CN113190747B - 一种基于学习风格与认知水平的个性化资源推荐方法 - Google Patents

一种基于学习风格与认知水平的个性化资源推荐方法 Download PDF

Info

Publication number
CN113190747B
CN113190747B CN202110472093.8A CN202110472093A CN113190747B CN 113190747 B CN113190747 B CN 113190747B CN 202110472093 A CN202110472093 A CN 202110472093A CN 113190747 B CN113190747 B CN 113190747B
Authority
CN
China
Prior art keywords
learning
learner
style
learning style
historical
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
Application number
CN202110472093.8A
Other languages
English (en)
Other versions
CN113190747A (zh
Inventor
王磊
罗颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Caibei Education Technology Co ltd
Xi'an Huaqi Zhongxin Technology Development Co ltd
Original Assignee
Shenzhen Caibei Education Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Caibei Education Technology Co ltd filed Critical Shenzhen Caibei Education Technology Co ltd
Priority to CN202110472093.8A priority Critical patent/CN113190747B/zh
Publication of CN113190747A publication Critical patent/CN113190747A/zh
Application granted granted Critical
Publication of CN113190747B publication Critical patent/CN113190747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Animal Behavior & Ethology (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的是提供一种基于学习风格与认知水平的个性化资源推荐方法，包括：从学习行为记录得到学习者的历史学习风格；根据学习者历史测验记录判断学习者的历史认知水平；更新历史学习风格和历史认知水平；结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；计算学习者认知水平与学习资源难度之间的差异度；通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。本发明在为学习者进行学习资源推荐的过程中对学习者之间的差异进行了区分，实现了个性化学习资源推荐。

