CN107423851A - 基于学习风格情境感知的自适应学习方法 - Google Patents
基于学习风格情境感知的自适应学习方法 Download PDFInfo
- Publication number
- CN107423851A CN107423851A CN201710595645.8A CN201710595645A CN107423851A CN 107423851 A CN107423851 A CN 107423851A CN 201710595645 A CN201710595645 A CN 201710595645A CN 107423851 A CN107423851 A CN 107423851A
- Authority
- CN
- China
- Prior art keywords
- learning
- style
- adaptive
- algorithm
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000013016 learning Effects 0.000 title claims abstract description 406
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 62
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 238000003066 decision tree Methods 0.000 claims abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 25
- 230000006978 adaptation Effects 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000009472 formulation Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 45
- 230000006399 behavior Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 38
- 230000003542 behavioural effect Effects 0.000 claims description 18
- 238000005065 mining Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 230000035807 sensation Effects 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 230000035045 associative learning Effects 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 abstract description 12
- 238000002474 experimental method Methods 0.000 abstract description 11
- 230000008447 perception Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 8
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000013517 stratification Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 20
- 238000011160 research Methods 0.000 description 18
- 238000000205 computational method Methods 0.000 description 11
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 102000020897 Formins Human genes 0.000 description 1
- 108091022623 Formins Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于学习风格情境感知的自适应学习方法,提出混合决策树及隐式马尔科夫模型的学习风格数据挖掘算法,提高现有感知方法的精度及效率;引入多策略匹配的学习服务自适应机制,包括:正向适应策略、反向促进策略和反馈策略,在学习内容、呈现方式、教学方法多方面进行风格匹配,并建立层次化、模块化的学习风格感知的自适应学习系统模型;采用文理方法兼用的模式及客观主观共存的方法,以教育理论指导感知算法的设计与自适应机制的制定,并通过教学对比实验的现象及结果反映和支撑教育理论。达到定性及定量地评估学习者的学习效率、效果和兴趣。
Description
技术领域
本发明涉及一种信息数据处理技术,特别涉及一种基于学习风格情境感知的自适应学习方法。
背景技术
国内外关于“学习风格感知方法及自适应机制”的技术的探讨主要围绕以下三个问题:
(1)在线学习环境下,学习者的哪些属性信息、行为特征能反映他的学习风格?
(2)依据这些信息,采用何种方法感知学习风格?
(3)对于特定的学习风格,提供何种学习服务能有效地提高学习效率和效果?
分解以上这三个问题,“学习风格感知方法及自适应机制”的相应技术方案的主要设计思路为:
(1)选择适合的学习风格模型作为教育理论依据;
(2)依据所选模型,提取反映学习风格的属性或行为信息;
(3)设计学习风格计算方法,基于各类信息感知学习风格;
(4)制定教学匹配策略,对于不同风格学习者提供自适应、个性化学习服务;
(5)提出学习评估方法,开展教学对比实验,评价研究方法的有效性。
如图1所示现在学习风格感知及自适应学习机制的整体技术方案。下面,针对上述五项具体技术的国内外发展情况做以梳理及评述。
1)学习风格理论的选取
在学习风格理论发展的30年间,共有71种典型的模型被提出。已有很多模型被应用在在线学习环境的研究中。文献1(Truong,H.M.(2016).Integrating learning stylesand adaptive e-learning system:Current developments,problems andopportunities.Computers in Human Behavior,55,1185-1193)分析了从2004年至2014年间51篇关于“感知学习风格的自适应在线学习环境”的文献,整理得到各主要学习风格模型的应用比例,如表1所示各类学习风格模型在典型在线学习环境中的应用比例。Felder-Silverman学习风格模型借鉴了多种模型的分类方法,从四个维度对学习风格进行描述,鉴于其综合、全面、易于应用等特点,大多数选取Felder-Silverman学习风格模型。
表1
学习风格模型 | 文献个数 | % |
Felder-Silverman | 36 | 70.6 |
Honey&Mumford | 2 | 3.9 |
Kolb | 2 | 3.9 |
VARK | 5 | 9.8 |
Others | 6 | 11.8 |
2)反映学习风格的特征信息的提取
根据所选用的理论模型中对于学习风格特点的描述,可以定义反映学习风格的各类特征信息。通过整理大量文献,可将特征信息分成三大类:1)学习者背景信息:指学习者自身具有的、静态不变的信息,如:性别、国籍、专业、学历等;2)学习行为信息:指学习者使用在线学习系统过程中,与系统交互而留下的行为信息;3)其他个人综合信息:指与学习风格相似的一些个人综合信息,如:背景知识,认知能力,工作记忆力,推理能力等。现有的各类学习风格感知技术在选取用户特征信息时通常比较片面,没有充分反映学习风格理论对于不同风格的特征描述。为了能够准确地通过学习者的特征信息来判断其学习风格,需要详细梳理原始理论中对于学习风格的描述,正确选取特征信息,建立合理的对应关系。
3)学习风格计算方法
常用的学习风格计算方法有:(1)基于规则的分类方法:研究人员根据其对学习风格理论的理解和经验,定义出划分学习风格类别的静态规则。(2)决策树:决策树中的节点代表学习者的学习行为,叶节点代表学习风格。(3)贝叶斯网络:贝叶斯网络结构图的各个节点代表了学习者的不同学习行为。根据前人结果和研究人员自己经验设置条件概率表,再利用贝叶斯定理计算出学习者学习风格。(4)隐马尔可夫模型:即利用可以观测到的学习行为来推测分析学习者的学习风格。对于学习风格的各个维度,分别训练两个隐式马尔科夫模型。应用过程中,将某个学习者的行为数据分别带入同一维度的两个隐式马尔科夫模型中,该学习者在这一维度上的学习风格即为概率较高的模型所对应的风格。各学习风格计算方法的优缺点比较如表2所列。
表2
已有的感知学习风格的在线学习环境中,绝大多数使用单一计算方法,很少一部分使用混合式计算方法。而在这部分混合式计算方法中,几乎都是将决策树算法与贝叶斯网络算法相结合。然而,混合式机器学习法已经在医学、金融等领域有了十分出色的表现。常用的混合式方法包括结果继承法,结果整合法。在学习风格感知技术中,深入研究混合式机器学习算法将能够较大程度提高学习风格的感知准确率。
4)学习服务自适应机制
已有的基于学习风格的自适应学习环境所提供的学习服务包括:(1)学习内容,学习资料;(2)学习内容的显示格式;(3)学习内容的显示密度;(4)教学策略;(5)学习路径;(6)教学游戏情境;(7)练习题及测试题;(8)学生分组;(9)个性化的在线学习空间等。一般情况下,在线学习环境会提供多种自适应服务。表3列出了上述自适应学习服务的详细描述及参考文献。
表3
文献2:Akbulut,Y.&Cardak,C.S.(2012).Adaptive educational hypermediaaccommodating learning styles:A content analysis of publications from 2000to2011.Computers&Education,58(2),835–842.
