基于在線學習數據的學習行為預測模型

駱莉莎，黃星華，苑 溦

（江蘇開放大學，江蘇 南京 210036）

當前，網絡學習已經成為重要的新型學習方式。2020年的突發疫情從客觀上快速將線上教育推向了普遍化與大眾化。然而，這一快速轉變也潛藏著很多實際問題，比如學生短時間內還不能適應新的學習方式，傳統課堂學習評價重結果輕過程的模式已經不再適用。

許多學者對于線上教育的評價方法進行了系統研究。馮天敏和張世祿[1]指出，在線學習的評價目的在于監控學習進程、保證學習質量、促進學生發展。雷軍程[2]比較了Udacity、Coursera、Edx 三大MOOC 平臺的課程評估方式，發現其評價模式與目前傳統課堂教學的評價模式類似。代利利和李經山[3]指出，翻轉課堂學習需對評價體系的基本價值取向、三個關鍵維度和指標構成、操作方法和權重分配等進行設計。其他學者[4-5]都對在線教育評價進行了研究。

綜合已有研究來看，如何利用大數據挖掘技術分析在線學習行為，采用合理、科學、創新、量化的評價手段反映學生學習過程的每個環節，已經成為當前研究的熱點。本文將討論如何基于在線學習數據實時預測學生的學習行為。

1 LSTM 神經網絡模型

學生學習是一個循序漸進的過程，在線學習平臺可以記錄學習過程中每個階段的學習數據，這些數據可以看做時間序列數據。人工智能領域的循環神經網絡最適合處理時間序列問題。RNN 的特點是隱藏單元間的連接是循環的；如果輸入的是一個時間序列，可以將其在時間維度展開，其中的每一個單元，除了處理當前時間點的輸入數據外，還要處理前一個單元的輸出，最終輸出一個時間序列。……