基于教育大数据的学习者模型动态构建方法技术

本发明专利技术提出一种基于教育大数据的学习者模型动态构建方法，旨在提供一种学习者个性化学习概览的动态构建方法，实现对学习者的全面描述，促进对学习者的个性化指导。本发明专利技术包括以下步骤：首先，通过在线学习平台获取学习者的学习数据；其次，利用Experience API规范量化学习者的学习经历；再次，借助大数据分析和挖掘技术提取有效的学习者特征；最后，依据学习者的有效特征数据动态构建不同时空的个性化学习概览，从而实现学习者模型的动态构建。本发明专利技术基于教育大数据的学习者模型动态构建方法能够促进个性化学习的生成，有助于构建个性化的学习环境，对于学习兴趣挖掘、知识盲点识别、就业指导、学习路径规划等领域具有实际的应用价值。

Dynamic construction method of learner model based on educational big data

The invention provides a dynamic construction method of learner model based on large educational data, aiming at providing a dynamic construction method of learner personalized learning overview, realizing a comprehensive description of learners, and promoting personalized guidance for learners. The invention comprises the following steps: firstly, acquiring learner's learning data through online learning platform; secondly, quantifying learner's learning experience by using Experience API specification; thirdly, extracting effective learner's features by means of large data analysis and mining technology; finally, dynamically constructing learner's effective feature data according to learner's effective feature data Build personalized learning overview of different time and space, so as to achieve the dynamic construction of learner model. The learner model dynamic construction method based on large education data can promote the generation of personalized learning, help to construct personalized learning environment, and has practical application value in the fields of learning interest mining, knowledge blind spot identification, employment guidance, learning path planning, etc.