Description

一种基于学习风格与认知水平的个性化资源推荐方法
技术领域
本发明属于教育推荐技术领域，具体涉及一种基于学习风格与认知水平的个性化资源推荐方法。
背景技术
教育信息化的发展使学习者的学习方式从传统的课堂学习转变成在线学习，特别是在2020新冠疫情期间，各大中小学、高校以及线下教育培训机构全面停止线下课程，推动大量用户从线下转至线上。在教育大数据的发展下，教学资源呈现出资源海量、信息过载且质量良莠不齐的特征，学习者在这种环境下面临着“信息过载”和“知识迷航”的问题，海量的学术资源出现在互联网上，虽然满足了用户对学术资源的基本需求，但是也使得学习者需要花费大量的时间来获取对自己真正有用的学术资源，这就是所谓的信息超载问题。目前，一些常见的学习管理系统，提供给学习者的都是千篇一律的学习活动顺序和学习资源，而实际上，学习者是存在个性差异的，具有不同的学习风格、认知水平、学习动机、社会背景。在线学习中学习者获取学习资源的方式对学习效率有着重要的影响，传统通过匹配方式获得学习资源会占用学习者大量的时间，而通过结合学习者学习兴趣的学习资源推荐可以主动的将合适的学习资源推荐给学习者，对于提升学习者的学习效率有着重要的作用。
在学习者模型的分析过程中，杨超考虑了学习风格与学习内容的匹配，却忽略了学习者能力的适应程度；有研究者考虑并分析了基于学习者的偏好信息去推荐学习内容，但是弊处是不能说只考虑学习偏好去推荐，因为对于学习者来说，不应只考虑学习者喜欢什么样的教学资源，而更应该考虑到学习者应该学习什么样的知识；赵蔚考虑了基于学习风格和认知水平的学习者模型去推荐，但是在用户有学习行为记录时，没有通过数据分析对这两个因素去进行修正和更新，在线学习资源推荐主要涉及模型构建与推荐机制选择两个方面。目前在推荐过程中常用的算法有：基于内容的推荐、隐语义模型、协同过滤算法但是如何通过对学习者在线评论数据进行挖掘，构建个性化模型，实现学习资源的推荐还处于初步探索阶段。
发明内容
本发明的目的是提供一种基于学习风格与认知水平的个性化资源推荐方法，在为学习者进行学习资源推荐的过程中对学习者和学习资源之间的差异进行了区分，实现了个性化学习资源推荐。
本发明所采用的技术方案是，一种基于学习风格与认知水平的个性化资源推荐方法，具体按照以下步骤实施：
步骤1、从学习行为记录得到学习者的历史学习风格
学习行为包括查阅资源类型、学习时长、对资源的浏览次数、对论坛的发帖量、读帖量行为数据，学习风格包括四个维度，每个维度包括两种行为方式A和B，第一个维度的行为方式包括A活跃型和B沉思型，第二个维度的行为方式包括A感悟型和B直觉型，第三个维度的行为方式包括A序列型和B综合型，第四个维度的行为方式包括A视频型和B言语型，上述每种行为方式即为一种学习风格，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格；
步骤2、根据学习者历史测验记录判断学习者的历史认知水平；
步骤3、判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行更新；
步骤4、通过认知诊断得到学习者当前认知水平，利用当前的认知水平对历史的认知水平进行更新；
步骤5、结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；
步骤6、计算学习者认知水平与学习资源难度之间的差异度；
步骤7、通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
本发明的特点还在于，
步骤1中，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格具体按照以下步骤实施：
步骤1.1、将每个历史学习行为作为一个节点，利用贝叶斯定理计算学习风格全概率，即学习行为对应的学习风格：
P(si＝true，k1…kn)＝∑P(k1…kn) (1)
式(1)中，Si表示学习风格，true为学习风格中的一种，k1…kn代表节点，P(si＝true，k1…kn)表示第n个节点对应的学习风格；
步骤1.2、计算贝叶斯网络条件概率，利用贝叶斯网络条件概率表示学习风格条件概率，即一系列学习行为对应的学习风格：
Figure BDA0003045754030000031
式(2)中，Parents(Yi)是ki的双亲节点的集合，学习风格条件概率为一系列节点的条件概率，根据所计算的条件概率判断出学习者属于哪种学习风格。
认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
步骤2具体按照以下步骤实施：
