatieve datasets worden onderzocht op ontbrekende waarden, dubbele records en inconsistenties, aangezien de datakwaliteit direct invloed heeft op de preprocessing en de daaropvolgende gedragsmodellering. Stabiele kenmerkrepresentaties zijn tevens afhankelijk van een passende preprocessing, kenmerktransformatie en hyperparameteroptimalisatie. Tijdens de modeltraining moet de convergentie worden bewaakt via de trainings- en validatieverliescurves, waarbij optimalisatieparameters indien nodig moeten worden aangepast om een stabiel leergedrag te behouden.
Hoewel het raamwerk effectieve prestaties liet zien met de geëvalueerde dataset, moeten verschillende beperkingen in overweging worden genomen. Het protocol is gevalideerd met behulp van een enkele openbaar beschikbare educatieve dataset, en aanvullende evaluatie met grotere, multi-institutionele en meer diverse educatieve datasets is nodig om de generaliseerbaarheid verder te beoordelen. Daarnaast vereist het hybride quantum-geïnspireerde leerraamwerk meer computationele middelen dan conventionele machine learning-benaderingen vanwege de componenten voor voorbewerking, optimalisatie en hybride leren. Het raamwerk is bovendien afhankelijk van goed geannoteerde educatieve gegevens, en de prestaties kunnen worden beïnvloed door onvolledige, ruisgevoelige of sterk ongebalanceerde datasets.
Toekomstig werk zal zich richten op het uitbreiden van het raamwerk naar meer gedetailleerde multi-class identificatie van studenteninteresses, het integreren van aanvullende educatieve datamodaliteiten zoals tekstuele feedback, temporele leergedragingen en real-time activiteitslogs van leerbeheersystemen, en het evalueren van het protocol in diverse omgevingen binnen het technisch onderwijs. Verdere optimalisatie van de computationele workflow kan bovendien de schaalbaarheid verbeteren en de implementatie in grootschalige educatieve beheersystemen faciliteren.
Samenvattend biedt het voorgestelde ML-HQNC-framework een reproduceerbare computationele workflow voor het identificeren van de interesse van studenten in engineering met behulp van multidimensionale educatieve data. Door de integratie van robuuste preprocessing, quantum-geïnspireerde gedragsmodellering, adaptieve feature-selectie en hybride quantum-klassiek neuraal leren, behaalde het framework verbeterde classificatieprestaties terwijl een stabiele optimalisatie en efficiënte berekening behouden bleven. Deze kenmerken ondersteunen de potentiële toepassing ervan in intelligente educatieve analytics en het management van technisch onderwijs.
Openbaarmakingen
De auteur verklaart geen concurrerende belangen te hebben.
Dankbetuigingen
De auteur bedankt Bengbu University, Bengbu, China, voor het bieden van de academische ondersteuning en de onderzoeksomgeving die deze studie hebben gefaciliteerd. Er is geen externe financiering ontvangen voor deze studie. Dit werk werd ondersteund door het 2025 Annual School-Level Quality Engineering Project van Bengbu University (No. 2025zhkc1).
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Baseline-modellen (Fast R-CNN, Bi-LSTM, CNN, XGBoost) | Open-source implementaties | Fast R-CNN (2015); TensorFlow/Keras implementatie v2.16; XGBoost v2.1.1 | Benchmark-modellen gebruikt voor vergelijkende prestatie-evaluatie. |
| BCRIS Voorbewerkingsmodule | Ontwikkeld in deze studie | Versie 1.0 | Aangepaste voorbewerkingsmodule die de Box-Cox-transformatie en robuuste IQR-normalisatie implementeert. |
| Jupyter Notebook | Project Jupyter | Versie 7.2.2 | Interactieve ontwikkelomgeving gebruikt voor implementatie, training en testen. |
| ML-HQNC Classificator | Ontwikkeld in deze studie | Versie 1.0 | Voorgestelde hybride quantum-klassieke neurale netwerkclassificator met meta-learning raamwerk. |
| Python | Python Software Foundation | Versie 3.11.9 | Programmeertaal gebruikt voor modelontwikkeling en experimentatie. |
| PyTorch | PyTorch Foundation | Versie 2.5.1 | Deep learning raamwerk gebruikt voor modelimplementatie en training. |
| QCSM Model | Ontwikkeld in deze studie | Versie 1.0 | Voorgesteld Quantum Cognitive State Model voor representatie van gedragspatronen. |
| QES-WOFS Algoritme | Ontwikkeld in deze studie | Versie 1.0 | Voorgesteld Quantum-Enhanced Swarm–Whale Optimization Feature Selection algoritme. |
| Scikit-learn | Scikit-learn Developers | Versie 1.6.1 | Machine learning bibliotheek gebruikt voor voorbewerking, featureselectie en evaluatie. |
Referenties
- 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.