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.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Identyfikacja zainteresowań studentów w oparciu o dane dla inteligentnych systemów zarządzania nauczaniem w uczelniach technicznych
W tym artykule
Podsumowanie
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 informacyjnych i sieci komputerowych. Ciągły rozwój szkolnictwa wyższego wiąże się ze zwiększoną liczbą studentów, szczególnie na kierunkach inżynieryjnych, co skutkuje znacznym przyrostem danych dotyczących zarządzania edukacją. Wzrost ten wspiera zrównoważony rozwój edukacyjny, przyspiesza informatyzację kształcenia oraz ułatwia tworzenie standaryzowanych systemów zarządzania edukacją, które poprawiają spójność i efektywność administracji dydaktycznej. Uczenie maszynowe (ML) dostarcza technik obliczeniowych, które umożliwiają systemom analizę danych, uczenie się na podstawie wzorców i ciągłe doskonalenie wydajności predykcyjnej bez konieczności jawnego programowania1,2.
Jakość edukacji 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 kształcenia. Środowiska zorientowane na ucznia można tworzyć poprzez wykorzystanie różnorodnych zasobów edukacyjnych dostępnych na platformach online oraz stosowanie wielu teorii uczenia się w celu zaspokojenia potrzeb różnych uczniów. Efektywne nauczanie odgrywa kluczową rolę w poprawie wyników uczenia się studentów kierunków inżynieryjnych na uniwersytetach i uczelniach wyższych3,4. Ponadto skuteczne nauczanie sprzyja tworzeniu pozytywnego środowiska uczenia się, wspiera zrozumienie treści kursu i poprawia wyniki w nauce. Jakość edukacji jest oceniana za pomocą wielu wskaźników w całym procesie uczenia się, w tym struktury programu nauczania, środowiska w sali lekcyjnej oraz treści nauczania.
Kształcenie wyższe sprzyja rozwojowi intelektualnemu, osobistemu i społecznemu studentów. Jednocześnie zaangażowanie studentów – obejmujące wymiary behawioralne, emocjonalne i poznawcze – oraz wytrwałość akademicka 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 zależności między cechami poznawczymi, behawioralnymi i akademickimi studentów z wykorzystaniem 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 inżynierii są często czasochłonne i podatne na subiektywną ocenę ludzką. Brak uwagi uczniów podczas zajęć w klasie niekorzystnie wpływa na wyniki uczenia się i osiągnięcia akademickie7,8. Jednakże utrzymanie stałej uwagi studentów inżynierii pozostaje trudne ze względu na rozproszenia wewnętrzne i zewnętrzne oraz wahania motywacji.
Ocena i zwiększanie zaangażowania studentów stały się coraz ważniejsze w związku z powszechnym wprowadzeniem nauczania online, inteligentnych sal lekcyjnych 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 standardów prywatności i etyki. Ponadto ograniczona przejrzystość modeli oraz wyzwania związane z integracją technologii9,10, w tym błędy metodologiczne i kwestie sprawiedliwości edukacyjnej, nadal utrudniają rozwój systemów predykcyjnych zdolnych do wspierania uczących się poprzez ciągłe monitorowanie.
Metody uczenia maszynowego są szeroko stosowane w celu rozwiązania problemów edukacyjnych, takich jak przewidywanie ryzyka niepowodzeń uczniów oraz wskaźników rezygnacji ze studiów. Podejścia te wykazały zdolność do identyfikacji uczniów z grupy wysokiego ryzyka, wspierając tym samym interwencje poprawiające osiągnięcia akademickie11. Opracowano również systemy zarządzania edukacją oparte na sztucznej inteligencji (AI), aby usprawnić procesy administracyjne i akademickie w instytucjach szkolnictwa wyższego. Zbiory danych edukacyjnych zazwyczaj obejmują dokumentację akademicką, taką jak oceny z kursów, listy obecności i historię zapisów12.
Poprzednie badania analizowały zachowanie studentów z trzech perspektyw: danych ewaluacyjnych, metod oraz wyników13,14. W celu analizy cech behawioralnych studentów opracowano modele predykcyjne oparte na umiejętnościach informacyjnych. Badania te koncentrują się głównie na ocenie zachowań uczących się z wykorzystaniem metod głębokiego uczenia (Deep Learning, DL). Jednakże badania nad inteligentną oceną zachowań nauczycieli znajdują się wciąż we wczesnej fazie, co ogranicza postęp w tej dziedzinie. Szybkie konwolucyjne sieci neuronowe oparte na regionach (Fast R-CNNs) zostały zastosowane do zbiorów danych edukacyjnych w celu usprawnienia detekcji aktywności w klasie, wykazując znaczną poprawę wydajności w porównaniu z metodami tradycyjnymi15.
