CN115455247B - 一种课堂协作学习角色判定方法 - Google Patents

一种课堂协作学习角色判定方法 Download PDF

Info

Publication number
CN115455247B
CN115455247B CN202211173643.7A CN202211173643A CN115455247B CN 115455247 B CN115455247 B CN 115455247B CN 202211173643 A CN202211173643 A CN 202211173643A CN 115455247 B CN115455247 B CN 115455247B
Authority
CN
China
Prior art keywords
learner
time window
interaction
under
current time
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
CN202211173643.7A
Other languages
English (en)
Other versions
CN115455247A (zh
Inventor
闫秋艳
高扬
高岩
芮晓彬
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202211173643.7A priority Critical patent/CN115455247B/zh
Publication of CN115455247A publication Critical patent/CN115455247A/zh
Application granted granted Critical
Publication of CN115455247B publication Critical patent/CN115455247B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种课堂协作学习角色判定方法，包括以下步骤：采集课堂协作学习者的骨骼点数据；基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量；基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，基于自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图；基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度；基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定。

Description

一种课堂协作学习角色判定方法
技术领域
本发明涉及协作角色判定技术领域，尤其涉及一种课堂协作学习角色判定方法。
背景技术
互动关系的形成是一种重要的协作学习途径，也是协作学习的基础。互动是指学生和自己所处的环境在试图改变学生的行为以达到学习目标的过程中相互影响而发生的互惠事件。在各种学习情况下的互动被认为是构建一个有意义的学习体验的关键。近年来，随着教育信息化及教育智能化的飞速发展，采用视频分析技术，针对学生的课堂行为及表情实现学生课堂参与度和投入程度的研究，已经获得了丰富的研究成果，但是视频分析的对象主要针对师生之间的课堂互动行为，较少开展学生与学生之间——即课堂协作学习行为及协作角色的研究。
目前对协作学习的交互过程主分析主要采用社会网络分析(Social NetworkAnalysis，SNA)方法，例如，针对混合模式下基于“合作”和“复制”两种学习取向的五种合作学习模式进行研究；采用基于IIS图分析法和社会网络分析法来分析智慧教室下和常规教室下协作学习的交互过程。在上述基于SNA的方法中，构建交互矩阵或社会交互网络，需要通过问卷或人工处理的方式，存在较强的主观性，且不适用于智慧教室环境、或大规模网络学习场景中的协作关系的自动化、实时分析。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种课堂协作学习角色判定方法，用以解决现有技术对课堂协作学习交互分析主观性强，无法实现自动的、实时的进行协作关系分析的问题。
一方面，本发明实施例提供了一种课堂协作学习角色判定方法，包括以下步骤：
采集课堂协作学习者的骨骼点数据；基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量；
基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，基于自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图；基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度；
