基于习惯强度的大学生校园异常行为分析方法

这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。

基于习惯强度的大学生校园异常行为分析方法

这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。

基于习惯强度的大学生校园异常行为分析方法

这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。

网络学习行为与成绩的关联性发现及其应用研究——以初中英语听力为例

这是一篇关于网络学习行为,学习成绩,教育数据挖掘,教学优化的论文, 主要内容为疫情的突然来临,给传统课堂教学带来了新的挑战,同时也为混合教学提供了实践契机。随着互联网技术的发展,线上与线下教育资源不断融合,混合教学常态化也将成为教育发展的必然趋势。而目前,网络学习行为分析的研究对象,多集中于成年人。其与青少年的身心发展存在显著差异,故而学习行为分析无法直接为中学阶段的教育决策提供支持。因此,分析中学生网络学习行为,对促进中学教学改革、提升教学质量意义重大。本研究立足中学生学习特点,选择“小打卡”平台,以初中英语听力为例,探究网络学习行为与学习成绩间的关联性并加以应用。该平台可以为学生提供一个多元、有趣的网络学习空间,通过打卡机制培养良好学习习惯。同时后台有强大的数据统计功能,便于教师分析管理。本文通过调查问卷收集了天津市某中学七年级两个班共67名学生对“小打卡”平台的使用感受,同时对该平台后台的学生行为数据进行采集,包括打卡天数、发布日记数、获赞数、评论数、点评分数等。首先,运用决策树算法建立了学习行为与成绩的模型,提取出四种关联性规则,并得出相关性较高的行为有评论数、获赞数、点评分数和对平台的喜爱程度,关联性较低的行为有打卡天数、发布日记数。然后,运用K-means算法对不同学习行为特征进行了聚类分组,其结果与决策树模型较为一致,证明了关联性模型的有效性。最后,基于关联规则的挖掘结果,提出教学设计的建议:教学资源注重层次丰富,趣味性强;教学方法多用小组协作,促进交互;教学模式设置关卡,提升粘性。并将其应用于教学实验中,从实验的行为数据结果与成绩数据结果来看,优化后的教学设计能够有效促进学生在“小打卡”平台的交互性学习行为,从而提升学生的听力成绩。

网络教学平台中数据挖掘云系统设计与开发

这是一篇关于教育数据挖掘,支持向量机,SVM,云计算,SOA的论文, 主要内容为当前大数据时代,各类网络教学平台中,逐步储存起各类数据,并且海量地增长着。充分整合利用这些数据,作为教育决策依据,可提高决策的客观性、科学性。教育数据挖掘云系统,则是辅助人们实现这些目标的软件系统,具有重要的研究意义。教育数据挖掘云系统跨教育、数据、软件多个领域,目前尚处于起步阶段。本文对数据挖掘云系统进行设计开发的研究与实践。文章首先通过信息互动系统分析的方法,从信息互动系统的视角对数据挖掘在教育中的应用模式进行了探讨,提出了一个教育数据挖掘原理与工程框架,作为本教育数据挖掘云系统设计开发及应用的教育理论基础。由该框架,结合软件需求分层次模型,形成了本系统的软件需求。算法是教育数据挖掘系统的核心部件,论文在云计算二分类并行SVM算法及单机多分类SVM算法基础上,提出了一种二叉树多分类SVM并行计算算法,通过采用UCI标准数据集样本进行了算法实验,发现该算法相比单机算法,准确率稍低但在可接受范围,效率有明显提高。大规模复杂系统的开发,系统架构是非常重要的部分。论文在分析了云计算架构及SOA服务架构策略后,提出了一种在教育数据挖掘领域的基于云的SOA服务体系架构方案,该体系架构由表现层、接口服务层、云计算业务逻辑层、云数据处理层构成。系统开发实现时,探讨了合理的开发和技术选择策略,探讨了云计算平台、数据同步、后台管理、挖掘算法、服务接口实现等关键技术的实现。最后该系统在由信息互动系统观推导的应用框架指导下,应用于英语语法学习系统、写作学习社区、学习绩效决策支持分析等三个教学系统,检验了该系统在网络教学平台中的应用成效。发现该系统能较好与各种教学系统进行数据挖掘集成应用、能对云环境下的教育数据进行有效的支持向量分类挖掘,能为教育数据挖掘提供有效的使用平台及集成模块。

