面向网络学习学习者个性挖掘研究.docVIP

面向网络学习学习者个性挖掘研究 　　摘 要： 提出了一种面向个性化网络学习的学习者个性挖掘（Personality mining）及自适应学习策略生成的解决思路，即：通过对样本学习者的个性调查和学习行为模式的分析，挖掘出“行为模式-个性-学习策略”三者之间的关联关系，并据此实现学习者个性的自动获取与自适应学习策略的生成，为学习者提供网络学习的策略推荐。 　　关键词： 网络学习； 个性挖掘； 行为模式； 策略推荐 　　中图分类号：TP3 文献标志码：A 文章编号：1006-8228（2015）03-30-03 　　Abstract： This paper propose a personalized network learning learners oriented personality mining method and idea of adaptive learning strategy generation. that is， through the analysis of the samples of the learners personality investigation and learning behavior， to dig out the incidence relationship between behavior patterns-personality-learning strategies of the three， and then to realize the learners personality automatic acquisition and adaptive learning strategy generation， and to provide recommendations of network learning strategy for the learners. 　　Key words： online learning； personality mining； behavior pattern； policy recommendation 　　0 引言 　　目前，网络学习技术和应用还主要集中在如何运用多媒体网络技术突破传统教学的时空限制这一基本问题上，而在如何满足学习者个性化自适应学习需求方面还很欠缺。能否根据学习者的个性特征设计自适应的学习策略并提供合适的学习内容是决定学习效率的关键。因此，人们逐渐开始探究网络学习的个性化机理，以及个性特征与学习策略、学习内容之间的关系等一系列问题。 　　个性化网络学习逐渐成为研究的热点，研究主要集中在学习内容的个性化导航和学习策略的个性化设计两个方面。前者是指网络学习系统针对学习者的学习目标、认知水平等因素提供相应学习内容；后者则是指网络学习系统根据学习者性格、动机、偏好、风格等非智力因素确定学习环节的组织、传递和管理方法。 　　1 学习者模型和数据收集 　　学习者模型是个性化网络学习的前提与基础，是对某个或某类学习者的抽象。学习者个性挖掘过程也就是学习者模型建立与完善的过程。目前，典型的学习者模型为IEEE 1484.13 PAPI（public and private information）[1]，它从个人资料、学业、管理、关系、安全、偏好、绩效和作品集八个方面描述学习者。但由于该模型还缺少对学习者非智力因素（如性格、动机、风格等）的描述，因而还不足以作为个性化学习策略的制定依据。以现代教育理论为指导，在IEEE l484.13模型的基础上进一步引入卡特尔16种性格特征、动机模式、学习风格等对学习者非智力因素的描述，建立更加完善的、能够综合反映学习者个性与行为特征的学习者模型，从而为个性挖掘以及自适应学习策略的生成提供了基础。 　　2 学习者个性挖掘机理 　　与其他领域的数据挖掘相比，网络学习环境下学习者的个性挖掘更具有复杂性、动态性、分散性等特点。复杂性体现在学习者学习行为模式异构多样，个性模式维数较多且属性值多为数值型等；动态性体现在学习日志数据的内容不断更新；分散性则体现为数据来源广泛，不仅包括各种个性测量表，还包括系统记录的学习日志和网页内嵌机制采集的学习行为数据。简单地采用常规数据挖掘算法，会导致挖掘过程复杂度高，效率与精度低下。针对上述问题，提出个性挖掘工作机理，如图2所示。 　　首先，通过对样本学习者进行个性调查和日志收集，获得个性数据、行为数据以及学习策略数据，通过数据预处理对垃圾数据进行清型、整合、归约。基于粗糙集理论的个性属性归约可实现个性数据的降维，获取对学习策略影响重要程度高的个性特征属性。它依据学习者的个性属性间存在的关联关系，并鉴于各自对学习策略的影响程度有显著差别，因此约