Modele dwukierunkowej długiej krótkotrwałej pamięci (Bi-LSTM) z wbudowanymi mechanizmami samomonitorowania poprawiły również dokładność przewidywania ocen studentów. Podobnie modele predykcyjne opracowane na podstawie zbiorów danych dotyczących zachowań w nauce online wykazały poprawę wydajności predykcyjnej16,17,18. Ponadto metoda k-średnich (KMC) była wykorzystywana do identyfikacji charakterystyki różnych grup studentów poprzez analizę skupień, dostarczając informacji o zachowaniach studentów, które wspierają usprawnienia w nauczaniu, zarządzaniu i uczeniu się. Zaproponowano również strategie oparte na głębokim uczeniu w celu poprawy wykrywania i oceny zachowań podczas nauczania w klasie. W tych podejściach cechy behawioralne w klasie są wykorzystywane do ustanowienia relacji między reprezentacjami cech a nadpłaszczyznami, stosując liniowo separowalne wartości startowe dla maszyny wektorów nośnych (SVM)19,20. Jednakże 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 efektów kształcenia w kursach uniwersyteckich, w tym do oceny edukacyjnej w ramach edukacji politycznej i ideologicznej21,22. Skuteczność tych modeli predykcyjnych została wykazana z wykorzystaniem publicznie dostępnych zbiorów danych edukacyjnych. Do przewidywania wyników w nauce studentów wykorzystano sieci neuronowe typu Spiking Neural Networks z przesuwanym sygnałem w przód (FSNNs), bazując na danych gromadzonych przez platformy e-learningowe i systemy zarządzania nauczaniem. Jak pokazano na Ryc. 1, proponowany schemat obliczeniowy wykorzystuje zbiór danych oceny edukacyjnej do identyfikacji zainteresowań studentów kierunków inżynierskich poprzez sekwencyjne etapy przetwarzania wstępnego danych, analizy wzorców behawioralnych, selekcji cech oraz klasyfikacji. Tabela 123,24,25,26,27,28,29,30,31,32 podsumowuje reprezentatywne metody opisane w poprzednich badaniach, wraz z zastosowanymi technikami i ich ograniczeniami w zakresie identyfikacji zainteresowań studentów w systemach zarządzania nauczaniem.
Rysunek 1: Schemat identyfikacji zainteresowań studentów. Ogólny przebieg proponowanego schematu identyfikacji zainteresowań studentów kierunków technicznych, obejmujący pozyskiwanie danych, wstępne przetwarzanie, analizę wzorców behawioralnych, wybór cech oraz klasyfikację. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Tabela 1: Analiza zachowań studentów w zarządzaniu nauczaniem.Podsumowanie reprezentatywnych metod, technik, zbiorów danych, metryk ewaluacji oraz zgłaszanych ograniczeń w analizie zachowań studentów w zarządzaniu nauczaniem. Kliknij tutaj, aby pobrać tę tabelę.
Swin Transformer oraz lekka sieć piramidy cech (Lightweight Feature Pyramid Network, FPN) zostały zastosowane do wykrywania zachowań uczniów w klasie poprzez wydajne przetwarzanie wieloskalowych map cech33. Ponadto, regulowana rekurencyjna sieć neuronowa optymalizowana algorytmem muszki owocowej (Fruit-Fly-Optimized Adjustable Recurrent Neural Network, PFFO-ARNN) była wykorzystywana do analizy zachowań uczniów podczas nauki online i przewidywania wyników z kursów34. Badania oparte na danych o zachowaniach studentów, zebranych z uniwersyteckich systemów zarządzania nauką, podkreśliły również nieefektywność i czasochłonność monitorowania zachowań w klasie przy użyciu konwencjonalnych metod głębokiego uczenia35. Tabela 236,37,38,39,40,41,42,43,44,45,46,47 podsumowuje reprezentatywne metody klasyfikacji, zbiory danych, metryki ewaluacji 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 zgłaszanych ograniczeń. Kliknij tutaj, aby pobrać tę tabelę.
