学习分析的贝叶斯网络隐马尔柯夫链模型研究

摘要

本论文基于网络学校学习管理系统(LMS)和网络日志数据，面向网校提高教学管理效益的实际需求，开展了在线学习数据分析的综合性研究。研究分理论研究与实证研究双线展开。理论研究方面提出了基于贝叶斯网络的隐马尔柯夫过程逻辑斯蒂回归模型，以解决学习沉淀预测中静态协变量与动态行为序列隐变量相结合的复杂建模问题。并给出了参数估计过程，讨论了模型参数的方差估计和模型评价方法。在实证研究方面，首先是在线学习的特征提取与分析研究，通过数据挖掘的方法提取了沉淀学生与标杆学生的评价要素，明确了影响网校运营与学生学习绩效的重要问题是沉淀学生的识别与预警，建立了网络学习沉淀预警指标体系。继而深入研究了网络学习沉淀预警模型的构造方法与优化模型。先是基于传统逻辑斯蒂回归结合关键评议要素的观测变量构造了网络学习沉淀静态预警模型，可实现早期和中期的退学与学习低效预警。但早期退学预警静态模型准确率并不理想，引入“上网学习积极性”行为状态变量后准确率有所改善，可仍不能支持动态预警。最后采用理论研究的建模方法，引入基于贝叶斯网络的隐马尔柯夫过程回归，实现了具备不同“上网学习积极性”行为序列特征的分层回归，准确、动态预警了早期退学风险，以实际效果验证了理论研究结论的有效性。
　　本研究的应用价值在于:不仅为满足网络教育机构早发现、准识别、早预防学生沉淀的行业共性需求，为沉淀预警动态模型的持续改进打好了基础，也为解决类似的复杂行为预测问题提供了最新的理论模型、计算方法和应用范式。为推动互联网+背景下的大数据应用提供了有力的理论支持和方法工具。
　　本研究的创新性主要体现在基于贝叶斯网络的隐马尔柯夫链过程逻辑斯蒂回归模型的理论创新与应用创新。在理念创新方面:基于网络学习行为预测的应用，提出了一个4节点3边3层的贝叶斯网络，给出了求解模型的复合似然函数;并将中层节点与隐马尔柯夫过程、回归模型相结合，解决了网络行为预测中的回归隐变量为离散动态序列而影响估计的问题。继而具体结合隐马尔柯夫过程过程的逻辑斯蒂模型，给出了参数估计和模型评价方法。在应用创新方面:首次在学习分析领域引入贝叶斯网络隐马尔柯夫过程模型来预测学生沉淀行为，较好地解决了网络学习行为序列复杂多变、难以观测、难以预测的问题，研发出了一系列网络教育机构适用、实用的方法与模型。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．1．1 研究背景

1．1．2 研究意义

1．2 文献综述

1．2．1 国内外研究现状分析

1．2．2 文献评述

1．3 研究方案

1．3．1 主要研究内容

1．3．2 研究方法

1．3．3 文章结构

1．3．4 创新之处

2 基于贝叶斯网络的隐马尔柯夫模型

2．1 贝叶斯网络模型

2．2 隐马尔柯夫模型与序列分类算法

2．2．1 隐马尔柯夫模型概述

2．2．2 序列分类方法概述

2．3 隐马尔柯夫过程逻辑斯蒂模型

2．3．1 HMM过程回归摸型

2．3．2 HMM过程回归模型的参数估计方法

2．3．3 HMM过程回归模型估计与评价方法

3 网络学习特征分析

3．1 总体规模

3．1．1 学生入学情况

3．1．2 学生毕业与退学情况

3．1．3 在读学生规模

3．1．4 结论

3．2 毕业生学习时长

3．2．1 学制与概念

3．2．2 学业成果的定义

3．2．3 结论

3．3 学生基本信息

3．3．1 学习属性：入学批次、层次、专业

3．3．2 自然属性：性别、地域、年龄

3．3．3 结论

3．4 学生网上学习行为差异

3．4．1 总体时间分析

3．4．2 BBS行为差异

3．4．3 结论

3．5 统考表现

3．5．1 参加统考的学生规模

3．5．2 统考分科目及格率

3．5．3 结论

3．6 学分情况

3．6．1 选课学分的总体情况

3．6．2 分批次、分专业学生的前期学分选择与取得情况

3．6．3 结论

3．7 不同专业关键课程

3．7．1 定义与研究目的

3．7．2 指标设计

3．7．3 数据准备

3．7．4 分析过程

3．7．5 结论

3．8 标杆学生学习特征研究

3．8．1 基于学生基本情况与入学基础的高效学生的综合特征

3．8．2 基于WEB日志的网络学习行为表现

3．8．3 基于BBS的行为表现

3．8．4 统考与关键课程的合理安排

3．8．5 标杆学生特征概括

4 网络学习沉淀预警模型实证研究

4．1 沉淀学生定义与沉淀风险

4．1．1 沉淀定义

4．1．2 沉淀风险

4．2．2 沉淀模型建立思路

4．2．3 数据指标

4．2．4 各要素基本情况

4．2．5．退学模型

4．2．6 分阶段低效模型

4．2．7 全程低效模型

4．2．8 低效风险预警值

4．3 沉淀预警序列模型

4．3．1 数据准备

4．3．2 分析流程

4．3．3 序列聚类

4．3．4 实验结果与结果分析

4．3．5 结论

4．4 沉淀预警模型结果与检验

4．4．1 加入行为变量的适应期退学预警模型改进

4．4．2 混淆矩阵比较

5．1 主要成果

5．2 建议

参考文献

附录

在学期间发表的学术论文和研究成果

后记