Çok Perspektifli Bulanık Akıl Yürütme ve XGBoost Tabanlı Çevrimiçi Öğrenme Davranışı Analizi

Özet

Bu çalışma, çevrimiçi öğrenme davranışını analiz etmek ve öğrenci yorum duygularını sınıflandırmak için çok perspektifli bulanık akıl yürütme modeli ve geliştirilmiş aşırı gradyan artırma (XGBoost) algoritması (geliştirilmiş bir grey wolf optimizasyon algoritmasıyla optimize edilmiş) kullanarak kişiselleştirilmiş öğretim ve zamanında müdahale için destek sağlamaktadır.

Özet

Çevrimiçi eğitimin hızla gelişmesi, çevrimiçi sınıfları eğitim alanının önemli bir parçası haline getirmiştir. Çevrimiçi öğretimde öğrencilerin öğrenme davranışlarının derinlemesine analizi, öğretmenlerin öğretim stratejilerini optimize etmesine ve öğrencilere kişiselleştirilmiş öğrenme desteği sunmasına yardımcı olabilir. Bu nedenle, öğrencilerin öğrenme davranışlarının derinlemesine analizini yapmak için bu çalışma, çevrimiçi öğretim platformlarından veri toplar ve ön işler yapar. Sonrasında, bu çalışma, öğrencilerin farklı seviyelerdeki öğrenme performansını kapsamlı şekilde değerlendirmek için müfredat, bireysel ve sınıf olmak üzere üç boyutu kapsayan çok perspektifli bulanık bir akıl yürütme modeli oluşturur. Bu model, öğrenme davranışı verilerindeki belirsiz bilgileri bulanık kümeler ve bulanık kurallarla işleyerek öğrenme performansının çok boyutlu bir değerlendirmesini sağlar. Geliştirilmiş bir XGBoost algoritması, öğrencilerin yorum duygularını sınıflandırmak için tasarlanmıştır. Bu geliştirilmiş algoritma, gri kurt optimizasyon algoritmasını geliştirerek XGBoost algoritmasının hiperparametrelerini optimize eder. Algoritma, duygu sınıflandırmasının doğruluğunu artırır ve öğrenme davranışlarının arkasındaki duygusal eğilimleri ve tutum geri bildirimlerini daha da inceler. Sonuçlar, müfredat açısından bakıldığında, sınavdan 3 hafta önce ders görevlerinin tamamlanma oranının temelde %45'in üzerinde olduğunu gösterdi; bu da görev yayınlandıktan üç hafta sonra gerçekleşen tamamlanma oranından çok daha yüksekti (her ikisi de %18'den düşük). Bu sonuçlar, öğrencilerin görevleri son tarihten önce tamamlamaya daha yatkın olduklarını ve bariz erteleme eğilimleri olduğunu gösterdi. Geliştirilmiş sınıflandırma algoritmasının maksimum doğruluğu %98,78 olup, karşılaştırma modelinden %8,57, %7,55, %6,38 ve %6,01 daha yüksektir; ortalama zaman tüketimi ise 58 ms idi. Negatif, pozitif ve nötr duygular için geri çağırma oranları %98,35, %97,69 ve %98,02 idi. Araştırma modeli, öğrencilerin çevrimiçi öğrenme davranışlarını etkili bir şekilde analiz edebilir ve risk altındaki öğrencilerin erken teşhisini sağlayarak kişiselleştirilmiş öğretim ve çevrimiçi eğitimde hassas müdahaleyi kolaylaştırabilir.

Giriş

İnternet ve eğitim teknolojisinin derin entegrasyonu, çevrimiçi eğitimi marjinal bir tamamlayıcıdan ana akım bir forma dönüştürdü. 2023 sonuna gelindiğinde, dünya çapında kayıtlı çevrimiçi öğrenici sayısı 1,2 milyarı geçti ve Çin, hem Büyük Açık Çevrimiçi Kurslar (MOOC) sayısında hem de ^1,2 öğrenci sayısında sürekli olarak dünyada birinci sırada yer aldı. Ancak, çevrimiçi öğretim kolaylık getirse de, opak öğrenme süreci, öğretmenler ve öğrencilerin zaman ve mekân içindeki ayrılığı ve düzenleyici geri bildirimlerin gecikmesi gibi zorlukları da ortaya koyuyor. Öğrenme davranışı verileri ile akademik performans arasında olumlu bir korelasyon vardır. Verilere dayalı dinamik ayarlama, ders tamamlama oranlarını %20'den fazla artırabilir ve ^3,4,5 terk riskini önemli ölçüde azaltabilir. Bu nedenle, Öğrenme Davranışı Analizi (LBA) yapmak çok önemlidir. Bu konuya ilişkin mevcut yöntemler arasında tanımlayıcı istatistik, ilişkilendirme kuralı madenciliği ve geleneksel makine öğrenimi^{sınıflandırması yer almaktadır.} Birçok akademisyen bu konuyu araştırdı.

