一、分类处理学生提出的问题（论文文献综述）
王滢莹[1]（2022）在《“保护生物圈，从垃圾分类做起”项目式教学设计》文中认为以"保护生物圈,从垃圾分类做起"为例,渗透项目学习教学策略,通过社区走访调查垃圾分类现状、自制垃圾分类模拟教具、探究实验和一系列活动帮助学生理解垃圾分类方法和垃圾分类处理的必要性,同时增强垃圾分类意识和保护环境的社会责任。
林雯[2]（2021）在《基于多维情境的“行动起来，保护生物圈”教学设计》文中指出在"行动起来,保护生物圈"一节教学中,以垃圾分类处理真实情景为支架,以核心素养为情境主旨,从生活经验、生活问题、探究设计、探究问题、探究讨论、生活责任角度出发,创设多维情境,促进"人与自然和谐共生"生态文明理念的生成和发展。
宗德媛,朱炯,李兵[3]（2021）在《理论仿真实验相融合的电工学教学方式研究》文中指出电工学是学生理解、掌握及应用电学知识,培养学生动手能力和综合实践能力的专业基础课。在电工学教学中,将EWB虚拟仿真技术、传统实验技术及理论教学相结合,通过仿真计算、实验演示,让学生理解掌握电路的组成、工作原理和性能特点。EWB仿真软件开展案例教学,可以帮助学生更好地理解和掌握电子技术理论,同时为提高学生实际操作能力打好基础。
宋邵乐[4]（2021）在《基于知识迁移的图像场景与目标信息提取方法》文中研究说明令计算机像人类一样提取图像中的信息是计算机视觉和图像处理等研究领域的主要任务之一,可以为图像内容描述和理解等高层视觉任务提供先验,具有十分重要的研究价值。图像场景与目标信息是理解图像内容所需的两类重要信息。针对图像中这两类信息的提取问题,本文对与之密切相关的图像场景分类和显着目标检测任务展开了研究。图像场景分类和显着目标检测分别侧重提取图像全局场景信息和局部感兴趣目标信息。在海量数据背景下,研究利用无标注数据提取图像信息的方法,从而摆脱模型训练对大量数据标注信息的依赖是十分必要的。本文采用知识迁移方法,对图像场景分类、多光谱图像显着目标检测、图像内显着目标检测这三个与图像场景与目标信息提取相关的具体任务中涉及的不同情景下的知识迁移问题进行了研究。本文的主要工作和创新点如下:（1）针对图像场景分类中存在不同程度领域差异的问题,首先对清晰图像情景提出一种基于子空间对齐层的深度神经网络结构,在保持数据样本原有分布特性的同时,指导卷积神经网络学习领域之间对齐的特征分布;然后对干扰影响带来的领域差异提出一种引入注意力一致约束的网络结构,利用清晰图像指导受干扰影响情景下的图像场景分类。利用领域自适应知识迁移方法,对源域和目标域数据在模态对应情景下的图像场景信息提取进行研究。（2）针对多光谱显着目标检测任务,提出基于生成对抗学习的深度神经网络模型,将源域的标签和数据模态特性等知识通过生成对抗学习方式迁移到目标域任务模型,使生成器学习到令判别器无法正确判断领域类别的特征表达。将公开单一RGB图像模态的显着目标检测数据集作为源域,辅助本文提出的自采集数据集上多光谱显着目标检测任务性能的提升。利用领域自适应知识迁移方法,研究源域和目标域数据在模态不对应情景下的图像目标信息提取。（3）针对图像内协同显着目标检测任务存在的相关研究较少、数据获取较难问题,提出基于“教师-学生”模型思想的方法,通过其它相关任务作为“教师”模型输出伪标签知识指导“学生”模型对图像内部协同显着信息进一步细化、学习。本文提出的“学生”模型通过图像“难易”程度分类、构建“由易到难”的学习策略、多示例学习等方式,有效缓解了“教师”模型伪标签中噪声的负面影响。利用“教师-学生”模型方法,对源域任务和目标域任务不对应情景下的图像目标信息提取进行研究。综上所述,本文对基于知识迁移的图像场景和目标信息提取进行了研究,围绕对应的图像场景分类和显着目标检测任务,针对知识迁移中源域和目标域的数据模态和领域任务特点,分别提出了合理的解决方案。
