【摘要】：隨著信息技術(shù)的不斷發(fā)展,越來(lái)越多的學(xué)習(xí)者選擇從網(wǎng)絡(luò)上獲取知識(shí),一些高校也開(kāi)始將優(yōu)質(zhì)課程放在網(wǎng)上供學(xué)習(xí)者學(xué)習(xí)。這種提供優(yōu)質(zhì)高校課程的學(xué)習(xí)網(wǎng)站逐漸發(fā)展形成了一種學(xué)習(xí)社區(qū),其中以MOOCs(Massive open online course)平臺(tái)為代表,學(xué)習(xí)者可以在平臺(tái)中進(jìn)行學(xué)習(xí)、討論和考試等活動(dòng),授課高校也可以通過(guò)學(xué)習(xí)者的學(xué)習(xí)表現(xiàn)在平臺(tái)上對(duì)其進(jìn)行資格認(rèn)定。MOOCs自2006年提出以來(lái)一直受到廣大網(wǎng)絡(luò)學(xué)習(xí)者的青睞,學(xué)習(xí)者可以不限時(shí)間、不限地點(diǎn)通過(guò)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。雖然MOOCs發(fā)展勢(shì)頭良好,但是它同樣面臨著一些問(wèn)題。MOOCs發(fā)展中面臨的最大問(wèn)題就是高輟課率現(xiàn)象。據(jù)統(tǒng)計(jì),只有7%-9%的學(xué)習(xí)者在MOOCs完成了課程學(xué)習(xí),高輟課率現(xiàn)象意味著有相當(dāng)多的學(xué)生沒(méi)有完成課程要求,因此能夠根據(jù)學(xué)生課程學(xué)習(xí)情況及時(shí)地對(duì)具有輟課傾向的學(xué)生提出預(yù)警是非常有意義的。然而輟課預(yù)警是一件極具挑戰(zhàn)性的任務(wù),研究者基于傳統(tǒng)機(jī)器學(xué)習(xí)預(yù)測(cè)分類(lèi)方法做了大量研究,但是由于特征提取項(xiàng)未能很好反映數(shù)據(jù)特性或分類(lèi)方法容量不足等缺點(diǎn),傳統(tǒng)機(jī)器學(xué)習(xí)方法在MOOCs輟課預(yù)測(cè)問(wèn)題出現(xiàn)瓶頸。而深度學(xué)習(xí)方法對(duì)于特征自動(dòng)組合以及高容量的特性使得在預(yù)測(cè)問(wèn)題上的表現(xiàn)將會(huì)更好。本文基于深度學(xué)習(xí)的方法,在以往研究者對(duì)MOOCs輟課預(yù)測(cè)問(wèn)題研究的基礎(chǔ)上,通過(guò)對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行多維度的分析,分析實(shí)驗(yàn)數(shù)據(jù)課程的相關(guān)性,輟課的表現(xiàn),課程輟課的趨勢(shì)以及輟課的原因,使用數(shù)據(jù)可視化和擬合等方法,確定輟課預(yù)測(cè)中的特征提取項(xiàng),并基于深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行建模。本文提出了三種不同的訓(xùn)練方法,包括直接訓(xùn)練方法,基于對(duì)課程進(jìn)行關(guān)聯(lián)分析后課程分組提出的分課程訓(xùn)練法和基于實(shí)驗(yàn)數(shù)據(jù)集具有的時(shí)間屬性特征提出的時(shí)間序列預(yù)測(cè)方法。最后通過(guò)實(shí)驗(yàn)驗(yàn)證輟課預(yù)測(cè)的可行性。本文中使用到的實(shí)驗(yàn)數(shù)據(jù)集來(lái)源于KDD Cup2015,豐富的數(shù)據(jù)項(xiàng)和百萬(wàn)級(jí)別的數(shù)據(jù)量為精準(zhǔn)輟課預(yù)測(cè)挖掘帶來(lái)了可能性。在與其他研究者的研究結(jié)果的對(duì)比中,發(fā)現(xiàn)本文所提出的研究方法有著以下幾個(gè)優(yōu)點(diǎn):直接訓(xùn)練方法有著比較好的輟課預(yù)測(cè)表現(xiàn),時(shí)間序列預(yù)測(cè)方法對(duì)輟課預(yù)測(cè)更加具有時(shí)效性。因此,本文所提出的輟課預(yù)測(cè)方法對(duì)于MOOCs平臺(tái)課程輟課問(wèn)題具有比較好的針對(duì)性和解決性,可以應(yīng)用到實(shí)際的MOOCs平臺(tái)中。
【學(xué)位授予單位】：華中師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：G434;TP181
【圖文】：

