一种基于认知负荷的个性化作业分配方法组成比例

本发明专利技术公开了一种基于认知负荷的个性化作业分配方法，通过

【技术实现步骤摘要】
一种基于认知负荷的个性化作业分配方法


[0001]本专利技术涉及认知负荷领域，具体为一种基于认知负荷的个性化作业分配方法
。

技术介绍

[0002]在教育教学领域，于教师而言，作业是为了达到教学目标，了解学生的学习情况给学生布置的学习任务，于学生而言，作业是为了完成学习任务所从事的学习活动，以达到巩固
、
拓展知识等目的
。
随着课程改革的深入，研究者开始关注如何依据学生的兴趣
、
能力水平的差异，因材施教地设置个性化作业，以提高作业的有效性，但很难在作业与学生认知
、
学生能力以及学生个性中找到平衡点
。
基于对认知负荷理论的理解和作业价值的认识，可以明晰：认知负荷理论要求教师在作业设计过程中应该充分考虑学生的认知负荷水平，依据学生的认知状态选择合适的学习材料及其呈现方式作为作业，促进学生的学习效率，并通过作业的设计，帮助学生在作业完成的过程中，尽可能地控制内在认知负荷，降低外在认知负荷和提高相关认知负荷以促进学生学习，促进学生在投入心理努力于作业中的同时也不使学生超负荷学习
。
[0003]现阶段，教师一般是通过学生在课后完成作业的情况来判断学生的知识掌握程度
。
在此过程中，一方面，教师通常采用人工判别的方法评价学生的作业，该方法时间长
、
速度慢
、
成本高，且依赖于判别者的主观感觉，导致判别的结果不准确且和学生实际的掌握情况有较大误差；另一方面，教师无法准确得知每个学生的认知负荷水平，从而无法根据学生的认知状态变化及时调整作业难度
。
实现基于学生认知负荷的个性化作业设计，能够帮助学生达到潜在的更高层次的发展水平
。

