近年来，大规模在线开放课程(Massive Open online Courses, MOOCs)已成为全球学生在线学习的主要方式，但长期以来，mooc的发展一直受到辍学率高的影响。因此，辍学预测是早期教学干预和用户留存的重要任务。学生的学习记录存储在mooc中，mooc包含高维时间序列特征。然而，这些特征很难处理，特征之间的非线性关系也很难学习。这些限制已经成为提高辍学预测性能的障碍。本文提出了一种基于神经网络模型的神经降维辍学预测模型。该模型由卷积神经网络自编码器(CNNAE)和长短期记忆神经网络(LSTM)组成，称为CNNAE-LSTM。具体来说，CNNAE- lstm通过CNNAE将学生的学习特征压缩到一个低维的潜在空间中进行重建，然后对潜在空间进行投影，保留学习记录中的代表性特征，最后将重建误差最小化，得到特征与dropout之间的非线性关系。所引入的LSTM神经网络可以获得其潜在向量的时间演化。我们在KDD CUP 2015数据集和现实数据集XuetangX上的实验表明，与最先进的基线方法相比，所提出的模型具有更好的预测性能。
摘要
访问选项
数据可用性
笔记
参考文献
致谢
作者信息
道德声明
访问选项
搜索
导航
#####
