论文标题：Personalized Learning Ability Classification Using SVM for Enhanced Education in System Modeling and Simulation Courses

期刊：Frontiers of Digital Education

作者：Chao Liu & Shengyi Yang

发表时间：17 January 2025

DOI：10.1007/s44366-024-0035-6

微信链接：点击此处阅读微信文章

传统教学模式下，统一的教学材料与任务往往无法满足不同学生的学习需求，导致学习效果参差不齐。在当今教育领域，个性化教育已成为提升教学质量与学生能力的关键方向。在高等工程教育中，如何精准把握学生的学习能力差异，进而提供贴合个体需求的教学指导，是教育者们面临的重要课题。

研究论文

近日，贵州民族大学刘超副教授与杨盛毅教授在Frontiers of Digital Education（《数字教育前沿（英文）》）期刊上发表了一篇题为Personalized Learning Ability Classification Using SVM for Enhanced Education in System Modeling and Simulation Courses（《使用 SVM 进行个性化学习能力分类，以增强系统建模和仿真课程的教育》）的文章，针对贵州民族大学系统建模与仿真课程，利用 SVM 技术开发学生学习能力分类模型，以应对评估学习能力的挑战并实现个性化学习干预。

研究对象为近三年修读系统建模与仿真课程的本科生，这门课程是自动化等专业的必修课。传统教学中因学生基础和能力差异，课程任务统一导致教学效果不佳。为此课程团队致力于构建学生学习能力分类模型，以实现个性化教学。

研究数据来自 2022 - 2023 年该课程的 204 名本科生的课前问卷，涵盖系统建模与仿真概念等多方面内容，问卷选项文本形式，团队以问题赋值量化数据。在数据处理中，手动排除无关数据后，保留 10 项自我评估项目，并使用 RFM 模型识别与学习能力评估密切相关的特征。同时，针对样本数据有限和学生学习能力分布不均衡问题，采用在整数结果周围进行小数值扰动的方法扩充样本数据，且不会改变学习能力分类结果。

SVM是一种广泛应用的机器学习算法，在处理高维特征空间和泛化方面表现出色，已成功应用于教育领域的学生学习能力分类等方面。课程团队提取重要特征并扩充数据集后，用 SVM 构建个性化学习能力多分类模型，将数据集按 70%和 30%划分为训练集和测试集，并选择合适的算法和编码方案进行训练。

图 1 学生能力分类过程流程图

结果显示，利用该模型对测试集的评估准确率达 95.3%，交叉验证结果也表明模型性能优异、泛化能力强。测试集学生学习能力分为初、中、高三个类别，混淆矩阵显示模型在三类分类中表现出色，多数预测正确，虽有少量误分类，但主要集中在中间能力类别，且经分析与学生编程技能和数学基础相关。F1 分数和 ROC 曲线也进一步证明了模型在各分类中的准确性、平衡性和可靠性。

图 2 各类别的 F1 分数

图 3 ROC 曲线

本研究通过问卷收集数据训练 SVM 模型对学生学习能力分类，但中间能力学生存在误分类情况，与编程技能和数学基础有关。教学实践中使用该模型评估分类学生能力并设置不同层次课程目标后，学生成绩分布改善，证明模型有效，但模型性能依赖特征选择和数据质量，且在大规模数据集处理和可解释性方面存在局限，未来研究应加以改进。

文章信息

Chao Liu, Shengyi Yang. Personalized Learning Ability Classification Using SVM for Enhanced Education in System Modeling and Simulation Courses. Frontiers of Digital Education, 2024，1(4): 295–307

https://doi.org/10.1007/s44366-024-0035-6

识别二维码，免费获取原文

作者信息

刘超，贵州民族大学副教授，贵州省“金师”，中国自动化学会智慧教育专业委员会委员，主要从事人工智能技术在高等工程教育领域的应用探索研究。

杨盛毅，贵州民族大学教授，贵州省“金师”，主要从事数字化技术在高等工程教育领域的应用研究。

推荐阅读

重磅！中共中央、国务院印发《教育强国建设规划纲要（2024-2035年）》

教育部负责人解读《教育强国建设规划纲要（2024—2035年）》

视频版！1分钟速览2035年教育强国建设目标和重点任务

FDE | 2024年度工作回顾

2025年全国教育工作会议召开

《数字教育前沿（英文）》专题征稿 ｜ 教师数字素养提升方法及路径探索

期刊介绍

期刊特点

1. 国际化投审稿平台Editorial Manager方便快捷。

2. 严格的同行评议（Peer Review）。

3. 免费语言润色，有力保障出版质量。

4. 不收取作者任何费用。

5. 不限文章长度。

6. 审稿周期：第一轮平均30天，投稿到录用平均60天。

7. 在线优先出版（Online First）。

8. 通过Springer Link平台面向全球推广。

在线浏览

https://journal.hep.com.cn/fde

（中国大陆免费下载）

https://link.springer.com/journal/44366

在线投稿

https://www.editorialmanager.com/fode/

联系我们

fde@hep.com.cn

10-58582344, 10-58581581