MOOC學(xué)習(xí)結(jié)果預(yù)測指標(biāo)探索與學(xué)習(xí)群體特征分析_1

1、    mooc學(xué)習(xí)結(jié)果預(yù)測指標(biāo)探索與學(xué)習(xí)群體特征分析    摘要：高輟學(xué)率與低參與度是mooc面臨的一個主要問題。根據(jù)學(xué)習(xí)結(jié)果預(yù)測，及時開展有效的教學(xué)干預(yù)是改善此問題的途徑之一。當(dāng)前基于mooc學(xué)習(xí)行為數(shù)據(jù)進(jìn)行結(jié)果預(yù)測主要以次數(shù)分析為主，較少探索其他行為指標(biāo)；在預(yù)測算法上以回歸分析為主，缺少不同預(yù)測算法效果的比較分析。以edx平臺上一門mooc課程的學(xué)習(xí)行為數(shù)據(jù)為研究對象進(jìn)行的探索研究發(fā)現(xiàn)：學(xué)習(xí)結(jié)果預(yù)測的主要參照行為指標(biāo)組合為視頻學(xué)習(xí)次數(shù)、文本學(xué)習(xí)次數(shù)、評價參與時長、評價參與次數(shù)和論壇主題發(fā)起數(shù)；學(xué)習(xí)次數(shù)的預(yù)測效果要好于學(xué)習(xí)時長，并與學(xué)習(xí)時長和學(xué)習(xí)次數(shù)

2、結(jié)合后的預(yù)測效果接近；bp神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率要優(yōu)于決策樹和樸素貝葉斯網(wǎng)絡(luò)，且預(yù)測準(zhǔn)確率與樣本數(shù)量呈正相關(guān)；而在課程學(xué)習(xí)模塊的預(yù)測比較上，評價模塊和文本模塊的學(xué)習(xí)行為數(shù)據(jù)預(yù)測率較高，互動模塊預(yù)測率最低。研究還發(fā)現(xiàn)，mooc學(xué)習(xí)群體包含三類，分別是以視頻學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體；以視頻學(xué)習(xí)和文本學(xué)習(xí)為主、以評價參與為輔的學(xué)習(xí)群體，以及以文本學(xué)習(xí)和學(xué)習(xí)評價為主、以互動交流為輔的學(xué)習(xí)群體。關(guān)鍵詞：mooc，學(xué)習(xí)行為數(shù)據(jù)，學(xué)習(xí)結(jié)果預(yù)測，預(yù)測指標(biāo)，學(xué)習(xí)群體特征一、研究緣起當(dāng)前國內(nèi)外越來越多的高校參與mooc課程建設(shè)并發(fā)布各自的特色課程，學(xué)習(xí)者在課程內(nèi)容上有了更多的選擇權(quán)，但高輟學(xué)率和低

3、參與度仍是當(dāng)前mooc課程所面臨的一個主要問題（hew et al.，2014）。而基于學(xué)習(xí)者前期和中期的課程學(xué)習(xí)行為數(shù)據(jù)進(jìn)行學(xué)習(xí)結(jié)果預(yù)測，并依據(jù)分析結(jié)果調(diào)整教學(xué)策略和教學(xué)內(nèi)容以開展有效的教學(xué)干預(yù)，可以改善學(xué)習(xí)參與度和學(xué)習(xí)結(jié)果。與此同時，學(xué)習(xí)分析研究已經(jīng)由初期的理論探討逐步走向?qū)嵺`探索和成果轉(zhuǎn)化。在學(xué)習(xí)分析研究中，基于學(xué)習(xí)行為數(shù)據(jù)進(jìn)行學(xué)習(xí)結(jié)果預(yù)測是學(xué)習(xí)分析和教育數(shù)據(jù)挖掘研究學(xué)術(shù)群體中關(guān)注的一項重要議題（liñán et al.，2015）。而在數(shù)據(jù)的選擇上，學(xué)習(xí)分析研究正從關(guān)注大數(shù)據(jù)轉(zhuǎn)向有意義數(shù)據(jù)的探索（merceron et al.，2016）。如何抓取到學(xué)習(xí)活動信息流中

