CN104484454A - 一种面向知识地图的网络学习行为与效能分析方法 - Google Patents

Abstract

本发明公开了一种面向知识地图的网络学习行为与效能分析方法：通过从教学资源组织、教学活动设计和用户学习行为特征等方面，对比分析传统面向课件的网络学习与面向知识地图的网络学习之间的区别，给出了知识地图模式下体现学习者学习行为的指标，即知识元覆盖率F和有效点击时长T的计算方法；结合用户在网络学习平台上在线提交作业的时长特性分析，采用k-means聚类算法，将学习者分为积极型、一般型和拖沓型三类；本发明解决了面向知识地图的学习模式下的网络学习行为特征抽取，以及量化分析网络学习行为模式与学习效能间的关系的问题，可以为网络学习资源的个性化推荐提供依据和基础。

Description

一种面向知识地图的网络学习行为与效能分析方法

技术领域

本发明涉及一种网络学习行为和效能分析方法，特别涉及一种面向知识地图的网络用户行为分析方法。

背景技术

E-learning学习中，教与学时空分离等特点加大了教师对学习过程监控的难度，了解网络学习者的内在风格与偏好是把握网络学习者日常学习行为的关键。学习风格是由学习者特有的认知、情感和生理行为构成，它是反映学习者如何感知信息、如何与学习环境相互作用，并对之做出反应的相对稳定的学习方式。国内外学者围绕网络学习风格分类、学习行为监控、学习行为特征提取、行为模式构建和学习效果评价等方面开展研究。研究结果表明，学习风格在一定程度上决定了学习行为，而学习行为又直接影响到个人的学习效果。

国内外学者从不同的角度给出了学习风格的分类标准。其中，所罗门(BarbaraA.Soloman)学习风格量表从信息加工、感知、输入和理解四个方面，将学习风格分为活跃型与沉思型、感悟型与直觉型、视觉型与言语型、序列型与综合型；Reid从用户对学习资源的主观接受和合作角度，将学习风格分为视觉型、听觉型、触觉型、合作性和个体型；Gregorc则从感知和知觉两个维度，将学习风格划分为具体—序列、具体—随机、抽象—序列和抽象—随机四类；Kolb从学习过程周期(learning cycle)的角度出发，认为学习过程由具体经验(concrete experience)、抽象概括(abstract conceptualization)、反思观察(reflective observation)和积极实验(active experimental)四个相互联系的环节组成。并依据个体对这四个环节的偏爱程度，将学习者分为聚合者、同化者、顺应者和发散者四类。国内也有学者对此方面开展研究，其中谭顶良认为学习风格是学习者持续一贯的带有个性特征的学习方式，是学习策略和学习倾向的总和；詹泽慧以学习共同体理论、元认知理论和扎根理论为指导，给出了混合学习环境下用户学习风格分类体系。

尽管角度不同，但已有研究对于用户学习风格和行为是否受到网络平台、课程资源呈现形式等因素的影响研究甚少。从教学活动设计出发，结合用户日志分析和学习行为特征提取，可以将典型的网络教学平台分为两类：一类是传统的以课件和文本形式组织学习的网络教学平台，以Martin Dougiamas开发的Moodle为例，另一类是从知识构建主义理论出发提出的面向知识地图的学习平台，以Yotta为例。

发明内容

本发明的目的在于提供一种面向知识地图的网络学习行为与效能分析方法，在于量化分析不同学习平台下用户学习模式的变化及其对最终学习效果产生的影响。

为达到以上目的，本发明采用了以下技术方案：

1)获取基于网络学习时长的学习模式

根据学习者的网络学习时长，采用聚类算法将学习者分为若干类；

2)获取面向知识地图的网络学习行为分析指标

计算知识元覆盖率F和有效点击时长T两个指标，知识元覆盖率F是指学习者进行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中点击的知识元总个数所占的比例，有效点击时长T指学习者从开始一次课程学习到点击到第一个有用知识元之间的时间间隔；所述有用知识元是指教师根据先验知识和教学活动要求，对一次课程学习中涉及的关键知识点进行标注的结果，有用知识元是一组知识元u的集合，且u∈U，U表示一次课程学习中涉及的所有知识元；

