一种面向知识地图的网络学习行为与效能分析方法技术

本发明专利技术公开了一种面向知识地图的网络学习行为与效能分析方法：通过从教学资源组织、教学活动设计和用户学习行为特征等方面，对比分析传统面向课件的网络学习与面向知识地图的网络学习之间的区别，给出了知识地图模式下体现学习者学习行为的指标，即知识元覆盖率F和有效点击时长T的计算方法；结合用户在网络学习平台上在线提交作业的时长特性分析，采用k-means聚类算法，将学习者分为积极型、一般型和拖沓型三类；本发明专利技术解决了面向知识地图的学习模式下的网络学习行为特征抽取，以及量化分析网络学习行为模式与学习效能间的关系的问题，可以为网络学习资源的个性化推荐提供依据和基础。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了：通过从教学资源组织、教学活动设计和用户学习行为特征等方面，对比分析传统面向课件的网络学习与面向知识地图的网络学习之间的区别，给出了知识地图模式下体现学习者学习行为的指标，即知识元覆盖率F和有效点击时长T的计算方法；结合用户在网络学习平台上在线提交作业的时长特性分析，采用k-means聚类算法，将学习者分为积极型、一般型和拖沓型三类；本专利技术解决了面向知识地图的学习模式下的网络学习行为特征抽取，以及量化分析网络学习行为模式与学习效能间的关系的问题，可以为网络学习资源的个性化推荐提供依据和基础。【专利说明】
本专利技术涉及一种网络学习行为和效能分析方法，特别涉及一种面向知识地图的网 络用户行为分析方法。
技术介绍
E-learning学习中，教与学时空分离等特点加大了教师对学习过程监控的难度， 了解网络学习者的内在风格与偏好是把握网络学习者日常学习行为的关键。学习风格是由 学习者特有的认知、情感和生理行为构成，它是反映学习者如何感知信息、如何与学习环境 相互作用，并对之做出反应的相对稳定的学习方式。国内外学者围绕网络学习风格分类、学 习行为监控、学习行为特征提取、行为模式构建和学习效果评价等方面开展研宄。研宄结果 表明，学习风格在一定程度上决定了学习行为，而学习行为又直接影响到个人的学习效果。 国内外学者从不同的角度给出了学习风格的分类标准。其中，所罗门（Barbara A.Soloman)学习风格量表从信息加工、感知、输入和理解四个方面，将学习风格分为活跃型 与沉思型、感悟型与直觉型、视觉型与言语型、序列型与综合型；Reid从用户对学习资源的 主观接受和合作角度，将学习风格分为视觉型、听觉型、触觉型、合作性和个体型；Gregorc 则从感知和知觉两个维度，将学习风格划分为具体一序列、具体一随机、抽象一序列和抽 象一随机四类；Kolb从学习过程周期（learningcycle)的角度出发，认为学习过程由具 体经验（concreteexperience)、抽象概括（abstractconceptualization)、反思观察 (reflectiveobservation)和积极实验（activeexperimental)四个相互联系的环节组 成。并依据个体对这四个环节的偏爱程度，将学习者分为聚合者、同化者、顺应者和发散者 四类。国内也有学者对此方面开展研宄，其中谭顶良认为学习风格是学习者持续一贯的带 有个性特征的学习方式，是学习策略和学习倾向的总和；詹泽慧以学习共同体理论、元认知 理论和扎根理论为指导，给出了混合学习环境下用户学习风格分类体系。 尽管角度不同，但已有研宄对于用户学习风格和行为是否受到网络平台、课程资 源呈现形式等因素的影响研宄甚少。从教学活动设计出发，结合用户日志分析和学习行为 特征提取，可以将典型的网络教学平台分为两类：一类是传统的以课件和文本形式组织学 习的网络教学平台，以MartinDougiamas开发的Moodle为例，另一类是从知识构建主义理 论出发提出的面向知识地图的学习平台，以Yotta为例。
技术实现思路