结合深度知识追踪的个性化习题推荐

这是一篇关于教育数据挖掘,推荐系统,知识追踪模型,协同过滤的论文, 主要内容为个性化习题推荐是教育数据挖掘领域的重要课题,习题推荐算法能够根据学生的习题提交记录来了解学生的学习进度,并根据一定的规则对学生推荐合适的题目,达到辅助学生学习的目的。对个性化习题推荐的研究能有效地提高在线教育的质量,有很重要的意义。目前习题推荐算法进一步发展面临的问题主要有两个:(1)现有习题推荐方法主要分为基于协同过滤的推荐算法和基于对知识建模的推荐方法。协同过滤方法对学生的做题数据挖掘,寻找相似用户和习题,往往忽略学生对知识的掌握状态;而对知识建模的方法从学生的个人水平出发,大多忽略了对相似学生之间共同特征的利用。(2)现有的习题推荐策略主要是对资源进行评分排序或依赖专家制定,效率不高,难以根据学生知识水平的变化及时调整推荐方向。针对以上问题,本文提出一种结合深度知识追踪模型与协同过滤方法的个性化习题推荐方法。该方法首先以深度知识追踪模型对学生知识建模,再结合协同过滤方法,计算学生的习题正确概率,并依据该概率,将一定难度范围内的习题推荐给学生。该方法同时参考了个人的知识水平和相似情况学生的近邻信息,具有更好的模型精度,并能够根据难度范围推荐适合的内容。并通过基于真实数据的实验进行了验证,本文的具体贡献如下:1.为了提高习题推荐算法模型的精度,创新性地将深度知识追踪模型与协同过滤算法结合,设计了新的习题推荐模型DKT-CF,提高了习题推荐算法的精度。首先,基于学生的做题提交历史数据,通过训练深度知识追踪模型DKT输出学生的个人知识水平矩阵,并使用该矩阵代替用户评分矩阵,通过协同过滤算法寻找相似学生群体,引入近邻信息,综合考虑产生个性化习题推荐。在两个真实数据集上的实验证明:该模型通过结合学生个人的知识水平信息和相似学生的群体性信息,明显提高了推荐算法的精度。相比DKT和DKT的改进模型DKT+,精确率(precision)分别增加2.0%、2.2%;召回率(recall)分别增加3.1%、0.6%;同时兼顾精确率和召回率的综合指标F1值分别增加0.04、0.01。2.通过引入难度范围参数,可以根据模型对学生的预测,推荐回答正确难度在范围内的题目给学生,使推荐结果比简单的排名推荐有更高的灵活度和可解释性。并以模型作为学生模拟器改进习题推荐策略,通过模拟学生练习不同难度推荐题目的后续提交序列,计算学生知识水平变化,使算法可以自适应的找出对于学生知识水平提高最快的合适难度。在两个真实数据集上的实验证明:通过选取使学生知识水平提升最快的难度进行推荐,知识水平提升速度相当于对资源评分排名推荐策略的1.57倍和2.12倍,且无需额外专家知识。

教师培训自主选学的影响因素分析与回归验证——以浙江省为例

这是一篇关于教师培训,教育数据挖掘,最优尺度回归,多项分类Logistic回归的论文, 主要内容为近年来,教师培训自主选学模式和教师培训信息化管理平台的建设受到大力推行,而浙江省早已做出探索和示范。2011年,浙江省中小学教师培训管理平台(简称“师训平台”)启用,所有中小学教师培训的项目申报、审核、培训报名、课程实施和学分获取都通过师训平台进行管理。师训平台中汇聚了十多年来教师培训相关数据,其中蕴含着相对真实的教师对选学项目的需求。研究旨在从海量数据中挖掘出隐藏的信息,研究哪些因素影响教师培训项目的自主选学情况。首先,基于浙江省教师培训管理平台中大量真实情境下产生的自主选学培训项目数据,围绕培训项目、教师参训情况、培训机构展开分析,找到教师培训中的一些规律性现象,探寻自主选学的动力根源,掌握教师自主选学关注的因素。其次,结合数据分析和文献的梳理,选取了22个指标初选集,再采用专家评分法进行重要性评分,通过AHP层次分析法计算权重,对影响因素指标进行增删、修改或合并形成重要影响因素指标体系,最终确定培训组织、培训任务、培训人员3个一级指标,培训机构类别、培训形式、培训时间、项目负责人、生活条件、培训领域、修读方式、学分、学段、学科、培训层次(职称、教龄)、岗位类别13个二级指标。最后,基于影响因素指标体系,通过五年的数据设计最优尺度回归模型和多项分类Logistic回归模型,对教师培训自主选学的影响因素进一步验证与分析,并预测培训项目报名情况,还列举了培训管理部门和培训机构的应用案例。为教师培训管理部门和教师培训机构提供客观的反馈信息,优化项目供给。培训管理部门可平衡项目数量,确保教师可选、想选的项目充足均衡。有助于培训机构和培训者设计出教师真正需要的项目,使培训更为精准化,满足教师专业学习的多样化和个性化需求,从而提高教师学习的积极性和有效性。

