• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    大學基礎(chǔ)課課程成績加權(quán)投票預(yù)測模型研究

    2020-03-03 13:20陳佳明駱力明宋潔
    現(xiàn)代電子技術(shù) 2020年1期
    關(guān)鍵詞:模型構(gòu)建

    陳佳明 駱力明 宋潔

    摘 ?要: 針對教育領(lǐng)域特定應(yīng)用場景,利用數(shù)據(jù)挖掘技術(shù)處理教育數(shù)據(jù)是目前熱點研究問題之一。課程成績預(yù)測指對一門課程學生的期末成績進行預(yù)測,其關(guān)鍵問題是通過選取合適的學生特征和確定最優(yōu)的預(yù)測算法來構(gòu)建預(yù)測準確率高的模型。針對大學基礎(chǔ)課的特點,從主客觀兩方面選擇特征,對比了4個效果最優(yōu)的課程成績預(yù)測分類算法,以準確率較高的算法構(gòu)成加權(quán)投票集成算法,發(fā)現(xiàn)加權(quán)投票集成算法的預(yù)測準確率和AP值最高,為利用數(shù)據(jù)挖掘技術(shù)實現(xiàn)課程成績預(yù)測提供了一種有效的方法。

    關(guān)鍵詞: 成績預(yù)測模型; 教育數(shù)據(jù)挖掘; 加權(quán)投票集成算法; 模型構(gòu)建; 大學基礎(chǔ)課; 分類算法

    中圖分類號: TN911.1?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼: A ? ? ? ? ? ? ? ? ? ?文章編號: 1004?373X(2020)01?0093?06

    Course performance weighted voting prediction model of college fundamental courses

    CHEN Jiaming, LUO Liming, SONG Jie

    Abstract: To process the educational data from specific application scenario in education field by data mining technology is one of the popular research projects. Course performance prediction refers to the prediction of final performance of students in a curriculum, whose key issue is to build a high?accuracy model by selecting proper student features and determining optimal prediction algorithm. The features are selected from both subjective and objective aspects according to features of university basic courses. Four optimal classification algorithms of curriculum performance prediction are compared and the weighted voting integrated algorithm is constituted with the algorithms with higher accuracy. The weighted voting integrated algorithm can reach the best accuracy and AP value, which provides an effective method for realization of curriculum performance prediction by utilizing data mining technology.

    Keywords: performance prediction model; educational data mining; weighted voting integrated algorithm; model construction; college elementary course; classification algorithm

    0 ?引 ?言

    教育數(shù)據(jù)挖掘(Educational Data Mining,EDM)是近年來熱門的數(shù)據(jù)挖掘研究領(lǐng)域之一,可以為教師提供用于評估的信息,為教師設(shè)計與調(diào)整教學環(huán)境和方法的決策提供教學基礎(chǔ)[1]。學生成績預(yù)測是教育數(shù)據(jù)挖掘領(lǐng)域的重點研究課題之一[2]。學生成績的預(yù)測分為總體學業(yè)預(yù)測和課程成績預(yù)測兩類。其中,總體學業(yè)預(yù)測是對一個持續(xù)時間較長的教學過程(如某一學年或本科四年)中大學生整體的學習情況進行觀察,預(yù)測大學生學年末或畢業(yè)時的學業(yè)表現(xiàn)。例如,文獻[3]以巴基斯坦某信息技術(shù)專業(yè)學生大學四年的課程成績作為輸入,預(yù)測學生畢業(yè)設(shè)計的成績。課程成績預(yù)測比總體學業(yè)預(yù)測更有針對性,是指對一門課程(在線課程或者課堂教學)學生的期末成績進行預(yù)測。預(yù)測結(jié)果可以輔助教師對學生進行個性化指導(dǎo),從而為學習能力較強的學生提供更豐富的知識和技能培養(yǎng),為學習效果不理想的學生給予更多有針對性的幫助,也可以幫助學生減少學業(yè)壓力[4]。

    課程成績預(yù)測的主要研究問題為輸入特征和算法的選擇,即針對特定的學習情境指定相關(guān)的影響因素作為特征,并使用適合的算法構(gòu)建最優(yōu)的預(yù)測模型對成績進行預(yù)測。特征主要分為兩類,即學習能力水平和課堂參與度。常用的預(yù)測算法包括多元線性回歸、支持向量機、神經(jīng)網(wǎng)絡(luò)和邏輯回歸等。例如,文獻[5]將績點、前導(dǎo)課成績和平時作業(yè)成績作為特征,比較多元線性回歸、神經(jīng)網(wǎng)絡(luò)和支持向量機等回歸算法預(yù)測物理力學課學生的成績,發(fā)現(xiàn)支持向量機算法的準確率最高為87.5%;文獻[6]利用邏輯回歸及其改進的兩種遷移學習算法,以學生每周慕課視頻觀看進度、每周作業(yè)完成進度和每周作業(yè)成績作為特征,預(yù)測慕課學生是否通過,發(fā)現(xiàn)遷移學習算法LR?SIM準確率更高更穩(wěn)定。文獻[7]應(yīng)用數(shù)據(jù)挖掘方法構(gòu)建自適應(yīng)第二外語在線學習系統(tǒng),以中國臺灣地區(qū)70名大學生的性別、個性和焦慮程度作為特征,預(yù)測其在線英語課的課程成績,發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測效果更好。

    從上述研究可以總結(jié)出,不同情境適用的特征和最優(yōu)算法不同,因此課程成績預(yù)測需要根據(jù)課程特點來選擇特征,并對多種算法進行對比實驗,構(gòu)建出最優(yōu)模型。為了全面地反映學生的學習情況,大學基礎(chǔ)課的課程成績預(yù)測需要從主觀和客觀兩方面來選擇特征。本文根據(jù)大學基礎(chǔ)課的特點,選擇績點、相關(guān)前導(dǎo)課成績、平時作業(yè)成績和提問次數(shù)作為客觀特征,選擇個人興趣作為主觀特征,實現(xiàn)并對比課程成績預(yù)測中常用且被驗證效果較好的支持向量機(分為高斯核函數(shù)算法和多項式核函數(shù)算法兩種)、BP神經(jīng)網(wǎng)絡(luò)和邏輯回歸等算法。并引入加權(quán)投票機制,將預(yù)測準確率較高的高斯核函數(shù)支持向量機和BP神經(jīng)網(wǎng)絡(luò)算法進行集成,發(fā)現(xiàn)加權(quán)投票集成算法的預(yù)測準確率和平均查準率(Average Precision,AP) 最高。利用預(yù)測效果最佳的加權(quán)投票集成算法,本文構(gòu)建了大學基礎(chǔ)課的課程成績預(yù)測模型,為教師開展個性化教學提供了參考,為大學基礎(chǔ)課的課程成績預(yù)測提供了一個有效的方法。

