With the rapidly growing demand for large-scale online education and the advent of big data, numerous research works have been performed to enhance learning quality in e-learning environments. Among these studies, adaptive learning has become an increasingly important issue. The traditional classification approaches analyze only the surface characteristics of students but fail to classify students accurately in terms of deep learning features. Meanwhile, these approaches are unable to analyze these high-dimensional learning behaviors in massive amounts of data. Hence, we propose a learning style classification approach based on the deep belief network (DBN) for large-scale online education to identify students’ learning styles and classify them. The first step is to build a learning style model and identify indicators of learning style based on the experiences of experts; then, relate the indicators to the different learning styles. We improve the DBN model and identify a student’s learning style by analyzing each individual’s learning style features using the improved DBN. Finally, we verify the DBN result by conducting practical experiments on an actual educational dataset. The various learning styles are determined by soliciting questionnaires from students based on the ILS theory by Felder and Soloman (1996) and the Readiness for Education At a Distance Indicator. Then, we utilized those data to train our DBNLS model. The experimental results indicate that the proposed DBNLS method has better accuracy than do the traditional approaches.

中文翻译：

---

基于深度信念网络的大规模在线教育学习风格分类方法

随着对大规模在线教育的需求迅速增长以及大数据的出现，已经进行了许多研究工作来提高电子学习环境中的学习质量。在这些研究中，适应性学习已成为越来越重要的问题。传统的分类方法仅分析学生的表面特征，但无法根据深度学习特征对学生进行准确分类。同时，这些方法无法分析大量数据中的这些高维学习行为。因此，我们提出了一种基于深度信念网络（DBN）的学习风格分类方法，用于大规模在线教育，以识别学生的学习风格并将其分类。第一步是建立学习风格模型，并根据专家的经验确定学习风格的指标；然后，将指标与不同的学习方式相关联。我们使用改进的DBN来分析每个人的学习风格特征，从而改进DBN模型并确定学生的学习风格。最后，我们通过对实际教育数据集进行实际实验来验证DBN结果。各种学习方式是通过根据Felder和Soloman（1996）的ILS理论以及“远程教育准备程度”，向学生征求问卷来确定的。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，所提出的DBNLS方法比传统方法具有更好的准确性。将指标与不同的学习方式联系起来。我们使用改进的DBN来分析每个人的学习风格特征，从而改进DBN模型并确定学生的学习风格。最后，我们通过对实际教育数据集进行实际实验来验证DBN结果。各种学习方式是通过根据Felder和Soloman（1996）的ILS理论以及“远程教育准备程度”，向学生征求问卷来确定的。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，所提出的DBNLS方法比传统方法具有更好的准确性。将指标与不同的学习方式联系起来。我们使用改进的DBN来分析每个人的学习风格特征，从而改进DBN模型并确定学生的学习风格。最后，我们通过对实际教育数据集进行实际实验来验证DBN结果。各种学习方式是通过根据Felder和Soloman（1996）的ILS理论以及“远程教育准备程度”，向学生征求问卷来确定的。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，所提出的DBNLS方法比传统方法具有更好的准确性。最后，我们通过对实际教育数据集进行实际实验来验证DBN结果。各种学习方式是通过根据Felder和Soloman（1996）的ILS理论以及“远程教育准备程度”，向学生征求问卷来确定的。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，所提出的DBNLS方法比传统方法具有更好的准确性。最后，我们通过对实际教育数据集进行实际实验来验证DBN结果。各种学习方式是通过根据Felder和Soloman（1996）的ILS理论以及“远程教育准备程度”，向学生征求问卷来确定的。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，所提出的DBNLS方法比传统方法具有更好的准确性。