Artykuł badawczy

Identyfikacja zainteresowań studentów w oparciu o dane dla inteligentnych systemów zarządzania nauczaniem w uczelniach technicznych

1 wyświetleń

⸱

DOI:

10.3791/71574

⸱

1 września 2026

1School of Foreign Languages, Bengbu University

W tym artykule

Podsumowanie

Protokół Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) integruje inspirowane kwantowo modelowanie poznawcze, wstępne przetwarzanie danych, selekcję cech oraz hybrydową naukę neuronową w celu identyfikacji zainteresowań studentów kierunków inżynieryjnych. Protokół ten przedstawia powtarzalny, hybrydowy przepływ pracy uczenia maszynowego inspirowanego kwantowo dla analityki edukacyjnej, zaprezentowany na przykładzie identyfikacji zainteresowań studentów inżynierii z wykorzystaniem wielowymiarowych danych edukacyjnych.

Streszczenie

Niniejszy protokół przedstawia inspirowany kwantowo model obliczeniowy służący do identyfikacji zainteresowań studentów kierunków inżynieryjnych z wykorzystaniem wielowymiarowych danych edukacyjnych i behawioralnych. Celem jest zapewnienie systematycznego i powtarzalnego schematu postępowania, który integruje wstępne przetwarzanie danych, analizę wzorców behawioralnych, selekcję cech oraz hybrydowe uczenie neuronowe w celu wsparcia podejmowania decyzji edukacyjnych i personalizacji nauczania. Proces rozpoczyna się od zastosowania skalowania Box-Cox Robust IQR (BCRIS), aby przetworzyć i znormalizować dane edukacyjne poprzez redukcję szumu semantycznego i poprawę jakości danych. Następnie zachowania uczniów podczas nauki są analizowane przy użyciu Kwantowego Modelu Stanu Poznawczego (QCSM), który reprezentuje przejścia behawioralne i ewoluujące preferencje uczenia się w warunkach niepewności. Następnie odpowiednie cechy są wybierane za pomocą algorytmu Kwantowo-Wspomaganej Optymalizacji Rojem Wielorybów do Selekcji Cech (QES-WOFS), aby zredukować nadmiarowość cech i zidentyfikować informacyjne charakterystyki behawioralne. Na koniec Meta-Uczący Hybrydowy Kwantowo-Klasyczny Klasyfikator Neuronowy (ML-HQNC) integruje uczenie inspirowane kwantowo z głębokimi sieciami neuronowymi w celu klasyfikacji zainteresowań studentów. Protokół został zwalidowany z wykorzystaniem publicznie dostępnego zbioru danych edukacyjnych. Wydajność modelu oceniono za pomocą konwencjonalnych metryk, w tym dokładności (accuracy), miary F1-score oraz pola powierzchni pod krzywą charakterystyki operacyjnej odbiornika (AUC), wraz z Precyzją Wykrywania Zainteresowań (IDP), Indeksem Stabilności Wzorców Kwantowych (QPSI) oraz Zyskiem Adaptacyjności Międzydomenowej (CDAG). Model osiągnął ogólną dokładność klasyfikacji na poziomie 96.17% w ocenianym zbiorze danych. Protokół ten dostarcza powtarzalnego schematu obliczeniowego do analizy wielowymiarowych danych edukacyjnych w celu wsparcia inteligentnego zarządzania edukacją i aplikacji do personalizowanego uczenia się.

Wprowadzenie

Systemy zarządzania edukacją są coraz częściej wykorzystywane w całym sektorze oświaty, co jest napędzane przez szybki postęp w dziedzinie technologii informatycznych i sieci komputerowych. Ciągły rozwój szkolnictwa wyższego wiąże się ze wzrostem liczby studentów, szczególnie na kierunkach inżynieryjnych, co skutkuje znacznym przyrostem danych dotyczących zarządzania edukacją. Wzrost ten wspiera zrównoważony rozwój oświaty, przyspiesza informatyzację edukacji oraz ułatwia wdrażanie ustandaryzowanych systemów zarządzania edukacją, które poprawiają spójność i efektywność administracji dydaktycznej. Uczenie maszynowe (ML) dostarcza technik obliczeniowych, które umożliwiają systemom analizowanie danych, wyciąganie wniosków z wzorców i ciągłe doskonalenie wyników predykcyjnych bez konieczności jawnego programowania1,2.

Jakość kształcenia jest fundamentalnym elementem szkolnictwa wyższego. W ostatnich latach egzaminy są powszechnie wykorzystywane do oceny stopnia zrozumienia treści kursu przez studentów kierunków inżynieryjnych oraz ich zdolności do przyswajania nowej wiedzy, co sprzyja ciągłemu doskonaleniu jakości edukacji. Środowiska zorientowane na ucznia można tworzyć poprzez wykorzystanie różnorodnych zasobów edukacyjnych dostępnych na platformach e-learningowych oraz stosowanie wielu teorii uczenia się w celu zaspokojenia potrzeb różnych uczniów. Skuteczne nauczanie odgrywa kluczową rolę w poprawie wyników uczenia się studentów kierunków inżynieryjnych na uniwersytetach i uczelniach wyższych3,4. Ponadto efektywne nauczanie sprzyja tworzeniu pozytywnego środowiska uczenia się, wspiera zrozumienie treści kursu przez studentów i podnosi wyniki w nauce. Jakość kształcenia jest oceniana za pomocą wielu wskaźników w całym procesie uczenia się, w tym struktury programowej, środowiska w sali lekcyjnej oraz treści nauczania.

Kształcenie wyższe wspiera rozwój intelektualny, osobisty i społeczny studentów. Jednocześnie zaangażowanie studentów — obejmujące wymiary behawioralne, emocjonalne i poznawcze — oraz wytrwałość w nauce stały się istotnymi czynnikami determinującymi wyniki uczenia się. Wysoki poziom zaangażowania studentów znacząco przyczynia się do długoterminowego sukcesu akademickiego5,6. Postępy w technologiach edukacyjnych stworzyły nowe możliwości dla analityki edukacyjnej opartej na danych poprzez modelowanie złożonych, nieliniowych relacji między cechami poznawczymi, behawioralnymi i akademickimi studentów przy użyciu technik uczenia maszynowego (Machine Learning, ML) oraz głębokiego uczenia (Deep Learning, DL).

Głównym wyzwaniem pozostaje skuteczna obserwacja i ocena dynamiki zajęć w klasie przy jednoczesnym uwzględnieniu ewoluujących zachowań uczniów. Tradycyjne podejścia do oceny jakości kształcenia i analizy zachowań studentów kierunków inżynieryjnych są często czasochłonne i podatne na subiektywną ocenę ludzką. Brak uwagi studentów podczas zajęć w klasie negatywnie wpływa na wyniki uczenia się i osiągnięcia akademickie7,8. Jednak utrzymanie stałej koncentracji wśród studentów inżynierii pozostaje trudne ze względu na rozpraszacze wewnętrzne i zewnętrzne oraz wahania motywacji.

Ocena i zwiększanie zaangażowania studentów stały się coraz bardziej istotne w obliczu powszechnego wdrażania nauczania online, inteligentnych klas oraz innych interaktywnych technologii edukacyjnych. Zapewnienie inkluzywności w zróżnicowanych grupach studentów kierunków inżynieryjnych dodatkowo podkreśla potrzebę stworzenia kompleksowych ram integrujących podejścia oparte na technologii z praktyką edukacyjną, przy jednoczesnym zachowaniu prywatności i standardów etycznych. Ponadto ograniczona przejrzystość modeli oraz wyzwania związane z integracją technologii9,10, w tym stronniczość metodologiczna i sprawiedliwość edukacyjna, wciąż utrudniają rozwój systemów predykcyjnych zdolnych do wspierania uczących się poprzez ciągłe monitorowanie.