    1 ?特征選取與模型構(gòu)建

    1.1 ?特征選取

    影響大學基礎(chǔ)課課程成績的因素體現(xiàn)在客觀和主觀兩個方面。依據(jù)文獻[8]提出的模型,影響學生課程成績的因素主要分為三個方面:過往學習能力、課程表現(xiàn)和對課程的主觀態(tài)度。其中,學生的過往學習能力和課程表現(xiàn)屬于客觀因素,可通過客觀記錄的數(shù)據(jù)進行分析,對課程成績起到了主要影響[6];學生對課程的主觀態(tài)度屬于主觀因素,可通過問卷調(diào)研獲取并分析,對課程成績起到了次要影響[9?10]。因此,為了全面反映大學基礎(chǔ)課學生的特征,準確預(yù)測大學基礎(chǔ)課學生的課程成績,本文從主觀和客觀兩方面選擇特征并進行分析。

    1.1.1 ?客觀因素

    客觀因素中,體現(xiàn)過往學習能力的因素有績點、相關(guān)前導(dǎo)課成績和學歷等因素,體現(xiàn)課程表現(xiàn)的因素有提問次數(shù)、平時成績和課堂活動參與度等因素。文獻[5]通過對比驗證了采用績點、相關(guān)前導(dǎo)課成績和平時作業(yè)成績作為特征可以更好地預(yù)測大學基礎(chǔ)課成績。文獻[11]分析了提問次數(shù)作為深入探究的表現(xiàn)對學生成績的影響。在大學基礎(chǔ)課中,績點反映了學生在學習新課程之前已經(jīng)具備的綜合學習能力,對學生學習一門新的課程會產(chǎn)生較大的影響。相關(guān)前導(dǎo)課成績反映了學生前導(dǎo)知識掌握情況,對新課程的成績有較強的影響[12],且時間相近的前導(dǎo)課成績可以更準確地反映學生的前導(dǎo)知識水平[5]。平時作業(yè)成績重點體現(xiàn)學生學習新課程的情況。提問次數(shù)反映了學生參與課程相關(guān)的深入探討的頻次及學生的學習積極性,對知識的理解程度具有較大影響。結(jié)合文獻[8]的學生課程成績模型和對大學基礎(chǔ)課影響因素的分析,本文選取績點、相關(guān)前導(dǎo)課成績、平時作業(yè)成績和提問次數(shù)作為大學基礎(chǔ)課成績預(yù)測的客觀特征,如表1所示。

    1.1.2 ?主觀因素

    主觀因素中,體現(xiàn)學生對課程主觀態(tài)度的因素主要有學習興趣、自我效能感和學習動機等。文獻[13]驗證了學習興趣對大學課程成績具有較強影響。在大學基礎(chǔ)課中,學習興趣影響學生學習的主動性,主要分為個人興趣和情境興趣兩類。與情境興趣相比,個人興趣作為學生在課前對課程內(nèi)容產(chǎn)生的興趣[14],對學生的課堂表現(xiàn)、知識掌握、價值觀和成績均有更強、更長期的影響[15]。因此,本文選取學生的個人興趣作為大學基礎(chǔ)課成績預(yù)測的主觀特征。本文通過量表來測量個人興趣,改編了文獻[16]設(shè)計的初始興趣(Initial Interest,即個人興趣)問卷,設(shè)計出適用于大學基礎(chǔ)課的5分制個人興趣問卷。

    1.2 ?模型構(gòu)建

    結(jié)合所選的主觀和客觀特征進行建模之前,需要確定預(yù)測模型的輸出。課程成績預(yù)測模型的輸出主要分為是否通過課程、百分制分數(shù)和5分制分數(shù)三類。每類預(yù)測結(jié)果都有相應(yīng)的應(yīng)用。其中,5分制分數(shù)主要用于個性化教學。本文的研究目標是為教師開展個性化教學提供參考。因此,本文采用5分制課程成績作為輸出,將學生的百分制課程成績根據(jù)區(qū)間劃分為5個等級,如表2所示。

    對5分制的課程成績進行預(yù)測是一個多分類問題,需要通過分類算法求解。分類算法需要對分類器進行訓練,并對分類器的超參數(shù)進行調(diào)優(yōu)以得到最優(yōu)的模型。本文對課程成績預(yù)測常用的分類算法及其需要調(diào)整的超參數(shù)進行了分析。

    1.2.1 ?課程成績預(yù)測的分類算法

    課程成績預(yù)測常用的分類算法有支持向量機、邏輯回歸和BP神經(jīng)網(wǎng)絡(luò)等。其中,支持向量機算法需要解決如下最優(yōu)化問題[17]:

    [ ? ? ? ?minw,b,ξ12wTw+Ci=1mξis.t. ? ?y(i)(wT?(X(i))+b)>1-ξi,ξi>0] (1)

    式中[C]為懲罰系數(shù)。支持向量機算法根據(jù)采用的核函數(shù)分為多類,其中,多項式核函數(shù)支持向量機的決策函數(shù)為:

    [fk(X)=sgni=1mα(i)y(i)[X*X(i)+b]d] (2)

    式中:[d]為多項式的階;[b]為偏置系數(shù)。

    高斯核函數(shù)支持向量機的決策函數(shù)為:

    [fk(X)=sgni=1mα(i)y(i)exp-γX-X(i)2] (3)

