學(xué)習(xí)分析視角下的個(gè)性化預(yù)測(cè)研究

1、    學(xué)習(xí)分析視角下的個(gè)性化預(yù)測(cè)研究    基于python 3.7環(huán)境，利用28種回歸算法比較預(yù)測(cè)精度，包括elasticnet回歸、linear回歸、mlp回歸、smo回歸、randomtree回歸、randomforest回歸、svm回歸等。利用皮爾遜相關(guān)系數(shù)（pcc）、一致性相關(guān)系數(shù)（ccc）、平均絕對(duì)誤差（mae）與均方根誤差（rmse）以及5倍交叉驗(yàn)證，判別具有最佳精度和魯棒性的數(shù)據(jù)挖掘方法。其中，皮爾遜相關(guān)系數(shù)是預(yù)測(cè)分值與實(shí)際分值的皮爾遜相關(guān)；一致性相關(guān)系數(shù)考察連續(xù)變量之間的一致性與重現(xiàn)性；平均絕對(duì)誤差是絕對(duì)誤差的平均值，能反映預(yù)測(cè)值誤差

2、的實(shí)際情況；均方根誤差用來(lái)衡量預(yù)測(cè)值與實(shí)際值之間的誤差大小。圖3給出了不同算法的分析結(jié)果。圖3不同回 歸算法的預(yù)測(cè)精度檢驗(yàn)如圖3所示，對(duì)于皮爾遜相關(guān)系數(shù)，randomforest回歸最高（0.859），其次是kstar回歸（0.841）；對(duì)于一致性相關(guān)系數(shù)，randomforest回歸最高（0.850），其次是kstar回歸（0.837）；對(duì)于平均絕對(duì)誤差，kstar回歸最低（4.176），其次是jr回歸（6.490）和randomforest回歸（6.635）；對(duì)于均方根誤差，randomforest回歸最低（10.906），其次是kstar回歸（11.663）。由此可以看出randomfo

3、rest回歸為最佳的預(yù)測(cè)算法。利用分類算法對(duì)課程風(fēng)險(xiǎn)進(jìn)行識(shí)別預(yù)測(cè)，學(xué)習(xí)結(jié)果低于60分的學(xué)習(xí)者被視為“具有風(fēng)險(xiǎn)”，60分至80分被視為“表現(xiàn)良好”，高于80分被視為“學(xué)業(yè)優(yōu)秀”。本研究比較了24種分類算法的預(yù)測(cè)精度，包括jr、randomtree、randomforest、svm以及smo等。利用準(zhǔn)確率（precision）、正確率（accuracy）、召回率（recall）、f值（f-measure）以及5倍交叉驗(yàn)證，判別具有最佳精度和魯棒性的數(shù)據(jù)挖掘方法。其中，正確率指分類正確的樣本數(shù)與樣本總數(shù)的比率；準(zhǔn)確率即查準(zhǔn)率，指檢索相關(guān)文檔數(shù)與檢索出文檔總數(shù)的比率；召回率即查全率，指檢索相關(guān)文檔數(shù)與

4、所有相關(guān)文檔數(shù)的比率；f-measure為查準(zhǔn)率與查全率加權(quán)調(diào)和平均值。圖4給出了不同算法的分析結(jié)果。圖4不同分類算法的預(yù)測(cè)精度檢驗(yàn)如圖4所示，在準(zhǔn)確率方面，randomforest最高（0.905），其次是kstar（0.891）和modlem（0.875），naivebayes最低（0.563）；在正確率方面，randomforest最高（0.913），其次為modlem（0.887）與kstar（0.873），conjunctiverule（0.498）最低；在召回率方面，kstar最高（0.870），其次是randomforest（0.859）和part（0.830），smo（0.59