Metody uczenia maszynowego są szeroko stosowane w celu rozwiązywania problemów edukacyjnych, takich jak przewidywanie ryzyka i wskaźników rezygnacji studentów z nauki. Podejścia te wykazały zdolność do identyfikacji studentów z grupy wysokiego ryzyka, wspierając tym samym interwencje poprawiające wyniki w nauce11. Opracowano również systemy zarządzania edukacją oparte na sztucznej inteligencji (AI), aby usprawnić zarówno procesy administracyjne, jak i akademickie w instytucjach szkolnictwa wyższego. Zbiory danych edukacyjnych zazwyczaj obejmują dokumentację akademicką, taką jak oceny z kursów, rejestry obecności oraz historię zapisów na studia12.

Wcześniejsze badania analizowały zachowania studentów z trzech perspektyw: danych ewaluacyjnych, metod oraz wyników13,14. W celu analizy cech behawioralnych studentów opracowano modele predykcyjne oparte na umiejętnościach informacjiowych (information literacy). Badania te koncentrują się przede wszystkim na ocenie zachowań uczących się z wykorzystaniem metod głębokiego uczenia (Deep Learning, DL). Jednak badania nad inteligentną oceną zachowań nauczycieli znajdują się wciąż na wczesnym etapie, co ogranicza postępy w tej dziedzinie. Szybkie splotowe sieci neuronowe oparte na regionach (Fast R-CNNs) zostały zastosowane do zestawów danych edukacyjnych w celu usprawnienia wykrywania aktywności w klasie, wykazując znaczną poprawę wydajności w porównaniu z metodami tradycyjnymi15.

Modele dwukierunkowej długiej krótkotrwałej pamięci (Bi-LSTM) z włączonymi mechanizmami samomonitorowania poprawiły również dokładność przewidywania ocen studentów szkół wyższych. Podobnie, modele predykcyjne opracowane na podstawie zbiorów danych dotyczących zachowań w nauce online wykazały poprawę wyników predykcyjnych16,17,18. Ponadto do identyfikacji charakterystyki różnych grup studentów za pomocą analizy skupień wykorzystywano algorytm k-średnich (KMC), co dostarczyło informacji na temat zachowań studentów wspierających usprawnienia w nauczaniu, zarządzaniu i uczeniu się. Zaproponowano również strategie oparte na głębokim uczeniu w celu poprawy detekcji i oceny zachowań podczas zajęć w klasie. W tych podejściach cechy behawioralne w klasie są wykorzystywane do ustanowienia relacji między reprezentacjami cech a hiperpłaszczyznami, stosując liniowo separowalne wartości początkowe dla maszyny wektorów nośnych (SVM)19,20. Jednak wyzwania takie jak przesłonięcia, drobnoziarniste szczegóły behawioralne oraz zakłócenia środowiskowe nadal ograniczają dokładność rozpoznawania zachowań studentów kierunków technicznych w środowisku klasowym.

Głębokie uczenie zostało zastosowane również do oceny kursów uniwersyteckich w oparciu o wyniki, w tym do oceny edukacyjnej w ramach kształcenia politycznego i ideologicznego21,22. Skuteczność tych modeli predykcyjnych została wykazana przy użyciu ogólnodostępnych zbiorów danych edukacyjnych. Do przewidywania wyników w nauce studentów wykorzystano sieci neuronowe z impulsami typu feed-forward (FSNN), opierając się na danych zgromadzonych z platform e-learningowych i systemów zarządzania nauczaniem. Jak przedstawiono na Rysunku 1, proponowany schemat obliczeniowy wykorzystuje zbiór danych oceny edukacyjnej do identyfikacji zainteresowań studentów kierunków inżynierskich poprzez sekwencyjne etapy wstępnego przetwarzania danych, analizy wzorców behawioralnych, wyboru cech oraz klasyfikacji. Tabela 123,24,25,26,27,28,29,30,31,32 podsumowuje reprezentatywne metody opisane w poprzednich badaniach, wraz ze stosowanymi technikami i powiązanymi z nimi ograniczeniami w zakresie identyfikacji zainteresowań studentów w systemach zarządzania nauczaniem.

figure-introduction-1
Rycina 1: Schemat identyfikacji zainteresowań studentów. Ogólny przebieg proponowanego schematu identyfikacji zainteresowań studentów kierunków technicznych, obejmujący pozyskiwanie danych, przetwarzanie wstępne, analizę wzorców behawioralnych, wybór cech oraz klasyfikację. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 1: Analiza zachowań studentów w zarządzaniu nauczaniem.Podsumowanie reprezentatywnych metod, technik, zbiorów danych, metryk oceny oraz zgłoszonych ograniczeń w analizie zachowań studentów w zarządzaniu nauczaniem. Kliknij tutaj, aby pobrać tę tabelę.

Swin Transformer oraz lekka sieć piramidalna cech (Lightweight Feature Pyramid Network, FPN) zostały zastosowane do wykrywania zachowań uczniów w klasie poprzez efektywne przetwarzanie wieloskalowych map cech33. Ponadto, regulowana rekurencyjna sieć neuronowa optymalizowana algorytmem muszki owocowej (Fruit-Fly-Optimized Adjustable Recurrent Neural Network, PFFO-ARNN) została wykorzystana do analizy zachowań studentów podczas nauki online oraz do przewidywania osiągnięć w kursie34. Badania oparte na danych o zachowaniach studentów zbieranych z uczelnianych systemów zarządzania nauczaniem wykazały również nieefektywność i czasochłonność monitorowania zachowań w klasie za pomocą konwencjonalnych metod głębokiego uczenia35. Tabela 236,37,38,39,40,41,42,43,44,45,46,47 podsumowuje reprezentatywne metody klasyfikacji, zbiory danych, metryki oceny oraz zgłaszane ograniczenia dla inteligentnych systemów zarządzania nauczaniem w edukacji inżynieryjnej.

Tabela 2: Inteligentne systemy zarządzania nauczaniem oparte na głębokim uczeniu w edukacji inżynieryjnej. Porównanie reprezentatywnych systemów zarządzania nauczaniem opartych na głębokim uczeniu, zbiorów danych, metryk oceny oraz zgłoszonych ograniczeń. Kliknij tutaj, aby pobrać tę tabelę.

W poprzednim badaniu48 opracowano model oceny jakości nauczania hybrydowego oparty na głębokich sieciach przekonań (Deep Belief Networks, DBNs) i zaproponowano mieszaną strategię ewaluacji w celu oceny jakości nauczania na uczelniach wyższych. Zaproponowane podejście przewyższyło konwencjonalny algorytm genetyczny (Genetic Algorithm, GA) zarówno pod względem dokładności klasyfikacji, jak i czasu wykonania, osiągając dokładność powyżej 95% w czasie krótszym niż 5,4 ms. Model został wytrenowany przy użyciu etykietowanych zbiorów danych edukacyjnych i oceniony z wykorzystaniem niezależnej strategii testowej49,50. Raportowane wyniki wykazały wysoką zdolność predykcyjną, przy średnim błędzie bezwzględnym (Mean Absolute Error, MAE) wynoszącym 0,593% i pierwiastku błędu średniokwadratowego (Root Mean Square Error, RMSE) na poziomie 0,785%.

Niedawne architektury z ulepszoną mechaniką uwagi, takie jak KANFormer51, integrują wielogłowicową samoatencję z sieciami Kołmogorowa-Arnolda, aby poprawić przewidywanie wyników uczniów poprzez wychwytywanie złożonych interakcji cech. Modele śledzenia wiedzy oparte na Transformerach wykazały również poprawę dokładności przewidywań i interpretowalności dzięki wykorzystaniu mechanizmów uwagi do modelowania trajektorii uczenia się studentów52. Chociaż architektury oparte na Transformerach i mechanizmach uwagi poprawiły wydajność w zadaniach predykcji edukacyjnej poprzez modelowanie zależności kontekstowych i długodystansowych interakcji cech, podejścia te skupiają się głównie na przewidywaniu wyników uczniów lub śledzeniu wiedzy, a nie na identyfikacji zainteresowań uczniów z uwzględnieniem niepewności za pomocą inspirowanego kwantowo modelowania poznawczego, zoptymalizowanego wyboru cech i hybrydowego meta-uczenia.

