利用PSO-MLP进行远程环境中学生学习的智能评估:一种多式联络方法
1College of Education Science, Xin Jiang Normal University, Urumqi, Xinjiang, China.
PeerJ. Computer science
|September 24, 2025
概括
本研究介绍了一种使用多式联网数据的AI方法,用于评估在线教育中的学生学习状态. 拟议的粒子优化多层感知器 (PSO-MLP) 模型实现了高精度,提高了远程学习的有效性.
科学领域:
- 教育中的人工智能
- 教育技术的教育技术
- 机器学习用于学习分析.
背景情况:
- 深度学习模型在处理复杂的远程教育数据方面面临挑战.
- 优化在线学习分析的模型性能需要创新的方法.
- 多模式数据集成对于准确的学生状态评估至关重要.
研究的目的:
- 为学生的学习状态提出智能评估方法,在在线学习中使用多式联络数据.
- 通过人工智能驱动的学生评估来提高远程教育的准确性和效率.
- 为个性化教学和学生健康管理提供技术解决方案.
主要方法:
- 使用课前心理状况调查和健康大数据作为输入.
- 使用多层感知器 (MLP) 进行智能学生状态识别和热情分类.
- 应用粒子集群优化 (PSO) 来优化MLP模型以提高识别率.
主要成果:
- 拟议的PSO-MLP模型整合了多式联运数据,实现了0.891.1的高精度.
- 与传统的评估方法相比,该模型显示出更高的性能.
- 实现了对学生学习状态和热情的准确评估.
结论:
- PSO-MLP模型为远程教育挑战提供了有效的基于人工智能的解决方案.
- 这种方法为在线环境中的个性化学习和学生福祉提供了基础.
- 该研究强调了多式联运数据和人工智能优化的潜力,以改善教育成果.