基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定。
基于上述方法的进一步改进，所述基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量，包括：
提取当前时间窗口下的每个学习者的骨骼点数据；采用多级子窗口的方式提取每个子窗口下每个学习者的骨骼点数据，计算每个子窗口下每个学习者的骨骼点数据的协方差矩阵；
对于每个学习者，将当前时间窗口下所有子窗口的协方差矩阵拼接构建该时间窗口下该学习者的骨骼特征向量。
进一步地，基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，包括：
采用BIC准则确定学习者i的自回归模型的滞后量p*，构建学习者i的自回归模型其中，λl表示自回归模型中第l阶滞后量的参数，μ1表示噪声，/>表示第t-l个时间窗口下学习者i的骨骼特征向量；
采用BIC准则确定联合回归模型的滞后量p，将学习者j的p阶滞后量加入学习者i的自回归模型中，构建学习者i与学习者j的联合回归模型其中，δl表示联合回归模型中学习者j的第l阶滞后量的参数，μ2表示噪声，/>表示第t-l个时间窗口下学习者j的骨骼特征向量。
进一步地，基于所述自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图，包括：
计算当前时间窗口下学习者i的自回归模型的残差平方和RSSr以及学习者i与学习者j的联合回归模型的残差平方和RSSu，根据以下公式构造F统计量，其中，p*表示自回归模型的滞后量，p表示联合回归模型的滞后量，n表示骨骼特征向量的元素数量；
根据所述F统计量判断所述自回归模型的残差平方和与联合回归模型的残差平方和的差异性是否显著，若否，则当前时间窗口下学习者j对学习者i没有因果作用关系，否则，当前时间窗口下学习者j对学习者i有因果作用关系；
基于当前时间窗口下学习者间的因果作用关系构建当前时间窗口下的交互关系图。
进一步地，基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度，包括：
基于当前时间窗口下每个学习者的自回归模型和学习者间的联合回归模型计算当前时间窗口下学习者间的作用强度；
基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数；
基于每个时间窗口下的交互关系图中每个学习者的出度和入度计算每个学习者的交互频率；
基于每个学习者的交互频率、当前时间窗口下学习者间的作用强度和每个学习者的节点介数计算当前时间窗口下每个学习者的交互强度。
进一步地，
采用公式计算当前时间窗口下学习者j对学习者i的作用强度，其中，var(ηi)表示当前时间窗口下学习者i的自回归模型的估计方差，var(εi,j)表示当前时间窗口下学习者i与学习者j的联合回归模型的估计方差。
进一步地，
根据公式基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数，其中gk表示当前时间窗口下的交互关系图中节点k的节点介数，N表示所述交互关系图的节点总数，c(i,j)表示所述交互关系图中节点i和节点j之间最短路径的数量，ck(i,j)表示所述交互关系图中经过节点k的节点i和节点j之间最短路径的数量。
进一步地，根据公式根据计算每个学习者的交互频率，其中，/>表示第t个时间窗口下的交互关系图中节点i的出度，/>表示第t个时间窗口下的交互关系图中节点i的入度，T表示时间窗口的数量。
进一步地，基于每个学习者的交互频率、当前时间窗口下学习者间的作用强度和每个学习者的节点介数计算当前时间窗口下每个学习者的交互强度，包括：
根据公式IFi→j＝FCi→j×FCj→i×gi×fi计算当前时间窗口下学习者i对学习者j的影响因子；
根据公式计算当前时间窗口下学习者i的交互强度；
其中，FCi→j表示当前时间窗口下学习者i对学习者j的作用强度，FCj→i表示当前时间窗口下学习者j对学习者i的作用强度，gi表示当前时间窗口下学习者i的节点介数，N表示学习者的数量，Wi表示当前时间窗口下的交互关系图中指向节点i的节点集合，L(j)表示所述交互关系图中节点j的出度，d表示阻滞率，PRa+1(i)表示节点i第a+1次迭代的交互强度值，PRa(j)表示节点j第a次迭代的交互强度值，fi表示学习者i的交互频率。
进一步地，基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定，包括：
根据每个时间窗口下的交互关系图和每个学习者的交互强度计算课堂协作过程中每个学习者的平均协作次数、平均交互强度和交互稳定性；基于所述平均协作次数、平均交互强度和交互稳定性采用决策树算法对每个学习者进行角色判定