LBA yapmak için Li Y ve arkadaşları, Harvard Üniversitesi ve Massachusetts Teknoloji Enstitüsü'ndeki çevrimiçi öğretim platformlarından alınan öğrenme davranışı verilerini kullanarak öğrenme sonuçlarını tahmin etmek için bir Pulse Sinir Ağı (PNN) inşa ettiler. Öğrenme davranışı ile sonuçlar arasındaki korelasyonu analiz ettiler. PNN tabanlı çevrimiçi öğrenme davranışı tahmin modeli %99,80 doğruluk ^{sağlamıştır7}. Zeng B, gecikmeli dizilim analizi, birleşik veri madenciliği yöntemleri ve minimum spanning tree algoritması kullanarak çevrimiçi İngilizce öğrenme davranışını görselleştirmek için verimli bir model tasarladı. Ayrıca, çalışma Grup Öğrenme Yolu (GLP) inşaat hizmetleri için çevrimiçi bir akıllı öğrenme platformu da oluşturdu. Tasarlanan yöntem başarılı bir GLP⁸ inşa edebiliyordu. Zhao M ve arkadaşları, öğrencilerin çevrimiçi öğrenimindeki potansiyel sorunları ortaya çıkarmak için çift katmanlı Uzun Kısa Süreli Hafıza (LSTM) tasarladılar. TensorFlow çerçevesini ve Python dilini kullandılar ve çevrimiçi platformlar Kaggle, edX ve Birleşik Krallık Open Üniversitesi'nden verileri kullandılar. Bu ağ, %83,4 doğrulukla iyi bir performans ^{sergiliyordu.} Li F ve arkadaşları, farklı çevrimiçi öğrenenlerin grup davranış özelliklerini anlamak için 109 lisans öğrencisinden öğrenme davranışı verilerini topladı ve analiz etti. Bu çalışma, veri boyutluluğunu azaltmak için ana bileşen analizini tanıttı ve öğrenenleri çeşitli kategorilere ayırmak için kümeleme kullandı. Bunlar arasında 15 grup kümelenmiş ve önerilen yöntem iyi kümeleme^{doğruluğuna sahipti 10}.

Özetle, LBA üzerine güncel araştırmalar oldukça çeşitlidir ve çok çeşitli yöntemler kullanır. Ancak, bu çalışmaların ve yöntemlerin bazı eksiklikleri de vardır. Örneğin, öğrenci inceleme metinlerinde duygusal bilginin yeterince madenciliği yoktur ve tanımlayıcı istatistikler davranışların arkasındaki karmaşık etkileşim mekanizmalarını ortaya koyamaz. Makine öğrenimi sınıflandırması genellikle derslerin, bireylerin ve sınıfların çok boyutlu bilgilerini ayıran tek perspektif özelliklerine dayanır. LBA'yı daha iyi yapmak için, bu çalışma Çok Perspektifli Bulanık Akıl Yürütme (MPFR) modeli tasarlar ve Geliştirilmiş Gri Kurt Optimizasyonu (IGWO) ve eXtreme Gradient Boosting (XGBoost) algoritmaları üzerine inşa edilen bir duygu sınıflandırma modeli oluşturur.

Mevcut LBA araştırmalarında, LSTM öğrenme davranışlarının zamansal korelasyonunu yakalayabilse de, belirsiz ve belirsiz öğrenme davranışı verilerini işleme yeteneği zayıftır. Konvolüsyon Sinir Ağı (CNN), metin özellikleri çıkarımında bazı avantajlara sahiptir, ancak yerel özellikleri yakalamada daha iyidir ve dersler, bireyler ve sınıfların çok boyutlu küresel bilgilerini entegre etmek zordur. CNN ve LSTM gibi derin öğrenme yöntemleriyle karşılaştırıldığında, MPFR modeli bulanık akıl yürütme yoluyla öğrenme davranışındaki belirsiz bilgileri yakalayabilir. Örneğin, öğrencilerin "orta düzeyde katılımı" ve bulanık durumlara "temel hakimiyeti", CNN'in yerel özellik çıkarma kısıtlamalarını telafi eder. IGWO-XGBoost, duygu sınıflandırmasında doğruluk ve verimliliği dengeler; bu da zaman alıcı LSTM duygu sınıflandırması ile zayıf CNN anlamsal bulanık işleme durumunu telafi eder. Bu çalışma, davranış ve duygu analizinin sonuçlarını birleştirerek çevrimiçi öğretim müdahalesi için üç boyutlu bilgi desteği sağlamayı amaçlamaktadır. Araştırmanın yeniliği, müfredat, bireysel ve sınıf olmak üzere üç boyutu kapsayan bir MPFR modelinin oluşturulmasındadır. Bu kapsamlı değerlendirme, birden fazla bakış açısından öğrencilerin öğrenme performansını kapsamlı ve stereoskobik olarak yansıtabilir, tek bir bakış açısından gözden kaçabilecek önemli bilgileri önlemektir. Bu yöntem iyi platform ölçeklenebilirliğine sahiptir ve Chaoxing ve MOOC gibi ana akım çevrimiçi öğrenme platformlarına uyarlanabilir; yani ek platform geliştirme fonksiyonlarına ihtiyaç duyulmadan birleşik bir veri ön işleme arayüzü aracılığıyla. Aynı zamanda, bu yöntem basit bir analiz aracı olarak kapsüllenmiş ve eğitimciler, karmaşık teknik işlemler olmadan otomatik olarak LBA raporları oluşturmak için platformdan ihracata aktarılan temel verileri yüklemeleri yeterlidir.