Pomimo ostatnich postępów w dziedzinie uczenia maszynowego i głębokiego uczenia w analityce edukacyjnej, istniejące metody identyfikacji zainteresowań studentów inżynierii wykazują szereg ograniczeń. Wiele konwencjonalnych podejść koncentruje się przede wszystkim na dokładności przewidywań, pomijając wieloaspektową naturę zachowań studentów, w tym ewoluujące preferencje uczenia się, niepewność behawioralną, relacje kontekstowe oraz interakcje semantyczne. Co więcej, metody te często opierają się na tradycyjnej inżynierii cech i deterministycznych strategiach uczenia, które mogą nie oddawać w pełni nieliniowych wzorców behawioralnych ani nie adaptować się do dynamicznych środowisk uczenia się. W związku z tym konieczne jest opracowanie bardziej kompleksowych ram integrujących solidne wstępne przetwarzanie danych, inteligentne modelowanie behawioralne, adaptacyjny dobór cech oraz hybrydowe techniki uczenia, aby usprawnić analizę złożonych danych edukacyjnych.

Aby wyeliminować te ograniczenia, proponowane ramy integrują solidne przetwarzanie wstępne danych, inspirowane kwantowo modelowanie behawioralne, zoptymalizowany wybór cech oraz hybrydowe kwantowo-klasyczne uczenie neuronowe w jednolity przepływ obliczeniowy służący do identyfikacji zainteresowań studentów kierunków inżynieryjnych. Dzięki połączeniu tych komplementarnych komponentów, proponowany protokół zapewnia systematyczne i powtarzalne podejście do analizy złożonych danych edukacyjnych w celu wspierania spersonalizowanego uczenia się oraz podejmowania decyzji w obszarze edukacji.

Celem niniejszego badania jest opracowanie i walidacja struktury CQEI z wykorzystaniem wielowymiarowych danych edukacyjnych i behawioralnych w celu identyfikacji zainteresowań studentów kierunków inżynierskich. Struktura ta łączy w sobie zaawansowane wstępne przetwarzanie danych, modelowanie stanów poznawczych inspirowane kwantowo, zoptymalizowany wybór cech oraz hybrydowy kwantowo-klasyczny klasyfikator neuronowy z meta-uczeniem (ML-HQNC), aby analizować zachowania uczenia się studentów i ułatwić dokładną identyfikację zainteresowań. Wydajność oceniono za pomocą standardowych wskaźników, w tym dokładności (accuracy), miary F1-score oraz pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), wraz z precyzją wykrywania zainteresowań (IDP), indeksem stabilności wzorca kwantowego (QPSI) oraz zyskiem z adaptacyjności międzydomenowej (CDAG). Poprzez zintegrowanie tych komplementarnych komponentów w jednym przepływie obliczeniowym, proponowana struktura zapewnia systematyczne podejście do analityki edukacyjnej i inteligentnego podejmowania decyzji w obszarze edukacji.

Protokół

W niniejszym badaniu wykorzystano publicznie dostępny, zanonimizowany zestaw danych pobrany z repozytorium Kaggle. Nie rekrutowano ani nie angażowano bezpośrednio uczestników będących ludźmi, a także nie gromadzono żadnych danych umożliwiających identyfikację osób. W związku z powyższym nie wymagano zgody instytucjonalnej komisji etycznej ani świadomej zgody uczestników. Narzędzia badawcze wykorzystane w tej pracy są wymienione w Tabeli materiałów.

1. Przegląd struktury CQEI
Zaproponowana struktura Quantum-Inspired Conceptual Education Intelligence (CQEI) zintegrowała wstępne przetwarzanie danych, analizę wzorców behawioralnych, selekcję cech oraz klasyfikację w celu zidentyfikowania zainteresowań studentów kierunków inżynieryjnych, wykorzystując zbiór danych Teaching Quality Evaluation Dataset pobrany z repozytorium Kaggle. Zbiór danych został najpierw poddany wstępnemu przetwarzaniu metodą Box–Cox Robust IQR Scaling (BCRIS) w celu redukcji szumu semantycznego i normalizacji cech wejściowych. Następnie przeanalizowano behawioralne wzorce studentów z wykorzystaniem modelu Quantum Cognitive State Model (QCSM). W celu zidentyfikowania istotnych cech przy jednoczesnej redukcji redundancji, zastosowano algorytm Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS), modelujący kwantowo-optymalną selekcję, znaczenie informacji zwrotnej oraz przejściowe wariacje behawioralne. Ostatecznie, hybrydowy kwantowo-klasyczny klasyfikator neuronowy z meta-uczeniem Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) zintegrował uczenie inspirowane kwantowo z głębokimi residualnymi warstwami semantycznymi w celu zidentyfikowania zainteresowań studentów.

Ogólny schemat proponowanego modelu ML-HQNC przedstawiono na Rysunku 2. Protokół składał się z sześciu następujących po sobie etapów, rozpoczynając od pozyskania zbioru danych edukacyjnych z repozytorium Kaggle, a następnie wstępnego przetwarzania danych przy użyciu metody Box–Cox Robust IQR Scaling (BCRIS), transformacji cech i reprezentacji behawioralnej z wykorzystaniem modelu Quantum Cognitive State Model (QCSM) oraz selekcji cech za pomocą algorytmu Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS). Wybrane cechy zostały następnie wykorzystane do trenowania i walidacji modelu za pomocą Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), a cały model został ostatecznie oceniony pod kątem dokładności (accuracy), wyniku F1 (F1-score), pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), precyzji wykrywania zainteresowań (IDP), indeksu stabilności wzorca kwantowego (QPSI) oraz zysku z adaptacyjności międzydomenowej (CDAG).

figure-protocol-1
Rycina 2: Schemat hybrydowego kwantowo-klasycznego klasyfikatora neuronowego opartego na meta-uczeniu (ML-HQNC). Ogólna architektura proponowanego systemu ML-HQNC integrująca skalowanie BCRIS (Box–Cox Robust IQR Scaling) do wstępnego przetwarzania danych, kwantowy model stanu poznawczego (QCSM) do analizy wzorców behawioralnych, algorytm kwantowo-wzmocnionej optymalizacji rojowo-wielorybiej do selekcji cech (QES-WOFS) oraz hybrydowe kwantowo-klasyczne uczenie neuronowe do klasyfikacji zainteresowań studentów. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

2. Zbiór danych do oceny jakości nauczania
Zaproponowany model został opracowany przy użyciu publicznie dostępnego zbioru danych Teaching Quality Evaluation Dataset pobranego z repozytorium Kaggle. Zbiór ten zawierał 1014 rekordów edukacyjnych z 14 wielowymiarowymi cechami reprezentującymi wyniki w nauce, oceny z testów, frekwencję, charakterystykę instruktażową oraz wskaźniki behawioralne studentów zgromadzone za pomocą Comprehensive Education Management Platform (CEMP). Atrybuty te dostarczyły wielowymiarowych informacji edukacyjnych niezbędnych do modelowania nieliniowych zależności związanych z identyfikacją zainteresowań studentów kierunków inżynieryjnych.

Jak pokazano na Rysunku 3, zbiór danych podzielono na podzbiory treningowy (80%) i testowy (20%). Do wytrenowania proponowanego modelu wykorzystano łącznie 800 rekordów, a 200 zarezerwowano do oceny wydajności. Zbiór danych jest publicznie dostępny pod adresem: https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset. Zbiory treningowe i testowe zostały następnie przetworzone za pomocą proponowanego schematu w celu zbudowania modelu uczenia i poprawy jego zdolności predykcyjnych.

