發(fā)布時間：2024-06-05 23:39

　　隨著學習云空間應用的不斷深入,海量過程性數據與富媒體資源使其呈現為典型大數據特征環(huán)境。文章對學習云空間的大數據特征、分析方法及其帶來的機遇進行了深入的分析,并依據學習云空間傳統(tǒng)數據及其過程性數據提出一種學情預測模型及其實現方法。在模型構建過程中,通過計算各學情因素的Gini增益,實現學習效果影響程度的判別,并提出改進的并行隨機森林算法,以世界大學城系統(tǒng)平臺為支撐進行學習預測與效果檢驗。結果表明,該方法較為有效地實現了大數據環(huán)境下學習云空間的學情預測,并為學習云空間中基于大數據技術的智能服務提供了一種可行的參考方案。

【文章頁數】：8 頁

【文章目錄】：
一、引言
二、學習云空間中的教育大數據概況
    (一) 學習云空間形態(tài)及其大數據特征
        1. 傳統(tǒng)B/S架構或專用軟件形態(tài)
        2. 基于App或移動網頁形態(tài)
    (二) 面向學習云空間的大數據分析方法
    (三) 教育大數據分析對學習云空間帶來的機遇
三、網絡學習空間中的學情因素量化與影響程度判別
    (一) 相關假設與空間學情因素選擇
    (二) 學習云空間學情因素量化
    (三) 基于Gini指數的學習云空間學習效果影響因素識別
四、基于大數據技術的學習云空間學情預測模型及其實現方法
    (一) 基于大數據技術的學習云空間學情預測模型構建
    (二) 基于并行隨機森林的學情預測實現方法
        1. 學情預測模型樣本選擇
        2. 并行隨機森林構建算法
        3. 學情預測結果投票機制
五、實驗與分析
    (一) 實驗準備
    (二) 預測模型檢驗結果及其分析
        1. 實驗一:基于Gini增益的各學情因素對學習效果的影響程度計算
        2. 實驗二:不同規(guī)模數據量下的OOB Score情況對比
        3. 實驗三:采用不同節(jié)點或GPU設備的計算加速比對比
    (三) 應用效果及其分析
六、結語



本文編號：3989976