Protokol

MPFR ve duygusal bakış açılarını dikkate alan LBA yönteminin tasarımı

Öğrencilerin Çevrimiçi Öğrenme Davranışını (SOLB) analiz etmek için çok perspektifli bir değerlendirme sistemi oluşturulur ve bir MPFR modeli hazırlanır. Öğrencilerin öğrenmedeki öznel duygularını daha derin analiz etmek için, bu çalışma XGBoost algoritmasını benimser ve sınıflandırma doğruluğunu artırmak için hiperparametre optimizasyonu için IGWO algoritmasını tasarlar.

LBA için MPFR modelinin inşası

SOLB'yi analiz etmek için, bu çalışma esas olarak iki açıdan başlayarak tam bir analiz planı oluşturur. İlk olarak, öğrenme performansı açısından bu çalışma üç perspektifi ele alarak MPFR modelini oluşturmaktadır: müfredat, bireysel ve sınıf. İkinci olarak, öğrenci yorumlarının duygusal analizi açısından, bu çalışma geliştirilmiş bir XGBoost algoritması tasarlamaktadır. Öğrenme performansı ve öğrenci geri bildirim duygularının analizi sayesinde, bu çalışma SOLB'u daha iyi analiz edebilir. Öğrenme performans analizinin teknik detayları açısından, bu çalışma önce çevrimiçi bir öğrenme platformundan alınan verileri kullanır ve ön işlenir. İkinci olarak, bu çalışma farklı bakış açılarından temel öğrenme performans değerlendirme göstergelerini seçerek kapsamlı bir değerlendirme sistemi oluşturur. Sonrasında, öğrenme davranışını değerlendirmek için karşılık gelen bir MPFR modeli oluşturulur.

Bu çalışma, Superstar platformundan veri seçiyor (kaynak: https://www.chaoxing.com/). Sınıf etkinlikleri ve not değerlendirmesi gibi birden fazla boyuttan bilgi içerir ve sonraki LBA için iyi bir temel oluşturabilir. Veri alındıktan sonra, öncelikle alakasız alan silme, veri filtreleme ve veri bütünlüğü kontrolleri dahil olmak üzere ön işlenmiş olmalıdır. Örneğin, öğretmen verilerinde, dersin ait olduğu bölüm ve sayı gibi alakasız bilgiler kaldırılmalıdır. Daha sonra, bu çalışma LBA'nın özellik mühendisliğini Superstar platformunun öğrenme davranışı verilerine dayanarak inşa etmektedir. Öğrenci LBA indeksi, sonraki MPFR modeli için özellik mühendisliği temeli sağlar ve bu indeksin içeriği Şekil 1'de gösterilmiştir.

Şekil 1: Öğrenci LBA'sı için göstergeler. Şekil, öğrenci LBA'sının üç temel boyutunu (müfredat, bireysel, sınıf) ve her boyut altındaki özel değerlendirme göstergelerini netleştirerek MPFR modeline özellik desteği sağlar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 1'de, öğrenci LBA göstergeleri esas olarak üç bakış açısı etrafında dönür: ders, bireysel ve sınıf; her boyuta net bir odaklanma ile MPFR modellerinin inşası için kesin özellik desteği sağlanır. Bunlar arasında, ders boyutu göstergeleri açısından, bu çalışma ders görevinin tamamlanma oranını, ders öğrenme süresini ve ders etkileşim sıklığını seçmektedir. Bu boyutun temel endişesi, ders görevlerinin genel tamamlanma kalitesi ve öğrenme katılımının zamanında gerçekleşmesidir. Örneğin, ders görevlerinin tamamlanma oranı, son tarih öncesi ve sonrası tamamlama oranlarındaki farkı takip etmek için kullanılır; Ders çalışmasının süresi, farklı öğrenme yoğunluğu aralıklarını ayırt etmek için kullanılır; Elbette etkileşim sıklığı, etkili etkileşimli davranışları filtrelemek için kullanılır. Kişisel düzeyde, kişisel öğrenme ilerlemesi, ödev tamamlama kalitesi ve sınav puanları değerlendirme göstergeleri olarak seçilir. Bu boyut, kişisel öğrenme ilerlemesi ile bilgi ustalığı sonuçları arasındaki uyum derecesine odaklanır. Örnekler arasında kişisel öğrenme ilerlemesini ders planlarıyla karşılaştırmak, tamamlanan ödevlerin doğruluğunu ve verimliliğini değerlendirmek ve test puanlarına göre bilgi ustalığı seviyelerini sınıflandırmak yer alır. Ayrıca, sınıf boyutu açısından seçilen göstergeler arasında sınıf ortalama puanı, sınıf etkileşim etkinliği ve sınıf öğrenme atmosferi yer alır. Bu boyut esas olarak genel öğrenme ortamının bireysel davranış üzerindeki etkisine odaklanır. Örneğin, ortalama not, gruptaki bireysel performans seviyesini belirlemek için kullanılır; sınıf etkileşimi etkinliği, kolektif katılım derecesini yansıtmak için kullanılır; Öğrenme ortamı, grup ortamının öğrenme davranışı üzerindeki itici etkisini analiz etmek için kullanılır. Öğrencilerin öğrenme davranışlarını analiz etmek için bulanık bir akıl yürütme modeli oluşturulur ve öğrenme davranışı özellikleri farklı bakış açılarından elde edilir. Bulanık akıl yürütme, belirsiz veya belirsiz bilgileri bulanık kümeler ve bulanık kurallar aracılığıyla işleyen bulanık mantık kullanılarak yapılan bir akıl yürütme yöntemidir ve güçlü esneklik ile kolay anlaşılma avantajlarına^{sahiptir 11,12}. MPFR modellerinin temel hesaplama mekanizması olarak bulanık akıl yürütme, özellik mühendisliğinden sonra uygulanır. Bulanık akıl yürütmenin ana süreci Şekil 2'de gösterilmiştir.