步骤2.1、将认知水平分为三个等级，并给每个等级赋予属性值，认知水平的等级包括属性值为1的识别、属性值为2的理解、属性值为3的运用；将试题难度分为三个等级，并给每个等级赋予属性值，试题难度的等级包括属性值为1的简单、属性值为2的中等、属性值为3的难，简单试题的难度级别td为[0.1-0.3]，中等试题的难度级别td为[0.1-0.3]，难试题的难度级别td为[0.1-0.3]；
步骤2.2、从学习平台获取每个概念知识点出的题目数量N、题目数量的难度级别td[0-1]、学习者回答正确题目的数量m；
步骤2.3、根据累计积分＝学习者回答正确题目的数量*试题级别属性值，参考值＝每个概念知识点出的题目数量*试题级别属性值，计算每个学习者每个知识点的如下参数：
累计积分：Allscore＝m×c (3)
参考值：Rescore＝N×c (4)
累计积分与参考值比值：
Figure BDA0003045754030000041
0≤V≤1(5)
试题的平均难度级别：
Figure BDA0003045754030000042
步骤2.4、整合、分析、对比步骤2.3计算的参数，若V∈(0，1/3)且Avelevel∈(0，0.3)，则学习者的认知水平为识记；若V∈(1/3，2/3)且Avelevel∈(0.4，0.7)，则学习者的认知水平为理解；若V∈(2/3，1)且Avelevel∈(0.8，1)，则学习者的认知水平为应用。
步骤3具体为：
通过学习风格问卷判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行修正和更新；学习风格问卷由多道题目组成，每种学习风格的维度对应相同数量题目，根据作答结果计算学习者偏向学习风格程度，并由此判断学习者的学习风格种类，该学习风格种类即为当前的学习风格，更新历史学习风格记录。
步骤4具体为，
步骤4.1、每个学习者u描述为一个知识点掌握程度向量，学习者u对第k个知识点的掌握程度表示为αu，αu＝{αu1，αu2，…，αuk}，其中每一维对应一个知识点，αuk＝1表示学习者u掌握第k个知识点，αuk＝0表示学习者u未掌握第k个知识点；
步骤4.2、在已知学习者u的知识点掌握向量αuk的情况下，对于学生u未作答的试题Jv根据下式获得学习者u对试题Jv的潜在作答：
Figure BDA0003045754030000051
步骤4.3、基于步骤4.2对学习者建模DINA模型，DINA模型为DeterministicInputs，Noisy“And”gate model，DINA模型表达式：
Figure BDA0003045754030000052
式(8)中，gv表示猜测率，即未掌握答对任何试题技能的学生答对试题v的概率；sv表示失误率，即掌握答对任何试题技能的学生答错试题v的概率；Pv表示学习者对未作答的试题Jv的掌握；
步骤4.4、对学习者知识点掌握进行建模得到学生的个性化知识点掌握程度，并根据学习者的个性化知识点掌握程度获得学习者在试题上的掌握程度，判断学习者当前的认知水平。
步骤5具体按照以下步骤实施：
步骤5.1、将初中数学知识点整理为csv格式文件，并使用图数据库Neo4j将知识点实体信息和关系信息进行知识存储并构建知识图谱，定义Q个学习资源的集合为：
O＝{o1，o2，…，oQ}
学习资源选择矩阵：
Figure BDA0003045754030000061
步骤5.2、学习资源的媒体表现形式为四种，分别是：文字en1、图片en2、音频en3、视频en4，学习资源对象Qn采用各种表现方式的程度LREn：
LREn＝{en1，en2，en3，en4} (9)；
步骤5.3、基于知识图谱，计算学习者学习风格和学习资源类型之间的差异度：
Figure BDA0003045754030000062
式(10)中，xij表示从学习资源矩阵随机抽取的个体。
步骤6学习者认知水平与学习资源难度之间的差异度为，
f2(x)＝xij×|rdi-si| (11)
式(11)中，rd表示学习资源的难度，其中，资源难度0≤rdn≤1，i属于n。
步骤7具体为，建立三层结构的神经网络，构造目标函数
minF(x)＝ω1f1(x)+ω2f2(x) (12)
式(12)中，ω1+ω2＝1 (13)
式(13)中，ω1为目标函数中f1(x)对应的权重，ω2为目标函数中f2(x)对应的权重；
向神经网络输入学习者的当前学习风格和当前认知水平，在神经网络第一层中构建特征选择模型，特征选择模型限定学习资源是否推荐的条件；满足条件输入第二层神经网络，在神经网络第二层中建立深度神经网络学习模型，将目标函数通过训练迭代收敛至最小值，得到学习资源推荐模型；第三层神经网络中，将模拟的测试数据输入训练完毕的学习资源推荐模型，输出资源库中推荐的个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
知识点关系信息包括依赖、被依赖、属于、包含、反义、近义和同位。