技术实现思路

[0004]本专利技术克服现有技术的不足，提供了一种基于认知负荷的个性化作业分配方法
。
本专利技术的目的通过以下的技术方案实现：
[0005]本专利技术提供了一种基于认知负荷的个性化作业分配方法，包括：
[0006]S1
：通过记录学生在完成作业时的答题反应时
、
答题正确率等数据，利用
K
‑
means
聚类算法生成学生得分情况和对应试题的
Q
矩阵表，使用
GRM
模型求出学生能力和试题难度；
[0007]S2
：在接收学生在完成相关作业时输入认知负荷自评量表，并由认知负荷自评量表量化分析出学生的心理努力程度和任务主观难度；
[0008]S3
：根据学生能力
、
试题难度
、
心理努力程度
、
任务主观难度四个指标评估学生认知负荷水平；
[0009]S4
：针对评估出来的学生认知负荷水平进行个性化作业分配
。
[0010]优选的，所述
S1
中，利用
K
‑
means
聚类算法生成学生得分情况和对应试题的
Q
矩阵表，步骤如下：
[0011]首先会进行判断学习者是否参与作答了此题，如果没有参与作答，则筛除未参与
作答的用户；如果学习者参与作答，则答题次数
+1
，同时判断学习者通过测评点个数与测评点个数是否相同，如果相等，则答对题目次数
+1
，同时记录下是在第几次答对；原始数据经过处理，转换成一个记录着学习者对应的总共答题次数，在第几次时答对，答题正确率的数据表；
[0012]并将数据表中数据划分成为
K
个簇，通过这个
K
的参数值得到参与作答本道题的学习者应该被分为几类，最后依据排序算法，根据前面的聚类结果对不同类别学生赋予分值，最后生成一个学生得分情况与对应试题的
Q
矩阵表
。
[0013]更优的，所述
K
的参数值通过引入了轮廓系数
S
确定，其中
[0014]其中
a
表示样本点与同一簇中所有其他点的平均距离，即样本点与同一簇中其他点的相似度；
b
表示样本点与下一个最近簇中所有点的平均距离，即样本点与下一个最近簇中其他点的相似度，
S∈(
‑1，
1)。
[0015]更优的，所述将数据表中数据划分成
K
个簇中，给出每个样本数据对应的中心点，具体步骤如下：
[0016]①
随机选取
K
个中心，记为
[0017]②
定义损失函数：
[0018][0019]其中
x
i
代表第
i
个样本，
C
i
是
x
i
所属的簇，代表簇对应的中心点，
M
是样本总数，
J
是定义的损失函数；
J(C
，
t)
[0020]③
令
z
＝0，1，
2......
为迭代步数，重复如下过程直到
J
收敛：
[0021]a:
对于每一个样本
x
i
将
l
其分配到距离最近的中心
[0022][0023]b:
对于每一个类中心
K
，重新计算该类的中心
[0024][0025]首先固定中心点，调整每个样本所属的类别以减少
J
，再固定每个样本的类别，调整中心点继续减小
J
，两个过程交替循环，
J
单调递减直到最小值，中心点和样本划分的类别同时收敛；
[0026]④
在进行
K
‑
means
聚类不断迭代以获得最好的簇
K
的过程中，答题者越早答对，答题正确率越高，则属于更好的那一类；
[0027]⑤
最终输出每一道题目对应的
K
值，通过这个
K
值得到参与作答本道题的学生被分为
k
类
。
[0028]更优的，
S1
中，使用
GRM
模型求出学生能力和试题难度，其中学生
i
在题目
j
上得
k
及
k
分以上的概率
P(x
ij
≥k)
为：
[0029][0030]其中
θ
i
表示第
i
位学习者的能力大小，
D
为常量，取值
1.702
，
α
j
表示第
j
道题目的试
题区分度，
β本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于认知负荷的个性化作业分配方法，其特征在于，包括：
S1
：通过记录学生在完成作业时的答题反应时
、
答题正确率等数据，利用
K
‑
means
聚类算法生成学生得分情况和对应试题的
Q
矩阵表，使用
GRM
模型求出学生能力和试题难度；
S2
：在接收学生在完成相关作业时输入认知负荷自评量表，并由认知负荷自评量表量化分析出学生的心理努力程度和任务主观难度；
S3
：根据学生能力
、
试题难度
、
心理努力程度
、
任务主观难度四个指标评估学生认知负荷水平；
S4
：针对评估出来的学生认知负荷水平进行个性化作业分配
。2.
根据权利要求1所述的一种基于认知负荷的个性化作业分配方法，其特征在于，所述
S1
中，利用
K
‑
means
聚类算法生成学生得分情况和对应试题的
Q
矩阵表，步骤如下：首先会进行判断学习者是否参与作答了此题，如果没有参与作答，则筛除未参与作答的用户；如果学习者参与作答，则答题次数
+1
，同时判断学习者通过测评点个数与测评点个数是否相同，如果相等，则答对题目次数
+1
，同时记录下是在第几次答对；原始数据经过处理，转换成一个记录着学习者对应的总共答题次数，在第几次时答对，答题正确率的数据表；并将数据表中数据划分成为
K
个簇，通过这个
K
的参数值得到参与作答本道题的学习者应该被分为几类，最后依据排序算法，根据前面的聚类结果对不同类别学生赋予分值，最后生成一个学生得分情况与对应试题的
Q
矩阵表
。3.
根据权利要求2所述的一种基于认知负荷的个性化作业分配方法，其特征在于，所述
K
的参数值通过引入了轮廓系数
S
确定，其中其中
a
表示样本点与同一簇中所有其他点的平均距离，即样本点与同一簇中其他点的相似度；
b
表示样本点与下一个最近簇中所有点的平均距离，即样本点与下一个最近簇中其他点的相似度，
S∈(
‑1，
1)。4.
根据权利要求2所述的一种基于认知负荷的个性化作业分配方法，其特征在于，所述将数据表中数据划分成
K
个簇中，给出每个样本数据对应的中心点，具体步骤如下：
①
随机选取
K
个中心，记为
②
定义损失函数：其中
x
i
代表第
i
个样本，
C
i
是
x
i
所属的簇，代表簇对应的中心点，
M
是样本总数，
J
是定义的损失函数；
J(C
，
t)
③
令
z
＝0，1，
2......
为迭代步数，重复如下过程直到
J
收敛：
a:
对于每一个样本
x
i
将
l
其分配到距离最近的中心
b:
对于每一个类中心
K
，重新计算该类的中心
首先固定中心点，调整每个样本所属的类别以减少
J
，再固定每个样本的类别，调整中心点继续减小
J
，两个过程交替循环，
J
单调递减直到最小值，中心点和样本划分的类别同时收敛；
④
在进行
K
‑
means
聚类不断迭代以获得最好的簇
K
的过程中，答题者越早答对，答题正确率越高，则属于更好的那一类；
⑤
最终输出每一道题目对应的
K
值，通过这个
K
值得到参...

【专利技术属性】
技术研发人员：丁国柱，张伟均，
申请(专利权)人：广州泓锐信息技术有限公司，
类型：发明
国别省市：