3)获取面向知识地图的网络学习行为和效能

通过计算各类学习者的F和T，分析不同类学习者在面向知识地图的网络学习模式下的行为特征，以及F和T与学习者成绩的相关性。

在面向知识地图的网络学习中，学习资源以知识地图的形式进行组织，知识地图是以知识单元为节点、以知识单元之间的关联关系为边构成的有向图，知识单元是指具有完备表达能力的基本知识单位，知识单元根据粒度的不同分为术语和知识元，一个术语对应若干个知识元，若干个知识元之间的关联用术语关系或知识元关系表达。

将网络学习时长作为学习者学习模式的聚类指标，所述网络学习时长为提交作业时长，采用K-means聚类方法将学习者分为积极型、一般型和拖沓型三类，积极型学习者在教师布置作业后在较短的时间内完成作业的在线提交，拖沓型学习者在教师布置作业后的临近截止时间才完成作业的提交，提交作业时长定义为学习者开始一次课程学习到提交某个作业的时间差值：

$D_{\mathrm{sid}}^i=d_{\mathrm{sid}}^1-d_{\mathrm{sid}}^0---\left(1\right)$

其中，是指学号为sid的学习者提交第i个作业的时长，是指学习者开始一次课程学习的时间，是学习者提交作业的时间，对于一个作业的多次提交，以最后一次提交时间为准。

对于学习者提交多个作业的情况，所述提交作业时长为所述学习者提交多个作业的时长均值，该均值采用加权平均的方法计算，权值由教师根据每个作业的难易程度确定：

$D_{\mathrm{sid}}^n=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i*D_{\mathrm{sid}}^i---\left(2\right)$

其中，指学号为sid的学习者提交n个作业的平均时长，a_i指第i个作业的权值，指学号为sid的学习者提交第i个作业的时长。

所述知识元覆盖率F的计算方法为：

$F_{\mathrm{sid}}=\frac{m_{\mathrm{sid}}}{N}---\left(3\right)$

其中，F_sid指学号为sid的学习者在一次课程学习中的知识元覆盖率，m_sid是指所述学习者在一次课程学习中点击有用知识元的个数，N是指所述学习者在所述一次课程学习中点击的知识元总个数。

所述有效点击时长T的计算方法为：

$T_{\mathrm{sid}}=t_{\mathrm{sid}}^1-t_{\mathrm{sid}}^0---\left(4\right)$

其中，T_sid指学号为sid的学习者在一次课程学习中有效点击时长，是指所述学习者利用面向知识地图的网络学习系统开始一次课程学习的时间，是指所述学习者点击到第一个有用知识元的时间。

与现有技术对比，本发明的有益效果体现在：

本发明通过计算知识地图模式下体现用户学习行为的新指标，即知识元覆盖率F和有效点击时长T，从用户学习行为的特征抽取出发，分析面向知识地图的网络学习平台下用户学习行为模式的变化及其对学习效能的影响，可以为网络学习资源的个性化推荐提供依据和基础。

进一步的，上述指标除适用于Yotta系统，亦可以扩展应用到其他基于知识地图的学习平台，比如以短视频为主的MOOC学习平台，仅需进行短视频与知识点间的映射。

附图说明

图1为本发明方法涉及的数据处理流程图；

图2为本发明涉及的知识地图(以“计算机网络原理”课程为例)；

图3为本发明三类学习者的点击知识元覆盖率；

图4为本发明三类学习者的有效点击时长。

具体实施方式

下面结合附图和实施例对本发明作详细描述，所述是对本发明的解释而不是限定。

不同于传统的网络学习行为与效能分析，本发明方法应用于基于知识地图(又称主题图)的网络学习模式。这里知识地图是以知识单元为节点，由知识单元与其之间的学习依赖关系构成的有向图，是描述一个领域的元知识，是描述某一个领域(课程或学科)内的知识以及这些知识之间的关联的实体。知识单元是指具有完备表达能力的基本知识单位，诸如定义、定理、算法等。根据粒度的不同，知识单元可以是术语(概念)或知识元，一个术语对应若干个知识元，它们之间的关联用术语关系或知识元关系表达，可以是前序、因果和实例等关系。通过知识元检索功能，学习者可以很容易找到自己感兴趣的知识元，进而通过知识元之间的关系进行导航式学习。与传统的面向文本资源或课件资源的网络学习系统相比，面向知识地图的网络学习模式以知识地图的形式对学习资源进行组织，能为用户提供更加细粒度的知识元导航式学习。

本发明从用户(即学习者)学习行为的特征抽取出发，对比分析传统网络学习平台(以Moodle为例)与面向知识地图的网络学习平台(以Yotta为例，)下用户学习行为模式的变化及其对学习效能的影响，Yotta是课题组自主研发的体现知识资源内在关联的导航式学习系统(Qinghua Zheng,Yanan Qian,Jun Liu,Yotta:a Knowledge Map Centric E-learning System,2010IEEE7th International Conference on e-Business Engineering(ICEBE 2010),Shanghai,China,10-12Nov.2010:42-49)。与传统的网络学习提供面向文本资源或课件的学习相比，Yotta能为用户提供更加细粒度的学习，通过知识元检索功能，学习者可以很容易找到自己感兴趣的知识元，进而通过知识元之间的关系进行导航式学习。但另一方面，随着海量资源信息的不断增长，知识地图中涵盖的知识元及知识元之间的关系日益丰富，对于缺乏先验知识或学习背景的学习者，容易在一定程度上引起知识迷航，从而产生认知过载。相比而言，传统的课件式学习模式对于整体性的把握学习内容有着良好的辅助效果。因此本发明从用户行为特征出发，获取不同平台下的用户学习风格及学习效果的对比分析结果。主要包括以下几个方面：

1)根据用户提交作业的时长特征分析，采用K-means聚类算法将学习者分为积极型、一般型和拖沓型三类。其中积极型学习者是指在教师布置作业后，在较短的时间内完成作业在线提交的用户，而拖沓型学习者则通常是在临近截止时间才完成作业的提交。

2)提出了面向知识地图的网络学习模式下的用户行为度量指标：与传统的网络学习不同，面向知识地图的学习时间可以细化到用户在某个或某些知识元上的驻留时间以及不同知识元之间的点击时长间隔。本发明提出了知识元覆盖率F和有效点击时长T两个新指标，其中F是指学习者进行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中知识元总个数所占的比例；有效点击时长T指学习者从登录系统到点击到有用知识元之间的时间间隔。

3)通过两种平台下用户提交作业所用时长相关性分析，获取用户在不同学习平台下的学习行为。从Moodle平台和Yotta平台下用户学习日志中获取网络用户提交作业时长，利用Pearson相关性系数进行相关性分析。时间的起点为教师布置作业后学习者首次登录学习平台的时间，时间结点为学习者提交作业的时间。结果表明在两个平台下用户提交作业时长呈现正相关，说明学习者学习积极性、学习时长等特征并不随着学习平台的不同而明显改变。

4)通过获取F和T指标，分析三类学习者在面向知识地图学习模式下的行为特征。结果表明在利用知识地图进行学习时，越积极的学习者从登录到开始学习所用时间越短，越拖沓的学习者所用时间越长，说明越积极的学习者在使用知识地图进行学习时能越快的投入到学习中去，学习效率要高于拖沓型的学习者。

5)通过计算F和T与网络学习成绩的相关性，获取三类学习模式(积极型、一般型和拖沓型)对学习效能的量化影响。结果为F与成绩为正相关，说明充分利用知识地图学习的学习者较没有充分利用知识地图的学习者成绩要高；而T与成绩成反比，即从登录Yotta到点击有用知识元所用时间越短，成绩越高；反之(时间越长)，成绩越低。

如图1所示，一种面向知识地图的网络学习行为与效能分析方法，具体包括以下操作：

1.基于任务驱动部署学习任务：这是获取学习日志进行分析的前提。为了对比分析两种学习平台下的学习行为，采用任务驱动的学习部署来实现两种平台的无缝学习。以“计算机网络原理”课程为例，具体做法是：

1)以Moodle平台作为基本的网络教学平台，教师和学习者的大部分教学任务在此平台完成，包括教师发布课件、上传批改作业、发布消息以及学习者提交作业、查看成绩和答疑等基本操作。所以一次课程学习的开始时间就是登陆Moodle平台的时间。

2)Yotta是网络学习的补充平台，用于帮助学习者通过知识地图(如图2所示)加深所学内容，通过页面链接学习者可以很方便的从Moodle跳转到Yotta上，进行知识点的补充学习；

3)采用任务驱动的学习部署，比如教师在Moodle上布置作业“对比分析路由器与交换机”，学习者利用Yotta完成相关知识点的学习后再完成Moodle下作业的提交。这样就可以方便地获取不同学习平台下的学习日志。

