張琪　王紅梅　莊魯　賴松

【關(guān)鍵詞】? 學(xué)習(xí)分析;學(xué)習(xí)預(yù)測(cè);數(shù)據(jù)挖掘;人格特質(zhì);個(gè)性化建模;智能學(xué)習(xí)系統(tǒng);預(yù)測(cè)效能;數(shù)據(jù)驅(qū)動(dòng)教學(xué)

【中圖分類號(hào)】? G434?????? 【文獻(xiàn)標(biāo)識(shí)碼】? A?????? 【文章編號(hào)】 1009-458x（2019）4-0038-08

一、引言

教育智能時(shí)代，教學(xué)范式的變化正順應(yīng)個(gè)性化教育的需求，以學(xué)習(xí)者為中心教學(xué)模式的深度應(yīng)用驅(qū)動(dòng)新技術(shù)的普及與常態(tài)化。技術(shù)在學(xué)習(xí)場(chǎng)景中的無縫切換，對(duì)學(xué)習(xí)時(shí)空的全方位覆蓋，對(duì)學(xué)習(xí)方式的個(gè)性化支持，無不突顯出技術(shù)以常態(tài)化形式“無縫內(nèi)嵌”學(xué)習(xí)過程之核心特征。以學(xué)習(xí)分析為核心的“數(shù)據(jù)驅(qū)動(dòng)教學(xué)”成為破解“千校一面”“千人一面”教育格局的主要力量。在學(xué)習(xí)分析多樣化研究領(lǐng)域中，基于“嵌入式”日志數(shù)據(jù)的學(xué)習(xí)預(yù)測(cè)（預(yù)警）是重要的研究趨向。通過對(duì)日志數(shù)據(jù)的挖掘與建模，可以分析學(xué)習(xí)者個(gè)體與群體的行為信息，幫助教師盡早洞察學(xué)習(xí)者的學(xué)習(xí)進(jìn)度與質(zhì)量，并對(duì)學(xué)習(xí)者真實(shí)水平進(jìn)行評(píng)測(cè)（丁夢(mèng)美， 等， 2017）。

在學(xué)習(xí)結(jié)果預(yù)測(cè)方面，目前大多數(shù)研究將學(xué)習(xí)者視為整體進(jìn)行評(píng)估，缺少個(gè)性化的分類形式與預(yù)測(cè)指標(biāo)，統(tǒng)一的數(shù)據(jù)建模很難針對(duì)不同學(xué)習(xí)者獲得較好的預(yù)測(cè)效能。此外，也鮮有較為全面的數(shù)據(jù)挖掘算法的比較研究。本研究以學(xué)習(xí)分析支撐的數(shù)據(jù)驅(qū)動(dòng)教學(xué)為落腳點(diǎn)，以實(shí)驗(yàn)校一學(xué)期的互聯(lián)網(wǎng)+教學(xué)實(shí)踐為研究對(duì)象，基于人格特質(zhì)分類對(duì)不同特征群體進(jìn)行建模，利用數(shù)據(jù)挖掘技術(shù)進(jìn)行預(yù)測(cè)與評(píng)估，以判斷學(xué)習(xí)者的潛在學(xué)習(xí)危險(xiǎn)。這不僅是預(yù)防輟學(xué)、以評(píng)促學(xué)的需要，更是契合“互聯(lián)網(wǎng)+教育”需求，實(shí)現(xiàn)智能教育與個(gè)性化學(xué)習(xí)支持的必然趨勢(shì)（李爽， 等， 2018）。

