基于马尔科夫链的大学生自主学习能力预测方法

doi:10.3969/j.issn.1006-2475.2018.05.021

计算机与现代化

基于马尔科夫链的大学生自主学习能力预测方法

（1.南阳理工学院计算机与信息工程学院，河南南阳473000;2.大连海事大学信息科学技术学院，辽宁大连116026)

收稿日期:2018-02-06 出版日期:2018-06-13 发布日期:2018-06-13
作者简介:刘德春（1963-），男，河南南阳人，南阳理工学院计算机与信息工程学院教授，硕士，研究方向：模式识别，智能控制，软件工程，图像处理；张秀国（1971-），女，大连海事大学信息科学技术学院教授，博士，研究方向：软件工程环境与数据库；姜微（1986-），女，硕士研究生，研究方向：计算机应用。
基金资助:
河南省基础与前沿技术研究项目（142300410080 ）

Self-regulated Learning Ability Prediction for College Students Based on Markov Chain

(1. College of Computer and Information Engineering, Nangyang Institute of Technology, Nangyang 473000, China;

2. Institute of Information Science and Technology, Dalian Maritime University, Dalian 116026, China)

Received:2018-02-06 Online:2018-06-13 Published:2018-06-13

摘要/Abstract

摘要： 以反映大学生自主学习能力的现时状况数据指标为基础，利用马尔科夫链工作原理，分析研究自主学习能力的有效评估方法，构建大学生自主学习能力预测方法模型并提供算法流程，测试表明预测与实际结果高度吻合。所提供的研究模型精细、稳定、实用，能有效应用于提高自主学习能力和相应的预测软件开发当中。

关键词: , 马尔科夫链, 大学生自主学习, 能力预测, 状态转移概率矩阵

Abstract: Based on the data of the college students’ current self-regulated learning condition and the principle of Markov chain, this paper firstly figures out an effective way to evaluate the self-regulated learning ability of college students, then constructs a model to predict it, and finally presents the relative algorithm. The test showes that the predicted results are highly in consistence with the actual results. The model constructed in this paper, which is fine, stable and practical, can be effectively applied to improve students self-regulated learning ability and develop new related predicting software.

Key words: Markov chain, self-regulated learning of college students, ability prediction, state transition probability matrix

中图分类号:

TP391.7

刘德春1，张秀国2，姜微2. 基于马尔科夫链的大学生自主学习能力预测方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.05.021.

LIU De-chun1, ZHANG Xiu-guo2, JIANG Wei2. Self-regulated Learning Ability Prediction for College Students Based on Markov Chain[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.05.021.

参考文献

［1］   亓丽媛. 大学生自主学习调查研究［D］. 金华:浙江师范大学, 2012.
［2］余文森. 略谈主体性自主学习［J］. 教育探索, 2001(12):62.
［3］〖ZK(#〗庞维国. 自主学习学与教的原理和策略［M］. 上海:华东师范大学出版社， 2003:112-113.
［4］ Belski R, Belski I. Cultivating student skills in self-regulated learning through evaluation of task complexity［J］. Teaching in Higher Education, 2014,19(5):459-469.
［5］    Roth A, Ogrin S, Schmitz B. Assessing self-regulated learning in higher education: A systematic literature review of self-report instruments［J］. Educational Assessment Evaluation & Accountability, 2016,28(3):225-250. 
［6］刘歌,刘凤祥,杜春雁,等. 运用马尔科夫链进行学习状态变化趋势分析的一种方法［J］. 中国教育技术装备, 2015(18):96-98.
［7］    尹桐,杜树杰. 基于BP神经网络的大学生深度学习水平预测模型构建［J］. 中国教育信息化, 2015(23):72-75. 
［8］熊小猛,陈中. 基于M-learning的远程自主学习模型建构［J］. 中国医学教育技术, 2007,21(1):71-73.
［9］王晖,王瑜,焦永革,等. 计算机与教育:应用促进学与教创新［C］//全国计算机辅助教育学会第十三届学术年会论文集. 北京:中国人工智能学会计算机辅助教育专业委员会, 2008:3.
［10］马睿瑄. 马尔科夫链模型在发展性学生评估中的应用研究［D］. 呼和浩特:内蒙古师范大学, 2014.
［11］朱丽波. 马尔科夫链模型在学生学习评价中的应用［J］. 内蒙古师范大学学报(教育科学版), 2015,28(8):115-117.
［12］Norris J, Peres Y, Zhai A. Surprise probabilities in Markov chains［J］. Combinatorics, Probability and Computing, 2017,26(4):603-627.
［13］Chotard A, Auger A, Hansen N. Markov chain analysis of cumulative step-size adaptation on a linear constrained problem［J］. Evolutionary Computation, 2015,23(4):611-640.
［14］李学良. 炼油厂混合整数二次规划调度模型的算法研究［D］. 济南:山东大学, 2012.
［15］姜微. 基于iData的大学生自主学习能力预测模型研究［D］. 大连:大连海事大学， 2017.

[1]	李静元, 张珂, 杨东裕. 基于雾计算的工业互联网安全数据访问方法[J]. 计算机与现代化, 2022, 0(12): 118-122.
[2]	祝丁恺, 铁治欣, 洪顺贺. 一种HRG模型初始化算法及在链路预测中的应用[J]. 计算机与现代化, 2022, 0(02): 38-44.
[3]	陈春燕, 刘梦赤. 基于粒子群遗传算法的智能组卷策略[J]. 计算机与现代化, 2021, 0(08): 16-23.
[4]	宋鑫, 樊志强, . 基于Laguerre 前向神经网络的信息服务性能建模方法 [J]. 计算机与现代化, 2021, 0(03): 1-6.
[5]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[6]	魏庆征，杨云，李凌燕，魏海洲 . 基于灰色马尔科夫的外汇预测模型[J]. 计算机与现代化, 2020, 0(02): 12-.
[7]	许国艳1,朱进1,司存友2,胡文斌2,刘凡1. 基于CNN和MC的水文时间序列预测组合模型[J]. 计算机与现代化, 2019, 0(11): 23-.
[8]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[9]	李富星，蒙祖强 . 一种改进的类别区分词特征选择算法[J]. 计算机与现代化, 2019, 0(03): 73-.
[10]	熊苏生１,2. 基于改进LightGBM的交通模式识别算法[J]. 计算机与现代化, 2018, 0(10): 68-.
[11]	白晓波1，邵景峰1，和征1，田建刚2. 基于学习的核偏最小二乘法优化扩展卡尔曼滤波[J]. 计算机与现代化, 2018, 0(09): 110-.
[12]	郑亚鹏，樊璐. 基于LSTM的临床血液需求预测方法[J]. 计算机与现代化, 2018, 0(05): 41-.
[13]	夏琨1，丁波1，刘俊1，刘子豪1，林亮成2. 基于内容分析的网络协议指纹识别[J]. 计算机与现代化, 2018, 0(05): 121-.
[14]	李华，江峰，于旭，杜军威，刘国柱. 基于粒度决策熵的属性约简[J]. 计算机与现代化, 2018, 0(04): 7-.
[15]	陈丽娟，谢伙生. 带负项值的onshelf效用项集并行挖掘算法[J]. 计算机与现代化, 2018, 0(04): 13-.

基于马尔科夫链的大学生自主学习能力预测方法

Self-regulated Learning Ability Prediction for College Students Based on Markov Chain

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价