基于多视角模糊推理与XGBoost的在线学习行为分析

摘要

本研究采用多视角模糊推理模型和一种改进的极端梯度提升（XGBoost）算法（通过改进的灰狼优化算法进行优化），分析在线学习行为并分类学生评论情绪，为个性化教学和及时干预提供支持。

摘要

在线教育的蓬勃发展使得网络课堂已成为教育领域的重要组成部分。深入分析学生在网络教学中的学习行为，有助于教师优化教学策略，并为学生提供个性化的学习支持。因此，为开展对学生学习行为的深入分析，本研究采集了在线教学平台的数据并进行预处理。随后，本研究构建了一个涵盖课程、个体和班级三个维度的多视角模糊推理模型，从不同层次综合考量学生的学习表现。该模型通过模糊集和模糊规则处理学习行为数据中的不确定性信息，实现了对学习表现的多维度评估。本研究设计了一种改进的XGBoost算法用于对学生评论情感进行分类。该改进算法通过优化灰狼优化算法，对XGBoost算法的超参数进行调优，提升了情感分类的准确性，进一步挖掘了学习行为背后的情感倾向与态度反馈。结果表明，从课程维度来看，考试前3周课程任务的完成率基本高于45%，远高于任务发布后3周内的完成率（均低于18%），说明学生更倾向于在截止日期前完成任务，存在明显的拖延现象。改进分类算法的最大准确率达到98.78%，分别比对比模型高出8.57%、7.55%、6.38%和6.01%，其平均耗时为58 ms；在负面、正面和中性情感上的召回率分别为98.35%、97.69%和98.02%。研究表明，该模型能够有效分析学生的在线学习行为，实现对潜在风险学生的早期识别，从而推动在线教育中的个性化教学与精准干预。

引言

互联网与教育技术的深度融合使在线教育实现了从边缘补充到主流形式的跃迁。截至2023年底，全球注册在线学习者人数已超过12亿，中国在大规模开放在线课程（MOOC）数量和学习者人数方面持续位居世界首位^1,2。然而，在线教学在带来便利的同时，也暴露出学习过程不透明、师生在时间和空间上的分离以及监管反馈滞后等挑战。学习行为数据与学业表现之间存在正相关关系，基于数据的动态调整可使课程完成率提高20%以上，并显著降低辍学风险^3,4,5。因此，开展学习行为分析（Learning Behavior Analysis, LBA）至关重要。针对这一问题，当前的方法包括描述性统计、关联规则挖掘以及传统机器学习分类⁶。众多学者已对此问题展开研究。

为了开展学习行为分析（LBA），Li Y 等人利用哈佛大学和麻省理工学院在线教学平台的学习行为数据，构建了脉冲神经网络（Pulse Neural Network, PNN）以预测学习成果，并分析了学习行为与学习结果之间的相关性。基于PNN的在线学习行为预测模型准确率达到99.80%⁷。Zeng B 设计了一种高效的可视化模型，用于分析在线英语学习行为，该模型结合了滞后序列分析、数据挖掘方法以及最小生成树算法。此外，该研究还建立了一个面向群体学习路径（Group Learning Path, GLP）构建服务的在线智能学习平台。所设计的方法能够成功构建GLP⁸。Zhao M 等人设计了一种双层长短期记忆网络（Long Short-Term Memory, LSTM），用于揭示学生在线学习过程中潜在的问题。他们使用TensorFlow框架和Python语言，并利用来自Kaggle、edX以及英国开放大学等在线平台的数据。该网络表现出良好性能，最高准确率达到83.4%⁹。Li F 等人收集并分析了109名本科生的学习行为数据，以理解不同在线学习者的群体行为特征。该研究引入主成分分析法降低数据维度，并采用凝聚层次聚类方法将学习者划分为多个类别。其中共聚类出15个群体，所提出的方法具有较高的聚类准确率¹⁰。

