摘要
目前互联网教育正处于蓬勃发展期，各地智慧课堂、翻转课堂、个性化教育研究如火如荼地开展，学习预警、学习分析等技术研究越来越深入，教育信息化是大势所趋。学习预警技术通过运用机器学习、深度学习方法，能够有效预测学生未来的学习效果，判断当前学生的学习状态，为教师和学生提供学习预测结果，辅助教师教学工作，提高学生学习成绩。这一过程中，准确预测学生学习状态尤为重要。因此，本文旨在构建学习预警指标体系，设计高效的LSTM学习预警模型。 论文首先梳理当前国内外学习预警研究现状，整理出当前线上线下学习预警指标体系。针对学习预警指标，获取相关过程性学习行为数据，并运用相关性分析得出作业完成用时排名、作业提交次数排名、作业成绩排名等指标与期末成绩具有相关性。最终根据相关性指标构建完成度、积极性、交互度、实践力四维过程性评价模型。 论文构建了LSTM学习预警模型，将完成度、积极性、交互度、实践力四个维度的不同时间窗口统计值作为输入，再通过LSTM模型分别预测四个维度值。为了提高模型的准确度，本位采取了回溯法计算出四个维度贡献权重，最终得到总预警值。LSTM模型中探讨时间窗口大小即合并的周期数分别为3、4、5时，通过比较RMSE和MAPE的值得出将时间窗口设定为4时，效果最优。预警线设定分为程序计算预警线和教师自定义两种方式，通过计算预警值与成绩的F1-score值，求解最优预警线123(?,?,?)，根据预警线和学生等级判定表，将学生划分为优秀(A)、良好(B)、合格(C)和不合格（D）四个等级。实验表明当预警线设定为0.88、0.73、0.64时，预警效果最准确。 本文最后设计了学习预警平台，可视化呈现学生学习相关情况和预警结果。学习预警平台由学生模块、班级模块、系统管理模块构成。学生模块呈现学生作业或实验成绩波动等具体情况，雷达图展示出学生当前四个维度的预测值，仪表盘展现出学生总预警值。班级模块呈现当前班级总体预警情况，包括不同等级学生判定结果等。系统管理模块包括用户管理和数据导入两部分，数据导入中严格按照数据格式进行批量导入或者手动输入相关信息。
NETL