软件类课程学习能力分析评价系统设计与实现

这是一篇关于学生画像,个性化推荐,教育数据挖掘的论文, 主要内容为传统的软件类课程理论较多,学生学习完成之后,没有进行有效的能力考核与评估,主要原因在于其学习过程中的数据无法完成收集。近年来,随着在线课程的兴起,同时伴随着校企合作的新模式,通过线上线下相互融合,不仅能打破时空的限制,也能更有效的收集学生的学习数据。而如何建立以学生为中心、教师为引导的教育教学模式,实现对学生进行多维度、全方位的能力分析评价成为本文的研究重点。本文根据软件类课程为指导,对学生在线学习产生的数据进行收集分析,采用Java语言设计,使用My SQL和Redis数据库,利用Spring Boot架构完成系统搭建工作,并结合能力权重计算和个性化推荐算法完成了软件类课程学习能力分析评价系统设计与实现。本系统主要由四个大部分组成,知识点分析、学习质量分析、能力点构建计算和学习个性化推荐模块。知识点分析模块主要将知识点渗入到课程课堂之中,让课程章节划分更合理,使数据收集更便利。学习质量分析模块主要通过作业和考试等手段对学习质量进行检查,了解教与学的双边情况。能力点构建计算模块主要通过教育部颁布的毕业生能力要求和资深教师建议为前提建立能力点,之后对能力点进行权重计算得出学生画像。学习个性化推荐模块主要根据学生知识点和能力点掌握情况为学生推荐出更加利于学习发展的习题和课程。学习是一个隐性的、复杂的过程,单纯依靠考试分数难以了解学生的真实掌握情况。教育数据挖掘作为一个交叉领域,通过对教育数据进行分析,提取出其中有价值的数据信息,将这些数据结合起来,以发现新的见解,帮助学生解决学习过程中存在的潜在问题,提升学生学习效果取得更好的成绩。教师采取更加有利于学生能力发展的方式和策略进行教学,帮助学生达成能力的发展。目前此系统已完成基本功能并在小范围内试运行,能有效地激发学生的学习积极性。通过对学生问卷调查及学生阶段测验成绩分析发现,学生取得了较好的学习效果,能力分析为高校在人才培养方面提供了一定地参考作用。

基于习惯强度的大学生校园异常行为分析方法

这是一篇关于习惯强度,校园大数据,教育数据挖掘,异常行为的论文, 主要内容为新一代信息技术的发展,促进教育决策由经验化逐渐向科学化转型。日常活动行为的数据,既是各类隐性规律的外显体现,同时也成为研究与发现特征的重要手段。例如,人们的活动轨迹大数据,在当今新冠肺炎席卷全球的严峻局势下,是揭示与及时跟踪去向,政府实施流调控制的重要信息源,它抗疫过程中担当着无可替代的重要角色。大学生在城市间、校园间的流动情况,在校园中的日常行为,也是值得重点关注的内容。在当今“内卷”横飞、疫情肆虐的年代,大学生在面对各种形式的压力时,极易产生心理异常、行为异常的现象,若无法及时感知,导致错过疏导最佳时间窗口,最终可能导致悲剧的发生,影响个人的成长,影响国家人才的培养。因此,充分利用教育大数据、教育数据挖掘、人工智能等技术,以行为习惯理论为依据,构建科学化决策、精准化管理、个性化服务,是化解大学生在校园内的生存危机、心理危机等等影响他们在大学校园生活中的各种危机的有效途径。本文以在校大学生日常行为的数据为出发点,围绕日常行为数据所揭示的习惯展开研究,构建了日常行为习惯强度的计算模型,提出了大学生群体与个体的校园异常行为分析方法,并建立了可视分析平台。主要研究内容如下:(1)提出了校园日常行为习惯强度计算方法。在量化大学生在校园内发生的活动、行为、习惯的数据基础上,结合校园日常行为发生环境的空间要素、时间要素以及社会属性,习惯的重复频次、周期指标、触发环境的重叠特征等因素,量化习惯的稳定性,建立校园日常行为习惯强度计算模型,实现习惯强度量化计算。(2)提出了基于扩展孤立森林(EIF)的学生群体异常行为特征检测方法。首先,通过融合多源校园大数据得到某一时期周期内学生的时空细粒度日常活动数据;其次,使用联合时空熵、社交熵提取大学生行为的时空特性和社交特性;最后,通过扩展孤立森林发现异常行为学生群体。(3)提出了基于时序异常对抗网络(TadGAN)的异常行为学生个体的异常行为检测方法。首先,结合校园日常行为发生的频次、行为的时空特性、行为的社交特性,以每周为周期计算校园日常行为的习惯强度,得到习惯强度时间序列;其次,依次使用单变量时间序列异常检测、多变量时间序列异常检测,检测异常行为学生个体的校园异常行为;最后,从时空维度、社交维度、习惯强度维度揭示异常行为学生个体产生校园异常行为背后的原因。研究表明,大学生校园异常行为,即大学生个体在校园生活中发生的异常行为,表现为在一定的时间范围内,大学生校园日常行为的习惯强度产生不稳定波动现象,是一种偏离了日常行为习惯强度一般状态的行为。(4)构建了大学生校园异常行为可视化平台。采用Browser/Server架构,搭建了基于MongoDB分片集群、SpringBoot、Vue的可视化平台;实现了对大学生异常行为学生群体、异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。本文的创新点:(1)提出了校园日常行为习惯强度计算方法,实现了对习惯强度的周期性量化计算。(2)提出了大学生校园异常行为分析方法,实现了对大学生群体的异常行为特征检测、大学生异常行为个体的校园日常行为习惯强度单变量、多变量时间序列异常检测。(3)建立了大学生校园异常行为可视化平台,实现了对大学生异常行为学生群体和异常行为学生个体的地图可视化、社交网络可视化、习惯强度可视化。