综上所述，当前关于学习行为分析（LBA）的研究具有较高的多样性，并采用了多种研究方法。然而，这些研究及其方法仍存在一定的不足之处。例如，对学生评课文本中的情感信息挖掘尚不充分，描述性统计无法揭示行为背后复杂的交互机制，而机器学习分类通常基于单一视角的特征，割裂了课程、个体与班级等多维度信息。为了更好地开展学习行为分析，本研究设计了一种多视角模糊推理（MPFR）模型，并构建了基于改进灰狼优化算法（IGWO）与极端梯度提升（XGBoost）算法的 emotion 分类模型。

在现有的学习行为分析（LBA）研究中，尽管长短期记忆网络（LSTM）能够捕捉学习行为的时间相关性，但其处理模糊和不确定学习行为数据的能力较弱。卷积神经网络（CNN）在文本特征提取方面具有一定优势，但更擅长捕捉局部特征，难以整合课程、个体和班级等多维度的全局信息。与CNN和LSTM等深度学习方法相比，MPFR模型能够通过模糊推理捕捉学习行为中的不确定信息。例如，学生的学习行为 "中等参与度" 和 "基本掌握" 模糊状态的引入弥补了卷积神经网络（CNN）在局部特征提取上的局限性。IGWO-XGBoost在情感分类中兼顾了准确率与效率，弥补了长短期记忆网络（LSTM）情感分类耗时较长以及CNN在语义模糊处理方面的不足。本研究旨在结合行为与情感分析结果，为在线教学干预提供三维信息支持。研究的创新之处在于构建了一个涵盖课程、个体与班级三个维度的多维度学习表现融合（MPFR）模型。这种多视角的综合考量能够全面、立体地反映学生的学习表现，避免单一视角可能遗漏的重要信息。该方法具有良好的平台可扩展性，可适配超星、MOOC等主流在线学习平台，即通过统一的数据预处理接口实现，无需额外开发平台功能。同时，该方法已被封装为简易分析工具，教育工作者仅需上传平台导出的基础数据，即可自动生成学习行为分析（LBA）报告，无需复杂的操作技术。

方案

综合考虑多视角模糊推理与情感视角的LBA方法设计

构建了一个多视角评估系统，用于分析学生在线学习行为（SOLB），并设计了MPFR模型。为了进一步分析学生在学习过程中的主观感受，本研究采用了XGBoost算法，并设计了IGWO算法进行超参数优化，以提高分类准确率。

用于学习行为分析的多视角模糊推理模型的构建

为分析学生在线学习行为（SOLB），本研究主要从两个角度出发，形成完整的分析方案。首先，在学习表现方面，本研究从课程、个体和班级三个维度出发，构建多视角模糊推理（MPFR）模型。其次，在学生评论的情感分析方面，本研究设计了一种改进的XGBoost算法。通过分析学习表现及学生反馈情绪，本研究能够更深入地解析SOLB。在学习表现分析的具体技术细节方面，本研究首先获取在线学习平台的数据并进行预处理；其次，从不同维度选取核心学习表现评价指标，构建综合评价体系；随后，建立相应的MPFR模型以评估学习行为。

本研究选取超星平台的数据（来源：https://www.chaoxing.com/）。数据包含课堂活动、成绩评价等多个维度的信息，可为后续学习行为分析（LBA）提供良好基础。获取数据后需进行预处理，主要包括无关字段删除、数据筛选和数据完整性检查。例如，在教师数据中，需去除课程所属的编号及院系等无关信息。随后，本研究基于超星平台的学习行为数据构建学习行为分析的特征工程。学生学习行为分析指标为后续多视角模糊推理（MPFR）模型提供了特征工程基础，该指标内容如图1所示。

图1：学生学习行为分析（LBA）的指标。 该图阐明了学生学习行为分析（LBA）的三个核心维度（课程、个人、班级）及各维度下的具体评价指标，为多视角模糊推理模型（MPFR模型）提供了特征支持。 请点击此处查看该图的放大版本。

在图1中，学生学习行为分析（LBA）指标主要围绕课程、个体和班级三个维度展开，每个维度具有明确的侧重点，为多视角模糊推理模型（MPFR模型）的构建提供精确的特征支持。其中，在课程维度指标方面，本研究选取课程任务完成率、课程学习时长和课程互动频率作为指标。该维度的核心关注点是课程任务的整体完成质量以及学习参与的及时性。例如，课程任务完成率用于追踪截止日期前后完成率的差异；课程学习时长用于区分不同的学习强度区间；课程互动频率用于筛选有效的互动行为。在个体层面，选取个人学习进度、作业完成质量和考试成绩作为评价指标。该维度重点关注个人学习进度与知识掌握结果之间的匹配程度。例如，将个人学习进度与课程计划进行对比，评估已完成作业的准确性和效率，并根据考试成绩对知识掌握水平进行分类。此外，在班级维度方面，选取的指标包括班级平均分、班级互动活跃度和班级学习氛围。该维度主要关注整体学习环境对个体行为的影响。例如，班级平均分用于定位个体表现相对于群体的相对水平；班级互动活跃度用于反映集体参与的程度；学习氛围用于分析群体环境对学习行为的驱动作用。为了分析学生的学习行为，构建了模糊推理模型，从不同视角获取学习行为特征。模糊推理是一种利用模糊逻辑进行推理的方法，通过模糊集合和模糊规则处理不精确或不确定的信息，具有灵活性强、易于理解的优点^11,12。模糊推理作为MPFR模型的核心计算机制，在特征工程之后应用。模糊推理的主要流程如图2所示。

图 2：模糊推理的主要流程图。 该图展示了模糊推理的核心过程，包括四个关键步骤：模糊化、模糊规则库构建、模糊推理和去模糊化，并阐明了MPFR模型在处理不确定学习行为数据中的逻辑。 请点击此处查看该图的放大版本。

模糊推理主要包括模糊化、建立模糊规则库（FRL）、模糊推理和去模糊化。其中，模糊化需要将精确的输入数据转换为模糊集，涉及定义隶属度函数。模糊规则库包含一系列模糊规则，主要用于描述输入与输出之间的关系。在构建模糊规则库时，本研究邀请了三位具有≥8年教学经验的教育技术学副教授共同制定28条规则，并采用“德尔菲法”经过三轮迭代确定最终规则。例如，规则1：若课程任务完成率低于30%，且个人学习进度落后计划2周 → 则为高风险状态。模糊推理是基于模糊规则库对构建的模糊输入数据进行推断，从而获得模糊输出结果的过程。最后，去模糊化将模糊输出结果转换为精确的输出值。本研究选用三角形隶属度函数，该函数在模糊逻辑系统中被广泛使用，具有灵活性强、计算效率高等优点。函数 μ_A(x) 的表达式如公式（1）所示。

(1)

在公式（1）中，x 为特定输入值。a、b 和 c 为三角形的三个顶点。在去模糊处理中，本文采用重心法对输出结果进行转换。重心法是模糊逻辑中一种常用的去模糊化技术，具有直观性强、计算简单和稳定性好等优点¹³。重心法的表达式如公式（2）所示¹⁴。

（2）

在公式（2）中，f* 是去模糊化后的输出值，即模糊集的质心。μ(x) 是隶属函数。 是模糊集中所有点的加权和。 是隶属函数在 x 所有可能取值上的积分。在 MPFR 模型中使用人工定义规则与隶属函数的合理性体现在三个方面。第一，专家资质保障：规则制定者为三位教育技术学副教授，并经教育部“在线教育研究中心”认证为“在线学习行为分析师”，确保所制定规则符合教育教学规律。第二，效率优势：人工规则的推理时间远低于数据驱动方法，更适用于在线教育平台的“实时推理”需求，且无需大量标注数据，降低了数据采集成本¹⁵。第三，符合在线教育场景中“可解释性”的核心要求，人工定义的规则与三角形隶属函数（公式 1）可直接对应教学场景中的直观认知，教育者无需具备复杂技术背景即可理解某学生被判定为高风险的推理依据。尽管神经-模糊系统等数据驱动方法可自动优化规则，但其生成的多数规则为复杂的数学表达式，难以被教育者理解，从而降低了模型在实际教学干预中的可接受性。

面向XGBoost的改进型学生评论情感分析模型设计

所设计的MPFR模型可从课程、个体和班级三个维度分析学生在线学习行为（SOLB）。然而，仅分析外部行为数据在表达学生主观感受方面存在局限性。因此，为进一步分析学生对学习的主观感受，本研究收集并预处理了来自MOOC学习平台的包含学生评论信息的补充数据。随后，利用XGBoost构建情感分类模型，并设计改进的灰狼优化算法（IGWO）以优化其参数，提高分类模型的准确性。XGBoost的改进主要体现在通过IGWO算法对其进行参数优化。数据预处理是模型构建与分析前的关键第一步。数据预处理流程如图3所示。

图3：数据预处理流程。 九步数据预处理过程包括文本清洗、分词、停用词去除、词干提取和情感词识别，为后续的行为分析与情感分类提供高质量数据。 请点击此处查看该图的放大版本。

数据预处理步骤如下：第一步是进行文本清洗，去除超星平台数据中的无关字段并过滤无效样本，同时去除慕课平台评论数据中的非文本字段和简短评论。第二步是进行分词处理，其中中文评论采用结巴分词的“精确模式”进行分词处理，英文评论则使用NLTK库的分词功能进行处理。第三步是去除“的”、“是”、“在”等常见停用词，其中中文停用词采用哈尔滨工业大学停用词表（https://github.com/goto456/stopwords/blob/master/hit_stopwords.txt），通过词语匹配方式删除停用词；英文停用词采用NLTK库内置的通用停用词表，同样通过逐词匹配方式进行删除。第四步是使用NLTK库的词干提取器对文本进行词干提取，将英文数据中的动词还原为其词干形式。第五步是基于CNKI情感词典识别评论中的正向和负向情感词，为后续情感分类提供预标注依据。第六步是进行特征提取，其中超星平台的结构化数据进行标准化处理，分类指标则单独编码；同时，慕课平台的评论数据采用预训练语言模型（Transformer双向编码器表示，BERT）方法提取文本特征。BERT模型在文本特征提取中的核心优势在于，其通过深度双向Transformer架构能够动态生成上下文感知的词向量，有效解决传统静态词嵌入模型无法处理的语义歧义问题。第七步是处理评论数据中情感类别不平衡的问题，采用合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）进行处理，选取五个最近邻样本进行插值以生成合成的少数类样本，并设置固定的随机种子42，以确保实验的可重复性。第八步是对数据进行标注与划分。第九步是填补超星数据中的缺失值并剔除异常值。在进行数据平衡处理时，SMOTE通过在少数类样本之间插值生成新的复合样本，从而增加少数类样本数量，使数据集的类别分布更加均衡^16,17。SMOTE的表达式如公式（3）所示。

B_mn = d_m + rand(0,1) × (d_mn - d_m)  (3)

在公式（3）中，B_mn 是一个人工构造的少数类样本，d_m 是第 i 个少数类样本，d_mn 是 d_m 的 k 个最近邻中的第 n 个样本。rand(0,1) 是一个介于 0 和 1 之间的随机数。XGBoost 通过迭代添加预测树来提升预测性能，具有高准确性、强灵活性和易于使用等优点^18,19。使用 XGBoost 迭代构建树模型的主要步骤包括：模型初始化、迭代建树、目标函数和正则化项。第 t 次迭代中的预测输出 如公式（4）所示。