本发明的有益效果是，
1)考虑到了学习者的个性特征。本发明考虑了学习者历史的学习风格与认知水平，并利用测评的方式对构建的学习者模型进行了修正与更新；
2)学习者特征数据和知识点特征数据的匹配度计算。本发明进行了学习者学习风格和学习资源类型之间的差异计算，同时也进行学习者认知水平与学习资源难度之间的差异计算，进而可以根据学习者的情况，给学习者推荐适合学习者学习类型和学习难度的个性化资源；
3)组合优化，由于认知水平是动态的，在本发明中，基于学习者模型和学习资源模型的推荐，利用神经网络算法进行推荐，分类、预测准确性好，在数据处理的过程中更具优势。
附图说明
图1是本发明一种基于学习风格与认知水平的个性化资源推荐方法的流程图；
图2是本发明一种基于学习风格与认知水平的个性化资源推荐方法步骤3的流程图；
图3是本发明一种基于学习风格与认知水平的个性化资源推荐方法步骤4的流程图；
图4是本发明一种基于学习风格与认知水平的个性化资源推荐方法步骤5中知识图谱可视化图；
图5是本发明一种基于学习风格与认知水平的个性化资源推荐方法步骤7的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于学习风格与认知水平的个性化资源推荐方法，如图1所示，具体按照以下步骤实施：
步骤1、从学习行为记录得到学习者的历史学习风格
学习行为包括查阅资源类型、学习时长、对资源的浏览次数、对论坛的发帖量、读帖量行为数据，学习风格包括四个维度，每个维度包括两种行为方式A和B，第一个维度的行为方式包括A活跃型和B沉思型，第二个维度的行为方式包括A感悟型和B直觉型，第三个维度的行为方式包括A序列型和B综合型，第四个维度的行为方式包括A视频型和B言语型，上述每种行为方式即为一种学习风格，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格；
步骤1.1、将每个历史学习行为作为一个节点，利用贝叶斯定理计算学习风格全概率，即学习行为对应的学习风格：
P(si＝true，k1…kn)＝∑P(k1…kn) (1)
式(1)中，Si表示学习风格，true为学习风格中的一种，k1…kn代表节点，P(si＝true，k1…kn)表示第n个节点对应的学习风格；
步骤1.2、计算贝叶斯网络条件概率，利用贝叶斯网络条件概率表示学习风格条件概率，即一系列学习行为对应的学习风格：
Figure BDA0003045754030000091
式(2)中，Parents(Yi)是ki的双亲节点的集合，学习风格条件概率为一系列节点的条件概率，根据所计算的条件概率判断出学习者属于哪种学习风格。
步骤2、根据学习者历史测验记录判断学习者的历史认知水平；
认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
步骤2具体按照以下步骤实施：
步骤2.1、将认知水平分为三个等级，并给每个等级赋予属性值，认知水平的等级包括属性值为1的识别、属性值为2的理解、属性值为3的运用；将试题难度分为三个等级，并给每个等级赋予属性值，试题难度的等级包括属性值为1的简单、属性值为2的中等、属性值为3的难，简单试题的难度级别td为[0.1-0.3]，中等试题的难度级别td为[0.1-0.3]，难试题的难度级别td为[0.1-0.3]；
步骤2.2、从学习平台获取每个概念知识点出的题目数量N、题目数量的难度级别td[0-1]、学习者回答正确题目的数量m；
步骤2.3、根据累计积分＝学习者回答正确题目的数量*试题级别属性值，参考值＝每个概念知识点出的题目数量*试题级别属性值，计算每个学习者每个知识点的如下参数：
累计积分：Allscore＝m×c (3)
参考值：Rescore＝N×c (4)
累计积分与参考值比值：
Figure BDA0003045754030000101
0≤V≤1(5)
试题的平均难度级别：
Figure BDA0003045754030000102
步骤2.4、整合、分析、对比步骤2.3计算的参数，若V∈(0，1/3)且Avelevel∈(0，0.3)，则学习者的认知水平为识记；若V∈(1/3，2/3)且Avelevel∈(0.4，0.7)，则学习者的认知水平为理解；若V∈(2/3，1)且Avelevel∈(0.8，1)，则学习者的认知水平为应用。
步骤3、判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行更新；
如图2所示，步骤3具体为：
通过学习风格问卷判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行修正和更新；学习风格问卷由多道题目组成，每种学习风格的维度对应相同数量题目，根据作答结果计算学习者偏向学习风格程度，并由此判断学习者的学习风格种类，该学习风格种类即为当前的学习风格，更新历史学习风格记录。