二、文獻(xiàn)綜述

教育大數(shù)據(jù)為基于學(xué)習(xí)分析的預(yù)測(cè)研究提供了多方面的可能性。Morris等（2005）發(fā)現(xiàn)學(xué)習(xí)者在Blackboard上觀看內(nèi)容頁的數(shù)量與其最終成績顯著相關(guān)，討論信息總數(shù)、發(fā)送郵件數(shù)量與作業(yè)情況對(duì)未能通過課程的判定準(zhǔn)確率達(dá)到74%;Romero等（2013）通過聚類算法預(yù)測(cè)學(xué)生是否成功通過課程，最佳準(zhǔn)確率為90.3%;Yu等（2014）建立了包含在線時(shí)間、同伴交互數(shù)量、教師交互量、總登錄頻率、下載次數(shù)與學(xué)習(xí)時(shí)間間隔規(guī)律等在內(nèi)的預(yù)測(cè)因子。Rafaeli等（1997）對(duì)混合學(xué)習(xí)環(huán)境中學(xué)習(xí)者平臺(tái)行為數(shù)據(jù)進(jìn)行了分析，研究表明學(xué)習(xí)者的閱讀量與在線提問數(shù)量導(dǎo)致了學(xué)習(xí)成績的差異;Wong（2013）構(gòu)建了混合學(xué)習(xí)環(huán)境下預(yù)測(cè)學(xué)習(xí)績效的在線學(xué)習(xí)行為指標(biāo)，包括登錄次數(shù)、章節(jié)平均學(xué)習(xí)時(shí)間、在線測(cè)試完成次數(shù)及時(shí)間、查看和下載資源數(shù)量以及論壇參與頻率;Zacharis（2015）對(duì)混合學(xué)習(xí)環(huán)境的研究表明，閱讀量、發(fā)布消息數(shù)量、內(nèi)容創(chuàng)作數(shù)量、測(cè)驗(yàn)成績與文件瀏覽數(shù)量對(duì)學(xué)生成績預(yù)測(cè)準(zhǔn)確率為52%，分類預(yù)測(cè)準(zhǔn)確率為81.3%;A Pardo等（2017）結(jié)合學(xué)習(xí)動(dòng)機(jī)策略問卷與在線學(xué)習(xí)活動(dòng)共同預(yù)測(cè)學(xué)習(xí)投入，研究表明可以更全面地理解成功的學(xué)習(xí)狀態(tài)。趙慧瓊等（2017）利用多元回歸分析法分析影響學(xué)生學(xué)習(xí)績效的預(yù)警因素，在此基礎(chǔ)上構(gòu)建了干預(yù)模型;胡祖輝等（2017）比較了基于關(guān)聯(lián)規(guī)則、決策樹與邏輯回歸3種算法對(duì)學(xué)習(xí)結(jié)果的預(yù)測(cè)精度，認(rèn)為關(guān)聯(lián)規(guī)則挖掘算法的總體性能最好。

由此可見，學(xué)術(shù)界圍繞各類LMS平臺(tái)、MOOC課程、混合學(xué)習(xí)環(huán)境中的預(yù)測(cè)因子與教育數(shù)據(jù)挖掘技術(shù)展開了較為深入的研究，結(jié)果顯示預(yù)測(cè)指標(biāo)的多樣性以及預(yù)測(cè)精度的差異性。在過去十年中，有大量理論和研究集中在學(xué)習(xí)者個(gè)性特征如何影響其行為與信息加工。學(xué)術(shù)界普遍接受的觀點(diǎn)認(rèn)為，學(xué)習(xí)者優(yōu)先處理與人格特征相和諧的情感刺激，同類學(xué)習(xí)者在學(xué)習(xí)過程中會(huì)表現(xiàn)出相似行為傾向（Mischel， 1999）。但從研究方法上看，多數(shù)研究還是將學(xué)習(xí)者視作一個(gè)整體進(jìn)行預(yù)測(cè)，并未針對(duì)他們的個(gè)性特征進(jìn)行分類建模，差異性研究的缺失使得預(yù)測(cè)模型精度不足（肖巍， 等， 2018），很難滿足構(gòu)建個(gè)性化干預(yù)系統(tǒng)的需求;從算法上看，學(xué)習(xí)結(jié)果預(yù)測(cè)（數(shù)值預(yù)測(cè)與分類預(yù)警）仍缺少較為全面的數(shù)據(jù)挖掘方法在預(yù)測(cè)精度以及魯棒性方面的比較研究。

