青少年学习素养评测模型研究

摘要

McKinsey最早揭示大数据时代的到来。如今，大数据在生物、医学、互联网、金融、通讯等行业得到广泛而有效的运用。我国的教育改革和发展同样避免不了地迎来前所未有的挑战与机遇。教育数据挖掘技术孕育而生，旨在发现和解决教育领域的相关问题。如何有效地运用教育数据挖掘技术构建教育相关的评测模型值得进一步研究。教育测评即教育的测量和评价。教育测评是正确认识和评价教育现象的本质规律的重要方式，也是影响我国教育改革和发展的关键环节。　　本文根据经济合作与发展组织公布的2018年国际学生评估项目的学生问卷数据，挖掘学生特征变量与学生阅读、数学、科学三大素养得分的关系，目的是基于教育数据挖掘技术构建青少年学习素养的评测模型。模型的构建分为两个部分，第一部分通过拟合回归模型对学生学习素养具体得分进行拟合预测，采用K折交叉验证抽取数据，对比支持向量回归、K近邻回归、BP神经网络以及随机森林算法，发现支持向量机在测试集的表现良好，拟合优度能够达到83.7%。进一步对比线性支持向量机和优化的线性支持向量机，发现优化的支持向量机中最小二乘支持向量回归的性能优于线性支持向量回归，并且根据改进线性支持向量机的权重大小可以观察各特征变量的重要性。第二部分构建判别模型，利用四类算法对青少年学习素养差和优倾向进行了判别预测。首先对各算法进行双交叉验证，即对原数据集进行K折交叉验证后对模型最优参数选择进行交叉验证，筛选出各算法的最优参数模型。然后，将四种算法进行横向的对比，得出支持向量机和随机森林的表现较好，并且根据随机森林对输入变量的重要性排序，发现学生元认知能力、学习时长、开始义务教育的年龄、父母受教育程度、父母职业地位指数对青少年学习素养影响较大。　　最后，在构建完成青少年学习素养评测模型的同时，同样发现学生元认知能力、学习时长、开始义务教育的年龄以及父母受教育程度、父母职业地位指数对学生学习素养的影响大，并向教育领域的相关教育角色承担者提供科学有效的改进方法借鉴。

目录

1 绪论

1.1 研究背景

1.2 研究目的与意义

1.3 国内外研究现状

1.3.1 国外研究现状

1.3.2 国内研究现状

1.4.1 论文内容安排

1.4.2 论文创新点

2 学习素养与PISA项目的介绍

2.1.1 学习素养的含义

2.1.2 学习素养的相关研究

2.1.3 学习素养研究的不足

2.2 有关PISA的介绍

2.2.1 三大素养的定义与评估方式

2.2.2 PISA的问卷结构框架设计

3 EDM相关技术与原理

3.1不平衡数据的处理

3.2.1 原理概述

3.2.2 算法步骤

3.3.1 支持向量机

3.3.2 优化的SVR算法

3.3.3 K 近邻

3.3.4 BP神经网络

3.3.5随机森林原理

3.4.1 回归模型的评价指标

3.4.2 分类模型的评价指标

4 构建青少年学习素养测量模型

4.1.1 数据获取

4.1.2数据的预处理

4.2测量模型的对比与选取

4.3 支持向量机及其优化算法

4.3.1 研究过程

4.3.2 研究结果

5 构建青少年学习素养优差倾向判别模型

5.1 研究过程

5.2 研究结果

6 结论与展望

6.1 结论

6.2展望

参考文献

附录

A. 学位论文数据集

致谢