一种基于注意力机制的学习风格识别方法及系统技术方案

本发明专利技术提供一种基于注意力机制的学习风格识别方法及系统，其中方法包括：确定学习者的学习特征；学习特征包括：学习者社会属性特征、学习资源特征、学习者行为链特征以及学习者专注度特征；基于学习者的学习特征构建学习者的学习行为链空间；学习行为链空间用于描述学习者在每个时间点的学习行为，每个时间点学习行为包括：每个时间点学习何种学习资源和表现何种专注度；将学习者在每个时间点的学习行为按照时间顺序串接得到学习者的学习行为序列；将学习者的学习行为序列输入到训练好的引入注意力机制的GRU网络，以识别学习者的学习风格；引入注意力机制的GRU网络用于基于学习者行为序列识别学习者的学习风格。本发明专利技术实现学习风格的精准识别。学习风格的精准识别。学习风格的精准识别。

【技术实现步骤摘要】
一种基于注意力机制的学习风格识别方法及系统


[0001]本专利技术属于在线学习行为分析领域，更具体地，涉及一种基于注意力机制的学习风格识别方法及系统。

技术介绍

[0002]基于在线学习行为分析的自动识别方法主要是通过数据挖掘算法分析学习者的在线学习行为或者通过简单规则计算学习者的学习行为，从而自动识别学习者的学习风格。
[0003]基于数据挖掘算法的自动识别主要是在收集学习者在平台上的网络行为数据的基础上，利用数据挖掘等相关方法对数据进行分析，来预测或识别学习者的学习风格。如Nabila Bousbia等基于学习者浏览路径和交互方式等学习路径和资源数据，来识别学习者学习风格；Villaverde等使用神经网络方法预测网络学习者的学习风格；华中师范大学李素珍等通过文献研究等方法确定了网络学习行为与学习偏好之间的关系，并构建了网络学习风格与偏好的挖掘模型。由于影响网络学习特征的因素有很多，基于网络学习行为自动识别学习风格存在“冷启动”的问题。因而近几年学者开始将自动识别学习风格与问卷获取学习风格相结合的方法来预测学习者的学习风格。姜强、赵蔚等通过让学习者填写Felder&Soloman学习风格量表，来获取学习者的学习风格。然后基于文献研究法得到贝叶斯网络算法的条件概率表，然后计算学习者的学习风格。吴青等使用学习风格量表获取网络学习者学习风格数据用于初始化分类模型，然后利用分类模型评估网络学习行为并预测其学习风格也利用了混合测量法与预测网络学习者的学习风格。刘自慧等采集学习管理系统上学习者的网络学习行为数据后利用SMO算法预测学习者的学习风格，然后与量表显性测量结果进行对比，为自适应学习提供了理论支撑。
[0004]基于估算规则的自动识别方法主要是利用问卷调查得到学习者的学习风格，而后通过采集与量化学习者的在线学习行为数据，利用估算规则计算学习者的学习风格，最后将估算结果与问卷调查调查结果进行对别，得到准确率。Sabine Grad在学习管理系统上跟踪学习者的在线学习并采集行为数据。然后根据文献研究法，提出行为数据标注规则并量化和标注行为数据。基于Felder
‑
Silverman学习风格模型，利用估算规则方法与贝叶斯网络方法与计算学习者的学习风格，最后基于问卷结果分析两种方法的准确率，研究结果发现基于估算规则方法的学习风格自动识别的准确率更高。姜强等在Sabine Graf研究的基础上，基于Felder
‑
Silverman学习风格模型通过问卷获取学习者的学习风格。然后跟踪学生一周的所有行为模式并采集数据，根据以往研究与其在线平台的特点构建行为数据标注规则并量化数据。最后利用估算规则去修正通过问卷得到的学习者的学习风格，使得修正后的学习风格模型更具真实性。
[0005]当前大部分的研究者主要通过量表主观测量结合客观分析学习者的在线学习行为相结合的方法进行学习风格自动识别，然而这些识别方法对于学习行为与学习风格之间的关系并未深入研究，同时现有的方法都是浅层的数据挖掘方法，无法处理大规模的行为
数据，这严重约束了现有算法的适用范围。同时这些算法并未考虑学习行为当时的情景和动机，这样导致识别的学习风格不够精准。