Chociaż podstawowy zbiór danych nosi nazwę Teaching Quality Evaluation Dataset, celem niniejszego badania było zidentyfikowanie zainteresowań studentów kierunków inżynieryjnych. Atrybuty edukacyjne, behawioralne i instruktażowe zawarte w zbiorze danych posłużyły jako zmienne wejściowe do trenowania i oceny proponowanego modelu. W związku z tym wszystkie raportowane wyniki predykcji i wskaźniki wydajności opisują skuteczność modelu w identyfikowaniu zainteresowań studentów inżynierii, a nie ocenę jakości nauczania. Przed wstępnym przetwarzaniem danych zweryfikowano zaimportowany zbiór danych, aby upewnić się, że wszystkie 1 014 rekordów zostało pomyślnie wczytanych, schemat zbioru danych jest zgodny z oczekiwanym formatem, a wszelkie brakujące lub zduplikowane rekordy zostały zidentyfikowane i usunięte.

3. Wstępne przetwarzanie danych z wykorzystaniem odpornego skalowania IQR metodą Boxa-Coxa (BCRIS)
Metoda odpornego skalowania IQR metodą Boxa-Coxa (BCRIS) została zastosowana do wstępnego przetwarzania i normalizacji zbioru danych edukacyjnych poprzez połączenie transformacji Boxa-Coxa z odpornym skalowaniem opartym na rozstępie międzykwartylowym (IQR) w celu ograniczenia wpływu wartości ekstremalnych. Korekcja symetrii wraz z normalizacją wycentrowaną względem mediany pozwoliła na wygenerowanie statystycznie stabilnych i skalowalnych reprezentacji cech odpowiednich do dalszej analizy. W ramach proponowanej struktury inteligencji edukacyjnej metoda BCRIS przekształciła wielowymiarowe wskaźniki edukacyjne, dydaktyczne i behawioralne w reprezentacje cech o kontrolowanej wariancji. Cechy, takie jak attendance_rate, interactive_sessions_percentage oraz powiązane zmienne edukacyjne, zostały znormalizowane w celu poprawy spójności zbiorów danych treningowych i testowych. Szczegółowe wyjaśnienia matematyczne znajdują się w Pliku uzupełniającym 1 (Sekcja S1). Metoda BCRIS zapewniła kompatybilną kwantowo strategię wstępnego przetwarzania, która znormalizowała heterogeniczne dane edukacyjne przed późniejszą analizą statystyczną, zachowując jednocześnie podstawowe charakterystyki behawioralne wymagane do dalszego modelowania. Przed analizą behawioralną zweryfikowano proces wstępnego przetwarzania, aby upewnić się, że znormalizowany zbiór danych nie zawiera nieprawidłowych ani brakujących wartości, szum semantyczny został zredukowany, a przetworzone cechy nadają się do późniejszego modelowania behawioralnego.

4. Transformacja cech i reprezentacja behawioralna z wykorzystaniem kwantowego modelu stanu poznawczego (QCSM)
Kwantowy model stanu poznawczego (QCSM) został wdrożony w celu modelowania dynamiki zainteresowań studentów kierunków inżynierskich przy użyciu inspirowanych kwantowo reprezentacji probabilistycznych. Zainteresowanie studentów przedstawiono jako nakładanie się wielu stanów konceptualnych, które odzwierciedlały hierarchię pojęć poznawczych, niepewność, nakładanie się koncepcji, jednoczesne zaangażowanie w wiele tematów, wahające się lub niezdecydowane zachowania uczenia się oraz prawdopodobieństwo zmian w preferencjach edukacyjnych. Wielowymiarowe wskaźniki z zestawu danych Engineering Teaching Quality Assessment, w tym Student_Avg_Score, Attendance_rate oraz Student_Feedback_Rating, zostały przedstawione jako przejścia poznawcze ważone amplitudą w znormalizowanej kwantowej przestrzeni stanów. Model QCSM połączył przejścia stanów kwantowych z wyrównaniem konceptualnym opartym na interferencji, aby wygenerować inspirowane kwantowo reprezentacje poznawcze odzwierciedlające stabilność i ewolucję zainteresowań studentów w czasie. Szczegółowe sformułowania matematyczne znajdują się w Pliku uzupełniającym 1 (Sekcja S2). QCSM modelował probabilistyczne stany poznawcze w celu reprezentacji przyswajania wiedzy, zmian konceptualnych, zaangażowania w naukę oraz zainteresowania przedmiotem poprzez znormalizowane reprezentacje stanów kwantowych. Reprezentacje behawioralne zostały zweryfikowane we wszystkich rekordach studentów, aby upewnić się, że wyodrębnione cechy stanu poznawczego dokładnie oddają zachowania uczenia się i przejścia między tematami.

5. Selekcja cech z wykorzystaniem algorytmu Quantum-Enhanced Swarm–Whale Optimization Feature Selector (QES-WOFS)
Algorytm Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) został zastosowany w celu zidentyfikowania optymalnego podzbioru cech i określenia wysokoinformacyjnych charakterystyk behawioralnych z wielowymiarowych danych edukacyjnych. Zainspirowane mechaniką kwantową mechanizmy przeszukiwania usprawniły integrację globalnych i lokalnych strategii wyszukiwania w celu optymalizacji cech. Zmienne edukacyjne, w tym interactive_sessions_percentage, assignments_time_percentage oraz course_completion_rate, zostały ocenione pod kątem ich korelacji z wynikiem docelowym. Kandydujące podzbiory cech modelowano przy użyciu reprezentacji prawdopodobieństwa kwantowego, podczas gdy mechanizm tunelowania kwantowego umożliwił probabilistyczne przejścia poza optima lokalne. Istotność cech oszacowano za pomocą prawdopodobieństwa marginalnego, aby określić wkład każdej cechy w wydajność klasyfikacji i adaptacyjne stany roju. Algorytm QES-WOFS wybrał stabilne i behawioralnie znaczące cechy, co poprawiło odporność na szum, zmienność międzysemestralną oraz okresowe wahania behawioralne.

Aby przezwyciężyć ograniczenia związane z niezależnym stosowaniem algorytmu optymalizacji wielorybów (Whale Optimization Algorithm, WOA) lub optymalizacji rojem cząstek (Particle Swarm Optimization, PSO), algorytm QES-WOFS połączył globalną eksplorację opartą na PSO z lokalną eksploatacją opartą na WOA. Mechanizm tunelowania kwantowego dodatkowo umożliwił probabilistyczne przejścia poza optima lokalne, zwiększając tym samym różnorodność populacji, redukując redundancję cech i poprawiając zbieżność w stronę optymalnego podzbioru cech służących do identyfikacji zainteresowań studentów kierunków inżynieryjnych.

Szczegółowe sformułowania matematyczne znajdują się w Pliku uzupełniającym 1 (Sekcja S3). Algorytm QES-WOFS połączył kwantowe probabilistyczne kodowanie cech, strategię prędkości dostosowaną do PSO oraz mechanizm wyszukiwania spiralnego inspirowanego wielorybami w celu zidentyfikowania najbardziej informatywnych cech edukacyjnych. Hiperparametry zostały zoptymalizowane empirycznie przy użyciu zbioru treningowego. Wartości kandydackie oceniano poprzez systematyczne eksperymenty, a wybrano kombinację dającą najwyższą wydajność walidacji. W szczególności, na podstawie dokładności walidacji, miary F1-score oraz przebiegu zbieżności, wybrano parametr transformacji Boxa-Coxa (λ = 0.25), margines straty kontrastowej (m = 1.0) oraz współczynniki tunelowania kwantowego (α = 0.7 oraz β = 0.3). Przed trenowaniem klasyfikatora zweryfikowano wyniki selekcji cech, aby upewnić się, że algorytm QES-WOFS wybrał optymalny podzbiór cech i usunął cechy redundantne lub o niskim znaczeniu.

