论文部分内容阅读
随着互联网在各个领域的不断普及,传统的教育教学模式正在发生改变。自2012年大规模开放在线课程——慕课(Massive Open Online Courses,MOOC)诞生以来,吸引了越来越多的人参与学习,但高辍学率却给MOOC平台教学的管理带来不便。预测学习者的辍学行为,有助于提升学习者的学习效果以及实现MOOC平台更多的价值。本文从MOOC学习者的学习行为特征出发,提出了3种基于深度网络的辍学预测算法,主要研究内容如下:(1)提出了一种基于卷积神经网络和长短期记忆(Long Short-Term Memory based on Convolutional Neural Network,CNN-LSTM)网络的辍学预测模型。针对现有的MOOC辍学预测模型依赖于特征工程提取特征,预测效果存在不稳定、性能欠佳等问题,该模型采用一种自动特征提取策略,无需特定领域知识和人工干预,同时考虑了学生行为特征的长期依赖信息,提高了模型的预测能力。实验结果表明,该模型与基于LSTM、CNN-RNN的辍学预测方法相比,分别将AUC提高了2.7%、1.4%。(2)提出了一种基于丰富卷积特征的长短期记忆(Long Short-Term Memory based on Richer Convolutional Features,RCF-LSTM)网络的辍学预测模型。针对时间跨度大、特征粗粒度、未能充分利用CNN丰富的层次特征等问题,该模型将粒度更精细的行为特征作为输入,同时还有效地融合每个CNN层的细粒度特征。实验结果表明,相较于CNN-RNN和CNN-LSTM辍学预测模型,该模型的AUC值分别提高了0.29%和0.25%。(3)提出了一种基于CNN-LSTM-SVM网络的辍学预测模型。针对训练参数多、耗费内存以及数据类别非均衡等问题,综合考虑了学生行为的局部特征和序列化特征,同时对不同类别设置不同的权重,解决了非均衡数据对预测结果的影响。该模型结构简单,相较于RCF-LSTM网络模型的辍学预测算法,AUC提升了5.54%。本文的研究表明基于深度网络的辍学预测模型,可以预测学生不同时刻的行为状态变化,有助于教师提供及时的干预措施,提升学习者的学习效果,对促进我国教育信息化快速发展具有重要的指导意义。