Explorar la sinergia entre las redes neuronales de convolución mejoradas y los mecanismos de atención recomendados por posibles conceptos de conocimiento STEM en MOOCs

Resumen

Las asociaciones de múltiples cursos en STEM plantean un desafío importante para el trasfondo de aprendizaje de los estudiantes. Cuando los estudiantes no tienen un entendimiento suficiente de la asociación del conocimiento o no implementan el orden topológico del avance del conocimiento, son propensos al agotamiento en el proceso de aprendizaje, lo que genera emociones negativas graves, que no son propicias para la efectividad del aprendizaje e incluso pueden llevar a la deserción prematura. Esto claramente constituye un problema de enseñanza psicológica, que es nuestro objetivo de investigación. Este estudio se centra en los comportamientos de aprendizaje STEM en los MOOCs, y explora el enrutamiento de aprendizaje profundo. Diseñamos un método novedoso para procesar las características de contexto y contenido para la recomendación de conceptos de conocimiento. Múltiples entidades, características y cursos permiten la construcción y optimización de las relaciones entre conceptos de conocimiento. Luego, se utiliza un mecanismo de atención para lograr la propagación de conceptos de conocimiento entre diferentes entidades. Los amplios experimentos han demostrado que este método podría capturar con precisión los intereses potenciales de los conceptos de conocimiento, lograr un enrutamiento de aprendizaje profundo efectivo y explorar y guiar el estado de aprendizaje positivo, reduciendo o evitando los resultados psicológicos negativos, como la deserción o la baja tasa de aprobación. Todo el estudio tiene como objetivo mejorar los resultados de aprendizaje, mejorar la motivación para el aprendizaje, optimizar los comportamientos de aprendizaje y proporcionar sugerencias más efectivas para la educación STEM, lo que es muy importante para el aprendizaje interdisciplinario en la educación superior. La investigación completa podría proporcionar un apoyo clave para rastrear posibles cambios psicológicos en los estudiantes, mejorar las tendencias de comportamiento de aprendizaje y mejorar la calidad del aprendizaje durante el aprendizaje STEM, mejorando completamente y optimizando el estado de aprendizaje, y construyendo decisiones efectivas para intereses de aprendizaje positivos.

Abstract

The multi course association of STEM poses an important challenge to the learning background of learners. Once learners do not have sufficient understanding of knowledge association or do not implement the topological order of knowledge advancement, they are prone to burnout in the learning process, forming serious negative emotions, which is not conducive to learning effectiveness, and even premature dropout. This is clearly a psychological teaching problem, that is our research objectives. This study focuses on the STEM learning behaviors in MOOCs, and explores the deep learning routing. We design one novel method to process the context features and content features for knowledge concept recommendation. Multiple entities, features, and courses enable the construction and optimization of knowledge concept relationships. Then, an attention mechanism is used to achieve the knowledge concept propagation between different entities. The extensive experiments have proved this method might accurately capture potential interests of knowledge concepts, achieve the effective deep learning routing, and explore and guide the positive learning state, reduce or avoid the negative psychological outcomes, such as dropout or low pass rate. The entire study aims to enhance learning outcomes, improve learning motivation, optimize learning behaviors, and provide more effective suggestions for STEM education, that is very important for the interdisciplinary learning in higher education. The whole research might provide key support for tracking possible psychological changes in learners, improving learning behavior trends, and enhance learning quality during STEM learning, fully improve and optimize the learning state, construct effective decisions for positive learning interests.