Şekil 2: Bulanık akıl yürütmesinin ana akış şeması. Şekil, bulanık akıl yürütmenin temel sürecini ve dört temel adımı içerir: bulanıklaştırma, bulanık kural tabanının oluşturulması, bulanık akıl yürütme ve bulanıklaştırma, ayrıca MPFR modelinin belirsiz öğrenme davranışı verilerini işlemedeki mantığını netleştirir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Bulanık akıl yürütme esas olarak bulanıklaştırma, Bulanık Kural Kütüphanesi (FRL) oluşturma, bulanık akıl yürütme ve bulanıklaştırmayı içerir. Bunlar arasında, bulanıklaştırma kesin giriş verilerinin bulanık kümelere dönüştürülmesini gerektirir ve üyelik fonksiyonlarının tanımlanmasını içerir. FRL, bir dizi bulanık kural içerir ve esas olarak giriş ile çıktı arasındaki ilişkiyi tanımlamak için kullanılır. Belirsiz kural tabanının oluşturulmasında, çalışma ≥ 8 yıllık öğretim deneyimine sahip üç eğitim teknolojisi doçentini davet ederek birlikte 28 kural geliştirir ve nihai kurallar "Delphi yöntemi" kullanılarak üç tur yineleme yoluyla belirlenir. Örneğin, Kural 1: Eğer ders görevinin tamamlanma oranı %30'dan azsa ve bireysel öğrenme ilerlemesi planın 2 hafta gerisindeyse → yüksek riskli durumdur. Bulanık akıl yürütme, bir FRL üzerine oluşturulan bulanık giriş verilerini çıkarma ve bulanık çıktı sonuçları elde etme sürecidir. Son olarak, bulanık çıktı sonucunu doğru bir çıktı değerine dönüştürür. Çalışma, bulanık mantık sistemlerinde yaygın olarak kullanılan ve güçlü esneklik ile yüksek hesaplama verimliliği gibi avantajlara sahip üçgen üyelik fonksiyonunu seçmektedir. _A(x) μ fonksiyonunun ifadesi (1) denkleminde gösterilmiştir.

(1)

(1) denkleminde, x özel giriş değeridir. A, B ve C, bir üçgenin üç köşesidir. Bulanıklaştırma aşamasında, bu makale çıktı sonuçlarını dönüştürmek için centroid yöntemini kullanır. Centroid yöntemi, bulanık mantıkta yaygın olarak kullanılan bir bulanıklaştırma tekniğidir ve güçlü sezgisellik, basit hesaplama ve^{kararlılık gibi avantajlara sahiptir 13}. Centroid yönteminin ifadesi denklem (2)^14'te gösterilmiştir.

(2)

(2) denkleminde, f* bulanıklaştırmadan sonra çıkan çıktı değeridir ve bulandırıcı kümenin merkezidir. μ(x) üyelik fonksiyonudur. bulanık bir kümedeki tüm noktaların ağırlıklı toplamıdır.  üyelik fonksiyonunun x'in tüm olası değerleri üzerindeki integralidir. MPFR modelinde manuel olarak tanımlanmış kurallar ve üyelik fonksiyonlarının kullanılmasının rasyonelliği üç açıdan yansıtılır. İlk olarak, uzman yeterlilik garantisi: kural yapanlar üç eğitim teknolojisi doçentidir ve kuralların eğitim ve öğretim yasalarına uygun olduğundan emin olmak için "Eğitim Bakanlığı Çevrimiçi Eğitim Araştırma Merkezi"nin "Çevrimiçi Öğrenme Davranış Analisti" tarafından sertifikalandırılmıştır. İkinci olarak, verimlilik avantajı: Manuel kuralların çıkarım süresi, veri odaklı yöntemlere göre çok daha düşüktür, bu da çevrimiçi eğitim platformlarının "gerçek zamanlı çıkarım" ihtiyaçlarına daha uygun hale getirir ve büyük miktarda notlu veri gerektirmez, veri toplama maliyetlerini^{azaltır 15}. Üçüncü olarak, çevrimiçi eğitim senaryolarında "yorumlanabilirlik" temel gereksinimine uyum sağlayarak, manuel olarak tanımlanan kurallar ve üçgen üyelik fonksiyonları (Denklem 1) öğretim senaryolarında sezgisel bilişe doğrudan karşılık gelebilir. Eğitimciler, bir öğrencinin risk altında olduğunu anlamasının nedenini anlamak için karmaşık teknik altyapıya ihtiyaç duymazlar. Nöro-bulanık sistemler gibi veri odaklı yöntemler kuralları otomatik olarak optimize edebilir. Ancak, üretilen kuralların çoğu karmaşık matematiksel ifadeler olup, eğitimcilerin yorumlaması zordur ve bu da modelin gerçek öğretim müdahalesinde kabul edilebilirliğini azaltır.

