基于全局和局部语义融合的学习风格感知辍学预测方法

本发明涉及mooc辍学方法，具体为基于全局和局部语义融合的学习风格感知辍学预测方法。

背景技术：

1、众所周知，mooc辍学预测是指通过分析学习者在学习注册课程时在平台上留下的动作序列来预测其可能辍学的情况。具体来说，日志的点击流数据记录了用户在学习课程过程中的各种行为，如观看视频、完成作业、参与论坛讨论等。研究者根据这些日志数据提出了许多不同的mooc辍学预测方法，通过不同的策略来分析数据并预测学习者的学习行为和可能的辍学情况。现有的mooc辍学预测方法可分为传统机器学习方法和基于深度学习的方法。

2、基于传统机器学习的方法和基于深度学习的方法。对于传统的基于机器学习的方法，首先通过称为特征工程的过程从日志数据中提取重要特征。然后，根据得到的特征，训练经典的分类模型，如逻辑回归(lr)，支持向量机(svm)。最后，在给定每对学习者和注册课程的情况下，预测可能的退学行为。

3、基于深度学习的方法，使用深度神经网络以端到端方式从日志数据中学习隐藏特征。代表性的基于深度学习的方法有基于cnn的模型和基于lstm的模型。

4、近年来，mooc辍学预测研究已经取得了一定的进展，但仍存在一个缺点。当从日志数据中建模行为时，没有明确地使用教育心理学的知识，这为提高预测性能留下了空间。根据教育心理学的理论，每个学习者都可能具有不同的学习风格，这些学习风格会在学习过程中反映在他们的行为上。这也是mooc平台的一个典型现象。例如，有些学习者喜欢每天分配学习时间，而有些学习者喜欢在周末进行更集中的学习。同样，为了提高学习效果，有些学习者喜欢参加课程的论坛讨论，有些学习者喜欢多次观看课程视频。因此，考虑学习者的特定学习风格，可以为学生的学习行为提供更多有意义的特征，从而提高退学预测的性能，因此有必要针对这一技术问题提出解决方案。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了基于全局和局部语义融合的学习风格感知辍学预测方法。

3、(二)技术方案

4、为实现上述目的，本发明提供如下技术方案：基于全局和局部语义融合的学习风格感知辍学预测方法，包括预处理模块、学习风格检测模块、学习行为建模模块以及辍学预测模块，所述预处理模块对于每一对学习者和课程从日志记录中计算每周不同的学习行为类型的频率，所述学习行为建模模块在学习行为建模模块中，结合学习者的时间序列数据和学习风格，获得学习者的隐藏特征，所述辍学预测模块对给定的学习者和课程的特征进行辍学预测。

5、进一步的，本发明改进有，所述预处理模块提取日志中的行为记录，并将其转换为时间序列数据的方式；

6、给定每个注册，计算每周不同类型行为的频率，对于每个星期，学习记录用一个向量表示，其每个分量表示相应行为类型的频率，假设mooc平台的行为类型总数用nb表示，最大课程周数用t表示，对于学习者i在课程j上注册，行为记录用以下特征矩阵正式表示:

7、

8、学习者i在课程j上注册的dropout标签，表示如下:

9、

10、上式中，如果学习者i在学习课程j的第t周退出该课程，反之，

11、进一步的，本发明改进有，所述学习风格检测模块获取学生的特征，并根据得到的特征对学生进行聚类，利用基于动态时间扭曲dtw的k-means聚类方法，得到k个学习自组的集合，表示为c＝{c1，…，ck，…，ck}；

12、学习者特征的推导通过利用ots推导学生的特征以及使用图自编码器来推导学生的隐藏特征。

13、进一步的，本发明改进有，ots方法给定所述预处理模块得到的时间序列特征矩阵，通过对学习者所有注册的特征矩阵进行平均得到每个学习者的特征，形式上，每个学习者i∈{1，…，nl}，具体表示如下：

14、

15、式中，ni表示学生i注册的课程总数，si，j表示学习者i在第j们课程上的原始特征矩阵；

16、基于ots获得的特征引入基于gae的方法来获得学生的密集表示，如下所示；

17、基于gae的学习器特征提取方法包括l-c二部图构建、图编码器和图解码器，学习风格检测模块构建一个表征学习者和课程之间交互的l-c二部图，并计算了两种类型节点的初始特征，所述图编码器将学习器和课程的初始表示转换为隐藏表示，用于检测学习器的风格，利用图解码器重构l-c二部图，训练图自编码器模型；

18、构造的学习者和课程二部图用g＝{l，c，a}来描述了学习者和课程之间的互动，其中l表示nl个学习者的集合，c表示nc个课程的集合，和表示二部图的邻接性，a中学习者和课程之间的加权连接是根据相应的学习者和课程对之间的交互总数计算的，节点的初始特征用表示，将邻接矩阵a和初始特征x输入到图编码器中，以导出学习者和课程的隐藏表示；

19、图编码器给定输入(a,x)，图编码器使用两层图卷积网络来推导图节点的隐藏表示，gae编码器的正式定义如下：

20、

21、由图编码器导出的潜在表示用z表示，即z＝gae(a,x)，其中f表示嵌入空间的维数，提取z的前nl行来派生学习者的隐藏表示；

22、图解码器在图解码器中，对隐藏表示z进行点积运算，重建邻接矩阵为a′：

23、a′＝σ(z·zt)

24、为了训练图编码器，使用交叉熵损失来评估重建图像之间的差异

25、

26、进一步的，本发明改进有，通过dtw重心平均方法用于更新簇的均值。

27、进一步的，本发明改进有，使用肘部法来确定最优簇数。

28、进一步的，本发明改进有，所述学习风格检测模块通过cnn进行学习行为建模。

29、进一步的，本发明改进有，所述辍学预测模块通过cnn模块上应用sigmoid函数来推导辍学行为的概率，设hi,j为学习者i在课程j上的注册，则t∈1，...，t}辍学预测如下：

30、

31、式中表示第t周的表示，w和b表示训练后的参数；

32、使用交叉熵损失函数，给定n个注册的训练集，每次注册有t周的行为记录，则损失函数定义为:

33、

34、式中表示学习者i在课程j上注册的第t周的真值标签。

35、(三)有益效果

36、与现有技术相比，本发明提供了基于全局和局部语义融合的学习风格感知辍学预测方法，具备以下有益效果：

37、该基于全局和局部语义融合的学习风格感知辍学预测方法，创新提出两种学习风格检测方法，能够准确识别人群各异的学习风格，这对于理解学生个体差异及适应性教学策略制定至关重要，同时丰富了辍学预测模型的输入特征维度；结合学习者的时间序列数据和识别出的学习风格，通过先进的机器学习技术提取学习者的隐藏特征，这些特征既能体现全局的学习历程趋势，又能捕捉到局部的学习细节和偏好，提高了预测模型对学习者特征刻画的全面性和准确性；有效地利用了cnn模块的全局和局部语义，从而获得了先进的预测性能。