Stacking架构下在线学习者类型识别模型研究
在线学习者行为模式,是反映在线学习者学习状态、学习成果的综合性指标,对在线教育的设计、实施和改进有着指导作用,但其识别的方法还有待改进.建立一种Stacking架构下的在线学习者类型识别模型,旨在提高其预测识别的精度.分别建立LFFA-LSSVM模型、深度森林模型完成在线学习者类型识别,依照Stacking集成架构对模型进行拟合,通过渐进梯度回归树输出结果,并采用10折交叉进行验证.结果表明,该方法的识别效果相较于其他子模型中表现较好的LFFA-LSSVM、MoE-LSTM和Deep Forest模型,在精准率、准确度、平均召回率和值上均有提高,对有效刻画在线学习者画像、提高在线教育质量起到了参考作用.
在线学习、Stacking架构、LFFA-LSSVM模型、渐进梯度回归树、学习者画像
G434;TP391.4;G642.0
陕西省重点产业创新链重大项目22ZDLGY06
2023-06-25（万方平台首次上网日期，不代表论文的发表时间）
共8页
133-140