    式(1)~式(3)中:[γ]為構(gòu)造高維特征的參數(shù);[C],[d],[b]是支持向量機算法中需要調(diào)節(jié)的超參數(shù)。邏輯回歸是經(jīng)典的分類算法之一,其損失函數(shù)為:

    [L(w)=i=1mlog(1+exp(-y(i)wTX(i)))+Cw2] (4)

    邏輯回歸需要調(diào)整超參數(shù)[C],在最小化[Lw]的同時提高模型的泛化能力。不同于邏輯回歸,BP神經(jīng)網(wǎng)絡(luò)加入了隱藏層的概念,通過反向傳播算法重復(fù)調(diào)整權(quán)值和閾值來最小化損失函數(shù)的值。常用的BP神經(jīng)網(wǎng)絡(luò)為三層MLP(Multi?Layer Perceptron)[18],需要調(diào)節(jié)隱藏層神經(jīng)元個數(shù)[nhidden]來優(yōu)化效果。

    1.2.2 ?模型分析

    本文將上述課程成績預(yù)測常用的分類算法作為分類器,構(gòu)建學生課程成績預(yù)測模型,如圖1所示。

    模型的輸入為5個特征,輸出為5個成績等級,是一個多變量、多分類模型。鑒于上述分類算法均適用于二分類問題,模型采用OvR方法將二分類問題轉(zhuǎn)換為多分類問題進行求解。模型的分類器如式(5)所示:

    [f(X(i))=Φ(X(i),y(i))] (5)

    式中向量[X(i)]表示第[i]個樣本的特征向量,如表3所示;[Φ]表示決策函數(shù),根據(jù)采用的分類算法決定。向量[y(i)=][[y(i)1,y(i)2,y(i)3,y(i)4,y(i)5]T]表示第[i]個樣本的實際分類結(jié)果,其中,[y(i)k∈{-1,1}k∈{1,2,3,4,5}];[f(X(i))]為模型判定第[i]個樣本的分類結(jié)果,取值為[[f1(X(i)),f2(X(i)),][f3(X(i)),f4(X(i)),f5(X(i))]T],其中,[fk(X(i))∈{-1,1}]且[k∈{1,2,3,4,5}]。

    由于單個分類算法的預(yù)測能力是有限的,為了構(gòu)建準確率更高的模型,本文使用投票法對分類算法進行改進。投票法是一種集成學習方法[19],對多個分類算法的預(yù)測結(jié)果進行投票,將得票最高的結(jié)果作為最終預(yù)測結(jié)果,實現(xiàn)對多個分類算法的權(quán)衡,提高預(yù)測準確率。然而,不同子分類器的預(yù)測準確率不同。如果直接進行投票,則預(yù)測結(jié)果會受到預(yù)測誤差較大的子分類器的影響。為了減弱這種負面影響,本文引入加權(quán)投票機制,將預(yù)測準確率較高的課程成績預(yù)測分類算法進行加權(quán)投票集成,為預(yù)測準確率高的子分類器分配更高的權(quán)值,加強其對最終結(jié)果的影響,進一步提高預(yù)測準確率。預(yù)測準確率定義為:

    [p(f(X(i)),y(i))=1mi=1m1(f(X(i))=y(i))] (6)

    式中[1(x)]為指示函數(shù)。權(quán)值的定義如下:

    [wl=pl(f(X(i)),y(i))l=1Lpl(f(X(i)),y(i))] (7)

    式中:[pl]表示第[l]個子分類器的預(yù)測準確率;[L]為子分類器總個數(shù)。集成后的分類器的預(yù)測結(jié)果概率值為:

    [P=l=1LwlPll] (8)

    式中:[Pl]表示第[l]個分類器預(yù)測結(jié)果的概率,向量[P]中最大值對應(yīng)的類別為集成算法最終的分類結(jié)果。為了驗證加權(quán)投票集成算法的效果,本文結(jié)合所選主觀、客觀特征,分別將上述課程成績預(yù)測常用的算法加權(quán)投票集成算法作為模型的分類器進行模型訓練和調(diào)優(yōu),通過對比選擇最優(yōu)的算法構(gòu)建大學基礎(chǔ)課的課程成績預(yù)測模型。

    2 ?實驗與討論

    2.1 ?數(shù)據(jù)收集與預(yù)處理

    本文結(jié)合上述對特征選取和模型構(gòu)建的分析,以北京某高校大學基礎(chǔ)課面向?qū)ο蟪绦蛟O(shè)計(C++)的54名學生為研究對象,未對學生進行直接干預(yù),通過收集學生的特征和期末成績數(shù)據(jù)進行實驗分析。

    學生的客觀特征通過教務(wù)系統(tǒng)和課程教師統(tǒng)計。其中,績點和相關(guān)前導(dǎo)課成績均采集自學校的教務(wù)系統(tǒng)。相關(guān)前導(dǎo)課成績?yōu)榘俜种疲凕c和平時作業(yè)成績?yōu)?分制。平時作業(yè)成績來源于課程教師的統(tǒng)計結(jié)果。本文采集的平時作業(yè)成績以12次實驗報告的成績?yōu)闇?,統(tǒng)計情況如表4所示。

    提問次數(shù)通過課程教師和助教進行統(tǒng)計。該C++課中學生對教師的提問通過在線社區(qū)Moodle、微信以及實驗報告留言三種方式進行,因此本文統(tǒng)計了微信、Moodle和實驗報告中每個學生提問的次數(shù),以教學周為一個教學階段進行收集,共計12次,統(tǒng)計結(jié)果如表5所示。其中,微信提問來源于學生與助教和教師的微信聊天記錄,Moodle提問來源于學生在Moodle社區(qū)討論區(qū)中的發(fā)帖與回復(fù),實驗報告提問來源于學生平時編程實驗中實驗報告的反思與討論部分。

    主觀特征通過問卷計算得出。學生在課程第一周通過在線填寫的方式完成該問卷。本文共收回54份有效問卷,以學生每道題目打分的均值作為該學生個人興趣分值,其統(tǒng)計結(jié)果如表6所示。

    鑒于分類算法對于特征間數(shù)值的差異較為敏感,因此需要在訓練之前將特征進行歸一化處理以防止某一特征因為數(shù)值較大在模型預(yù)測時占據(jù)主導(dǎo)地位。本文采用均值歸一化的方法進行特征縮放,將特征的數(shù)值映射到區(qū)間[0,1]內(nèi),以便于獲得更有效、可靠的模型。

