-
题名基于生成模型的学生在线学习表现预测混合方法研究
- 1
-
-
作者
段超
王一晴
王洁
张明焱
-
机构
浙江师范大学浙江省智能教育技术与应用重点实验室
-
出处
《计算机科学》
北大核心
2025年第S2期619-627,共9页
-
基金
国家自然科学基金(62207027,62177024)
教育部产学合作协同育人项目(220906424035704)
浙江省教育科学规划课题(2023SCG369)。
-
文摘
学习表现预测利用在线学习平台的学生学习行为数据来识别存在学业风险的学生,可以帮助教师及时进行干预,然而该方式面临着数据不平衡问题,这使得准确识别存在学业风险的学生尤为困难。针对当前解决策略中变分自编码器(Variational Autoencoder,VAE)不能保证生成样本的合理性,生成对抗网络(Generative Adversarial Network,GAN)在处理时间序列数据时易引入新的错误,并且生成器和判别器任何一方训练得过于出色或不足都会导致生成数据质量下降等问题。提出了一种新的基于生成模型的学生在线学习表现预测混合方法。具体而言,首先利用融合双向长短期记忆网络(Bidirectional Long Short-term Memory,BiLSTM)的VAE对GAN进行初始化,不仅能从更加稳定的点开始训练,而且能更好地理解学生行为序列数据前后之间的关联关系和周期性特征;其次,判别器中引入多头注意力机制,增强其对真实数据和生成数据的区分能力,进而与生成器不断博弈;最后,将深度生成模型与经典重采样策略(Synthetic Minority Oversampling Technique,SMOTE)基于Blending集成学习的思想进行融合,有效结合数据和算法两个方面的优势,提高了模型整体的生成能力。在两个真实学生数据集上进行了大量实验,结果表明,该模型可以生成高质量的数据,从而提升预测模型对存在学业风险学生的识别能力,从第一单元开始,在4个评价指标上较基线方法均有提升。
-
关键词
学习表现预测
生成模型
双向长短期记忆网络
注意力机制
集成方法
-
Keywords
Learning performance prediction
Generative model
Bidirectional long short-term memory
Attention mechanism
Ensemble method
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