5、1）最低；在f-measure方面，randomforest最高（0.879），其次為kstar（0.871）與modlem（0.830），smo（0.529）最低?？梢钥闯?，randomforest在預(yù)測(cè)學(xué)習(xí)者失敗風(fēng)險(xiǎn)方面效果最好。六、分析與討論（一）研究結(jié)論由上述分析可知，不同人格特質(zhì)群體相應(yīng)的預(yù)測(cè)指標(biāo)并不完全相同，預(yù)測(cè)指標(biāo)之間存在相似與區(qū)別。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)出現(xiàn)在所有群體的預(yù)測(cè)方程中，并占有最高權(quán)重，散點(diǎn)圖也進(jìn)一步佐證了課后測(cè)驗(yàn)平均分?jǐn)?shù)與學(xué)習(xí)結(jié)果之間的正相關(guān)關(guān)系。可見(jiàn)，過(guò)程性評(píng)估成績(jī)是學(xué)習(xí)者成功最穩(wěn)定與最重要的預(yù)測(cè)指標(biāo)（dollinger，et al.，2008；richardso

6、n，et al.，2012）。此外，教師推薦發(fā)言數(shù)量以及在線學(xué)習(xí)時(shí)長(zhǎng)分別是4類學(xué)習(xí)群體與3類學(xué)習(xí)群體的預(yù)測(cè)變量，這類相對(duì)共性的指標(biāo)也是大多數(shù)相關(guān)研究中的常用預(yù)測(cè)變量。學(xué)習(xí)者花費(fèi)大量時(shí)間（尤其在沒(méi)有監(jiān)督的情境下）瀏覽內(nèi)容頁(yè)面或者回答問(wèn)題，反映了學(xué)習(xí)者的高動(dòng)機(jī)、高努力與專注程度，而回答問(wèn)題的水平反映出學(xué)習(xí)者的認(rèn)知深度以及學(xué)習(xí)配合程度（nicholls，1984），因此是相對(duì)穩(wěn)健的預(yù)測(cè)因子（hattie，2008）。值得關(guān)注的是，媒體型回答數(shù)量在兩個(gè)相對(duì)人格特質(zhì)群體中呈現(xiàn)截然相反的預(yù)測(cè)作用，該行為指標(biāo)正向預(yù)測(cè)“低開(kāi)放、高外傾”群體的學(xué)習(xí)結(jié)果，負(fù)向預(yù)測(cè)“高開(kāi)放、低外傾”群體的學(xué)習(xí)結(jié)果。此外，學(xué)習(xí)筆記數(shù)

7、量正向預(yù)測(cè)“低開(kāi)放、高外傾”群體的學(xué)習(xí)結(jié)果，但并未在其他群體回歸方程中出現(xiàn)。從人格特質(zhì)的本質(zhì)來(lái)看，外傾人格特點(diǎn)的核心是獲得社會(huì)關(guān)注，其學(xué)習(xí)行為差異是由有限認(rèn)知資源關(guān)注內(nèi)容的不同造成的（武燕，2012），其高低水平?jīng)Q定了學(xué)習(xí)者傾向利用“合作策略”還是“自我監(jiān)控策略”進(jìn)行學(xué)習(xí)；開(kāi)放性體現(xiàn)在學(xué)習(xí)者對(duì)新事物與信息整體偏好的熱衷程度，其學(xué)習(xí)行為差異是由大腦皮層不同反映水平機(jī)制的區(qū)別所導(dǎo)致的（burger，1986），其高低水平?jīng)Q定了學(xué)習(xí)者傾向利用“社會(huì)拓展性學(xué)習(xí)”還是“自我導(dǎo)向?qū)W習(xí)”?；诖丝梢缘弥懊襟w型回答數(shù)量”屬于“合作策略”，即“高外傾”維度；“學(xué)習(xí)筆記數(shù)量”屬于“自我導(dǎo)向?qū)W習(xí)”，即“低開(kāi)放”