文献3:24Latham,A.,Crockett,K.,&McLean,D.(2014).An adaptationalgorithm for an intelligent natural language tutoring system.Computers&Education,71,97–110.
文献4:Yasir,E.A.M.,&Sami,M.S.(2011).An approach to Adaptive E-learning Hypermedia System based on Learning Styles(AEHSLS):Implementationand evaluation.International Journal of Library and Information Science,3(1),15–28.
文献5:Baldiris,S.,Santos,O.C.,Barrera,C.,Boticario,J.,Velez,J.&Fabregat,R.(2008).Integration of educational specifications and standards tosupport adaptive learning scenarios in ADAPTAPlan.IJCSA,5(1),88-107.
文献6:Cabada,R.,Estrada,M.,Sanchez,L.,Sandoval,G.,&Barrientos,J.(2009).Modeling student’s learning styles in web2.0learning systems.WorldJournal on Educational Technology,1(2),75–88.
文献7:Lin,C.F.,Yeh,Y.,Hung,Y.H.,&Chang,R.I.(2013).Data mining forproviding a personalized learning path in creativity:An application ofdecision trees.Computers&Education,68,199–210.
文献8:Feldman,J.,Monteserin,A.&Amandi,A.(2014).Detecting students’perception style by using games.Computers&Education,71,14–22.
文献9:Cabada,R.Z.,Barrón Estrada,M.L.,&Reyes García,C.A.(2011).EDUCA:A web2.0authoring tool for developing adaptive and intelligent tutoringsystems using a Kohonen network.Expert Systems with Applications,38(8),9522–9529.
文献10:Wen,D.,Graf,S.,Lan,C.H.,Anderson,T.,&Kinshuk,K.D.(2007).Supporting web-based learning through adaptive assessment.FormaMenteJournal,2(1–2),45–79.
文献11:Sanders,D.A.,&Bergasa-Suso,J.(2010).Inferring learning stylefrom the way students interact with a computer user interface and theWWW.IEEE Transactions on Education,53(4),613–620.
通过对各文献的分析可知,对于自适应学习服务的研究存在三点问题:(1)研究尚不广泛:大多数文献将重点放在学习风格计算方法的描述和精度比较上,但对于自适应学习服务的描述比较模糊。而提供合理的自适应学习服务,是正确感知学习风格后的重要应用,直接影响学习效果的好坏。所以,应在这项内容上加强研究力度。(2)研究尚不深入:目前典型在线学习环境中所提供的自适应学习服务比较片面。例如,文献12(Kim,Y.S.,Kim,S.,Cho,Y.J.,&Park,S.H.(2005,January).Adaptive Customization of User InterfaceDesign Based on Learning Styles and Behaviors:A Case Study of a HeritageAlive Learning System.In ASME 2005International Design Engineering TechnicalConferences and Computers and Information in Engineering Conference(pp.555-559).American Society of Mechanical Engineers.)中,对于顺序型与全局型的学习者所提供的学习服务,差别仅在于“进入学习内容的方式”上。即对于顺序型学习者,系统明显显示“上一页”、“下一页”按钮,方便其顺序地浏览内容。而对于全局型学习者,系统将所有内容缩放成小图标,与当前内容一并显示,方便其了解整体的内容,从而在各内容间跳换的学习。然而,此教学方式并没有充分地向不同风格的学习者提供所适合的学习服务。(3)缺乏对自适应学习策略的研究:目前所有文献中提出的自适应服务思想都是迎合学习者的偏好。然而,教育学的一些学者提出“一味的迎合学习风格不利于学习者的长期学习效果”。此外,各文献所描述的自适应匹配策略一旦制定,无法再根据真实的学习情况进行调整。鉴于以上三点原因,应在此内容上深入开展研究。
5)学习评估实验的开展
为了评测新的学习方法对学习效果的影响,需要采用适当的评估方法。常用方法包括:(1)满意度评测:通过问卷调查的方法,评价学习者对新方法的有用性、易用性等方面的满意程度。几乎所有学习评估实验都采用了满意度评估。(2)统计学评测:通过比较使用新方法的学习者(实验组)和使用传统方法的学习者(控制组)的各项统计学指标,评估新方法对于学习者的学习效果、效率的影响。常使用的统计学指标有:学习某课程前后的测验成绩,课程学习所用时间,学习进度完成情况,学生参与度,学生认知负担等。表4总结了各典型系统评测时所采用的评估方法及评估结果。
表4
文献13:Klasnja-Milicevi′c,A.,Vesin,B.,Ivanovi′c,M.,&Budimac,Z.(2011).E-Learning personalization based on hybrid recommendation strategy andlearning style identification.Computers&Education,56(3),885–899.
文献14:Limongelli,C.,Sciarrone,F.,Temperini,M.,&Vaste,G.(2011).Thelecomps5framework for personalized web-based learning:A teacher’ssatisfaction perspective.Computers in Human Behavior,27(4),1310–1320.
文献15:Ozyurt,O.,Ozyurt,H.,&Baki,A.(2013).Design and development ofan innovative individualized adaptive and intelligent e-learning system forteaching–learning of probability unit:Details of UZWEBMAT.Expert Systems withApplications,40(8),2914–2940.
文献16:Latham,A.,Crockett,K.,McLean,D.,&Edmonds,B.(2012).Aconversational intelligent tutoring system to automatically predict learningstyles.Computers&Education,59(1),95–109.