W poprzednim badaniu48 opracowano model oceny jakości nauczania mieszanego oparty na głębokich sieciach przekonań (DBN) i zaproponowano mieszaną strategię ewaluacji w celu oceny jakości nauczania na uniwersytetach. Zaproponowane podejście przewyższyło konwencjonalny algorytm genetyczny (GA) zarówno pod względem dokładności klasyfikacji, jak i czasu wykonania, osiągając dokładność powyżej 95% w czasie krótszym niż 5.4 ms. Model został przeszkolony przy użyciu etykietowanych zbiorów danych edukacyjnych i oceniony z zastosowaniem niezależnej strategii testowej49,50. Raportowane wyniki wykazały wysoką zdolność predykcyjną, przy średnim błędzie bezwzględnym (MAE) wynoszącym 0.593% i pierwiastku błędu średniokwadratowego (RMSE) na poziomie 0.785%.
Niedawne architektury z wzmocnioną uwagą, takie jak KANFormer51, integrują wielogłowicową samoatencję (multi-head self-attention) 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, wykorzystując mechanizmy 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 długozasięgowych interakcji cech, podejścia te koncentrują się przede wszystkim na przewidywaniu wyników uczniów lub śledzeniu wiedzy, a nie na identyfikacji zainteresowań uczniów z uwzględnieniem niepewności poprzez inspirowane kwantowo modelowanie poznawcze, zoptymalizowany wybór cech i hybrydowe meta-uczenie.
Pomimo ostatnich postępów w uczeniu maszynowym i głębokim uczeniu w obszarze analityki edukacyjnej, istniejące metody identyfikacji zainteresowań studentów kierunków inżynieryjnych wykazują szereg ograniczeń. Wiele konwencjonalnych podejść koncentruje się przede wszystkim na dokładności przewidywań, pomijając wieloaspektową naturę zachowań studentów, w tym ewoluujące preferencje w nauce, niepewność behawioralną, zależności kontekstowe oraz interakcje semantyczne. Co więcej, metody te często opierają się na tradycyjnym inżynierii cech i deterministycznych strategiach uczenia, które mogą nie uchwycić w sposób adekwatny nieliniowych wzorców behawioralnych ani nie dostosowywać się do dynamicznych środowisk uczenia się. W związku z tym konieczne jest opracowanie bardziej kompleksowych ram integrujących solidne przetwarzanie wstępne danych, inteligentne modelowanie behawioralne, adaptacyjny wybór cech oraz hybrydowe techniki uczenia, aby usprawnić analizę złożonych danych edukacyjnych.
Aby rozwiązać te ograniczenia, zaproponowane ramy integrują solidne przetwarzanie wstępne danych, inspirowane kwantowo modelowanie behawioralne, zoptymalizowany dobór cech oraz hybrydowe kwantowo-klasyczne uczenie neuronowe w ramach jednolitego przepływu obliczeniowego służącego do identyfikacji zainteresowań studentów kierunków inżynieryjnych. Poprzez połączenie tych komplementarnych komponentów, zaproponowany protokół zapewnia systematyczne i reprodukowalne podejście do analizy złożonych danych edukacyjnych w celu wsparcia spersonalizowanego uczenia się oraz podejmowania decyzji edukacyjnych.
Celem niniejszego badania jest opracowanie i walidacja struktury CQEI z wykorzystaniem wielowymiarowych danych edukacyjnych i behawioralnych w celu identyfikacji zainteresowań studentów inżynierii. Struktura ta łączy w sobie zaawansowane wstępne przetwarzanie danych, modelowanie stanów poznawczych inspirowane mechaniką kwantową, zoptymalizowany dobór cech oraz Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC) w celu analizy zachowań edukacyjnych studentów i ułatwienia dokładnej identyfikacji ich zainteresowań. Wydajność oceniono przy użyciu standardowych metryk, w tym dokładności, wyniku F1 oraz pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), wraz z wskaźnikami Interest Detection Precision (IDP), Quantum Pattern Stability Index (QPSI) oraz Cross-Domain Adaptability Gain (CDAG). Poprzez zintegrowanie tych uzupełniających się komponentów w jeden przepływ obliczeniowy, proponowana struktura zapewnia systematyczne podejście do analityki edukacyjnej i inteligentnego podejmowania decyzji w obszarze edukacji.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
W niniejszym badaniu wykorzystano publicznie dostępny, zanonimizowany zestaw danych pobrany z repozytorium Kaggle. Bezpośrednio nie rekrutowano ani nie angażowano uczestników będących ludźmi, a żadne dane umożliwiające identyfikację osób nie były gromadzone. 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 inżynierii przy użyciu zbioru danych Teaching Quality Evaluation pobranego z repozytorium Kaggle. Zbiór danych został najpierw poddany wstępnemu przetwarzaniu metodą Box–Cox Robust IQR Scaling (BCRIS) w celu redukcji szumów semantycznych i normalizacji cech wejściowych. Następnie przeanalizowano wzorce behawioralne studentów przy użyciu modelu Quantum Cognitive State Model (QCSM). W celu zidentyfikowania informatywnych cech przy jednoczesnej redukcji ich redundancji zastosowano algorytm Quantum-Enhanced Swarm–Whale Optimization Feature Selection (QES-WOFS), modelujący kwantową optymalizację wyboru, istotność informacji zwrotnej oraz przejściowe zmienności behawioralne. Na koniec zintegrowano kwantowe uczenie z głębokimi rezdualnymi warstwami semantycznymi w ramach klasyfikatora Meta-Learning Hybrid Quantum-Classical Neural Classifier (ML-HQNC), aby zidentyfikować zainteresowania studentów.