   (4)

在公式（4）中， 是第 t - 1 次迭代后的模型预测值，f_t(h) 是第 t 次迭代中添加的树模型的预测函数，h 是输入特征向量。XGBoost 的最小化目标函数如公式（5）所示。

(5)

在公式（5）中，i 为样本编号。I 和 J 分别为样本总数和树的总数，j 为树的编号。 是损失函数，g_i 是第 i 个样本的真实标签。 是模型在第 t 次迭代后对第 i 个样本的预测值。Ω(f_t) 是正则化项，(f_t) 是第 j 棵树的预测函数。正则化的通用表达式 Ω(f) 如公式（6）所示。

(6)

在公式（6）中，γ 表示叶节点数量的惩罚系数，λ 表示叶节点权重的 L2 正则化系数，w 表示叶节点的权重。然而，XGBoost 超参数的选择对其性能具有直接且显著的影响。XGBoost 的常见超参数包括学习率、树的最大深度以及正则化参数。由于超参数空间可能较大，手动调整这些参数不仅耗时，而且难以找到最优的参数组合。因此，本研究设计了 IGWO 以优化 XGBoost 的超参数。灰狼优化算法（GWO）通过模拟灰狼的社会等级结构和捕猎策略来搜索最优解，具有参数少、适应性强等优点^20,21。在 GWO 中，种群的初始位置按公式（7）生成。

  (7)

在公式（7）中，P_uv 表示第 u 个个体在第 v 维的当前位置。 和 分别表示第 v 维搜索空间的上界和下界。rand() 是 [0,1] 区间内的一个随机数。然而，GWO 算法在中后期可能遇到收敛速度慢以及陷入局部最优的问题。这也意味着此时 GWO 可能无法有效探索整个解空间，从而难以找到全局最优解。为解决这一问题，本研究从两个方面对 GWO 进行改进，即引入 Tent 混沌映射（Tent Chaotic Map, TCM）和非线性收敛因子（Nonlinear Convergence Factor, NCF）。TCM 是一种简单的混沌映射，可确保在搜索过程中不会遗漏潜在的最优解区域，并避免对同一区域的重复搜索²²。因此，通过 TCM 可生成更加均匀且随机的初始种群，并增强算法跳出局部最优的能力。TCM 的计算如公式（8）所示。

（8）

在公式（8）中，y 是控制参数。R_t 和 R_t+1 分别是第 t 次和第 t+1 次迭代时的系统状态变量。NCF z 的公式如公式（9）所示。

 (9)

在公式（9）中，z_max 为最大收敛因子，t_max 为最大迭代次数。该非线性递减方法使灰狼优化算法（GWO）在初期保持较大的步长以进行全局搜索；在搜索中期，收敛速度加快；而在后期则以较小的步长进行局部搜索，从而有效平衡全局与局部搜索能力，提升优化性能。改进的灰狼优化算法（IGWO）专门用于XGBoost情感分类器的超参数优化阶段，其主要流程如图4所示。

图4：IGWO的主要流程。 该图展示了IGWO的执行过程，包括基于Tent混沌映射的种群初始化、非线性收敛因子的位置更新以及最优个体筛选，并阐明了优化XGBoost超参数的逻辑。请点击此处查看该图的放大版本。

在图4中，IGWO过程包括：初始化算法；使用TCM初始化种群；计算每个个体的初始适应度值；利用NCF更新灰狼位置；选择适应度最优的解作为新的最优个体；并输出最优个体。通过IGWO可输出XGBoost超参数的最优组合。情感分类的整体流程整合了数据预处理、IGWO优化以及最终的XGBoost模型。基于IGWO-XGBoost的分类模型流程如图5所示。

图 5：基于 IGWO-XGBoost 的分类模型流程。 该图展示了 IGWO-XGBoost 情感分类模型的完整流程，从数据输入与预处理、数据集划分、IGWO 超参数优化、XGBoost 模型构建到分类结果输出，清晰呈现了模型的运行链条。 请点击此处查看该图的放大版本。