2.“用户提交作业时长”作为用户学习模式的聚类指标，定义为用户登录网络学习平台到提交某个作业的时间差值，如公式(1)所示：

$D_{\mathrm{sid}}^i=d_{\mathrm{sid}}^1-d_{\mathrm{sid}}^0---\left(1\right)$

其中，sid是指用户的学号，是指用户登录Moodle的时间，是用户提交作业的时间。对于一个作业的多次提交，以最后一次提交时间为准。

用F_sid指某个用户利用Yotta系统进行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中知识元总个数所占的比例，如公式(2)所示：

$F_{\mathrm{sid}}=\frac{m_{\mathrm{sid}}}{N}---\left(2\right)$

其中，m_sid是指用户在一次教学活动(课程学习)中实际点击有用知识元的个数，N是指一次教学活动中的知识元总个数。

有效点击时长T_sid定义为用户从登录Yotta到点击到有用知识元之间的时间间隔，如公式(3)所示。

$T_{\mathrm{sid}}=t_{\mathrm{sid}}^1-t_{\mathrm{sid}}^0---\left(3\right)$

其中是指用户登录Yotta的时间，是指用户点击到有用知识元的时间。这里的有用知识元是指教师根据先验知识和教学活动要求，对一次特定的学习过程中涉及的关键知识点进行标注的结果，可以是一组知识元u的集合，u∈U。其中U表示一次教学活动中涉及的所有知识元，记为U＝{u₁,u₂,...u_N}。

3.日志预处理

对Moodle平台网络用户学习日志进行预处理，仅选取“assignment view”和“upload(upload)”类型的操作。原始Yotta日志和Moodle日志如表1和表2所示，表3为预处理后的Moodle日志。

表1 Yotta日志示例

表2 Moodle日志示例

表3 预处理后的Moodle日志示例

4.选取“提交作业时长”特征进行学习模式聚类，具体做法是：

步骤1：采用任务驱动部署学习作业；

步骤2：对Moodle平台网络用户学习日志进行预处理，仅选取“assignment view”和“upload”类型的操作；

步骤3：根据upload字段获取网络学习者的提交作业时长D_sid；

步骤4：采用K-means聚类算法得到聚类结果{C₁,C₂,C₃}

5.两种平台下用户提交作业时长的相关性分析，其目的在于分析用户提交作业行为是否随学习平台发生改变，如表4所示。具体做法是：

步骤1：采用任务驱动部署学习作业

步骤2：同时使用Moodle、Yotta下用户提交作业的时长均值D^y，对于多次作业的提交时间，可以采用加权平均的方法，权值由教师根据作业的难易程度确定；

步骤3：仅使用Moodle下用户提交作业的时长均值D^m，方法同上；

步骤4：利用Pearson相关性系数对D^y和D^m进行相关性分析

表4 两平台下提交时长相关性分析

6.面向知识地图的学习特性分析方法，包括以下方面：1)获取不同类用户在面向知识地图学习模式下的行为特征；2)获取学习风格对学习者成绩的量化影响。具体做法是：

步骤1：采用任务驱动部署学习作业

步骤2：获得聚类结果{C₁,C₂,C₃}

步骤3：教师根据先验知识和教学活动要求，对此次学习活动(布置作业)中涉及的关键知识点进行标注的结果，得到一组知识元的集合(u₁,u₂,u₃...)，u∈U，其中U是一门课程中所有知识元的集合。

步骤4：对知识地图学习模式下的Yotta平台学习日志进行预处理

步骤5：根据步骤2的聚类结果，计算{C₁,C₂,C₃}三类学习者的F和T指标，如图3和图4所示；C₁,C₂和C₃分别为积极型、一般型和拖沓型；

步骤7：根据F和T指标获取知识地图模式下的学习行为分析结果(如表5所示)；

步骤8：进行F和T指标与成绩的相关性分析(如表6和表7所示)

表5 参数F和T

表6 参数F与成绩的相关性

表7 参数T与成绩的相关性

7.本方法的扩展应用

上述方法除适用于将Yotta系统作为辅助学习系统，亦可以扩展应用到其他网络学习平台，只需按照知识地图的生成要求提取知识元，进行必要的映射即可。比如以短视频为知识组织单元的MOOC平台为例，如果要进行Moodle和MOOC学习平台下学习行为和效能的分析，具体做法如下：

步骤1：教师完成相关课程的知识元U抽取。

知识元的总数量一般以课程实际教授内容为准。但为了保证知识地图的展示效果和质量，每一章知识元的不能少于10个。以Yotta下的“计算机网络原理”为例，共抽取了2972个知识元。

