Wieloperspektywowe rozumowanie rozmyte i analiza zachowań uczących się online oparta na XGBoost

Summary

Badanie wykorzystuje wieloperspektywiczny model rozumowania rozmytego oraz ulepszony algorytm ekstremalnego gradientu (XGBoost) (zoptymalizowany przez ulepszony algorytm optymalizacji szarego wilka) do analizy zachowań edukacyjnych online i klasyfikacji emocji komentarzy uczniów, zapewniając wsparcie dla spersonalizowanego nauczania i terminowej interwencji.

Abstract

Dynamiczny rozwój edukacji online sprawił, że sale lekcyjne online stały się ważnym elementem tej dziedziny. Dogłębna analiza zachowań uczniów w nauczaniu online może pomóc nauczycielom zoptymalizować strategie nauczania i zapewnić spersonalizowane wsparcie w nauce. Aby przeprowadzić dogłębną analizę zachowań uczących się uczniów, badanie to zbiera dane z internetowych platform dydaktycznych i przetwarza je wcześniej. Następnie badanie to tworzy wieloperspektywiczny model rozumowania rozmytego obejmującego trzy wymiary: program nauczania, indywidualnego i klasowego, aby kompleksowo uwzględnić wyniki uczenia się uczniów na różnych poziomach. Model ten przetwarza niepewne informacje w danych o zachowaniu uczenia się poprzez zbiory rozmyte i reguły rozmyte, osiągając wielowymiarową ocenę wydajności uczenia się. Ulepszony algorytm XGBoost został zaprojektowany do klasyfikacji emocji uczniów w komentarzach. Ten ulepszony algorytm optymalizuje hiperparametry algorytmu XGBoost poprzez ulepszanie algorytmu optymalizacji szarego wilka. Algorytm zwiększa dokładność klasyfikacji emocji i dodatkowo bada tendencje emocjonalne oraz sprzężenie zwrotne dotyczące postaw stojących za ich zachowaniami edukacyjnymi. Wyniki pokazały, że z perspektywy programu nauczania wskaźnik ukończenia zadań kursowych na 3 tygodnie przed egzaminem był zasadniczo powyżej 45%, co było znacznie wyższym poziomem niż wskaźnik ukończenia trzy tygodnie po publikacji (oba poniżej 18%). Wyniki te wskazywały, że uczniowie częściej kończyli zadania przed terminem i mieli oczywistą prokrastynację. Maksymalna dokładność ulepszonego algorytmu klasyfikacji wyniosła 98,78%, co stanowiło 8,57%, 7,55%, 6,38% i 6,01% więcej niż model porównawczy, a średnie zużycie czasu wyniosło 58 ms. Wskaźniki przypominania emocji negatywnych, pozytywnych i neutralnych wynosiły 98,35%, 97,69% oraz 98,02%. Model badawczy może skutecznie analizować zachowania uczniów w nauce online i umożliwić wczesne rozpoznanie uczniów zagrożonych, ułatwiając spersonalizowane nauczanie i precyzyjną interwencję w edukacji online.

Introduction

Głęboka integracja Internetu i technologii edukacyjnej sprawiła, że edukacja online przeszła z marginalnego uzupełnienia do formy głównego nurtu. Pod koniec 2023 roku liczba zarejestrowanych uczestników online na świecie przekroczyła 1,2 miliarda, a Chiny konsekwentnie zajmowały pierwsze miejsce na świecie zarówno pod względem liczby masowych otwartych kursów online (MOOC), jak i liczby uczestników ^1,2. Jednak choć nauczanie online przynosi wygodę, ujawnia także wyzwania, takie jak nieprzejrzysty proces uczenia się, rozdzielenie nauczycieli i uczniów w czasie i przestrzeni oraz opóźnienia w regulacjach. Istnie....

Protocol

Projekt metody LBA uwzględniający MPFR i perspektywy emocjonalne

Tworzony jest wieloperspektywiczny system oceny do analizy zachowań uczniów w nauce online (SOLB) oraz model MPFR. Aby dalej analizować subiektywne odczucia uczniów podczas uczenia się, badanie to wykorzystuje algorytm XGBoost i projektuje algorytm IGWO do optymalizacji hiperparametrów w celu poprawy dokładności klasyfikacji.

Konstrukcja modelu MPFR dla LBA

Aby analizować SOLB, badanie to rozpoczyna się głównie od dwóch perspektyw, tworząc pełny plan analizy. Po pierwsze, w zakresie wynik....

Results

Wyniki LBA uwzględniające klasyfikację wieloperspektywiczną i nastrojową

Aby zweryfikować wydajność, tworzy się środowisko eksperymentalne i opisuje zbiór danych eksperymentalnych. Ponadto badanie to wybiera algorytm porównawczy IGWO-XGBoost i analizuje oraz weryfikuje go za pomocą wskaźników takich jak dokładność, zużycie czasu i szybkość przywołania. W analizie wyników badanie dzieli ją na dwie jasne sekcje: wyniki LBA za pomocą MPFR oraz walidację wydajności klasyfikacji se.......

Discussion

Do analizy SOLB w tym badaniu zaprojektowano modele MPFR i IGWO-XGBoost oraz wykorzystano dane z internetowych platform nauczania. W eksperymencie zaobserwowano wysoką spójność między oceną modelu wnioskowania a rzeczywistym wynikiem, co wskazuje na skuteczność modelu wnioskowania. Około 25% studentów miało czas nauki od 1 do 10 godzin na kursie. Odsetek uczniów z godzinami nauki w latach 11-20, 21-30, 31-40 godzin i powyżej 41 godzin wynosił 30%, 20%, 15% i 10%. Wskazuje to, że większość uczniów utrzymywała umiarkowane .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Model językowy BERT z pre-trenowanym	Badania Google	https://github.com/google-research/bert
CNKI słownik emocji	CNKI	https://www.cnki.net/
Platforma Chaoxing uczy się danych behawioralnych	Chaoxing INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd	https://www.chaoxing.com/
Pamięć komputerowa			Uniwersalny dostawca sprzętu (brak konkretnego modelu)
Lista wycofanych terminów Instytutu Technologii Harbina	Instytut Technologii Harbina	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Narzędzie do segmentacji słów Jieba (tryb precyzyjny)	Społeczność open source firm trzecich	https://github.com/fxsjy/jieba.
Dane z przeglądu studentów platformy MOOC	Sieć Love Course	https://www.icourse163.org/
Biblioteka NLTK	Zespół deweloperski NLTK	https://www.nltk.org/
Język programowania Python	Python Software Foundation	https://www.python.org/
Scikit-learn 1.2.2	Zespół Scikit Learn	https://scikit-learn.org/stable/
Platforma Smart Tree uczy się danych behawioralnych	Inteligentna sieć drzewa	https://www.zhihuishu.com/
Technologia SMOTE	Zespół Imbalanced Learn Development	Zintegrowane z biblioteką Imbalanced Learn https://imbalanced-learn.org/stable/
System operacyjny Windows 10	Korporacja Microsoft	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	Zespół deweloperski XGBoost	https://xgboost.readthedocs.io/