基于两阶段长短期记忆网络的军事职业教育在线学习危机预测方法OA
为解决军事职业教育在线成绩预测中的高漏检率和高误报率问题,提出一种基于在线学习成绩分析的两阶段长短期记忆网络(two-stage long short-term memory,TS-LSTM)成绩预测模型。加权损失(weighted loss,WL)函数,向少数类别分配更高的权重,实现高检测率和低误报率;将LSTM修改为短期门控-长短期记忆网络(short-term gated LSTM,STG-LSTM)模拟在线学习成绩的短期变化,有效抑制与预测风险类别标签相关的大量误报。实验结果表明,该模型可突出学生重考课程变化,准确率高,与其他模型相比,F1分数提高了28.8%。
杜英;赵涵;管青青
陆军装甲兵学院蚌埠校区教学考评中心,安徽蚌埠233000陆军装甲兵学院蚌埠校区职业教育中心,安徽蚌埠233000陆军装甲兵学院蚌埠校区职业教育中心,安徽蚌埠233000
信息技术与安全科学
在线学习成绩预测在线学习危机长短期记忆网络加权损失函数军事职业教育
《兵工自动化》 2026 (7)
P.48-51,101,5
军队科研重点资助项目2024年度全国教育科学国防军事教育学科规划军队重点课题(JYKY-B2024005)2023年度军事教育科研课题(2023CG32)。
评论