XGBoost için geliştirilmiş öğrenci yorum duygusu analiz modeli tasarımı

Tasarlanmış MPFR modeli, SOLB'u üç açıdan analiz edebilir: parkur, bireysel ve sınıf. Ancak, dışsal davranışsal veri analizinin öğrencilerin öznel duygularını ifade etmede sınırlamaları vardır. Bu nedenle, öğrencilerin öğrenme konusundaki öznel duygularını daha derin analiz etmek için, öğrenci yorum bilgisini içeren MOOC öğrenme platformlarından ek veriler toplanır ve ön işlenir. Daha sonra, XGBoost duygu sınıflandırma modelini oluşturmak için kullanılır. IGWO, sınıflandırma modelinin doğruluğunu artırmak için parametrelerini optimize etmek üzere tasarlanmıştır. XGBoost'un gelişimi, IGWO algoritması aracılığıyla parametre optimizasyonuna yansır. Veri ön işleme, model inşası ve analizinden önce kritik bir ilk adımdır. Veri ön işleme süreci Şekil 3'te gösterilmiştir.

Şekil 3: Veri ön işleme süreci. Dokuz aşamalı veri ön işleme süreci, metin temizliği, kelime segmentasyonu, durak kelime çıkarma, kök çıkarma ve duygusal kelime tanıma gibi süreçleri içerir; böylece sonraki davranış analizi ve duygusal sınıflandırma için yüksek kaliteli veri sağlanır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Veri ön işleme adımları şöyledir: İlk adım, Chaoxing platform verilerindeki alakasız alanları kaldırmak ve geçersiz örnekleri filtrelemek için metin temizliği yapmaktır. Aynı zamanda, metin dışı alanlar ve kısa incelemeler MOOC platformundaki inceleme verilerinden kaldırılır. İkinci adım, segmentasyon işlemlerini gerçekleştirmektir. Bunlar arasında, Çince yorumlar kelime segmentasyonu işleme için Jieba'nın "kesin modu"nu kullanırken, İngilizce yorumlar işleme için NLTK kütüphanesinin kelime segmentasyon fonksiyonunu kullanır. Üçüncü adım, ''de'', ''evet'', ''in'' gibi yaygın durak kelimeleri kaldırmaktır. Bunlar arasında, Çin dur kelimeleri Harbin Teknoloji Enstitüsü'nün dur kelime listesini (https://github.com/goto456/stopwords/blob/master/hit_stopwords.txt) kullanır. Durdurma kelimeleri kelime eşleştirme ile silinir. İngilizce durak kelimeler, NLTK kütüphanesinde bulunan evrensel durak kelime listesini kullanır; bu da kelime kelime eşleştirme yoluyla silinir. Dördüncü adım, NLTK kütüphanesinin kök noktasını kullanarak metinden kökleri çıkarmak ve İngilizce verilerdeki fiilleri kök formuna geri yüklemektir. Beşinci adım, CNKI duygusal sözlüğüne dayanarak yorumlarda olumlu ve olumsuz duygusal kelimeleri tanımlamak, böylece sonraki duygusal sınıflandırma için ön-notasyon temeli sağlamaktır. Altıncı adım, özellik çıkarımı yapmaktır. Bunlar arasında, Chaoxing platformundaki yapılandırılmış veriler standartlaştırılmış, sınıflandırma göstergeleri ise ayrı ayrı kodlanmıştır. Aynı zamanda, MOOC platformunun bu yorum verileri, metin özelliklerini çıkarmak için önceden eğitilmiş bir dil modeli (Transformers'tan Çiftyönlü Kodlayıcı Temsili, BERT) yöntemini kullanır. BERT modelinin metin özellik çıkarımındaki temel avantajı, derin çift yönlü bir Transformer mimarisi aracılığıyla dinamik olarak bağlam farkında kelime vektörleri üretebilmesidir; bu da geleneksel statik kelime gömme modellerinin çözemediği belirsizliği etkili bir şekilde giderir. Yedinci adım, yorum verilerindeki dengesiz duygu kategorileri sorununu ele almaktır. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) bu yöntemi işlemek için kullanılır. En yakın beş komşu örnek, sentetik azınlık sınıfı örnekleri oluşturmak için interpolasyon için seçilir; deneyin tekrarlanabilirliğini sağlamak için sabit rastgele tohum 42 olur. Sekizinci adım, veriyi nota etmek ve bölümlendirmektir. Dokuzuncu adım, süper yıldız verilerindeki eksik değerleri doldurmak ve istisnaları kaldırmaktır. Veri dengeleme işlemi yapılırken, SMOTE azınlık sınıf örnekleri arasında interpolasyon yaparak yeni bileşik örnekler oluşturur; böylece azınlık sınıf örneklerinin sayısını artırır ve veri setinin sınıf dağılımını daha dengeli^{hale getirir 16,17}. SMOTE'nin ifadesi denklem (3)'te gösterilmiştir.

