融合Transformer和LSTM的在线学习行为序列预测与个性化干预机制
摘要:在线学习环境中,学生学习行为 的时序依赖。本文提出一种结合 Transfor 、LSTM 的混合神经网络模型,用来预测学生的未来学习行为,该模型用Transformer 的多头自注意力机制捕捉序列中的长距离依赖以及整体特征,同时用 LSTM 的门控结构处理短期变化同时实现对学习进度、互动次数等行为的准确建模,输入数据经过预处理以及滑动窗口提取特征后,由Transformer 编码器提取高维表示,再通过LSTM 层进行时间建模,最后输出预测结果,此外,本文设计基于预测结果的个性化干预方式,用动态调整学习资源、激励方法,为不同学生提供有针对性的支持,实验使用来自在线教育平台的大约 5000 名学生数据,验证模型在行为预测任务中的有效作用。
郑雯茜