Ogólny przebieg proponowanego frameworka ML-HQNC przedstawiono na rycinie 2. Protokół obejmował sześć kolejnych etapów, zaczynając od pozyskania zestawu 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 framework został ostatecznie oceniony pod kątem dokładności (accuracy), miary F1-score, pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), precyzji wykrywania zainteresowań (IDP), indeksu stabilności wzorców kwantowych (QPSI) oraz przyrostu adaptacyjności międzydomenowej (CDAG).
Rycina 2: Schemat hybrydowego kwantowo-klasycznego klasyfikatora neuronowego z meta-uczeniem (ML-HQNC). Ogólna architektura proponowanego frameworka ML-HQNC integrującego skalowanie Box–Cox Robust IQR (BCRIS) do wstępnego przetwarzania danych, kwantowy model stanu poznawczego (QCSM) do analizy wzorców behawioralnych, algorytm wyboru cech oparty na kwantowo-ulepszonej optymalizacji rojem wielorybów (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 opracowano z wykorzystaniem publicznie dostępnego zbioru danych Teaching Quality Evaluation Dataset pobranego z repozytorium Kaggle. Zbiór ten zawierał 1 014 rekordów edukacyjnych z 14 wielowymiarowymi cechami reprezentującymi wyniki w nauce, oceny z testów, frekwencję, charakterystykę dydaktyczną oraz wskaźniki behawioralne studentów, zgromadzone za pośrednictwem 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 przy użyciu proponowanego schematu w celu zbudowania modelu uczenia i poprawy jego zdolności predykcyjnych.
Pomimo że podstawowy zbiór danych nosi nazwę Teaching Quality Evaluation Dataset, celem niniejszego badania było określenie zainteresowań studentów inżynierii. Atrybuty edukacyjne, behawioralne i instruktażowe zawarte w zbiorze danych posłużyły jako zmienne wejściowe do trenowania i oceny proponowanej struktury. W związku z tym wszystkie raportowane wyniki predykcji i wskaźniki wydajności opisują skuteczność struktury w identyfikowaniu zainteresowań studentów inżynierii, a nie ocenę jakości nauczania. Przed wstępnym przetwarzaniem danych zweryfikowano zaimportowany zbiór, 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 Boxa-Coxa (BCRIS)
Do wstępnego przetwarzania i normalizacji zbioru danych edukacyjnych wykorzystano metodę odpornego skalowania IQR Boxa-Coxa (BCRIS), łącząc transformację 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 proponowanego modelu inteligencji edukacyjnej, BCRIS przekształcił wielowymiarowe wskaźniki edukacyjne, instruktażowe i behawioralne w reprezentacje cech o kontrolowanej wariancji. Cechy takie jak attendance_rate, interactive_sessions_percentage oraz powiązane zmienne edukacyjne zostały znormalizowane, aby poprawić spójność zbiorów danych treningowych i testowych. Szczegółowe wyjaśnienia matematyczne znajdują się w Pliku uzupełniającym 1 (Sekcja S1). Metoda BCRIS zapewniła kompatybilną z komputerami kwantowymi strategię wstępnego przetwarzania, która znormalizowała heterogeniczne dane edukacyjne przed późniejszą analizą statystyczną, zachowując jednocześnie kluczowe cechy behawioralne niezbędne do modelowania. Przed analizą behawioralną zweryfikowano potok przetwarzania, aby upewnić się, że znormalizowany zbiór danych nie zawiera błędnych ani brakujących wartości, szum semantyczny został zredukowany, a przetworzone cechy są odpowiednie do dalszego modelowania behawioralnego.