8、維度。因此，從某種程度上可以推測(cè)，同類屬性的學(xué)習(xí)行為增強(qiáng)可能強(qiáng)化對(duì)學(xué)習(xí)者的預(yù)測(cè)作用，弱化甚至負(fù)強(qiáng)化異質(zhì)學(xué)習(xí)群體的預(yù)測(cè)效能。此外，“低開(kāi)放、高外傾”群體的學(xué)習(xí)結(jié)果在平均水平與波動(dòng)程度方面低于其他3類群體，這也再次體現(xiàn)出“自我導(dǎo)向的合作策略”學(xué)習(xí)者在混合學(xué)習(xí)環(huán)境中的特殊性。這一研究結(jié)果是否具有普適性以及更細(xì)微的差異性分析還有待今后更大樣本的檢驗(yàn)。歸納出相對(duì)普適性的預(yù)測(cè)指標(biāo)對(duì)于智能學(xué)習(xí)系統(tǒng)開(kāi)發(fā)以及學(xué)習(xí)干預(yù)極具價(jià)值。從目前研究來(lái)看，不同學(xué)習(xí)環(huán)境的預(yù)測(cè)因子具有極大的差異性，即便是類似的學(xué)習(xí)平臺(tái)，也顯示出預(yù)測(cè)指標(biāo)的不同。在本研究中，不同人格特質(zhì)群體的回歸方程在學(xué)習(xí)結(jié)果的解釋力以及行為指標(biāo)方面呈現(xiàn)出較大的差

9、異性。由此可見(jiàn)，不同人格特質(zhì)學(xué)習(xí)者表現(xiàn)出相應(yīng)的復(fù)合行為，這類行為序列的組合反映出相應(yīng)的學(xué)習(xí)策略。這表明某些預(yù)測(cè)因子的組合可以構(gòu)成一個(gè)更強(qiáng)大的預(yù)測(cè)模型，學(xué)習(xí)群體的特質(zhì)差異性是預(yù)測(cè)指標(biāo)差異的重要原因之一。這進(jìn)一步證明了學(xué)習(xí)群體分類的必要性與合理性。本研究通過(guò)比較不同回歸算法的皮爾遜相關(guān)系數(shù)、一致性相關(guān)系數(shù)、平均絕對(duì)誤差與均方根誤差，結(jié)合不同分類算法準(zhǔn)確率、正確率、召回率以及f值的比較，對(duì)其預(yù)測(cè)精度進(jìn)行全面考量，通過(guò)5倍交叉驗(yàn)證評(píng)價(jià)其魯棒性，取得了較好的預(yù)測(cè)精度。從結(jié)果可以看出，randomforest在回歸和分類建模中均擁有強(qiáng)大的效能，無(wú)論在數(shù)值預(yù)測(cè)還是分類預(yù)警中均具有最佳表現(xiàn)。（二）實(shí)踐價(jià)值課堂

10、的重構(gòu)優(yōu)化是學(xué)習(xí)分析視域下“數(shù)據(jù)驅(qū)動(dòng)教學(xué)”的立足點(diǎn)。通過(guò)對(duì)課堂環(huán)境中各要素之間交互過(guò)程的考察，挖掘?qū)W習(xí)互動(dòng)行為與學(xué)習(xí)結(jié)果之間的相關(guān)關(guān)系，可以使教學(xué)問(wèn)題的精準(zhǔn)定位與有效干預(yù)落在實(shí)處。學(xué)習(xí)者的個(gè)性化分類是學(xué)習(xí)結(jié)果有效預(yù)測(cè)的前提。鑒于不同人格特質(zhì)學(xué)習(xí)者對(duì)在線學(xué)習(xí)環(huán)境的敏感度不同，與人格特質(zhì)相匹配的學(xué)習(xí)環(huán)境有助于學(xué)習(xí)者的信息加工，利用人格特質(zhì)劃分學(xué)習(xí)群體是有效的分類方法。本研究基于人格特質(zhì)分類構(gòu)建預(yù)測(cè)模型，將學(xué)習(xí)者類型劃分為“高開(kāi)放、高外傾”“低開(kāi)放、高外傾”“低開(kāi)放、低外傾”“高開(kāi)放、低外傾”4種類型，提出預(yù)測(cè)學(xué)習(xí)結(jié)果的相對(duì)穩(wěn)健預(yù)測(cè)因子與個(gè)性化因子，在一定程度上對(duì)學(xué)習(xí)分析的理論研究提供了新視角。對(duì)學(xué)

