基于在线学习数据的学习行为预测模型

骆莉莎，黄星华，苑 溦

（江苏开放大学，江苏 南京 210036）

当前，网络学习已经成为重要的新型学习方式。2020年的突发疫情从客观上快速将线上教育推向了普遍化与大众化。然而，这一快速转变也潜藏着很多实际问题，比如学生短时间内还不能适应新的学习方式，传统课堂学习评价重结果轻过程的模式已经不再适用。

许多学者对于线上教育的评价方法进行了系统研究。冯天敏和张世禄[1]指出，在线学习的评价目的在于监控学习进程、保证学习质量、促进学生发展。雷军程[2]比较了Udacity、Coursera、Edx 三大MOOC 平台的课程评估方式，发现其评价模式与目前传统课堂教学的评价模式类似。代利利和李经山[3]指出，翻转课堂学习需对评价体系的基本价值取向、三个关键维度和指标构成、操作方法和权重分配等进行设计。其他学者[4-5]都对在线教育评价进行了研究。

综合已有研究来看，如何利用大数据挖掘技术分析在线学习行为，采用合理、科学、创新、量化的评价手段反映学生学习过程的每个环节，已经成为当前研究的热点。本文将讨论如何基于在线学习数据实时预测学生的学习行为。

1 LSTM 神经网络模型

学生学习是一个循序渐进的过程，在线学习平台可以记录学习过程中每个阶段的学习数据，这些数据可以看做时间序列数据。人工智能领域的循环神经网络最适合处理时间序列问题。RNN 的特点是隐藏单元间的连接是循环的；如果输入的是一个时间序列，可以将其在时间维度展开，其中的每一个单元，除了处理当前时间点的输入数据外，还要处理前一个单元的输出，最终输出一个时间序列。……