4. Transformacja cech i reprezentacja behawioralna przy użyciu kwantowego modelu stanu poznawczego (QCSM)
Kwantowy model stanu poznawczego (QCSM) został zaimplementowany w celu modelowania dynamiki zainteresowań studentów kierunków technicznych przy użyciu probabilistycznych reprezentacji inspirowanych mechaniką kwantową. Zainteresowanie studenta przedstawiono jako nakładanie się wielu stanów koncepcyjnych, które odzwierciedlały hierarchię pojęć poznawczych, niepewność, nakładanie się koncepcji, jednoczesne zaangażowanie w wiele tematów, wahania lub niezdecydowanie w zachowaniach 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 koncepcyjnym 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). Model QCSM modelował probabilistyczne stany poznawcze w celu reprezentacji przyswajania wiedzy, zmian koncepcyjnych, zaangażowania w naukę oraz zainteresowania przedmiotem poprzez znormalizowane reprezentacje stanu kwantowego. Reprezentacje behawioralne zostały zweryfikowane we wszystkich rekordach studentów, aby upewnić się, że wyekstrahowane 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 oraz określenia wysokoinformacyjnych charakterystyk behawioralnych z wielowymiarowych danych edukacyjnych. Inspirowane mechaniką kwantową mechanizmy przeszukiwania usprawniły integrację globalnych i lokalnych strategii poszukiwania 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. Potencjalne podzbiory cech modelowano przy użyciu kwantowych reprezentacji prawdopodobieństwa, podczas gdy mechanizm tunelowania kwantowego umożliwił probabilistyczne przejścia poza optima lokalne. Ważność cech oszacowano za pomocą wiarygodności brzegowej, aby ilościowo określić wkład każdej cechy w wydajność klasyfikacji oraz adaptacyjne stany roju. Algorytm QES-WOFS wyselekcjonował stabilne i istotne behawioralnie cechy, co poprawiło odporność na szum, zmienność międzysemestralną oraz okresowe wahania behawioralne.
Aby przezwyciężyć ograniczenia związane z niezależnym stosowaniem algorytmu optymalizacji wielorybów (WOA) lub optymalizacji rojem cząstek (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 nadmiarowość cech i poprawiając zbieżność do optymalnego podzbioru cech służącego do identyfikacji zainteresowań studentów kierunków technicznych.
Szczegółowe sformułowania matematyczne przedstawiono w Pliku uzupełniającym 1 (Sekcja S3). Algorytm QES-WOFS połączył kwantowe probabilistyczne kodowanie cech, strategię prędkości dostosowaną do PSO oraz mechanizm spiralnego wyszukiwania inspirowany wielorybami, aby zidentyfikować najbardziej informacyjne cechy edukacyjne. Hiperparametry zostały zoptymalizowane empirycznie przy użyciu zbioru treningowego. Wartości kandydackie oceniano poprzez systematyczne eksperymenty, a wybrano kombinację zapewniającą najwyższą wydajność walidacji. W szczególności parametr transformacji Boxa–Coxa (λ = 0.25), margines straty kontrastowej (m = 1.0) oraz współczynniki tunelowania kwantowego (α = 0.7 i β = 0.3) zostały wybrane na podstawie dokładności walidacji, wyniku F1 oraz zachowania zbieżności. 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 opartego na meta-uczeniu (ML-HQNC)
Hybrydowy kwantowo-klasyczny klasyfikator neuronowy oparty na meta-uczeniu (ML-HQNC) został zaimplementowany poprzez połączenie głębokich sieci neuronowych z obliczeniami inspirowanymi kwantowo w celu zidentyfikowania zainteresowań studentów kierunków inżynieryjnych. Wielogłowicowe mechanizmy kwantowej uwagi oraz głębokie rezydualne warstwy semantyczne pozwoliły na uchwycenie złożonych nieliniowych zależności w wielowymiarowych danych edukacyjnych reprezentowanych za pomocą wariacyjnych obwodów kwantowych (VQCs). Cechy pochodzące z analizy behawioralnej, w tym student_average_grade, attendance_rate oraz student_feedback_rating, zostały rzutowane na kwantową przestrzeń stanów, w której znormalizowane dane wejściowe przekształcono w kwantowe reprezentacje oparte na amplitudach, 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 dokonał klasyfikacji i identyfikacji zainteresowań studentów kierunków inżynieryjnych.