    2.2 ?模型訓練與參數(shù)調(diào)節(jié)

    本文以Python為編程語言編寫各個算法,在macOS High Sierra環(huán)境中進行模型的訓練和測試。實驗以具有5個特征的648個樣本作為輸入,其中70%的數(shù)據(jù)用作訓練集,其余30%的數(shù)據(jù)用作測試集,以預(yù)測準確率(Accuracy)作為衡量模型效果的指標之一,通過訓練集訓練出模型,利用該模型預(yù)測測試集樣本的分類。實驗在進行模型訓練時利用Grid Search方法,通過10?fold交叉驗證調(diào)節(jié)各個算法的超參數(shù)。各個算法調(diào)參結(jié)果見表7。

    在調(diào)節(jié)超參數(shù)之后,實驗計算了各個算法對5個成績等級預(yù)測準確率的均值,如表8所示。其中,BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測準確率最高,其次是高斯核函數(shù)支持向量機算法,二者均達到90%以上的預(yù)測準確率;而多項式核函數(shù)支持向量機和邏輯回歸的預(yù)測準確率較低。

    本文選擇預(yù)測準確率較高的高斯核函數(shù)支持向量機算法和BP神經(jīng)網(wǎng)絡(luò)算法作為加權(quán)投票集成算法的子分類器并計算其預(yù)測準確率,與其他四個模型的預(yù)測準確率進行對比,如圖2所示。

    除了模型的預(yù)測準確率,分類模型常用繪制ROC曲線和PR(Precision?Recall,精確率?召回率)曲線等方法來評估模型的效果。其中,PR曲線更加適合于偏斜性較大(skewed)的樣本[20]。本文的研究對象中成績等級為5的樣本量遠小于其他等級的樣本量,存在偏斜性較大的特點,因此,本文選用PR曲線來評估模型的效果。在PR曲線中,橫軸表示召回率(Recall),縱軸表示精確率(Precision),PR曲線下方的面積為AP(Average Precision)的值。AP的定義如下:

    [AP=01p(r)dr] (9)

    式中:[p]表示精確率;[r]表示召回率。PR曲線越接近右上角,曲線下方的面積(即AP的值)越大,模型的效果就越好。本實驗中5個模型的PR曲線如圖3所示。其中,加權(quán)投票集成算法的PR曲線最接近右上方,AP值最大為0.97,說明加權(quán)投票集成算法模型對于偏斜性較大的樣本的預(yù)測效果要優(yōu)于其他四個模型,更加符合本文研究對象的特征。因此,采用加權(quán)投票集成算法構(gòu)成的模型可以更好地對大學基礎(chǔ)課的課程成績等級進行預(yù)測。

    3 ?結(jié) ?論

    本文針對大學基礎(chǔ)課的特點,從主觀和客觀兩方面選擇特征,以績點、相關(guān)前導(dǎo)課成績、平時作業(yè)成績和提問次數(shù)作為客觀特征,以個人興趣作為主觀特征,將學生成績劃分為5個等級進行課程成績預(yù)測。為了達到更精準的預(yù)測效果并解決大學基礎(chǔ)課因課程開展周期長而導(dǎo)致的樣本量較小與數(shù)據(jù)偏斜性較大的問題,本文以預(yù)測準確率和AP值最高的加權(quán)投票集成算法作為分類器構(gòu)建大學基礎(chǔ)課的課程成績預(yù)測模型。該模型可以從主觀和客觀兩方面特征預(yù)測學生的課程期末成績,從而輔助教師的個性化教學,為教師教學策略和教學環(huán)境的調(diào)整提供參考,同時也可以幫助學生預(yù)估大學基礎(chǔ)課的學習情況。后續(xù)研究會將知識點的掌握情況納入預(yù)測特征,比平時作業(yè)成績更加精確地反映學生的學習情況,并嘗試改進數(shù)據(jù)收集的方式,增加樣本量,并針對小樣本的特點,嘗試對現(xiàn)有算法進行改進并進行更多組對比實驗,從而進一步提高模型的預(yù)測效果。

    注:本文通訊作者為駱力明。

    參考文獻

    [1] ROMERO C, VENTURA S. Educational data mining: a survey from 1995 to 2005 [J]. Expert systems with applications, 2007, 34(1): 135?146.

    [2] PE?A?AYALA A. Educational data mining: a survey and a data mining?based analysis of recent works [J]. Expert systems with applications, 2014, 41(4): 1432?1462.

    [3] ASIF R, MERCERON A, ALI S A, et al. Analyzing undergraduate students′ performance using educational data mining [J]. Computers & education, 2017, 113: 177?194.

    [4] THAI?NGHE N, HORV?TH T, SCHMIDT?THIEME L. Factorization models for forecasting student performance [C]// Proceedings of the 4th International Conference on Educational Data Mining. Eindhoven: EDM, 2011: 11?20.

    [5] HUANG S, FANG N. Predicting student academic performance in an engineering dynamics course: a comparison of four types of predictive mathematical models [J]. Computers & education, 2013, 61: 133?145.

    [6] HE J, BAILEY J, RUBINSTEIN B I P, et al. Identifying at?risk students in massive open online courses [C]// Proceedings of the Twenty?ninth AAAI Conference on Artificial Intelligence. Austin: AAAI, 2015: 1749?1755.

    [7] WANG Y, LIAO H C. Data mining for adaptive learning in a TESL?based e?learning system [J]. Expert systems with applications, 2011, 38(6): 6480?6485.

    [8] PARMENTIER P. La réussite des études universitaires: facteurs structurels et processuels de la performance académique en première année en medicine [D]. Belgium: Université Catholique de Louvain, 1994.

    [9] DE BARBA P G, KENNEDY G E, AINLEY M D. The role of students′ motivation and participation in predicting performance in a MOOC [J]. Journal of computer assisted learning, 2016, 32(3): 218?231.