结合深度知识追踪的个性化习题推荐

这是一篇关于教育数据挖掘,推荐系统,知识追踪模型,协同过滤的论文, 主要内容为个性化习题推荐是教育数据挖掘领域的重要课题,习题推荐算法能够根据学生的习题提交记录来了解学生的学习进度,并根据一定的规则对学生推荐合适的题目,达到辅助学生学习的目的。对个性化习题推荐的研究能有效地提高在线教育的质量,有很重要的意义。目前习题推荐算法进一步发展面临的问题主要有两个:(1)现有习题推荐方法主要分为基于协同过滤的推荐算法和基于对知识建模的推荐方法。协同过滤方法对学生的做题数据挖掘,寻找相似用户和习题,往往忽略学生对知识的掌握状态;而对知识建模的方法从学生的个人水平出发,大多忽略了对相似学生之间共同特征的利用。(2)现有的习题推荐策略主要是对资源进行评分排序或依赖专家制定,效率不高,难以根据学生知识水平的变化及时调整推荐方向。针对以上问题,本文提出一种结合深度知识追踪模型与协同过滤方法的个性化习题推荐方法。该方法首先以深度知识追踪模型对学生知识建模,再结合协同过滤方法,计算学生的习题正确概率,并依据该概率,将一定难度范围内的习题推荐给学生。该方法同时参考了个人的知识水平和相似情况学生的近邻信息,具有更好的模型精度,并能够根据难度范围推荐适合的内容。并通过基于真实数据的实验进行了验证,本文的具体贡献如下:1.为了提高习题推荐算法模型的精度,创新性地将深度知识追踪模型与协同过滤算法结合,设计了新的习题推荐模型DKT-CF,提高了习题推荐算法的精度。首先,基于学生的做题提交历史数据,通过训练深度知识追踪模型DKT输出学生的个人知识水平矩阵,并使用该矩阵代替用户评分矩阵,通过协同过滤算法寻找相似学生群体,引入近邻信息,综合考虑产生个性化习题推荐。在两个真实数据集上的实验证明:该模型通过结合学生个人的知识水平信息和相似学生的群体性信息,明显提高了推荐算法的精度。相比DKT和DKT的改进模型DKT+,精确率(precision)分别增加2.0%、2.2%;召回率(recall)分别增加3.1%、0.6%;同时兼顾精确率和召回率的综合指标F1值分别增加0.04、0.01。2.通过引入难度范围参数,可以根据模型对学生的预测,推荐回答正确难度在范围内的题目给学生,使推荐结果比简单的排名推荐有更高的灵活度和可解释性。并以模型作为学生模拟器改进习题推荐策略,通过模拟学生练习不同难度推荐题目的后续提交序列,计算学生知识水平变化,使算法可以自适应的找出对于学生知识水平提高最快的合适难度。在两个真实数据集上的实验证明:通过选取使学生知识水平提升最快的难度进行推荐,知识水平提升速度相当于对资源评分排名推荐策略的1.57倍和2.12倍,且无需额外专家知识。