基于情感分析的E-learning学习行为评估与预测方法研究

发布时间：2022-10-20 19:47

　　作为我国教育信息化事业的重要部分,E-learning教学模式以其独特的开放式教育特点,打破了传统教学模式僵化的时间与空间格局,促进了优质教育资源的共享,推动了教育的普及化与个性化。该教学模式在教学方式上的改革无疑取得了巨大成功,但是其所面临的教育数据难以处理、高注册率低毕业率等问题,却是限制该教育模式可持续发展的重要难题。如何有效分析与评估学生学习行为,从而及时发现其辍学倾向并采取具有针对性的教学干预,则是提升该教学模式核心竞争力的关键性难题。本文针对E-learning学习平台教育数据难以有效利用、学习者学习行为难以准确量化评估、学习者辍学倾向难以及时发现,以及该学习平台无法采取具有针对性的教学干预四个问题,以学习者的文本数据、毕业情况等多种学习行为数据为研究对象,提出了基于情感分析的E-learning学习行为评估与预测方法。首先,针对现有E-learning教育数据中非结构化数据难以有效利用的问题,以及传统情感分析方法中所存在的情绪分析结果粒度较粗的问题,提出基于细粒度情绪分析的多极化情感评估模型。本模型基于依据情感词典分析方法,将传统情感分析方法中积极与消极的两极化情绪细化至... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究意义
        1.1.1 课题背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文组织结构
第2章 相关理论基础及关键技术介绍
    2.1 E-learning相关基础理论
        2.1.1 E-learning的基本概念
        2.1.2 E-learning的学习行为内涵
        2.1.3 E-learning的学习行为特点
    2.2 情感分析技术
        2.2.1 基于情感词典的情感分析方法
        2.2.2 基于机器学习的情感分析方法
    2.3 个性化推荐技术
        2.3.1 基于协同过滤的推荐算法
        2.3.2 基于内容的推荐算法
    2.4 本章小结
第3章 基于细粒度情绪分析的多极化情感评估模型
    3.1 词典资源构建
        3.1.1 同义词词林描述
        3.1.2 同义词匹配与赋权
    3.2 FGMSAM模型设计
        3.2.1 文本预处理
        3.2.2 情感量化规则
        3.2.3 阶段性多极化情感强度量化
        3.2.4 多极化情感状态评估
    3.3 实验分析
    3.4 本章小结
第4章 基于情感变化趋势的行为预测与课程推荐算法
    4.1 基于情感变化趋势的学习行为预测模型设计
        4.1.1 SBPM模型建立
        4.1.2 SBPM模型求解
    4.2 基于学习行为预测结果的课程推荐算法设计
        4.2.1 推荐课程相关性计算
        4.2.2 学习兴趣衰减效应
    4.3 实验分析
    4.4 本章小结
第5章 基于情感分析的E-learning学习行为评估与预测
    5.1 学习行为评估与预测
        5.1.1 学习者退课行为层次分析
        5.1.2 学习行为评估与预测的流程
    5.2 实验验证与分析
        5.2.1 毕业概率准确性实验与分析
        5.2.2 学习者情感倾向性分析
    5.3 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢


【参考文献】：
期刊论文
[1]基于K-means的MOOC学习行为分析及用户画像研究[J]. 王晓芳,贾宗维.  中国教育信息化. 2019(01)
[2]国际远程高等教育研究与发展趋势[J]. 刘占荣,刘永权,武丽娜.  中国远程教育. 2018(12)
[3]中文分词技术综述[J]. 冯俐.  现代计算机(专业版). 2018(34)
[4]教育信息化2.0的内涵解读、思维模式和系统性变革[J]. 胡钦太,张晓梅.  现代远程教育研究. 2018(06)
[5]大规模中文实体情感知识的自动获取[J]. 卢奇,陈文亮.  中文信息学报. 2018(08)
[6]基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法[J]. 秦永彬,孙玉洁,魏笑.  计算机应用研究. 2019(05)
[7]快课、微课、MOOC及SPOC的比较研究[J]. 杨萍,何玲,王运武.  中国医学教育技术. 2018(01)
[8]我国MOOC研究现状及存在问题的分析[J]. 张红艳,杨丽雪.  开放学习研究. 2017(06)
[9]基于开放数据的edX课程学习者行为及相关因素分析[J]. 程志君,罗鹏程,罗玉文.  高等教育研究学报. 2017(04)
[10]基于二元逻辑回归模型的MOOC退课预测[J]. 郭文锋,樊超,郭新东.  计算机时代. 2017(12)

博士论文
[1]网络学习行为分析及建模[D]. 彭文辉.华中师范大学 2012



本文编号：3695189