王乃钰[5]（2021）在《面向教育领域的对话系统研究》文中指出21世纪进入20年代,互联网的飞速发展并逐渐深入人们生活的各个领域,造就了一个数据膨胀的时代。在数据膨胀时代,对于信息的获取变得十分简单快捷,但是也造成人们面对庞大繁杂的数据时难以寻找到有用信息。问答、对话系统是信息检索的更高阶形态,用户以自然语言问句的形式输入系统,并在对用户输入处理后,直接返回精确答案。相较于传统信息检索方法,对话系统更能切合用户的使用习惯,满足用户高效、精确获取信息的需要。随着人工智能特别是对以连结主义为核心的神经网络的深入研究和广泛应用,自然语言处理在人类工作和生活中的重要程度不言而喻。在自然语言处理领域,对话系统、问答系统一直是研究热度非常高的一个方向,深度学习和计算机算力的飞速发展,推动了诸多优秀的应用涌现,例如Apple的Siri、微软的小冰、小米的小爱同学以及百度的小度等等。但目前来看,关于对话系统的研究还不够成熟,模型对于自然语言理解的层次还不深入,还不能满足人们对于对话系统智能度的要求。对话系统中的关键技术主要集中在意图分类和实体识别两个方面:意图分类目的在于对用户输入进行识别和分类,预测用户输入的语义上的类别。实体识别的目的在于识别用户输入文本中的命名实体以及某一领域中特有的实体。本文所提出的模型对意图分类和槽位识别两个任务联合学习,保留两任务内在的语义约束关系,提升对话系统自然语言理解模块的准确率。本文首先介绍自然语言处理领域的常用神经网络模型,然后介绍语言模型理论,它是自然语言处理领域的基础课题。从发展过程来看,语言模型经历了概率语言模型、神经语言模型以及预训练语言模型三个阶段。本文所提出的联合学习方法正是基于目前性能最好、研究最为深入的预训练语言模型,预训练模型对自然语言建模层次更为深入,表示能力更强,为对话系统提供了坚实基础。而后,本文提出一种基于预训练语言模型的联合学习方法,模型联合学习意图分类和槽位识别两个子任务,采用基于CNN、RCNN和VDCNN的混合网络对意图进行识别,使用双向LSTM结合条件随机场对槽位进行识别。为增强在教育领域的意图识别和槽位识别性能,结合教育领域各类意图和实体的特点,构建领域词典,本文提出融入意图知识和领域实体信息的预训练目标任务,对编码表示层使用的预训练语言模型进行继续预训练。还引入迁移学习的思想,采用三阶段预训练方法,进行通用预训练、领域预训练和任务预训练。为了改善基于预训练模型在部署和应用时,计算空间需求大、推理时间长的问题,对提出的基于预训练的混合网络模型进行了知识蒸馏,有效降低了模型的参数规模和计算延迟。在本文构建的数据集上对模型进行了训练,大规模模型在测试集上意图识别的准确率为95.04%,语义槽填充的F1值为91.97%,知识蒸馏后的3层BERT-WWM模型两项指标分别达到了90.11%和86.14%。进行了了多组对比实验,分析并验证了本文方法的有效性。此外,为尽可能降低模型知识蒸馏带来的性能损耗,本文采用多种数据增强策略,对构建的数据集进行了数据增强,并在对比实验当中证明了数据增强的有效性。实验结果表明,基于Transformer的预训练语言模型能够学习自然语言中深层次的语法和语义信息,根据上下文语境动态调整输入的语义向量表示,相较于N-gram、Word2Vec等语言模型表示能力更强,但也对算力提出了更高要求。本文提出的联合学习方法具有较好的鲁棒性,进一步提高了对话系统的识别准确率。融入领域词典信息的预训练目标任务和多阶段预训练方法均能一定程度的提升模型效果。经过知识蒸馏后的3层BERT-WWM虽然发生了一些性能损失,但是已经具有了可以与原始BERT-base模型相媲美的性能表现,可以进一步降低对话系统的迟滞感,提升了模型的可部署性。
蒋苏杰[6]（2021）在《我国小学“统计与概率”教材内容的分析与比较 ——基于统计活动过程的视角》文中进行了进一步梳理
邓良秀[7]（2021）在《SOLO分类理论在高中区域地理人地协调观培养中的应用研究 ——以青岛市即墨区为例》文中研究说明