根据以上对国内外研究现状及发展动态的分析,我们提炼得到现有“学习风格感知与自适应机制”技术方案的三项问题:
1、学习风格理论是在传统课堂学习环境下,基于心理学、教育学、认知学等学科的研究成果而提出的。然而,如何有效地将学习风格理论与在线学习环境相结合,是涉及教育学和信息科学的新兴交叉研究方向,仍需进一步探索。
2、在线学习环境能够实时获取用户行为数据,拥有快速计算能力,使得自动感知学习风格成为可能。然而,如何合理选取反映学习风格的特征信息并设计数据挖掘算法从而准确感知学习风格,需要进一步深入研究。
3、对于不同学习风格学习者,何种服务能更好地促进学习效果,又该如何有效地评估学习结果,对于这个问题学者们始终没有达成一致的意见。
发明内容
本发明是针对现在学习风格感知与自适应机制存在的问题,提出了一种基于学习风格情境感知的自适应学习方法,提出混合决策树及隐式马尔科夫模型的学习风格数据挖掘算法,提高现有感知方法的精度及效率;引入多策略匹配的学习服务自适应机制,包括:正向适应策略、反向促进策略和反馈策略,在学习内容、呈现方式、教学方法多方面进行风格匹配,并建立层次化、模块化的学习风格感知的自适应学习系统模型;采用文理方法兼用的模式及客观主观共存的方法,以教育理论指导感知算法的设计与自适应机制的制定,并通过教学对比实验的现象及结果反映和支撑教育理论。达到定性及定量地评估学习者的学习效率、效果和兴趣。
本发明的技术方案为:一种基于学习风格情境感知的自适应学习方法,具体包括如下步骤:
1)对比各学习风格理论,确定四个维度来确定学习风格:
(1)维度1觉察信息:对应学习风格为感觉型或直觉型;
(2)维度2输入信息:视觉型或文字型;
(3)维度3处理信息:积极型或反思型;
(4)维度4理解信息:顺序型或全局型;
2)提取在线学习行为特征信息:基于文献调查的方法,根据步骤1)所确定的对于各维度学习风格的描述,重新提取用以反映学习风格特征的在线学习行为信息,得到用以反映学习风格的在线学习行为特征信息,其中感觉型或直觉型的在线学习行为特征信息如下:
3)设计学习风格挖掘算法:为混合式的学习风格挖掘算法,选用决策树算法和隐式马尔科夫模型,通过融合机制给出最终结果,选择学习者作为算法测试人群,随机选取一部分测试人群的行为数据作为算法训练数据,用以构建决策树和隐式马尔科夫模型,选取另一部分测试人群的行为数据用以判定所训练模型的精度,通过比较两种算法在同一维度下的分类精确度,选择精确度较高的作为混合机制在该维度下使用的算法,以此来制定算法融合机制;
4)制定学习服务自适应机制:首先明确每种学习风格倾向的学习服务,接着确定学习服务中学习内容对应的组织方式,最后提出学习服务匹配策略并设计系统结构如下表,实现基于学习风格的自适应学习系统;
5)学习评估方法的制定:采用了学生满意度评测和统计学评测两种方法,充分评估步骤4)制定的系统结构对于学习者的影响,将实验结果反馈回步骤3)用以调整算法混合策略,以及步骤4)用以修正学习服务匹配策略,提升系统的自适应服务的精度。
所述步骤3)随机选取一部分测试人群的行为数据作为算法训练数据,用以构建决策树和隐式马尔科夫模型具体步骤如下:
(1)测试人群进行ILS问卷调查,将测得的学习风格结果作为基准;
(2)测试人群在学习系统上操作,系统收集相关的学习行为数据并对数据进行预处理;
(3)通过比对基准结果,分别对决策树中的分类临界值和隐式马尔科夫模型中的转移概率参数进行训练,从而建立算法模型。
所述步骤3)制定算法融合机制具体步骤如下:
(1)测试人群进行ILS问卷调查,将测得的学习风格结果作为基准;
(2)测试人群在学习系统上进行操作,系统收集相关的学习行为数据并对数据进行预处理;
(3)将学习行为数据输入到经过训练的决策树中,所得结果与基准结果进行对比,得到决策树算法在FSLSM四个维度下的精确度;
(4)将学习行为数据输入到经过训练的隐式马尔科夫模型中,所得结果与基准结果进行对比,得到隐式马尔科夫模型在FSLSM四个维度下的精确度;
(5)比较两种算法在同一维度下的分类精确度,选择精确度较高的作为混合机制在该维度下使用的算法。
所述步骤4)基于学习风格的自适应学习系统分为四层:
(1)数据层:存储用户基本信息、用户学习行为数据、学习历史记录和学习单元;
(2)学习风格感知层:首先对相关数据信息预处理,即剔除无用信息、调整数据格式,接着使用混合式学习风格挖掘算法判断学习风格;
(3)学习服务自适应匹配层:选择某种学习服务匹配策略,结合学习服务匹配策略并设计系统结构中各风格倾向的学习服务,确定系统提供的服务内容,根据学习评估的反馈,调整学习服务匹配策略;
(4)用户界面:接收用户信息,提供学习服务。
本发明的有益效果在于:本发明基于学习风格情境感知的自适应学习方法,研究并提炼学习风格与用户在线学习行为之间的关系,研究并提炼针对学习风格的教学方法与在线学习服务的关系,最终能够将学习风格理论与在线学习环境合理结合;充分定义反映学习风格的在线学习行为特征信息,发明一种优秀的学习风格挖掘算法,能够快速并准确地对学习风格进行感知;发明一种合理的学习服务匹配策略,能够依据学习风格提供适合的学习服务;并通过开展教学对比实验,定性及定量地评估新技术对学习者的学习效率、效果和兴趣的积极影响。
附图说明
图1为现在学习风格感知及自适应学习机制的整体技术方案图;
图2为本发明基于学习风格情境感知的自适应学习方法设计思路图;
图3为本发明提取在线学习行为特征信息的设计方案图;
图4为本发明混合式学习风格挖掘算法的设计方法和技术路线图;
图5为本发明建立用于判别学习风格的决策树和隐式马尔科夫模型图;
图6为本发明制定算法混合机制图;
图7为本发明基于在线学习行为的学习风格感知过程图;
图8为本发明制定学习服务自适应机制的设计方案和技术路线示意图;
图9为本发明学习单元模型图;
图10为本发明系统设计结构图;
图11为本发明系统架构图;
图12为本发明学习评估流程图。
具体实施方式
根据现有的研究成果和研究经验,针对过程中存在的关键问题,本发明采取的设计思路如图2所示。