B_mn = d_m + rand(0,1) x (d_mn - d_m) (3)

(3) denkleminde, B_mn yapay olarak oluşturulmuş bir azınlık sınıfı örneğidir, d_m i-ci azınlık sınıf örneğidir ve d_mn d m'nin k-en yakın komşuları arasında n-ci_örneklemdir. rand(0,1), 0 ile 1 arasında rastgele bir sayıdır. XGBoost, tahmin ağaçlarını yineleme olarak ekleyerek öngörü performansını artırır. Yüksek isabet, güçlü esneklik ve kullanım kolaylığı gibi^{avantajlara sahiptir 18,19}. XGBoost kullanarak bir ağaç modeli yineleme adımları esas olarak şunları içerir: modeli başlatma, ağacın yinelemesel olarak oluşturulması, hedef fonksiyonu ve düzenleme terimi. T-ci yinelemede öngörülen çıktı denklem (4)'te gösterilmiştir.

   (4)

(4) denkleminde, t - 1. yinelemeden sonraki model tahmin değeridir, f_t(h) t-ci yinelemede eklenen ağaç modelinin tahmin fonksiyonudur ve h giriş özellik vektörüdür. XGBoost'un en aşağı düşülmesi için hedef fonksiyon (5) denkleminde gösterilmiştir.

(5)

(5) denkleminde, i örnek sayısıdır. I ve J, toplam örnek ve ağaç sayısıdır, j ise ağaç sayısıdır. kayıp fonksiyonudur ve g_i i-ci örneklemin gerçek etiketidir.  t-yinelenmesinden sonra i-nji örneklem için modelin tahmin edilen değeridir. Ω(f_t) düzenlendirme terimidir ve (f_t) j -th ağacının tahmin fonksiyonudur. Düzenlendirme için genel Ω(f) ifadesi denklem (6)'da gösterilmiştir.

(6)

(6) denkleminde, γ yaprak düğümlerinin miktarı için ceza katsayısı anlamına gelir; λ, yaprak düğümlerinin ağırlığı için L2 düzenleme katsayısıdır ve w yaprak düğümlerinin ağırlığıdır. Ancak, XGBoost hiperparametrelerinin seçimi performans üzerinde doğrudan ve anlamlı bir etkiye sahiptir. XGBoost'un yaygın hiperparametreleri arasında öğrenme hızı, ağacın maksimum derinliği ve düzenleme parametreleri bulunur. Potansiyel olarak büyük hiperparametre alanı nedeniyle, bu parametreleri manuel olarak ayarlamak sadece zaman alıcı olmakla kalmaz, aynı zamanda optimal parametre kombinasyonunu bulmak da zordur. Bu nedenle, bu çalışma IGWO'yu XGBoost'un hiperparametrelerini optimize etmek için tasarlamaktadır. GWO, gri kurtların sosyal hiyerarşisi ve avlanma stratejilerini simüle ederek optimal çözümler arar; daha az parametre ve güçlü uyum sağlama gibi^{avantajlarla 20,21}. GWO'da, popülasyonun başlangıç konumu denklem (7)'de gösterildiği gibi üretilir.

(7)

(7) denkleminde, P_uv, u-nuncu bireyin v-nji boyuttaki konumudur. ve v-ci arama uzayının üst ve alt sınırlarıdır. rand(), [0,1] arasında rastgele bir sayıdır. Ancak, GWO algoritması yavaş yakınsama hızı ve orta ve sonraki aşamalarda yerel optimumda takılma gibi sorunlarla karşılaşabilir. Bu aynı zamanda GWO'nun şu anda tüm çözüm alanını etkili bir şekilde keşfedemeyebileceği anlamına gelir ve bu da küresel optimal çözümü bulmayı zorlaştırır. Bu sorunu ele almak için, bu çalışma GWO'yu iki açıdan geliştiriyor: Çadır Kaotik Haritası (TCM) ve Doğrusal Olmayan Yakınsamaya Faktörü (NCF) tanıtımla. TCM, potansiyel optimal çözüm bölgelerinin arama sürecinde gözden kaçmamasını sağlayan ve aynı^{bölge 22'de} tekrar yapılan aramaları önleyen basit bir kaotik haritalamadır. Bu nedenle, TCM sayesinde daha uniform ve rastgele bir başlangıç popülasyonu oluşturulabilir ve algoritmanın yerel optimumları aşma yeteneği geliştirilebilir. TCM'nin hesaplanması denklem (8)'de gösterilmiştir.

(8)

(8) denkleminde, y kontrol parametresidir.  R_t ve R_t+1, t-i ve t+1-ci yinelemelerdeki sistem durum değişkenleridir. NCF z formülü denklem (9)'da gösterilmiştir.

(9)

(9) denkleminde, z_max maksimum yakınsamama faktörüdür ve t_max maksimum tekrarlama sayısıdır. Bu doğrusal olmayan azaltma yöntemi, GWO'nun erken aşamada küresel arama için büyük bir adım boyutunu korumasına olanak tanır. Aramanın orta aşamasında yakınsama hızı hızlanırken, sonraki aşamada yerel arama daha küçük adımlarla yapılır; böylece küresel ve yerel arama yetenekleri etkili bir şekilde dengelenir ve optimizasyon performansını artırır. IGWO algoritması, özellikle XGBoost duygu sınıflayıcısının hiperparametre optimizasyon aşaması için kullanılır ve ana süreci Şekil 4'te gösterilmiştir.

