基于深度学习的MOOCs辍学率预测方法

被引：14

作者：

孙霞

吴楠楠

张蕾

陈静

冯筠

机构：

[1] 西北大学信息科学与技术学院

来源：

计算机工程与科学 | 2019年 / 41卷 / 05期

关键词：

大规模开放式在线课程; 辍学预测; 时间序列预测; 长短期记忆; 卷积神经网络;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

近年来大规模开放在线课程获得了较为广泛的关注。由于学习者学习方式不合理使得学习兴趣下降,学习效果不佳,MOOCs辍学率很高,针对这一问题,从学习者学习活动日志中自动抽取一段时间内连续特征,以学习者行为特征为自变量,建立MOOCs辍学预测模型。在KDD Cup 2015数据集上的实验表明,使用基于卷积神经网络的长短期记忆CNNLSTM辍学预测模型,能够帮助MOOCs课程教师和设计者追踪课程学习者在不同时间步长的学习状态,从而动态监控不同阶段的辍学行为,模型的预测准确率高,这将为教师改进教学方法提供更合理的指导和建议。

引用

页码：893 / 899

页数：7

共 7 条

[1]

Robust camera pose estimation by viewpoint classification using deep learning[J]. Yoshikatsu Nakajima,Hideo Saito.Computational Visual Media. 2017(02)

[2] 一种基于滑动窗口模型的MOOCs辍学率预测方法 [J].

卢晓航 ;

王胜清 ;

黄俊杰 ;

陈文广 ;

闫增旺 .

数据分析与知识发现 , 2017, (04) :67-75

[3]

Texture image classification with discriminative neural networks[J]. Yang Song,Qing Li,Dagan Feng,Ju Jia Zou,Weidong Cai.Computational Visual Media. 2016(04)

[4]

MOOC学习者学习动机策略探析[J]. 王濛濛,徐晓雄.教育观察(上半月). 2016(01)

[5] Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[6] THE REGRESSION-ANALYSIS OF BINARY SEQUENCES [J].

COX, DR .

JOURNAL OF THE ROYAL STATISTICAL SOCIETY SERIES B-STATISTICAL METHODOLOGY, 1958, 20 (02) :215-242

[7]

Predicting MOOC dropout over weeks using machine learning methods .2 KLOFT M,STIEHLER F,ZHENG Z,et al. EMNLP2014 Workshop on analysis of large scale social interaction in Moocs . 2014

← 1 →