Многоперспективное нечеткое мышление и анализ поведения онлайн-обучения на основе XGBoost

Summary

В этом исследовании используется многоперспективная модель нечеткого рассуждения и улучшенный алгоритм усиления экстремального градиентного бустинга (XGBoost) (оптимизированный с помощью усовершенствованного алгоритма оптимизации серого волка) для анализа поведения в онлайн-обучении и классификации эмоций комментариев студентов, обеспечивая поддержку персонализированного обучения и своевременного вмешательства.

Abstract

Бурное развитие онлайн-образования сделало онлайн-классы важной частью образовательной сферы. Глубокий анализ учебного поведения учащихся в онлайн-обучении помогает им оптимизировать стратегии преподавания и обеспечивать персонализированную поддержку обучения для учащихся. Поэтому для глубокого анализа учебного поведения учащихся это исследование собирает данные с онлайн-платформ для обучения и предварительно их обрабатывает. Впоследствии это исследование строит многоперспективную модель размытого рассуждения, охватывающую три измерения: учебный план, индивидуальный и класс, чтобы всесторонне рассмотреть учебные результаты учащихся на разных уровнях. Эта модель обрабатывает неопределённую информацию в данных о поведении обучения через нечеткие наборы и нечеткие правила, достигая многомерной оценки эффективности обучения. Улучшенный алгоритм XGBoost разработан для классификации эмоций студентов при комментариях. Этот улучшенный алгоритм оптимизирует гиперпараметры алгоритма XGBoost, улучшая алгоритм оптимизации серого волка. Алгоритм повышает точность классификации эмоций и дополнительно исследует эмоциональные тенденции и обратную связь на отношение к их учебному поведению. Результаты показали, что с точки зрения учебной программы уровень выполнения заданий за 3 недели до экзамена был примерно выше 45%, что значительно выше, чем через три недели после публикации задания (оба менее 18%). Эти результаты показали, что студенты чаще готовы выполнять задачи до срока и явно прокрастинировали. Максимальная точность улучшенного алгоритма классификации составила 98,78%, что на 8,57%, 7,55%, 6,38% и на 6,01% выше, чем у модели сравнения, а среднее время — 58 мс. Показатели воспоминания негативных, положительных и нейтральных эмоций составили 98,35%, 97,69% и 98,02%. Модель исследования может эффективно анализировать поведение учащихся в онлайн-обучении и обеспечивать раннее выявление учащихся из группы риска, способствуя персонализированному обучению и точному вмешательству в онлайн-обучение.

Introduction

Глубокая интеграция Интернета и образовательных технологий сделала онлайн-образование шагом из маргинального дополнения к мейнстримной форме. К концу 2023 года число зарегистрированных онлайн-обучающихся в мире превысило 1,2 миллиарда, а Китай стабильно занимал первое место в мире как по числу массовых открытых онлайн-курсов (MOOC), так и по числу^{обучающихся 1,2}. Однако, хотя онлайн-обучение приносит удобство, оно также подвергает вызовы, такие как непрозрачный процесс обучения, разделение учителей и учеников во времени и пространстве, а также отставание регуляторной обратной ....

Protocol

Разработка метода LBA с учётом MPFR и эмоциональных перспектив

Создана многоперспективная система оценки для анализа онлайн-обучения студентов (SOLB), а также разработана модель MPFR. Для дальнейшего анализа субъективных чувств учащихся в обучении в этом исследовании используется алгоритм XGBoost и разработан алгоритм IGWO для гиперпараметрической оптимизации с целью повышения точности классификации.

Создание модели MPFR для LBA

Для анализа SOLB это исследование в основном начинается с двух точек зрения для формировани....

Results

Результаты LBA с учётом многоперспективной и классификации настроений

Для проверки производительности создаётся экспериментальная среда и описывается экспериментальный набор данных. Кроме того, в этом исследовании выбирается сравнительный алгоритм IGWO-XGBoost и анализируется и проверяет его с помощью таких показателей, как точность, расход времени и скорость воспоминания. В анализе результатов исследование делит его на два чётко выраженных ра.......

Discussion

Для анализа SOLB в этом исследовании были разработаны модели MPFR и IGWO-XGBoost и использованы данные с онлайн-платформ обучения. В эксперименте наблюдалась высокая согласованность между оценкой модели вывода и фактической оценкой, что свидетельствует об эффективности модели вывода. Около 25% студентов занимались 1-10 часов на курсе. Доля студентов с учебными часами в возрасте 11-20, 21-30, 31-40 часов и старше 41 часа составляла 30%, 20%, 15% и 10%. Это свидетельствует о умеренной инте.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Модель предварительно обученного языка BERT	Исследование Google	https://github.com/google-research/bert
Словарь эмоций CNKI	CNKI	https://www.cnki.net/
Платформа Чаосинг изучает поведенческие данные	Чаосинг INFORMATION TECHNOLOGY DEVELOPMENT Co., Ltd	https://www.chaoxing.com/
Компьютерная память			Универсальный поставщик оборудования (конкретной модели нет)
Список терминов Харбинского технологического института	Харбинский технологический институт	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Инструмент сегментации слов Jieba (режим точности)	Стороннее сообщество с открытым исходным кодом	https://github.com/fxsjy/jieba.
Данные оценки студентов платформы MOOC	Love Course Network	https://www.icourse163.org/
Библиотека NLTK	Команда разработчиков NLTK	https://www.nltk.org/
Язык программирования Python	Фонд программного обеспечения Python	https://www.python.org/
Scikit-learn 1.2.2	Scikit learn team	https://scikit-learn.org/stable/
Платформа Smart Tree изучает поведенческие данные	Smart Tree Network	https://www.zhihuishu.com/
Технология SMOTE	Команда разработчиков Disbalanced Learn	Интегрировано в библиотеку Imbalanced Learn, https://imbalanced-learn.org/stable/
Операционная система Windows 10	Корпорация Microsoft	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	Команда разработчиков XGBoost	https://xgboost.readthedocs.io/