[發明專利]基于教育大數據的學習者模型動態構建方法

有效

• 申請號: 201810451369.2
• 申請日: 2018-05-11
• 公開（公告）號: CN108664614B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 劉海;楊宗凱;劉三女牙;張昭理;舒江波;孔德麗
• 申請（專利權）人: 華中師范大學
• 主分類號: G06F16/903
• 分類號: G06F16/903;G06Q50/20
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 李丹

本發明提出一種基于教育大數據的學習者模型動態構建方法，旨在提供一種學習者個性化學習概覽的動態構建方法，實現對學習者的全面描述，促進對學習者的個性化指導。本發明包括以下步驟：首先，通過在線學習平臺獲取學習者的學習數據；其次，利用Experience API規范量化學習者的學習經歷；再次，借助大數據分析和挖掘技術提取有效的學習者特征；最后，依據學習者的有效特征數據動態構建不同時空的個性化學習概覽，從而實現學習者模型的動態構建。本發明基于教育大數據的學習者模型動態構建方法能夠促進個性化學習的生成，有助于構建個性化的學習環境，對于學習興趣挖掘、知識盲點識別、就業指導、學習路徑規劃等領域具有實際的應用價值。

技術領域

本發明涉及數據分析和處理技術，尤其涉及一種基于教育大數據的學習者模型動態構建方法。

背景技術

隨著教育信息化的深入發展，在線開放式學習的交互方式增多，參與的學習者不斷增長，在線學習系統積累的學習數據呈爆炸式增長。如何挖掘、分析和利用這些數據是實現個性化學習的必要前提。

在課堂中教學過程中每個學生的知識結構差異較大、學習能力參差不齊，由于精力和時間有限教師很難兼顧所有的學生，導致學習基礎弱的學生跟不上學習的步調，而學習能力強的學生難以發揮其學習的自主權。同時，學習者的學習過程是一個動態的過程，對學習者的傳統描述是以“黑盒”的形式，很難對學習者的學習過程進行全面、可視化的描述。因此，對學習者的學習過程進行全面、可視化的描述，從而構建更為準確的學習者模型具有重要的意義。

為此，人們對其進行了探索，目前存在的基本的學生模型有覆蓋模型、偏差模型、認知模型和心理模型。但這些模型都只是側重于學習者的某個方面進行建模，在教育大數據的環境下，需要綜合各種模型的優勢來構建更為完善的學習者模型。

因此，教育工作者需要通過獲取在線學習的數據，并對學生的學習經歷進行量化和提取，來構建學習者的模型，將學習者在不同時空下的學習過程進行可視化表示。但是單靠學生學習過程中的基本靜態數據很難準確的刻畫學習者的學習過程。隨著大數據分析和挖掘技術的發展，使用靜態數據和動態數據相結合構建學習者模型來對學習者的學習過程進行描述將更為準確。

發明內容

本發明要解決的技術問題在于針對現有技術中的缺陷，提供一種基于教育大數據的學習者模型動態構建方法。

本發明解決其技術問題所采用的技術方案是：基于教育大數據的學習者模型動態構建方法，包括：

一種基于教育大數據的學習者模型動態構建方法，其特征在于，包括如下步驟：

(1)學習數據聚集：采集在線學習平臺中學習者的基本信息數據和行為數據；所述基本信息數據包括家庭、學歷背景、身份、地域數據，行為數據包括在線學習時的瀏覽、學習、交互、測試數據；

利用基于神經網絡的數據預處理方法對采集的數據進行包括清理、變換、規約和集成在內的預處理，以剔除原始數據中存在的復雜、重復、不完整的數據，并將處理的數據劃分成結構化數據、半結構化數據和非結構化數據；

(2)學習經歷量化：依據行為主義理論，通過Experience API規范將結構化數據、半結構化數據和非結構化數據以“活動流”的形式來描述學習者的學習經歷，并利用Statement記錄學習者的學習經歷數據，形成學習者學習經歷序列；

(3)學習者特征提取：借助大數據分析和挖掘技術從學習者不同課程、不同時間和不同學習環境下的學習經歷序列中提取有效的特征信息并挖掘其隱性特征信息和相關關系，依據《學習者模型規范CELTS-11》將提取和挖掘的有效特征信息、隱性特征信息和相關關系歸為個人信息、學業信息、管理信息、關系信息、安全信息、偏好信息、績效信息及作品信息八類，根據特征信息是否隨時間變化將提取和挖掘的這八類信息分為靜態特征信息和動態特征信息并將其存儲在學習者數據庫中；