基于神经网络的远程教育学习行为分析与预测

摘要

针对远程教育场景下学习行为数据的多源异构性与动态变化特性，以及个性化教学中因学生差异带来的干预决策复杂性，本文提出了一种基于神经网络的学习行为分析与预测方法。通过整合多源异构学习行为数据，构建了包含时间序列特征、交互行为特征和认知状态特征的三维分析框架，采用改进的长短期记忆-卷积神经网络(LSTM-CNN)混合模型，实现了学习行为模式的深度挖掘。实验结果表明：本模型在学业成绩预测任务中达到92.3%的准确率，不仅有效提升了学习行为预测精度，还为教学管理者的可视化决策提供了支持，具有重要的应用价值。

关键词

远程教育 / 学习行为分析 / 神经网络 / 预测模型 / 个性化教学