基于过程数据的学习预警模型设计与功能实现.docxVIP

基于过程数据的学习预警模型设计与功能实现 摘要：随着教育大数据的兴起，学习预警技术为教育信息化提供了有力支撑。基于此，文章首先充分利用在线学习过程中产生的海量数据，设置了学习预警的相关指标，并给出了定义与算法，在此基础上将学习预警的维度确定为积极程度、作业成绩和作业质量。随后，文章通过模型权重调参，确定了各维度、指标的权重值，得到预警线阈值，并实证检验了其有效性。最后，文章设计了学习预警模型，搭建了一个基于过程数据的学习预警平台，其投入使用结果显示预警效果良好。基于过程数据的学习预警模型的提出与学习预警平台的应用，大大提升了教学质量，降低了学生的挂科风险，有效实现了预警功能。 随着“互联网+”理念的逐步发展，线上学习成为了一种主流的学习方式，各类线上学习平台在教育领域的应用愈加广泛一学习预警相关研究梳理近年来国内外学习预警的相关研究成果，本研究认为学习预警研究聚焦于以下三方面：(1)学习预警技术和方法。研究者大多会有效结合机器学习和数据挖掘技术进行学习预警，其中以决策树和多元线性回归等方法较为常用、分类和聚类技术最为典型(2)学习预警模型。很多学者从不同角度思考，设计了不同类型的学习预警模型。例如，肖君等(3)学习预警系统应用。国外在线学习预警系统的理论研究和实际应用能力较为成熟综上可知，当前国内外学者主要研究学习预警的方法和模型等，而对基于学生在线学习过程数据的预警模型研究较少——事实上，过程数据更能反映学生的学习状态和学习成效。基于此，本研究依据在线教学平台提供的学生在线学习过程数据，设置学习预警模型的指标与维度。二学习预警模型指标与维度的设置1指标的设置设置不同指标是为了从多方面反映学生的学习情况，使学习预警模型考虑的因素更全面，从而使学习预警更有效。学生每次在线上完成作业都会产生大量数据，本研究筛选出能反映学生学习成效并具有典型意义的数据，依此设置了学习预警的相关指标，给出了定义与算法。(1）开始时间排名（C1)(1)定义：C1表示学生开始在线做作业的时间先后排名。(2)计算方法：获取该学生登录平台开始在线做作业的时间，首次做题时间越早，C1越靠前。(2）完成用时排名（C2)(1)定义：C2表示学生完成本次作业的用时长短排名。(2)计算方法：学生完成本次作业的用时长短计算如公式（1）所示，用时越短，C2越靠前。其中，C2(0)为该学生完成本次作业的用时在班级中的排名，C2’则为排名附加值。考虑到有学生未做完题目而只提交了部分作业的情况，本研究分情况设置C2’值：若该学生全部提交，则设C2’值为0；若该学生未做完所有题目，则获取未做题目的数量和总题目量，然后按公式（2）计算该学生本次作业的完成度——若完成度值处于[0.9,1)区间，则设C2’值为5；若完成度值处于[0.8,0.9)区间，则设C2’值为10……以此类推，若完成度值低于0.6，则设C2’值为25。(3）作业分数排名（C3)(1)定义：C3表示学生本次作业分数的排名。(2)计算方法：根据成绩单获得该学生本次作业分数在班级的排名，分数越高，C3越靠前。(4）作业分数归一值（C4)(1)定义：C4表示学生作业分数的高低。(2)计算方法：首先获取该学生的作业分数和所在班级的最高分、最低分，再按公式（3）计算归一值。其中，my Score为学生作业分数，mi Score为班级最低分，ma Score为班级最高分。作业分数越高，归一值越大。(5）提交正答率（C5)(1)定义：C5表示学生提交问题答案的正确率。(2)计算方法：首先得出该学生回答问题完全正确、部分正确、结果覆盖的提交个数以及总提交数，再按公式（4）计算正答率。其中，Correct、part Correct、Overridden分别表示完全正确、部分正确和结果覆盖的提交个数，sub Count为学生总提交数。答对题目个数占比越多，提交正答率越大。(6）提交次数排名（C6)(1)定义：C6表示学生本次作业在线提交次数的排名。(2)计算方法：计算思路同C2，提交次数越少，排名越靠前。特殊情况的计算方法：若没有提交记录、作业完成度为0（或有提交记录但各题均未得分）、作业分数为0时，就将该学生对应的学习预警指标排名设置为班级最后一名；若出现作业分数相同的情况，则同分者的排名并列，其后的排名加上并列人数依次顺延。2维度的设置现有的学习预警大都不具备多学科的知识结构和研究手段，且未有效借鉴教育学、心理学等领域的理论研究成果(1)积极程度维度的确定与算法：学习投入度是影响教学成果的关键特征(2)作业成绩维度的确定与算法：学生作业分数与总评成绩直接相关，较为直观地体现了学生对阶段性知识的掌握情