CN109800880B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109800880B CN109800880B CN201811639072.5A CN201811639072A CN109800880B CN 109800880 B CN109800880 B CN 109800880B CN 201811639072 A CN201811639072 A CN 201811639072A CN 109800880 B CN109800880 B CN 109800880B
- Authority
- CN
- China
- Prior art keywords
- information
- learning
- self
- learning style
- level
- 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.)
- Active
Links
Images
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种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，所述提取系统包括：第一信息采集模块，用于动态采集用户学前测试的过程信息并存储；第二信息采集模块，用于采集用户输入的学习风格自评信息并存储；学习特征生成模块，用于对所述过程信息和学习风格自评信息进行匹配处理，生成该用户的学习风格特征值。与现有技术相比，本发明具有可以准确获得用户的学习风格特征，进而提高学习效率等优点。
Description
技术领域
本发明涉及自适应学习技术领域，尤其是涉及一种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。
背景技术
自适应学习系统包含三种模型，学习者模型、领域知识模型和适应性引擎。领域知识模型是基于知识图谱做纳米级拆分，通过适应性引擎的精准测评检测到学生的薄弱知识点，以及所处的能力水平。学习者模型是对学习者特征的抽象表示，精准的学习者模型可以聚类具有相似学习特征的学习者，从而利于提供更加精准化、个性化的学习服务。
传统的适应学习系统学习者模型主要有以下3个方面技术问题：
(1)传统的自适应学习系统学习者模型关注的维度单一，只考虑了学生掌握了哪些知识点，掌握的程度如何，忽略学习风格对学习成效的影响；
(2)目前学习风格测量方法有从学习者回答大量题目得到静态表征学习者当前各项特征的显式获取法，以及实时动态跟踪学习者的状态变化的隐式获取法，前者无法实时跟踪学习者的行为，及时修正学习风格变化，后者应用初期缺乏已知学习者行为特征，有“冷启动”问题；
(3)从认知过程的微观角度看，学习者在学习不同内容时，体现的心理特征变化是不同的。如果只追求抽取普适的学习者特征，就会脱离学习者真实的认知过程，忽略学习者学习过程中要解决的问题。传统的学习风格理论是从学生在传统课堂学习的行为偏好，抽取普适的学习者特征，传统条件下的学习和在自适应系统的在线学习环境，二者所涉及的学习活动的形式、师生角色和互动形式不再相同，这些将会导致与之相关联的个人偏好不同，即学生的学习风格也会有所不同。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种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。
本发明的目的可以通过以下技术方案来实现：
一种基于动态学习风格信息的自适应学习特征提取系统，包括：
第一信息采集模块，用于动态采集用户学前测试的过程信息并存储；
第二信息采集模块，用于采集用户输入的学习风格自评信息并存储；
学习特征生成模块，用于对所述过程信息和学习风格自评信息进行匹配处理，生成该用户的学习风格特征值。
进一步地，所述第一信息采集模块定时采集所述过程信息。
进一步地，所述学习特征生成模块在产生新的过程信息时响应，且响应时判断第二信息采集模块中是否存储有学习风格自评信息，若是，则直接调用所述学习风格自评信息，若否，则控制第二信息采集模块启动采集。
进一步地，所述过程信息包括试题内容信息和做题行为相关数据，其中，
所述试题内容信息包括题型、字数长度、有无图像、难度、学科和年级；
所述做题行为相关数据包括题目提取到点击选项或编辑框的时长均值、做题时长均值、点击选项或编辑框到提交答案的时长均值。
进一步地，所述学习特征生成模块中，在信息提取、信息加工处理和信息输出三个层次上对过程信息和学习风格自评信息进行匹配处理。
进一步地，信息提取层次上，包括沉思型学习风格和冲动型学习风格；
信息加工处理层次上，包括推理型学习风格和直觉型学习风格；
信息输出层次上，包括谨慎型学习风格和经验型学习风格。
进一步地，所述学习特征生成模块包括：
动态行为数据获取单元，用于根据所述过程信息获取用户的动态行为特征值；
自评数据获取单元，用于根据所述学习风格自评信息获取用户的自评特征值；
融合处理单元，用于根据所述动态行为特征和自评特征值获得用户在所述信息提取、信息加工处理和信息输出三个层次上的学习风格特征值。
进一步地，所述动态行为数据获取单元根据所述过程信息获得用户的动态行为数据分布，基于所述动态行为数据分布获得动态行为特征值，每个层次上的所述动态行为特征值的概率密度计算公式表示为：
式中，p(x)表示概率密度，μ表示均值，σ表示标准差，
表示权重参数，为正数，
x表示输入变量。
本发明还提供一种自适应学习方法，该方法基于所述的基于动态学习风格信息的自适应学习特征提取系统获得用户的学习风格特征值，采用融入所述学习风格特征值的学习者模型生成学习路径，实现自适应学习。
与现有技术相比，本发明具有以如下有益效果：
第一，本发明同时利用自评估信息和学生用户在做题的过程中的动态操作和活动，运用特征分析方法提取学生用户的学习风格信息，为自适应学习系统提供更完善的自适应机制，为学生用户提供更符合各自特征、更有利于学习效果的学习路径。
