为了解决控制类实验课程的大规模开放式在线课程(Massive Open Online Courses,MOOC)教学问题,提出了一种移动实验室(Mobile Laboratory,M-Lab)与移动远程控制实验(Mobile Remote Control Experiment,简称MRC-Experiment)的设计方法。...为了解决控制类实验课程的大规模开放式在线课程(Massive Open Online Courses,MOOC)教学问题,提出了一种移动实验室(Mobile Laboratory,M-Lab)与移动远程控制实验(Mobile Remote Control Experiment,简称MRC-Experiment)的设计方法。这种基于移动实验室中的远程实验,能够允许工科学生利用碎片化时间,随时、随地通过移动端(手机、平板电脑)进行控制类实验课程的学习与操作。通过移动实验室软硬件的设计、控制实验课程内容的设计、将智能控制算法应用在远程控制实验课程等环节,设计并实现了移动实验室,并允许学生进行移动远程控制实验。为了验证MRC-Experiment的效果,设计了在线调查问卷,对使用者在完成在线实验后进行了问卷调查。调查结果显示M-Lab和MRC-Experiment受到了学生的欢迎。展开更多
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...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CNN_LSTM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。展开更多
针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关...针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。展开更多
文摘为了解决控制类实验课程的大规模开放式在线课程(Massive Open Online Courses,MOOC)教学问题,提出了一种移动实验室(Mobile Laboratory,M-Lab)与移动远程控制实验(Mobile Remote Control Experiment,简称MRC-Experiment)的设计方法。这种基于移动实验室中的远程实验,能够允许工科学生利用碎片化时间,随时、随地通过移动端(手机、平板电脑)进行控制类实验课程的学习与操作。通过移动实验室软硬件的设计、控制实验课程内容的设计、将智能控制算法应用在远程控制实验课程等环节,设计并实现了移动实验室,并允许学生进行移动远程控制实验。为了验证MRC-Experiment的效果,设计了在线调查问卷,对使用者在完成在线实验后进行了问卷调查。调查结果显示M-Lab和MRC-Experiment受到了学生的欢迎。
文摘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CNN_LSTM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。
文摘针对MOOC中学生行为数据的长短期混合特性,为解决辍学预测中的动态类别不平衡问题,提出一种基于深度学习的辍学预测策略。首先建立以天为时间步长、周为学习周期的新型学生行为时间序列,以捕捉每一时间步长下时间序列数据的短期依赖关系和相邻学习周期之间的长期模式和趋势。然后结合辍学定义的两种不同表达揭示MOOC辍学预测的动态类别不平衡现象。接着引入基于代价敏感的长短期时间序列深度学习模型,以实现对高辍学风险学生的精准预测。最后在KDD Cup 2015数据集上的实验证明,所提策略能够有效帮助MOOC课程教师和教学管理者追踪课程学生在不同时间步长的学习状态,从而动态监控不同学习阶段的辍学行为。
