本發(fā)明涉及在線教育領域，具體涉及一種基于時間序列的在線學習者認知風格分析方法。

背景技術：

在“互聯(lián)網+”時代，在線學習系統(tǒng)為用戶提供豐富、優(yōu)質和開放的學習資源，學習者可以根據(jù)自身需求來安排學習的時間、地點以及內容，因此，在線教育也越來越受到人們的歡迎。然而，目前已有的在線學習系統(tǒng)主要側重于教師的課程管理與教學管理，卻很少根據(jù)學習者的學習風格去自適應地引導學習。

認知風格是個體相對穩(wěn)定的信息組織和信息加工方式，極大地影響著學習進程。當在線學習系統(tǒng)與學習者的認知風格相匹配時，能夠高效地互動；當教學策略與學習者偏愛的認知風格相匹配時，有助于發(fā)揮認知風格中的優(yōu)勢，提高學習者的學習效率。因此，掌握學習者的認知風格，有利于為學習者提供具有針對性的學習環(huán)境、學習資源和學習策略。

目前對認知風格的分析多采用基于量表的測驗方法，但是該方法只能靜態(tài)表征在線學習系統(tǒng)中學習者當前的認知風格，無法實時監(jiān)測學習者的學習行為，并根據(jù)監(jiān)測到的學習行為確定學習者當前認知風格，及時為學習者推送與其當前認知風格相匹配的學習環(huán)境、學習資源和學習策略。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是如何實時監(jiān)測在線學習系統(tǒng)中學習者的學習行為，并根據(jù)監(jiān)測到的學習行為確定學習者當前認知風格，及時為學習者推送與其當前認知風格相匹配的學習環(huán)境、學習資源和學習策略。

為了解決上述技術問題，本發(fā)明所采用的技術方案是提供一種基于時間序列的在線學習者認知風格分析方法，包括以下步驟：

采集在線學習系統(tǒng)中學習者產生的歷史行為數(shù)據(jù)；

從采集的歷史行為數(shù)據(jù)中提取學習者的行為模式，并按照認知風格的不同為每一種行為模式分別預設相應的閾值；

將采集的學習者的實時行為數(shù)據(jù)進行量化并提取行為模式，并根據(jù)預設的閾值確定學習者當前認知風格；

向學習者推送與學習者當前認知風格相匹配的教學策略。

在上述技術方案中，將采集的學習者的實時行為數(shù)據(jù)進行量化并提取行為模式，并根據(jù)預設的閾值確定學習者當前認知風格，具體包括以下步驟：

將采集的學習者的實時行為數(shù)據(jù)以五元組形式存儲到實時行為數(shù)據(jù)庫；

從實時行為數(shù)據(jù)庫中提取學習者的行為模式，并根據(jù)預設的閾值一一確定提取的每一種行為模式所屬的認知風格；

最后根據(jù)提取的每一種行為模式所屬的認知風格推導學習者當前認知風格。

在上述技術方案中，根據(jù)采集的歷史行為數(shù)據(jù)確定學習者的行為類型，將不同類型的歷史行為數(shù)據(jù)以五元組形式存儲到歷史行為數(shù)據(jù)庫，從歷史行為數(shù)據(jù)庫中提取學習者的行為模式，基于學習者的行為類型、行為模式以及不同認知風格下每一種行為模式預設的閾值構建認知風格模型。

在上述技術方案中，基于時間序列對認知風格模型進行修正，具體為：

將采集的實時行為數(shù)據(jù)按周期劃分為若干時間序列；

基于每一個時間序列判斷學習者的每一種行為模式出現(xiàn)的概率是否服從泊松分布函數(shù)；

當存在不服從泊松分布函數(shù)的行為模式，則對應修正認知風格模型中該行為模式的預設閾值。

在上述技術方案中，當存在不服從泊松分布函數(shù)的行為模式，則對應修正認知風格模型中該行為模式的預設閾值,具體為：

同一認知風格的學習者，在每段周期時間內的行為模式發(fā)生的概率應服從如下泊松分布函數(shù)：

其中，p表示行為模式發(fā)生的概率所服從的泊松分布函數(shù)；p表示行為模式發(fā)生的概率；xt表示時間序列t時學習者行為模式的實際發(fā)生次數(shù)；k表示認知風格模型中行為模式的預設閾值；λt表示單位時間內學習者行為模式的平均發(fā)生次數(shù)；

