基于MLP和RBF神经网络模型预测在线开放课程学习者满意度

摘要：

网络课程在近10年的发展中,在线学习者的满意度一直是一个重要的理论热点.依托某大规模在线教学与学习平台的虚拟学习环境,基于某校在网络学习空间开设的9门在线开放课程,结合LMS系统中的在线学习行为分析数据,研究开发、训练了具有不同激活函数的多层感知器(MLP)、径向基函数(RBF)以及分类树模型,以预测学生对于在线开放课程的满意度.Ⅰ型和Ⅱ型误差以及输入变量重要性用于模型比较和分类准确性判断.经过实验,模型的总体分类准确率高于50%.尽管t检验表明模型之间的差异在统计上并不显著,但是MLP模型为低课程满意度的学习者提供了最高的平均分类精度和最低的错误分类偏好.在所有模型中,在线论坛中学习者互动参与度被认为是预测学习者在线课程满意度高的重要指标.

关键词：大规模在线开放课程(MOOC)、网络学习空间、虚拟学习环境、在线开放课程、满意度评价、神经网络、多层感知器、径向基函数、分类树

所属期刊栏目：46

分类号：TN911.1-34

资助基金：高等教育科学研究项目2022CG75

在线出版日期：2023-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：84-88