第二，学习者模型对于满足学习者在学习过程中的个性化差异起着极为重要的作用，而本发明在学习者模型中融入学习者风格，学习风格所体现的个体在学习方式、信息加工方法等方面的偏好在网络在线教育中具有十分重要的意义，有效提高学习路径获取的精确度和可靠性。
第三，学习是一个与系统交互和反复的过程，本发明动态的学习风格获取相对于传统学习者模型来说，自适应学习系统可以动态、实时地获取学生用户的行为数据，学习者的活动是被持续反映到学习者模型中，使得模型更丰富、更完整、更智能。
附图说明
图1为本发明的流程示意图；
图2为本发明自适应学习过程的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明提供一种基于动态学习风格信息的自适应学习特征提取系统，包括第一信息采集模块、第二信息采集模块和学习特征生成模块，其中，第一信息采集模块用于动态采集用户学前测试的过程信息并存储；第二信息采集模块用于采集用户输入的学习风格自评信息并存储；学习特征生成模块用于对所述过程信息和学习风格自评信息进行匹配处理，生成该用户的学习风格特征值。
所述第一信息采集模块定时采集过程信息，以达到动态获取学生用户行为数据的目的。所述学习特征生成模块在产生新的过程信息时响应，且响应时判断第二信息采集模块中是否存储有学习风格自评信息，若是，则直接调用所述学习风格自评信息，若否，则控制第二信息采集模块启动采集。第二信息采集模块对每个学生用户仅获取一次学习风格自评信息。
所述学习特征生成模块中，从信息学角度，在信息提取、信息加工处理和信息输出三个层次上对过程信息和学习风格自评信息进行匹配处理。信息提取层次上，包括沉思型学习风格和冲动型学习风格；信息加工处理层次上，包括推理型学习风格和直觉型学习风格；信息输出层次上，包括谨慎型学习风格和经验型学习风格。
所述过程信息包括试题内容信息和做题行为相关数据，其中，所述试题内容信息包括题型、字数长度、有无图像、难度、学科和年级等；所述做题行为相关数据包括题目提取到点击选项或编辑框的时长均值、做题时长均值、点击选项或编辑框到提交答案的时长均值。
学习特征生成模块包括动态行为数据获取单元、自评数据获取单元和融合处理单元，其中，动态行为数据获取单元用于根据所述过程信息获取用户的动态行为特征值；自评数据获取单元用于根据所述学习风格自评信息获取用户的自评特征值；融合处理单元用于根据所述动态行为特征和自评特征值获得用户在所述信息提取、信息加工处理和信息输出三个层次上的学习风格特征值。
每种做题行为相关数据可用于判定不同层次上的学习风格倾向。本实施例中，过程信息根据最能影响学习风格的学习行为特征做筛选，包含信息提取的沉思型/冲动型学习风格，选用题目提取到点击选项或编辑框的时长均值；信息加工处理的推理型/直觉型学习风格，选用做题时长均值；信息输出的谨慎型/经验型学习风格，选用点击选项或编辑框到提交答案的时长均值。
信息提取层次对应的学生用户行为数据在提取到点击选项或编辑框的时长均值会有2个不同的数据分布，分别代表沉思型、冲动型的学生风格；信息加工处理层次对应的学生用户行为数据在做题时长均值会有2个不同的数据分布，分别代表推理型、直觉型；信息输出层次对应的学生用户行为数据在点击选项或编辑框到提交答案的时长均值，分别代表谨慎型、经验型。
动态行为数据获取单元根据所述过程信息获得用户的动态行为数据分布，基于所述动态行为数据分布获得动态行为特征值，每个层次上的所述动态行为特征值的概率密度计算公式表示为：
式中，p(x)表示概率密度，每一个层次包含2种学习风格，故分布概率是2个数据分布的和，每个数据分布有属于自己的μ和σ参数，参数μ表示均值，参数σ表示标准差，以及对应的权重参数
权重值必须为正数，所有权重的和必须等于1。在已知参数的情况下，输入变量指x，可以获得相对应的学习风格特征值的概率密度。其中，概率分布要先进行归一化，也就是说曲线下面的面积之和需要为1，这样才能确保返回的概率密度在允许的取值范围内。
本实施例中，第二信息采集模块通过一自评表获取学习风格自评信息。自评表总共有9个题项，对应三个层次，每道题有2个问项，对应每个层次的两种学习风格，学生用户依据自己的实际情况进行选择。学习特征生成模块的自评数据获取单元根据自评表的各选项获得自评特征值。具体地，每个题项的2个问项分别对应一个层次中的某一学习风格，选前一种问项记为1，选后一种问项记为-1，把同一层次的3道题分值相加，若得分为正值，则在该层次上倾向于前一种学习风格，若得分为负值，则在该层次上倾向于后一种学习风格。例如，在信息提取层次得分为正值则为沉思型，反之则为冲动型。
本实施例中，学习特征生成模块的融合处理单元设置有融合规则，根据融合规则获得用户在所述信息提取、信息加工处理和信息输出三个层次上的学习风格特征值并排名。在信息提取、信息加工处理和信息输出三个层次上，得到表示动态行为特征和自评特征值的6个矩阵向量，对每个学生用户6个矩阵向量按照以下三个规则赋值，动态行为数据和自我评估的学习风格一致得三分，动态行为数据的数据分布可分性大得二分，自我评估满分(亦即每一个层次的三个题项都得分)得一分，可得出信息的提取、信息的加工处理和信息的输出三个层次的排名。
本发明还实现一种自适应学习方法，如图2所示，该方法基于所述的基于动态学习风格信息的自适应学习特征提取系统获得用户的学习风格特征值，采用融入所述学习风格特征值的学习者模型生成学习路径，实现自适应学习，自适应引擎会根据融入学习风格的学习者模型提供个性化的教学策略。
在没有学习风格的学习者模型的自适应学习系统，学前测试得出薄弱知识点后，适应性引擎立即推荐从教学视频到学习题的学习路径，而有融入学习风格的学习者模型的自适应学习系统，适应性引擎会通过信息的提取、信息的加工处理和信息的输出三个层次排名第一的顺位，根据学生用户学习风格提供对应的教学策略，包含提醒学生仔细审题或答题检查后再提交答案等，学生用户得到信息加工辅助后，即可通过测试题达标，有效提高学习效率并且培养良好的习惯，融入学习风格的学习者模型的自适应学习系统可提供更加精准化、个性化的学习服务。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于动态学习风格信息的自适应学习特征提取系统，其特征在于，包括：