汤奎[8]（2021）在《初中生几何最值学习障碍调查及教学策略研究》文中认为几何课程在中学教育中占有重要的地位。几何最值问题,因灵活性高、综合性强,一直是初中几何教学的难点,也是学生学习的难点。因此,研究初中生几何最值学习障碍的类型及其产生的原因,不仅有利于一线教师更好地理解几何最值、提高教学效率,而且能促进初中生几何思维能力的发展。首先,通过文献分析法对几何最值学习障碍的核心概念、类型等进行综述,在此基础上明确研究问题、理清研究思路、搭建研究框架、选择研究方法,构建包含情感障碍和认知障碍的初中生几何最值学习障碍框架,并初步制定了情感态度问卷量表及几何最值内容测试卷,通过预测试对其进行修订后确立正式问卷和测试卷。其次,利用问卷及测试卷对成都市某中学391名初中生的几何最值学习障碍进行调查。通过对问卷结果的定量和定性分析发现,初中生几何最值情感方面主要存在三种类型的障碍:动机障碍、信念障碍、策略障碍,障碍率分别为46.44%、57.60%、47.74%。动机障碍包括内部动机、外部动机,具体表现在缺少学习兴趣,内部动机不足,外部动机过强;信念障碍包括知识信念、自我信念、过程信念,具体表现在自信心不足,学习被动;策略障碍包括元认知障碍、认知障碍,具体表现在缺少具体的学习策略,缺乏认知监控等。研究发现各情感障碍间的相关系数都在中等程度（0.327～0.638）,即情感障碍间存在显着相关性。通过对测试结果的定量和定性分析发现,初中生在认知方面主要存在四种类型的障碍:记忆障碍、操作障碍、理解障碍和思维障碍,障碍率分别为80.32%、64.68%、90.36%、96.00%。记忆障碍包括表征障碍、编码障碍、存储障碍,具体表现为学生在记忆几何最值概念、性质、定理、基本模型时出现错误或遗漏;操作障碍包括作图障碍、表达障碍,具体表现为构造基本图形困难,辅助线的添加存在障碍,数学语言的转换能力弱等;理解障碍包括题意理解障碍、概念理解障碍、图形识别障碍、方法理解障碍,具体表现为不能理解问题题意,难以理解几何概念的本质属性,不能识别复杂图形中的几何最值基本模型,在理解和选择解决问题的最佳方法上存在障碍等;思维障碍包括分析障碍、推理障碍、思维定势障碍,具体表现为逻辑思维不清晰,归纳推理和演绎推理能力弱,思维定势阻碍问题的解决等。本研究还从年级、性别、认知障碍间关系等方面进行比较研究,发现不同性别、年级的初中生认知障碍类型无显着性差异,各认知障碍间存在显着相关性。最后,通过理论分析和测试,明确了初中生几何最值学习障碍的类型及其成因,建立了几何最值学习障碍框架。根据学习障碍成因分析,提出具体的教学策略,并给出指导教学设计的具体建议:利用多种表征方式引导学生加强概念记忆;总结基本模型增强学生图形识别能力;重视教学过程,规范操作程序;借助几何直观理解问题本质;加强学生使用具体解决几何最值问题策略的训练。
黎龙珍[9]（2021）在《基于在线学习行为分析的成绩预测模型研究》文中认为随着大数据和教育信息化的发展,在线学习平台使用规模日趋扩大,学习者与在线平台的交互过程中产生大量的行为数据,通过对这些行为数据进行挖掘分析,能够更加了解学生的在线学习情况、发现学生学习规律等,这将有助于对学生在学习过程中进行实时干预、针对性指导,从而达到个性化培养的目标。因此,本文利用学生在线学习平台产生的学习行为数据进行学生成绩预测研究,达到对学生学习成绩提前干预的目的,具有一定的现实意义和学术价值。本文的研究工作主要是以下三个方面:首先,本研究通过在线学习平台收集学生的在线学习行为数据,借助可视化分析手段,进一步探究在线学习行为特征与学习成绩的影响机理,分析得到不同成绩区间内的不同学习行为的特点。同时,本文基于随机森林的重要特征选择算法,用于选择更为影响学生成绩的在线学习行为特征,并将其与该研究领域的在线行为特征进行差异性分析,为后续构建成绩预测模型奠定了基础。其次,基于LightGBM算法在分类问题上具有高准确率、泛化能力强等特点,在噪声处理、分布式处理等方面具有的优势。本文对已选择的学习行为特征数据采用LightGBM算法构建成绩预测模型,接着采用网格搜索算法对模型参数进行模型优化,以提升模型整体性能。最后,本文提出基于SMOTE过采样和LightGBM的成绩预测模型。针对基于light GBM的成绩预测模型对少数类样本的识别不高,导致模型整体预测效果低的问题,采用SMOTE过采样方法对成绩预测模型进行了优化,使数据不平衡问题得到有效解决,进而提高成绩预测精度。本研究得出如下结论:1、章节学习次数对学生学习成绩影响程度最大,其次为视频观看时长、章节平均分、任务点完成率等。因此,学生在在线学习过程中,老师需要重点关注学生的这些学习行为,从而更有效地对学生进行学习指导。2、LightGBM算法在成绩预测模型评估中有较好的应用效果,说明采用该算法的成绩预测模型能够有效对高维学习行为特征进行识别。3、基于SMOTE过采样和LightGBM的成绩预测方法在一定程度上能够提升模型的精确度、召回率和F1-score值。
