《表2 预测学习者毕业与否效果对比》
本文在11门课程上进行了预测学习者毕业与否的实验.每门课程将80%的学习者数据作为训练数据,将其余20%的数据作为测试测试.实验中的测评指标采用Precision、Recall和F1.由于本文数据集不满足基于概率的预测方法的需求,所以选择两种传统的机器学习方法Logistic Regression(LR)、Support Vector M achine(SVM)代替基于概率的方法作为本文方法的对比方法.选择方法Factorization Machine(FM)[16]作为代表基于矩阵因子化预测方法的对比方法.由于Latent Dynamic Factor Graph(LadFG)[20]被证明优于大部分深度学习方法,所以选择其作为代表基于深度学习预测方法的对比方法.LR和SVM利用除短文本语义信息外的统计信息和学习行为信息特征训练logistic回归模型和SVM模型,并利用训练好的摸型进行预测.FM方法先构造学习者-课程矩阵,将学习者对应课程的成绩作为矩阵元素,利用矩阵因子化的方法可得到学习者和课程的特征向量,再基于特征向量去判断学习者毕业与否.LadFG利用学习者的人口统计数据、学习行为数据和论坛行为数据构建动态图模型,再基于学习者的整个过程的学习状态去预测学习者毕业与否.具体结果如表2所示.
图表编号 | XD00126541600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 叶俊民、罗达雄、陈曙、廖志鑫 |
绘制单位 | 华中师范大学计算机学院、华中师范大学计算机学院、华中师范大学计算机学院、华中师范大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |