基于学生在线行为的混合课程学习成绩预测研究

　　在受疫情严重干扰的几年中，在线学习成为各大中学校一种重要的学习方式，有效地降低了疫情的负面影响，也必将长期影响今后学校的教学方式。本书基于三所高校混合课程中学生的在线学习行为数据，对于当前研究领域中亟待讨论的问题，如收集哪些在线学习数据、如何处理和转换学生在线学习数据等问题如何界定统一的指导原则；混合课程学习成绩预测模型如何构建及其准确性如何保障；已构建的混合课程学生成绩预测模型的通用性限制条件等，进行了全面探讨，并进一步提出混合课程学习成绩预测模型的跨课程迁移应用条件。

　　罗杨洋，博士，兰州大学高等教育研究院讲师，主要研究方向：混合教学中的学习分析，教育大数据。在《中国电化教育》、《清华大学教育研究》、《电化教育研究》等核心期刊发表过论文。获得过两项国家发明专利。作为主要成员参与国家社会科学基金“十三五”规划2020年度教育学一般课题“基于系统论的职业院校在线教育体系、模式、评价研究”（主持人：周潜）。参与国家社科基金2020年度教育学重点委托课题“国家“十四五”时期教育信息技术学科发展研究”（主持人：韩锡斌）。

第1章引言
1.1混合课程学生成绩预测的背景及问题
1.2本研究的意义
1.2.1理论意义
1.2.2实践意义
1.3本研究所涉及的核心概念
1.3.1混合课程
1.3.2学生在线学习行为
1.3.3学习成绩预测
1.3.4机器学习算法
1.4本研究结构
第2章文献综述
2.1混合课程中学习成绩预测研究的进展
2.1.1混合课程中学习成绩预测研究回溯
2.1.2完全在线课程中基于学生在线行为预测学习成绩研究的进展
2.1.3混合课程中基于学生在线行为预测学习成绩研究的进展
2.2混合课程中基于学生在线行为的学习成绩预测建模方法
2.2.1基于学生在线学习行为的学习成绩预测建模的数据收集与预处理
2.2.2基于学生在线学习行为的学习成绩预测建模的机器学习算法选择
2.2.3混合课程分类对学习成绩预测结果的影响
2.2.4学习成绩预测结果的验证和评价
2.2.5学习成绩预测结果的解释
2.3本章小结
第3章研究设计
3.1研究问题
3.2研究框架
3.3基于设计的研究方法
3.4研究路线
3.5本章小结
第4章面向学习成绩预测的混合课程分类方法
4.1研究案例及数据收集
4.1.1山东L高等院校混合课程描述
4.1.2数据收集及预处理方法
4.2混合学习行为的聚类分析及意义
4.2.1聚类方法选择
4.2.2聚类过程描述
4.2.3聚类结果分析
4.2.4聚类结果的讨论
4.3面向学习成绩预测的混合课程分类
4.3.1面向学习成绩预测的混合课程分类方法
4.3.2面向学习成绩预测的混合课程分类结果
4.3.3面向学习成绩预测的混合课程分类结果的讨论
4.4本章小结
第5章混合课程学习成绩预测模型的构建
5.1数据准备及预处理
5.2基于学生在线学习行为的学习成绩变量选择及处理
5.2.1预测变量的选择
5.2.2结果变量的处理
5.3预测方法选择及预测过程
5.3.1基于在线学习行为的混合课程成绩预测算法选择
5.3.2混合课程中基于在线行为的学习成绩预测模型构建
5.4预测结果分析及讨论
5.4.1混合课程中基于在线行为的学习成绩预测结果及评价
5.4.2不同混合课程类别的学习产出预测结果讨论
5.4.3学生在线学习行为与成绩的相关性对训练预测模型影响的讨论
5.5本章小结
第6章混合课程分类方法验证和学习成绩预测模型优化
6.1混合课程中学生行为数据量对学习成绩预测的影响
6.1.1数据合并及预处理
6.1.2数据合并后的混合课程分类
6.1.3数据合并后的学习成绩预测
6.2增量学习方法构建混合课程学习成绩预测模型的效果
6.2.1数据准备及预处理
6.2.22019—2020年第二学期的混合课程分类
6.2.3使用增量学习方法基于学生在线行为预测混合课程的学习成绩
6.3不同情境下的预测结果讨论
6.3.1通过增量学习迁移应用学习成绩预测模型的讨论
6.3.2数据合并后预测变量特征的讨论
6.3.3数据合并后批量学习所得预测结果的讨论
6.4本章小结
第7章学习成绩预测模型的跨课程迁移应用
7.1公共基础课教学场景的预测模型迁移应用
7.1.1研究案例的数据收集与预处理
7.1.2预测模型的三种迁移应用方式
7.1.3预测结果
7.2专业基础课教学场景的预测模型迁移应用
7.2.1研究案例的数据收集和预处理
7.2.2预测模型的3种迁移应用方式
7.2.3预测结果
7.3预测模型迁移应用结果的讨论
7.3.1模型迁移应用条件的讨论
7.3.2在线学习行为数据分布与预测结果准确率的讨论
7.3.3预测结果稳定性讨论
7.4本章小结
第8章研究结论
8.1研究结论
8.2创新点和局限性
参考文献
后记