论文部分内容阅读
近十年来,云计算、大数据、人工智能等领域的高速发展打破了教育的边界和模式,将教育的范围扩展到了全世界。同时传统线下教育的互联网化,使得在线教育模式日趋成熟且广泛流行。自2012年慕课兴起以来,在全世界范围内已经吸引了超过一亿的学习者参与课程学习。学习者能随时随地在慕课平台上获取到全世界范围内最优质的学习资源,且能够根据自身的知识背景和个人喜好进行课程的学习,最终实现职业技能提升和综合能力培养等目标。然而,由于当前慕课环境中缺乏师生间有效的交流和监督机制以及高效的协同学习环境,慕课面临着退课率高和课程完成率低等诸多挑战。为此,本文将从数据驱动的角度出发,研究如何对学习者的学习行为模式进行识别与建模,如何对学习者的学习成效进行精准且实时的预测,以及如何为学习者提供有效的协同学习机制。具体而言,本文主要包括以下四个研究工作:
(1)慕课中学习者群体学习风格建模方法研究
慕课环境中教学资源和教学模式的多样化,以及学习者课程参与的灵活性和自主性,需要对学习者的学习模式进行全面且深入的理解,从而为学习者学习成效的精准预测奠定基础。线下教育中的学习风格模型已在教育心理学领域中有了长期和深入的研究,而现有工作中尚缺乏对慕课中学习风格的相关研究。本文从数据驱动的角度出发,首先对学习者多维度的学习行为特征与多类型学习成效间的关联关系进行分析。其次,在数据分析结果的基础上,以教育心理学中的学习风格理论为指导,提出了一个学习者潜在学习风格模型(Latent Learning Style Model,L2S),通过非参数化贝叶斯模型表征学习行为与学习状态序列、学习活跃度以及学习行为动态性等特征,从而实现群体学习行为同质性的识别和建模。最后,我们在edX真实数据集上进行了实验,结果显示L2S模型能够识别出具有可解释性的学习风格以及具有现实意义的学习者群体。
(2)基于Hawkes过程的学习者退课行为预测方法研究
当前慕课中的学习者具有极高的退课率,导致了学习者最终未能完成课程、学习效果提升有限等问题。本文提出了基于群体行为的Hawkes过程学习者分类模型(Group-based Classiifcation Model of Hawkes Process,GCM-HP),对学习者的退课行为进行实时和精准的预测。GCM-HP模型采用Hawkes过程建模学习者课程参与行为的动态性,使用监督分类模型建模学习行为特征与退课行为的相关性。为了进一步识别群体行为的同质性,GCM-HP模型采用层次Dirichlet过程,首先对课程参与行为的同质性聚类,并在此基础上对学习行为特征的相似性自动聚类。此外,本研究基于序列蒙特卡洛方法,提出了增量式的模型参数更新机制。在edX数据集上的实验结果表明,本文方法在学习者退课行为预测效果上好于基准算法。
(3)面向任务的学习者团队形成方法研究
协同学习机制对于学习者的学习效率和能动性的提升已经在教育学领域的研究中得到了证实,而当前工作中对慕课中有效协同学习机制的研究较为缺乏。本文基于社会网络研究中的团队形成算法,依据管理学中的管理宽度理论(Span of Control,SoC),提出了具有管理宽度约束的学习者团队形成问题。基于个体间交互合作行为构建协同合作网络进行,根据待完成任务的需求,本文提出了基于最小合作代价、基于邻居节点信息和基于最大单位距离技能贡献值的团队成员选择方法,实现了最优学习者团队的查询。此外,基于社会网络分析中的亲近中心性,根据协同合作网络中节点属性特征及邻居节点属性信息分布,本文提出了一个γHSCCent团队候选成员的排序策略,提升了团队形成算法的查询效率。我们在真实数据集上进行了多组实验,分别从算法的效果、效率和结果的可解释等方面进行了验证,实验结果表明本文提出的方法能够高效的找到质量优于基准算法的学习者团队,同时最优团队具有较好的现实意义。