基于IGWO-XGBoost的模型包含输入数据、数据预处理、数据集划分、IGWO算法超参数优化、最优超参数组合、基于最优超参数组合构建XGBoost模型以及输出分类结果等流程。通过该分类模型，可对学生的评论情绪进行分类，从而更直观地了解学生对学习的主观感受。研究中所使用的具体软件版本、随机种子、硬件配置、环境配置及数据集来源见表1。

设置类型	具体型号及内容
基础软件	Python 3.9.7
核心库	XGBoost 1.7.5、Scikit-learn 1.2.2、Jieba 0.42.1、NLTK 3.8.1、Pandas 1.5.3、NumPy 1.24.3、Matplotlib 3.7.1、Imbalanced-learn 0.10.1
随机种子	将全局随机种子设为 42
硬件/环境配置	1. 操作系统：Windows 10 专业版（64 位，版本号 22H2）
	2. 处理器：Intel Core i5-12600KF（主频 3.7GHz，动态加速频率 4.9GHz）
	3. 内存：64GB DDR4（频率 3200MHz，支持最大 128GB 内存）
	4. 存储：1TB SSD（三星 980 Pro，读取速度 7450MB/s）
	5. 显卡：NVIDIA GeForce RTX 3060（12GB 显存）
数据集来源及获取方式	1. 超星平台数据集：
	- 来源统一资源定位符（URL）：https://www.chaoxing.com/
	- 获取方法：通过超星教育大数据开放平台申请（申请路径：平台官网 → 开发者中心 → 数据接口 → 学习行为数据集）
	2. MOOC 平台评论数据集：
	- 来源 URL：https://www.icourse163.org/.cn
	- 获取方法：通过 MOOC 平台“数据研究支持”通道申请
自定义脚本或模型	1. 数据预处理脚本
	2. MPFR 模型脚本
	3. IGWO-XGBoost 模型脚本

表1：研究中使用的特定软件版本、随机种子、硬件规格、环境规格及数据集来源。提供本研究所需的软件和硬件环境、随机种子设置、数据集来源以及XGBoost超参数搜索范围的详细列表，以确保实验的可重复性和标准化。

表1显示，本研究采用 XGBoost 1.7.5 作为情感分类模型的核心框架，并引入 Scikit-learn 1.2.2 进行数据预处理、特征提取和模型评估。此外，研究统一将随机种子设置为 42，以确保数据划分、SMOTE 过采样、IGWO 超参数优化以及 IGWO-XGBoost 模型训练结果的可重复性。同时，IGWO 算法设定了 XGBoost 超参数的搜索空间：学习率在对数尺度 [0.001, 0.3] 范围内搜索，树的最大深度在整数集合 {3, 4, ..., 15} 中搜索。L2 正则化项的优化范围为 [0.1, 5.0]，每棵树特征子集的采样比例在 [0.6, 1.0] 范围内优化，叶节点最小权重的调优范围为 [1, 10]。

数据集及相关数据预处理与分析代码均由团队自行生成和分析。数据预处理的核心脚本见表2。

import pandas as pd, jieba, re, numpy as np

from nltk.tokenize import word_tokenize; from nltk.stem import PorterStemmer

def clean(text, l)

返回 re.sub(r"[^\u4e00-\u9fa5]" 如果 l=="zh" 否则 r"[^a-zA-Z]", " ", text).strip()

def process(text, l):

t = jieba.lcut(text) 如果 l=="zh" 否则 word_tokenize(text)

返回 " ".join([PorterStemmer().stem(w) if l=="en" else w for w in t if w not in open("hit_stopwords.txt").read().split()])

def main(c, m, l):

cx = pd.read_csv(c).query("课程学习时长")>=1 & 考试成绩.notna()"); mc = pd.read_csv(m).query("评论文本.str.len()>=5")

mc["t"] = mc["comment text"].apply(clean, args=("zh",)).apply(process, args=("zh",))

np.savez("out.npz", **{k: v for k, v in locals().items()})