步骤4、通过认知诊断得到学习者当前认知水平，利用当前的认知水平对历史的认知水平进行更新；
如图3所示，步骤4具体为，
步骤4.1、每个学习者u描述为一个知识点掌握程度向量，学习者u对第k个知识点的掌握程度表示为αu，αu＝{αu1，αu2，…，αuk}，其中每一维对应一个知识点，αuk＝1表示学习者u掌握第k个知识点，αuk＝0表示学习者u未掌握第k个知识点；
步骤4.2、在已知学习者u的知识点掌握向量αuk的情况下，对于学生u未作答的试题Jv根据下式获得学习者u对试题Jv的潜在作答：
Figure BDA0003045754030000111
步骤4.3、基于步骤4.2对学习者建模DINA模型，DINA模型为DeterministicInputs，Noisy“And”gate model，DINA模型表达式：
Figure BDA0003045754030000112
式(8)中，gv表示猜测率，即未掌握答对任何试题技能的学生答对试题v的概率；sv表示失误率，即掌握答对任何试题技能的学生答错试题v的概率；Pv表示学习者对未作答的试题Jv的掌握；
步骤4.4、对学习者知识点掌握进行建模得到学生的个性化知识点掌握程度，并根据学习者的个性化知识点掌握程度获得学习者在试题上的掌握程度，判断学习者当前的认知水平。
步骤5、结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；
步骤5具体按照以下步骤实施：
步骤5.1、将初中数学知识点整理为csv格式文件，并使用图数据库Neo4j将知识点实体信息和关系信息进行知识存储并构建如图4所示的知识图谱，知识点关系信息包括依赖(某个知识点依赖于另一个知识点，比如：立体几何依赖于平面几何)、被依赖(某个知识点被依赖于另一个知识点，比如：平面几何依赖于立体几何)、属于(某个知识点属于另一个知识点的范畴，比如：等边三角形属于三角形)、包含(某个知识点内容包含另一个知识点，比如：三角形包含等腰、等边三角形)、反义(两个知识点意义相反，比如：增函数、减函数)、近义(两个知识点意思相近、但实质不同，比如：重力、引力)和同位(两个知识点在一定范围内有相同的父节点，比如：正数、负数和有理数)，定义Q个学习资源的集合为：
O＝{o1，o2，…，oQ}
学习资源选择矩阵：
Figure BDA0003045754030000121
步骤5.2、学习资源的媒体表现形式为四种，分别是：文字en1、图片en2、音频en3、视频en4，学习资源对象Qn采用各种表现方式的程度LREn：
LREn＝{en1，en2，en3，en4} (9)；
步骤5.3、基于知识图谱，计算学习者学习风格和学习资源类型之间的差异度：
Figure BDA0003045754030000122
式(10)中，xij表示从学习资源矩阵随机抽取的个体。
步骤6、计算学习者认知水平与学习资源难度之间的差异度；
步骤6学习者认知水平与学习资源难度之间的差异度为，
f2(x)＝xij×|rdi-si| (11)
式(11)中，rd表示学习资源的难度，其中，资源难度0≤rdn≤1，i属于n。
步骤7、通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源；
如图5所示，步骤7具体为，建立三层结构的神经网络，构造目标函数
minF(x)＝ω1f1(x)+ω2f2(x) (12)
式(12)中，ω1+ω2＝1 (13)
式(13)中，ω1为目标函数中f1(x)对应的权重，ω2为目标函数中f2(x)对应的权重；
向神经网络输入学习者的当前学习风格和当前认知水平，在神经网络第一层中构建特征选择模型，特征选择模型限定学习资源是否推荐的条件；满足条件输入第二层神经网络，在神经网络第二层中建立深度神经网络学习模型，将目标函数通过训练迭代收敛至最小值，得到学习资源推荐模型；第三层神经网络中，将模拟的测试数据(采用加噪声、加随机模拟用户的学习行为以及行为之间的关系生成数据6万条)输入训练完毕的学习资源推荐模型，输出资源库中推荐的个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
本发明一种基于学习风格与认知水平的个性化资源推荐方法，依据学习者与学习资源的特征，在为学习者进行学习资源推荐的过程中对学习者之间的差异进行了区分，为不同的学习者选择不同类型的学习资源进行推荐，实现了个性化学习资源推荐；学习者在学习过程中能更加准确、便捷的获得学习资源，增加学习者在学习社区中的有效学习时间；根据学习者在学习社区中在线测试的表现获得学习者对不同知识点的掌握情况，为学习资源的推荐提供依据，使出现在推荐列表中的学习资源更加符合学习者的目标需求。