數(shù)Ｆ（；0稱(chēng)為邏輯函數(shù)。圖２－２表示邏輯函數(shù)的分布函數(shù)的圖曲線，以點(diǎn)0！，＞為中心對(duì)稱(chēng)，即滿(mǎn)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，曲線在中心點(diǎn)附件的增長(zhǎng)比較快，而在兩端的為形狀參數(shù)，Ｙ的值越小，曲線在中心點(diǎn)附近的增長(zhǎng)速度越輯回歸模型是一種分類(lèi)模型，其分布為逡逑，邐，＇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＝邋邐邐＼邐—１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑ｘｅ／？＇邋ｙｅ邋｛０，１｝，ｗ為權(quán)重，６為偏置值。逡逑個(gè)輸入向量ｘ，可以求出ｐ（ｆ邋＝邋ｉ丨；0和ｐ（ｆ邋＝邋0ｕ）的值，通過(guò)則將Ｘ分到值比較大的那一類(lèi)中。逡逑件的幾率（ｏｄｄｓ）指該事件發(fā)生的概率與該事件不發(fā)生的概率生的概率為Ｐ，那么該事件未產(chǎn)生的概率為１邋－，所以該事

－１０邐－？邐＂邐－２邐０邐２邐４邐６邐８邐１０逡逑圖２－２邏輯函數(shù)的分布函數(shù)逡逑分布函數(shù)Ｆ（；0稱(chēng)為邏輯函數(shù)。圖２－２表示邏輯函數(shù)的分布函數(shù)的圖像，函數(shù)逡逑是一條Ｓ形曲線，以點(diǎn)0！，＞為中心對(duì)稱(chēng)，即滿(mǎn)足逡逑１邋１逡逑Ｆ（－ｘ邋＋邋ｎ）－－邋＝邋－Ｆ（ｘ邋＋邋ｆＪ－）邋＋邋２逡逑從圖２－２可以看到，曲線在中心點(diǎn)附件的增長(zhǎng)比較快，而在兩端的增長(zhǎng)速度逡逑較慢。參數(shù)Ｙ為形狀參數(shù)，Ｙ的值越小，曲線在中心點(diǎn)附近的增長(zhǎng)速度越快。逡逑二分邏輯回歸模型是一種分類(lèi)模型，其分布為逡逑，邐，＇邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋ｌｘ）＝－—＾－￣－＾ｒｒ邐（２．１）逡逑１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑Ｐ（Ｙ邋＝邋０｜ｘ）邋＝邋邐邐＼邐—邐（２＇２）逡逑１邋＋邋ｅｘｐ（ｗｘ邋＋邋ｂ）逡逑其中

圖２－４邋ＲＯＣ圖示例逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳馨;;數(shù)學(xué)伙伴學(xué)習(xí)：內(nèi)涵、價(jià)值與實(shí)踐[J];上海教育科研;2019年08期

2 馮越;馮萌鴿;王玨;;微課教學(xué)應(yīng)用模式（五）——輸出式學(xué)習(xí)[J];中國(guó)信息技術(shù)教育;2019年Z4期

3 時(shí)軼t

本文編號(hào)：2804714