步骤2：教师或者专业人员对短视频中包含的知识点K进行标注

短视频中知识点的标注准则是由教师结合步骤1中标注的知识元，对短视频中涉及到的知识点进行标注，要求这里的知识点与步骤1中的知识元相对应。

步骤3：教师实现短视频中知识点与知识元映射K→U

为了使用前面的方法进行分析，需要得到用户在知识地图上的学习时长和点击行为。因此，需要教师将步骤2中标注的知识点与步骤1中的知识元进行映射。

步骤4：基于前三个步骤，可以进行上述1～6中的各项操作。

Claims (5)

1.一种面向知识地图的网络学习行为与效能分析方法，其特征在于：

1)获取基于网络学习时长的学习模式

根据学习者的网络学习时长，采用聚类算法将学习者分为若干类；

2)获取面向知识地图的网络学习行为分析指标

计算知识元覆盖率F和有效点击时长T两个指标，知识元覆盖率F是指学习者进行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中点击的知识元总个数所占的比例，有效点击时长T指学习者从开始一次课程学习到点击到第一个有用知识元之间的时间间隔；所述有用知识元是指教师根据先验知识和教学活动要求，对一次课程学习中涉及的关键知识点进行标注的结果，有用知识元是一组知识元u的集合，且u∈U，U表示一次课程学习中涉及的所有知识元；

3)获取面向知识地图的网络学习行为和效能

通过计算各类学习者的F和T，分析不同类学习者在面向知识地图的网络学习模式下的行为特征，以及F和T与学习者成绩的相关性。

2.根据权利要求1所述一种面向知识地图的网络学习行为与效能分析方法，其特征在于：在面向知识地图的网络学习中，学习资源以知识地图的形式进行组织，知识地图是以知识单元为节点、以知识单元之间的关联关系为边构成的有向图，知识单元是指具有完备表达能力的基本知识单位，知识单元根据粒度的不同分为术语和知识元，一个术语对应若干个知识元，若干个知识元之间的关联用术语关系或知识元关系表达。

3.根据权利要求1所述一种面向知识地图的网络学习行为与效能分析方法，其特征在于：将网络学习时长作为学习者学习模式的聚类指标，所述网络学习时长为提交作业时长，采用K-means聚类方法将学习者分为积极型、一般型和拖沓型三类，积极型学习者在教师布置作业后在较短的时间内完成作业的在线提交，拖沓型学习者在教师布置作业后的临近截止时间才完成作业的提交，提交作业时长定义为学习者开始一次课程学习到提交某个作业的时间差值：

$D_{\mathrm{sid}}^i=d_{\mathrm{sid}}^1-d_{\mathrm{sid}}^0\·\·\·\left(1\right)$

其中，是指学号为sid的学习者提交第i个作业的时长，是指学习者开始一次课程学习的时间，是学习者提交作业的时间，对于一个作业的多次提交，以最后一次提交时间为准。

4.根据权利要求3所述一种面向知识地图的网络学习行为与效能分析方法，其特征在于：对于学习者提交多个作业的情况，所述提交作业时长为所述学习者提交多个作业的时长均值，该均值采用加权平均的方法计算，权值由教师根据每个作业的难易程度确定：

$D_{\mathrm{sid}}^n=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i*D_{\mathrm{sid}}^i\·\·\·\left(2\right)$

其中，指学号为sid的学习者提交n个作业的平均时长，a_i指第i个作业的权值，指学号为sid的学习者提交第i个作业的时长。

5.根据权利要求1所述一种面向知识地图的网络学习行为与效能分析方法，其特征在于：所述知识元覆盖率F的计算方法为：

$F_{\mathrm{sid}}=\frac{m_{\mathrm{sid}}}{N}\·\·\·\left(3\right)$

其中，F_sid指学号为sid的学习者在一次课程学习中的知识元覆盖率，m_sid是指所述学习者在一次课程学习中点击有用知识元的个数，N是指所述学习者在所述一次课程学习中点击的知识元总个数。

所述有效点击时长T的计算方法为：

$T_{\mathrm{sid}}=t_{\mathrm{sid}}^1-t_{\mathrm{sid}}^0\·\·\·\left(4\right)$

其中，T_sid指学号为sid的学习者在一次课程学习中有效点击时长，是指所述学习者利用面向知识地图的网络学习系统开始一次课程学习的时间，是指所述学习者点击到第一个有用知识元的时间。