【技术实现步骤摘要】
基于差异性的学习小组分组方法
本专利技术属于协作学习、个性化教学和实验分组
，具体涉及到协作学习的分组方法。
技术介绍
近年来，随着移动智能设备(如智能手机、平板电脑等)的普及和网络通信技术的发展，在线移动学习模式(如大型开放式网络课程，即慕课、小规模限制性在线课程)得到广泛普及和发展，对实现“随时随地学习”即“任何人在任何时间、任何地点都可以学习任何内容”起到了巨大推动作用。研究学者、政府和企业已对移动在线学习展开了大量研究和应用，包括：教学模式、翻转课堂、在线作业批改、在线考试、在线完成项目和实验等。目前，很多项目和实验的完成均是以小组为单位，而不是以个体为单位进行的。以小组为单位的项目和实验可以训练和培养学习者的沟通、协作、社交和问题解决等诸多在未来职业发展中发挥重要作用的软技能和软能力，因此，分组问题已成为当前实施协作学习和个性化教学的一个重要研究问题。此外，分组问题在很多学科，如生物、物理、化学等实验学科的分组实验中也具有重要作用，分组的好坏对实验结果往往具有重要影响。所谓分组问题是指将包含N个元素的集合划分为K组，一般N为K的整数倍，每组包括N/K个元素。从现有的研究成果看，当前的分组方法主要有两类：一类是随机分组方法，即将所有元素随机地均匀分配到各个组中，比如在实验中分为对照组和实验组，在各类竞技比赛中一般采用抽签随机分组。一类是基于机器学习的分组方法，比如基于相似度的K-Means方法、决策树方法、支持向量机方法等，但是，这类方法主要基于两个元素的相似度，通过某种相似度公式进行计...
【技术保护点】
1.一种基于差异性的学习小组分组方法，其特征在于它是由下述步骤组成：/n(1)收集N个元素的属性特征/n第i个元素的属性特征v
【技术特征摘要】
1.一种基于差异性的学习小组分组方法，其特征在于它是由下述步骤组成：
(1)收集N个元素的属性特征
第i个元素的属性特征vi用向量表示如下：
vi＝(ai1,ai2,...,aim,...,aiM)
其中，每个分量aim表示元素i对应第m个属性特征的量化值，aim为实数，M表示元素的属性特征个数，i∈{1,2,...,N}，m∈{1,2,...,M}，M、N为有限的正整数；
(2)确定分组数目及所含元素个数
根据实际需求确定分组数目K，按式(1)确定第k个分组所含元素个数f(k)：
其中，k∈{1,2,...,K}，NmodK表示N除以K得到的余数，K是有限的正整数；
(3)标准化N个元素的属性特征
按式(2)对任意元素i的第m个属性特征值aim进行标准化：
其中，μm表示所有元素的第m个属性特征值的均值，即
μm＝(a1m+a2m+...+aNm)/N，σm表示所有元素的第m个属性特征值的标准差，
(4)确定元素对间的差异度并排序
任意两个元素i、j构成的元素对之间的差异度dij按式(3)确定：
其中，bi和bj分别表示元素i和元素j的标准化属性特征向量，i,j∈{1,2,...,N}，i≠j；
bi＝(bi1,bi2,...,biM)
bj＝(bj1,bj2,...,bjM)
(bi－bj)T表示向量(bi－bj)的转置；S表示各个属性特征向量间的协方差矩阵，为M维矩阵，S中的任意元素用Si'j'表示：
Si'j'＝cov(ui',uj')/(m-1)
其中，ui'和uj'分别表示所有元素中的第i'和第j'个属性特征经标准化后组成的向量，即
ui'＝(b1i',b2i',...,bNi')
uj'＝(b1j',b2j',...,bNj')
cov(ui',uj')表示向量ui'和uj'之间的协方差，即
cov(ui',uj')＝E[(ui'-μi')(uj'-μj')]
其中，μi'和μj'分别表示所有元素的第i'和第j'个属性特征值经标准化后的均值，即
μi'＝(b1i'+b2i'+...+bNi')/N
μj'＝(b1j'+b2j'+...+bNj')/N
其中i’,j’∈{1,2,...,M}；
(5)处理每个元素对(i,j)
采用基于差异性的分组方法进行分组。
2.根据权利要求1所述的基于差异性的学习小组分组方法，其特征在于在处理每个元素对(i,j)步骤(5)中，所述的基于差异性的分组方法为：
元素对(i,j)中的有一个元素未被分配到分组中，一个元素已被分配到分组中，未被分配的元素为s，其中s∈{i,j}，不存在一个不包含任何元素的分组时，按如下步骤进...
【专利技术属性】
技术研发人员：张立臣，张晓春，李鹏，任美睿，郭龙江，王小明，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。