6. Trenowanie i walidacja modelu z wykorzystaniem hybrydowego kwantowo-klasycznego klasyfikatora neuronowego z meta-uczeniem (ML-HQNC)
Hybrydowy kwantowo-klasyczny klasyfikator neuronowy z meta-uczeniem (ML-HQNC) został zaimplementowany poprzez połączenie głębokich sieci neuronowych z obliczeniami inspirowanymi kwantowo w celu identyfikacji zainteresowań studentów kierunków inżynierskich. Wielogłowicowe mechanizmy kwantowej uwagi oraz głębokie residuallne warstwy semantyczne pozwoliły na uchwycenie złożonych nieliniowych zależności w wielowymiarowych danych edukacyjnych reprezentowanych za pomocą wariacyjnych obwodów kwantowych (VQCs). Cechy pochodne z zachowań, w tym student_average_grade, attendance_rate oraz student_feedback_rating, zostały rzutowane na kwantową przestrzeń stanów, gdzie znormalizowane wejścia przekształcono w kwantowe reprezentacje oparte na amplitudzie, aby zamodelować nakładające się i probabilistyczne wzorce zaangażowania. Znormalizowane wektory cech behawioralnych studentów obliczono zgodnie z równaniami podanymi w Supplementary File 1 (Section S4). Następnie ML-HQNC sklasyfikował i zidentyfikował zainteresowania studentów kierunków inżynierskich.

Klasyfikator ML-HQNC wykorzystał strategię epizodycznego meta-uczenia podczas treningu. Każdemu epizodowi przypisano jedno losowo wybrane zadanie meta-uczenia z zestawu treningowego. Przy zachowaniu rozkładu klas, dane treningowe podzielono na zbiór wspierający (80%) i zbiór zapytań (20%). Zbiór wspierający służył do adaptacji parametrów specyficznych dla zadania poprzez wewnętrzną pętlę optymalizacji, podczas gdy zbiór zapytań służył do oceny zaadaptowanego modelu i obliczenia meta-straty wykorzystywanej do aktualizacji parametrów wspólnych. Podczas każdego cyklu treningowego wygenerowano łącznie 100 zadań meta-uczenia. Do adaptacji w pętli wewnętrznej zastosowano pięć kroków aktualizacji gradientu z wewnętrznym współczynnikiem uczenia 0,001, natomiast optymalizator Adam z zewnętrznym współczynnikiem uczenia 0,0005 optymalizował meta-parametry. Losowe próbkowanie zadań powtarzano w każdej epoce treningowej, aby wystawić model na zróżnicowane wzorce behawioralne i poprawić generalizację do wcześniej nieznanych profili uczniów. Szacowanie straty dla kwantowego wyrównania kontrastowego opisano w Pliku uzupełniającym 1 (Równania 41–45). Przeprowadzono weryfikację treningu modelu, aby zapewnić pomyślną zbieżność bez błędów obliczeniowych oraz upewnić się, że krzywe straty treningowej i walidacyjnej ustabilizowały się w kolejnych epokach.

Wyniki

Zaproponowaną strukturę ML-HQNC oceniono w odniesieniu do modeli Fast R-CNN, Bi-LSTM, CNN i XGBoost, wykorzystując konwencjonalne metryki klasyfikacji, w tym dokładność (Accuracy), precyzję (Precision), czułość (Recall), wskaźnik F1 (F1-score) oraz pole pod krzywą charakterystyki operacyjnej odbiornika (AUC), wraz z zaproponowanymi metrykami ewaluacyjnymi: precyzją detekcji zainteresowania (IDP), indeksem stabilności wzorca kwantowego (QPSI) oraz zyskiem adaptacyjności międzydomenowej (CDAG). Definicje matematyczne tych metryk znajdują się w Pliku uzupełniającym 1 (Sekcja S5).

Aby ocenić odporność proponowanego schematu, wszystkie eksperymenty powtórzono pięciokrotnie, stosując różne losowe inicjalizacje. Raportowane wartości wydajności przedstawiono jako średnią ± odchylenie standardowe z pięciu serii pomiarowych. Istotność statystyczną między proponowanym schematem a modelami bazowymi oceniono za pomocą sparowanego testu t, przyjmując, że wartość p < 0,05 jest statystycznie istotna.

Jak podsumowano w Tabeli uzupełniającej 1, eksperymenty symulacyjne przeprowadzono z wykorzystaniem zbioru danych Teaching Quality Evaluation Dataset zawierającego 1014 rekordów. Łącznie 800 rekordów wykorzystano do trenowania modelu, natomiast 200 rekordów zarezerwowano do testów. Zaproponowana struktura ML-HQNC oraz modele porównawcze zaimplementowano w środowisku Jupyter Notebook przy użyciu języka Python. Atrybut Teaching_Quality służył jako pierwotna zmienna celu w ogólnodostępnym zbiorze Teaching Quality Evaluation Dataset i składał się z dwóch klas: Good oraz Excellent. Etykiety te posłużyły jako cele predykcji podczas trenowania i oceny struktury ML-HQNC. Wynikowe kategorie predykcji podsumowano w Tabeli 3. Tabela uzupełniająca 2 przedstawia wyniki walidacji etapu preprocessingu Box–Cox Robust IQR Scaling (BCRIS). Potok preprocessingu usunął brakujące i powielone rekordy, ograniczył wpływ wartości odstających, znormalizował rozkłady cech oraz poprawił spójność semantyczną i behawioralną przed transformacją cech i trenowaniem modelu.

Tabela 3: Zmienna docelowa zbioru danych oceny jakości nauczania.Opis oryginalnej zmiennej docelowej Teaching_Quality oraz jej kategorii klasyfikacji (Good i Excellent) wykorzystywanych do trenowania i ewaluacji modelu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela uzupełniająca 3 przedstawia reprezentatywne cechy wygenerowane przez Kwantowy Model Stanu Poznawczego (Quantum Cognitive State Model, QCSM). Wyodrębnione cechy opisują zachowania uczenia się studentów, w tym stan poznawczy, zaangażowanie, niepewność, przejścia między tematami oraz spójność behawioralną, i służyły jako dane wejściowe dla następnego etapu selekcji cech QES-WOFS. Tabela uzupełniająca S4 wymienia ostateczne cechy wybrane przez algorytm QES-WOFS wraz z ich kategoriami cech, względnymi poziomami wpływu i rolami funkcjonalnymi w proponowanym modelu. Charakterystyka wyodrębnionych wielowymiarowych cech behawioralnych została podsumowana w Tabeli uzupełniającej 5. Tabela uzupełniająca 6 przedstawia reprezentatywne struktury krawędzi wygenerowane podczas reprezentacji behawioralnej dla dwóch klas predykcji (Good oraz Excellent).

Jak pokazano na Rysunku 4 i w Tabeli 4, zaproponowany model ML-HQNC osiągnął najwyższą wartość miary F1 (87,9%) spośród ocenianych metod. Odpowiednie wartości miary F1 dla Fast R-CNN, Bi-LSTM, CNN oraz XGBoost wyniosły odpowiednio 77,9%, 80,2%, 82,8% i 85,8%. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0,05).

Rysunek 5 oraz Tabela 5 podsumowują wyniki precyzji wykrywania zainteresowań (Interest Detection Precision, IDP). Zaproponowany framework ML-HQNC osiągnął wartość IDP na poziomie 89,3%, w porównaniu do 79,11%, 82,12%, 84,6% i 87,10% dla Fast R-CNN, Bi-LSTM, CNN i XGBoost, odpowiednio. Rysunek 6 oraz Tabela 6 przedstawiają wyniki wskaźnika stabilności wzorca kwantowego (Quantum Pattern Stability Index, QPSI). Zaproponowany framework osiągnął wartość QPSI wynoszącą 92,7%, podczas gdy Fast R-CNN, Bi-LSTM, CNN i XGBoost osiągnęły odpowiednio 81,1%, 84,11%, 87,4% i 90,9%. Rysunek 7 oraz Tabela 7 podsumowują wyniki zysku z adaptacyjności międzydomenowej (Cross-Domain Adaptability Gain, CDAG). Zaproponowany framework ML-HQNC osiągnął najwyższą wartość CDAG (0,95), w porównaniu do Fast R-CNN (0,78), Bi-LSTM (0,83), CNN (0,80) i XGBoost (0,86). Jak pokazano na Rysunku 8 i w Tabeli 8, zaproponowany framework ML-HQNC osiągnął najwyższą dokładność klasyfikacji (96,17%). Odpowiednie wartości dokładności dla Fast R-CNN, Bi-LSTM, CNN i XGBoost wyniosły odpowiednio 85,10%, 87,21%, 90,14% i 93,19%. Rysunek 9 oraz Tabela 9 przedstawiają czas obliczeniowy wymagany przez każdą z metod. Zaproponowany framework ML-HQNC wymagał 9,02 ms, natomiast Fast R-CNN, Bi-LSTM, CNN i XGBoost wymagały odpowiednio 31,2 ms, 27,5 ms, 22,4 ms i 17,6 ms. Rysunek 10 przedstawia analizę charakterystyki operacyjnej odbiornika (ROC). Zaproponowany framework ML-HQNC osiągnął AUC na poziomie 0,944, co wskazuje na wysoki wskaźnik prawdziwie dodatnich oraz niski wskaźnik fałszywie dodatnich w obrębie ocenianego progu klasyfikacji.

figure-results-1
Rycina 4: Porównanie wskaźnika F1-score dla różnych rozmiarów zbiorów danych. Porównanie wskaźnika F1-score osiągniętego przez ML-HQNC oraz konkurencyjne modele przy różnych rozmiarach zbiorów danych. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Słupki błędów reprezentują jedno odchylenie standardowe. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0.05). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 4: Porównanie wyniku F1 dla różnych rozmiarów zbiorów danych. Porównanie wyniku F1 uzyskanego przez model ML-HQNC oraz modele konkurencyjne. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-2
Rysunek 5: Porównanie precyzji wykrywania obszarów zainteresowania (IDP) dla różnych rozmiarów zbiorów danych.Porównanie precyzji wykrywania obszarów zainteresowania (IDP) osiągniętej przez model ML-HQNC oraz modele konkurencyjne dla różnych rozmiarów zbiorów danych. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Słupki błędów reprezentują jedno odchylenie standardowe. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0,05). Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Tabela 5: Porównanie precyzji wykrywania zainteresowania (IDP) dla różnych rozmiarów zbiorów danych. Porównanie precyzji wykrywania zainteresowania (IDP) osiągniętej przez ML-HQNC i modele konkurencyjne. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii doświadczalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-3
Rysunek 6: Porównanie wskaźnika stabilności wzorca kwantowego (QPSI) dla różnych rozmiarów zbiorów danych. Porównanie wskaźnika stabilności wzorca kwantowego (QPSI) osiągniętego przez ML-HQNC oraz konkurencyjne modele przy różnych rozmiarach zbiorów danych. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Słupki błędu reprezentują jedno odchylenie standardowe. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0.05). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 6: Porównanie wskaźnika stabilności wzorców kwantowych (QPSI) dla różnych rozmiarów zbiorów danych.Porównanie wskaźnika stabilności wzorców kwantowych (QPSI) uzyskanego przez ML-HQNC oraz konkurencyjne modele. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-4
Rysunek 7: Porównanie przyrostu zdolności do adaptacji międzydomenowej (CDAG) dla różnych rozmiarów zbiorów danych.Porównanie przyrostu zdolności do adaptacji międzydomenowej (Cross-Domain Adaptability Gain, CDAG) osiągniętego przez model ML-HQNC i modele konkurencyjne przy różnych rozmiarach zbiorów danych. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii doświadczalnych (n = 5). Słupki błędów reprezentują jedno odchylenie standardowe. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0.05). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 7: Porównanie przyrostu adaptacyjności międzydomenowej (CDAG) dla różnych rozmiarów zbiorów danych.Porównanie przyrostu adaptacyjności międzydomenowej (CDAG) osiągniętego przez model ML-HQNC oraz modele konkurencyjne. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-5
Rycina 8: Porównanie dokładności klasyfikacji dla różnych rozmiarów zbiorów danych. Porównanie dokładności klasyfikacji uzyskanej przez ML-HQNC oraz konkurencyjne modele dla różnych rozmiarów zbiorów danych. Wyniki przedstawiono jako średnią ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Słupki błędów reprezentują jedno odchylenie standardowe. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0.05). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 8: Porównanie dokładności klasyfikacji dla różnych rozmiarów zbiorów danych. Porównanie dokładności klasyfikacji uzyskanej przez model ML-HQNC oraz modele konkurencyjne. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

figure-results-6
Rysunek 9: Porównanie czasu obliczeń dla różnych rozmiarów zbiorów danych. Porównanie czasu wykonania obliczeń modelu ML-HQNC oraz konkurencyjnych modeli dla różnych rozmiarów zbiorów danych. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Słupki błędów reprezentują jedno odchylenie standardowe. Niższe wartości wskazują na krótszy czas wykonania obliczeń. Istotność statystyczną oceniono za pomocą dwustronnego niezależnego testu t (p < 0.05). Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 9: Porównanie czasu obliczeń dla różnych rozmiarów zestawów danych.Porównanie czasu wykonania obliczeń modelu ML-HQNC oraz modeli konkurencyjnych. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Niższe wartości wskazują na krótszy czas wykonania obliczeń. Kliknij tutaj, aby pobrać tę tabelę.

figure-results-7
Rycina 10: Porównanie pola pod krzywą charakterystyki operacyjnej odbiornika (AUC). Porównanie AUC osiągniętego przez ML-HQNC i konkurencyjne modele w zakresie identyfikacji zainteresowań studentów kierunków technicznych. Raportowane wartości AUC odpowiadają pojedynczemu przebiegowi eksperymentalnemu; w związku z tym nie przedstawiono słupków błędów ani analiz istotności statystycznej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina uzupełniająca 1 przedstawia macierz korelacji reprezentatywnych zmiennych behawioralnych. Silne korelacje dodatnie zaobserwowano pomiędzy Avg_Score a Course_Completion_Rate (0,81) oraz pomiędzy Attendance_Rate a Course_Completion_Rate (0,75). Umiarkowane korelacje odnotowano pomiędzy Avg_Score a Course_Completion (0,72) oraz pomiędzy Attendance_Rate a Time_Assignment_Percentage (0,74). Ryciny uzupełniające 2 i 3, wraz z Tabelą 10, podsumowują mapy dokładności treningowej i testowej. Zaproponowany framework ML-HQNC osiągnął dokładność treningową na poziomie 96,1% oraz dokładność testową na poziomie 93,8%, przewyższając wyniki metod porównawczych. Ryciny uzupełniające 4 i 5, wraz z Tabelą 11, podsumowują analizę zbieżności. Zaproponowany framework ML-HQNC osiągnął najniższą stratę treningową (0,21) i stratę testową (0,26), wykazując stabilną zbieżność w całym procesie optymalizacji.

Tabela 12 podsumowuje ogólną wydajność proponowanego frameworka ML-HQNC oraz metod porównawczych w odniesieniu do wszystkich metryk ewaluacyjnych. Proponowany framework osiągnął najwyższą wydajność w zakresie Accuracy, F1-score, AUC, IDP, QPSI i CDAG, wymagając jednocześnie najkrótszego czasu obliczeniowego spośród ocenianych metod. Tabela 13 przedstawia analizę ablacyjną poszczególnych komponentów proponowanego frameworka. Stopniowe wprowadzanie etapu preprocessingu BCRIS, reprezentacji behawioralnej QCSM, algorytmu selekcji cech QES-WOFS oraz pełnego klasyfikatora ML-HQNC prowadziło do sukcesywnych ulepszeń w wydajności klasyfikacji, co demonstruje wkład każdego komponentu w działanie całego frameworka.

