基于复杂网络理论的在线学习分组方法与流程

本发明涉及在线教育领域，具体涉及基于复杂网络理论的在线学习分组方法。

背景技术：

mooc(massiveopenonlinecourses，大型开放式网络课程)等在线开放课程在蓬勃发展的同时也暴露出了一些不足，在线课程的大规模以及师生时空分离的特性使得针对性指导缺失，导致学习者的参与度和互动不足，学习存在孤独感，学习体验缺乏完整性等，最终影响在线学习的效果。

合作学习是在线教育的一大趋势，促进学习者之间的合作学习及与教师的对话以达成视域融合为目的协同创新教学是在线教育的重要特征。在师生时空分离的在线学习情境下，合作学习强调各个主体之间的相互作用、交流、沟通与理解，从而消除学习孤单感以及获得自我价值的成长感，而学习小组的划分则是合作学习的首要环节。

目前的在线学习分组方法主要是依靠教师人为指定或随机分组，但是，人为指定的工作量大、管理困难，而随机分组则缺乏对学习者特征的有效分析，随意性大、适用性差。

有鉴于此，在大规模在线学习系统中，急需简化在线学习小组划分的工作量，以提高其效率、有效性及适用性。

技术实现要素：

本发明所要解决的技术问题是在大规模在线学习系统中，简化在线学习小组划分的工作量，以提高其效率、有效性及适用性。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于复杂网络理论的在线学习分组方法，包括以下步骤：

在大规模在线学习系统中，获取能够多维度反映学习者人格特质的数据集合；

获取学习者学习成绩，并结合获取的反映学习者人格特质的数据集合构建复合欧式距离；

将每个学习者视为学习者网络中的一个节点，构建学习者网络；

利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组。

在上述技术方案中，将学习小组中节点介数最大的节点作为该学习小组的学习领袖。

在上述技术方案中，将每个学习者视为学习者网络中的一个节点，构建学习者网络，具体为：

设定各节点之间的复合欧式距离阈值，当两节点之间的复合欧式距离小于或等于复合欧式距离阈值时，则认为两节点之间有边的连接；

当两节点之间的复合欧式距离大于复合欧式距离阈值时，则认为两节点之间不存在连接关系。

在上述技术方案中，复合欧式距离阈值为学习者网络中全部节点的复合欧式距离的平均值的n倍，0.3≤n≤1.5。

在上述技术方案中，复合欧式距离表示为：

其中，d为复合欧式距离；d1为学习者学习成绩的欧式距离；d2为学习者人格的欧氏距离；α为d1的权重；β为d2的权重；α+β＝1。

在上述技术方案中，利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组，具体包括以下步骤：

将学习者网络中的每个节点分别看作一个社团；

将有边相连的社团依次进行合并；

计算合并后形成的新社团的模块度，直至整个学习者网络的模块度最大，得到的新社团即为学习小组；

根据贪婪算法的原则，每次合并的方向沿着学习者网络的模块度增加最大或模块度减少最小的方向进行，每次合并将减少一定数量的社团，同时，学习者网络的结构也会相应的更新，直至将有边相连的节点合并到一个社团。

在上述技术方案中，贪婪算法的具体过程如下：

定义一个n×n维的数组对称矩阵e＝[eij]；

其中，n为学习者网络划分的社团数，在初始时，n为学习者网络中的节点数；

定义数组对称矩阵e的每行或者每列中各元素之和为ap＝∑jeij；

其中，m为学习者网络的总边数，kp为节点p的模块度；

依次合并有边相连的社团，计算新社团的模块度，重复上述过程，直至整个学习者网络的模块度最大。

在上述技术方案中，学习者的活跃度通过点度来表示，学习者的点度中心性为点出度和点入度的综合，第i学习者的活跃度综合评价值如下所示：

ai＝αi×outdi+βi×indi；

其中，ai表示第i学习者的活跃度综合评价值；outdi和indi分别表示第i学习者的点出度和点入度；αi和βi分别表示第i学习者的点出度和点入度的权重，αi+βi＝1。

在上述技术方案中，学习者的影响力通过接近中心度和间距中心度表示，第i学习者的影响力综合评价值如下所示：

ii＝γi×cc+μi×cb；

其中，ii表示第i学习者的影响力综合评价值；cc和cb分别表示第i学习者的接近中心度和间距中心度；γi和μi分别表示第i学习者的接近中心度和间距中心度的权重，γi+μi＝1。

本发明在大规模在线课程的教学与管理中，采用多维数据聚类算法，在无须人工干预的情况下，从利用异构、多维、海量的学习者大数据中发现学习风格、学习者特征接近的学习者，并将这些学习者自动聚类为一个在线学习小组，从而实现了在线学习小组科学合理的快速划分，简化了在线学习小组划分的工作量，提高了效率、有效性及适用性。

附图说明

图1为本发明提供的一种基于复杂网络理论的在线学习分组方法的流程图；

图2为本发明提供的学习者人格特质的数据集合构建过程图；

图3为本发明提供的学习者网络中社团划分的示意图。

具体实施方式

在大规模在线课程的教学与管理中，为了简化在线学习小组划分的工作量，以提高在线学习小组划分的效率、有效性及适用性，本发明实施例提供了一种基于复杂网络理论的在线学习分组方法，采用多维数据聚类算法，在无须人工干预的情况下，从利用异构、多维、海量的学习者大数据中发现学习风格、学习者特征接近的学习者，并将这些学习者自动聚类为一个在线学习小组，从而实现了在线学习小组科学合理的快速划分，简化了在线学习小组划分的工作量，提高了效率、有效性及适用性。