第一信息采集模块，用于动态采集用户学前测试的过程信息并存储；
第二信息采集模块，用于通过自评表采集用户输入的学习风格自评信息并存储；
学习特征生成模块，用于对所述过程信息和学习风格自评信息进行匹配处理，生成该用户的学习风格特征值，并在信息提取层次、信息加工处理层次和信息输出层次上对所述过程信息和所述学习风格自评信息进行匹配处理；
其中，所述信息提取层次上，包括沉思型学习风格和冲动型学习风格；所述信息加工处理层次上，包括推理型学习风格和直觉型学习风格；所述信息输出层次上，包括谨慎型学习风格和经验型学习风格；
其中，所述自评表设有9个题项，分别对应所述信息提取层次、所述信息加工处理层次和所述信息输出层次，每个层次对应3个题项；每个所述题项设有2个问项，分别对应每个层次的两种学习风格，以供用户依据自己的实际情况进行选择；以及
所述学习特征生成模块根据用户输入的所述自评表的选项获得自评特征值，其中，每个题项的2个问项分别对应一个层次中的一个学习风格，选前一种问项记为+1，选后一种问项记为-1，把同一层次的3个题项分值相加，若得分为正值，则在该层次上倾向于前一种学习风格，若得分为负值，则在该层次上倾向于后一种学习风格。
2.根据权利要求1所述的基于动态学习风格信息的自适应学习特征提取系统，其特征在于，所述第一信息采集模块定时采集所述过程信息。
3.根据权利要求2所述的基于动态学习风格信息的自适应学习特征提取系统，其特征在于，所述学习特征生成模块在产生新的过程信息时响应，且响应时判断第二信息采集模块中是否存储有学习风格自评信息，若是，则直接调用所述学习风格自评信息，若否，则控制第二信息采集模块启动采集。
4.根据权利要求1所述的基于动态学习风格信息的自适应学习特征提取系统，其特征在于，所述过程信息包括试题内容信息和做题行为相关数据，其中，
所述试题内容信息包括题型、字数长度、有无图像、难度、学科和年级；
所述做题行为相关数据包括题目提取到点击选项或编辑框的时长均值、做题时长均值、点击选项或编辑框到提交答案的时长均值。
5.根据权利要求1所述的基于动态学习风格信息的自适应学习特征提取系统，其特征在于，所述学习特征生成模块包括：
动态行为数据获取单元，用于根据所述过程信息获取用户的动态行为特征值；
自评数据获取单元，用于根据所述学习风格自评信息获取用户的自评特征值；
融合处理单元，所述融合处理单元设置有融合规则，并基于所述融合规则根据所述动态行为特征和所述自评特征值获得用户在所述信息提取、所述信息加工处理和所述信息输出三个层次上的学习风格特征值。
6.根据权利要求5所述的基于动态学习风格信息的自适应学习特征提取系统，其特征在于，所述动态行为数据获取单元根据所述过程信息获得用户的动态行为数据分布，基于所述动态行为数据分布获得动态行为特征值，每个层次上的所述动态行为特征值的概率密度计算公式表示为：
式中，
表示概率密度，μ表示均值，σ表示标准差，Ø表示权重参数，为正数，
，x表示输入变量。
7.一种自适应学习方法，其特征在于，该方法基于如权利要求1所述的基于动态学习风格信息的自适应学习特征提取系统获得用户的学习风格特征值，采用融入所述学习风格特征值的学习者模型生成学习路径，实现自适应学习；
其中，在学前测试得出薄弱知识点后，通过所述自评表获取所述学习风格自评信息，适应性引擎通过所述信息提取层次、所述信息加工处理层次和所述信息输出层次中排名第一的顺位，根据用户学习风格提供对应的教学策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639072.5A CN109800880B (zh) | 2018-12-29 | 2018-12-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639072.5A CN109800880B (zh) | 2018-12-29 | 2018-12-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109800880A CN109800880A (zh) | 2019-05-24 |
| CN109800880B true CN109800880B (zh) | 2020-09-29 |
Family
ID=66558244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811639072.5A Active CN109800880B (zh) | 2018-12-29 | 2018-12-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109800880B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112131349B (zh) * | 2020-09-30 | 2021-08-06 | 上海松鼠课堂人工智能科技有限公司 | 对知识点掌握状态进行测量的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358554A (zh) * | 2017-06-30 | 2017-11-17 | 刘宝香 | 多维学习力提升系统及方法 |
| CN107423851A (zh) * | 2017-07-20 | 2017-12-01 | 上海理工大学 | 基于学习风格情境感知的自适应学习方法 |
| CN109035083A (zh) * | 2018-06-22 | 2018-12-18 | 电子科技大学 | 一种适用于自适应在线学习的测评方法、移动终端及介质 |
-
2018