4、的關(guān)鍵行為數(shù)據(jù)并解析出學(xué)習(xí)者的個性學(xué)習(xí)行為特征是今后研究中要解決的一個問題（u.s. department of education，2015）。mooc廣泛的學(xué)習(xí)參與群體和多樣化的學(xué)習(xí)行為數(shù)據(jù)使其成為學(xué)習(xí)分析研究的一個重要對象。如何基于mooc學(xué)習(xí)行為數(shù)據(jù)有效預(yù)測學(xué)生的學(xué)習(xí)結(jié)果，并依據(jù)學(xué)習(xí)群體特征提供差異化的學(xué)習(xí)服務(wù)以改善學(xué)習(xí)參與度成為亟待解決的問題。本研究基于edx平臺的一門mooc課程學(xué)習(xí)行為數(shù)據(jù)，探索能夠有效預(yù)測學(xué)習(xí)結(jié)果的數(shù)據(jù)類型和行為指標(biāo)，并分析學(xué)生的群體學(xué)習(xí)特征，為學(xué)習(xí)結(jié)果預(yù)測分析和教學(xué)干預(yù)提供指導(dǎo)和參照。二、文獻(xiàn)綜述國內(nèi)關(guān)于mooc學(xué)習(xí)行為研究主要集中在學(xué)習(xí)行為影響因素分析、基于

5、學(xué)習(xí)行為數(shù)據(jù)分析學(xué)習(xí)效果、學(xué)習(xí)成績預(yù)測、學(xué)習(xí)行為評價等方面。比較有代表性的研究有：賈積有等以coursera平臺上的6門北京大學(xué)mooc課程學(xué)習(xí)行為數(shù)據(jù)為分析對象，探索在線時間、觀看視頻和網(wǎng)頁次數(shù)、瀏覽和下載講義次數(shù)、論壇發(fā)帖數(shù)與學(xué)習(xí)成績之間的關(guān)系（賈積有等，2014）。李曼麗等以“學(xué)堂在線”平臺的“電路原理”課程數(shù)據(jù)為基礎(chǔ)，對mooc學(xué)習(xí)者的課程學(xué)習(xí)動機(jī)、課程參與度、課程注冊時間與課程完成度等進(jìn)行分析（李曼麗等，2015）。郝巧龍等用clementine構(gòu)建mooc成績預(yù)測，并依托智慧樹平臺“數(shù)據(jù)結(jié)構(gòu)”課程的行為數(shù)據(jù)通過回歸分析驗證模型的有效性（郝巧龍等，2016）。國外關(guān)于mooc學(xué)習(xí)行為

6、的研究包括mooc學(xué)習(xí)成敗和保留率的影響因素分析、學(xué)習(xí)動機(jī)和學(xué)習(xí)行為對mooc完成度的影響、學(xué)習(xí)表現(xiàn)預(yù)測研究、學(xué)習(xí)情境在mooc學(xué)習(xí)中的重要性分析等。如：laxmisha rai等從學(xué)習(xí)者角色、個人支持和人為干預(yù)、高困難度和自我動機(jī)、學(xué)習(xí)環(huán)境、職業(yè)需求、教師和學(xué)校聲望、實時反饋等方面分析了mooc學(xué)習(xí)成敗的因素（rai et al.，2016）。bart pursel等基于mooc學(xué)習(xí)者的人口學(xué)數(shù)據(jù)、學(xué)習(xí)行為和課程互動數(shù)據(jù)，采用邏輯斯回歸分析探索這些數(shù)據(jù)變量如何表征課程完成度（pursel et al.，2016）。paula barba等以coursera平臺上的“宏觀經(jīng)濟(jì)學(xué)”課程學(xué)習(xí)者為研

7、究對象，分析以個人興趣、掌握方法目標(biāo)與應(yīng)用價值為主的學(xué)習(xí)動機(jī)和以視頻點擊與測評提交數(shù)為測量方式的學(xué)習(xí)參與在學(xué)習(xí)表現(xiàn)預(yù)測上的重要性（barba et al.，2016）。在學(xué)習(xí)者參與mooc學(xué)習(xí)的數(shù)量變化上，研究表明第一周課程教學(xué)之后，學(xué)習(xí)者參與的數(shù)量會急劇下降（hill，2013），因此suhang jiang等研究者以學(xué)習(xí)者第一周的mooc課程作業(yè)表現(xiàn)和社交互動數(shù)據(jù)為分析對象，并使用邏輯斯回歸作為分類器，預(yù)測學(xué)習(xí)者獲得課程證書的概率（jiang et al.，2014）。從國內(nèi)外已有研究可以看出，研究者已經(jīng)基于mooc常見的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行學(xué)習(xí)成效分析，探索課程學(xué)習(xí)成敗的內(nèi)在和外在因素，并對