技术实现思路

[0006]针对现有技术的缺陷，本专利技术的目的在于提供一种基于注意力机制的学习风格识别方法及系统，旨在解决现有学习风格识别不够精准的问题。
[0007]为实现上述目的，第一方面，本专利技术提供了一种基于注意力机制的学习风格识别方法，包括如下步骤：
[0008]确定学习者的学习特征；所述学习特征包括：学习者社会属性特征、学习资源特征、学习者行为链特征以及学习者专注度特征；
[0009]基于所述学习者的学习特征构建学习者的学习行为链空间；所述学习行为链空间用于描述学习者在每个时间点的学习行为，所述每个时间点学习行为包括：每个时间点学习何种学习资源和表现何种专注度；
[0010]将学习者在每个时间点的学习行为按照时间顺序串接得到学习者的学习行为序列；
[0011]将所述学习者的学习行为序列输入到训练好的引入注意力机制的GRU网络，以识别学习者的学习风格；所述引入注意力机制的GRU网络用于基于学习者行为序列识别学习者的学习风格。
[0012]在一个可选的示例中，所述学习者行为链特征通过如下方式确定：
[0013]基于学习者的多模态学习行为数据确定学习者的学习行为链特征；所述学习者的多模态学习行为数据包括：学习者学习行为的音频数据、学习者学习行为的视频数据以及学习者向计算机输入的点击动作，基于所述多模态学习行为数据可以剔除学习者的无效学习行为；所述学习行为链特征指学习者在什么时间点学习什么资源以及学习具体动作如何，从而精准描述学习者具体学习过程。
[0014]在一个可选的示例中，所述学习者社会属性特征包括：学习者年龄、性别以及学段；
[0015]所述学习资源特征包括：学习资源的领域、类型、资源编号以及资源边通道信息；
[0016]所述学习者专注度特征是由专注度识别方法获取的学习者在学习过程中体现出来的专注度序列。
[0017]在一个可选的示例中，所述基于所述学习者的学习特征构建学习者的学习行为链空间，具体为：
[0018]将学习者行为链位置信息嵌入到学习者行为特征对应的向量中，并结合学习资源特征和学习者专注度特征确定学习行为链空间，并将学习者社会属性特征作为静态量整体嵌入所述学习行为链空间内。
[0019]在一个可选的示例中，所述引入注意力机制的GRU网络中引入注意力机制是为了自动关注到学习行为序列中对学习风格识别贡献更大的数据，以对所述数据分配更大的权重；
[0020]所述引入注意力机制的GRU网络的训练过程如下：
[0021]将训练样本输入到引入注意力机制的GRU网络；所述训练样本包括预先获取的多
个学习行为序列和每个学习行为序列对应的学习风格；
[0022]通过所述训练样本对引入注意力机制的GRU网络进行训练，使得引入注意力机制的GRU网络可以基于学习行为序列判断其对应的学习风格；所述学习风格包括：活跃型、沉思型、感悟型、直觉型、视觉型、言语型、序列型以及综合型。
[0023]第二方面，本专利技术提供了一种基于注意力机制的学习风格识别系统，包括：
[0024]学习特征确定单元，用于确定学习者的学习特征；所述学习特征包括：学习者社会属性特征、学习资源特征、学习者行为链特征以及学习者专注度特征；
[0025]行为链空间构建单元，用于基于所述学习者的学习特征构建学习者的学习行为链空间；所述学习行为链空间用于描述学习者在每个时间点的学习行为，所述每个时间点学习行为包括：每个时间点学习何种学习资源和表现何种专注度；
[0026]行为序列确定单元，用于将学习者在每个时间点的学习行为按照时间顺序串接得到学习者的学习行为序列；
[0027]学习风格识别单元，用于将所述学习者的学习行为序列输入到训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的学习风格识别方法，其特征在于，包括如下步骤：确定学习者的学习特征；所述学习特征包括：学习者社会属性特征、学习资源特征、学习者行为链特征以及学习者专注度特征；基于所述学习者的学习特征构建学习者的学习行为链空间；所述学习行为链空间用于描述学习者在每个时间点的学习行为，所述每个时间点学习行为包括：每个时间点学习何种学习资源和表现何种专注度；将学习者在每个时间点的学习行为按照时间顺序串接得到学习者的学习行为序列；将所述学习者的学习行为序列输入到训练好的引入注意力机制的GRU网络，以识别学习者的学习风格；所述引入注意力机制的GRU网络用于基于学习者行为序列识别学习者的学习风格。2.根据权利要求1所述的学习风格识别方法，其特征在于，所述学习者行为链特征通过如下方式确定：基于学习者的多模态学习行为数据确定学习者的学习行为链特征；所述学习者的多模态学习行为数据包括：学习者学习行为的音频数据、学习者学习行为的视频数据以及学习者向计算机输入的点击动作，基于所述多模态学习行为数据可以剔除学习者的无效学习行为；所述学习行为链特征指学习者在什么时间点学习什么资源以及学习具体动作如何，从而精准描述学习者具体学习过程。3.根据权利要求1所述的学习风格识别方法，其特征在于，所述学习者社会属性特征包括：学习者年龄、性别以及学段；所述学习资源特征包括：学习资源的领域、类型、资源编号以及资源边通道信息；所述学习者专注度特征是由专注度识别方法获取的学习者在学习过程中体现出来的专注度序列。4.根据权利要求1所述的学习风格识别方法，其特征在于，所述基于所述学习者的学习特征构建学习者的学习行为链空间，具体为：将学习者行为链位置信息嵌入到学习者行为特征对应的向量中，并结合学习资源特征和学习者专注度特征确定学习行为链空间，并将学习者社会属性特征作为静态量整体嵌入所述学习行为链空间内。5.根据权利要求1所述的学习风格识别方法，其特征在于，所述引入注意力机制的GRU网络中引入注意力机制是为了自动关注到学习行为序列中对学习风格识别贡献更大的数据，以对所述数据分配更大的权重；所述引入注意力机制的GRU网络的训练过程如下：将训练样本输入到引入注意力机制的GRU网络；所述训练样本包括预先获取的多个学习行为序列和每个学习行为序列对应的学习风格；通过所述训练样本对引入注意力机制的GRU网络进行训练，使得引入注意力机制的GRU网络可以基于学习行为序列判断其对应的学习风格；所述学习风格包括：活跃型、沉思型、感悟型、直觉型、视觉型、言语型、序列型以及综合型。6.一种基于注意力机制的学习风格识别...

【专利技术属性】
技术研发人员：张浩，刘三女牙，黄涛，戴志诚，周东波，闵远东，李耀鹏，童航，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：