论文部分内容阅读
自适应学习作为未来影响高等教育发展的关键技术之一,成为教育领域研究的新热点。实施自适应学习的基础在于把每一位学习生当作独特的个体。传统的教育方式并没有考虑学习者对于知识的接纳或吸收方式是不同的。影响最为重大的莫过于学习者的学习风格。学习风格是影响学习者学习质量和效率的重要因素,它决定了学习者适合怎样的学习路线和学习策略。契合的学习策略可以极大地提高学习者的学习兴趣和学习效率。因此针对不同风格的学习个体实施个性化辅助方式是教育大数据工作下的研究热点之一。然而,现有研究大多基于问卷调查或学习者各项网络活动的频率统计,对学习者群体进行风格判断与分类。这些方法忽略了学习者学习过程中的行为规律,并且从结果出发得到的学习风格无法体现学习者的真实行为规律。所以需要一种新的学习风格模型和分析手段,去配合自适应个性化学习的开展。基于学习风格模型的优化,提出一种基于过程的等级偏好学习风格模型。模型通过对学习者的在线学习行为数据进行分析,计算其视听、读写和互动三个维度的偏好值,进而按照等级划分,对其学习风格类型进行判定。通过验证实验证明,等级偏好模型具有较为全面的覆盖度,并且其分类结果与机器学习等聚类算法的分类结果有较大程度的相似,所以认为模型可以适用于学习风格类型判断。基于时间序列的相似性挖掘,提出一种基于级联过滤DTW的学习风格挖掘方法,采用级联下界过滤器对数据集进行筛选,在过滤的同时,对数据进行正则化处理,优化DTW距离计算时的复杂度。级联过滤器按照时间复杂度由低到高的顺序,对数据进行下界过滤,并且提出一种新的下界函数LBDeri,其密封性要优于LBKeogh。最后,对过滤剩下的数据进行DTW计算,得到学习行为相似度最高的分类结果。实验表明,该算法在保证准确率的同时,有效地提高了算法的运算速度,并可适用于最大相似度搜索和时序聚类等相关场景中。