8、學(xué)習(xí)者最終學(xué)習(xí)表現(xiàn)進(jìn)行預(yù)測。然而，在數(shù)據(jù)分析和預(yù)測上還存在以下幾方面的不足：（1）學(xué)習(xí)行為數(shù)據(jù)中以次數(shù)分析為主，應(yīng)用時間分析較少，兩者之間未統(tǒng)一在一個學(xué)習(xí)分析層面上，對于各自的預(yù)測效果還尚不清晰；（2）在預(yù)測算法上以回歸分析為主，而采用機(jī)器學(xué)習(xí)模式的預(yù)測方法較少，且缺少不同預(yù)測算法效果的比較分析；（3）對有效預(yù)測學(xué)習(xí)結(jié)果的行為指標(biāo)探索較少，學(xué)習(xí)行為數(shù)據(jù)較多，需要找到反映學(xué)習(xí)結(jié)果的關(guān)鍵行為指標(biāo)為學(xué)習(xí)分析提供參照。針對上述問題，本研究以mooc課程學(xué)習(xí)模塊為分類依據(jù)，以學(xué)習(xí)行為數(shù)據(jù)指標(biāo)為中心，探索學(xué)習(xí)時長和學(xué)習(xí)次數(shù)的預(yù)測效果、課程學(xué)習(xí)模塊的預(yù)測效果、有效學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的提取及其計算方程、學(xué)習(xí)者的

9、群體學(xué)習(xí)行為特征等內(nèi)容，試圖為基于mooc的學(xué)習(xí)行為分析和教學(xué)設(shè)計提供有益的啟示。三、研究設(shè)計1.研究問題當(dāng)前mooc平臺能夠記錄學(xué)習(xí)者的鼠標(biāo)點擊流數(shù)據(jù)，而在這些數(shù)據(jù)中時長和次數(shù)是兩項重要的數(shù)據(jù)類型?；趯W(xué)習(xí)過程行為數(shù)據(jù)探索能夠反映學(xué)習(xí)結(jié)果的有效數(shù)據(jù)類型，分析指標(biāo)和群體行為特征有助于開展針對性的學(xué)習(xí)干預(yù)，改善學(xué)習(xí)者參與度并降低輟學(xué)率。因此，本研究的問題包括以下三方面：（1）在學(xué)習(xí)行為數(shù)據(jù)中，學(xué)習(xí)時長和學(xué)習(xí)次數(shù)統(tǒng)計哪種方式更能較為準(zhǔn)確地預(yù)測學(xué)習(xí)結(jié)果？哪類課程學(xué)習(xí)模塊數(shù)據(jù)預(yù)測效果較好？（2）各類學(xué)習(xí)行為數(shù)據(jù)與學(xué)習(xí)結(jié)果有怎樣的相關(guān)性？哪些行為指標(biāo)能夠較好地預(yù)測學(xué)習(xí)結(jié)果？基于有效學(xué)習(xí)指標(biāo)如何得出可計算

10、的學(xué)習(xí)結(jié)果預(yù)測計算方程？（3）在課程內(nèi)容學(xué)習(xí)上，學(xué)習(xí)者可以分為哪幾類學(xué)習(xí)群體？這些群體表現(xiàn)出怎樣的學(xué)習(xí)行為特征？2.研究樣本與方法研究選取edx上的一門mooc課程“introduction to engineering and engineering mathematics”為研究對象。該課程是由university of texas at arlington大學(xué)工程學(xué)院pranesh b. aswath教授發(fā)起，由alan bowling、panos shiakolas、william e. dillon、r. stephen gibbs等研究者參與講授的一門工程類基礎(chǔ)專業(yè)課程。該課程于2