【技术实现步骤摘要】
基于教育大数据的学习者模型动态构建方法
本专利技术涉及数据分析和处理技术，尤其涉及一种基于教育大数据的学习者模型动态构建方法。
技术介绍
随着教育信息化的深入发展，在线开放式学习的交互方式增多，参与的学习者不断增长，在线学习系统积累的学习数据呈爆炸式增长。如何挖掘、分析和利用这些数据是实现个性化学习的必要前提。在课堂中教学过程中每个学生的知识结构差异较大、学习能力参差不齐，由于精力和时间有限教师很难兼顾所有的学生，导致学习基础弱的学生跟不上学习的步调，而学习能力强的学生难以发挥其学习的自主权。同时，学习者的学习过程是一个动态的过程，对学习者的传统描述是以“黑盒”的形式，很难对学习者的学习过程进行全面、可视化的描述。因此，对学习者的学习过程进行全面、可视化的描述，从而构建更为准确的学习者模型具有重要的意义。为此，人们对其进行了探索，目前存在的基本的学生模型有覆盖模型、偏差模型、认知模型和心理模型。但这些模型都只是侧重于学习者的某个方面进行建模，在教育大数据的环境下，需要综合各种模型的优势来构建更为完善的学习者模型。因此，教育工作者需要通过获取在线学习的数据，并对学生的学习经历进行量化和提取，来构建学习者的模型，将学习者在不同时空下的学习过程进行可视化表示。但是单靠学生学习过程中的基本静态数据很难准确的刻画学习者的学习过程。随着大数据分析和挖掘技术的发展，使用静态数据和动态数据相结合构建学习者模型来对学习者的学习过程进行描述将更为准确。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于教育大数据的学习者模型动态构建方法。本专利技术解决其技术问题所采用的技术方案是：基于教育大数据的学习者模型动态构建方法，包括：一种基于教育大数据的学习者模型动态构建方法，其特征在于，包括如下步骤：(1)学习数据聚集：采集在线学习平台中学习者的基本信息数据和行为数据；所述基本信息数据包括家庭、学历背景、身份、地域数据，行为数据包括在线学习时的浏览、学习、交互、测试数据；利用基于神经网络的数据预处理方法对采集的数据进行包括清理、变换、规约和集成在内的预处理，以剔除原始数据中存在的复杂、重复、不完整的数据，并将处理的数据划分成结构化数据、半结构化数据和非结构化数据；(2)学习经历量化：依据行为主义理论，通过ExperienceAPI规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历，并利用Statement记录学习者的学习经历数据，形成学习者学习经历序列；(3)学习者特征提取：借助大数据分析和挖掘技术从学习者不同课程、不同时间和不同学习环境下的学习经历序列中提取有效的特征信息并挖掘其隐性特征信息和相关关系，依据《学习者模型规范CELTS-11》将提取和挖掘的有效特征信息、隐性特征信息和相关关系归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息八类，根据特征信息是否随时间变化将提取和挖掘的这八类信息分为静态特征信息和动态特征信息并将其存储在学习者数据库中；(4)个性化学习概览动态构建：依据学习者数据库中不同课程、不同时间和不同学习环境下动、静态特征信息及其相关关系对学习者进行画像，多维度的动态构建学习者在不同时空下的个性化学习概览；(5)通过学习过程监控系统和学习分析系统对学习者的学习过程进行实时的监控，监测学习者多维度信息的变化，实时的对变化的特征信息进行聚集、量化、提取，并将其更新在学习者数据库中。按上述方案，所述步骤(2)以E＝<S,B,O>三元组形式的“活动流”描述学习者的学习经历，其中E表示学习经历，S表示学习者，B表示行为，O表示学习对象。同时，Statement以“经历—事件—陈述”三个层次，记录学习者的学习经历数据。按上述方案，所述步骤(4)包含如下子步骤：(4.1)对学习者进行建模之前首先在学习者数据库中检索是否有该学习者的学习者模型，若否执行(4.2)，若是执行(4.3)；(4.2)依据学习者的基本特征数据初始化该学习者的学习者模型；(4.3)将学习者在不同时空的特征信息间的关系进行映射；(4.4)通过学习者多维度的动、静态特征信息和相关关系对学习者进行“画像”；P＝SCi+DCi+Vi+Time+Place其中P为学习者的个性化概览，SCi为动态特征信息，DCi为静态特征信息，Vi为特征之间的相关关系，Time特征发生的时间，Place为特征发生的地点。按上述方案，所述步骤(5)中的更新方法为通过自适应技术动态的监测学习者数据库中特征信息的变化，对于有变化的特征信息自动的更新到学习者的个性化学习概览中。按上述方案，所述的步骤(4.1)到步骤(4.4)可循环执行。本专利技术产生的有益效果是：1.本专利技术将学习者的静态数据与动态数据相结合来构建学习者模型，实现了对学习者更为全面的描述。2.本专利技术通过学习者模型的动态构建，实时的更新学习者的相关数据，能够准确的描述学习者每个时空下的学习状态和个性化特征。3.本专利技术构建的学习者个性化学习概览，为学习兴趣挖掘、知识盲点识别、就业指导、学习路径规划等提供了依据。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例的方法流程图；图2为本专利技术所述方法的学习数据聚集示意图；图3为本专利技术所述方法的学习经历量化示意图；图4为本专利技术所述方法的学习特征提取示意图；图5为本专利技术所述方法的个性化学习概览的动态构建示流程意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术具体流程为：(1)学习数据聚集采集在线学习平台中学习者的基本信息数据和行为数据。基本信息数据包括家庭、背景、身份、地域等数据，行为数据包括浏览、学习、交互、测试等数据。对采集的数据进行清理、变换、规约和集成等一系列的处理，并将处理的数据划分成结构化数据、半结构化数据和非结构化数据，如图2所示。(2)学习经历量化在线学习经历的数据呈现多元异构的特点，因此本专利技术依据行为主义理论，通过ExperienceAPI(xAPI)规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历，并利用Statement记录学习者的学习经历数据，形成学习者学习经历序列。如图3所示该过程包括两个部分：a.通过E＝<S,B,O>三元组形式的(其中E表示学习经历，S表示学习者，B表示行为，O表示学习对象)“活动流”描述学习者在不同时空下的学习经历。b.利用Statement记录学习者的学习经历数据，将学习者的学习经历信息按照时间戳从“经历—事件—陈述”三个层次进行存储记录。(3)学习者特征提取借助大数据分析和挖掘技术从学习者不同时空场景下学习经历序列中提取有效的特征信息并挖掘隐性特征信息(如学习风格、学习偏好等)和相关关系。依据《学习者模型规范CELTS-11》将提取和挖掘的信息归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息等八类，根据信息的稳定程度将这八类信息划分为依据静态特征信息本文档来自技高网...