    [10] BAILEY T H, PHILLIPS L J. The influence of motivation and adaptation on students′ subjective well?being, meaning in life and academic performance [J]. Higher education research & development, 2016, 35(2): 201?216.

    [11] NEWMANN F M, MARKS H M, GAMORAN A. Authentic pedagogy and student performance [J]. American journal of education, 1996, 104(4): 280?312.

    [12] 黃建明.貝葉斯網(wǎng)絡(luò)在學生成績預(yù)測中的應(yīng)用[J].計算機科學,2012,39(11A):280?282.

    [13] PINTRICH P R. The dynamic interplay of student motivation and cognition in the college classroom [J]. Advances in motivation and achievement, 1989, 6: 117?160.

    [14] RENNINGER K A. Individual interest and development: Implications for theory and practice [J]. The role of interest in learning and development, 1992, 26(3/4): 361?395.

    [15] HIDI S. Interest and its contribution as a mental resource for learning [J]. Review of educational research, 1990, 60(4): 549?571.

    [16] HARACKIEWICZ J M, DURIK A M, BARRON K E, et al. The role of achievement goals in the development of interest: reciprocal relations between achievement goals, interest, and performance [J]. Journal of educational psychology, 2008, 100(1): 105.

    [17] CORTES C, VAPNIK V. Support?vector networks [J]. Machine learning, 1995, 20(3): 273?297.

    [18] GALLINARI P, THIRIA S, BADRAN F, et al. On the relations between discriminant analysis and multilayer perceptrons [J]. Neural networks, 1991, 4(3): 349?360.

    [19] DIETTERICH T G. Ensemble methods in machine learning [C]// International workshop on multiple classifier systems. Berlin: Springer, 2000: 1?15.

    [20] DAVIS J, GOADRICH M. The relationship between precision?recall and ROC curves [C]// Proceedings of the 23rd international conference on machine learning. Pittsburgh: ACM, 2006: 233?240.