Tabela 10: Porównanie dokładności treningowej i testowej. Porównanie dokładności treningowej i testowej osiągniętej przez ML-HQNC oraz konkurencyjne modele. Przedstawione wartości odpowiadają pojedynczemu przebiegowi eksperymentalnemu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 11: Porównanie strat podczas trenowania i testowania. Porównanie strat podczas trenowania i testowania uzyskanych przez ML-HQNC oraz konkurencyjne modele. Raportowane wartości odpowiadają pojedynczemu przebiegowi eksperymentalnemu. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 12: Ogólne porównanie wydajności. Porównanie modelu ML-HQNC z konkurencyjnymi modelami przy użyciu wielu metryk oceny. Wyniki przedstawiono jako średnia ± odchylenie standardowe z pięciu niezależnych serii eksperymentalnych (n = 5). Kliknij tutaj, aby pobrać tę tabelę.

DOSTĘPNOŚĆ DANYCH:
Oryginalny zbiór danych Teaching Quality Evaluation Dataset wykorzystany w niniejszym badaniu jest publicznie dostępny w repozytorium Kaggle (https://www.kaggle.com/datasets/ziya07/teaching-quality-evaluation-dataset). Dostęp do zbioru danych może wymagać uwierzytelnienia użytkownika i podlega warunkom użytkowania serwisu Kaggle. W celu zapewnienia reprodukowalności przy jednoczesnym przestrzeganiu warunków licencjonowania oryginalnego zbioru danych, zasoby wygenerowane w ramach badania — w tym syntetyczny zbiór danych, kod źródłowy, pliki implementacyjne i konfiguracyjne, opisy cech, schemat wstępnego przetwarzania danych oraz dokumentacja pomocnicza niezbędna do powtórzenia opisanych eksperymentów — zostały udostępnione w otwartym repozytorium Zenodo: https://doi.org/10.5281/zenodo.21393413.

figure-results-8
Rycina 3: Zbiór cech zbioru danych oceny jakości nauczania. Struktura i skład cech zbioru danych oceny jakości nauczania wykorzystanego do identyfikacji zainteresowań studentów kierunków technicznych. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek uzupełniający 1: Macierz korelacji cech. Macierz korelacji przedstawiająca zależności parami pomiędzy reprezentatywnymi zmiennymi edukacyjnymi i behawioralnymi wykorzystanymi w proponowanym modelu ML-HQNC. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 2: Porównanie dokładności uczenia. Porównanie dokładności uczenia osiągniętej przez model ML-HQNC oraz modele konkurencyjne w trakcie procesu uczenia. Kliknij tutaj, aby pobrać ten plik.

Rycina uzupełniająca 3: Porównanie dokładności testowania. Porównanie dokładności testowania uzyskanej przez ML-HQNC oraz modele konkurencyjne w trakcie procesu testowania. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 4: Analiza straty podczas uczenia. Porównanie straty podczas uczenia osiągniętej przez ML-HQNC i konkurencyjne modele w trakcie optymalizacji modelu. Kliknij tutaj, aby pobrać ten plik.

Rysunek uzupełniający 5: Analiza straty testowej. Porównanie straty testowej osiągniętej przez ML-HQNC oraz konkurencyjne modele podczas ewaluacji modelu.  Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Parametry symulacji i ustawienia eksperymentalne. Podsumowanie parametrów symulacji, środowiska implementacji, podziału zbioru danych oraz ustawień eksperymentalnych wykorzystanych do oceny proponowanego frameworka ML-HQNC. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Wyniki walidacji etapu wstępnego przetwarzania Box–Cox Robust IQR Scaling (BCRIS). Porównanie reprezentatywnych charakterystyk zbioru danych przed i po wstępnym przetwarzaniu, w tym brakujących wartości, duplikatów rekordów, obsługi wartości odstających, normalizacji cech oraz spójności danych. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Reprezentatywne cechy wygenerowane przez Kwantowy Model Stanu Poznawczego (QCSM). Reprezentatywne cechy behawioralne wygenerowane przez QCSM po wstępnym przetwarzaniu danych, obejmujące cechy stanu poznawczego, zaangażowania, niepewności, przejścia między tematami oraz spójności behawioralnej. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Cechy wybrane przez algorytm Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS). Końcowy podzbiór cech wybrany przez algorytm QES-WOFS, wraz z odpowiadającymi im kategoriami cech, względnymi poziomami wpływu oraz rolami funkcjonalnymi w proponowanym modelu. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 5: Kategorie przewidywania jakości nauczania. Opis kategorii przewidywania oraz reprezentatywnych cech behawioralnych wykorzystywanych przez proponowaną strukturę ML-HQNC. Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 6: Analiza czułości marginesu. Podsumowanie analizy czułości marginesu wykorzystanej podczas oceny modelu. Kliknij tutaj, aby pobrać ten plik.

Plik uzupełniający 1: Metody uzupełniające, sformułowania matematyczne, metryki oceny i tabele uzupełniające.Plik ten zawiera szczegółowe sformułowania matematyczne dla metod Box–Cox Robust IQR Scaling (BCRIS), Quantum Cognitive State Model (QCSM), Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) oraz Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) opisanych w głównym protokole. Zawiera on również definicje metryk oceny, parametry symulacji, ustawienia eksperymentalne oraz tabele uzupełniające S1–S6 wspierające wyniki przedstawione w głównym manuskrypcie. Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Zaproponowany framework ML-HQNC wykazał poprawioną skuteczność w identyfikacji zainteresowań studentów kierunków inżynieryjnych poprzez zintegrowanie inspirowanego kwantowo modelowania behawioralnego, adaptacyjnego wyboru cech oraz meta-uczenia w jednolity przepływ obliczeniowy. W porównaniu z Fast R-CNN, Bi-LSTM, CNN oraz XGBoost, framework ten konsekwentnie osiągał wyższą wydajność zarówno w konwencjonalnych metrykach klasyfikacji, jak i w zaproponowanych metrykach oceny behawioralnej. Wyniki te sugerują, że połączenie reprezentacji stanu poznawczego inspirowanej kwantowo z adaptacyjną optymalizacją cech poprawiło zdolność frameworku do modelowania złożonych zachowań edukacyjnych przy jednoczesnym zachowaniu wysokiej skuteczności klasyfikacji. Niski czas obliczeń oraz niewielka różnica między wydajnością trenowania a testowania dodatkowo wskazują na stabilną optymalizację i dobrą generalizację.

Zaproponowane metryki ewaluacyjne uzupełniły konwencjonalne miary klasyfikacji, dostarczając dodatkowych informacji na temat modelowania behawioralnego. Precyzja wykrywania zainteresowań (Interest Detection Precision, IDP) określiła dokładność identyfikacji zainteresowań, wskaźnik stabilności wzorców kwantowych (Quantum Pattern Stability Index, QPSI) ocenił stabilność inspirowanych kwantowo reprezentacji behawioralnych, a zysk adaptacyjności międzydomenowej (Cross-Domain Adaptability Gain, CDAG) pozwolił ocenić zdolność frameworka do generalizacji w różnych partycjach danych. Wspólnie miary te zapewniły szerszą ocenę wydajności modelu niż same konwencjonalne metryki predykcyjne.

Analiza ablacji poszczególnych komponentów (Tabela 13) dodatkowo wykazała wkład każdego etapu proponowanego schematu postępowania. Włączenie etapu wstępnego przetwarzania Box–Cox Robust IQR Scaling (BCRIS) poprawiło spójność danych poprzez zmniejszenie wpływu wartości odstających i wygenerowanie znormalizowanych reprezentacji cech. Quantum Cognitive State Model (QCSM) przekształcił wielowymiarowe zmienne edukacyjne w reprezentacje behawioralne, które uchwyciły niepewność, zaangażowanie oraz ewoluujące preferencje uczenia się. Następująca po nim selekcja cech przy użyciu algorytmu Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS) zredukowała nadmiarowość cech, zachowując jednocześnie informacyjne charakterystyki behawioralne. Ostatecznie integracja tych komponentów w ramach Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) poprawiła wydajność klasyfikacji i zdolność do generalizacji w porównaniu z modelami bazowymi.