1)理论基础:学习风格理论的选取。对比各学习风格理论,确定选取FSLSM(Felder-Silverman Learning Styles Model)作为本发明的教育理论基础,梳理该模型中对于各类学习风格人群的特征描述及所适应教学方法的描述。
2)内容一:提取在线学习行为特征信息。基于文献调查的方法,充分还原FSLSM原始描述,并对比评价多个基于FSLSM模型的典型学习环境中所用数据,重新提取用以反映学习风格特征的在线学习行为信息。
3)内容二:设计学习风格挖掘算法。此为本发明的重点内容。发明一种混合式的学习风格挖掘算法,选用决策树算法和隐式马尔科夫模型,通过融合机制给出最终结果。该方法能够提高现有学习风格感知方法的精度及效率。
4)内容三:制定学习服务自适应机制。此为本发明的重点内容。首先明确每种学习风格倾向的学习服务,接着重点研究学习服务中的主要环节“学习内容”的组织方式,最后提出学习服务匹配策略并设计系统结构,实现系统原型。
5)实验方法:学习评估方法的制定。本发明应用评测阶段采用了学生满意度评测和统计学评测两种方法,充分评估该发明对于学习者的影响,包括:学习效果、效率、学习态度、认知负担、满意度等。
本发明的整体设计思路中各部分是相辅相成、相互依托、有机结合的。首先奠定整项发明的教育理论基础,在众多学习风格理论中选择建模更合理、更适于应用于在线学习环境中的模型,这是本发明提出的所有技术方案的理论依据;内容一是为了合理建立学习风格模型与在线学习环境之间的关系,通过提取在线学习行为信息充分反映模型中对于各类学习风格的特征描述;内容二是为了提高学习风格感知方法的效率和精度,基于内容一的结果,提出有效的算法机制;内容三是为了提供合理的自适应学习服务,它是“正确感知学习风格”后的重要应用,也对“学习效果评估”的开展产生重大的影响;学习评估实验是为了对整套研究内容及技术解决方案进行合理评估,并依据此给出对于学习风格感知与自适应机制的研究及应用的建议及讨论。
以当前对于学习风格感知与自适应机制的研究所产生的技术问题和难点作为出发点,根据本发明的目标和内容分别提出新的计算方法和建模机制,在所提出的关键科学问题上获得突破;进而形成整体的解决方案,并搭建实际的感知学习风格的自适应学习系统测评平台,对发明所提出的方法和算法进行验证和评价,并产生实际的应用效果和效益。
下面将围绕本发明的设计思路阐述具体的工作方案,主要针对其中三项内容详细介绍技术路线和关键技术。对于每一项内容,先展示整体设计方案和技术路线图,然后将内容分解,详细介绍所使用的方法和技术手段。
一、理论基础——学习风格理论的选取
通过比较理论的可靠性、合理性、实用性等方面,本项研究采用FSLSM模型。FSLSM理论认为,学习者的学习风格是相对稳定的,可以按照以下四方面分为四个维度:(1)学习者更易于察觉哪类信息?感觉的(现象、声音、实际感觉)或直觉的(领悟、预感);(2)对于外部信息,学习者更有效的接收渠道是什么?视觉的(图片、图表、示范)或文字的(文字、声音);(3)学习者倾向的处理信息的方式是什么?积极的(通过参加实际的活动和讨论)或反思的(自我反省);(4)学习者理解信息的过程是怎样的?顺序的(通过循序渐进的步骤)或全局的(整体的,跳跃的)。FSLSM模型的四个维度如表5所示。
表5
1997年,Felder提出ILS风格量表(Index of Learning Styles Questionnaire)来测量FSLSM学习风格。量表共有44道问题,每11道对应一个维度,每个问题有a、b两个选项,分别对应该维度下的两类学习者。分别统计每个维度下11道问题的答案得到a、b选项的个数,便可将学习者在该学习风格维度下分为3种类型(包括平衡型)。
二、内容一——提取在线学习行为特征信息
多数文献中采用的在线学习行为信息通常比较片面。本发明重新梳理FSLSM原始理论中对于各维度学习风格的描述,并选取五个典型的基于FSLSM的自适应学习系统,通过对比、分析、综合的方法,得到本项目中用以反映学习风格的在线学习行为特征信息。设计方案如图3所示。
例如,FSLSM模型中关于感觉型与直觉型的原始理论描述及五个典型系统中所采用的在线学习行为如表6所示。经过对比、分析、整合后,得到表7的各项信息,作为本项发明中所要提取的特征信息。同理提出另外三个维度的特征信息。
表6
文献17:Cha,H.J.,Kim,Y.S.,Park,S.H.,Yoon,T.B.,Jung,Y.M.,&Lee,J.H.(2006,June).Learning styles diagnosis based on user interface behaviors forthe customization of learning interfaces in an intelligent tutoring system.InInternational Conference on Intelligent Tutoring Systems(pp.513-524).SpringerBerlin Heidelberg.
文献18:姜强,赵蔚,&王朋娇.(2012).基于网络学习行为模式挖掘的用户学习风格模型建构研究.电化教育研究,(11),55-61.
文献19:García,P.,Amandi,A.,Schiaffino,S.,&Campo,M.(2007).EvaluatingBayesian networks’precision for detecting students’learning styles.Computers&Education,49(3),794-808.
文献20:罗凌,杨有,&马燕.(2015).基于TAN贝叶斯网络的学习风格检测研究.Computer Engineering and Applications,51(6).
文献21:姜强,赵蔚,&杜欣.(2010).基于Felder—Silverman量表用户学习风格模型的修正研究.现代远距离教育,(1),62-66.
