本技术介绍了一种结合学习行为和时间窗口的早期学习表现预测方法,包含以下步骤:首先,利用时间窗口对学习行为时间序列进行非重叠的patch构建;其次,通过融合学习行为数据和时间窗口信息,构建预测模型;最后,实现对学习表现的早期预测。
背景技术
在线教育环境下,学生与学习平台的交互数据呈现出复杂性高、动态性和非线性相关性等特点。为了有效处理这些数据并提取有价值的特征,本发明提出的LBTT模型主要基于以下设计思想:第一,学习行为的时间依赖性和时间窗口变化:将学生学习行为数据按照特定的时间窗口进行划分,捕捉不同学习行为的变化趋势和规律。第二,同类学习行为的时序连接关系:在不同时间窗口内,同一类学习行为可能存在一定的时序关联;通过设计基于自注意力机制的网络模块,学习不同时间窗口内同类学习行为的时序连接关系。第三,不同类型行为之间的相关性:在同一时间窗口内,不同类型的学习行为之间可能存在某种相关性;通过设计基于交叉注意力机制的网络模块,融合计算同一时间窗口内不同类型行为之间的相关性。
基于上述设计思想,首先通过数据预处理阶段对学生的在线学习行为数据进行清洗、转换和标准化,以形成适合深度学习的输入格式。模型通过设定不同的时间窗口来捕捉学习行为的时间依赖性和时间窗口变化,并根据行为类别将数据进一步细分,形成特征序列。核心的自注意力模块和交叉注意力模块分别学习同类行为在不同时间窗口的时序关联和不同行为类型间的相互影响,从而提炼出关键特征。这些特征经过融合后输入到全连接神经网络中,最终实现对学生学习成绩的准确预测。此模型的设计不仅考虑了学习行为的复杂动态性,还通过的交叉注意力机制关注了学习行为间的深层次联系,为基于学习行为的学习表现预测提供支持。
随着移动互联网和数字技术的发展,在线教育平台突破时空限制,提供泛在的学习环境的同时,高辍学率、低成功率成为一个不容忽视的问题。预测学生成绩可及早发现学生学业失败倾向,有助于教师及时干预。随着在线教育不断发展,产生的数据呈现高维度、动态性和非线性等特征,为学习成绩预测建模带来挑战。本发明提出一种基于学习行为的学生成绩预测模型(LBTT),对学生学习行为进行分时间窗口的观察,设计网络模块对不同窗口同类学习行为的时序连接关系进行学习,同时融合计算不同类型行为之间的相关性特征,以期提高早期学习表现预测准确率。
实现思路