本专利技术的目的在于提供，在于 量化分析不同学习平台下用户学习模式的变化及其对最终学习效果产生的影响。 为达到以上目的，本专利技术采用了以下技术方案： 1)获取基于网络学习时长的学习模式 根据学习者的网络学习时长，采用聚类算法将学习者分为若干类； 2)获取面向知识地图的网络学习行为分析指标 计算知识元覆盖率F和有效点击时长T两个指标，知识元覆盖率F是指学习者进 行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中点击的知识元总个数 所占的比例，有效点击时长T指学习者从开始一次课程学习到点击到第一个有用知识元之 间的时间间隔；所述有用知识元是指教师根据先验知识和教学活动要求，对一次课程学习 中涉及的关键知识点进行标注的结果，有用知识元是一组知识元u的集合，且ueU，U表示 一次课程学习中涉及的所有知识元； 3)获取面向知识地图的网络学习行为和效能 通过计算各类学习者的F和T，分析不同类学习者在面向知识地图的网络学习模 式下的行为特征，以及F和T与学习者成绩的相关性。 在面向知识地图的网络学习中，学习资源以知识地图的形式进行组织，知识地图 是以知识单元为节点、以知识单元之间的关联关系为边构成的有向图，知识单元是指具有 完备表达能力的基本知识单位，知识单元根据粒度的不同分为术语和知识元，一个术语对 应若干个知识元，若干个知识元之间的关联用术语关系或知识元关系表达。 将网络学习时长作为学习者学习模式的聚类指标，所述网络学习时长为提交作业 时长，采用K-means聚类方法将学习者分为积极型、一般型和拖沓型三类，积极型学习者在 教师布置作业后在较短的时间内完成作业的在线提交，拖沓型学习者在教师布置作业后的 临近截止时间才完成作业的提交，提交作业时长定义为学习者开始一次课程学习到提交某 个作业的时间差值： 【权利要求】1. ，其特征在于： 1) 获取基于网络学习时长的学习模式 根据学习者的网络学习时长，采用聚类算法将学习者分为若干类； 2) 获取面向知识地图的网络学习行为分析指标 计算知识元覆盖率F和有效点击时长T两个指标，知识元覆盖率F是指学习者进行一 次课程学习时，点击知识地图上的有用知识元个数在本次学习中点击的知识元总个数所占 的比例，有效点击时长T指学习者从开始一次课程学习到点击到第一个有用知识元之间的 时间间隔；所述有用知识元是指教师根据先验知识和教学活动要求，对一次课程学习中涉 及的关键知识点进行标注的结果，有用知识元是一组知识元U的集合，且UGu，u表示一次 课程学习中涉及的所有知识元； 3) 获取面向知识地图的网络学习行为和效能 通过计算各类学习者的F和T，分析不同类学习者在面向知识地图的网络学习模式下 的行为特征，以及F和T与学习者成绩的相关性。2. 根据权利要求1所述，其特征在 于：在面向知识地图的网络学习中，学习资源以知识地图的形式进行组织，知识地图是以知 识单元为节点、以知识单元之间的关联关系为边构成的有向图，知识单元是指具有完备表 达能力的基本知识单位，知识单元根据粒度的不同分为术语和知识元，一个术语对应若干 个知识元，若干个知识元之间的关联用术语关系或知识元关系表达。3. 根据权利要求1所述，其特征在 于：将网络学习时长作为学习者学习模式的聚类指标，所述网络学习时长为提交作业时长， 采用K-means聚类方法将学习者分为积极型、一般型和拖沓型三类，积极型学习者在教师 布置作业后在较短的时间内完成作业的在线提交，拖沓型学习者在教师布置作业后的临近 截止时间才完成作业的提交，提交作业时长定义为学习者开始一次课程学习到提交某个作 业的时间差值：其中，是指学号为sid的学习者提交第i个作业的时长，是指学习者开始一次 课程学习的时间，是学习者提交作业的时间，对于一个作业的多次提交，以最后一次提 交时间为准。4. 根据权利要求3所述，其特征在 于：对于学习者提交多个作业的情况，所述提交作业时长为所述学习者提交多个作业的时 长均值，该均值本文档来自技高网...

【技术保护点】
一种面向知识地图的网络学习行为与效能分析方法，其特征在于：1)获取基于网络学习时长的学习模式根据学习者的网络学习时长，采用聚类算法将学习者分为若干类；2)获取面向知识地图的网络学习行为分析指标计算知识元覆盖率F和有效点击时长T两个指标，知识元覆盖率F是指学习者进行一次课程学习时，点击知识地图上的有用知识元个数在本次学习中点击的知识元总个数所占的比例，有效点击时长T指学习者从开始一次课程学习到点击到第一个有用知识元之间的时间间隔；所述有用知识元是指教师根据先验知识和教学活动要求，对一次课程学习中涉及的关键知识点进行标注的结果，有用知识元是一组知识元u的集合，且u∈U，U表示一次课程学习中涉及的所有知识元；3)获取面向知识地图的网络学习行为和效能通过计算各类学习者的F和T，分析不同类学习者在面向知识地图的网络学习模式下的行为特征，以及F和T与学习者成绩的相关性。

【技术特征摘要】

【专利技术属性】
技术研发人员：朱海萍，陈妍，郑庆华，包洪英，田锋，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61