表7
三、内容二——设计学习风格挖掘算法
对于学习风格挖掘算法的设计方法和技术路线图如图4所示。决策树算法具有基于少量测试数据快速构建分类模型的优点,隐式马尔科夫模型能够表现学习行为间的关联性并反映学习风格的倾向性,且这两种算法在FSLSM四个维度的分类准确率上具有互补性,所以本发明选用上述两种算法进行融合。
为构建判别学习风格的决策树和隐式马尔科夫模型,我们召集了60名学习者作为算法测试人群。其中,随机选取40人作为测试组一,另20人为测试组二。测试组一的数据用以构建决策树和隐式马尔科夫模型,测试组二的数据用以判定所训练模型的精确度。
首先,分别构建用于判别学习风格的决策树和隐式马尔科夫模型。算法建立步骤为:(1)测试组一进行ILS问卷调查,将测得的学习风格结果作为基准;(2)测试组一在学习系统上操作,系统收集相关的学习行为数据并对数据进行预处理;(3)通过比对基准结果,分别对决策树中的分类临界值和隐式马尔科夫模型中的转移概率参数进行训练,从而建立算法模型。过程如图5所示建立用于判别学习风格的决策树和隐式马尔科夫模型图。
然后,分别判别决策树与隐式马尔科夫模型在四个维度下判定学习风格的精确度,根据此来制定算法融合机制,步骤为:(1)测试组二进行ILS问卷调查,将测得的学习风格结果作为基准;(2)测试组二在学习系统上进行操作,系统收集相关的学习行为数据并对数据进行预处理;(3)将学习行为数据输入到经过训练的决策树中,所得结果与基准结果进行对比,得到决策树算法在FSLSM四个维度下的精确度;(4)将学习行为数据输入到经过训练的隐式马尔科夫模型中,所得结果与基准结果进行对比,得到隐式马尔科夫模型在FSLSM四个维度下的精确度;(5)比较两种算法在同一维度下的分类精确度,选择精确度较高的作为混合机制在该维度下使用的算法。过程如图6所示制定算法混合机制图。
应用过程中,学习者无需再进行ILS问卷调查,只需通过在线学习系统进行一门测试课程的学习,便可得知其学习风格。在线学习系统记录学习行为数据,数据经过预处理,同时传送给用于判定学习风格的决策树和隐式马尔科夫模型两个模块中。两个模块所得到的判定结果通过混合机制的综合,最终得出学习风格。如图7所示基于在线学习行为的学习风格感知过程图。
对于学生的学习能力,我们提出了基于ELO评价体系的学习能力排名系统。ELO评价体系原本用在国际象棋的排名中。对于选手i,基于他与选手j的比赛结果R(0=loss,1=win),可以得到他的技能评价θi。选手i的技能评价会随着各场比赛的进行而动态更新:θi:θi+K(R-P(R=1))。其中P(R=1)表示选手i获胜的期望概率,通过公式得到,K是一个调节常量。若将学习者和学习测试内容视作比赛的双方,那么我们可以利用ELO评价体系对学习者的学习能力和知识点的难易程度进行评估。学习能力的评估将分为两个阶段:a)先前知识掌握能力的评定;b)当前知识掌握能力的评定。
a)先前知识掌握能力的评定
学习者先前知识掌握能力的评定指,对于某项学习科目的某个知识点P,在开始学习前,评估学习者L掌握P的可能性。评定方法基于:1)学习者L对同一科目下不同知识点的前期学习结果;2)其他学习者对于知识点P的前期学习结果。应用ELO评价体系评定先前知识掌握能力,用θL表示学习者L对于某项学习科目的整体学习能力,用bp表示该项学习科目中知识点P的难度,那么在开始学习前,L掌握P的期望概率能够通过该公式评定:
b)当前知识掌握能力的评定
学习者当前知识掌握能力的评定指,经过学习后,学习者L掌握知识点P的期望概率,即学习者对于知识点P的学习能力的评定。评定方法基于:1)L对于P的先前知识掌握能力的评定;2)学习过程中,L对于有关P的问题的作答结果。
对于当前知识掌握能力的评定步骤为:
·用KLP表示L对于P的学习能力;
·初始化KLP为:KLP=θL-bP;
·学习过程中,L回答关于P的问题(问题为有n个选项的选择题),其答对的可能性为:
·问题作答后,L对于P的学习能力的评定更新为(其中γ为正确回答的调整系数、δ为错误回答的调整系数):
答案正确,则:KLP=KLP+γ*(1-P(correct|KLp,n))
答案错误,则:KLP:=KLP+δ*P(correct|KLP,n)
关于学习兴趣感知的技术分解为两部分:1)基于学习频率及学习时间的已有学习兴趣提取方法;2)基于学习社群影响力的潜在学习兴趣提取方法。
2)对已有学习兴趣的感知
学习兴趣会随着学习过程的进行而变化。最近关注的学习内容以及对某学习内容的学习频率更大程度的反映了学习者的近期学习喜好。对于学习频率因素,学习者对某一内容的使用频率越高表明他对该内容越偏好。对于时间因素,越在近期使用某学习内容,则时间的权值越大。对于学习频率的计算方法使用公式(1)表示。对于时间权值的计算方法使用公式(2)表示。综合以上两个影响因素,使用公式(3)计算某一时期内,学习者对某项学习内容的学习兴趣度
内容兴趣度分数=Σ(时间权重*频率) (3)
2)对潜在学习兴趣的感知
本部分旨在获得潜在学习兴趣,使得学习系统能够提供学习者最有可能感兴趣的内容和服务。通过计算学习社群中学习者之间的相关联程度,进而找到学习社群中有较高影响力的学习者。学习者在学习社群中的影响力反映了他被效仿的可能性。影响力大则表明该学习者所关注的内容有较大概率也是其他学习者感兴趣的内容。
学习社群影响力计算拟分为三步:第一步,使用公式(4),(5),(6),评价学习社群中的学习者间的相关联程度;第二步,使用公式(7),将步骤一中所得的结果规范化到区间[0,1]上;第三步,使用公式(8)计算得到学习者在社群中的影响力分数。其中,α、β表示所要评价关联度的两名学习者,l表示除α、β之外的任意一名学习者,F()为计算两者关联性的函数,X()为规范化函数,Min()为获取最小值函数,Max()为获取最大值函数。
受关注度=关注其活动状态的学习者数量 (6)
影响力度量=(权值*ELCS(α,β))+(权值*共同学习伙伴度量)+(权值*受关注度) (8)
四、内容三——制定学习服务自适应机制
该内容由三项子内容构成:(1)明确各学习风格倾向的学习服务;(2)重点研究学习服务中主要环节“学习内容”的组织方式;(3)提出学习服务匹配策略并设计系统结构,实现基于学习风格的自适应学习系统。如图8所示制定学习服务自适应机制的设计方案和技术路线示意图。
1)明确学习服务
Felder-Silverman理论认为,对不同学习风格的学习者采用相应的教学方式可提高其学习效率。对应于FSLSM学习风格的四个维度,教学方式也可按照四个维度进行分类:(1)哪类内容需要被重点提供?感觉的(实例,事实)或直觉的(理论,抽象概念);(2)用何种展现方式展示内容?视觉的(图像,图表,视频,演示)或文字的(讲座,阅读,讨论);(3)组织何种学习活动?活跃的(学生小组讨论,实地观察)或反思的(学生观看演示,听报告);(4)采用何种教学目标?顺序的(层层深入的讲解学习内容,使学生按顺序学习)或全局的(充分提供与当前内容相关的学习资料,使学生扩展知识面)。目前存在的大多数自适应学习系统没有充分地向不同风格的学习者提供所适合的学习服务。基于Felder-Silverman理论中对于教学策略的原始描述,通过对比、分析、综合多篇文献,得到本发明中所提供的学习服务,如表8所示。
表8
表8中涉及到的学习服务包括:(1)学习内容,学习资料;(2)学习内容的显示格式;(3)教学策略;(4)学习路径;(5)练习题及测试题;(6)学生分组;(7)个性化的在线学习空间。其中,学习内容的选取及呈现是学习服务的重要环节。下面将对本发明中如何组织学习内容进行详细描述。
2)学习内容的组织方式
