×
艾哈迈德·阿尔祖比

使用优化的深长短期记忆分类器在电子学习平台中预测学习者的表现。 （英语） 兹伯利07526032

国际小波多分辨率。信息处理。 20，第2号，文章ID 2150051，29 p.（2022）.
小结：由于新冠肺炎疫情的爆发，电子学习平台在当前形势下获得了巨大的吸引力，因为电子学习可以确保学生在最安全的环境中继续学习，同时保持教育标准。绩效预测是电子学习平台中的一项重要任务，目的是在最终评估之前，对需要立即关注的学生进行分类，以提高他们的成绩。基于提出的基于wolf-swarm优化的Deep-LSTM方法，提出了一种有效预测学习者在e-khool学习管理系统（e-khool-LMS）中表现的预测模型。优化算法调整Deep-LSTM分类器的最佳权重，该分类器继承了叛逆者和粒子的混合特征。首先，基于所提出的基于wolf-swarm优化的Deep-LSTM分类器，使用e-khool数据库中的学习者数据进行分类。根据MSE和RMSE分析了该预测模型的有效性，其值分别为5.93和2.426。

MSC公司：

68T20型 人工智能背景下的问题解决（启发式、搜索策略等）

关键词：

新冠肺炎;电子学习;深长短期分类器;混合优化;e-khool学习者数据

软件：

全球野生动物组织
PDF格式BibTeX公司 XML格式引用
\textit{A.Alzubi}，《国际小波多分辨率》。信息处理。20，第2号，文章ID 2150051，29 p.（2022；Zbl 07526032）
全文： DOI程序

