學習分析的貝葉斯網(wǎng)絡(luò)隱馬爾柯夫鏈模型研究.pdf

1、本論文基于網(wǎng)絡(luò)學校學習管理系統(tǒng)(LMS)和網(wǎng)絡(luò)日志數(shù)據(jù)，面向網(wǎng)校提高教學管理效益的實際需求，開展了在線學習數(shù)據(jù)分析的綜合性研究。研究分理論研究與實證研究雙線展開。理論研究方面提出了基于貝葉斯網(wǎng)絡(luò)的隱馬爾柯夫過程邏輯斯蒂回歸模型，以解決學習沉淀預測中靜態(tài)協(xié)變量與動態(tài)行為序列隱變量相結(jié)合的復雜建模問題。并給出了參數(shù)估計過程，討論了模型參數(shù)的方差估計和模型評價方法。在實證研究方面，首先是在線學習的特征提取與分析研究，通過數(shù)據(jù)挖掘的方法提取了沉

2、淀學生與標桿學生的評價要素，明確了影響網(wǎng)校運營與學生學習績效的重要問題是沉淀學生的識別與預警，建立了網(wǎng)絡(luò)學習沉淀預警指標體系。繼而深入研究了網(wǎng)絡(luò)學習沉淀預警模型的構(gòu)造方法與優(yōu)化模型。先是基于傳統(tǒng)邏輯斯蒂回歸結(jié)合關(guān)鍵評議要素的觀測變量構(gòu)造了網(wǎng)絡(luò)學習沉淀靜態(tài)預警模型，可實現(xiàn)早期和中期的退學與學習低效預警。但早期退學預警靜態(tài)模型準確率并不理想，引入“上網(wǎng)學習積極性”行為狀態(tài)變量后準確率有所改善，可仍不能支持動態(tài)預警。最后采用理論研究的建模方法

3、，引入基于貝葉斯網(wǎng)絡(luò)的隱馬爾柯夫過程回歸，實現(xiàn)了具備不同“上網(wǎng)學習積極性”行為序列特征的分層回歸，準確、動態(tài)預警了早期退學風險，以實際效果驗證了理論研究結(jié)論的有效性。
　　本研究的應用價值在于:不僅為滿足網(wǎng)絡(luò)教育機構(gòu)早發(fā)現(xiàn)、準識別、早預防學生沉淀的行業(yè)共性需求，為沉淀預警動態(tài)模型的持續(xù)改進打好了基礎(chǔ)，也為解決類似的復雜行為預測問題提供了最新的理論模型、計算方法和應用范式。為推動互聯(lián)網(wǎng)+背景下的大數(shù)據(jù)應用提供了有力的理論支持和方法工

4、具。
　　本研究的創(chuàng)新性主要體現(xiàn)在基于貝葉斯網(wǎng)絡(luò)的隱馬爾柯夫鏈過程邏輯斯蒂回歸模型的理論創(chuàng)新與應用創(chuàng)新。在理念創(chuàng)新方面:基于網(wǎng)絡(luò)學習行為預測的應用，提出了一個4節(jié)點3邊3層的貝葉斯網(wǎng)絡(luò)，給出了求解模型的復合似然函數(shù);并將中層節(jié)點與隱馬爾柯夫過程、回歸模型相結(jié)合，解決了網(wǎng)絡(luò)行為預測中的回歸隱變量為離散動態(tài)序列而影響估計的問題。繼而具體結(jié)合隱馬爾柯夫過程過程的邏輯斯蒂模型，給出了參數(shù)估計和模型評價方法。在應用創(chuàng)新方面:首次在學習分析領(lǐng)