从表8所列的各类学习风格倾向的学习服务描述中,提炼出针对学习内容的需求。对于同一知识点,(1)按内容形式分类,包含:原理,数学模型,案例,实验等;(2)按教授形式分类,包括:原理推导,案例分析等;(3)按内容格式分类,包括:文字,图表,视频,音频等;(4)与其他内容的关系,包括:前向知识,后继知识,扩展知识,关联知识等。申请人的博士课题“基于情境感知的移动学习的研究及应用”建立了一套学习资源和学习服务统一的描述和建模方法,将学习资源划分成单元,并对其建立模型。学习单元模型包括单元内容和元数据,采用层级的聚合及引用方法,如图9所示学习单元模型图。对于学习单元模型及元数据的描述具体参见文献22(Yin,C.,Zhang,B.,David,B.&Xiong,Z.(2015).A hierarchicalontology context model for work-based learning.Frontiers of Computer Science,9(3),466-473)。本发明采用了此学习单元模型,并在元数据中,增加对内容形式、教授形式、内容格式、内容关系等元数据项,从而更加合理地组织学习内容。
3)学习服务匹配策略制定及系统结构设计
目前所有文献提供的自适应服务都是迎合学习者的偏好,然而单纯迎合学习风格将不利于长期的学习效果。此外,文献所提的自适应匹配策略,一旦制定,不能再根据学习者的真实情况进行调整。鉴于此,本发明提出以下学习服务匹配策略:(1)正向适应策略:即根据表8所列内容,对于某学习风格,提供该风格倾向的学习服务,用以提供学习者偏好的学习方式;(2)反向促进策略:即对于某学习风格,提供同一维度下逆向风格所倾向的学习服务,用以促进学习者相反学习能力的发展、丰富其学习方式、挖掘其学习潜力;(3)反馈策略:根据测验成绩、学习参与度等评估结果,调整学习服务匹配策略。
根据发明目标提出系统结构图,如图10所示。基于学习风格的自适应学习系统分为四层:(1)数据层:存储用户基本信息、用户学习行为数据、学习历史记录和学习单元。(2)学习风格感知层:首先对相关数据信息预处理,即剔除无用信息、调整数据格式,接着使用混合式学习风格挖掘算法判断学习风格;(3)学习服务自适应匹配层:选择某种学习服务匹配策略,结合表8中各风格倾向的学习服务,确定系统提供的服务内容,根据学习评估的反馈,调整学习服务匹配策略;(4)用户界面:接收用户信息,提供学习服务。
该系统以网站的形式实现,并以B/S(浏览器/服务器)架构方式发布在web服务器端。学习者通过计算机、移动设备的WWW浏览器进入系统。系统的主要功能在web服务器端实现。这种架构方式能够减轻系统运行时本地设备的负担,同时能够增加系统的可维护性。系统架构如图11所示。
五、实验方法——学习评估方法的制定及测试结果分析
本发明实验阶段的测试群体为160名上海理工大学光电学院大二年级学生。测试课程为“大学生商务英语”。选择该门课程的原因为:(1)“大学商务英语”是该学院学生的选修课程,每年有近400名学生选修;(2)该课程拥有丰富的多媒体资料;(3)该课程的教学大纲及教案涵盖多种教学策略,便于实施多种教学方法及开展多样学习活动。学生被随机分成两组,其中80名为实验组,80名为控制组。实验组中,学生通过基于学习风格的自适应学习系统进行课程的学习,教师的主要角色为学习伙伴,对学生提出的问题在线答疑,提供实时帮助;控制组中,学生按照传统课堂教学的方式进行课程的学习,教师按照原有的教案内容授课讲解。学习评估流程如图12所示。
学习评估分为三个阶段:课前准备阶段,两组学生同时进行30分钟的课前测验,用于保证两组学生在课程前具有相同的知识能力。然后,项目人员对实验组的学生进行30分钟的系统使用说明,演示系统的各项功能。随后,实验组的学生用2个小时完成一门测试课程的学习。在此过程中,系统记录各类学习行为,经算法挖掘,获得学生的学习风格。在课程学习阶段,两组学生分别应用不同学习方式,周期2个月。课后评估阶段,两组学生同时进行结课测验,时长1小时。测验后,两组学生分别完成相应的学习满意度调查。对实验组学生的问卷包括对于学习态度、认知负担、系统有用性及易用性的调查;对控制组学生的问卷只包括对于学习态度及认知负担的调查。根据学习评估实验结果,探讨基于学习风格的自适应学习技术对于学习结果的影响,提出技术改进方案及后续方向展望。
通过开展实验,得到实验组的学习态度分析、新技术认知负担分析、学习系统接受度分析如表9、表10、表11所示。
表9
测量内容 | 均值(1-5) | 偏差 |
1.我很习惯使用这种学习方法。 | 4 | 0.78 |
2.我认为这种学习是有效的。 | 4.3 | 0.61 |
3.我倾向在之后的学习中使用这种方法。 | 4.2 | 0.80 |
表10
表11
本发明涉及的关键技术有:
1)反映学习风格的在线学习行为特征的建模。基于文献调查法,重新梳理FSLSM原始理论中对于学习风格的描述,并对比五个典型的基于FSLSM的自适应学习系统,构建本发明中用以反映学习风格的在线学习行为特征模型。
2)混合式学习风格挖掘算法。选用决策树算法和隐式马尔科夫模型,建立模型结构并计算模型内参数。根据两种算法的分类精确度,制定算法融合机制,得到学习风格计算结果。该方法能够兼顾快速的构建分类模型和准确的获取分类结果的要求。
3)学习资源的建模。该技术实现对各种在线学习资源的统一描述,主要包括把学习资源封装为学习单元和单元的元数据,并实现单元间的聚合和引用;
4)学习服务的建模。该技术实现对FSLSM模型中各类学习风格倾向的学习服务进行整理和统一描述。
5)学习自适应匹配策略。该技术主要实现从学习者的学习风格信息来匹配合适的学习服务的过程,达到促进学习效果的目标。本发明首次提出多种匹配策略,包括:正向适应策略、反向促进策略和反馈策略。
6)自适应学习系统的建模。在前述的各种模型和算法的基础上,构建层次化、模块化的系统模型,定义系统的内部属性和接口属性,为实际应用开发和实验平台的开发提供框架性参考。
Claims (4)
1.一种基于学习风格情境感知的自适应学习方法,其特征在于,具体包括如下步骤:
1)对比各学习风格理论,确定四个维度来确定学习风格:
(1)维度1觉察信息:对应学习风格为感觉型或直觉型;
(2)维度2输入信息:视觉型或文字型;
(3)维度3处理信息:积极型或反思型;
(4)维度4理解信息:顺序型或全局型;
2)提取在线学习行为特征信息:基于文献调查的方法,根据步骤1)所确定的对于各维度学习风格的描述,重新提取用以反映学习风格特征的在线学习行为信息,得到用以反映学习风格的在线学习行为特征信息,其中感觉型或直觉型的在线学习行为特征信息如下:
3)设计学习风格挖掘算法:为混合式的学习风格挖掘算法,选用决策树算法和隐式马尔科夫模型,通过融合机制给出最终结果,选择学习者作为算法测试人群,随机选取一部分测试人群的行为数据作为算法训练数据,用以构建决策树和隐式马尔科夫模型,选取另一部分测试人群的行为数据用以判定所训练模型的精度,通过比较两种算法在同一维度下的分类精确度,选择精确度较高的作为混合机制在该维度下使用的算法,以此来制定算法融合机制;
4)制定学习服务自适应机制:首先明确每种学习风格倾向的学习服务,接着确定学习服务中学习内容对应的组织方式,最后提出学习服务匹配策略并设计系统结构如下表,实现基于学习风格的自适应学习系统;
5)学习评估方法的制定:采用了学生满意度评测和统计学评测两种方法,充分评估步骤4)制定的系统结构对于学习者的影响,将实验结果反馈回步骤3)用以调整算法混合策略,以及步骤4)用以修正学习服务匹配策略,提升系统的自适应服务的精度。
2.根据权利要求1所述基于学习风格情境感知的自适应学习方法,其特征在于,所述步骤3)随机选取一部分测试人群的行为数据作为算法训练数据,用以构建决策树和隐式马尔科夫模型具体步骤如下:
(1)测试人群进行ILS问卷调查,将测得的学习风格结果作为基准;
(2)测试人群在学习系统上操作,系统收集相关的学习行为数据并对数据进行预处理;
(3)通过比对基准结果,分别对决策树中的分类临界值和隐式马尔科夫模型中的转移概率参数进行训练,从而建立算法模型。
3.根据权利要求1所述基于学习风格情境感知的自适应学习方法,其特征在于,所述步骤3)制定算法融合机制具体步骤如下:
(1)测试人群进行ILS问卷调查,将测得的学习风格结果作为基准;
(2)测试人群在学习系统上进行操作,系统收集相关的学习行为数据并对数据进行预处理;