参考文献：

[1] Goyal，S.，《电子学习：教育的未来》，J.Educe。学习。6（4）（2012）239-242。
[2] K.S.A.Jardani，高等教育中的电子学习；挑战与机遇，《国际创新、创造力与变革杂志》，E-Learning14（11）。
[3] M.J.Rosenberg和R.Foshay，《电子学习：数字时代传授知识的策略》，41（5）（2002）50-51。
[4] Shi，D.，Wang，T.，Xing，H.和Xu，H.，基于电子学习多维知识图框架的学习路径推荐模型，Knowl-基于系统195（2020）105618。
[5] Almaiah，M.A.、Al Khasawneh，A.和Althunibat，A.，《探索新冠肺炎疫情期间影响电子学习系统使用的关键挑战和因素》，教育部。Inf.Technol.25（2020）5261-5280。
[6] Moubayed，A.、Injadat，M.、Shami，A.和Lutfiyya，H.，《电子学习环境中的学生参与度：使用k-means聚类》，《美国远程教育》34（2）（2020）137-156。
[7] Romero，C.和Ventura，S.，《教育数据挖掘：最新进展综述》，IEEE Trans。系统。人类网络。，C部分（申请版本）40（6）（2010）601-618。
[8] Ma，Y.、Zong，J.、Cui，C.、Zhang，C.、Yang，Q.和Yin，Y.，《学生成绩预测的双路径卷积神经网络》，收录于Proc。《国际会议网络信息系统工程》，中国香港，2020年，第133-146页。
[9] Gajwani，J.和Chakraborty，P.，《学生使用特征选择和监督机器学习算法进行绩效预测》，Proc。《创新计算与通信国际会议》，印度德里，2021年，第347-354页。
[10] Bhutto，S.、Siddiqui，I.F.、Arain，Q.A.和Anwar，M.，《通过监督机器学习预测学生的学习成绩》，收录于Proc。IEEE国际信息科学与通信技术会议（ICISCT），巴基斯坦卡拉奇，2020年，第1-6页。
[11] Li，Q.和Baker，R.，《大规模开放在线课程中参与者小组的参与度和结果之间的不同关系》，计算。教育127（2018）41-65。
[12] Z.Ren、H.Rangwala和A.Johri，使用多元回归模型预测MOOC评估的绩效，预印本（2016）。
[13] Huang，S.和Fang，N.，《预测工程动力学课程中的学生学业表现：四种预测数学模型的比较》，计算。教育61（2013）133-145。
[14] Meier，Y.、Xu，J.、Atan，O.和Van der Schaar，M.，预测等级，IEEE Trans。信号处理。64（4）（2015）959-972·Zbl 1412.94063号
[15] Ma，Y.、Cui，C.、Nie，X.、Yang，G.、Shaheed，K.和Yin，Y.，多实例多标签学习的课前学生表现预测，科学。《中国信息科学》62（2）（2019）1-3。
[16] K.Heng和K.Sol，《新冠肺炎期间的在线学习：提高有效性的关键挑战和建议》，研究之门（2020年）。
[17] Ranasinghe，N.K.和Rupasinghe，L.，基于电子学习环境中用户行为因素的学习者参与度和绩效之间的关系，国际工程研究技术期刊。（IJERT）9（12）（2020）485-489。
[18] Sinclair，J.和Kalvala，S.，《学生参与大规模开放在线课程》，《国际J·学习》。Technol.11（3）（2016）218-237。
[19] N.Sclater、A.Peasgood和J.Mullan，《高等教育中的学习分析》，《英国和国际实践全面报告回顾》，8（2016）176。
[20] Al-Shabandar，R.、Hussain，A.J.、Liatsis，P.和Keight，R.，《使用机器学习技术早期干预检测风险学生》，IEEE Access7（2019）149464-149478。
[21] Alshabandar，R.、Hussain，A.、Keight，R.和Khan，W.，《学生在使用机器学习算法的在线课程中的表现预测》，收录于Proc。国际联合协调神经网络（IJCNN），英国格拉斯哥，2021年，第1-7页。
[22] Berry，M.V.、Lewis，Z.V.和Nye，J.F.，《关于Weierstrass-Mandelbrot分形函数》，Proc。《罗马法典》第370卷（1743年）（1980年）·Zbl 0435.28008号
[23] Guido，R.C.、Pedroso，F.、Contreras，R.C、Rodrigues，L.C.、Guariglia，E.和Neto，J.S.，《介绍离散路径变换（DPT）及其在信号分析、伪影消除和语音识别中的应用》，数字。信号处理117（2021）。
[24] Yang，L.，Su，H.，Zhong，C.，Meng，Z.，Luo，H.、Li，X.，Tang，Y.和Lu，Y.，《使用基于小波变换的平滑排序的高光谱图像分类》，《国际小波多分辨率信息处理》17（10）（2019）·Zbl 1434.62140号
[25] Zheng，X.，Tang，Y.Y.和Zhou，J.，无向图上信号的自适应多尺度小波分解框架，IEEE Trans。信号处理。67（7）（2019）1696-1711·兹比尔1458.94160
[26] Guariglia，E.和Silvestrov，S.，D'（C）上正定分布和小波的分数小波分析，《工程数学II》，Springer，Cham，2017年，第337-353页·Zbl 1365.65294号
[27] Mallat，S.G.，《多分辨率信号分解理论：小波表示》，IEEE Trans。模式分析。机器。《情报》11（7）（1989）674-693·Zbl 0709.94650号
[28] Zhang，L.，Liu，S.T.和Yu，C.，Morlet小波项对Weierstrass-Mandelbrot函数模型的控制效应，印度物理杂志88（8）（2014）867-874。
[29] Guariglia，E.，Harmonic sierpinski垫片和应用，Entropy20（9）2018。
[30] Guariglia，E.，《Primality，fractality，and image analysis》，Entropy21（3）2019年·Zbl 1475.11151号
[31] Guariglia，E.，熵与分形天线，熵18（3）2016。
[32] Meyer，Y.和Lemarié-Rieusset，P.G.，Ondeletes et bases hilbertiennes，Rev.Mat.Iberoam.2（1-2）（1986）1-18·Zbl 0657.42028号
[33] Z.Ghahramani，《无监督学习》，《机器学习暑期学校》（Springer，2003），第72-112页·Zbl 1120.68434号
[34] Wang，X.，Mei，X.、Huang，Q.、Han，Z.和Huang（C.），通过自适应稀疏自关注网络进行细粒度学习性能预测，Inf.Sci.545（2020）223-240。
[35] Aydoğdu，Ş。，在线学习环境中使用人工神经网络预测学生的最终表现，Educ。《信息技术》25（3）（2020）1913-1927。
[36] Liu，W.、Xu，W..、Zhan，X.、Liu，W.和Cheng，W.，通过LMS数据和课堂视频预测学生表现，收录于Proc。第15届IEEE国际计算机科学与教育会议（ICCSE），荷兰代尔夫特，2020年，第535-539页。
[37] Azzi，I.、Jeghal，A.、Radouane，A.、Yahyaouy，A.和Tairi，H.，《预测自适应电子学习系统中学习风格的稳健分类》，教育。《技术信息》25（1）（2020）437-448。
[38] K.Srinivas，《通过EKhool在线门户网络中的深度学习预测电子学习效率》（2020年），doi:10.46253/j.mr.v3i4.a2。
[39] Babita，M.、Naidu，D.、Mishra，A.P.和Satapathy，S.C.，使用Deep-LSTM模型改进对每日锅蒸发量的预测，神经计算。申请32（12）（2020）7823-7838。
[40] Mirjalili，S.、Mirjallili，S.M.和Lewis，A.，《灰狼优化器》，高级工程师软件69（2014）46-61。
[41] Chu，S.-C.，Tsai，P.-W.和Pan，J.-S.，猫群优化，载于《环太平洋国际人工智能会议》，第4099卷，2006年，第854-858页。
[42] Kennedy，J.和Eberhart，R.，《粒子群优化》。IEEE ICNN’95-Int.Conf.Neural Networks，澳大利亚华盛顿州珀斯，第4卷，1995年，第1942-1948页。
[43] Binu，D.和Kariyappa，B.S.，用于模拟电路中基于混合距离计分的故障预测的Rider deep LSTM网络，IEEE Trans。Ind.Electron.68（10）（2021）10097-10106。
[44] Eugenio，G.，Zhang，L.和Ardagna，D.，基于GPU的深度学习应用程序的性能预测，见Proc。第30届国际研讨会。计算机体系结构和高性能计算（SBAC-PAD）（IEEE，2018），第167-170页。
[45] Luo，Z.，《采用自回归方法的路面性能建模》，《国际路面工程杂志》14（1）（2013）85-94。
[46] Ryad，Z.、Gouriveau，R.和Zerhouni，N.，在递归NARX时间序列模型上定义和应用预测性能指标，神经计算73（13-15）（2010）2506-2521。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。