根據(jù)泊松分布函數(shù)的性質，泊松分布函數(shù)的期望e(x)＝λt，即泊松分布函數(shù)p取最大值pmax時，對應的參數(shù)λt則為時間序列t時學習者行為模式的實際發(fā)生次數(shù)，當λt的值與預設閾值k不相等時，則根據(jù)λt的值對預設閾值k進行相應調整。

在上述技術方案中，五元組包括：

user，表示學習者及其唯一標識；

content，表示動作對象；

action，表示user對content產生的動作；

time，表示動作產生的時間；

frequency，表示動作產生的次數(shù)。

在上述技術方案中，學習者的行為類型包括內容交互行為和人際交互行為，內容交互行為指學習者與教學內容的交互行為；人際交互行為指學習者與教師或其他學習者之間的互動；學習者的認知風格包括場獨立型和場依存型。

本發(fā)明通過采集在線學習系統(tǒng)中學習者的歷史行為數(shù)據(jù)，從歷史行為數(shù)據(jù)中提取學習者的行為模式，根據(jù)認知風格的不同為每一種行為模式分別設置相應的閾值，并將采集的學習者的實時行為數(shù)據(jù)按照行為模式的不同進行量化，根據(jù)設置的閾值對量化后的每一種行為模式進行分析，確定量化后的每一種行為模式所屬的認知風格，從而確定學習者當前認知風格，并及時向學習者推送與其當前認知風格相匹配的學習環(huán)境、學習資源和學習策略，從而極大地激發(fā)了學習者的在線學習興趣，提高了在線學習效率。

附圖說明

圖1為本發(fā)明實施例提供的一種基于時間序列的在線學習者認知風格分析方法的流程圖；

圖2為本發(fā)明實施例提供的對學習風格模型進行修正的流程圖。

具體實施方式

為了實時監(jiān)測在線學習系統(tǒng)中學習者的學習行為，并根據(jù)監(jiān)測到的學習行為確定學習者當前認知風格，及時為學習者推送與其當前認知風格相匹配的學習環(huán)境、學習資源和學習策略，本發(fā)明實施例提供了一種基于時間序列的在線學習者認知風格分析方法，通過采集在線學習系統(tǒng)中學習者產生的歷史行為數(shù)據(jù)，從采集的歷史行為數(shù)據(jù)中提取學習者的行為模式，按照認知風格的不同為每一種行為模式分別預設相應的閾值，構建學習者的學習風格模型，將采集的學習者的實時行為數(shù)據(jù)進行量化并提取行為模式，根據(jù)預設的閾值一一確定量化后提取的每一種行為模式所屬的認知風格，最后推導出學習者當前認知風格，并基于時間序列對認知風格模型進行修正。

本發(fā)明實施例通過及時向學習者推送與其當前認知風格相匹配的學習環(huán)境、學習資源與學習策略等教學策略，極大地激發(fā)了學習者的在線學習興趣，提高了在線學習效率。

下面結合說明書附圖和具體實施方式對本發(fā)明做出詳細的說明。

本發(fā)明實施例提供了一種基于時間序列的在線學習者認知風格分析方法，如圖1所示，包括以下步驟：

s1、采集在線學習系統(tǒng)中學習者產生的歷史行為數(shù)據(jù)，并根據(jù)采集的歷史行為數(shù)據(jù)確定學習者的行為類型。

其中，學習者的行為類型包括內容交互行為和人際交互行為，其中內容交互行為指學習者與教學內容的交互行為，如課程內容瀏覽進度、課程內容瀏覽速度、學習者評測實際完成時間、學習者單題完成時間以及學習者單題重復次數(shù)等；人際交互行為指學習者與教師或其他學習者之間的互動，如論壇的訪問時間、通過課程提問工具尋求教師幫助次數(shù)/內容平均長度/平均間隔時間、發(fā)帖數(shù)以及溝通數(shù)等。

s2、將不同類型的歷史行為數(shù)據(jù)以五元組形式存儲到歷史行為數(shù)據(jù)庫。

五元組包括：user，表示學習者及其唯一標識；content，表示動作對象；action，表示user對content產生的動作；time，表示動作產生的時間；frequency，表示動作產生的次數(shù)。

s3、從歷史行為數(shù)據(jù)庫中提取學習者的行為模式，并按照認知風格的不同為每一種行為模式分別預設相應的閾值。

s4、基于學習者的行為類型、行為模式以及不同認知風格下每一種行為模式預設的閾值構建認知風格模型。

s5、將采集的學習者的實時行為數(shù)據(jù)以五元組形式存儲到實時行為數(shù)據(jù)庫。

s6、從實時行為數(shù)據(jù)庫中提取學習者的行為模式，并根據(jù)預設的閾值一一確定提取的每一種行為模式所屬的認知風格。

s7、最后根據(jù)提取的每一種行為模式所屬的認知風格推導學習者當前認知風格，并基于時間序列對認知風格模型進行修正。

本實施例構建的學習者的認知風格模型如表1所示，在線學習系統(tǒng)中不同認知風格的學習者表現(xiàn)出不同的行為模式，本實施例按照認知風格的不同為每一種行為模式分別設置了相應的閾值，例如：

若學習者對自己的學習能力很有信心，更為關注自己感興趣的內容，完成作業(yè)的速度較快，則設定的場獨立型的行為模式cb8(學習者單題完成時間與課程預期對應單題完成時間比值)的閾值為70％，當學習者的行為模式cb8大于閾值70％時，則判定該行為模式為場獨立型；

若學習者依賴于教師明確的指導和他人的幫助，因此常與其他學習者互動，則設定的場依存型的行為模式rb5(發(fā)帖數(shù)，即每段周期學習者在課程圈子中的發(fā)帖數(shù)與平臺吐槽數(shù)之和)的閾值為10，當學習者的行為模式rb5大于閾值10時，則判定該行為模式為場依存型。

表1.學習者的認知風格模型表。

如圖2所示，為對學習者的認知風格模型進行修正的流程圖，具體地，將采集的實時行為數(shù)據(jù)按天為周期劃分為若干時間序列，基于每一個時間序列判斷學習者的每一種行為模式出現(xiàn)的概率是否服從泊松分布函數(shù)，如果存在不服從泊松分布函數(shù)的行為模式，則對應修正認知風格模型中該行為模式的預設閾值。

同一認知風格的學習者，在每段周期時間內的行為模式發(fā)生的概率應服從如下泊松分布函數(shù)：

其中，p表示行為模式發(fā)生的概率所服從的泊松分布函數(shù)；p表示行為模式發(fā)生的概率；xt表示時間序列t時學習者行為模式的實際發(fā)生次數(shù)；k表示認知風格模型中行為模式的預設閾值；λt表示單位時間內學習者行為模式的平均發(fā)生次數(shù)；根據(jù)泊松分布函數(shù)的性質，泊松分布函數(shù)的期望e(x)＝λt，即泊松分布函數(shù)p取最大值pmax時，對應的參數(shù)λt則為時間序列t時學習者行為模式的實際發(fā)生次數(shù)，當λt的值與預設閾值k不相等時，則根據(jù)λt的值對預設閾值k進行相應調整。

下面以認知風格模型中學習者的行為模式rb5(發(fā)帖數(shù))為例，對認知風格模型的修正過程進行詳細說明：

根據(jù)本實施例構建的認知風格模型，當每段周期學習者發(fā)帖數(shù)小于閾值5時，即滿足pmax{x1≤5}，該行為模式rb5屬于場獨立型，此時λ1為學習者行為模式rb5的實際發(fā)生次數(shù)；當每段周期學習者發(fā)帖數(shù)大于閾值10時，即滿足pmax{x1≥10}，該行為模式rb5屬于場依存型，此時λ2為學習者行為模式rb5的實際發(fā)生次數(shù)；當λ1的值與預設的閾值5不相等時，對預設的閾值5進行相應調整；當λ2的值與預設的閾值10不相等時，對預設的閾值10進行相應調整。

s8、根據(jù)學習者當前認知風格生成與其相匹配的學習環(huán)境、學習資源與學習策略等教學策略，并推送給學習者。

推送的教學策略例如：針對場獨立型學習者推送探究教學法，設計自主探究活動，鼓勵學生開展自我反思；針對場依存型學習者推送演示和指導型教學法，設計協(xié)作學習活動，鼓勵互相幫助與互相評價。

本實施例便于教師對學習者學習風格的認知，通過向學習者推送與其當前認知風格相匹配的教學策略，極大地激發(fā)了學習者的在線學習興趣，提高了在線學習效率，克服了傳統(tǒng)基于量表測驗方法的靜態(tài)性，解決了無法對學習者學習行為與認知風格間關系深入分析等問題。

本發(fā)明不局限于上述最佳實施方式，任何人在本發(fā)明的啟示下作出的結構變化，凡是與本發(fā)明具有相同或相近的技術方案，均落入本發(fā)明的保護范圍之內。