短文本增强的在线学习社区学习分析方法
发布时间：2022-10-04 15:40
在线学习社区中的学习分析研究对于了解学习者的学习情况,辅助教师进行教学决策有着重要的意义。该领域研究早期主要基于统计和行为数据进行学习行为分析,近年来研究者越来越关注到短文本等非结构化数据对学习过程的影响。随着在线学习社区中短文本数据的不断积累,如何有效地利用这些短文本数据中的隐含信息,已成为增强学习分析效果的关键问题。基于短文本的学习分析研究受到文本本身的质量、语义理解的准确性和行为分析的方法等多个因素的影响,还值得进一步研究。因此,本文利用深度学习和自然语言处理技术,提出了短文本增强在线学习社区学习分析研究方法。在此方法中,本文基于大型预训练语言模型设计了基于层次化修正框架的文本纠错模型,以提高学习社区中文本数据的质量;同时,本文提出了短文本增强的学习行为分析框架。在此框架中,首先利用改进的文本特征提取器以提取文本隐含信息;其次,通过深度学习融合多种信息构建了端到端的学习行为分析模型,进行短文本增强的学习分析。基于此,本文的主要工作如下:1)为了修复原始文本中的错误,得到更高质量的文本数据,本文结合大型预训练模型设计了基于层次化修正框架的文本纠错模型。首先,该模型基于BERT对源文...
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 文本纠错研究现状
1.2.2 学习分析研究现状
1.3 研究内容及章节安排
1.3.1 研究内容
1.3.2 章节安排
第二章 研究基础
2.1 语义建模
2.1.1 词嵌入模型
2.1.2 循环神经网络
2.1.3 注意力机制
2.2 预训练模型
2.2.1 Transformer
2.2.2 Bert
2.2.3 XLNET
第三章 问题定义与解决框架
3.1 数据收集与存储
3.2 数据预处理
3.3 学习行为分析与结果呈现
3.4 总结
第四章 基于层次化修正框架的文本纠错模型
4.1 问题定义
4.2 模型结构
4.2.1 多语义建模
4.2.2 文本错误检测
4.2.3 文本错误修正
4.3 实验结果及分析
4.3.1 实验数据和测评指标
4.3.2 预处理
4.3.3 实验设置及超参选择实验
4.3.4 对比实验结果
4.4 本章小结
第五章 短文本增强的在线学习行为分析框架
5.1 问题定义
5.2 短文本情感增强的学习成绩预测
5.2.1 基于学习者特征的分层情感特征提取器
5.2.2 基于LSTM的成绩预测模型
5.3 实验分析
5.3.1 数据集描述
5.3.2 预处理步骤
5.3.3 情感特征提取实验
5.3.4 成绩预测实验
5.3.5 实证分析
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
攻读硕士期间参加的科研项目与取得的科研成果
致谢
【参考文献】：
期刊论文
[1]神经自然语言处理最新进展——模型、训练和推理[J]. 周明,段楠,刘树杰,沈向洋. Engineering. 2020(03)
[2]专递课堂教学点规模与学习行为有效性相关分析——以湖北省咸宁市崇阳县小学音乐专递课堂为例[J]. 陈实,苟杰婷,钟丽娜,王艳婵,张婉琪,郭伟伟,王继新. 中国电化教育. 2019(12)
[3]机器学习方法在MOOC学习者学业完成率预测中的应用研究[J]. 郝思源,谢太峰. 数学的实践与认识. 2019(21)
[4]基于SPOC平台学生在线行为的学习分析要素研究[J]. 林秀瑜. 教育信息技术. 2019(09)
[5]基于学习分析的虚拟学习社区深度交互研究[J]. 戴心来,刘聪聪. 现代远距离教育. 2019(05)
[6]2018慕课发展概要与未来趋势——以Coursera、edX、学堂在线、Udacity和FutureLearn为例[J]. 纪九梅,王宇,欧阳嘉煜,汪琼. 中国远程教育. 2019(09)
