《表4 基于深度学习的教学辅助工具研究总结》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习技术在教育大数据挖掘领域的应用分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

新时代的教学模式摆脱了传统的板书课堂，像线上学习、多媒体辅助教学、智能辅导系统等新技术带来了更加丰富的学习体验。在基于深度学习的教学辅助工具的作用下，新时代的教学模式将得到进一步丰富和改进。表4列举了深度学习技术下一些教学辅助工具的相关研究。近年来发展迅速的MOOC学习平台，在深度学习技术的支持下有三个方面的研究:一是通过模型预测辍学率来判断学生是否会退出课程，如Xing等利用深度学习算法构建辍学预测模型，进一步预测个体学生的辍学概率[29]；Wang等基于卷积神经网络和递归神经网络的混合架构，提出了一种能够自动提取原始MOOC数据特征的模型，得到了与特征工程方法预测相似的结果[30]。二是有关MOOC论坛中的问题交流，如Lin等基于卷积神经网络对MOOC论坛中的讨论主题进行分类[31]；Wei等针对不同课程中存在的偏差，提出了一种基于卷积神经网络模型和长短期记忆模型的、名为ConvL的迁移学习框架，以自动识别文本是否表达了困惑，并对帖子进行情感极性分类，确定其需求紧急程度来及时地解决学习者的困惑[32]。三是MOOC平台根据学生的特点推送个性化的教学资源，如Tang等使用长短时记忆模型预测学生的学习趋势，为MOOC中寻找指导的学生提供广泛的建议[33]；在另一篇文章中，Tang等通过长短时记忆模型和递归网络模型，根据学生的点击流活动预测学生行为，并在学习者陷入困难时向其提供资源[22]。除了MOOC平台外，基于深度学习的教学辅助工具还以教学资源、科研论文、多媒体软件、英语语音为挖掘对象，如寇媛媛通过卷积神经网络模型表达教学资源的特征，实现精准高效的移动平台教学资源推荐[34]；Hassan等利用循环神经网络发现论文的连续和潜在语义特征，使研究人员用少量的时间找到满意的研究文献[35]；刘瑞梅通过深度学习识别学习者对多媒体画面的情感倾向，用以指导多媒体软件制作，最终给用户带来更好的学习体验[36]；陈嘉华基于深度学习进行英语语音识别和发音质量的研究，进而有效地帮助学生进行英语发音练习[37]。