基于机器学习的MOOC作弊行为检测模型研究
发布时间：2022-01-03 15:43
大规模开放在线课程（MOOC）相比于传统的线下教育模式,有其独特的优势。但是,当MOOC学分课在全球高校广泛开展起来的同时,也暴露出了一些问题,比如学习者的诚信问题。由于在线学习中缺乏对学习者学习过程的有效监控,部分学习者存在侥幸心理,会选择采用“刷课”、抄袭、替考等作弊手段来完成课程考核,以达到轻松获取学分的目的。采用作弊手段进行在线学习会造成学习效果评价不准确、学习质量不高等问题,这将会对MOOC的学分认证造成严重的影响。因此,针对MOOC作弊行为的研究与检测将成为当前MOOC可持续发展的一个重要突破点。本文基于MOOC平台真实的学习行为日志数据,开展了对MOOC平台中作弊行为检测的相关研究。首先围绕MOOC学习者全方位的行为数据构建MOOC作弊行为特征指标体系,为应用机器学习算法实现作弊行为检测奠定数据基础。然后针对当前作弊行为检测场景所存在的问题,设计了三种基于机器学习算法的MOOC作弊行为检测模型。最后,从实践层面验证了本文设计的三种MOOC作弊行为检测模型的有效性。本文的主要研究内容如下:（1）设计了一种基于孤立森林算法的MOOC作弊行为检测模型。针对MOOC平台前期作弊标...
【文章来源】：深圳大学广东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
全文组织结构与章节安排第1章：绪论
持向量机是属于有监督学习，往往很难从异常标签较少的场景中获得较好的分类效果。针对此问题，SchlkopfB等人[54]提出了单类支持向量机（One-classSVM）方法。在One-classSVM中，支持向量模型是针对仅具有一个类别（即“正常”类别）的数据进行训练的，它可以推断正常示例的属性，并从这些属性可以预测哪些示例与正常示例不同。因此，One-classSVM这种特性使其在异常行为检测领域中得以广泛应用。One-classSVM的基本思想是利用核函数将输入空间映射到高维空间，并试图在高维空间中将样本与原点分离，其分类机制如图2-1所示：图2-1One-Class-SVM分类器
基于机器学习的MOOC作弊行为检测模型研究14图2-2Boosting流程图Bagging的原理主要是通过随机采样得到多个训练集，然后针对这多个训练集分别单独地训练出多个弱分类器，再对这多个弱分类器通过某种集合策略来进行组合，得到最终的强分类器。Bagging工作机制如图2-3所示：图2-3Bagging流程图2.3深度学习相关算法2.3.1Word2vec模型Word2vec作为一种浅层的神经网络模型，在自然语言处理中得到广泛应用[55]。这种模型能够在诸如句子、时间序列数据之类的数据实例中捕获顺序关系，获取字嵌入特征作为输入，可以提高几个深度学习体系结构的性能[56]。因此利用Word2vec嵌入的异常检测模型可以显著提高检测性能。Word2vec有两种不同的结构模型：CBOW（ContinuousBag-of-WordsModel）和
【参考文献】：
期刊论文
[1]基于图数据库与机器学习的业务安全风控平台[J]. 方国强,包森成,王晨. 网络安全技术与应用. 2020(02)
[2]烟草工业控制系统信息安全检测技术研究[J]. 洪轶群. 网络安全技术与应用. 2020(02)
[3]刍议人工智能在安全领域的应用[J]. 张兴悟. 数字通信世界. 2020(01)
[4]在线考试系统中防作弊措施的应用探讨[J]. 吕晓东. 科技风. 2019(36)
[5]B2C欺诈交易检测模型的研究[J]. 舒鹏飞. 福建电脑. 2019(12)
[6]基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 赵兵,王增平,纪维佳,高欣,李晓兵. 电网技术. 2019(12)
[7]基于MOOC平台的混合式教学模式设计[J]. 王小伟. 信息与电脑(理论版). 2019(22)
[8]机器学习方法在MOOC学习者学业完成率预测中的应用研究[J]. 郝思源,谢太峰. 数学的实践与认识. 2019(21)
[9]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[10]混合式教学环境下SPOC学习行为影响因素研究[J]. 刘小杏,孙笑倩. 河南科技学院学报. 2019(10)