[7]知识生产与进化:“互联网+”时代在线课程形态表征与演化研究[J]. 逯行,陈丽. 中国远程教育. 2019(09)
[8]感知价值、认知过程和行为意向:MOOC学习行为的构型分析[J]. 张宝建,张晓空,裴博,孙国强. 中国远程教育. 2019(09)
[9]垂直领域视频教学平台用户在线学习规律分析[J]. 严炜炜,温馨. 情报探索. 2019(08)
[10]基于教育大数据的在线学习分析系统构建研究[J]. 王焕民. 中国现代教育装备. 2019(15)
本文编号：3685302
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 文本纠错研究现状
1.2.2 学习分析研究现状
1.3 研究内容及章节安排
1.3.1 研究内容
1.3.2 章节安排
第二章 研究基础
2.1 语义建模
2.1.1 词嵌入模型
2.1.2 循环神经网络
2.1.3 注意力机制
2.2 预训练模型
2.2.1 Transformer
2.2.2 Bert
2.2.3 XLNET
第三章 问题定义与解决框架
3.1 数据收集与存储
3.2 数据预处理
3.3 学习行为分析与结果呈现
3.4 总结
第四章 基于层次化修正框架的文本纠错模型
4.1 问题定义
4.2 模型结构
4.2.1 多语义建模
4.2.2 文本错误检测
4.2.3 文本错误修正
4.3 实验结果及分析
4.3.1 实验数据和测评指标
4.3.2 预处理
4.3.3 实验设置及超参选择实验
4.3.4 对比实验结果
4.4 本章小结
第五章 短文本增强的在线学习行为分析框架
5.1 问题定义
5.2 短文本情感增强的学习成绩预测
5.2.1 基于学习者特征的分层情感特征提取器
5.2.2 基于LSTM的成绩预测模型
5.3 实验分析
5.3.1 数据集描述
5.3.2 预处理步骤
5.3.3 情感特征提取实验
5.3.4 成绩预测实验
5.3.5 实证分析
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
攻读硕士期间参加的科研项目与取得的科研成果
致谢
【参考文献】：
期刊论文
[1]神经自然语言处理最新进展——模型、训练和推理[J]. 周明,段楠,刘树杰,沈向洋. Engineering. 2020(03)
[2]专递课堂教学点规模与学习行为有效性相关分析——以湖北省咸宁市崇阳县小学音乐专递课堂为例[J]. 陈实,苟杰婷,钟丽娜,王艳婵,张婉琪,郭伟伟,王继新. 中国电化教育. 2019(12)
[3]机器学习方法在MOOC学习者学业完成率预测中的应用研究[J]. 郝思源,谢太峰. 数学的实践与认识. 2019(21)
[4]基于SPOC平台学生在线行为的学习分析要素研究[J]. 林秀瑜. 教育信息技术. 2019(09)
[5]基于学习分析的虚拟学习社区深度交互研究[J]. 戴心来,刘聪聪. 现代远距离教育. 2019(05)
[6]2018慕课发展概要与未来趋势——以Coursera、edX、学堂在线、Udacity和FutureLearn为例[J]. 纪九梅,王宇,欧阳嘉煜,汪琼. 中国远程教育. 2019(09)
[7]知识生产与进化:“互联网+”时代在线课程形态表征与演化研究[J]. 逯行,陈丽. 中国远程教育. 2019(09)
[8]感知价值、认知过程和行为意向:MOOC学习行为的构型分析[J]. 张宝建,张晓空,裴博,孙国强. 中国远程教育. 2019(09)
[9]垂直领域视频教学平台用户在线学习规律分析[J]. 严炜炜,温馨. 情报探索. 2019(08)
[10]基于教育大数据的在线学习分析系统构建研究[J]. 王焕民. 中国现代教育装备. 2019(15)
本文编号：3685302
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3685302.html