同时，结合复杂网络理论及其社团特性，利用介数(反映相应的节点或者边在整个网络中的作用和影响力)的概念，使用节点介数作为发现学习领袖的指标，将在线学习小组中节点介数最大的节点(每一个学习者视为学习网络中的一个节点)选为学习领袖，学习领袖是在线学习过程中活跃度高、成绩优秀、对学习互动和深度学习具有引领作用的个体，可以担任助教的角色，从而实现高足弟子传授的教学效果。

下面结合说明书附图和具体实施方式对本发明做出详细的说明。

如图1所示，本发明实施例提供的一种基于复杂网络理论的在线学习分组方法包括以下步骤：

s10、在大规模在线学习系统中，采集能够反映学习者认知风格的学习行为数据data-c，并结合预设的学习风格偏好数据data-d，获取能够多维度反映学习者人格特质的数据集合。

如图2所示，采集在线学习系统中学习者访问论坛时间、论坛发帖量/读帖量，学习者浏览具体/抽象/实例/知识树/文本/视频/图表(图像)等内容的时间、频次，并与整个学习时长进行比较，确定学习者的行为模式，通过学习风格量表ai＝αi×outdi+βi×indi进行量化计算，将得到的学习者认知风格按照活跃型/沉思型、感悟型/直觉型、视觉型/言语型、序列型/综合型等进行分类。学习者人格特质包括外倾性、宜人性、责任感、神经质和经验开放性等。

s11、获取学习者学习成绩，并结合获取的反映学习者人格特质的数据集合构建复合欧式距离。

获取学习者学习成绩具体为：获取学习者的过程性评价(单元测验、学习时长、参与讨论频次与质量、互评次数与质量、活跃度、发帖回帖量等)和终结性评价，并加权形成总成绩，总成绩只用于反应在线学习者的学习效果。

复合欧式距离包括学习者学习成绩的欧式距离和学习者人格特质的欧氏距离，表示为：

其中，d为复合欧式距离；d1为学习者学习成绩的欧式距离；d2为学习者人格特质的欧氏距离；α为欧式距离d1的权重；β为欧氏距离d2的权重；α+β＝1。

上述学习者学习成绩的欧式距离d1的维度包括：来自于数据data-a——选课记录、参与的社团、竞赛、讲座和图书借阅记录等第二课堂信息；以及来自于数据data-b——在线学习应答正确率、解决问题所用时间及修改次数、总的学习时长、做笔记次数、发帖数量、回帖数量、课件浏览成绩、课内讨论成绩、客观练习成绩、主观练习成绩、线上成绩和线下成绩。

上述学习者人格特质的欧氏距离d2的维度包括：来自于学习行为数据data-c——浏览具体/抽象/实例/知识树/文本/视频/图表等内容的频次和时间及比例；朋友数(对于单向链接的微博，又分为关注数与被关注数)、短信息、评论、相片/相册、活动、爱好、音乐、电影、认知风格等内容的数量；文本信息中工作相关词、叹号等参数的数量；以及来自于预设的学习风格偏好数据data-d。

为了消除各个指标之间的量纲影响，以解决指标之间的可比性，采用min-max标准化(min-maxnormalization)的方法对数据data-a、数据data-b、学习行为数据data-c和预设的学习风格偏好数据data-d进行归一化，使得复合欧式距离d的值映射到[0-1]之间。

s12、构建学习者网络。

具体地，将每个学习者视为学习者网络中的一个节点，设定各节点之间的复合欧式距离阈值，其中，选择全部节点的复合欧式距离的平均值的n倍作为复合欧式距离阈值，0.3≤n≤1.5，当节点之间的复合欧式距离小于或等于复合欧式距离阈值时，则认为节点之间有边的连接；当节点之间的复合欧式距离大于复合欧式距离阈值时，则认为节点之间无连接。

s13、利用贪婪算法(fastcommunity算法)依次对有边连接的各个节点进行合并，自动聚类划分为学习小组。

如图3所示，为学习者网络中社团划分的示意图，首先，将学习者网络中的每个节点分别看作一个社团；其次，再将有边相连的社团依次进行合并，根据贪婪算法的原则，每次合并的方向沿着学习者网络的模块度增加最大或模块度减少最小的方向进行，每次合并将减少一定数量的社团，同时，学习者网络的结构也会相应的更新，直至将有边相连的节点合并到一个社团；最后，重新计算合并后形成的新社团的模块度，直至整个学习者网络的模块度最大。在本实施例中，可以认为一个社团就是一个学习小组。

fastcommunity算法的具体过程如下：

定义一个n×n维的数组对称矩阵e＝[eij]；

其中，n为学习者网络划分的社团数，在初始时，n为学习者网络中的节点数；

定义数组对称矩阵e的每行或者每列中各元素之和为ap＝∑jeij；

其中，m为学习者网络的总边数，kp为节点p的模块度；

依次合并有边相连的社团，计算新社团的模块度q值，重复上述过程，直至整个学习者网络的模块度q值最大。

在学习小组中，将每个学习小组中节点介数最大的节点作为该学习小组的学习领袖，学习领袖是在线学习过程中活跃度高、成绩优秀、对学习互动和深度学习具有引领作用的个体。

活跃度通过点度(degreecentrality)来表示，一个学习者的点度中心性为点出度和点入度的综合，第i学习者的活跃度综合评价值ai定义为：

ai＝αi×outdi+βi×indi；

其中，outdi和indi分别表示第i学习者的点出度和点入度；αi和βi分别表示第i学习者的点出度和点入度的权重，αi+βi＝1。

影响力通过接近中心度和间距中心度表示，将第i学习者的影响力综合评价值ii定义为：

ii＝γi×cc+μi×cb；

其中，cc和cb分别表示第i学习者的接近中心度和间距中心度；γi和μi分别表示第i学习者的接近中心度和间距中心度的权重，γi+μi＝1。

本发明不局限于上述最佳实施方式，任何人在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。