《表3 基于深度学习的学生学习追踪及表现预测研究方向总结》

  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

实时了解学生学习状态并对学生的发展做出合理的预测，这对改善教学状况、提高教学质量有着十分重要的作用。由于影响学习状况的因素十分复杂，传统的建模方法不能很好地进行学习追踪，而深度学习技术可以利用任何可向量化的学生数据作为输入且不需要特别的注解和标记，这对于学生表现建模极具优势，因此，最终对学生绩效的预测也十分准确[22]。通过深度学习技术完成学生学习追踪及表现预测，可以帮助教师与学生实现自动反馈，因此，可以在教与学两方面进行同步改进。基于深度学习的学生学习追踪及表现预测相关研究见表3。已有研究主要从两个方面展开:一是对学生平时的表现情况进行数据建模来预测最终的学习表现，如Kim等的GritNet模型（基于双向长短时记忆模型）在收到某个给定学生8周数据后，在几个星期内提高学生毕业预测的准确性[23]；Okubo等使用循环神经网络挖掘教育系统中的日志数据预测学生最终成绩，并通过实验证明RNN对最终成绩的早期预测是有效的[24]；Wang等将嵌入的程序输入到一个循环的神经网络中，根据学生在完成一项练习时的连续快照分析他的学习能力，并在随后的编程练习中预测学生的成果[25]；Smith等构建了基于深度学习的示意图模型，利用学生绘制轨迹的时间和拓扑特征来预测学生的绘画动作[26]；Piech等利用循环神经网络对一系列知识跟踪数据集建模，预测学生学习情况[27]。二是用学生在其他环境中的表现来推测学生的学习认知能力，如Min等基于深度学习提出一种新型评估框架，在一个基于游戏的学习环境中推断学生的能力，对于准确评估学习者的计算思维有很大帮助[28]。