文章针对混合教学数据的特征分析与分级问题,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)的方法。文章融合传统教学数据和在线教育数据,形成完整的教育特征数据链;利用复杂网络的研究方法和理论模型,构建教...文章针对混合教学数据的特征分析与分级问题,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)的方法。文章融合传统教学数据和在线教育数据,形成完整的教育特征数据链;利用复杂网络的研究方法和理论模型,构建教育特征数据网络模型;采用非线性KPCA特征抽取算法提取出影响教育质量的群集特征;建立针对教育质量、学生级别进行综合评价的评价模型,并对学生进行分级,从而更好地提供个性化教育干预,提高教学质量。通过实验验证了该方法的有效性和优越性,表明该方法能够有效地提取混合教学数据的非线性特征,并能够实现混合教学数据的分级。展开更多
基金supported by the National Natural Science Foundations of China(21206063,21566011,31570560)Natural Science Foundations of Jiangxi Provincial Department of Science and Technology,China(20151BAB213016)Sponsored Program for Cultivating Youths of Outstanding Ability in Jiangxi Normal University,China~~
文摘文章针对混合教学数据的特征分析与分级问题,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)的方法。文章融合传统教学数据和在线教育数据,形成完整的教育特征数据链;利用复杂网络的研究方法和理论模型,构建教育特征数据网络模型;采用非线性KPCA特征抽取算法提取出影响教育质量的群集特征;建立针对教育质量、学生级别进行综合评价的评价模型,并对学生进行分级,从而更好地提供个性化教育干预,提高教学质量。通过实验验证了该方法的有效性和优越性,表明该方法能够有效地提取混合教学数据的非线性特征,并能够实现混合教学数据的分级。