网络学习行为分析与预测的研究
发布时间：2021-03-30 05:40
互联网技术的飞速进步推动了教育行业的迅猛发展,教育行业进入了网络时代。网络学习虽然为学习者提供了自由便捷的学习方式,但是其背后还有很多问题,其中通过率较低和辍学率较高是需要重点解决的难题。针对网络学习发展过程中的这些瓶颈问题,本文通过对学习者在网络学习过程中产生的大量学习行为数据进行挖掘分析,并且使用集成学习算法对学习者进行分类研究。根据学习者类型的不同实施不同的教学方案,从而为网络学习平台的高效教学提供科学依据。本文使用美国麻省理工学院和哈佛大学公开的ed X网络学习数据集进行学习者分类研究。首先对ed X数据集中的学习行为特征属性进行详细分析,通过统计分析方法得出部分结论,同时使用特征工程的部分方法对数据集进行相应处理工作,为后续构建分类模型做准备。其次在分类模型构建方面,通过对Stacking算法的理论进行细致研究,根据它的性能优势将其作为学习者类别预测算法,并根据其自身特点对其在层次结构、数据特征属性表示、结合策略、分类算法等方面进行改进,将改进后的Stacking算法用于分类模型的构建。最终通过使用15个不同类型的UCI数据集对改进后的Stacking算法进行实验,结果表明改...
【文章来源】：辽宁科技大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
网络学习用户规模及使用率
辽宁科技大学硕士学位论文3系[10]。Hill通过对学习者的数量与时间进行分析后发现，学习者的数量会在一周的学习过后呈现明显下降趋势[11]。DeBoer等分析研究了学习者多项基本个人信息以探究对学习完成度的影响[12]。另一方面是根据学习者的学习行为数据进行模型的构建从而对学习效果进行预测以提高学习效率。如Ramesh等使用学习者的不同学习行为特征属性预测学习者参加测试的概率及测试成绩[13]。Balakrishnan等通过对伯克利大学一门网络学习课程数据中学习者视频浏览时间、论坛浏览次数及学习时长等显著学习行为属性使用隐马尔科夫模型以预测学习者中途辍学的概率[14]。Alkhattabi通过使用数据挖掘技术对学习者的网络学习行为信息、学习者的个人信息及学习动机等因素进行分析以提升学习效果[15]。BartPursel等通过使用逻辑斯蒂回归方法对学习者的个人信息特征及学习行为数据进行回归分析以挖掘其对课程学习效果的影响程度[16]。Kloft等使用支持向量机对学习者的点击流数据进行分析，预测学习者退出概率[17]。1.2.2国内研究现状国内的网络学习行为分析研究相较于国外起步较晚，但是近些年随着计算机技术的发展也取得了长足进步，从相关期刊论文中对网络学习行为分析对应的关键字进行期刊检索，可以发现这一领域的研究正在稳步增长，文献检索数据如图1.2所示。图1.2网络学习行为分析相关文献年度发表趋势Fig.1.2Onlinelearningbehavioranalysisofrelatedliteratureannualpublishingtrend国内关于网络学习行为的研究工作主要包括网络学习行为要素分析、学习效果评价、学习者成绩预测等方面，如贺超凯等选取edX数据集中部分典型特征通过逻辑斯蒂回归方法对学习者课程成绩进行预测[18]。蒋卓轩等使用Coursera平
第三章网络学习数据分析与处理3.2网络学习数据分析本部分的研究主要是对edX公开数据集的学习者数据进行相关统计分析，探究各类学习者的学习概况，主要从学习者的类型以及特征等层次进行分析研究。3.2.1学习者类型分析本文所采用的edX数据集中共有641138个学习者的学习记录数据，其中中国学习者为5170人次。我们根据数据集中的分类方法对学习者进行相应的类别划分，共分为注册学习者、浏览学习者、探索学习者、获得证书学习者四个类别，同时通过数据集中的记录可以得出各类学习者的比例，详细信息如图3.1所示。图3.1各类学习者的比例Fig.3.1Theproportionofdifferenttypesoflearner根据图3.1可知网络学习中学习者能够获得证书的比例为2.8%，并且探索者与取得证书者的比例之和仅为6.3%，而中国的网络学习者的两项比例统计数据分别为1.2%和3.6%。由此数据分析可知网络学习中的探索学习者比较少，在课程结束后能够获得学习证书的学习者比例过低，超过半数的学习者为浏览者，他们仅仅在课程进行注册后对部分课程内容进行阅览。为了对学习者的类别进行详细分析，我们对各个国家学习者中获得证书者进行比例分析，具体信息如图3.2所示。根据图3.2对各个国家的学习者进行分析可知，全球的网络学习者中西班牙的学习证书获得比例最高，占比达8.4%，中国学习者的通过比例处于末位，而且在大多数情况下欧洲和美洲国家比亚洲国家获取学习证书比例高。