与现有技术相比，本发明通过采集协作学习者的骨骼点数据，基于骨骼点数据计算学习者的交互关系图和交互强度，基于交互关系图和学习者的交互强度自动进行学习者的协作学习角色判断，从而自动的、客观的对交互行为进行分析，避免的主观分析的不准确性；并且，可以实时提取骨骼点数据实时进行协作学习角色判定，从而适用于智慧教室环境或大规模网络学习场景。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例课堂协作学习角色判定方法的流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种课堂协作学习角色判定方法，如图1所示，方法包括以下步骤：
S1、采集课堂协作学习者的骨骼点数据；基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量；
具体的，可通过深度相机采集得到课堂协作学习者的骨骼点数据；包括课堂中所有学习者的骨骼点数据。例如采用Kinect深度相机，可采集25个骨骼点的数据，每个骨骼点数据包含x,y,z三个坐标的数据。
S2、基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，基于自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图；基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度；
自回归模型是用变量自身做回归的过程，即利用前期若干时刻的变量的线性组合来描述以后某时刻变量的线性回归模型，即得到的是变量的自相关性。
联合回归模型是两个或两个以上变量的回归过程，即利用前期的若干时刻的两个或两个以上变量的线性组合来表述以后某时刻某个变量的线性回归模型，即得到的是变量与自身及其他变量的相关性。
通过自回归模型和联合回归模型根据因果关系检验可判断某变量是否对其他变量具有因果作用关系。
S3、基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定。
通过采集协作学习者的骨骼点数据，基于骨骼点数据计算学习者的交互关系图和交互强度，基于交互关系图和学习者的交互强度自动进行学习者的协作学习角色判断，从而自动的、客观的对交互行为进行分析，避免主观分析的不准确性；并且，可以实时提取骨骼点数据，实时进行协作学习角色判定，从而适用于智慧教室环境或大规模网络学习场景。
实施时，可通过摄像头采集课堂学习场景视频数据。对采集的视频数据，可采用姿态提取算法提取每一个视频帧中学习者的骨骼点坐标数据，构成每个学习者的骨骼点数据序列。基于每个学习者的骨骼点数据构建骨骼特征向量。
具体的步骤S1中基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量，包括：
S11、提取当前时间窗口下的每个学习者的骨骼点数据；采用多级子窗口的方式提取每个子窗口下每个学习者的骨骼点数据，计算每个子窗口下每个学习者的骨骼点数据的协方差矩阵；
具体的，时间窗口的大小可根据实际课堂动作的平均时长设置，例如时间窗口的大小可设置为60帧。第一个时间窗口为第1～第60帧，第2个时间窗口是第2～第61帧。
具体的子窗口的级数可根据计算效率要求设置，若效率要求相对高则可以设置较少的级数。若效率要求相对低，可设较多的级数用以提取更丰富的时间特征。实施时，每级子窗口的大小不同。例如，一级子窗口的大小与当前时间窗口的大小相同，即60帧，二级子窗口大小为当前时间窗口的一半，30帧，三级子窗口大小为当前时间窗口的四分之一，15帧。提取当前时间窗口下第1～第30帧的骨骼点数据作为第一个二级子窗口下的骨骼点数据，第31～第60帧的骨骼点数据作为第二个二级子窗口下的骨骼点数据，提取当前时间窗口下第1～第15帧的骨骼点数据作为第一个三级子窗口下的骨骼点数据，依次类推。计算每个子窗口下骨骼点坐标数据的协方差矩阵。
S12、对于每个学习者，将当前时间窗口下所有子窗口的协方差矩阵拼接构建该时间窗口下该学习者的骨骼特征向量。
实施时，对于每个学习者，首先将当前时间窗口下的每个子窗口下的协方差矩阵拉直为一维向量，将所有子窗口下的一维向量拼接构成当前时间窗口下该学习者的骨骼特征向量，综合表示骨骼点序列数据的时空特性。
通过多级子窗口的方式，对骨骼点序列数据进行可重叠的切分，保留其时间特性，特征提取更加准确，为后续交互识别提供基础。
具体的，步骤S2中，基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，包括：
S21、采用BIC准则确定学习者i的自回归模型的滞后量p*，构建学习者i的自回归模型其中，λl表示自回归模型中第l阶滞后量的参数，μ1表示噪声，/>表示第t-l个时间窗口下学习者i的骨骼特征向量；
实施时，滞后量p*根据公式BIC＝n*log(r2/n)+(s+1)*ln(n)确定，即使得BIC值最小的s，即为自回归模型的滞后量p*，其中，r表示回归模型的残差，n表示骨骼特征向量的元素数量，s表示滞后阶数的候选值。
实施时，回归模型的参数λl可采用最小二乘法确定。
S22、采用BIC准则确定联合回归模型的滞后量p，将学习者j的p阶滞后量加入学习者i的自回归模型中，构建学习者i与学习者j的联合回归模型其中，δl表示联合回归模型中学习者j的第l阶滞后量的参数，μ2表示噪声，/>表示第t-l个时间窗口下学习者j的骨骼特征向量。
实施时，基于BIC准则采用上述同样的方法确定联合回归模型的滞后量p。回归模型的参数δl可采用最小二乘法确定。
构建自回归模型和联合回归模型后，步骤S2中，基于所述自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图，包括：
S23、计算当前时间窗口下学习者i的自回归模型的残差平方和RSSr以及学习者i与学习者j的联合回归模型的残差平方和RSSu，根据以下公式构造F统计量，其中，p*表示自回归模型的滞后量，p表示联合回归模型的滞后量，n表示骨骼特征向量的元素数量；
具体的，残差平方和可根据公式计算得到，其中，n表示骨骼特征向量的元素数量，xk表示骨骼特征向量中第k个元素的真实值，xk表示模型的骨骼特征向量中第k个元素的模型估计值。根据该计算公式分别计算学习者i的自回归模型的残差平方和RSSr以及学习者i与学习者j的联合回归模型的残差平方和RSSu。
根据公式构造F校验统计量。
S24、根据所述使用F检验统计量判断所述自回归模型的残差平方和与联合回归模型的残差平方和的差异性是否显著。该F检验的原假设为学习者j对学习者i没有影响。当差异性不显著时，则接受原假设，即当前时间窗口下学习者j对学习者i没有因果作用关系，如果差异显著，并且显著性大于设置的显著性水平a，则拒绝原假设，即当前时间窗口下学习者j对学习者i有因果作用关系；
具体的，根据所述F统计量判断所述自回归模型的残差平方和与联合回归模型的残差平方和的差异性是否显著，即根据F统计量判断RSSr与RSSu的差异性在F分布下所占的概率是否大于显著性水平a，例如0.05，确定当前时间窗口下学习者j对学习者i是否有因果作用关系。若RSSr与RSSu的差异性显著，即概率大于著性水平，则当前时间窗口下学习者j对学习者i具有因果作用关系，否则当前时间窗口下学习者j对学习者i没有因果作用关系。
实施时，采用步骤S21-S24同样的方式来构建当前时间窗口下学习者j的自回归模型、学习者j与学习者i的联合回归模型，根据学习者j的自回归模型的残差平方和以及学习者j与学习者i的联合回归模型的残差平方和的差异性判断当前时间窗口下学习者i对学习者j是否具有因果作用关系。
S25、基于当前时间窗口下学习者间的因果作用关系构建当前时间窗口下交互关系图。
具体的，交互关系图为有N个节点的有向图，N为学习者的数量，一个节点和一个学习者一一对应，若当前时间窗口下学习者i对学习者j具有因果作用关系，则交互关系图中有从节点i指向节点j的有向边。
每一个时间窗口对应有一个交互关系图，表示该时间窗口下的交互特征。
得到交互关系图后，步骤S2中基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度，包括：
S26、基于当前时间窗口下每个学习者的自回归模型和学习者间的联合回归模型计算当前时间窗口下学习者间的作用强度；
具体的，依次根据每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，计算每个时间窗口下学习者间的作用强度。具体的，采用公式计算当前时间窗口下学习者j对学习者i的作用强度，其中，var(ηi)表示当前时间窗口下学习者i的自回归模型的估计方差，var(εi,j)表示当前时间窗口下学习者i与学习者j的联合回归模型的估计方差。通过回归模型的误差项的信息，可有效表示两个个体之间的相互作用强度。
同样的，可采用公式计算学习者i对学习者j的作用强度，其中，var(ηj)表示学习者j的自回归模型的估计方差，var(εj,i)表示学习者j与学习者i的联合回归模型的估计方差。
学习者i对学习者j的作用强度也是学习者j对学习者i的反作用强度。
S27、基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数；
基于有向图的节点介数计算每个学习者的节点介数，从而反映个体在有向交互关系图中的重要性。
具体的，根据公式基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数，其中gk表示当前时间窗口下的交互关系图中节点k的节点介数，N表示所述交互关系图的节点总数，c(i,j)表示所述交互关系图中节点i和节点j之间最短路径的数量，ck(i,j)表示所述交互关系图中经过节点k的节点i和节点j之间最短路径的数量。
根据上述公式，可计算出交互关系图中每个节点的节点介数，对应于每个学习者的节点介数。
实施时，有向图中每条边的权值相同，节点间的最短路径可采用Dijkstra算法来计算。
S28、基于每个时间窗口下的交互关系图中每个学习者的出度和入度计算每个学习者的交互频率；
交互频率即学习者在单位时间内与其他学习者交互的频繁程度。例如，学习者i的交互，即学习者i对其他学习者有因果作用关系，或者其他学习者对学习者i有因果作用关系，因此对应于交互关系图中节点i的出站链接(即节点i指向其他节点的边)和入站链接(其他节点指向节点i的边)，出站链接的数量即出度，入站链接的数量即入度。
因此，根据计算每个学习者的交互频率，其中，表示第t个时间窗口下的交互关系图中节点i的出度，/>表示第t个时间窗口下的交互关系图中节点i的入度，T表示时间窗口的数量。
S29、基于每个学习者的交互频率、当前时间窗口下学习者间的作用强度和每个学习者的节点介数计算当前时间窗口下每个学习者的交互强度。
PageRank算法作为计算互联网网页重要度的算法被提出。PageRank是定义在网页集合上的一个函数，它对每个网页给出一个正实数，表示网页的重要程度，整体构成一个向量，PageRank值越高，网页就越重要，在互联网搜索的排序中可能就被排在前面。
PageRank是一个图算法(根据网页及网页间的链接抽象为图结构)，对于每个节点计算其PageRank值，下面简称PR值。
公式如下：
这是一个迭代公式，a是循环次数，PRa+1(i)是节点i的第a+1轮的PR值，Wi表示有向图中指向节点i的节点集合，L(j)表示有向图中节点j的出度。
传统的PageRank算法每个节点的权值是相同的，因此不能准确的体现每个节点对其他节点的影响力。因此，本申请基于每个学习者的交互频率、每个学习者的节点介数和学习者间的作用强度计算当前时间窗口下学习者间的影响因子，作为学习者的影响力评价指标，从而更加准确的体现课堂交互行为中个体的影响力大小。
具体的，根据公式IFi→j＝FCi→j×FCj→i×gi×fi计算当前时间窗口下学习者i对学习者j的影响因子。即根据学习者i的交互频率、当前时间窗口下学习者i对学习者j的作用强度、学习者j对学习者i的作用强度、学习者i的节点介数计算当前时间窗口下学习者i的对学习者j的影响因子。
传统的PageRank算法对于边数较多的图，最终的PR值可能仅取决于开始的几次迭代，为了解决这个问题，本发明引入阻滞率d，减少每次迭代PR的变化幅度。
具体的，根据公式计算当前时间窗口下学习者i的交互强度；
其中，FCi→j表示当前时间窗口下学习者i对学习者j的作用强度，FCj→i表示当前时间窗口下学习者j对学习者i的作用强度；gi表示当前时间窗口下学习者i的节点介数，N表示学习者的数量，Wi表示当前时间窗口下的交互关系图中指向节点i的节点集合，L(j)表示所述交互关系图中节点j的出度，d表示阻滞率，PRa+1(i)表示节点i第a+1次迭代的交互强度值，PRa(j)表示节点j第a次迭代的交互强度值，fi表示学习者i的交互频率。
初始时，所有节点的PR值相同，根据有向图的指向关系经过一定次数的迭代后，可计算出每个节点的重要程度，即PR值。实施时，可以设置固定的迭代次数，也可以采用当PR值稳定时停止迭代的方式结束迭代循环。从而计算出每个时间窗口下，每个学习者的交互强度，即PR值。
基于每个时间窗口下的交互关系图和每个学习者的交互强度可对每个学习者进行角色判定，具体的，步骤S3包括：
根据每个时间窗口下的交互关系图和每个学习者的交互强度计算课堂协作过程中每个学习者的平均协作次数、平均交互强度和交互稳定性；基于所述平均协作次数、平均交互强度和交互稳定性采用决策树算法对每个学习者进行角色判定。
具体的，首先根据所有时间窗口下的交互关系图对应的邻接矩阵构建协作矩阵。
协作矩阵为N×N大小的矩阵，初始时矩阵元素均为0，N表示学习者的数量。
从第一个时间窗口到最后一个时间窗口，根据每个时间窗口下的交互关系图的邻接矩阵判断学习者之间是否有协作关系，若学习者i和学习者j间具有协作关系，则协作矩阵中第i行第j列和第j行第i列的元素值分别加1。
具体判断学习者之间是否有协作关系的方法为：当前时间窗口下的交互关系图对应的邻接矩阵中，如第i行第j列值为1，并且第j行第i列的值也为1，即学习者i对学习者j具有因果作用关系，学习者j对学习者i也具有因果作用关系，则学习者i与学习者j间有协作关系。
得到协作矩阵后，将协作矩阵第i行元素相加除以总窗口数，得到学习者i的平均协作次数。
将每个时间窗口下学习者i的交互强度PR值加和，对时间窗口数量取平均，可得到学习者i的平均交互强度。
在协作矩阵中，第i行第j列的数值为第i行元素的最大值，第j行第i列的数值为第j行元素的最大值，则学习者i和学习者j的交互稳定性高，否则，学习者i和学习者j的交互稳定性低。
实施时，可根据每个学习者的平均交互强度、平均协作次数和交互稳定性对每个学习者进行角色判定。例如平均协作次数和平均交互强度都高且组合稳定(交互稳定性高)为第一类，表示形成了紧密的协作关系；平均协作次数和平均交互强度都高但组合不稳定(交互稳定性低)为第二类，表示虽然活跃，但是没有明确的协作对象；除了一、二类外，平均交互次数中等但平均交互强度低为第三类，表示有协作意愿但都属于从属方；平均协作次数低但平均交互强度中等为第四类，表示缺少协作的意愿，有互动但没有目的性；平均协作次数和平均交互强度都为中等或偏低为第五类，表示无明确协作和互动意愿。
实施时，以平均交互强度、平均协作次数和交互稳定性为特征，构建决策树分类模型。
首先收集样本集。
然后根据样本集中特征的信息熵增益，依次选择信息熵增益最大的特征作为划分属性，构建决策树模型。例如，通过对样本中每类特征的信息熵进行计算，发现交互稳定性特征的信息熵最高，因此将交互稳定性作为第一个划分属性，继续计算其他特征的信息熵，若平均交互强度的信息熵最大，则将其作为第二个划分属性，依次类推，构建决策树模型。
当有新的学习者进行角色判断时，根据其平均交互强度、平均协作次数和交互稳定性，基于构建好的决策树模型判断其对应的角色类型。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种课堂协作学习角色判定方法，其特征在于，包括以下步骤：
采集课堂协作学习者的骨骼点数据；基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量；
基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，基于自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图；基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度；
基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定；
基于每个时间窗口下每个学习者的骨骼特征向量构建每个时间窗口下每个学习者的自回归模型和学习者间的联合回归模型，包括：
采用BIC准则确定学习者i的自回归模型的滞后量p*，构建学习者i的自回归模型其中，λl表示自回归模型中第l阶滞后量的参数，μ1表示噪声，/>表示第t-l个时间窗口下学习者i的骨骼特征向量；
采用BIC准则确定联合回归模型的滞后量p，将学习者j的p阶滞后量加入学习者i的自回归模型中，构建学习者i与学习者j的联合回归模型其中，δl表示联合回归模型中学习者j的第l阶滞后量的参数，μ2表示噪声，/>表示第t-l个时间窗口下学习者j的骨骼特征向量；
基于所述自回归模型和联合回归模型采用因果关系检验法构建每个时间窗口下的交互关系图，包括：
计算当前时间窗口下学习者i的自回归模型的残差平方和RSSr以及学习者i与学习者j的联合回归模型的残差平方和RSSu，根据以下公式构造F统计量，其中，p*表示自回归模型的滞后量，p表示联合回归模型的滞后量，n表示骨骼特征向量的元素数量；
根据所述F统计量判断所述自回归模型的残差平方和与联合回归模型的残差平方和的差异性是否显著，若否，则当前时间窗口下学习者j对学习者i没有因果作用关系，否则，当前时间窗口下学习者j对学习者i有因果作用关系；
基于当前时间窗口下学习者间的因果作用关系构建当前时间窗口下的交互关系图；
基于所述自回归模型、联合回归模型和交互关系图计算每个时间窗口下每个学习者的交互强度，包括：
基于当前时间窗口下每个学习者的自回归模型和学习者间的联合回归模型计算当前时间窗口下学习者间的作用强度；
基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数；
基于每个时间窗口下的交互关系图中每个学习者的出度和入度计算每个学习者的交互频率；
基于每个学习者的交互频率、当前时间窗口下学习者间的作用强度和每个学习者的节点介数计算当前时间窗口下每个学习者的交互强度；
基于每个时间窗口下的交互关系图和每个学习者的交互强度对每个学习者进行角色判定，包括：
根据每个时间窗口下的交互关系图和每个学习者的交互强度计算课堂协作过程中每个学习者的平均协作次数、平均交互强度和交互稳定性；基于所述平均协作次数、平均交互强度和交互稳定性采用决策树算法对每个学习者进行角色判定。
2.根据权利要求1所述的课堂协作学习角色判定方法，其特征在于，所述基于所述骨骼点数据提取每个时间窗口下每个学习者的骨骼特征向量，包括：
提取当前时间窗口下的每个学习者的骨骼点数据；采用多级子窗口的方式提取每个子窗口下每个学习者的骨骼点数据，计算每个子窗口下每个学习者的骨骼点数据的协方差矩阵；
对于每个学习者，将当前时间窗口下所有子窗口的协方差矩阵拼接构建该时间窗口下该学习者的骨骼特征向量。
3.根据权利要求1所述的课堂协作学习角色判定方法，其特征在于，
采用公式计算当前时间窗口下学习者j对学习者i的作用强度，其中，var(ηi)表示当前时间窗口下学习者i的自回归模型的估计方差，var(εi,j)表示当前时间窗口下学习者i与学习者j的联合回归模型的估计方差。
4.根据权利要求1所述的课堂协作学习角色判定方法，其特征在于，
根据公式基于当前时间窗口下的交互关系图计算当前时间窗口下每个学习者的节点介数，其中gk表示当前时间窗口下的交互关系图中节点k的节点介数，N表示所述交互关系图的节点总数，c(i,j)表示所述交互关系图中节点i和节点j之间最短路径的数量，ck(i,j)表示所述交互关系图中经过节点k的节点i和节点j之间最短路径的数量。
5.根据权利要求1所述的课堂协作学习角色判定方法，其特征在于，根据公式根据计算每个学习者的交互频率，其中，/>表示第t个时间窗口下的交互关系图中节点i的出度，LinkInit表示第t个时间窗口下的交互关系图中节点i的入度，T表示时间窗口的数量。
6.根据权利要求1所述的课堂协作学习角色判定方法，其特征在于，基于每个学习者的交互频率、当前时间窗口下学习者间的作用强度和每个学习者的节点介数计算当前时间窗口下每个学习者的交互强度，包括：
根据公式IFi→j＝FCi→j×FCj→i×gi×fi计算当前时间窗口下学习者i对学习者j的影响因子；
根据公式计算当前时间窗口下学习者i的交互强度；
其中，FCi→j表示当前时间窗口下学习者i对学习者j的作用强度，FCj→i表示当前时间窗口下学习者j对学习者i的作用强度，gi表示当前时间窗口下学习者i的节点介数，N表示学习者的数量，Wi表示当前时间窗口下的交互关系图中指向节点i的节点集合，L(j)表示所述交互关系图中节点j的出度，d表示阻滞率，PRa+1(i)表示节点i第a+1次迭代的交互强度值，PRa(j)表示节点j第a次迭代的交互强度值，fi表示学习者i的交互频率。
CN202211173643.7A 2022-09-26 2022-09-26 一种课堂协作学习角色判定方法 Active CN115455247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211173643.7A CN115455247B (zh) 2022-09-26 2022-09-26 一种课堂协作学习角色判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211173643.7A CN115455247B (zh) 2022-09-26 2022-09-26 一种课堂协作学习角色判定方法

Publications (2)

Publication Number Publication Date
CN115455247A CN115455247A (zh) 2022-12-09
CN115455247B true CN115455247B (zh) 2023-09-19

Family

ID=84307616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211173643.7A Active CN115455247B (zh) 2022-09-26 2022-09-26 一种课堂协作学习角色判定方法

Country Status (1)

Country Link
CN (1) CN115455247B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
KR20210079542A (ko) * 2019-12-20 2021-06-30 한국전자기술연구원 3d 골격 정보를 이용한 사용자 동작 인식 방법 및 시스템
CN113989927A (zh) * 2021-10-27 2022-01-28 东北大学 一种基于骨骼数据的视频群体暴力行为识别方法及系统
CN114708609A (zh) * 2021-11-12 2022-07-05 中国矿业大学 一种基于持续学习的域适应骨架行为识别方法和系统
JP2022117766A (ja) * 2021-02-01 2022-08-12 株式会社エヌ・ティ・ティ・データ 行動認識システム、行動認識方法およびプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
KR20210079542A (ko) * 2019-12-20 2021-06-30 한국전자기술연구원 3d 골격 정보를 이용한 사용자 동작 인식 방법 및 시스템
JP2022117766A (ja) * 2021-02-01 2022-08-12 株式会社エヌ・ティ・ティ・データ 行動認識システム、行動認識方法およびプログラム
CN113989927A (zh) * 2021-10-27 2022-01-28 东北大学 一种基于骨骼数据的视频群体暴力行为识别方法及系统
CN114708609A (zh) * 2021-11-12 2022-07-05 中国矿业大学 一种基于持续学习的域适应骨架行为识别方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
在线交互网络中个体重要性评估及对学习成效的影响;梁云真;;中国电化教育(第11期);全文 *
基于社会网络分析（SNA）的共享调节学习评价：概念框架与解释案例;陈向东;张蕾;陈佳雯;;远程教育杂志(第02期);全文 *
基于骨骼轨迹聚合模型的课堂交互群体发现;高岩 等;计算机科学;全文 *
多模态学习分析：走向计算教育时代的学习分析学;张琪;李福华;孙基男;;中国电化教育(第09期);全文 *
社会网络分析――支持协作角色的新视角;刘洋;;中国教育技术装备(第08期);全文 *

Also Published As

Publication number Publication date
CN115455247A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN111008337B (zh) 一种基于三元特征的深度注意力谣言鉴别方法及装置
CN106682502A (zh) 基于隐马尔可夫和概率推断的入侵意图识别系统及方法
CN112069970B (zh) 课堂教学事件分析方法及装置
CN102136024A (zh) 生物特征识别性能测评和诊断优化系统
CN112596731B (zh) 一种融合智能教育的编程教学系统及方法
CN110377752A (zh) 一种应用于政务大厅运营的知识库系统
CN111586728B (zh) 一种面向小样本特征的异构无线网络故障检测与诊断方法
CN111723973A (zh) 基于mooc日志数据中用户行为因果关系的学习效果优化方法
CN117591944A (zh) 一种针对于大数据分析的学习预警方法及系统
CN118211779A (zh) 一种智慧安防综合管理平台
CN115455247B (zh) 一种课堂协作学习角色判定方法
CN117692242A (zh) 一种基于图谱分析的网络攻击路径分析方法
Huiji Big Data-assisted recommendation of personalized learning resources and teaching decision support
CN115984956B (zh) 一种人机协同学生课堂投入度多模态可视分析系统
CN111369124A (zh) 一种基于自生成全局特征和注意力的图像美学预测方法
Sirbu et al. ReaderBench: building comprehensive sociograms of online communities
CN113688789A (zh) 一种基于深度学习的在线学习投入度识别方法及系统
Su Design of intelligent classroom teaching scheme using artificial intelligence
Haval et al. Student Performance Predictions Using Knowledge Discovery Database and Data Mining, DPU Students Records as Sample
Mele Segregation in social networks: A structural approach
Zhu et al. Emotion Recognition in Learning Scenes Supported by Smart Classroom and Its Application.
Rai et al. Statistical estimation of time-varying complexity in financial networks
CN114882558B (zh) 基于人脸识别技术的学习场景实时身份认证方法
Tselios et al. Enhancing user support in open problem solving environments through Bayesian Network inference techniques
CN117668259B (zh) 基于知识图谱的内外规数据联动分析方法及装置

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
GR01 Patent grant
GR01 Patent grant