张希[10]（2021）在《高校垃圾分类治理的服务育人效能研究》文中研究指明
二、分类处理学生提出的问题（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、分类处理学生提出的问题（论文提纲范文）
（1）“保护生物圈，从垃圾分类做起”项目式教学设计（论文提纲范文）
| 1 教材及学情分析 |
| 2 教学目标 |
| 3 教学过程 |
| 3.1 课前准备 |
| 3.2 视频导入，激发兴趣 |
| 3.3 热身小问卷评价自我环保意识 |
| 3.4 项目1：走访调查垃圾分类的现状 |
| 3.5 分组游戏学习垃圾分类的方法 |
| 3.6 项目2：科学探究垃圾分类处理的必要性 |
| 3.7 资料分析垃圾处理有方法 |
| 3.8 源头控制，从自身做起 |
| 4 教学反思 |
（2）基于多维情境的“行动起来，保护生物圈”教学设计（论文提纲范文）
| 1 教材分析及设计思路 |
| 2 教学目标 |
| 3 教学过程 |
| 3.1 课前准备 |
| 3.2 生活情境，有趣有情 |
| 3.3 问题情境，有矛有盾 |
| 3.4 探究情境，有总有分 |
| 3.4.1 学生提出假设(1)：混合垃圾填埋，会污染土壤 |
| 3.4.2 学生提出假设(2)：混合垃圾填埋，会污染水源 |
| 3.4.3 学生提出假设(3)：混合垃圾焚烧，会污染空气 |
| 3.5 社会责任情境，有声有行 |
| 3.5.1 垃圾分类，我来劝 |
| 3.5.2 垃圾分类，我建议 |
| 3.5.3 垃圾分类，我宣传 |
| 4 教学反思 |
（3）理论仿真实验相融合的电工学教学方式研究（论文提纲范文）
| 1 理论计算 |
| 2 EWB仿真计算 |
| 3 实验验证 |
| 4 理论、实验、仿真对比分析 |
（4）基于知识迁移的图像场景与目标信息提取方法（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状与问题 |
| 1.2.1 图像场景分类 |
| 1.2.2 图像显着目标检测 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 2 知识迁移和图像信息提取相关知识介绍 |
| 2.1 知识迁移方法概述 |
| 2.2 图像信息提取任务研究框架 |
| 2.2.1 基于领域自适应的研究框架 |
| 2.2.2 基于”教师-学生”模型的研究框架 |
| 2.3 数据集简介 |
| 2.3.1 图像场景分类公开数据集 |
| 2.3.2 图像显着目标检测公开数据集 |
| 2.3.3 自采集数据集 |
| 2.4 常用评价指标 |
| 2.5 本章小结 |
| 3 基于领域自适应知识迁移的图像场景分类 |
| 3.1 引言 |
| 3.2 基于子空间对齐层领域自适应的清晰图像场景分类 |
| 3.2.1 子空间对齐方法 |
| 3.2.2 基于子空间对齐层的领域适应网络结构 |
| 3.2.3 实验结果与讨论 |
| 3.3 基于注意力一致约束领域自适应的有干扰图像场景分类 |
| 3.3.1 通道注意力模型 |
| 3.3.2 注意力一致约束的领域自适应网络 |
| 3.3.3 实验结果与讨论 |
| 3.4 本章小结 |
| 4 基于领域自适应知识迁移的多光谱显着目标检测 |
| 4.1 引言 |
| 4.2 基于知识迁移的多光谱显着目标检测问题设置 |
| 4.3 自采集数据集分析 |
| 4.4 基于生成对抗网络的领域自适应方法 |
| 4.4.1 基于Cycle GAN方法的伪近红外图像生成策略 |
| 4.4.2 双分支显着目标检测网络 |
| 4.4.3 无监督对抗领域自适应模型 |
| 4.4.4 监督条件下通过微调方式实现的领域自适应 |