【技术保护点】
1.一种基于教育大数据的学习者模型动态构建方法，其特征在于，包括如下步骤：(1)学习数据聚集：采集在线学习平台中学习者的基本信息数据和行为数据；所述基本信息数据包括家庭、学历背景、身份、地域数据，行为数据包括在线学习时的浏览、学习、交互、测试数据；利用基于神经网络的数据预处理方法对采集的数据进行包括清理、变换、规约和集成在内的预处理，以剔除原始数据中存在的复杂、重复、不完整的数据，并将处理的数据划分成结构化数据、半结构化数据和非结构化数据；(2)学习经历量化：依据行为主义理论，通过Experience API规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历，并利用Statement记录学习者的学习经历数据，形成学习者学习经历序列；(3)学习者特征提取：借助大数据分析和挖掘技术从学习者不同课程、不同时间和不同学习环境下的学习经历序列中提取有效的特征信息并挖掘其隐性特征信息和相关关系，依据《学习者模型规范CELTS‑11》将提取和挖掘的有效特征信息、隐性特征信息和相关关系归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息八类，根据特征信息是否随时间变化将提取和挖掘的这八类信息分为静态特征信息和动态特征信息并将其存储在学习者数据库中；(4)个性化学习概览动态构建：依据学习者数据库中不同课程、不同时间和不同学习环境下动、静态特征信息及其相关关系对学习者进行画像，多维度的动态构建学习者在不同时空下的个性化学习概览；(5)通过学习过程监控系统和学习分析系统对学习者的学习过程进行实时的监控，监测学习者多维度信息的变化，实时的对变化的特征信息进行聚集、量化、提取，并将其更新在学习者数据库中。...

【技术特征摘要】
2017.05.12 CN 20171033571371.一种基于教育大数据的学习者模型动态构建方法，其特征在于，包括如下步骤：(1)学习数据聚集：采集在线学习平台中学习者的基本信息数据和行为数据；所述基本信息数据包括家庭、学历背景、身份、地域数据，行为数据包括在线学习时的浏览、学习、交互、测试数据；利用基于神经网络的数据预处理方法对采集的数据进行包括清理、变换、规约和集成在内的预处理，以剔除原始数据中存在的复杂、重复、不完整的数据，并将处理的数据划分成结构化数据、半结构化数据和非结构化数据；(2)学习经历量化：依据行为主义理论，通过ExperienceAPI规范将结构化数据、半结构化数据和非结构化数据以“活动流”的形式来描述学习者的学习经历，并利用Statement记录学习者的学习经历数据，形成学习者学习经历序列；(3)学习者特征提取：借助大数据分析和挖掘技术从学习者不同课程、不同时间和不同学习环境下的学习经历序列中提取有效的特征信息并挖掘其隐性特征信息和相关关系，依据《学习者模型规范CELTS-11》将提取和挖掘的有效特征信息、隐性特征信息和相关关系归为个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息及作品信息八类，根据特征信息是否随时间变化将提取和挖掘的这八类信息分为静态特征信息和动态特征信息并将其存储在学习者数据库中；(4)个性化学习概览动态构建：依据学习者数据库中不同课程、不同时间和不同学习环境下动、静态特征信息及其相关关系对学习者进行画像，多维度的动态构建学习者...

【专利技术属性】
技术研发人员：刘海，杨宗凯，刘三女牙，张昭理，舒江波，孔德丽，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：湖北,42