    作者簡介:陳佳明,男,碩士研究生,主要研究方向為人工智能與教育、數(shù)據(jù)挖掘。

    駱力明,男,教授,碩士研究生導(dǎo)師,主要研究領(lǐng)域為智能教育、軟件系統(tǒng)實現(xiàn)。

    宋 ?潔,女,碩士研究生,主要研究方向為教育技術(shù)。

    猜你喜歡
    模型構(gòu)建
    基于“輕繩、輕彈簧的力學分析”為例探討高中物理解題模型設(shè)計
    社會資本視角下行業(yè)協(xié)會商會能力模型構(gòu)建研究
    虛擬現(xiàn)實技術(shù)在電力培訓中的應(yīng)用
    模型構(gòu)建在高中生物教學中的應(yīng)用
    基于云計算的大學生移動學習模型構(gòu)建
    高中物理解題的模型構(gòu)建
    基層醫(yī)療衛(wèi)生人員崗位勝任力模型構(gòu)建研究
    數(shù)學建模在高數(shù)教學中的應(yīng)用
    數(shù)學建模在高數(shù)教學中的應(yīng)用
    職業(yè)院校在大學生就業(yè)指導(dǎo)工作中的PGSR角色定位模型構(gòu)建
    国产精品久久久av美女十八| 操出白浆在线播放| 在线av久久热| 国产成人免费无遮挡视频| 久久久久国产精品人妻aⅴ院| 身体一侧抽搐| 丰满的人妻完整版| 叶爱在线成人免费视频播放| x7x7x7水蜜桃| 我的亚洲天堂| 亚洲三区欧美一区| 1024香蕉在线观看| 十八禁人妻一区二区| 精品午夜福利视频在线观看一区| 国产成+人综合+亚洲专区| 亚洲电影在线观看av| av欧美777| 免费看美女性在线毛片视频| 久久久国产成人免费| 国产aⅴ精品一区二区三区波| 怎么达到女性高潮| 欧美日韩瑟瑟在线播放| 91字幕亚洲| 婷婷精品国产亚洲av在线| АⅤ资源中文在线天堂| 99在线视频只有这里精品首页| 亚洲精品国产色婷婷电影| 在线十欧美十亚洲十日本专区| 乱人伦中国视频| 国产黄a三级三级三级人| 亚洲人成电影观看| xxx96com| 亚洲精品在线美女| 老汉色av国产亚洲站长工具| 亚洲一卡2卡3卡4卡5卡精品中文| 精品国产乱子伦一区二区三区| 国产亚洲av高清不卡| 精品一品国产午夜福利视频| 免费人成视频x8x8入口观看| 国产精品久久电影中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 国产不卡一卡二| 中文字幕另类日韩欧美亚洲嫩草| 亚洲免费av在线视频| 中文字幕高清在线视频| 午夜免费成人在线视频| 欧美日韩亚洲综合一区二区三区_| 可以在线观看的亚洲视频| 最近最新中文字幕大全电影3 | 淫妇啪啪啪对白视频| 精品不卡国产一区二区三区| 欧美激情 高清一区二区三区| 大型黄色视频在线免费观看| 久久久久久国产a免费观看| 精品欧美国产一区二区三| 亚洲天堂国产精品一区在线| 亚洲欧美激情在线| 老汉色av国产亚洲站长工具| 精品国产一区二区久久| 精品久久久精品久久久| 国产又爽黄色视频| 中亚洲国语对白在线视频| 人妻久久中文字幕网| 欧美 亚洲 国产 日韩一| 亚洲国产精品sss在线观看| 久久人妻福利社区极品人妻图片| 久久久久国产一级毛片高清牌| 成人永久免费在线观看视频| 神马国产精品三级电影在线观看 | 欧美黄色片欧美黄色片| 亚洲成av人片免费观看| 一级毛片高清免费大全| 人人妻人人澡欧美一区二区 | 欧美日韩精品网址| 亚洲成人国产一区在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲av成人一区二区三| 日本欧美视频一区| 视频在线观看一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 欧美日韩黄片免| 91精品三级在线观看| 久久九九热精品免费| 9色porny在线观看| 亚洲专区中文字幕在线| 丝袜美腿诱惑在线| 精品久久久久久成人av| 中文亚洲av片在线观看爽| 亚洲视频免费观看视频| 中文字幕人妻熟女乱码| 香蕉久久夜色| 午夜福利一区二区在线看| 最近最新免费中文字幕在线| 级片在线观看| 99久久久亚洲精品蜜臀av| 国产一区二区三区综合在线观看| 亚洲精品美女久久久久99蜜臀| 男人的好看免费观看在线视频 | 国产精品久久电影中文字幕| 久久久久久免费高清国产稀缺| 88av欧美| 精品无人区乱码1区二区| 精品国产国语对白av| 国产亚洲精品第一综合不卡| 夜夜爽天天搞| 夜夜躁狠狠躁天天躁| 国产精品综合久久久久久久免费 | 久久人人爽av亚洲精品天堂| 大型黄色视频在线免费观看| 最近最新中文字幕大全免费视频| 欧美大码av| 久久香蕉精品热| 在线免费观看的www视频| 国产av又大| 国产精品电影一区二区三区| 午夜福利18| 免费观看人在逋| 大码成人一级视频| 中文亚洲av片在线观看爽| 亚洲精品美女久久久久99蜜臀| 国产极品粉嫩免费观看在线| 不卡av一区二区三区| 国产一区在线观看成人免费| 国产亚洲av嫩草精品影院| 日韩大尺度精品在线看网址 | 午夜福利成人在线免费观看| 黄网站色视频无遮挡免费观看| 欧美黑人欧美精品刺激| 欧美色欧美亚洲另类二区 | 日韩高清综合在线| 啦啦啦韩国在线观看视频| 12—13女人毛片做爰片一| 美女高潮到喷水免费观看| 精品国产亚洲在线| 亚洲成人久久性| 97超级碰碰碰精品色视频在线观看| 夜夜爽天天搞| 亚洲欧美激情综合另类| 久久影院123| 搡老熟女国产l中国老女人| 精品电影一区二区在线| 男女下面进入的视频免费午夜 | 亚洲中文字幕一区二区三区有码在线看 | 91麻豆精品激情在线观看国产| 夜夜看夜夜爽夜夜摸| 日韩中文字幕欧美一区二区| 嫁个100分男人电影在线观看| cao死你这个sao货| 久久久国产成人免费| 欧洲精品卡2卡3卡4卡5卡区| 女人爽到高潮嗷嗷叫在线视频| av免费在线观看网站| 成人国语在线视频| 激情在线观看视频在线高清| 精品一品国产午夜福利视频| 久久人妻熟女aⅴ| 一卡2卡三卡四卡精品乱码亚洲| 亚洲专区字幕在线| 美女午夜性视频免费| 亚洲五月天丁香| 亚洲avbb在线观看| 亚洲欧美日韩另类电影网站| 他把我摸到了高潮在线观看| 麻豆av在线久日| 日韩欧美在线二视频| 国产精品亚洲一级av第二区| 欧美黑人欧美精品刺激| 在线观看日韩欧美| 中文字幕高清在线视频| 亚洲中文字幕一区二区三区有码在线看 | av天堂久久9| 精品国产国语对白av| 天天躁夜夜躁狠狠躁躁| 亚洲成av片中文字幕在线观看| 夜夜爽天天搞| 国产精品 欧美亚洲| 97人妻天天添夜夜摸| 成人三级黄色视频| 俄罗斯特黄特色一大片| 亚洲avbb在线观看| 一区二区三区激情视频| 天堂动漫精品| 99在线视频只有这里精品首页| 啦啦啦观看免费观看视频高清 | 久9热在线精品视频| 亚洲精品av麻豆狂野| 女人被躁到高潮嗷嗷叫费观| 午夜福利免费观看在线| 国产成人欧美在线观看| 少妇 在线观看| 国产精品久久久人人做人人爽| 成人手机av| 一级毛片精品| 神马国产精品三级电影在线观看 | 亚洲全国av大片| 久久久水蜜桃国产精品网| 夜夜爽天天搞| 校园春色视频在线观看| 不卡av一区二区三区| 亚洲第一av免费看| 制服丝袜大香蕉在线| 亚洲avbb在线观看| 757午夜福利合集在线观看| 男人舔女人下体高潮全视频| 亚洲国产精品成人综合色| 国产片内射在线| 国产99白浆流出| 88av欧美| 操美女的视频在线观看| 中文字幕av电影在线播放| 国产高清视频在线播放一区| 嫩草影院精品99| 人妻久久中文字幕网| 天天躁夜夜躁狠狠躁躁| 深夜精品福利| 亚洲精品久久国产高清桃花| 成年女人毛片免费观看观看9| 最近最新中文字幕大全电影3 | 日韩中文字幕欧美一区二区| 国产精品久久久人人做人人爽| 国产精品久久久久久人妻精品电影| 午夜福利成人在线免费观看| 老熟妇乱子伦视频在线观看| 在线国产一区二区在线| 少妇 在线观看| 一区福利在线观看| 国产伦人伦偷精品视频| 老司机午夜十八禁免费视频| 午夜日韩欧美国产| 女同久久另类99精品国产91| 男女做爰动态图高潮gif福利片 | 亚洲成国产人片在线观看| 亚洲 欧美一区二区三区| 欧美亚洲日本最大视频资源| 欧美激情 高清一区二区三区| 成年人黄色毛片网站| 一级毛片精品| 美女高潮喷水抽搐中文字幕| 美女扒开内裤让男人捅视频| 精品久久久久久,| 国产亚洲av嫩草精品影院| 两性午夜刺激爽爽歪歪视频在线观看 | 一二三四在线观看免费中文在| videosex国产| 午夜久久久久精精品| 亚洲精品一区av在线观看| 一本久久中文字幕| 美女国产高潮福利片在线看| 成在线人永久免费视频| 99国产精品99久久久久| 久久中文看片网| 精品久久蜜臀av无| 乱人伦中国视频| 国产亚洲av嫩草精品影院| 757午夜福利合集在线观看| 久久久国产精品麻豆| av天堂久久9| 丁香欧美五月| 操美女的视频在线观看| 嫩草影视91久久| 一本久久中文字幕| 在线观看66精品国产| 国产av精品麻豆| 脱女人内裤的视频| 人人妻人人爽人人添夜夜欢视频| 热99re8久久精品国产| 久久久久久久久中文| av视频免费观看在线观看| 午夜福利视频1000在线观看 | 欧美日韩乱码在线| 久久久久久久久中文| 亚洲av美国av| 天堂影院成人在线观看| av视频免费观看在线观看| 成人国语在线视频| 欧美日本亚洲视频在线播放| 很黄的视频免费| 欧美亚洲日本最大视频资源| 给我免费播放毛片高清在线观看| 黄色成人免费大全| 久久久久久久精品吃奶| 欧美日韩瑟瑟在线播放| 久久中文字幕一级| 女人爽到高潮嗷嗷叫在线视频| 国产一区二区三区综合在线观看| 黄色a级毛片大全视频| av视频免费观看在线观看| 精品久久蜜臀av无| 成人三级黄色视频| www国产在线视频色| 日本免费一区二区三区高清不卡 | 日本五十路高清| 精品欧美国产一区二区三| 侵犯人妻中文字幕一二三四区| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲精品一区二区www| 欧美日本中文国产一区发布| 精品久久久久久久久久免费视频| 亚洲视频免费观看视频| 国产精品一区二区在线不卡| 午夜福利一区二区在线看| 欧美一级毛片孕妇| 国产又爽黄色视频| 婷婷丁香在线五月| 国产在线观看jvid| 大码成人一级视频| 国产真人三级小视频在线观看| 操美女的视频在线观看| 欧美日本亚洲视频在线播放| 夜夜夜夜夜久久久久| 国产亚洲精品久久久久久毛片| 国产成人精品无人区| 在线观看舔阴道视频| 美女高潮到喷水免费观看| 精品久久久久久久久久免费视频| 国产成年人精品一区二区| 伦理电影免费视频| 久久精品国产亚洲av香蕉五月| www国产在线视频色| av中文乱码字幕在线| 99久久国产精品久久久| 日本免费一区二区三区高清不卡 | 久久久国产欧美日韩av| 国产精品亚洲av一区麻豆| 日韩欧美国产一区二区入口| 可以在线观看的亚洲视频| 欧美亚洲日本最大视频资源| 欧美人与性动交α欧美精品济南到| 亚洲中文字幕日韩| 又大又爽又粗| 亚洲中文字幕日韩| 一边摸一边抽搐一进一小说| 一边摸一边做爽爽视频免费| 日韩高清综合在线| 久久精品91蜜桃| 久久精品成人免费网站| 在线观看免费视频日本深夜| 亚洲精品久久国产高清桃花| 日韩中文字幕欧美一区二区| 黄片大片在线免费观看| 不卡一级毛片| 一级作爱视频免费观看| 日韩免费av在线播放| 69精品国产乱码久久久| 午夜福利高清视频| 国产麻豆成人av免费视频| ponron亚洲| 69精品国产乱码久久久| 亚洲 国产 在线| 日本一区二区免费在线视频| 亚洲全国av大片| 可以在线观看的亚洲视频| 久久久久久人人人人人| 久久久精品国产亚洲av高清涩受| 国产精品影院久久| 夜夜夜夜夜久久久久| 亚洲少妇的诱惑av| 狂野欧美激情性xxxx| 91成人精品电影| 最新在线观看一区二区三区| 亚洲精品一区av在线观看| 日韩一卡2卡3卡4卡2021年| 国产精品久久久久久亚洲av鲁大| 三级毛片av免费| 亚洲专区中文字幕在线| 日本撒尿小便嘘嘘汇集6| 亚洲精品在线观看二区| 亚洲一区高清亚洲精品| 国产又爽黄色视频| 多毛熟女@视频| 国产av一区二区精品久久| svipshipincom国产片| 国产高清激情床上av| 日本三级黄在线观看| 日韩欧美一区视频在线观看| 久久久久精品国产欧美久久久| 一区二区日韩欧美中文字幕| 黄色丝袜av网址大全| 亚洲情色 制服丝袜| 国产成人系列免费观看| 法律面前人人平等表现在哪些方面| 男人舔女人下体高潮全视频| 国产av一区在线观看免费| 午夜福利一区二区在线看| 正在播放国产对白刺激| 国产精品一区二区三区四区久久 | 精品久久久久久久人妻蜜臀av | 午夜免费鲁丝| 成人亚洲精品一区在线观看| 成人永久免费在线观看视频| 欧美在线一区亚洲| 一边摸一边做爽爽视频免费| 