基于协作网络的孤独学生识别方法研究

摘要

孤独是一种消极的情绪。研究表明，孤独可能给大学生带来各种问题，如学习成绩变差、罹患心理疾病甚至自杀。因此，及时准确地识别出孤独的学生具有重要的实际意义。　　本文提出了一种基于分组协作数据识别孤独学生的方法，重点开展了三项研究工作。　　①提出了基于分组协作数据识别孤独学生的方法，并设计了一些新颖的特征。据本文作者所知，目前还没有其他研究者提出利用分组协作数据识别孤独者的方法。首先对近千份课程项目文档进行了手工处理，生成3000多条分组协作记录。其次，利用社交网络分析方法构建分组协作网络，并对网络作可视化分析。在此基础上提出了若干考虑孤独学生特点的新颖特征。这些特征不仅有利于提高机器学习模型的准确率，而且有助于理解孤独学生的行为表现。　　②提出了一种适用于图卷积神经网络的过采样算法。图卷积神经网络适合网络结构的学习，由于数据存在严重的类不均衡现象，导致模型的识别效果很差。本文提出了一种适用于图结构的过采样算法，在构造少数类样本的同时，确定样本之间的连边及其权重。实验表明，该方法缓解了在图上学习时类不均衡问题，提高了模型分类性能。　　③提出了一种可解释的孤独学生的识别框架。由于孤独可能引发各种问题从而对学生生活造成负面影响，孤独识别模型不仅要给出分类结果，还应给出分类的理由。由于图卷积网络可解释性低，本文提出了一个可解释的识别框架，包括输入层、处理层及输出层。实验表明，新增加的特征可以将Recall指标提高约16%，且模型在真实数据集上可识别83%以上的孤独学生。　　与量表相比，分组协作数据受调查对象的主观影响较少，数据更客观，采集更方便。实验表明利用分组协作数据识别孤独学生是可行的。然而，本文仅是该方法的初步研究，其有效性还需在更大范围内验证。

目录

1 绪 论

1.1 研究背景

1.2 国内外研究现状

1.2.1 孤独诊断研究发展现状

1.2.2 社交网络分析方法发展现状

1.3.1 论文研究的主要内容

1.3.2 论文主要贡献

1.4 论文组织结构

2 相关技术

2.1 社交网络分析方法

2.1.1 社区发现算法

2.1.2 社交网络分析常用指标

2.2 分类算法

2.2.1 逻辑回归算法

2.2.2 决策树算法

2.2.3 随机森林算法

2.2.4 朴素贝叶斯算法

2.2.5 图卷积神经网络分类算法

2.2.6 分类算法评估方法

2.3 SMOTE过采样算法

2.4 本章小结

3 数据分析与可视化

3.1 数据集

3.1.1 课程分组协作记录

3.1.2 课程成绩记录

3.1.3 标签记录

3.2 协作网络构建与可视化分析

3.3 候选特征

3.3.1 网络相关特征

3.3.2 学业成绩相关特征

3.4 本章小结

4 基于GCN的孤独学生的识别算法

4.1 整体框架

4.2 基于GCN的方案

4.2.1 实验设置

4.2.2 实验结果及分析

4.3 一种GCN过采样算法

4.3.1问题及解决方案

4.3.2 实验设置

4.3.3 实验结果及分析

4.4 本章小结

5 一种可解释的孤独学生的识别框架

5.1 整体框架

5.2.1 新特征构建

5.2.2 特征可视化

5.3 模型训练

5.4 实验

5.4.1 实验设置

5.4.2 实验结果

5.4.3 实验结果分析

5.5 可解释性分析

5.5.1 GNB分类结果的可解释性

5.5.2 特征重要性分析

5.6 本章小结

6 总结与展望

6.1 本文工作总结

6.2 后续工作及展望

参考文献

A. 作者在攻读学位期间申请的专利目录

B. 学位论文数据集

致谢