Claims (5)

1.一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，具体按照以下步骤实施：
步骤1、从学习行为记录得到学习者的历史学习风格
所述学习行为包括查阅资源类型、学习时长、对资源的浏览次数、对论坛的发帖量、读帖量行为数据，所述学习风格包括四个维度，每个维度包括两种行为方式A和B，第一个维度的行为方式包括A活跃型和B沉思型，第二个维度的行为方式包括A感悟型和B直觉型，第三个维度的行为方式包括A序列型和B综合型，第四个维度的行为方式包括A视频型和B言语型，上述每种行为方式即为一种学习风格，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格；
步骤2、根据学习者历史测验记录判断学习者的历史认知水平；
步骤3、判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行更新；
所述步骤3具体为：
通过学习风格问卷判断学习者当前的学习风格，并利用当前的学习风格对历史的学习风格进行修正和更新；所述学习风格问卷由多道题目组成，每种学习风格的维度对应相同数量题目，根据作答结果计算学习者偏向学习风格程度，并由此判断学习者的学习风格种类，该学习风格种类即为当前的学习风格，更新历史学习风格记录；
步骤4、通过认知诊断得到学习者当前认知水平，利用当前的认知水平对历史的认知水平进行更新；
所述步骤4具体为，
步骤4.1、每个学习者u描述为一个知识点掌握程度向量，学习者u对第k个知识点的掌握程度表示为αu，αu＝{αu1，αu2，...，αuk}，其中每一维对应一个知识点，αuk＝1表示学习者u掌握第k个知识点，αuk＝0表示学习者u未掌握第k个知识点；
步骤4.2、在已知学习者u的知识点掌握向量αuk的情况下，对于学生u未作答的试题Jv根据下式获得学习者u对试题Jv的潜在作答：
Figure FDA0003942030750000021
步骤4.3、基于步骤4.2对学习者建模DINA模型，DINA模型为Deterministic Inputs，Noisy“And”gate model，DINA模型表达式：
Figure FDA0003942030750000022
式(8)中，gv表示猜测率，即未掌握答对任何试题技能的学生答对试题v的概率；sv表示失误率，即掌握答对任何试题技能的学生答错试题v的概率；Pv表示学习者对未作答的试题Jv的掌握；
步骤4.4、对学习者知识点掌握进行建模得到学生的个性化知识点掌握程度，并根据学习者的个性化知识点掌握程度获得学习者在试题上的掌握程度，判断学习者当前的认知水平；
步骤5、结合构建的学科知识图谱，联系资源对应的知识点难度，进行学习者学习风格和学习资源类型之间差异度计算；
所述步骤5具体按照以下步骤实施：
步骤5.1、将初中数学知识点整理为csv格式文件，并使用图数据库Neo4j将知识点实体信息和关系信息进行知识存储并构建知识图谱，定义Q个学习资源的集合为：
O＝{o1，o2，...，oQ}
学习资源选择矩阵：
Figure FDA0003942030750000031
步骤5.2、学习资源的媒体表现形式为四种，分别是：文字en1、图片en2、音频en3、视频en4，学习资源对象Qn采用各种表现方式的程度LREn：
LREn＝{en1，en2，en3，en4} (9)；
步骤5.3、基于知识图谱，计算学习者学习风格和学习资源类型之间的差异度：
Figure FDA0003942030750000032
式(10)中，xij表示从学习资源矩阵随机抽取的个体；
步骤6、计算学习者认知水平与学习资源难度之间的差异度；
所述步骤6学习者认知水平与学习资源难度之间的差异度为，
f2(x)＝xij×|rdi-ri| (11)
式(11)中，rd表示学习资源的难度，其中，资源难度0≤rdn≤1，i属于n；
步骤7、通过深度神经网络输出个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
2.根据权利要求1所述的一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，所述步骤1中，将学习行为记录中的历史学习行为通过估算规则进行计算，获得历史学习行为对应的历史学习风格具体按照以下步骤实施：