香蕉国产在线看| 日韩精品中文字幕看吧| 老汉色av国产亚洲站长工具| 一级片免费观看大全| a在线观看视频网站| 精品欧美一区二区三区在线| 在线观看www视频免费| 大陆偷拍与自拍| 人妻久久中文字幕网| 亚洲精品在线观看二区| 99在线视频只有这里精品首页| 国产精品98久久久久久宅男小说| 99国产综合亚洲精品| 国产精品野战在线观看| 免费在线观看完整版高清| 国产单亲对白刺激| 亚洲国产欧美日韩在线播放| 丝袜人妻中文字幕| 99国产精品一区二区三区| 99国产精品免费福利视频| 成熟少妇高潮喷水视频| 此物有八面人人有两片| 高清毛片免费观看视频网站| 搞女人的毛片| 黄色视频不卡| 国产精品 欧美亚洲| 国产亚洲精品第一综合不卡| tocl精华| 国产精品99久久99久久久不卡| 嫩草影院精品99| 黄片播放在线免费| 巨乳人妻的诱惑在线观看| 在线观看日韩欧美| 亚洲五月色婷婷综合| 免费看美女性在线毛片视频| 中文字幕久久专区| 一a级毛片在线观看| 久久久国产成人免费| av免费在线观看网站| 精品久久久久久久毛片微露脸| 日韩大尺度精品在线看网址 | 大香蕉久久成人网| 亚洲va日本ⅴa欧美va伊人久久| 日韩三级视频一区二区三区| 久久久久精品国产欧美久久久| 午夜免费成人在线视频| 成年人黄色毛片网站| 亚洲欧美精品综合一区二区三区| 一个人免费在线观看的高清视频| 九色国产91popny在线| 国产精品久久久av美女十八| 18禁黄网站禁片午夜丰满| 亚洲专区国产一区二区| 免费高清在线观看日韩| 国产精品久久电影中文字幕| 波多野结衣高清无吗| 国产成人影院久久av| 午夜福利影视在线免费观看| 国产精品免费一区二区三区在线| 精品欧美一区二区三区在线| 纯流量卡能插随身wifi吗| 久久精品91无色码中文字幕| 丝袜美足系列| 婷婷六月久久综合丁香| 极品人妻少妇av视频| 成人特级黄色片久久久久久久| 日韩欧美免费精品| 国产aⅴ精品一区二区三区波| 午夜影院日韩av| 午夜福利在线观看吧| 精品久久久精品久久久| 亚洲av成人av| 欧美成人免费av一区二区三区| 日韩中文字幕欧美一区二区| 黄频高清免费视频| 窝窝影院91人妻| 国产又色又爽无遮挡免费看| 黄色片一级片一级黄色片| 一边摸一边做爽爽视频免费| 51午夜福利影视在线观看| 人妻丰满熟妇av一区二区三区| 美女免费视频网站| 人人妻人人澡人人看| 亚洲熟女毛片儿| 欧美日韩乱码在线| 丁香六月欧美| 欧美午夜高清在线| 两人在一起打扑克的视频| 妹子高潮喷水视频| 啪啪无遮挡十八禁网站| 欧美最黄视频在线播放免费| 国产主播在线观看一区二区| 精品一区二区三区四区五区乱码| 国产亚洲av高清不卡| 日日干狠狠操夜夜爽| 亚洲av片天天在线观看| av在线播放免费不卡| 很黄的视频免费| 亚洲一区二区三区色噜噜| 国产精品久久久久久人妻精品电影| 热re99久久国产66热| 亚洲成av片中文字幕在线观看| 亚洲精品国产一区二区精华液| 波多野结衣高清无吗| 国产色视频综合| 欧美不卡视频在线免费观看 | 日日摸夜夜添夜夜添小说| 国产av一区二区精品久久| 欧美丝袜亚洲另类 | 国产97色在线日韩免费| 日本免费一区二区三区高清不卡 | 亚洲专区国产一区二区| 国产成人精品无人区| 日韩国内少妇激情av| av在线天堂中文字幕| 久久国产亚洲av麻豆专区| 国产精品二区激情视频| 黄色丝袜av网址大全| 日韩精品免费视频一区二区三区| 女人精品久久久久毛片| av天堂在线播放| 很黄的视频免费| www.自偷自拍.com| 国产精品美女特级片免费视频播放器 | 午夜久久久久精精品| 丁香欧美五月| 老司机午夜福利在线观看视频| 亚洲欧美日韩无卡精品| 极品人妻少妇av视频| 伊人久久大香线蕉亚洲五| tocl精华| 亚洲一区二区三区色噜噜| 国产精华一区二区三区| 黑人巨大精品欧美一区二区mp4| 午夜福利在线观看吧| 亚洲一区中文字幕在线| 性色av乱码一区二区三区2| netflix在线观看网站| 久久久水蜜桃国产精品网| 久久青草综合色| 亚洲成av片中文字幕在线观看| 成人18禁高潮啪啪吃奶动态图| 午夜免费观看网址| 欧美大码av| 日韩欧美一区二区三区在线观看| 色尼玛亚洲综合影院| 一区二区日韩欧美中文字幕| 成熟少妇高潮喷水视频| 国产成人系列免费观看| 久久草成人影院| 久久国产精品男人的天堂亚洲| 欧美黄色淫秽网站| 国产三级在线视频| 成人国语在线视频| 女人高潮潮喷娇喘18禁视频| 日本vs欧美在线观看视频| 国产一级毛片七仙女欲春2 | 亚洲精华国产精华精| 在线观看66精品国产| 黄片大片在线免费观看| 亚洲欧美激情在线| 国产亚洲av嫩草精品影院| 亚洲精品在线美女| 亚洲一卡2卡3卡4卡5卡精品中文| 12—13女人毛片做爰片一| 久99久视频精品免费| 大型黄色视频在线免费观看| 18禁黄网站禁片午夜丰满| 久久人人97超碰香蕉20202| 午夜老司机福利片| 久久久久亚洲av毛片大全| 日韩一卡2卡3卡4卡2021年| 国产男靠女视频免费网站| 三级毛片av免费| 韩国精品一区二区三区| 在线观看免费午夜福利视频| 久久人人97超碰香蕉20202| 日韩一卡2卡3卡4卡2021年| 99国产极品粉嫩在线观看| 两人在一起打扑克的视频| 国产精品久久久av美女十八| 少妇的丰满在线观看| av欧美777| 丰满人妻熟妇乱又伦精品不卡| 国产欧美日韩一区二区三| 50天的宝宝边吃奶边哭怎么回事| 亚洲熟妇熟女久久| 欧美最黄视频在线播放免费| 欧美日韩中文字幕国产精品一区二区三区 | 欧美一级a爱片免费观看看 | 少妇 在线观看| 两性夫妻黄色片| 亚洲全国av大片| 成年女人毛片免费观看观看9| 一区福利在线观看| 国产日韩一区二区三区精品不卡| 深夜精品福利| 一级毛片精品| 亚洲av电影在线进入| 久久精品国产综合久久久| 国内毛片毛片毛片毛片毛片| 免费在线观看视频国产中文字幕亚洲| 日日干狠狠操夜夜爽| 亚洲色图av天堂| 免费看十八禁软件| 妹子高潮喷水视频| 欧美色视频一区免费| 黑人巨大精品欧美一区二区蜜桃| 欧美黄色淫秽网站| 一a级毛片在线观看| 亚洲精品国产色婷婷电影| 长腿黑丝高跟| 在线观看舔阴道视频| 日韩av在线大香蕉| 一边摸一边做爽爽视频免费| 男人操女人黄网站| 国产男靠女视频免费网站| 人妻久久中文字幕网| 国产欧美日韩一区二区三| 怎么达到女性高潮| 露出奶头的视频| 免费在线观看视频国产中文字幕亚洲| 日本 欧美在线|