大規(guī)模開(kāi)放在線(xiàn)課程（MOOC）相比于傳統(tǒng)的線(xiàn)下教育模式,有其獨(dú)特的優(yōu)勢(shì)。但是,當(dāng)MOOC學(xué)分課在全球高校廣泛開(kāi)展起來(lái)的同時(shí),也暴露出了一些問(wèn)題,比如學(xué)習(xí)者的誠(chéng)信問(wèn)題。由于在線(xiàn)學(xué)習(xí)中缺乏對(duì)學(xué)習(xí)者學(xué)習(xí)過(guò)程的有效監(jiān)控,部分學(xué)習(xí)者存在僥幸心理,會(huì)選擇采用“刷課”、抄襲、替考等作弊手段來(lái)完成課程考核,以達(dá)到輕松獲取學(xué)分的目的。采用作弊手段進(jìn)行在線(xiàn)學(xué)習(xí)會(huì)造成學(xué)習(xí)效果評(píng)價(jià)不準(zhǔn)確、學(xué)習(xí)質(zhì)量不高等問(wèn)題,這將會(huì)對(duì)MOOC的學(xué)分認(rèn)證造成嚴(yán)重的影響。因此,針對(duì)MOOC作弊行為的研究與檢測(cè)將成為當(dāng)前MOOC可持續(xù)發(fā)展的一個(gè)重要突破點(diǎn)。本文基于MOOC平臺(tái)真實(shí)的學(xué)習(xí)行為日志數(shù)據(jù),開(kāi)展了對(duì)MOOC平臺(tái)中作弊行為檢測(cè)的相關(guān)研究。首先圍繞MOOC學(xué)習(xí)者全方位的行為數(shù)據(jù)構(gòu)建MOOC作弊行為特征指標(biāo)體系,為應(yīng)用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)作弊行為檢測(cè)奠定數(shù)據(jù)基礎(chǔ)。然后針對(duì)當(dāng)前作弊行為檢測(cè)場(chǎng)景所存在的問(wèn)題,設(shè)計(jì)了三種基于機(jī)器學(xué)習(xí)算法的MOOC作弊行為檢測(cè)模型。最后,從實(shí)踐層面驗(yàn)證了本文設(shè)計(jì)的三種MOOC作弊行為檢測(cè)模型的有效性。本文的主要研究?jī)?nèi)容如下:（1）設(shè)計(jì)了一種基于孤立森林算法的MOOC作弊行為檢測(cè)模型。針對(duì)MOOC平臺(tái)前期作弊標(biāo)... 

【文章來(lái)源】：深圳大學(xué)廣東省

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全文組織結(jié)構(gòu)與章節(jié)安排第1章：緒論

持向量機(jī)是屬于有監(jiān)督學(xué)習(xí)，往往很難從異常標(biāo)簽較少的場(chǎng)景中獲得較好的分類(lèi)效果。針對(duì)此問(wèn)題，SchlkopfB等人[54]提出了單類(lèi)支持向量機(jī)（One-classSVM）方法。在One-classSVM中，支持向量模型是針對(duì)僅具有一個(gè)類(lèi)別（即“正�！鳖�(lèi)別）的數(shù)據(jù)進(jìn)行訓(xùn)練的，它可以推斷正常示例的屬性，并從這些屬性可以預(yù)測(cè)哪些示例與正常示例不同。因此，One-classSVM這種特性使其在異常行為檢測(cè)領(lǐng)域中得以廣泛應(yīng)用。One-classSVM的基本思想是利用核函數(shù)將輸入空間映射到高維空間，并試圖在高維空間中將樣本與原點(diǎn)分離，其分類(lèi)機(jī)制如圖2-1所示：圖2-1One-Class-SVM分類(lèi)器

基于機(jī)器學(xué)習(xí)的MOOC作弊行為檢測(cè)模型研究14圖2-2Boosting流程圖Bagging的原理主要是通過(guò)隨機(jī)采樣得到多個(gè)訓(xùn)練集，然后針對(duì)這多個(gè)訓(xùn)練集分別單獨(dú)地訓(xùn)練出多個(gè)弱分類(lèi)器，再對(duì)這多個(gè)弱分類(lèi)器通過(guò)某種集合策略來(lái)進(jìn)行組合，得到最終的強(qiáng)分類(lèi)器。Bagging工作機(jī)制如圖2-3所示：圖2-3Bagging流程圖2.3深度學(xué)習(xí)相關(guān)算法2.3.1Word2vec模型Word2vec作為一種淺層的神經(jīng)網(wǎng)絡(luò)模型，在自然語(yǔ)言處理中得到廣泛應(yīng)用[55]。這種模型能夠在諸如句子、時(shí)間序列數(shù)據(jù)之類(lèi)的數(shù)據(jù)實(shí)例中捕獲順序關(guān)系，獲取字嵌入特征作為輸入，可以提高幾個(gè)深度學(xué)習(xí)體系結(jié)構(gòu)的性能[56]。因此利用Word2vec嵌入的異常檢測(cè)模型可以顯著提高檢測(cè)性能。Word2vec有兩種不同的結(jié)構(gòu)模型：CBOW（ContinuousBag-of-WordsModel）和

【參考文獻(xiàn)】：
期刊論文
[1]基于圖數(shù)據(jù)庫(kù)與機(jī)器學(xué)習(xí)的業(yè)務(wù)安全風(fēng)控平臺(tái)[J]. 方國(guó)強(qiáng),包森成,王晨.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020(02)
[2]煙草工業(yè)控制系統(tǒng)信息安全檢測(cè)技術(shù)研究[J]. 洪軼群.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2020(02)
[3]芻議人工智能在安全領(lǐng)域的應(yīng)用[J]. 張興悟.  數(shù)字通信世界. 2020(01)
[4]在線(xiàn)考試系統(tǒng)中防作弊措施的應(yīng)用探討[J]. 呂曉東.  科技風(fēng). 2019(36)
[5]B2C欺詐交易檢測(cè)模型的研究[J]. 舒鵬飛.  福建電腦. 2019(12)
[6]基于注意力機(jī)制的CNN-GRU短期電力負(fù)荷預(yù)測(cè)方法[J]. 趙兵,王增平,紀(jì)維佳,高欣,李曉兵.  電網(wǎng)技術(shù). 2019(12)
[7]基于MOOC平臺(tái)的混合式教學(xué)模式設(shè)計(jì)[J]. 王小偉.  信息與電腦(理論版). 2019(22)
[8]機(jī)器學(xué)習(xí)方法在MOOC學(xué)習(xí)者學(xué)業(yè)完成率預(yù)測(cè)中的應(yīng)用研究[J]. 郝思源,謝太峰.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(21)
[9]特征選擇方法綜述[J]. 李郅琴,杜建強(qiáng),聶斌,熊旺平,黃燦奕,李歡.  計(jì)算機(jī)工程與應(yīng)用. 2019(24)
[10]混合式教學(xué)環(huán)境下SPOC學(xué)習(xí)行為影響因素研究[J]. 劉小杏,孫笑倩.  河南科技學(xué)院學(xué)報(bào). 2019(10)

碩士論文
[1]基于人工智能的網(wǎng)絡(luò)異常行為分析[D]. 宋佳明.北京郵電大學(xué) 2019
[2]基于腦偏好風(fēng)格的在線(xiàn)學(xué)習(xí)行為序列差異研究[D]. 菅保霞.東北師范大學(xué) 2019
[3]基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)游戲作弊行為識(shí)別應(yīng)用研究[D]. 車(chē)林耿.電子科技大學(xué) 2019
[4]一種基于行為序列的網(wǎng)絡(luò)用戶(hù)異常行為分析方法[D]. 關(guān)海潮.南京郵電大學(xué) 2018
[5]基于用戶(hù)畫(huà)像技術(shù)的內(nèi)部威脅檢測(cè)框架研究[D]. 劉春輝.戰(zhàn)略支援部隊(duì)信息工程大學(xué) 2018



本文編號(hào)：3566536