表2：数据预处理的核心脚本。展示数据预处理的核心脚本信息，阐明脚本对应的数据预处理步骤，并为研究方法的复现提供技术参考。

结果

综合多视角与情感分类的LBA结果

为了验证性能，设置了实验环境并描述了实验数据集。此外，本研究选取了对比算法IGWO-XGBoost，并使用准确率、耗时和召回率等指标对其进行分析与验证。在结果分析中，研究将其分为两个明确的部分：基于MPFR的LBA结果，以及基于IGWO-XGBoost的情感分类性能验证。

通过MPFR进行学习行为分析

为了验证MPFR的性能并从多个角度分析学生的学习行为，本研究采用Windows 10系统和Intel Core i5-12600KF中央处理器。该处理器主频为3.7 GHz，动态加速频率为4.9 GHz，支持最大128 GB内存。在数据集中，从超星平台（来源：https://www.chaoxing.com/）获取了约50,000条来自1,000人的数据。经过数据预处理后，仍保留48,652条记录。这些数据包含课程任务完成率、课程学习时长等多个维度的信息。从课程视角出发的L...

讨论

针对SOLB的分析，本研究设计了MPFR模型和IGWO-XGBoost模型，并利用在线教学平台的数据进行实验。实验结果显示，推理模型的评分与实际得分之间具有高度一致性，表明该推理模型有效。约25%的学生在课程中的学习时长为1–10小时，学习时长在11–20小时、21–30小时、31–40小时以及超过41小时的学生比例分别为30%、20%、15%和10%。这表明大多数学生保持了中等强度的学习投入，而学习时间极短或极长的学生占比较小。不同优化算法在XGBoost模型超参数优化上的结果存在差异，其中IGWO表现更优。IGWO-XGBoost的分类时间为100 ms，F1分数为0.968。IGWO-XGBoost的最大分类准确率达到98.78%，最小值为95.02%，显著高于对比模型。在负向、正向和中性情绪上的召回率，IGWO-XGBoost均高于对比模型。在负向情绪方面，IGWO-XGBoost与对比模型的最大召回率分别为98.35%、90.12%、91.05%、92.30%和93.10%。综上所述，MPFR模型与IGWO-XGBoost模型均表现出良好的性能，能够有效分析学生的学习行为。在实际应用价值方面，该研究方法可通过两个具体应用场景为...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
BERT 预训练语言模型	Google research	https://github.com/google-research/bert
CNKI 情感词典	CNKI	https://www.cnki.net/
超星平台学习行为数据	超星信息技术发展有限公司	https://www.chaoxing.com/
计算机内存			通用硬件供应商（无具体型号）
哈尔滨工业大学停用词表	哈尔滨工业大学	https://github.com/goto456/stopwords/blob/master/hit_s
Intel Core i5-12600KF	Intel Corporation	BX8071512600KF
Jieba 分词工具（精确模式）	第三方开源社区	https://github.com/fxsjy/jieba.
MOOC 平台学生评论数据	爱课程网	https://www.icourse163.org/
NLTK 库	NLTK 开发团队	https://www.nltk.org/
Python 编程语言	Python 软件基金会	https://www.python.org/
Scikit-learn 1.2.2	Scikit-learn 团队	https://scikit-learn.org/stable/
智慧树平台学习行为数据	智慧树网	https://www.zhihuishu.com/
SMOTE 技术	Imbalanced Learn 开发团队	集成于 Imbalanced Learn 库，https://imbalanced-learn.org/stable/
Windows 10 操作系统	Microsoft corporation	https://www.microsoft.com/zh-cn/windows/windows-10
XGBoost 1.7.5	XGBoost 开发团队	https://xgboost.readthedocs.io/