11、015年5月12號在edx平臺上線發(fā)布，并于同年8月10號結(jié)束授課，課程持續(xù)14周。該課程的設(shè)計目標(biāo)是為高中學(xué)生和大學(xué)新生提供工程領(lǐng)域的梗概，以幫助他們在工程學(xué)上決策自己的職業(yè)生涯。課程授課語言是英語，免費向世界范圍內(nèi)學(xué)習(xí)者開放。課程成績評價方式包括每周練習(xí)測驗（占總成績40%）、課后作業(yè)（占總成績40%）、綜合期末考試（占總成績20%）。練習(xí)測驗主要是選擇題，由系統(tǒng)平臺自動評閱打分，課后作業(yè)和綜合期末作業(yè)由同伴互評和教師評閱打分確定。在課程數(shù)據(jù)的使用權(quán)上，已獲得university of texas at arlington機(jī)構(gòu)審核委員會（institutional review board

12、，irb）的使用批準(zhǔn)和課程負(fù)責(zé)人授權(quán)，準(zhǔn)許使用剔除學(xué)生個人信息的數(shù)據(jù)。在數(shù)據(jù)選取上，研究基于edx平臺上記錄的鼠標(biāo)點擊流數(shù)據(jù)抽取與行為分析指標(biāo)有關(guān)的時長和次數(shù)統(tǒng)計數(shù)據(jù)。由于平臺上涵蓋微視頻、文本學(xué)習(xí)材料、互動論壇、學(xué)習(xí)評價等學(xué)習(xí)模塊和材料，因此學(xué)習(xí)者的行為活動數(shù)據(jù)也涉及上述學(xué)習(xí)活動模塊。而在學(xué)習(xí)行為數(shù)據(jù)上除時長和次數(shù)等較為常見數(shù)據(jù)外，還有倍速播放、跳幀觀看、停留軌跡等信息。這些數(shù)據(jù)是學(xué)習(xí)者為獲取所需知識和理解內(nèi)容產(chǎn)生的附屬行為，反映的是學(xué)習(xí)風(fēng)格和學(xué)習(xí)偏好行為特征，其對學(xué)習(xí)結(jié)果是否產(chǎn)生普遍影響尚不確定。此外，這些數(shù)據(jù)在量化計算上缺少統(tǒng)一標(biāo)準(zhǔn)，因此暫不納入預(yù)測分析指標(biāo)中。綜上所述，提取的學(xué)習(xí)行為指

13、標(biāo)包括視頻學(xué)習(xí)時長（vd）、視頻學(xué)習(xí)次數(shù)（vf）、文本學(xué)習(xí)時長（td）、文本學(xué)習(xí)次數(shù)（tf）、互動參與時長（id）、互動參與次數(shù)（if）、評價參與時長（ed）、評價參與次數(shù)（ef）、論壇發(fā)帖數(shù)（pc）、主題發(fā)起數(shù)（tc）、回復(fù)數(shù)（rc）、點贊數(shù)（vf）等。在數(shù)據(jù)預(yù)處理上，研究者對學(xué)習(xí)時長設(shè)定一個閾值，即超過該閾值的被認(rèn)定為離開學(xué)習(xí)任務(wù)，處于非學(xué)習(xí)狀態(tài)。設(shè)定該值的原因是考慮到學(xué)習(xí)者在網(wǎng)絡(luò)學(xué)習(xí)中的認(rèn)知行為習(xí)慣，即在某一具體知識點中通常不會較長時間一直停留不動，而學(xué)習(xí)時間較長可能是由于學(xué)習(xí)者離開學(xué)習(xí)任務(wù)進(jìn)行其他網(wǎng)絡(luò)活動以及學(xué)習(xí)者關(guān)掉瀏覽器但未注銷賬號造成。在時間閾值設(shè)定和估計上，grabe和sigl

14、er使用多種啟發(fā)式探索進(jìn)行時間估計，所有超過3分鐘的學(xué)習(xí)行為時間將被替換成2分鐘，在選擇題的操作行為時間上最高設(shè)定為90秒，每一個模塊最后活動時間被估計成60秒（grabe et al.，2002）。ryan baker將超過80秒的活動時間認(rèn)定為脫離活動行為時間（baker，2007）。vitomir kovanovic等通過對不同時間估計進(jìn)行對比分析，認(rèn)為短時間的時間估計和閾值設(shè)定對分析結(jié)果并沒有產(chǎn)生顯著影響，反而會對長時間學(xué)習(xí)者的活動行為分析進(jìn)行干擾，進(jìn)而影響分析結(jié)果；通過實際對比分析發(fā)現(xiàn)將單周模塊時間估計閾值設(shè)定為1800秒可以在不影響分析結(jié)果的前提下盡可能還原學(xué)習(xí)者的行為狀態(tài)，發(fā)現(xiàn)學(xué)

15、習(xí)者之間的行為差異（kovanovi et al.，2015）。因此，本研究將每周模塊學(xué)習(xí)行為時間閾值設(shè)定為1800秒，超過該時間的學(xué)習(xí)活動時間將被替換。在有效數(shù)據(jù)的提取上，研究采用兩種方式采集數(shù)據(jù)樣本：一是選取實際參與學(xué)習(xí)模塊的學(xué)習(xí)者行為數(shù)據(jù)，剔除在各項學(xué)習(xí)活動中數(shù)據(jù)均為0的樣本，最終獲得8804條大樣本數(shù)據(jù)；二是選取各個學(xué)習(xí)模塊中均有學(xué)習(xí)者參與活動的數(shù)據(jù)樣本，獲得1631條小樣本數(shù)據(jù)。通過大小樣本數(shù)據(jù)的分析，比較不同預(yù)測算法的準(zhǔn)確率。在研究方法上，分別采用預(yù)測分類算法、屬性選擇、多元回歸分析和聚類方法對數(shù)據(jù)進(jìn)行分析。其中預(yù)測分類算法用于分析學(xué)習(xí)時長和學(xué)習(xí)次數(shù)在學(xué)習(xí)結(jié)果上的預(yù)測準(zhǔn)確率；屬性選

16、擇用于選取能夠預(yù)測學(xué)習(xí)結(jié)果的有效學(xué)習(xí)行為分析指標(biāo)；多元回歸分析用于計算有效學(xué)習(xí)行為指標(biāo)與學(xué)習(xí)結(jié)果之間的回歸系數(shù)；聚類分析用于探索學(xué)習(xí)者的群體行為特征。在研究工具上，選擇機(jī)器學(xué)習(xí)分析工具weka，采用有監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)集進(jìn)行預(yù)測分析；spss對數(shù)據(jù)樣本進(jìn)行顯著性差異分析和多元回歸分析。3.研究過程整個研究過程包括以下6步：（1）采用r工具對edx平臺上記錄的原始數(shù)據(jù)進(jìn)行格式化，并提取不同學(xué)習(xí)模塊中的學(xué)習(xí)時長、學(xué)習(xí)次數(shù)和論壇互動數(shù)。（2）對每周課程內(nèi)容的學(xué)習(xí)時長進(jìn)行處理，超過設(shè)定閾值的樣本數(shù)據(jù)將被替換成1800秒，最后統(tǒng)計學(xué)習(xí)者的學(xué)習(xí)時長總和。（3）選擇決策樹、樸素貝葉斯網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)等三種

17、具有代表性的預(yù)測分類算法，比較學(xué)習(xí)時長和學(xué)習(xí)次數(shù)在學(xué)習(xí)結(jié)果預(yù)測上的準(zhǔn)確率，并分析不同預(yù)測分類算法的效果；在此基礎(chǔ)上分析不同學(xué)習(xí)模塊在學(xué)習(xí)結(jié)果預(yù)測上的效果。（4）采用屬性選擇，分析不同學(xué)習(xí)行為分析指標(biāo)在學(xué)習(xí)結(jié)果預(yù)測上的權(quán)重順序以及準(zhǔn)確預(yù)測學(xué)習(xí)結(jié)果的有效指標(biāo)組合。（5）采用多元回歸分析有效學(xué)習(xí)結(jié)果預(yù)測指標(biāo)的回歸系數(shù)，并生成學(xué)習(xí)結(jié)果預(yù)測計算方程。（6）采用聚類方法分析學(xué)習(xí)行為的群體特征，探索不同群組學(xué)生的學(xué)習(xí)表現(xiàn)和行為特征。四、研究結(jié)果分析1.學(xué)習(xí)時長與學(xué)習(xí)次數(shù)的預(yù)測比較如前所述，學(xué)習(xí)時長和學(xué)習(xí)次數(shù)是mooc學(xué)習(xí)行為活動中的兩種主要數(shù)據(jù)類型，本部分主要分析哪種數(shù)據(jù)類型更能有效預(yù)測學(xué)習(xí)結(jié)果以及不同預(yù)測

18、分類算法的預(yù)測效果。在學(xué)習(xí)結(jié)果的評判上，由于預(yù)測分析算法是以標(biāo)稱型屬性作為預(yù)測的類別變量，因此這里以學(xué)習(xí)者是否獲得課程證書作為最終成績判定。在樣本均值的差異比較上，因時長數(shù)值遠(yuǎn)高于次數(shù)值，故這里不作兩種類型指標(biāo)的顯著性差異分析。為了了解不同數(shù)據(jù)類型獨立和綜合預(yù)測效果，在分析學(xué)習(xí)時長和次數(shù)的預(yù)測準(zhǔn)確率時，對所有行為指標(biāo)進(jìn)行分析以作為參照，預(yù)測評估策略選擇十折交叉驗證，分析結(jié)果見表1。預(yù)測準(zhǔn)確率的誤差通過均方根誤差值（root mean squared error，rmse）來評判。該值通過樣本離散程度來反映預(yù)測的精密度，其值越小表示測量精度越高。在預(yù)測準(zhǔn)確率上，大樣本預(yù)測值要高于小樣本預(yù)測值，說

19、明預(yù)測準(zhǔn)確率與樣本數(shù)量呈正相關(guān)，各指標(biāo)的rmse值介于0.07400.1608，測量精度較高。在數(shù)據(jù)類型的預(yù)測準(zhǔn)確度上，學(xué)習(xí)次數(shù)的預(yù)測效果要好于學(xué)習(xí)時長，特別是在小樣本分析條件下，平均預(yù)測準(zhǔn)確率較高，且rmse值較低。學(xué)習(xí)時長和學(xué)習(xí)次數(shù)的整體預(yù)測效果與學(xué)習(xí)次數(shù)較為接近。在預(yù)測分析算法的比較上，盡管小樣本分析條件下樸素貝葉斯網(wǎng)絡(luò)在學(xué)習(xí)時長的預(yù)測準(zhǔn)確率要高于決策樹，但整體而言bp神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率最高，決策樹的預(yù)測效果要好于樸素貝葉斯網(wǎng)絡(luò)。2.課程學(xué)習(xí)模塊的預(yù)測比較分析mooc教學(xué)設(shè)計者為學(xué)習(xí)者提供了不同類型的學(xué)習(xí)材料和支持服務(wù)。為了了解不同學(xué)習(xí)模塊在學(xué)習(xí)結(jié)果預(yù)測上的效果，研究按學(xué)習(xí)者參與的活動模

20、塊劃分學(xué)習(xí)行為數(shù)據(jù)。由于不同模塊中涵蓋的指標(biāo)類型數(shù)據(jù)一樣，因此在進(jìn)行預(yù)測分析之前需要檢驗各模塊樣本數(shù)據(jù)之間是否存在顯著性差異。通過對大樣本的均值統(tǒng)計分析可知，各模塊均值由高到低排序為文本、視頻、評價和互動，而小樣本均值排序為文本、評價、視頻和互動。在顯著性差異比較上，采用相依樣本t檢驗對不同樣本量下的模塊變量進(jìn)行分析，結(jié)果見表2。在大樣本分析情境下，各模塊變量差異的95%置信區(qū)間未包含0這個數(shù)值，應(yīng)拒絕虛無假設(shè)h1：1=2，接受對立假設(shè)h0：12，且顯著性檢驗概率值p<0.05，表示模塊之間有顯著性差異存在。在小樣本分析情境下，文本模塊和評價模塊的置信區(qū)間涵蓋0，顯著性檢驗概率值p=0.110>0.05，表示兩者之間無顯著性差異存在。整體而言，除小樣本中的文本和評價模塊無顯著性差異之外，各模塊變量均有顯著性差異，適合對其進(jìn)行學(xué)習(xí)結(jié)果預(yù)測分析。在預(yù)測算法選擇上，由于bp神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)速度較慢且訓(xùn)練失敗的可能性較大，基于前面比較分析結(jié)果采用決策樹作為預(yù)測分析算法，分析結(jié)果見表3。在整體預(yù)測準(zhǔn)確率上，大樣本要高于小樣本數(shù)據(jù)，這一結(jié)果與前面分析一致。