11、習(xí)過(guò)程的交互行為進(jìn)行分析，挖掘?qū)W習(xí)互動(dòng)行為對(duì)學(xué)習(xí)績(jī)效的影響，可為教師洞察教與學(xué)規(guī)律提供支持。例如研究發(fā)現(xiàn)，在混合學(xué)習(xí)環(huán)境下不同人格特質(zhì)群體在學(xué)習(xí)結(jié)果上存在差異，當(dāng)學(xué)習(xí)群體與關(guān)鍵學(xué)習(xí)行為變量的特質(zhì)屬性一致時(shí)，會(huì)強(qiáng)化該學(xué)習(xí)行為的預(yù)測(cè)效能。通過(guò)對(duì)這些學(xué)習(xí)行為的比較與分析，可促使教師與研究者回歸“課堂設(shè)計(jì)研究”的循環(huán)中，加強(qiáng)其對(duì)教與學(xué)本質(zhì)的理解。此外，對(duì)教學(xué)平臺(tái)中各功能模塊所包含學(xué)習(xí)行為數(shù)據(jù)結(jié)果的比較，可為優(yōu)化技術(shù)平臺(tái)與課程教學(xué)方案提供數(shù)據(jù)依據(jù)。從預(yù)測(cè)效果看，隨機(jī)森林對(duì)于多維特征的數(shù)據(jù)集建模具有很高的效率。隨機(jī)森林不強(qiáng)調(diào)特征選擇，準(zhǔn)確率較高，不需要做煩瑣的調(diào)參和修改就可以得到一個(gè)質(zhì)量較高的模型，適用于

12、教育領(lǐng)域的數(shù)據(jù)分類與回歸計(jì)算。研究中發(fā)現(xiàn)，隨機(jī)森林在多個(gè)學(xué)習(xí)模塊中對(duì)可選參數(shù)都能提供合理的默認(rèn)值，且能夠以并行化方式成長(zhǎng)，不易出現(xiàn)過(guò)度擬合問(wèn)題。尤其值得一提的是，隨機(jī)森林便于架設(shè)運(yùn)行環(huán)境，方便利用sklearn、spark mllib、python、jpmml 等打包部署，適合作為學(xué)習(xí)分析系統(tǒng)的內(nèi)嵌算法。學(xué)習(xí)分析視角下的個(gè)性化預(yù)測(cè)模型作為一項(xiàng)通用研究框架，為學(xué)習(xí)分析工具的開(kāi)發(fā)提供了理論支撐。可以從3個(gè)方面對(duì)學(xué)習(xí)分析工具進(jìn)行設(shè)計(jì)：一是設(shè)計(jì)學(xué)習(xí)預(yù)警工具。通過(guò)分類與回歸模型得出成績(jī)與預(yù)警信息，在技術(shù)的支持下這些數(shù)據(jù)可以即時(shí)、直觀地呈現(xiàn)給教師，促進(jìn)教師的有效決策。二是設(shè)計(jì)學(xué)習(xí)分析儀表盤。通過(guò)為不同學(xué)習(xí)

13、者提供個(gè)性化的呈現(xiàn)指標(biāo)，使可視化學(xué)習(xí)分析工具適用于具有差異的學(xué)習(xí)者，提升學(xué)習(xí)者對(duì)自身學(xué)習(xí)狀態(tài)的即時(shí)認(rèn)知，促進(jìn)其利用技術(shù)進(jìn)行自我導(dǎo)向的學(xué)習(xí)。三是建立自適應(yīng)推送系統(tǒng)。對(duì)與關(guān)鍵學(xué)習(xí)行為變量相關(guān)的學(xué)習(xí)內(nèi)容、資源與活動(dòng)進(jìn)行推送與呈現(xiàn)，引導(dǎo)學(xué)習(xí)者參與到與學(xué)習(xí)結(jié)果緊密相關(guān)的學(xué)習(xí)活動(dòng)中。在未來(lái)的研究中，擬通過(guò)控制不同人格特質(zhì)的預(yù)測(cè)變量構(gòu)建推薦算法系統(tǒng)，根據(jù)相應(yīng)的學(xué)習(xí)者模型推薦個(gè)性化的學(xué)習(xí)資源，劃分不同的時(shí)間節(jié)點(diǎn)開(kāi)展較大規(guī)模的準(zhǔn)實(shí)驗(yàn)研究，并進(jìn)一步考慮利用學(xué)習(xí)行為序列建模進(jìn)行綜合預(yù)測(cè)的可能性。參考文獻(xiàn)：陳莉，2005.人格特質(zhì)、心境對(duì)情緒信息加工的影響d.江西：江西師范大學(xué).武燕.2012.高低開(kāi)放性者內(nèi)隱序列學(xué)