硕士论文
[1]基于人工智能的网络异常行为分析[D]. 宋佳明.北京邮电大学 2019
[2]基于脑偏好风格的在线学习行为序列差异研究[D]. 菅保霞.东北师范大学 2019
[3]基于机器学习的网络游戏作弊行为识别应用研究[D]. 车林耿.电子科技大学 2019
[4]一种基于行为序列的网络用户异常行为分析方法[D]. 关海潮.南京邮电大学 2018
[5]基于用户画像技术的内部威胁检测框架研究[D]. 刘春辉.战略支援部队信息工程大学 2018
本文编号：3566536
【文章来源】：深圳大学广东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
全文组织结构与章节安排第1章：绪论
持向量机是属于有监督学习，往往很难从异常标签较少的场景中获得较好的分类效果。针对此问题，SchlkopfB等人[54]提出了单类支持向量机（One-classSVM）方法。在One-classSVM中，支持向量模型是针对仅具有一个类别（即“正常”类别）的数据进行训练的，它可以推断正常示例的属性，并从这些属性可以预测哪些示例与正常示例不同。因此，One-classSVM这种特性使其在异常行为检测领域中得以广泛应用。One-classSVM的基本思想是利用核函数将输入空间映射到高维空间，并试图在高维空间中将样本与原点分离，其分类机制如图2-1所示：图2-1One-Class-SVM分类器
基于机器学习的MOOC作弊行为检测模型研究14图2-2Boosting流程图Bagging的原理主要是通过随机采样得到多个训练集，然后针对这多个训练集分别单独地训练出多个弱分类器，再对这多个弱分类器通过某种集合策略来进行组合，得到最终的强分类器。Bagging工作机制如图2-3所示：图2-3Bagging流程图2.3深度学习相关算法2.3.1Word2vec模型Word2vec作为一种浅层的神经网络模型，在自然语言处理中得到广泛应用[55]。这种模型能够在诸如句子、时间序列数据之类的数据实例中捕获顺序关系，获取字嵌入特征作为输入，可以提高几个深度学习体系结构的性能[56]。因此利用Word2vec嵌入的异常检测模型可以显著提高检测性能。Word2vec有两种不同的结构模型：CBOW（ContinuousBag-of-WordsModel）和
【参考文献】：
期刊论文
[1]基于图数据库与机器学习的业务安全风控平台[J]. 方国强,包森成,王晨. 网络安全技术与应用. 2020(02)
[2]烟草工业控制系统信息安全检测技术研究[J]. 洪轶群. 网络安全技术与应用. 2020(02)
[3]刍议人工智能在安全领域的应用[J]. 张兴悟. 数字通信世界. 2020(01)
[4]在线考试系统中防作弊措施的应用探讨[J]. 吕晓东. 科技风. 2019(36)
[5]B2C欺诈交易检测模型的研究[J]. 舒鹏飞. 福建电脑. 2019(12)
[6]基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 赵兵,王增平,纪维佳,高欣,李晓兵. 电网技术. 2019(12)
[7]基于MOOC平台的混合式教学模式设计[J]. 王小伟. 信息与电脑(理论版). 2019(22)
[8]机器学习方法在MOOC学习者学业完成率预测中的应用研究[J]. 郝思源,谢太峰. 数学的实践与认识. 2019(21)
[9]特征选择方法综述[J]. 李郅琴,杜建强,聂斌,熊旺平,黄灿奕,李欢. 计算机工程与应用. 2019(24)
[10]混合式教学环境下SPOC学习行为影响因素研究[J]. 刘小杏,孙笑倩. 河南科技学院学报. 2019(10)
硕士论文
[1]基于人工智能的网络异常行为分析[D]. 宋佳明.北京邮电大学 2019
[2]基于脑偏好风格的在线学习行为序列差异研究[D]. 菅保霞.东北师范大学 2019
[3]基于机器学习的网络游戏作弊行为识别应用研究[D]. 车林耿.电子科技大学 2019
[4]一种基于行为序列的网络用户异常行为分析方法[D]. 关海潮.南京邮电大学 2018
[5]基于用户画像技术的内部威胁检测框架研究[D]. 刘春辉.战略支援部队信息工程大学 2018
本文编号：3566536
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3566536.html