三、研究問題

本研究擬構(gòu)建適合不同特征群體的預(yù)測(cè)模型，利用多樣化的數(shù)據(jù)挖掘算法對(duì)預(yù)測(cè)精度進(jìn)行比較。對(duì)于學(xué)習(xí)者個(gè)性特征的劃分，目前的理論探討集中在西方對(duì)學(xué)習(xí)風(fēng)格與認(rèn)知風(fēng)格的相關(guān)研究上，鑒于地域差異以及學(xué)習(xí)者（尤其是中學(xué)生）學(xué)習(xí)風(fēng)格存在差異（張琪， 等， 2018），加之將傳統(tǒng)環(huán)境下的研究結(jié)論直接應(yīng)用于在線學(xué)習(xí)環(huán)境是否妥當(dāng)?shù)葐栴}，制約了基于學(xué)習(xí)風(fēng)格與認(rèn)知風(fēng)格模型設(shè)計(jì)自適應(yīng)教學(xué)系統(tǒng)的合理性（葛子剛， 等， 2018）。眾所周知，在混合（在線）學(xué)習(xí)環(huán)境中學(xué)習(xí)的本質(zhì)是社會(huì)性學(xué)習(xí)，涉及無形資源（多媒體信息與數(shù)字化資源）的信息交換。因此，人格特質(zhì)已廣泛應(yīng)用于在線學(xué)習(xí)環(huán)境的評(píng)估研究。

人格與在線學(xué)習(xí)行為的緊密聯(lián)系源于網(wǎng)絡(luò)信息的特征。在線學(xué)習(xí)涉及大量基于任務(wù)的學(xué)習(xí)、信息選擇策略以及優(yōu)秀觀念的產(chǎn)生（Burt， 2004），在此類人工情境下學(xué)習(xí)者的信息加工符合中介范式和調(diào)節(jié)范式（陳莉， 2005）。其中，中介范式認(rèn)為人格特質(zhì)對(duì)情緒加工的顯著作用是間接的，即人格影響心境狀態(tài)，而心境狀態(tài)又影響情緒加工;調(diào)節(jié)范式認(rèn)為心境狀態(tài)對(duì)情緒加工的作用受人格特質(zhì)影響或受其調(diào)節(jié)。此外，人格特質(zhì)具有較好的穩(wěn)定性。其穩(wěn)定性與獨(dú)特性在很大程度上歸功于其核心成分——特質(zhì)（Trait）。特質(zhì)使個(gè)體對(duì)不同種類的刺激以某種相對(duì)一貫、穩(wěn)定且相同的方式進(jìn)行反應(yīng)，是個(gè)體的“神經(jīng)特性”（Matthews， et al.， 2003）以及“支配個(gè)人行為的能力”（Allport， 1937）。

鑒于人格特質(zhì)在識(shí)別個(gè)體差異、跨文化普適性以及與在線學(xué)習(xí)行為的關(guān)聯(lián)性等方面具備優(yōu)勢(shì)，故本研究利用“大五人格”識(shí)別學(xué)習(xí)者特征?；凇按笪迦烁瘛钡摹伴_放性”和“外傾性”維度的高低水平劃分不同人格類型（張琪， 等， 2018），建立相應(yīng)預(yù)測(cè)模型，解析不同人格類型相應(yīng)的顯著預(yù)測(cè)因子。具體來說，本研究的研究問題包括3個(gè)：

問題1：學(xué)習(xí)平臺(tái)采集的學(xué)習(xí)行為指標(biāo)與不同人格特質(zhì)群體學(xué)習(xí)結(jié)果之間是否呈顯著相關(guān)？

問題2：對(duì)于具有不同人格特質(zhì)的學(xué)習(xí)群體，哪些學(xué)習(xí)行為指標(biāo)對(duì)于預(yù)測(cè)學(xué)習(xí)結(jié)果是重要的，是否存在共性的行為指標(biāo)？