| 4.5 实验结果与讨论 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 5 基于“教师-学生”模型知识迁移的图像内协同显着目标检测 |
| 5.1 引言 |
| 5.2 基于“教师-学生”模型的知识迁移方法 |
| 5.2.1 基于“教师”模型的伪标签生成 |
| 5.2.2“学生”模型对简单图像和复杂图像的分类 |
| 5.2.3“学生”模型对简单图像的容易学习方法 |
| 5.2.4“学生”模型对复杂图像的困难学习方法 |
| 5.3 实验结果与讨论 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）面向教育领域的对话系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 第2章 相关技术和理论基础 |
| 2.1 神经网络模型概述 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络及其变体 |
| 2.1.3 Transformer |
| 2.2 Word2Vec |
| 2.3 预训练语言模型 |
| 2.3.1 BERT |
| 2.3.2 XLNET |
| 2.3.3 ERNIE |
| 2.3.4 RoBERTa |
| 2.3.5 TinyBERT |
| 2.3.6 ALBERT |
| 2.4 模型压缩 |
| 2.4.1 知识蒸馏 |
| 2.4.2 参数量化 |
| 2.4.3 模型剪枝 |
| 2.5 数据增强 |
| 2.6 本章小结 |
| 第3章 基于预训练的自然语言理解方法 |
| 3.1 问题描述 |
| 3.2 基于预训练的联合学习模型 |
| 3.2.1 词嵌入层(Word Embedding Layer) |
| 3.2.2 编码表示层(Encoding Representation Layer) |
| 3.2.3 联合学习层(Joint Learning Layer) |
| 3.3 本章小结 |
| 第4章 基于知识蒸馏的预训练自然语言理解方法 |
| 4.1 融合领域词典的预训练方法 |
| 4.1.1 教育领域词典的自动构建 |
| 4.1.2 融入领域词典知识的预训练任务 |
| 4.2 基于迁移学习的多阶段预训练 |
| 4.3 基于知识蒸馏的联合学习模型 |
| 4.3.1 问题描述 |
| 4.3.2 三层BERT-WWM蒸馏策略 |
| 4.3.3 BiLSTM-蒸馏策略 |
| 4.4 本章小结 |
| 第5章 实验对比与分析 |
| 5.1 实验数据集 |
| 5.2 数据增强策略 |
| 5.3 评价指标 |
| 5.4 实验环境 |
| 5.5 模型超参数设置 |
| 5.6 实验对比与结果分析 |
| 5.6.1 联合学习模型对模型的影响 |
| 5.6.2 融入领域词典知识对模型的影响 |
| 5.6.3 多阶段预训练对模型的影响 |
| 5.6.4 知识蒸馏对模型的影响 |
| 5.6.5 不同的数据增强策略对模型的影响 |
| 5.7 在公开数据集上的表现 |
| 5.8 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（8）初中生几何最值学习障碍调查及教学策略研究（论文提纲范文）
| 摘要 |
| Abstract: |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究目的 |
| 1.4 研究方法和思路 |
| 1.5 研究创新之处 |
| 1.6 本章小结 |
| 2 文献综述 |
| 2.1 学习障碍 |
| 2.2 数学学习障碍 |
| 2.3 几何最值学习障碍 |
| 2.4 数学教学策略 |
| 2.5 本章小结 |
| 3 几何最值学习障碍问卷及测试卷编制 |
| 3.1 几何最值学习障碍问卷编制 |
| 3.2 几何最值学习障碍测试卷编制 |
| 3.3 本章小结 |
| 4 几何最值学习障碍调查实施与结果分析 |
| 4.1 问卷及测试卷调查的实施 |