14、習(xí)進(jìn)程差異比較研究d.江蘇：蘇州大學(xué).丁夢(mèng)美，吳敏華，尤佳鑫，等.2017.基于學(xué)業(yè)成績(jī)預(yù)測(cè)的教學(xué)干預(yù)研究j.中國(guó)遠(yuǎn)程教育（1）：50-56.趙慧瓊，姜強(qiáng)，趙蔚，等.2017.基于大數(shù)據(jù)學(xué)習(xí)分析的在線學(xué)習(xí)績(jī)效預(yù)警因素及于預(yù)對(duì)策的實(shí)證研究j.電化教育研究，38（1）：62-69.胡祖輝，施佺.2017.高校學(xué)生上網(wǎng)行為分析與數(shù)據(jù)挖掘研究j.中國(guó)遠(yuǎn)程教育（02）：26-32.葛子剛，楊麗華，馬煥新.2018.割裂還是融合？自適應(yīng)學(xué)習(xí)系統(tǒng)設(shè)計(jì)對(duì)于學(xué)習(xí)風(fēng)格和認(rèn)知風(fēng)格考量的研究現(xiàn)狀述評(píng)j.中國(guó)遠(yuǎn)程教育（03）：62-69.李爽，李榮芹，喻忱.2018.基于lms數(shù)據(jù)的遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)投入評(píng)測(cè)模型j.開(kāi)放教

15、育研究，24（01）：91-102.肖巍，倪傳斌，李銳.2018.國(guó)外基于數(shù)據(jù)挖掘的學(xué)習(xí)預(yù)警研究：回顧與展望j.中國(guó)遠(yuǎn)程教育（02）：70-78.張琪，武法提.2018.學(xué)習(xí)儀表盤個(gè)性化設(shè)計(jì)研究j.電化教育研究，39（02）：39-44，52.allport, g. w.（1937）. personality: a psychological interpretation. american journal of sociology, 13（1）,48-50.nicholls, j. g.（1984）. achievement motivation: conceptions of abilit

16、y, subjective experience, task choice, and performance. psychological review, 91（3）, 328-346.jerry m. burger.（1986） personality theory and research. united states of america: words worth publishing company.costa, p. t., & mccrae, r. r.（1992）. neo personality inventory-revised（neo pi-r）. psycholo

17、gical assessment resources.ravid, g., rafaeli, s.（1997）. online, web based learning environment for an information systems course: . access logs, linearity and performance. in the proceedings of isecon 97.mischel w.（1999） instruction to personality. sixth edition. fort worth: harcourt brace college

18、publishers.matthews, g., deary, i. j., whiteman, m. c.（2003）. personality traits（2nd. ed.）.kurtz, j. e., sherker, j. l.（2003）. relationship quality, trait similarity, and self-other agreement on personality ratings in college roommates. journal of personality, 71（1）, 21-48.burt, r. s.（2004）. structu

19、ral holes and good ideas. american journal of sociology, 110（2）, 349-399.field, a.（2005）. discovering statistics using spss（2nd ed.）. . discovering statistics using r/. sage.morris, l. v., finnegan, c., wu, s. s.（2005）. tracking student behavior, persistence, and achievement in online courses. inter

20、net & higher education, 8（3）, 221-231.dollinger, s. j., matyja, a. m., huber, j. l. （2008）. which factors best account for academic success: those which college students can control or those they cannot?. journal of research in personality, 42（4）, 72-885.carter, m.（2009）. visible learning: a syn

21、thesis of over 800 meta-analyses relating to achievement. educational psychology, 29（7）, 867-869.richardson, m., abraham, c., bond, r.（2012）. psychological correlates of university students' academic performance: a systematic review and meta-analysis. psychological bulletin, 138（2）, 353-387.rome

22、ro, c., lópez, m. i., luna, j. m., ventura, s.（2013）. predicting students' final performance from participation in on-line discussion forums. computers & education, 68, 458-472.wong, l.（2013）. student engagement with online resources and its impact on learning outcomes.（vol. 2013, pp. 129-146）.yu, t.,