問題3：從統(tǒng)計(jì)學(xué)角度看，什么樣的數(shù)據(jù)挖掘算法在數(shù)值型與分類預(yù)測(cè)中具備最佳精度與魯棒性？

四、研究過程

（一）研究場(chǎng)景

本研究基于高中實(shí)驗(yàn)校“互聯(lián)網(wǎng)+”混合學(xué)習(xí)場(chǎng)景。在智慧學(xué)習(xí)平臺(tái)支撐下，教學(xué)中心、學(xué)習(xí)中心、管理中心、資源中心全局?jǐn)?shù)據(jù)無縫銜接。學(xué)習(xí)者有明確的學(xué)習(xí)目標(biāo)、任務(wù)和時(shí)間安排，基于“四維驅(qū)動(dòng)”教學(xué)模式開展學(xué)習(xí)。“四維驅(qū)動(dòng)”教學(xué)模式是指“以導(dǎo)學(xué)任務(wù)單驅(qū)動(dòng)學(xué)生的自主學(xué)習(xí)，以層級(jí)式問題驅(qū)動(dòng)學(xué)生的合作探究，以學(xué)習(xí)數(shù)據(jù)分析驅(qū)動(dòng)教師的按需教學(xué)，以課堂即時(shí)評(píng)測(cè)和成果分享驅(qū)動(dòng)知識(shí)內(nèi)化”?！八木S驅(qū)動(dòng)”教學(xué)模式強(qiáng)調(diào)4個(gè)方面的特征：一是以層級(jí)式任務(wù)為導(dǎo)向，以銜接課前與課后的活動(dòng)貫穿始終;二是基于移動(dòng)學(xué)習(xí)終端，以教育云平臺(tái)作為支撐環(huán)境;三是平臺(tái)模塊功能與教學(xué)模式深度融合，技術(shù)以常態(tài)化形式“無縫內(nèi)嵌”于學(xué)習(xí)過程之中;四是派生出操作性和指導(dǎo)性極強(qiáng)的全學(xué)科常態(tài)化教學(xué)設(shè)計(jì)流程。

學(xué)生在一學(xué)期的課程學(xué)習(xí)中充分利用PAD終端進(jìn)行學(xué)習(xí)，課程持續(xù)進(jìn)行16周，后2周為期末考試。研究選取全體高一年級(jí)662名學(xué)生為樣本，基于語文與英語兩門課程的學(xué)習(xí)行為數(shù)據(jù)展開分析。將兩門課程期末成績與平時(shí)成績加權(quán)分（期末成績占70%，課堂表現(xiàn)占30%）的平均分作為最終成績，以相對(duì)客觀地量化學(xué)習(xí)結(jié)果。

（二）采集行為指標(biāo)

采集的行為指標(biāo)來自LMS平臺(tái)的頁面系統(tǒng)、交互系統(tǒng)、課件點(diǎn)播系統(tǒng)、測(cè)試系統(tǒng)和筆記系統(tǒng)。其中，頁面系統(tǒng)包括課程頁面瀏覽總次數(shù)與總時(shí)間;交互系統(tǒng)包括文本型提問數(shù)量、文本型回答數(shù)量、媒體型提問數(shù)量、媒體型回答數(shù)量與教師推薦發(fā)言數(shù)量;課件點(diǎn)播系統(tǒng)以交互電子教材（視頻）形式呈現(xiàn)，根據(jù)內(nèi)嵌客觀問題權(quán)重自動(dòng)判分，包括課件點(diǎn)播次數(shù)、課件點(diǎn)播時(shí)長與交互課件得分;測(cè)試系統(tǒng)包括及時(shí)測(cè)評(píng)剩余時(shí)長（班級(jí)學(xué)生最長作答時(shí)間減去各學(xué)生作答時(shí)間）、及時(shí)測(cè)評(píng)分?jǐn)?shù)與課后測(cè)驗(yàn)平均分?jǐn)?shù);筆記系統(tǒng)包括學(xué)習(xí)筆記數(shù)量（序號(hào)之和）與學(xué)習(xí)筆記長度（字符串長度之和）。