(4)支持学习行为预测与协同学习的在线课程系统研究
基于上述慕课中学习者群体学习风格建模、学习成效预测以及协同学习机制等关键技术的研究成果,本研究提出了一个支持学习行为预测与协同学习的在线课程系统。以武汉大学珞珈图腾数据库实验室的课程社区系统为基础,研发了学习行为数据的采集与管理、学习行为特征的提取、学习行为的分析与可视化、学习行为与成效预测及面向任务的群体协同学习平台等功能。
(1)慕课中学习者群体学习风格建模方法研究
慕课环境中教学资源和教学模式的多样化,以及学习者课程参与的灵活性和自主性,需要对学习者的学习模式进行全面且深入的理解,从而为学习者学习成效的精准预测奠定基础。线下教育中的学习风格模型已在教育心理学领域中有了长期和深入的研究,而现有工作中尚缺乏对慕课中学习风格的相关研究。本文从数据驱动的角度出发,首先对学习者多维度的学习行为特征与多类型学习成效间的关联关系进行分析。其次,在数据分析结果的基础上,以教育心理学中的学习风格理论为指导,提出了一个学习者潜在学习风格模型(Latent Learning Style Model,L2S),通过非参数化贝叶斯模型表征学习行为与学习状态序列、学习活跃度以及学习行为动态性等特征,从而实现群体学习行为同质性的识别和建模。最后,我们在edX真实数据集上进行了实验,结果显示L2S模型能够识别出具有可解释性的学习风格以及具有现实意义的学习者群体。
(2)基于Hawkes过程的学习者退课行为预测方法研究
当前慕课中的学习者具有极高的退课率,导致了学习者最终未能完成课程、学习效果提升有限等问题。本文提出了基于群体行为的Hawkes过程学习者分类模型(Group-based Classiifcation Model of Hawkes Process,GCM-HP),对学习者的退课行为进行实时和精准的预测。GCM-HP模型采用Hawkes过程建模学习者课程参与行为的动态性,使用监督分类模型建模学习行为特征与退课行为的相关性。为了进一步识别群体行为的同质性,GCM-HP模型采用层次Dirichlet过程,首先对课程参与行为的同质性聚类,并在此基础上对学习行为特征的相似性自动聚类。此外,本研究基于序列蒙特卡洛方法,提出了增量式的模型参数更新机制。在edX数据集上的实验结果表明,本文方法在学习者退课行为预测效果上好于基准算法。
(3)面向任务的学习者团队形成方法研究
协同学习机制对于学习者的学习效率和能动性的提升已经在教育学领域的研究中得到了证实,而当前工作中对慕课中有效协同学习机制的研究较为缺乏。本文基于社会网络研究中的团队形成算法,依据管理学中的管理宽度理论(Span of Control,SoC),提出了具有管理宽度约束的学习者团队形成问题。基于个体间交互合作行为构建协同合作网络进行,根据待完成任务的需求,本文提出了基于最小合作代价、基于邻居节点信息和基于最大单位距离技能贡献值的团队成员选择方法,实现了最优学习者团队的查询。此外,基于社会网络分析中的亲近中心性,根据协同合作网络中节点属性特征及邻居节点属性信息分布,本文提出了一个γHSCCent团队候选成员的排序策略,提升了团队形成算法的查询效率。我们在真实数据集上进行了多组实验,分别从算法的效果、效率和结果的可解释等方面进行了验证,实验结果表明本文提出的方法能够高效的找到质量优于基准算法的学习者团队,同时最优团队具有较好的现实意义。
(4)支持学习行为预测与协同学习的在线课程系统研究
基于上述慕课中学习者群体学习风格建模、学习成效预测以及协同学习机制等关键技术的研究成果,本研究提出了一个支持学习行为预测与协同学习的在线课程系统。以武汉大学珞珈图腾数据库实验室的课程社区系统为基础,研发了学习行为数据的采集与管理、学习行为特征的提取、学习行为的分析与可视化、学习行为与成效预测及面向任务的群体协同学习平台等功能。