Şekil 4: IGWO'nun ana süreci. Şekil, IGWO'nun yürütme sürecini, çadır kaotik haritalamaya dayalı nüfus başlatma, doğrusal olmayan yakınsamama faktörlerinin konum güncellemesi ve optimal bireysel tarama dahil olmak üzere özetliyor ve XGBoost hiperparametrelerinin optimize edilmesinin mantığını netleştiriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4'te IGWO süreci şunları içerir: algoritmanın başlatılması; popülasyonu başlatmak için TCM kullanmak; her bireyin başlangıçtaki uygunluk değerini hesaplamak; NCF kullanarak gri kurt pozisyonlarını güncellemek; yeni optimal birey olarak en iyi uygunluklu çözümü seçmek; ve en iyi bireyi ortaya çıkarmak. XGBoost hiperparametrelerinin optimal kombinasyonu IGWO üzerinden çıktılanabilir. Duygusal sınıflandırmanın genel süreci, veri ön işlemesini, IGWO optimizasyonunu ve nihai XGBoost modelini entegre eder. IGWO-XGBoost temelli sınıflandırma modeli süreci Şekil 5'te gösterilmiştir.

Şekil 5: IGWO-XGBoost tabanlı sınıflandırma modeli süreci. Şekil, IGWO-XGBoost duygu sınıflandırma modelinin tüm sürecini göstermektedir; veri girişi ve ön işlemeden veri seti bölümlemesine, IGWO hiperparametre optimizasyonuna, XGBoost model inşasına ve sınıflandırma sonuç çıktısına kadar modelin işlem zincirini açıkça sunar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

IGWO-XGBoost'a dayalı model, giriş verisi, veri ön işlemesi, veri seti bölümleme, IGWO algoritması hiperparametre optimizasyonu, optimal hiperparametre kombinasyonu, optimal hiperparametre kombinasyonuna dayalı XGBoost oluşturma ve sınıflandırma sonuçlarının çıktısı gibi süreçleri içerir. Bu sınıflandırma modeli sayesinde, öğrenci yorumlarındaki duygular sınıflandırılabilir ve böylece öğrencilerin öğrenme konusundaki öznel duygularını daha sezgisel olarak kavramak elde edilir. Çalışmada kullanılan özel yazılım sürümleri, rastgele tohumlar, donanım spesifikasyonları, çevresel spesifikasyonlar ve veri seti kaynakları Tablo 1'de gösterilmiştir.

Set tipi	Özel model ve içerik
Temel yazılım	Python 3.9.7
Çekirdek kütüphane	XGBoost 1.7.5、Scikit-learn 1.2.2、Jieba 0.42.1、NLTK 3.8.1、Pandas 1.5.3、NumPy 1.24.3、Matplotlib 3.7.1、Imbalanced-learn 0.10.1
Rastgele tohum	Küresel rastgele tohumu 42'ye ayarlayın
Donanım/ortam spesifikasyonları	1. İşletim Sistemi: Windows 10 Profesyonel Sürüm (64 bit, sürüm numarası 22H2)
	2. İşlemci: Intel Core i5-12600KF (ana frekansı 3.7GHz ve dinamik hızlandırma frekansı 4.9GHz)
	3. Bellek: 64GB DDR4 (frekans 3200MHz, 128GB'a kadar bellek destekler)
	4. Depolama: 1TB SSD (Samsung 980 Pro, okuma hızı 7450MB/s)
	5. Grafik kartı: NVIDIA GeForce RTX 3060 (12GB video bellek)
Veri seti kaynakları ve erişim detayları	1. Superstar platform veri seti:
	-Kaynak Tekdüz Kaynak Bulucusu (URL): https://www.chaoxing.com/
	-Edinim yöntemi: Chaoxing Education Big Data açık platformu üzerinden başvurun (uygulama yolu: platform, resmi web sitesi → geliştirici merkezi→ veri arayüzü → öğrenme davranışı veri seti)
	2. MOOC platformu yorum veri seti:
	-Kaynak URL: https://www.icourse163.org/.cn
	-Edinim yöntemi: MOOC platformunun "veri araştırma desteği" kanalı üzerinden başvuru yapın
Özel scriptler veya modeller	1. Veri ön işleme betiği
	2. MPFR model scripti
	3. IGWO-XGBoost model yazısı

Tablo 1: Araştırmada kullanılan özel yazılım sürümleri, rastgele tohumlar, donanım özellikleri, çevresel spesifikasyonlar ve veri seti kaynakları. Deneyin tekrarlanabilirliğini ve standartlaştırılmasını sağlamak için çalışmanın gerekli yazılım ve donanım ortamı, rastgele tohum ayarları, veri seti kaynakları ve XGBoost hiperparametre arama aralığının ayrıntılı bir listesini sunmak.