（三）人格特質(zhì)識(shí)別

本研究采用NEO-FFI大五人格簡化問卷測(cè)量人格特質(zhì)水平（Costa & McCrae， 1992）。已有研究表明，該問卷具有與完整版相同的信度和效度（Kurtz & Sherker， 2003），其中“開放性”和“外傾性”維度各為12個(gè)題項(xiàng)，采用5級(jí)計(jì)分。“開放性”Cronbach α為0.736，均值為40.32，標(biāo)準(zhǔn)差為5.91;“外傾性”Cronbach α為0.831，均值為41.19，標(biāo)準(zhǔn)差為4.76。將各維度數(shù)值標(biāo)準(zhǔn)化，分別映射到區(qū)域[0，3]與[-3，0]，即每一維度劃分為高低兩類，最終得出4種人格類型P={P1， P2， P3， P4}。P1、P2、P3、P4分別代表“高開放、高外傾”“低開放、高外傾”“低開放、低外傾”“高開放、低外傾”4類人格群體。樣本數(shù)量分布分別為31.11%（P1）、21.45%（P2）、25.23%（P3）和22.21%（P4），人數(shù)分布大致均勻。

五、研究結(jié)果

（一）不同人格特質(zhì)群體行為指標(biāo)與學(xué)習(xí)結(jié)果的相關(guān)性

表1給出了不同數(shù)據(jù)集學(xué)習(xí)行為與學(xué)習(xí)結(jié)果相關(guān)分析的數(shù)據(jù)。基于全集樣本的相關(guān)分析結(jié)果表明，15個(gè)行為指標(biāo)與學(xué)習(xí)結(jié)果均呈顯著正相關(guān)。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)與學(xué)習(xí)結(jié)果呈現(xiàn)高相關(guān)（r=0.668），教師推薦發(fā)言數(shù)量（r=0.329）、學(xué)習(xí)筆記數(shù)量（r=0.341）與學(xué)習(xí)結(jié)果呈現(xiàn)中相關(guān)，其余指標(biāo)均為低相關(guān)。

對(duì)于“高開放、高外傾”學(xué)習(xí)者，11個(gè)行為指標(biāo)與學(xué)習(xí)結(jié)果呈顯著正相關(guān)。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)與學(xué)習(xí)結(jié)果呈現(xiàn)高相關(guān)（r=0.677），教師推薦發(fā)言數(shù)量（r=0.413）、學(xué)習(xí)筆記數(shù)量（r=0.404）、學(xué)習(xí)筆記長度（r=0.369）、及時(shí)測(cè)評(píng)分?jǐn)?shù)（r=0.313）與學(xué)習(xí)結(jié)果呈現(xiàn)中相關(guān)，其余指標(biāo)均為低相關(guān)。

對(duì)于“低開放、高外傾”學(xué)習(xí)者，9個(gè)行為指標(biāo)與學(xué)習(xí)結(jié)果呈顯著正相關(guān)。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)與學(xué)習(xí)結(jié)果呈現(xiàn)高相關(guān)（r=0.694），文本型回答數(shù)量（r=0.396）與學(xué)習(xí)結(jié)果呈現(xiàn)中相關(guān)，其余指標(biāo)均為低相關(guān)。值得一提的是，總計(jì)學(xué)習(xí)時(shí)長（r=-0.167）和課件點(diǎn)播次數(shù)（r=-0.212）與學(xué)習(xí)結(jié)果均為低負(fù)相關(guān)。

對(duì)于“低開放、低外傾”學(xué)習(xí)者，10個(gè)行為指標(biāo)與學(xué)習(xí)結(jié)果呈顯著正相關(guān)。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)與學(xué)習(xí)結(jié)果呈現(xiàn)高相關(guān)（r=0.636），教師推薦發(fā)言數(shù)量（r=0.377）、學(xué)習(xí)筆記數(shù)量（r=0.428）、學(xué)習(xí)筆記長度（r=0.357）與學(xué)習(xí)結(jié)果呈現(xiàn)中相關(guān)，其余指標(biāo)均為低相關(guān)。

