基于融合标签和堆叠机器学习模型的学习风格识别方法技术

本发明专利技术涉及一种基于融合标签和堆叠机器学习模型的学习风格识别方法，包括步骤：1)利用Kolb学习风格量表和在线学习行为调查量表分别计算学习者对应的学习风格，将两种计算结果取交集获取已划分和未划分的学习风格；2)对已划分和未划分的学习风格进行聚类处理，确定学习风格并标注标签，并对未划分的学习风格进行补充；3)对得到的学习风格标签与在线学习平台收集的在线学习行为特征进行相关性检验；4)选择训练数据和测试数据，利用堆叠机器学习模型进行训练，得到完整的堆叠模型；5)对训练后的堆叠模型进行综合性能评估。与现有技术相比，本发明专利技术具有减少模型训练难度、提高识别准确率等优点。确率等优点。确率等优点。

【技术实现步骤摘要】
基于融合标签和堆叠机器学习模型的学习风格识别方法


[0001]本专利技术涉及信息识别
，尤其是涉及一种基于融合标签和堆叠机器学习模型的学习风格识别方法。

技术介绍

[0002]在线教育消除了传统教育的时间和空间的限制，允许教师和学生随时随地进行交流，这给孔子提出的“因材施教”的实现带来了可能性。诸如Dunn，Kolb，Felder和Keefe之类的学者早已认识到，学生有着不同的学习新知识的风格，学生的差异包括人格特征、知识水平、学习能力和学习风格等。其中，学习风格包括学习偏好和学习特点。找到适合学生的学习风格可以指导学生学习，因此学习风格的自动识别任务对于促进在线教育环境中的个性化学习至关重要。
[0003]识别学习风格的传统方法是要求学习者填写学习风格量表。尽管这类方法是有效的，但仍然存在一些不足。首先，传统的学习风格量表设计者在准备问题时无法避免主观因素；其次，学习者在填写量表时对自己的认知不够清晰，会直接导致学习风格识别的不准确；再次，当多种学习风格的评价指标具有一致的分数时，量表可能无法识别学习方式；最后，学生的学习风格存在动态变化的特性，而基于量表的识别是一种静态的方法。因此，当前形势下，利用多源异构的在线教育数据隐式且动态地识别学习者的学习风格，从而解决无法识别、识别不精确、主观性高、静态识别等一系列传统学习风格识别中的问题，为在线教育背景下个性化学习的实现提供方法支撑。
[0004]目前，国内外学者对于学习风格的识别有着各种各样的研究，识别学习风格的方法有两条路线：基于自定义规则的量表识别方法和基于机器学习技术的自动识别方法。当不方便收集学习者的在线学习行为数据时，量表识别方法是一种传统方法。自动识别方法能够通过清理和整合学生的在线学习行为数据从而划分出学习者的学习风格，Brahim Hmedna等人设计了一种能够利用MOOC中学生产生的学习行为数据来自动识别学习风格的方法，该模型的本质是将数据聚类以获得学习风格标签，随后使用分类算法来预测学习风格。该方法的问题在于可解释性不足，因为聚类结果的实际意义需要采用人工方法说明，而该方法直接利用数据本身的分布获得的聚类结果去作为学习者的学习风格标签。Chia
‑
Cheng Hsu等人提出了一种基于神经元模糊推理的FIS模型，用于识别在线学习者的学习风格；其本质是使用自定义规则通过单个隐藏层神经网络识别学习风格，由于实验验证部分的学习者人数只有102人，导致学习风格分布不均匀时该方法的可解释性不足。Song Lai等人提出的EENN
‑
PSO模型在识别学习风格方面达到了很高的准确率，但是该研究的问题在于仅使用NEO
‑
FFI量表获取学习风格标签，单个量表的使用存在主观性过高。此外，深度学习最近已应用于识别学习风格。张浩等人构建了一种用于学习风格检测的深度信念神经网络，并且在单个学习风格的最高识别准确率(Vis/Vrb)为0.89。但是深度学习方法需要大量数据来训练模型，这将花费大量时间的同时无法保证数据的可解释性。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于融合标签和堆叠机器学习模型的学习风格识别方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]基于融合标签和堆叠机器学习模型的学习风格识别方法，该方法包括如下步骤：
[0008]S1：利用Kolb学习风格量表和在线学习行为调查量表分别计算学习者对应的学习风格，将两种计算结果取交集获取已划分和未划分的学习风格。
[0009]S2：对已划分和未划分的学习风格进行聚类处理，确定学习风格并标注标签，并对未划分的学习风格进行补充。
[0010]S3：对步骤S2：得到的学习风格标签与在线学习平台收集的在线学习行为特征进行相关性检验。
[0011]S4：对相关性检验合格的在线学习行为特征，选择训练数据和测试数据，利用堆叠机器学习模型进行训练，得到完整的堆叠模型。
[0012]S5：对训练后的堆叠模型进行综合性能评估，优化堆叠模型，利用优化后的堆叠模型进行实际学习者的学习风格预测。