Tablo 1 , çalışmanın duygu sınıflandırma modelinin temel çerçevesi olarak XGBoost 1.7.5'i benimsediğini ve veri ön işleme, özellik çıkarımı ve model değerlendirmesi için Scikit Learn 1.2.2'yi tanıttığını göstermektedir. Ayrıca, çalışma rastgele tohumu eşit şekilde 42'ye ayarlayarak veri bölmelerinin, SMOTE aşırı örneklemenin, IGWO hiperparametre optimizasyonunun ve IGWO-XGBoost model eğitim sonuçlarının tekrarlanabilirliğini sağlamaktadır. Ayrıca, IGWO algoritması XGBoost hiperparametreleri için arama alanını ayarlar. Öğrenme hızının arama aralığı logaritmik ölçekte [0.001, 0.3]'tür ve ağacın maksimum derinliği tam sayı kümesi {3, 4,..., 15} içinde aranır. L2 düzenleme teriminin optimizasyon aralığı [0.1, 5.0]'dır ve her ağaç özellik alt kümesinin örnekleme oranı [0.6, 1.0] aralığında optimize edilmiştir. Yaprak düğümlerinin minimum ağırlığı için akort aralığı [1, 10]'dur.

Veri seti ve ilgili veri ön işleme ve analiz kodu ekip tarafından oluşturulup analiz edildi. Veri ön işleme için temel betikler Tablo 2'de gösterilmiştir.

Pandas as PD, Jieba, Re, Numpy as NP

nltk.tokenize tarafından import word_tokenize; from nltk.stem import PorterStemmer

def clean(text, l):

return re.sub(r"[^\u4e00-\u9fa5]" if l=="zh" else r"[^a-zA-Z]", " ", text).strip()

def process(text, l):

t = jieba.lcut(metin) eğer l=="zh" aksi word_tokenize(metin)

return " ".join([PorterStemmer().stem(w) if l=="en" else w for w in t if w not in open("hit_stopwords.txt").read().split()])

def main(c,m,l):

cx=pd.read_csv(c).query("Ders öğrenme süresi>=1 & sınav sonuçları.notna()"); mc=pd.read_csv(m).query("yorum text.str.len()>=5")

mc["t"]=mc["yorum metni"].apply(clean,args=("zh",)).apply(process,args=("zh",))

np.savez("out.npz",**{k:v for k,v in locals().items()})

Tablo 2: Veri ön işleme için çekirdek betik. Veri ön işlemesi için temel script bilgilerini sunmak, scripte karşılık gelen ön işleme adımlarını netleştirmek ve araştırma yöntemlerinin çoğaltılması için teknik referanslar sağlamak.

Sonuçlar

Çok perspektif ve duygu sınıflandırması dikkate alınarak LBA sonuçları

Performansı doğrulamak için deneysel ortam kurulur ve deneysel veri seti tanımlanır. Ayrıca, bu çalışma karşılaştırmalı algoritma IGWO-XGBoost'u seçer ve doğruluk, zaman tüketimi ve geri çağırma oranı gibi göstergeler kullanarak analiz eder ve doğrular. Sonuç analizinde çalışma, iki net bölüme ayrılır: MPFR üzerinden LBA sonuçları ve IGWO-XGBoost ile duygu sınıflandırmasını...

Tartışma

SOLB analizi için bu çalışma, MPFR ve IGWO-XGBoost modelleri tasarladı ve çevrimiçi öğretim platformlarından veriler kullandı. Deneyde, çıkarım modelinin derecelendirmesi ile gerçek puan arasında yüksek bir tutarlılık vardı ve bu da çıkarım modelinin etkinliğini gösteriyordu. Öğrencilerin yaklaşık %25'i derste 1-10 saat çalışma süresi buldu. 11-20, 21-30, 31-40 saat ve 41 saatten fazla çalışma saati olan öğrencilerin oranı %30, %20, %15 ve %10 idi. Bu, öğrencilerin çoğunluğunun orta düze...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
BERT ön eğitilmiş dil modeli	Google araştırması	https://github.com/google-research/bert
CNKI duygu sözlüğü	CNKI	https://www.cnki.net/
Chaoxing platformu davranışsal verileri öğrenir	Chaoxing BILGI TEKNEDİMİ GELIŞTIRME ŞIRKETİ, Ltd	https://www.chaoxing.com/
Bilgisayar Belleği			Evrensel donanım tedarikçisi (belirli bir model yok)
Harbin Teknoloji Enstitüsü'nün kullanımdan kaldırılan terimler listesi	Harbin Teknoloji Enstitüsü	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Jieba kelime segmentasyon aracı (hassas mod)	Üçüncü parti açık kaynak topluluğu	https://github.com/fxsjy/jieba.
MOOC platformu öğrenci inceleme verileri	Love Course Network	https://www.icourse163.org/
NLTK kütüphanesi	NLTK geliştirme ekibi	https://www.nltk.org/
Python programlama dili	Python Yazılım Vakfı	https://www.python.org/
Scikit-learn 1.2.2	Scikit Learn ekibi	https://scikit-learn.org/stable/
Akıllı Ağaç platformu davranışsal verileri öğrenir	Akıllı Ağaç Ağı	https://www.zhihuishu.com/
SMOTE teknolojisi	Dengesiz Öğrenme Geliştirme Ekibi	Dengesiz Öğrenme kütüphanesine entegre edilmiş, https://imbalanced-learn.org/stable/
Windows 10 işletim sistemi	Microsoft şirketi	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost geliştirme ekibi	https://xgboost.readthedocs.io/