Proponowany protokół jest przeznaczony do identyfikacji zainteresowań studentów inżynierii przy użyciu wielowymiarowych danych edukacyjnych i behawioralnych zbieranych z cyfrowych środowisk uczenia się. Przepływ obliczeniowy może wspierać personalizację nauczania, doradztwo akademickie, planowanie programów nauczania oraz inteligentne zarządzanie edukacją, zapewniając systematyczne podejście do analizy zachowań edukacyjnych studentów i identyfikacji ewoluujących zainteresowań. Struktura ta jest szczególnie odpowiednia dla ustrukturyzowanych zbiorów danych edukacyjnych zawierających zmienne behawioralne, akademickie i kontekstowe.

Skuteczna implementacja zależy od dostępności wysokiej jakości danych edukacyjnych oraz odpowiednich zasobów obliczeniowych. Przed analizą zbiory danych edukacyjnych należy sprawdzić pod kątem brakujących wartości, zdublowanych rekordów i niespójności, ponieważ jakość danych bezpośrednio wpływa na wstępne przetwarzanie oraz późniejsze modelowanie behawioralne. Stabilne reprezentacje cech zależą również od właściwego przetwarzania wstępnego, transformacji cech oraz optymalizacji hiperparametrów. Podczas trenowania modelu należy monitorować zbieżność za pomocą krzywych straty dla zbioru treningowego i walidacyjnego, a parametry optymalizacji należy dostosować w razie potrzeby, aby utrzymać stabilny przebieg procesu uczenia.

Chociaż opracowane rozwiązanie wykazało skuteczne działanie z wykorzystaniem ocenianego zbioru danych, należy wziąć pod uwagę kilka ograniczeń. Protokół został zwalidowany przy użyciu jednego, publicznie dostępnego edukacyjnego zbioru danych; konieczna jest zatem dodatkowa ewaluacja z wykorzystaniem większych, wieloośrodkowych i bardziej zróżnicowanych zbiorów danych edukacyjnych, aby dalej ocenić możliwość generalizacji wyników. Ponadto hybrydowe środowisko uczenia inspirowanego kwantowo wymaga większych zasobów obliczeniowych niż konwencjonalne podejścia uczenia maszynowego ze względu na komponenty preprocessingu, optymalizacji i uczenia hybrydowego. Rozwiązanie to zależy również od dobrze adnotowanych danych edukacyjnych, a na jego wydajność mogą wpływać niekompletne, zaszumione lub silnie niezbalansowane zbiory danych.

Przyszłe prace skupią się na rozszerzeniu ram metodycznych o bardziej szczegółową identyfikację zainteresowań studentów w ramach wielu klas, włączeniu dodatkowych modalności danych edukacyjnych, takich jak informacje zwrotne w formie tekstowej, czasowe zachowania uczenia się oraz logi aktywności systemów zarządzania nauczaniem w czasie rzeczywistym, a także na ocenie protokołu w zróżnicowanych środowiskach kształcenia inżynierskiego. Dalsza optymalizacja przepływu obliczeniowego może również poprawić skalowalność i ułatwić wdrożenie w wielkoskalowych systemach zarządzania edukacją.

Podsumowując, proponowane środowisko ML-HQNC zapewnia odtwarzalny przepływ obliczeniowy do identyfikacji zainteresowań studentów kierunków inżynierskich z wykorzystaniem wielowymiarowych danych edukacyjnych. Dzięki integracji solidnego preprocessingu, behawioralnego modelowania inspirowanego kwantowo, adaptacyjnego wyboru cech oraz hybrydowego kwantowo-klasycznego uczenia neuronowego, środowisko to osiągnęło lepszą wydajność klasyfikacji przy zachowaniu stabilnej optymalizacji i wydajnych obliczeń. Cechy te potwierdzają potencjał jego zastosowania w inteligentnej analityce edukacyjnej oraz zarządzaniu kształceniem inżynierskim.

Oświadczenia

Autor oświadcza, że nie istnieją żadne konflikty interesów.

Podziękowania

Autor dziękuje Uniwersytetowi w Bengbu (Bengbu, Chiny) za zapewnienie wsparcia akademickiego oraz środowiska badawczego, które umożliwiły przeprowadzenie niniejszego badania. Badanie nie otrzymało zewnętrznego finansowania. Praca została wsparta w ramach Corocznego Projektu Inżynierii Jakości na Poziomie Szkoły z 2025 roku Uniwersytetu w Bengbu (nr 2025zhkc1).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Modele bazowe (Fast R-CNN, Bi-LSTM, CNN, XGBoost)Implementacje open-sourceFast R-CNN (2015); implementacja TensorFlow/Keras v2.16; XGBoost v2.1.1Modele referencyjne wykorzystane do porównawczej oceny wydajności.
Moduł preprocessingu BCRISOpracowany w niniejszym badaniuWersja 1.0Niestandardowy moduł preprocessingu implementujący transformację Boxa-Coxa oraz odporną normalizację IQR.
Jupyter NotebookProject JupyterWersja 7.2.2Interaktywne środowisko programistyczne wykorzystane do implementacji, trenowania i testowania.
Klasyfikator ML-HQNCOpracowany w niniejszym badaniuWersja 1.0Zaproponowany hybrydowy kwantowo-klasyczny klasyfikator sieci neuronowej z ramami meta-learningu.
PythonPython Software FoundationWersja 3.11.9Język programowania wykorzystany do rozwoju modelu i eksperymentów.
PyTorchPyTorch FoundationWersja 2.5.1Framework deep learning wykorzystany do implementacji i trenowania modelu.
Model QCSMOpracowany w niniejszym badaniuWersja 1.0Zaproponowany Kwantowy Model Stanu Poznawczego (Quantum Cognitive State Model) do reprezentacji wzorców behawioralnych.
Algorytm QES-WOFSOpracowany w niniejszym badaniuWersja 1.0Zaproponowany algorytm selekcji cech Quantum-Enhanced Swarm–Whale Optimization.
Scikit-learnScikit-learn DevelopersWersja 1.6.1Biblioteka uczenia maszynowego wykorzystana do preprocessingu, selekcji cech i oceny.

Bibliografia

  1. 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
  2. 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
  3. 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.
  4. 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
  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
  6. 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
  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
  8. 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.
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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.
  15. 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.
  16. 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.
  17. 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.
  18. 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
  19. 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
  20. 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
  21. 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
  22. 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
  23. 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.
  24. 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
  25. 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.
  26. 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
  27. 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.
  28. 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.
  29. 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.
  30. 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.
  31. 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
  32. 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.
  33. 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
  34. 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
  35. 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
  36. Yu C, Wang Y. College student management system based on K-means clustering algorithm. Int J New Dev Educ. 2022;4(2):28-33.
  37. Chen J, Lu H. Evaluation method of classroom teaching effect under intelligent teaching mode. Mobile Networks and Applications. 2022;27(3):1262-1270.
  38. 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
  39. 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
  40. 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
  41. 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
  42. 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.
  43. Veluri RK, et al. Learning analytics using deep learning techniques for efficiently managing educational institutes. Materials Today: Proceedings. 2022;51(Part 8):2317-2320.
  44. 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.
  45. 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
  46. Pei Y, Lu G. Design of an intelligent educational evaluation system using deep learning. IEEE Access. 2023;11:29790-29799.
  47. 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.
  48. 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
  49. 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
  50. Li S, Liu T. Performance prediction for higher education students using deep learning. Complexity. 2021;2021:6620684. https://doi.org/10.1155/2021/6620684
  51. 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
  52. 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.

Przedruki i uprawnienia

Tagi

EngineeringDeep LearningClassical engineering student modelEngineering CollegeTeaching management systemBCRISQES WOFS and ML HQNC
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.