對(duì)于“高開放、低外傾”學(xué)習(xí)者，8個(gè)行為指標(biāo)與學(xué)習(xí)結(jié)果呈顯著正相關(guān)。其中，課后測(cè)驗(yàn)平均分?jǐn)?shù)（r=0.672）與學(xué)習(xí)結(jié)果呈現(xiàn)高相關(guān)，總計(jì)學(xué)習(xí)時(shí)長（r=0.313）與學(xué)習(xí)結(jié)果呈現(xiàn)中相關(guān)，其余指標(biāo)均為低相關(guān)。

（二）不同人格特質(zhì)群體的學(xué)習(xí)建模

以15個(gè)行為指標(biāo)為自變量，學(xué)習(xí)結(jié)果為因變量，利用逐步回歸進(jìn)行數(shù)據(jù)建模。將所有具有低顯著水平的預(yù)測(cè)因子從模型中刪除。圖1給出了不同人格特質(zhì)群體學(xué)習(xí)結(jié)果分布的箱線圖。箱線圖的優(yōu)勢(shì)是不受異常值的影響，是相對(duì)穩(wěn)定的數(shù)據(jù)離散分布可視化形式。從圖1可以看出各群體均服從正態(tài)分布，“低開放、高外傾”群體的學(xué)習(xí)結(jié)果平均水平與波動(dòng)程度低于其他群體。

容忍度與方差膨脹系數(shù)的結(jié)果排除了各回歸方程的多元共線性問題。表2給出了5類學(xué)習(xí)群體對(duì)應(yīng)的回歸方程預(yù)測(cè)變量。其中，全集數(shù)據(jù)樣本中總計(jì)學(xué)習(xí)時(shí)長、文本型提問數(shù)量、教師推薦發(fā)言數(shù)量、及時(shí)測(cè)評(píng)分?jǐn)?shù)、課后測(cè)驗(yàn)平均分?jǐn)?shù)5個(gè)變量依次進(jìn)入回歸方程（F=174.141， P=0.000），對(duì)學(xué)習(xí)結(jié)果解釋力為55%;“高開放、高外傾”學(xué)習(xí)群體，總計(jì)學(xué)習(xí)時(shí)長、文本型提問數(shù)量、教師推薦發(fā)言數(shù)量、課后測(cè)驗(yàn)平均分?jǐn)?shù)4個(gè)變量依次進(jìn)入回歸方程（F=50.340， P=0.000），對(duì)學(xué)習(xí)結(jié)果解釋力為60.3%;“低開放、高外傾”學(xué)習(xí)群體，文本型回答數(shù)量、媒體型回答數(shù)量、學(xué)習(xí)筆記數(shù)量、課后測(cè)驗(yàn)平均分?jǐn)?shù)4個(gè)變量依次進(jìn)入回歸方程（F=174.141， P=0.000），對(duì)學(xué)習(xí)結(jié)果解釋力為74.6%;“低開放、低外傾”學(xué)習(xí)群體，總計(jì)登錄次數(shù)、教師推薦發(fā)言數(shù)量、課后測(cè)驗(yàn)平均分?jǐn)?shù)3個(gè)變量依次進(jìn)入回歸方程（F=46.451， P=0.000），對(duì)學(xué)習(xí)結(jié)果解釋力為59.1%;“高開放、低外傾”學(xué)習(xí)群體，總計(jì)學(xué)習(xí)時(shí)長、媒體型回答數(shù)量、教師推薦發(fā)言數(shù)量、課后測(cè)驗(yàn)平均分?jǐn)?shù)4個(gè)變量依次進(jìn)入回歸方程（F=43.916， P=0.000），對(duì)學(xué)習(xí)結(jié)果解釋力為60.9%。

為了進(jìn)一步考察各回歸方程中課后測(cè)驗(yàn)平均分?jǐn)?shù)（最高權(quán)重）與學(xué)習(xí)結(jié)果的關(guān)系，以散點(diǎn)圖形式給出了兩者可視化關(guān)系，見圖2。散點(diǎn)圖是識(shí)別變量之間潛在相關(guān)趨勢(shì)的有效方法（Field， 2005）。圖2再次表明，課后測(cè)驗(yàn)平均分?jǐn)?shù)與不同人格特質(zhì)學(xué)習(xí)者的學(xué)習(xí)結(jié)果之間呈正相關(guān)，且為線性趨勢(shì)。

