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

Summary

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.

Abstract

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.

Introduction

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 ....

Protocol

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 olara....

Results

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.......

Discussion

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.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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/