(3)将学习行为数据输入到经过训练的决策树中,所得结果与基准结果进行对比,得到决策树算法在FSLSM四个维度下的精确度;
(4)将学习行为数据输入到经过训练的隐式马尔科夫模型中,所得结果与基准结果进行对比,得到隐式马尔科夫模型在FSLSM四个维度下的精确度;
(5)比较两种算法在同一维度下的分类精确度,选择精确度较高的作为混合机制在该维度下使用的算法。
4.根据权利要求1所述基于学习风格情境感知的自适应学习方法,其特征在于,所述步骤4)基于学习风格的自适应学习系统分为四层:
(1)数据层:存储用户基本信息、用户学习行为数据、学习历史记录和学习单元;
(2)学习风格感知层:首先对相关数据信息预处理,即剔除无用信息、调整数据格式,接着使用混合式学习风格挖掘算法判断学习风格;
(3)学习服务自适应匹配层:选择某种学习服务匹配策略,结合学习服务匹配策略并设计系统结构中各风格倾向的学习服务,确定系统提供的服务内容,根据学习评估的反馈,调整学习服务匹配策略;
(4)用户界面:接收用户信息,提供学习服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595645.8A CN107423851A (zh) | 2017-07-20 | 2017-07-20 | 基于学习风格情境感知的自适应学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595645.8A CN107423851A (zh) | 2017-07-20 | 2017-07-20 | 基于学习风格情境感知的自适应学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423851A true CN107423851A (zh) | 2017-12-01 |
Family
ID=60430632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710595645.8A Pending CN107423851A (zh) | 2017-07-20 | 2017-07-20 | 基于学习风格情境感知的自适应学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423851A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800880A (zh) * | 2018-12-29 | 2019-05-24 | 上海乂学教育科技有限公司 | 基于动态学习风格信息的自适应学习特征提取系统及应用 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
CN110399982A (zh) * | 2018-04-18 | 2019-11-01 | 青岛农业大学 | 融入情绪因素的贝叶斯网络学习风格初始化及修正算法 |
CN110502636A (zh) * | 2019-08-27 | 2019-11-26 | 华中师范大学 | 一种面向主客观试题的联合建模及挖掘方法及系统 |
CN111179135A (zh) * | 2020-02-17 | 2020-05-19 | 福州大学 | 一种基于学习风格模型的自适应式虚拟现实教学方法及系统 |
CN111754370A (zh) * | 2020-07-01 | 2020-10-09 | 广州驰兴通用技术研究有限公司 | 一种基于人工智能的在线教育课程管理方法及系统 |
CN111950737A (zh) * | 2020-07-28 | 2020-11-17 | 湖北绿神网络科技有限公司 | 一种基于机器学习算法的学习模式认知方法及装置 |
CN112184511A (zh) * | 2020-10-19 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于大数据的在线职业教育个性化课程内容推送算法 |
CN112529141A (zh) * | 2020-12-11 | 2021-03-19 | 中国海洋大学 | 一种基于改进免疫算法的学习路径生成方法 |
CN113191438A (zh) * | 2021-05-08 | 2021-07-30 | 啊哎(上海)科技有限公司 | 学习风格识别模型训练和识别方法、装置、设备及介质 |
CN113408576A (zh) * | 2021-05-12 | 2021-09-17 | 上海师范大学 | 基于融合标签和堆叠机器学习模型的学习风格识别方法 |
US20230205906A1 (en) * | 2021-12-28 | 2023-06-29 | Capital One Services, Llc | Identification of sensitive content in electronic mail messages to prevent exfiltration |
CN117274619A (zh) * | 2023-11-21 | 2023-12-22 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于风格融合对比学习的跨域目标识别方法 |
-
2017
- 2017-07-20 CN CN201710595645.8A patent/CN107423851A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399982A (zh) * | 2018-04-18 | 2019-11-01 | 青岛农业大学 | 融入情绪因素的贝叶斯网络学习风格初始化及修正算法 |
CN109800880A (zh) * | 2018-12-29 | 2019-05-24 | 上海乂学教育科技有限公司 | 基于动态学习风格信息的自适应学习特征提取系统及应用 |
CN109800880B (zh) * | 2018-12-29 | 2020-09-29 | 上海松鼠课堂人工智能科技有限公司 | 基于动态学习风格信息的自适应学习特征提取系统及应用 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
CN110502636B (zh) * | 2019-08-27 | 2022-12-02 | 华中师范大学 | 一种面向主客观试题的联合建模及挖掘方法及系统 |
CN110502636A (zh) * | 2019-08-27 | 2019-11-26 | 华中师范大学 | 一种面向主客观试题的联合建模及挖掘方法及系统 |
CN111179135A (zh) * | 2020-02-17 | 2020-05-19 | 福州大学 | 一种基于学习风格模型的自适应式虚拟现实教学方法及系统 |
CN111754370A (zh) * | 2020-07-01 | 2020-10-09 | 广州驰兴通用技术研究有限公司 | 一种基于人工智能的在线教育课程管理方法及系统 |
CN111950737A (zh) * | 2020-07-28 | 2020-11-17 | 湖北绿神网络科技有限公司 | 一种基于机器学习算法的学习模式认知方法及装置 |
CN112184511A (zh) * | 2020-10-19 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于大数据的在线职业教育个性化课程内容推送算法 |
CN112529141A (zh) * | 2020-12-11 | 2021-03-19 | 中国海洋大学 | 一种基于改进免疫算法的学习路径生成方法 |
CN113191438A (zh) * | 2021-05-08 | 2021-07-30 | 啊哎(上海)科技有限公司 | 学习风格识别模型训练和识别方法、装置、设备及介质 |