Klasyfikator ML-HQNC wykorzystał strategię epizodycznego meta-uczenia podczas treningu. Do każdego epizodu przypisano jedno losowo wybrane zadanie meta-uczenia ze zbioru treningowego. Przy zachowaniu rozkładu klas, dane treningowe podzielono na zbiór wspierający (80%) oraz zbiór zapytań (20%). Zbiór wspierający służył do adaptacji parametrów specyficznych dla zadania poprzez wewnętrzną pętlę optymalizacji, natomiast 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 wykorzystano pięć kroków aktualizacji gradientu z wewnętrzną prędkością uczenia 0,001, natomiast optymalizator Adam z zewnętrzną prędkością uczenia 0,0005 optymalizował meta-parametry. Losowe próbkowanie zadań powtarzano w każdej epoce treningowej, aby wystawić model na różnorodne wzorce zachowań i poprawić generalizację w odniesieniu do wcześniej nieznanych profili uczniów. Estymacja straty dla kwantowego wyrównania kontrastowego została opisana w Pliku uzupełniającym 1 (Równania 41–45). Trening modelu został zweryfikowany, aby zapewnić pomyślną zbieżność bez błędów obliczeniowych oraz potwierdzić, że krzywe straty treningowej i walidacyjnej ustabilizowały się w kolejnych epokach.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Zaproponowany framework ML-HQNC został oceniony w porównaniu z Fast R-CNN, Bi-LSTM, CNN oraz XGBoost przy użyciu konwencjonalnych metryk klasyfikacji, w tym dokładności (Accuracy), precyzji (Precision), czułości (Recall), miary F1-score oraz pola pod krzywą charakterystyki pracy odbiornika (AUC), wraz z zaproponowanymi metrykami oceny: precyzją detekcji zainteresowania (Interest Detection Precision – IDP), indeksem stabilności wzorca kwantowego (Quantum Pattern Stability Index – QPSI) oraz przyrostem adaptacyjności międz...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
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...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autor oświadcza, że nie istnieją żadne konflikty interesów.
Podziękowania
Autor dziękuje Uniwersytetowi w Bengbu, Bengbu, Chiny, za zapewnienie wsparcia akademickiego i środowiska badawczego, które umożliwiły przeprowadzenie niniejszej pracy. Praca ta była finansowana w ramach Rocznego Projektu Inżynierii Jakości na poziomie szkoły z 2025 roku Uniwersytetu w Bengbu (nr 2025zhkc1).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Modele bazowe (Fast R-CNN, Bi-LSTM, CNN, XGBoost) | Implementacje open-source | Fast R-CNN (2015); implementacja TensorFlow/Keras v2.16; XGBoost v2.1.1 | Modele referencyjne wykorzystane do porównawczej oceny wydajności. |
| Moduł preprocessingu BCRIS | Opracowany w niniejszym badaniu | Wersja 1.0 | Niestandardowy moduł preprocessingu implementujący transformację Boxa-Coxa oraz odporną normalizację IQR. |
| Jupyter Notebook | Project Jupyter | Wersja 7.2.2 | Interaktywne środowisko programistyczne wykorzystane do implementacji, trenowania i testowania. |
| Klasyfikator ML-HQNC | Opracowany w niniejszym badaniu | Wersja 1.0 | Zaproponowany hybrydowy kwantowo-klasyczny klasyfikator sieci neuronowej z ramami meta-learningu. |
| Python | Python Software Foundation | Wersja 3.11.9 | Język programowania wykorzystany do rozwoju modelu i eksperymentów. |
| PyTorch | PyTorch Foundation | Wersja 2.5.1 | Framework deep learning wykorzystany do implementacji i trenowania modelu. |
| Model QCSM | Opracowany w niniejszym badaniu | Wersja 1.0 | Zaproponowany Kwantowy Model Stanu Poznawczego (Quantum Cognitive State Model) do reprezentacji wzorców behawioralnych. |
| Algorytm QES-WOFS | Opracowany w niniejszym badaniu | Wersja 1.0 | Zaproponowany algorytm selekcji cech Quantum-Enhanced Swarm–Whale Optimization. |
| Scikit-learn | Scikit-learn Developers | Wersja 1.6.1 | Biblioteka uczenia maszynowego wykorzystana do preprocessingu, selekcji cech i oceny. |
Bibliografia
- 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.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.