（三）不同數(shù)據(jù)挖掘方法的預(yù)測(cè)效能比較

基于Python 3.7環(huán)境，利用28種回歸算法比較預(yù)測(cè)精度，包括ElasticNet回歸、Linear回歸、MLP回歸、SMO回歸、RandomTree回歸、RandomForest回歸、SVM回歸等。利用皮爾遜相關(guān)系數(shù)（PCC）、一致性相關(guān)系數(shù)（CCC）、平均絕對(duì)誤差（MAE）與均方根誤差（RMSE）以及5倍交叉驗(yàn)證，判別具有最佳精度和魯棒性的數(shù)據(jù)挖掘方法。其中，皮爾遜相關(guān)系數(shù)是預(yù)測(cè)分值與實(shí)際分值的皮爾遜相關(guān);一致性相關(guān)系數(shù)考察連續(xù)變量之間的一致性與重現(xiàn)性;平均絕對(duì)誤差是絕對(duì)誤差的平均值，能反映預(yù)測(cè)值誤差的實(shí)際情況;均方根誤差用來衡量預(yù)測(cè)值與實(shí)際值之間的誤差大小。圖3給出了不同算法的分析結(jié)果。

如圖3所示，對(duì)于皮爾遜相關(guān)系數(shù)，RandomForest回歸最高（0.859），其次是KStar回歸（0.841）;對(duì)于一致性相關(guān)系數(shù)，RandomForest回歸最高（0.850），其次是KStar回歸（0.837）;對(duì)于平均絕對(duì)誤差，KStar回歸最低（4.176），其次是JR回歸（6.490）和RandomForest回歸（6.635）;對(duì)于均方根誤差，RandomForest回歸最低（10.906），其次是KStar回歸（11.663）。由此可以看出RandomForest回歸為最佳的預(yù)測(cè)算法。

利用分類算法對(duì)課程風(fēng)險(xiǎn)進(jìn)行識(shí)別預(yù)測(cè)，學(xué)習(xí)結(jié)果低于60分的學(xué)習(xí)者被視為“具有風(fēng)險(xiǎn)”，60分至80分被視為“表現(xiàn)良好”，高于80分被視為“學(xué)業(yè)優(yōu)秀”。本研究比較了24種分類算法的預(yù)測(cè)精度，包括JR、RandomTree、RandomForest、SVM以及SMO等。利用準(zhǔn)確率（Precision）、正確率（Accuracy）、召回率（Recall）、F值（F-Measure）以及5倍交叉驗(yàn)證，判別具有最佳精度和魯棒性的數(shù)據(jù)挖掘方法。其中，正確率指分類正確的樣本數(shù)與樣本總數(shù)的比率;準(zhǔn)確率即查準(zhǔn)率，指檢索相關(guān)文檔數(shù)與檢索出文檔總數(shù)的比率;召回率即查全率，指檢索相關(guān)文檔數(shù)與所有相關(guān)文檔數(shù)的比率;F-Measure為查準(zhǔn)率與查全率加權(quán)調(diào)和平均值。圖4給出了不同算法的分析結(jié)果。

如圖4所示，在準(zhǔn)確率方面，RandomForest最高（0.905），其次是KStar（0.891）和MODLEM （0.875），NaiveBayes最低（0.563）;在正確率方面，RandomForest最高（0.913），其次為MODLEM （0.887）與KStar（0.873），ConjunctiveRule（0.498）最低;在召回率方面，KStar最高（0.870），其次是RandomForest（0.859）和PART（0.830），SMO（0.591）最低;在F-Measure方面，RandomForest最高（0.879），其次為KStar（0.871）與MODLEM（0.830），SMO（0.529）最低?？梢钥闯觯琑andomForest在預(yù)測(cè)學(xué)習(xí)者失敗風(fēng)險(xiǎn)方面效果最好。

六、分析與討論

（一）研究結(jié)論