| 4.2 调查与访谈结果统计及分析 |
| 4.3 本章小结 |
| 5 几何最值学习障碍类型及成因分析 |
| 5.1 几何最值学习障碍类型分析 |
| 5.2 几何最值学习障碍成因分析 |
| 5.3 本章小结 |
| 6 几何最值教学策略及教学设计 |
| 6.1 应对情感障碍的教学策略 |
| 6.2 应对认知障碍的教学策略 |
| 6.3 教学建议及教学设计 |
| 6.4 本章小结 |
| 7 研究不足与展望 |
| 7.1 研究不足 |
| 7.2 研究展望 |
| 参考文献 |
| 附录1 几何最值问卷调查表(预测试) |
| 附录2 几何最值内容测试卷(预测试) |
| 附录3 几何最值问卷调查表(正式测试) |
| 附录4 几何最值内容测试卷(正式测试) |
| 附录5 学生访谈提纲 |
| 附录6 教师访谈提纲 |
| 致谢 |
| 在校期间研究成果 |
（9）基于在线学习行为分析的成绩预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在线学习行为研究现状 |
| 1.2.2 学生成绩预测研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 2 相关理论与技术 |
| 2.1 在线学习行为 |
| 2.2 数据挖掘算法 |
| 2.2.1 随机森林 |
| 2.2.2 LightGBM |
| 2.3 分类性能评价指标 |
| 2.4 本章小结 |
| 3 学生在线学习行为分析与特征选择 |
| 3.1 数据集介绍 |
| 3.2 学生学习行为特征分析 |
| 3.2.1 学生基础数据分析 |
| 3.2.2 学生在线学习行为数据分析 |
| 3.3 特征选择 |
| 3.3.1 基于随机森林的重要特征选择算法 |
| 3.3.2 特征重要性分析和选择结果 |
| 3.4 本章小结 |
| 4 基于LightGBM的成绩预测研究 |
| 4.1 LightGBM原理 |
| 4.2 LightGBM成绩预测模型 |
| 4.2.1 数据预处理 |
| 4.2.2 模型构建 |
| 4.2.3 模型优化 |
| 4.3 模型结果与分析 |
| 4.4 本章小结 |
| 5 基于不平衡技术的成绩预测优化 |
| 5.1 不平衡技术 |
| 5.2 基于数据层处理方法的成绩预测模型 |
| 5.2.1 Tomek Link欠采样数据改进 |
| 5.2.2 SMOTE过采样数据改进 |
| 5.2.3 SMOTETomek综合采样数据改进 |
| 5.3 结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 本文开展的研究工作总结 |
| 6.2 存在的问题和下一步研究工作 |
| 参考文献 |
| 附录 A |
| 致谢 |
四、分类处理学生提出的问题（论文参考文献）
- [1]“保护生物圈，从垃圾分类做起”项目式教学设计[J]. 王滢莹. 生物学教学, 2022(01)
- [2]基于多维情境的“行动起来，保护生物圈”教学设计[J]. 林雯. 中学生物学, 2021(12)
- [3]理论仿真实验相融合的电工学教学方式研究[J]. 宗德媛,朱炯,李兵. 电子世界, 2021(22)
- [4]基于知识迁移的图像场景与目标信息提取方法[D]. 宋邵乐. 北京交通大学, 2021
- [5]面向教育领域的对话系统研究[D]. 王乃钰. 吉林大学, 2021(01)
- [6]我国小学“统计与概率”教材内容的分析与比较 ——基于统计活动过程的视角[D]. 蒋苏杰. 南京师范大学, 2021
- [7]SOLO分类理论在高中区域地理人地协调观培养中的应用研究 ——以青岛市即墨区为例[D]. 邓良秀. 鲁东大学, 2021
- [8]初中生几何最值学习障碍调查及教学策略研究[D]. 汤奎. 四川师范大学, 2021(12)
- [9]基于在线学习行为分析的成绩预测模型研究[D]. 黎龙珍. 贵州财经大学, 2021(12)
- [10]高校垃圾分类治理的服务育人效能研究[D]. 张希. 华北理工大学, 2021