- 2018-12-29 CN CN201811639072.5A patent/CN109800880B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358554A (zh) * | 2017-06-30 | 2017-11-17 | 刘宝香 | 多维学习力提升系统及方法 |
| CN107423851A (zh) * | 2017-07-20 | 2017-12-01 | 上海理工大学 | 基于学习风格情境感知的自适应学习方法 |
| CN109035083A (zh) * | 2018-06-22 | 2018-12-18 | 电子科技大学 | 一种适用于自适应在线学习的测评方法、移动终端及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109800880A (zh) | 2019-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| Ford | Levels and types of mediation in instructional systems: An individual differences approach | |
| CN109388746A (zh) | 一种基于学习者模型的学习资源智能推荐方法 | |
| CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
| Käser et al. | Modeling and analyzing inquiry strategies in open-ended learning environments | |
| WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
| JP3883795B2 (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
| CN110162713A (zh) | 基于卷积神经网络的自适应学习内容推荐方法及系统 | |
| CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
| CN116383481B (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
| CN109800880B (zh) | 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 | |
| US10424217B1 (en) | Systems and methods for ability-appropriate text generation | |
| CN115545982A (zh) | 一种在线学生异质分组系统及方法 | |
| Zhang et al. | Grounded physical language understanding with probabilistic programs and simulated worlds | |
| Ali et al. | Prediction MOOC’s for student by using machine learning methods | |
| Knezek et al. | Assessing approaches to learning with nonparametric multidimensional scaling | |
| CN115689000A (zh) | 一种基于学习行为全流程的学情智能预测方法及系统 | |
| Osborne et al. | Effects of student help-seeking behaviors on student mathematics achievement | |
| CN111178770B (zh) | 答题数据评估和学习图像构建方法、装置及存储介质 | |
| CN115129971A (zh) | 基于能力评估数据的课程推荐方法、设备及可读存储介质 | |
| Tang et al. | Study on Student portrait writing based on EM-FCM algorithm | |
| CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
| Sun et al. | Study on the distance learners’ academic emotions using online learning behavior data | |
| Li et al. | Optimizing learning return on investment: Identifying learning strategies based on user behavior characteristic in language learning applications | |
| Hu et al. | Artificial Intelligence-enabled adaptive assessments with Intelligent Tutors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai, 2003 Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co., Ltd Address before: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai, 2003 Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |