一种基于时间卷积网络的制造技术

本发明专利技术公开了一种基于时间卷积网络的

【技术实现步骤摘要】
一种基于时间卷积网络的MOOCs学生辍学预测方法


[0001]本专利技术涉及在线教育辍学预测
，尤其涉及一种基于时间卷积网络的
MOOCs
学生辍学预测方法
。

技术介绍

[0002]目前，随着信息技术的发展，在线学习已经成为了人们面对快速发展的社会的必要方式
。
在线教育利用了媒体教学法中跨越时间和空间的交流方式，并通过移动互联网使得人们可以随时随地的在线学习
。
大规模在线开放课程作为在线学习中最为高效的方式之一，拥有着优秀的老师授课，低廉的入学门槛，相对自由的学习环境，将优质的教育免费分享给学习的人群
。
近年来诞生了众多著名的在线学习平台如
Coursera
，
edX
等
。
[0003]慕课
(Massive open online courses,MOOCs)
学习平台以有深度的教学内容
、
低门槛的学习方式等吸引了数亿的用户
。
在线课程注册人群数以万计增加，但能坚持到最终完成课程的却寥寥数人
。
数个
MOOCs
平台中学习者课业完成情况的调查表明，
MOOCs
中每一门课程平均招收超过
43000
名学生，然而课程的完成率仅为
6.5
％
。
相对于线下课程的高完成率，
MOOCs
平台中学习者课业完成情况存在巨大的差距，因此降低在线课程的辍学率已成为提升在线教学质量的一个重要手段
。
[0004]对于大多数课程来说，对学生辍学进行预测，并在辍学发生之前进行提醒和召回是可行而高效的做法
。
而且对于课程授课者来说，辍学预测也是对自身课程的动态评估和调整的依据
。
在对于学生辍学预测方面，目前有通过对学生个人信息，如性别
、
年龄
、
家庭
、
学校等数据进行分析的辍学预测
。
还有通过对学生在课堂上的参与情况，如课堂讨论次数
、
教学视频观看情况等动态信息进行分析的辍学预测
。
传统辍学预测方法使用支持向量机
、
决策树模型
Lasso
回归和
Ridge
回归等机器学习方法根据学生学习数据进行辍学预测
。
数据包括常规学分
、
平均累积成绩
、
学校和注册学期
、
课程学分信息
、
课外活动等，以及学生的人口统计信息如年龄
、
受教育水平等
。
相比于在课程开始之前通过学习者的情况进行辍学预测，纳入学生学习过程记录的辍学预测更具有挑战性和实际意义
。
现有预测方法中并未有技术将上述记录纳入预测
。

