基于模型集成的在线学习投入评测方法研究

发布时间：2021-08-02 19:37

　　针对慕课等在线学习课程存在的完成率低、辍课率高等问题,不少研究者通过检测学习者的学习投入度来发现"问题"学生,对其进行干预以保证学习效果。本文以构建在线学习投入自动化评测模型为目标,通过构建集成评测模型,利用学习过程中产生的视频图片和鼠标流数据对学习者的投入水平进行评测。集成模型由3个子模型组成,其中两个子模型用于进行图片数据的处理,一个子模型用于进行鼠标流数据的处理,图片部分的评测采用VGG16卷积神经网络对源图片和相应的LGCP特征进行评测,鼠标流数据采用BP神经网络进行评测。最后,利用模型集成的方法对学习者的学习投入度进行综合评测,再将其结果与学习者填写的NSSE-China调查量表的结果进行相关性分析,结果显示两者的评测结果显著相关,表明该模型用于学习投入评测是可行且有效的。 

【文章来源】：中国远程教育. 2020,(10)北大核心CSSCI

【文章页数】：9 页

【部分图文】：

学习者在线学习示意图

该标准对于标注员来说并不是硬性的，在实际标注过程中很多情况下依然需要标注员借助自身经验进行灵活判断。因此，图片标注的准确性受标注人员自身专业素质、图片可辨析程度等因素影响，不同标注人员针对同一图像的标注结果可能会有不一致的情况发生。我们通过Kendall系数来检验不同标注人员的标注结果一致性，以保证标注图像具有较高的一致性。所有表情图片的训练数据分为10个批次进行标注，每个批次图像均分给8个标注员完成，并确保标注数据满足一致性要求。最终，我们通过SPSS计算出所有标注员标注结果的Kendall系数，如表1所示。（五）鼠标移动数据的获取

本研究以8∶2的比例划分训练集和测试集，训练集的数据采用10折交叉验证（10-fold cross-validation）的方式进行模型的训练和参数的调优，测试集的数据用于测试模型的泛化能力。在标记数据的过程中我们发现，学习者在每次学习过程中的投入行为并非均匀分布，表现出前段学习投入较高、中段较低、后段又较高的普遍情况。因此，为了确保训练集和测试集数据分布的一致性，我们根据课程时间段将数据分为前、中、后三部分，在三部分混合的基础上再进行训练集、测试集的划分以确保数据分布尽量均匀。数据集的划分方法如图3所示。（七）集成模型的构建

【参考文献】：
期刊论文
[1]多学科资源工具研制与教学实践创新研究[J]. 刘海,陈莹莹,张昭理,刘婷婷.  电化教育研究. 2018(04)
[2]多屏多点触控教学系统支撑下教学创新与变革[J]. 张昭理,李阳,刘海.  电化教育研究. 2018(03)
[3]基于LMS数据的远程学习者学习投入评测模型[J]. 李爽,李荣芹,喻忱.  开放教育研究. 2018(01)
[4]面向在线教学平台的数据可视化方法及应用[J]. 刘海,李姣姣,张维,张昭理,易泽顺.  中国远程教育. 2018(01)
[5]基于行为序列分析对在线学习参与模式的探索[J]. 李爽,钟瑶,喻忱,程罡,魏顺平.  中国电化教育. 2017(03)
[6]在线学习行为投入分析框架与测量指标研究——基于LMS数据的学习分析[J]. 李爽,王增贤,喻忱,宗阳.  开放教育研究. 2016(02)
[7]自适应加权LGCP与快速稀疏表示的面部表情识别[J]. 吉训生,王荣飞.  计算机工程与应用. 2017(01)
[8]基于MOOC数据的学习行为分析与预测[J]. 蒋卓轩,张岩,李晓明.  计算机研究与发展. 2015(03)
[9]MOOC的发展历程与主要特征分析[J]. 陈肖庚,王顶明.  现代教育技术. 2013(11)
[10]基于鼠标行为特征的用户身份认证与监控[J]. 沈超,蔡忠闽,管晓宏,房超,杜友田.  通信学报. 2010(07)



本文编号：3318152