本文编号：3108969
【文章来源】：辽宁科技大学辽宁省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
网络学习用户规模及使用率
辽宁科技大学硕士学位论文3系[10]。Hill通过对学习者的数量与时间进行分析后发现，学习者的数量会在一周的学习过后呈现明显下降趋势[11]。DeBoer等分析研究了学习者多项基本个人信息以探究对学习完成度的影响[12]。另一方面是根据学习者的学习行为数据进行模型的构建从而对学习效果进行预测以提高学习效率。如Ramesh等使用学习者的不同学习行为特征属性预测学习者参加测试的概率及测试成绩[13]。Balakrishnan等通过对伯克利大学一门网络学习课程数据中学习者视频浏览时间、论坛浏览次数及学习时长等显著学习行为属性使用隐马尔科夫模型以预测学习者中途辍学的概率[14]。Alkhattabi通过使用数据挖掘技术对学习者的网络学习行为信息、学习者的个人信息及学习动机等因素进行分析以提升学习效果[15]。BartPursel等通过使用逻辑斯蒂回归方法对学习者的个人信息特征及学习行为数据进行回归分析以挖掘其对课程学习效果的影响程度[16]。Kloft等使用支持向量机对学习者的点击流数据进行分析，预测学习者退出概率[17]。1.2.2国内研究现状国内的网络学习行为分析研究相较于国外起步较晚，但是近些年随着计算机技术的发展也取得了长足进步，从相关期刊论文中对网络学习行为分析对应的关键字进行期刊检索，可以发现这一领域的研究正在稳步增长，文献检索数据如图1.2所示。图1.2网络学习行为分析相关文献年度发表趋势Fig.1.2Onlinelearningbehavioranalysisofrelatedliteratureannualpublishingtrend国内关于网络学习行为的研究工作主要包括网络学习行为要素分析、学习效果评价、学习者成绩预测等方面，如贺超凯等选取edX数据集中部分典型特征通过逻辑斯蒂回归方法对学习者课程成绩进行预测[18]。蒋卓轩等使用Coursera平
第三章网络学习数据分析与处理3.2网络学习数据分析本部分的研究主要是对edX公开数据集的学习者数据进行相关统计分析，探究各类学习者的学习概况，主要从学习者的类型以及特征等层次进行分析研究。3.2.1学习者类型分析本文所采用的edX数据集中共有641138个学习者的学习记录数据，其中中国学习者为5170人次。我们根据数据集中的分类方法对学习者进行相应的类别划分，共分为注册学习者、浏览学习者、探索学习者、获得证书学习者四个类别，同时通过数据集中的记录可以得出各类学习者的比例，详细信息如图3.1所示。图3.1各类学习者的比例Fig.3.1Theproportionofdifferenttypesoflearner根据图3.1可知网络学习中学习者能够获得证书的比例为2.8%，并且探索者与取得证书者的比例之和仅为6.3%，而中国的网络学习者的两项比例统计数据分别为1.2%和3.6%。由此数据分析可知网络学习中的探索学习者比较少，在课程结束后能够获得学习证书的学习者比例过低，超过半数的学习者为浏览者，他们仅仅在课程进行注册后对部分课程内容进行阅览。为了对学习者的类别进行详细分析，我们对各个国家学习者中获得证书者进行比例分析，具体信息如图3.2所示。根据图3.2对各个国家的学习者进行分析可知，全球的网络学习者中西班牙的学习证书获得比例最高，占比达8.4%，中国学习者的通过比例处于末位，而且在大多数情况下欧洲和美洲国家比亚洲国家获取学习证书比例高。
本文编号：3108969
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3108969.html