技术实现思路

[0005]本专利技术的目的是提供一种基于时间卷积网络的
MOOCs
学生辍学预测方法，能够提高预测的准确率
。
[0006]本专利技术采用的技术方案为：
[0007]一种基于时间卷积网络的
MOOCs
学生辍学预测方法，包括以下
[0008]步骤：
[0009]步骤1：将学生在
MOOCs
平台上的学习行为记录进行预处理，转换为代表学生努力程度的三维学习矩阵；根据学习矩阵按课程计算出三个课程参与度指标，即最大比率
、
总体比率和排名，进而生成相应三个矩阵：
MRatio,SRatio
和
Rank
；将三个指标矩阵中的值映射
到0‑
255
区间；最后将三个指标矩阵合成为一个三维学习矩阵；
[0010]步骤2：基于图像卷积神经网络提取三维学习矩阵的特征；
[0011]步骤3：基于时间卷积网络
TCN
提取学习记录中的时序特征；
[0012]步骤4：
SE
‑
TCN
深度学习模型的训练与测试；具体步骤如下：
[0013]步骤
4.1
：将数据划分为训练集和测试集；
[0014]步骤
4.2
：在训练集上对
SE
‑
TCN
模型进行训练；
[0015]步骤
4.3
：在测试集上使用准确率，精确率，召回率和
F1
分数指标评估模型性能
。
[0016]所述的步骤1具体包括如下步骤：步骤
1.1
：以课程的开始和结束时间为界，以一周七天为间隔，统计每周学习行为的频率；
[0017]步骤
1.2
：为课程中每位学生计算出相应的
T
×
E
课程学习矩阵，其中
T
为课程讲授的周数，
E
为
MOOCs
平台记录的相应学习行为类型数量；
[0018]步骤
1.3
：为了减少不同课程难度差异以及学生需要付出努力程度对辍学预测的影响，根据学习矩阵按课程计算出三个课程参与度指标
(
最大比率
、
总体比率和排名
)
，进而生成相应三个矩阵：
MRatio,SRatio
和
Rank
；具体的：
[0019][0020][0021][0022]其中
C(i)
为同一课程中的学生
i
的学习行为记录统计值；
N
为当前课程中学习者的总人数；
w(k)
为课程开始的第
k
周；
e(j)
为
MOOCs
平台能够记录学生的相应学习行为类型
j
在课程第
k
周时的频率；
f
rank
为获取学生当前事件频率在课堂第
k
周中占所有学习者的排名；
[0023]这三个矩阵将孤立的
MOOCs
学习行为数据与学习相同课程学生的学习情况联系起来，可以衡量学生的努力程度；
[0024]步骤
1.4
：将三个指标矩阵中的值映射到0‑
255
区间；
[0025]步骤
1.5
：将三个指标矩阵合成为一个三维学习矩阵；具体的：三个指标矩阵中的值映射到0‑
255
区间后可以视为三个灰度图像；本专利技术把这三个灰度图像看作彩色图像的三个通道红
R、
绿
G、
蓝
B
，并将它们合并在一起生成一个三维学习矩阵，也可以看作一个彩色学习图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于时间卷积网络的
MOOCs
学生辍学预测方法，其特征在于，包括以下步骤：步骤1：将学生在
MOOCs
平台上的学习行为记录进行预处理，转换为代表学生努力程度的三维学习矩阵；根据学习矩阵按课程计算出三个课程参与度指标，即最大比率
、
总体比率和排名，进而生成相应三个矩阵：
MRatio,SRatio
和
Rank
；将三个指标矩阵中的值映射到0‑
255
区间；最后将三个指标矩阵合成为一个三维学习矩阵；步骤2：基于图像卷积神经网络提取三维学习矩阵的特征；步骤3：基于时间卷积网络
TCN
提取学习记录中的时序特征；步骤4：
SE
‑
TCN
深度学习模型的训练与测试；具体步骤如下：步骤
4.1
：将数据划分为训练集和测试集；步骤
4.2
：在训练集上对
SE
‑
TCN
模型进行训练；步骤
4.3
：在测试集上使用准确率，精确率，召回率和
F1
分数指标评估模型性能
。2.
根据权利要求1所述的一种基于时间卷积网络的
MOOCs
学生辍学预测方法，其特征在于：所述的步骤1具体包括如下步骤：步骤
1.1
：以课程的开始和结束时间为界，以一周七天为间隔，统计每周学习行为的频率；步骤
1.2
：为课程中每位学生计算出相应的
T
×
E
课程学习矩阵，其中
T
为课程讲授的周数，
E
为
MOOCs
平台记录的相应学习行为类型数量；步骤
1.3
：为了减少不同课程难度差异以及学生需要付出努力程度对辍学预测的影响，根据学习矩阵按课程计算出三个课程参与度指标
(
最大比率
、
总体比率和排名
)
，进而生成相应三个矩阵：
MRatio,SRatio
和
Rank
；具体的：；具体的：；具体的：其中
C(i)
为同一课程中的学生
i
的学习行为记录统计值；
N
为当前课程中学习者的总人数；
w(k)
为课程开始的第
k
周；
e(j)
为
MOOCs
平台能够记录学生的相应学习行为类型
j
在课程第
k
周时的频率；
f
rank
为获取学生当前事件频率在课堂第
k
周中占所有学习者的排名；这三个矩阵将孤立的
MOOCs
学习行为数据与学习相同课程学生的学习情况联系起来，可以衡量学生的努力程度；步骤
1.4
：将三个指标矩阵中的值映射到0‑
255
区间；步骤
1.5
：将三个指标矩阵合成为一个三维学习矩阵；具体的：三个指标矩阵中的值映射到0‑
255
区间后可以视为三个灰度图像；本发明把这三个灰度图像看作彩色图像的三个通道红
R、
绿
G、
蓝
B
，并将它们合并在一起生成一个三维学习矩阵，也可以看作一个彩色学习图像
。3.
根据权利要求1所述的一种基于时间卷积网络的
MOOCs
学生辍学预测方法，其特征在于：
SE

【专利技术属性】
技术研发人员：张新红，王翔宇，赵佳音，张伯言，张帆，
申请(专利权)人：河南大学，
类型：发明
国别省市：