[0013]步骤S1的具体步骤包括：
[0014]11)获取学习者的Kolb学习风格量表，计算各学习风格分数；
[0015]12)获取学习者的在线学习行为调查量表，计算各学习风格分数，与基于学习者的Kolb学习风格量表得到的各学习风格分数取交集，获取成功划分出学习风格的集合和未能成功划分出学习风格的集合。
[0016]所述的学习风格分数的计算式为：
[0017][0018]式中：LS
k
为学习风格分数，a
i,j
为第i个问题的第j个选项的分数，k代表学习者所有学习方式中的一种。
[0019]步骤S2的具体内容为：
[0020]对在线学习行为调查量表数据进行特征降维后，利用K
‑
Means++对降维后的数据进行聚类，得到四个聚类簇，随后构建基于专家标注的簇含义确定方法以确定每一簇的质心的位置，随后计算从其余点到质心的欧几里得距离，利用质心选择方法选择聚类中最接近质心的阈值内的样本点，根据样本点的Kolb学习风格量表数据和在线学习行为量表数据确定样本的学习风格并标注标签，并对未划分的学习风格进行补充。
[0021]进一步地，根据样本点的Kolb学习风格量表数据和在线学习行为量表数据确定样本的学习风格并标注标签，并对未划分的学习风格进行补充的具体内容为：
[0022]若确定样本点有超50％的样本为同一种学习风格，则集群的内在含义被确定为该学习风格，若不满足超50％的条件，则将以阈值扩大1个的速度扩大阈值直至能够成功划分学习风格为止；最后对未能划分出的学习风格进行补充。
[0023]步骤S3中，对步骤S2得到的学习风格标签与在线学习平台收集的在线学习行为特征通过Spearman相关系数进行相关性检验。
[0024]步骤S4中，利用堆叠机器学习模型进行训练的具体步骤包括：
[0025]41)对学习者于在线教学平台中产生的行为数据进行预处理；
[0026]42)结合步骤S2得到的学习风格标注结果，构建堆叠机器学习模型；
[0027]43)对构建的堆叠机器学习模型进行模型训练与参数调整，获取完整的堆叠模型。
[0028]所述堆叠机器学习模型为基于两层模型的融合模型，第一层包括四个基本分类器：随机森林、梯度提升决策树、支持向量机和多层感知器，第一层的输入为原始训练集和测试集；第二层为逻辑回归器，第二层采用第一层基本分类器的输出作为输入，通过加入训练集进行再训练，进而获取完整的堆叠模型。
[0029]进一步地，在步骤43)前，还包括利用SMOTE算法进行样本重采样步骤。
[0030]步骤S5中，采用准确率、召回率、精准率、F1分数和曲线下面积对训练后的堆叠模型进行综合性能评估，优化堆叠模型。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于融合标签和堆叠机器学习模型的学习风格识别方法，其特征在于，包括下列步骤：1)利用Kolb学习风格量表和在线学习行为调查量表分别计算学习者对应的学习风格，将两种计算结果取交集获取已划分和未划分的学习风格；2)对已划分和未划分的学习风格进行聚类处理，确定学习风格并标注标签，并对未划分的学习风格进行补充；3)对步骤2)得到的学习风格标签与在线学习平台收集的在线学习行为特征进行相关性检验；4)对相关性检验合格的在线学习行为特征，选择训练数据和测试数据，利用堆叠机器学习模型进行训练，得到完整的堆叠模型；5)对训练后的堆叠模型进行综合性能评估，优化堆叠模型，利用优化后的堆叠模型进行实际学习者的学习风格预测。2.根据权利要求1所述的基于融合标签和堆叠机器学习模型的学习风格识别方法，其特征在于，步骤1)的具体步骤包括：11)获取学习者的Kolb学习风格量表，计算各学习风格分数；12)获取学习者的在线学习行为调查量表，计算各学习风格分数，与基于学习者的Kolb学习风格量表得到的各学习风格分数取交集，获取成功划分出学习风格的集合和未能成功划分出学习风格的集合。3.根据权利要求2所述的基于融合标签和堆叠机器学习模型的学习风格识别方法，其特征在于，所述的学习风格分数的计算式为：式中：LS
k
为学习风格分数，a
i,j
为第i个问题的第j个选项的分数，k代表学习者所有学习方式中的一种。4.根据权利要求1所述的基于融合标签和堆叠机器学习模型的学习风格识别方法，其特征在于，步骤2)的具体内容为：对在线学习行为调查量表数据进行特征降维后，利用K
‑
Means++对降维后的数据进行聚类，得到四个聚类簇，随后构建基于专家标注的簇含义确定方法以确定每一簇的质心的位置，随后计算从其余点到质心的欧几里得距离，利用质心选择方法选择聚类中最接近质心的阈值内的样本点，根据样本点的Kolb学习风格量表数据和在线学习行为量表数据确定样本的学习风格并标注标签，...

【专利技术属性】
技术研发人员：倪琴，徐宇辉，张波，樊卓，魏廷江，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：