CN113191438B (zh) * | 2021-05-08 | 2023-08-15 | 啊哎(上海)科技有限公司 | 学习风格识别模型训练和识别方法、装置、设备及介质 |
CN113408576A (zh) * | 2021-05-12 | 2021-09-17 | 上海师范大学 | 基于融合标签和堆叠机器学习模型的学习风格识别方法 |
US20230205906A1 (en) * | 2021-12-28 | 2023-06-29 | Capital One Services, Llc | Identification of sensitive content in electronic mail messages to prevent exfiltration |
CN117274619A (zh) * | 2023-11-21 | 2023-12-22 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于风格融合对比学习的跨域目标识别方法 |
CN117274619B (zh) * | 2023-11-21 | 2024-02-09 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于风格融合对比学习的跨域目标识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423851A (zh) | 基于学习风格情境感知的自适应学习方法 | |
Truong | Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities | |
Huang et al. | The design and implementation of a meaningful learning-based evaluation method for ubiquitous learning | |
Choo et al. | Web work: Information seeking and knowledge work on the World Wide Web | |
Conole et al. | Representing learning designs–making design explicit and shareable | |
Ke et al. | Effects of User and System Characteristics on Perceived Usefulness and Perceived Ease of Use of the Web-Based Classroom Response System. | |
Lao | Reorienting machine learning education towards tinkerers and ML-engaged citizens | |
Kumar et al. | Exploring the impact of a professional practice education doctorate in educational environments | |
Marras et al. | Equality of learning opportunity via individual fairness in personalized recommendations | |
Zhang et al. | A deep learning model for innovative evaluation of ideological and political learning | |
Yousaf et al. | The effect of entrepreneurial education on entrepreneurial intention: The moderating role of culture | |
Mikić et al. | Personalisation methods in e‐learning‐A literature review | |
PARK et al. | Investigation of college students' intention to accept online education services: An application of the UTAUT model in Korea | |
Ewais et al. | Adaptive MOOCs based on intended learning outcomes using naive bayesian technique | |
Lee | Exploring the relationship between intention to use mobile phone as a visualization tool and regulation of cognition | |
Chou et al. | The level of perceived efficacy from teachers to access AI-based teaching applications | |
Seprilia et al. | User acceptance factors affecting the usage of mobile learning in enriching outside classroom learning at high school level | |
Nongkhai et al. | Framework for e-Leaming recommendation based on index of learning styles model | |
Tabares et al. | A feedback model applied in a ubiquitous microlearning environment using SECA rules | |
Bakanova et al. | The use of Ontologies in the Development of a Mobile E-Learning Application in the Process of Staff Adaptation | |
Fu | The Assessment of Attitude and Behavioral Intention of E-Learning Among Art and Design Students of Chengdu Textile College in China | |
Gopee et al. | How does digital marketing influence purchase intention?: An action researcher reflexive narrative | |
Edelson et al. | Designing citizen science for both science and education | |
Leppan | A model for using learners’ online behaviour to inform differentiated instructional design in MOODLE | |
Daniel Motidyang | A Bayesian belief network computational model of social capital in virtual communities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171201 |
|
RJ01 | Rejection of invention patent application after publication |