基于深度学习的慕课课程辍课预测

发布时间：2020-08-26 04:48

【摘要】：随着信息技术的不断发展,越来越多的学习者选择从网络上获取知识,一些高校也开始将优质课程放在网上供学习者学习。这种提供优质高校课程的学习网站逐渐发展形成了一种学习社区,其中以MOOCs(Massive open online course)平台为代表,学习者可以在平台中进行学习、讨论和考试等活动,授课高校也可以通过学习者的学习表现在平台上对其进行资格认定。MOOCs自2006年提出以来一直受到广大网络学习者的青睐,学习者可以不限时间、不限地点通过网络进行学习。虽然MOOCs发展势头良好,但是它同样面临着一些问题。MOOCs发展中面临的最大问题就是高辍课率现象。据统计,只有7%-9%的学习者在MOOCs完成了课程学习,高辍课率现象意味着有相当多的学生没有完成课程要求,因此能够根据学生课程学习情况及时地对具有辍课倾向的学生提出预警是非常有意义的。然而辍课预警是一件极具挑战性的任务,研究者基于传统机器学习预测分类方法做了大量研究,但是由于特征提取项未能很好反映数据特性或分类方法容量不足等缺点,传统机器学习方法在MOOCs辍课预测问题出现瓶颈。而深度学习方法对于特征自动组合以及高容量的特性使得在预测问题上的表现将会更好。本文基于深度学习的方法,在以往研究者对MOOCs辍课预测问题研究的基础上,通过对实验数据进行多维度的分析,分析实验数据课程的相关性,辍课的表现,课程辍课的趋势以及辍课的原因,使用数据可视化和拟合等方法,确定辍课预测中的特征提取项,并基于深度神经网络模型进行建模。本文提出了三种不同的训练方法,包括直接训练方法,基于对课程进行关联分析后课程分组提出的分课程训练法和基于实验数据集具有的时间属性特征提出的时间序列预测方法。最后通过实验验证辍课预测的可行性。本文中使用到的实验数据集来源于KDD Cup2015,丰富的数据项和百万级别的数据量为精准辍课预测挖掘带来了可能性。在与其他研究者的研究结果的对比中,发现本文所提出的研究方法有着以下几个优点:直接训练方法有着比较好的辍课预测表现,时间序列预测方法对辍课预测更加具有时效性。因此,本文所提出的辍课预测方法对于MOOCs平台课程辍课问题具有比较好的针对性和解决性,可以应用到实际的MOOCs平台中。
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：G434;TP181
【图文】：

曲线,逻辑函数,分布函数

数Ｆ（；0称为逻辑函数。图２－２表示逻辑函数的分布函数的图曲线，以点0！，＞为中心对称，即满足逡逑１邋１逡逑Ｆ（－ｘ邋＋邋ｎ）－－邋＝邋－Ｆ（ｘ邋＋邋ｆＪ－）邋＋邋２逡逑２可以看到，曲线在中心点附件的增长比较快，而在两端的为形状参数，Ｙ的值越小，曲线在中心点附近的增长速度越辑回归模型是一种分类模型，其分布为逡逑，逦，＇邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋ｌｘ）＝－—＾－￣－＾ｒｒ１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋０｜ｘ）邋＝邋逦逦＼逦—１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑ｘｅ／？＇邋ｙｅ邋｛０，１｝，ｗ为权重，６为偏置值。逡逑个输入向量ｘ，可以求出ｐ（ｆ邋＝邋ｉ丨；0和ｐ（ｆ邋＝邋0ｕ）的值，通过则将Ｘ分到值比较大的那一类中。逡逑件的几率（ｏｄｄｓ）指该事件发生的概率与该事件不发生的概率生的概率为Ｐ，那么该事件未产生的概率为１邋－，所以该事

原理图,支持向量机,原理,逻辑函数

－１０逦－？逦＂逦－２逦０逦２逦４逦６逦８逦１０逡逑图２－２逻辑函数的分布函数逡逑分布函数Ｆ（；0称为逻辑函数。图２－２表示逻辑函数的分布函数的图像，函数逡逑是一条Ｓ形曲线，以点0！，＞为中心对称，即满足逡逑１邋１逡逑Ｆ（－ｘ邋＋邋ｎ）－－邋＝邋－Ｆ（ｘ邋＋邋ｆＪ－）邋＋邋２逡逑从图２－２可以看到，曲线在中心点附件的增长比较快，而在两端的增长速度逡逑较慢。参数Ｙ为形状参数，Ｙ的值越小，曲线在中心点附近的增长速度越快。逡逑二分逻辑回归模型是一种分类模型，其分布为逡逑，逦，＇邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋ｌｘ）＝－—＾－￣－＾ｒｒ逦（２．１）逡逑１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋０｜ｘ）邋＝邋逦逦＼逦—逦（２＇２）逡逑１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑其中

基于深度学习的慕课课程辍课预测

图２－４邋ＲＯＣ图示例逡逑

【相似文献】