基于支持向量机的学生行为诊断

在网络学习广泛流行的今天，如何设计一个有用学习诊断系统，帮助教师通过智能辅导系统获得有用学生的学习行为信息，并为学生的学习提供必要的帮助，已经成为了一个热门的研究课题.
 1.支持向量机 (SVM)分类器概述

 支持向量机(SVM)是由Vapnik等人提出的一类新型的机器学习方法。SVM能处理小样本、非线性以及高微模式识别问题，而且表现出很多特有的优点，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域都得到了成功的应用。SVM分类器可以预测每个学习者的成绩。SVM与传统技术最大的不同的是SVM采用最低结构冒险（SRM）方法，而不是统计学中常用的ERM方法。SRM法缩小了概括的上界限定，而不是缩小操作错误，预测比传统的ERM法更准确。

2.C-J.Huang智能学习诊断系统

 (1)学习诊断系统的概况

这个研究中C-J. Huang等提议了用三种学习参数去改进向量机，被提议的学习参数可以分别计算学生在网上学习的有效时间，在讨论中选择的信息与学习主题的关联程度，发现学生作业中的抄袭行为。数字参数表示每个学习者的表现，其目的是核实系统是否反映学生的真实学习行为。在这个研究中，C-J. Huang等把学习诊断系统设计成一个开放网络学习软件平台。

(2)网络学习平台的结构
网络学习平台的结构如图3.4-1显示，蓝色线框里面表示这三个学习参数的改进装置。从图上看，网络学习平台模型可以协助五年级自然科学课程的教学。三个学习参数的输入是从学习者的在线学习活动中获得的。学习参数改进装置的有效参数输入SVM分类器中可以去预测每个学习者的成绩及检查它是否与学习者期中考试的等级一致。