步骤1.1、将每个历史学习行为作为一个节点，利用贝叶斯定理计算学习风格全概率，即学习行为对应的学习风格：
P(si＝true，k1...kn)＝∑P(k1...kn) (1)
式(1)中，Si表示学习风格，true为学习风格中的一种，k1...kn代表节点，P(si＝true，k1...kn)表示第n个节点对应的学习风格；
步骤1.2、计算贝叶斯网络条件概率，利用贝叶斯网络条件概率表示学习风格条件概率，即一系列学习行为对应的学习风格：
Figure FDA0003942030750000041
式(2)中，Parents(Yi)是ki的双亲节点的集合，学习风格条件概率为一系列节点的条件概率，根据所计算的条件概率判断出学习者属于哪种学习风格。
3.根据权利要求2所述的一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，所述认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
所述步骤2具体按照以下步骤实施：
步骤2.1、将认知水平分为三个等级，并给每个等级赋予属性值，认知水平的等级包括属性值为1的识别、属性值为2的理解、属性值为3的运用；将试题难度分为三个等级，并给每个等级赋予属性值，试题难度的等级包括属性值为1的简单、属性值为2的中等、属性值为3的难，简单试题的难度级别td为[0.1-0.3]，中等试题的难度级别td为[0.1-0.3]，难试题的难度级别td为[0.1-0.3]；
步骤2.2、从学习平台获取每个概念知识点出的题目数量N、题目数量的难度级别td[0-1]、学习者回答正确题目的数量m；
步骤2.3、根据累计积分＝学习者回答正确题目的数量*试题级别属性值，参考值＝每个概念知识点出的题目数量*试题级别属性值，计算每个学习者每个知识点的如下参数：
累计积分：Allscore＝m×c (3)
参考值：Rescore＝N×c (4)
累计积分与参考值比值：
Figure FDA0003942030750000051
试题的平均难度级别：
Figure FDA0003942030750000052
步骤2.4、整合、分析、对比步骤2.3计算的参数，若V∈(0，1/3)且Avelevel∈(0，0.3)，则学习者的认知水平为识记；若V∈(1/3，2/3)且Avelevel∈(0.4，0.7)，则学习者的认知水平为理解；若V∈(2/3，1)且Avelevel∈(0.8，1)，则学习者的认知水平为应用。
4.根据权利要求1所述的一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，所述步骤7具体为，建立三层结构的神经网络，构造目标函数
minF(x)＝ω1f1(x)+ω2f2(x) (12)
式(12)中，ω1+ω2＝1 (13)
式(13)中，ω1为目标函数中f1(x)对应的权重，ω2为目标函数中f2(x)对应的权重；
向神经网络输入学习者的当前学习风格和当前认知水平，在神经网络第一层中构建特征选择模型，特征选择模型限定学习资源是否推荐的条件；满足条件输入第二层神经网络，在神经网络第二层中建立深度神经网络学习模型，将目标函数通过训练迭代收敛至最小值，得到学习资源推荐模型；第三层神经网络中，将模拟的测试数据输入训练完毕的学习资源推荐模型，输出资源库中推荐的个性化学习资源，完成向学习者推荐符合学习需求的个性化学习资源。
5.根据权利要求1所述的一种基于学习风格与认知水平的个性化资源推荐方法，其特征在于，所述知识点关系信息包括依赖、被依赖、属于、包含、反义、近义和同位。
CN202110472093.8A 2021-04-29 2021-04-29 一种基于学习风格与认知水平的个性化资源推荐方法 Active CN113190747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110472093.8A CN113190747B (zh) 2021-04-29 2021-04-29 一种基于学习风格与认知水平的个性化资源推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110472093.8A CN113190747B (zh) 2021-04-29 2021-04-29 一种基于学习风格与认知水平的个性化资源推荐方法

Publications (2)

Publication Number Publication Date
CN113190747A CN113190747A (zh) 2021-07-30
CN113190747B true CN113190747B (zh) 2023-04-14

Family

ID=76980627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110472093.8A Active CN113190747B (zh) 2021-04-29 2021-04-29 一种基于学习风格与认知水平的个性化资源推荐方法

Country Status (1)

Country Link
CN (1) CN113190747B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743495B (zh) * 2021-08-31 2024-02-13 华中师范大学 一种基于注意力机制的学习风格识别方法及系统
CN113851020A (zh) * 2021-11-04 2021-12-28 华南师范大学 一种基于知识图谱的自适应学习平台

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516116A (zh) * 2019-08-27 2019-11-29 华中师范大学 一种多步分层的学习者认知水平挖掘方法及系统
CN111460249A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于学习者偏好建模的个性化学习资源推荐方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150170536A1 (en) * 2013-12-18 2015-06-18 William Marsh Rice University Time-Varying Learning and Content Analytics Via Sparse Factor Analysis
CN109919810B (zh) * 2019-01-22 2023-01-24 山东科技大学 在线学习系统中的学生建模与个性化课程推荐方法
CN111914162B (zh) * 2020-06-01 2023-03-17 大连厚仁科技有限公司 一种基于知识图谱的个性化学习方案引导方法
CN111898020A (zh) * 2020-06-18 2020-11-06 济南浪潮高新科技投资发展有限公司 基于bert和lstm的知识学习体系推荐方法、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516116A (zh) * 2019-08-27 2019-11-29 华中师范大学 一种多步分层的学习者认知水平挖掘方法及系统
CN111460249A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于学习者偏好建模的个性化学习资源推荐方法

Also Published As

Publication number Publication date
CN113190747A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
Tunas Bangsa Pematangsiantar Comparison of weighted sum model and multi attribute decision making weighted product methods in selecting the best elementary school in Indonesia
Akinoso Effect of the use of multimedia on students performance in secondary school mathematics
Shen et al. Assessing student's dynamic knowledge state by exploring the question difficulty effect
CN113190747B (zh) 一种基于学习风格与认知水平的个性化资源推荐方法
Alkhuraiji et al. Dynamic adaptive mechanism in learning management system based on learning styles
Lim et al. A semantic network model for measuring engagement and performance in online learning platforms
AdrianChin et al. JomDataMining: academic performance and learning behaviour dubious relationship
Sani et al. Artificial intelligence approaches in student modeling: Half decade review (2010-2015)
CN115455186A (zh) 一种基于多模型的学情分析方法
Fox Applications of multilevel IRT modeling
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
Weng et al. Exploring the influence of students’ ICT use on mathematics and science moderated by school-related factors
Puah Predicting students’ academic performance: a comparison between traditional MLR and machine learning methods with PISA 2015
Adel et al. Towards socially intelligent automated tutors: Predicting learning style dimensions from conversational dialogue
Mosharraf et al. ADAM: Advisory agents modeling system to enhance student-supervisor decision making
Wan et al. A learner’s role-based multi dimensional collaborative recommendation (LRMDCR) for group learning support
Zhou Research on teaching resource recommendation algorithm based on deep learning and cognitive diagnosis
Liu Exploring the blended learning model of music teaching skills for teacher trainees based on teacher training professional certification in the context of big data
El Emrani et al. An Intelligent Adaptive cMOOC “IACM” for Improving Learner’s Engagement
Chen Q-matrix optimization for cognitive diagnostic assessment
Xie et al. A Measurement of Online-learning Style Based on a Modified Model
Daniel Motidyang A Bayesian belief network computational model of social capital in virtual communities
Waluyo et al. The Determinants of Reputation of Institution and Its Implications for the College Decision in Private-Owned Higher Educational Institution in LLDikti Region III Jakarta
Feng Essays on learning through practice
Selmanagić et al. Designing granular competency frameworks for adaptive learning on the example of Naïve Bayes classifiers

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230330

Address after: Unit 601, Building 10, Building A, Shenzhen Bay Science and Technology Ecological Park, No. 10 Gaoxin South 9th Road, Gaoxin Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, 518000

Applicant after: Shenzhen Caibei Education Technology Co.,Ltd.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Effective date of registration: 20230330

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant