一种面向移动环境的学习行为习惯发现量化系统及方法技术方案

本发明专利技术公开了一种面向移动环境的学习行为习惯发现量化系统及方法。针对传统方法主观性太强，时效性有限，只能测量出问卷设计者提前设定习惯等方面的缺点，本发明专利技术拟采用基于数据驱动的方法，实时收集移动学习环境中学习者与平台交互的活动记录、所处位置和生理状态等外显和内隐的学习行为习惯关联数据，并将收集到的数据通过数据变换和数据清洗等方法处理为便于机器识别和计算的习惯特征数据集，进而基于聚类算法计算并发现学习行为习惯。针对传统方法无法量化学习者学习行为习惯强度的问题，本发明专利技术基于赫尔学习理论中强化次数与习惯强度之间的函数关系，量化学习行为习惯。最后，从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。

【技术实现步骤摘要】
一种面向移动环境的学习行为习惯发现量化系统及方法
本专利技术涉及移动学习
，尤其涉及一种面向移动环境的学习行为习惯发现量化系统及方法。
技术介绍
随着智能设备的普及和移动互联网的推广，移动环境成为人们学习、生活和工作的主要场所，移动学习逐渐成为非正式学习的主要实施形式。移动环境为学习者提供了一个丰富便捷的新型学习形式，有利于多元化、多通道的信息互动，同时也在潜移默化中塑造学习者的学习行为习惯。良好学习行为习惯的养成，有助于激发学习者学习的积极性和主动性，培养自主学习能力，提高学习效率。移动计算环境支持下学习者佩戴或操作各类设备以开展自主学习、课堂学习等活动时，其平台交互活动记录、学习者位置和生理状态等信息将留存于移动设备及相关的服务端设备中，分析并计算这些数据以得到学习者的学习行为习惯，并将结果反馈给学习者，对提高自我管理能力，形成良好的移动学习行为习惯具有积极促进作用。目前关于网络学习行为习惯的研究并不多，面向移动学习环境的学习行为习惯研究更是寥寥数几，因此，为了顺应移动学习的趋势，研究如何在移动学习环境中即时掌握学习者的学习行为习惯，量化学习者的行为习惯强度显得尤为紧迫。学习习惯通常被认为是学习者在学习情境中通过反复实践养成的相对稳定的自动化行为模式。从习惯的形成来看，主要是由于一定的刺激情境与个体的某些动作在大脑皮层上形成稳固的暂时神经联系—条件反射链索系统。这样，当个体在同样的刺激情境下，条件反射的链索系统就会自动地出现，人就会自然而然地进行同样的有关动作。个体对刺激情境的反应包括两种，一是肉眼可观察到的动作，称为外显行为，二是肉眼不可观察到的动作，如心跳反应，称为内隐行为。因此，本专利技术认为移动学习环境中的一种学习行为要成为学习行为习惯，需要满足以下条件：1)固定刺激情境的出现；2)学习行为在该刺激情境中自动反复持续出现。因此，描述学习行为习惯的要素也应包含：1)刺激情境，包括学习者所处的物理环境和时间；2)行为反应，包括学习者的网络交互动作、对象、对象类型和心率波动等。传统的学习行为习惯获取忽略了移动学习环境中多通道数据蕴含的价值，采用的方法多为透过纸本或电子问卷的方式进行诊断，但是这种方法存在主观性过强、时效性有限的不足，此外，通过此方法也只能测量出问卷设计者提前设定的习惯，无法量化学习者学习行为习惯强度等问题。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种面向移动环境的学习行为习惯发现量化系统及方法，针对传统方法主观性太强，时效性有限，只能测量出问卷设计者提前设定习惯等方面的缺点，本专利技术拟采用基于数据驱动的方法，实时收集移动学习环境中学习者与平台交互的活动记录、所处位置和生理状态等外显和内隐的学习行为习惯关联数据，并将收集到的数据通过数据变换和数据清洗等方法处理为便于机器识别和计算的习惯特征数据集，进而基于聚类算法计算并发现学习行为习惯。针对传统方法无法量化学习者学习行为习惯强度的问题，本专利技术基于赫尔学习理论中强化次数与习惯强度之间的函数关系，量化学习行为习惯。最后，本专利技术从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。为实现上述目的，本专利技术提供了一种面向移动环境的学习行为习惯发现量化系统，系统由辅助穿戴设备，移动学习终端和服务器组成：辅助穿戴设备，由多个可监测学习者生理状态等信息的可穿戴设备构成，负责收集学习者开展学习活动时的生理状态信息；移动学习终端，移动学习终端宿居着一个习惯发现及量化系统的客户端,负责收集网络学习平台上的交互活动记录和学习者位置信息，归集与临时存储平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据，显示学习行为习惯的发现及量化结果，它包括如下三个模块：数据归集模块，它连接数据存储模块，用于归集从移动学习环境中收集到的平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据；数据存储模块，它连接数据归集模块和服务器中的历史数据存储模块，用于临时存储数据归集模块归集的学习行为习惯关联数据；显示模块，它连接服务器中的习惯表征模块，用于显示学习行为习惯的发现及量化结果；服务器，服务器上运行着一个习惯发现及量化系统的服务端,负责持久存储学习行为习惯关联数据和学习行为习惯表征数据，预处理与计算习惯关联数据以发现和量化学习者当前的学习行为习惯，它包括如下四个模块：历史数据存储模块，它连接数据存储模块、预处理模块和习惯表征模块，用于接收和持久存储移动学习终端数据存储模块传来的学习行为习惯关联数据，并传送至预处理模块，此外，还存储习惯表征模块的数据；预处理模块，它连接历史数据存储模块和习惯计算模块，用于将从历史数据存储模块中接收的学习行为习惯关联数据处理为便于机器识别和计算的习惯特征数据集；习惯计算模块，它连接预处理模块和习惯表征模块，用于控制数据窗口的大小、计算并发现学习者的学习行为习惯簇、量化学习者当前各学习行为习惯的强度；习惯表征模块，它连接习惯计算模块、历史数据存储模块和显示模块，用于从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。进一步地，所述习惯计算模块还包括：数据窗口控制单元，它连接习惯发现单元，用于控制数据窗口的大小，当无法准确判断某候选行为习惯簇是否为学习行为习惯簇时，将调整数据窗口的大小，以进一步判断其是否为学习行为习惯簇；习惯发现单元，它连接数据窗口控制单元和习惯量化单元，用于计算数据窗口中的习惯特征数据，发现并获取学习者当前的学习行为习惯簇集合；习惯量化单元，它连接习惯发现单元，用于量化学习者当前各学习行为习惯的强度。更进一步地，所述的数据窗口控制单元在习惯特征数据集X上基于时间段TW的数据窗口定义一个X的子集XW作为数据窗口的内容，TW为数据窗口的大小，TW满足以下公式：默认情况下基于时间的数据窗口大小TW＝3T，但当α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2时，认为此时无法准确判断候选行为习惯簇HXp,q是否为学习行为习惯簇，于是，将时间段TW向前扩大一个计算周期，使TW＝4T，对HXp,q再次进行判断：若计算结果为Fre(HXp,q)≥α2∩Den(HXp,q)≥β2，认为候选行为习惯簇HXp,q是学习行为习惯簇；若计算结果为Fre(HXp,q)≤α1∩Den(HXp,q)≤β1，认为候选行为习惯簇HXp,q不是学习行为习惯簇；若计算结果为α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2，则将基于时间的数据窗口向后扩大一个计算周期，等下一个计算周期到达时，再对此候选行为习惯簇HXp,q进行习惯发现计算，若计算结果为Fre(HXp,q)≥α2∩Den(HXp,q)≥β2，认为候选行为习惯簇HXp,q是学习行为习惯簇；若计算结果为Fre(HXp,q)≤α1∩Den(HXp,q)≤β1，或者α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2，则认为候选行为习惯簇HXp,q不是学习行为习惯簇，重新按默认情况下TW＝3T进行习惯发现计算。更进一步地，所述的习本文档来自技高网...

【技术保护点】
1.一种面向移动环境的学习行为习惯发现量化系统，其特征在于，系统由辅助穿戴设备，移动学习终端和服务器组成：辅助穿戴设备，由多个可监测学习者生理状态等信息的可穿戴设备构成，负责收集学习者开展学习活动时的生理状态信息；移动学习终端，移动学习终端宿居着一个习惯发现及量化系统的客户端,负责收集网络学习平台上的交互活动记录和学习者位置信息，归集与临时存储平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据，显示学习行为习惯的发现及量化结果，它包括如下三个模块：数据归集模块，它连接数据存储模块，用于归集从移动学习环境中收集到的平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据；数据存储模块，它连接数据归集模块和服务器中的历史数据存储模块，用于临时存储数据归集模块归集的学习行为习惯关联数据；显示模块，它连接服务器中的习惯表征模块，用于显示学习行为习惯的发现及量化结果；服务器，服务器上运行着一个习惯发现及量化系统的服务端,负责持久存储学习行为习惯关联数据和学习行为习惯表征数据，预处理与计算习惯关联数据以发现和量化学习者当前的学习行为习惯，它包括如下四个模块：历史数据存储模块，它连接数据存储模块、预处理模块和习惯表征模块，用于接收和持久存储移动学习终端数据存储模块传来的学习行为习惯关联数据，并传送至预处理模块，此外，还存储习惯表征模块的数据；预处理模块，它连接历史数据存储模块和习惯计算模块，用于将从历史数据存储模块中接收的学习行为习惯关联数据处理为便于机器识别和计算的习惯特征数据集；习惯计算模块，它连接预处理模块和习惯表征模块，用于控制数据窗口的大小、计算并发现学习者的学习行为习惯簇、量化学习者当前各学习行为习惯的强度；习惯表征模块，它连接习惯计算模块、历史数据存储模块和显示模块，用于从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。...

【技术特征摘要】
1.一种面向移动环境的学习行为习惯发现量化系统，其特征在于，系统由辅助穿戴设备，移动学习终端和服务器组成：辅助穿戴设备，由多个可监测学习者生理状态等信息的可穿戴设备构成，负责收集学习者开展学习活动时的生理状态信息；移动学习终端，移动学习终端宿居着一个习惯发现及量化系统的客户端,负责收集网络学习平台上的交互活动记录和学习者位置信息，归集与临时存储平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据，显示学习行为习惯的发现及量化结果，它包括如下三个模块：数据归集模块，它连接数据存储模块，用于归集从移动学习环境中收集到的平台交互活动记录、学习者位置和生理状态的学习行为习惯关联数据；数据存储模块，它连接数据归集模块和服务器中的历史数据存储模块，用于临时存储数据归集模块归集的学习行为习惯关联数据；显示模块，它连接服务器中的习惯表征模块，用于显示学习行为习惯的发现及量化结果；服务器，服务器上运行着一个习惯发现及量化系统的服务端,负责持久存储学习行为习惯关联数据和学习行为习惯表征数据，预处理与计算习惯关联数据以发现和量化学习者当前的学习行为习惯，它包括如下四个模块：历史数据存储模块，它连接数据存储模块、预处理模块和习惯表征模块，用于接收和持久存储移动学习终端数据存储模块传来的学习行为习惯关联数据，并传送至预处理模块，此外，还存储习惯表征模块的数据；预处理模块，它连接历史数据存储模块和习惯计算模块，用于将从历史数据存储模块中接收的学习行为习惯关联数据处理为便于机器识别和计算的习惯特征数据集；习惯计算模块，它连接预处理模块和习惯表征模块，用于控制数据窗口的大小、计算并发现学习者的学习行为习惯簇、量化学习者当前各学习行为习惯的强度；习惯表征模块，它连接习惯计算模块、历史数据存储模块和显示模块，用于从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。2.如权利要求1所述的一种面向移动环境的学习行为习惯发现量化系统，其特征在于，所述习惯计算模块还包括：数据窗口控制单元，它连接习惯发现单元，用于控制数据窗口的大小，当无法准确判断某候选行为习惯簇是否为学习行为习惯簇时，将调整数据窗口的大小，以进一步判断其是否为学习行为习惯簇；习惯发现单元，它连接数据窗口控制单元和习惯量化单元，用于计算数据窗口中的习惯特征数据，发现并获取学习者当前的学习行为习惯簇集合；习惯量化单元，它连接习惯发现单元，用于量化学习者当前各学习行为习惯的强度。3.如权利要求2所述的一种面向移动环境的学习行为习惯发现量化系统，其特征在于，所述的数据窗口控制单元在习惯特征数据集X上基于时间段TW的数据窗口定义一个X的子集XW作为数据窗口的内容，TW为数据窗口的大小，TW满足以下公式：默认情况下基于时间的数据窗口大小TW＝3T，但当α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2时，认为此时无法准确判断候选行为习惯簇HXp,q是否为学习行为习惯簇，于是，将时间段TW向前扩大一个计算周期，使TW＝4T，对HXp,q再次进行判断：若计算结果为Fre(HXp,q)≥α2∩Den(HXp,q)≥β2，认为候选行为习惯簇HXp,q是学习行为习惯簇；若计算结果为Fre(HXp,q)≤α1∩Den(HXp,q)≤β1，认为候选行为习惯簇HXp,q不是学习行为习惯簇；若计算结果为α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2，则将基于时间的数据窗口向后扩大一个计算周期，等下一个计算周期到达时，再对此候选行为习惯簇HXp,q进行习惯发现计算，若计算结果为Fre(HXp,q)≥α2∩Den(HXp,q)≥β2，认为候选行为习惯簇HXp,q是学习行为习惯簇；若计算结果为Fre(HXp,q)≤α1∩Den(HXp,q)≤β1，或者α1<Fre(HXp,q)<α2∩β1<Den(HXp,q)<β2，则认为候选行为习惯簇HXp,q不是学习行为习惯簇，重新按默认情况下TW＝3T进行习惯发现计算。4.如权利要求2所述的一种面向移动环境的学习行为习惯发现量化系统，其特征在于：所述的习惯发现单元通过对数据窗口中数据集进行聚类分析，将具有较高相似度的刺激情境和行为反应数据集合作为候选行为习惯簇HXx,y，当候选行为习惯簇的发生频率和密度同时达到某阈值时，认为此候选行为习惯簇是学习行为习惯簇，某候选行为习惯簇的发生频率和密度计算方法分别如下：Den(HXp,q)＝count(HXp,q)/t(t≠0)其中，c...

【专利技术属性】
技术研发人员：李明喜，黄昌勤，文瑶，廖芳丽，韩中美，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44