一种在线学习的网络自适应控制系统及控制方法与流程

本发明属于网络教学技术领域，尤其涉及一种在线学习的网络自适应控制系统及控制方法。

背景技术

目前，业内常用的现有技术是这样的：

学习理论是针对人类在学习过程中的行为方法和模式进行研究从而产生的理论体系，其中对于学习风格的研究一直是学习理论的重要组成部分。学习风格是描述学习者如何感知信息，如何与学习环境相互作用并对之作出反应的相对稳定的特征标度。学习风格理论的研究始于20世纪50年代，心理学、教育学和管理学等领域的学者们发展岀了众多理论流派并提出了相应的学习风格模型。虽然不同流派对学习风格的定义并不统一，但是对学习风格这一概念的本质特性的认识是基本一致的：学习风格有三个特性，即习惯性、独特性和相对稳定性。对于学习者来说，了解自己的学习风格可以使他们有能力规划自己的学习计划、优化自己的学习路径，也可以使他们提高自信，从而提高学习的效率。随着网络技术的发展，网络教育、智能教育和远程教育已经成为了重要的学习方式。学习理论也正在一步步地被应用于网络智能教育，其作用主要是通过研究网络学习者的学习模式和学习行为来指导网络教育系统的完善，其中最典型的领域是在线学习的“自适应学习系统”(adaptivelearningsystem)。

在线学习(onlinelearning/e-learning)是指以通讯技术、计算机技术为基础，利用网络、人工智能和多媒体等构成的电子环境下进行的学习活动。大规模开放在线课堂(mooc)的推广使得在线学习越来越普及，如今在线学习已成为构建继续教育和终身学习体系的重要手段。层出不穷的在线学习平台在提供了优质教育资源的同时，却存在着一个重要缺陷：面对海量的资源，学习者不知应当如何选择最适合自己的学习资源和学习路径，因此无法完全地发挥在线学习平台资源多、和开放性的优势。在此背景下，产生了一种新的学习方式，即智慧学习(s-learningorsmartlearning)。智慧学习利用大数据的支持，在学习平台中应用人工智能技术，使得人们可以得到多种多样的学习支持(如智能搜索，资源反馈等)。自适应学习系统是智慧学习的主要表现形式，自适应学习系统能够根据不同学生的学习风格和特点使学习资源进行自动的适应变化。系统根据学习者模型中的相关信息，依照系统中的检索规则，从领域知识模型中取学习资源，以不同的内容、形式等为用户定制个性化的课程，最大限度地满足学习者的个性化差异。而这些功能的实现可以通过研究学习者的在线学习风格来完成。

而在智慧学习系统上使用学习风格的问题是目前现有的学习风格模型并不能完全适用于智慧学习的环境，这些学习风格模型都是基于传统学习行为发展出来的，而与传统学习行为相较，在线学习者的学习风格进化出了很多新的特性是无法完全用传统学习风格模型来描述的。比如在环境上传统学习的环境一方面在时间、空间上有所限制，社群活动限于固定的师生和同学间的交流互动，容易对学习者体验造成“枯燥无聊”的印象；另一方面严格、规律的教学活动能够督促学习者持续学习。而在线学习的学习环境有网络的灵活性特点，在时间和地点上相对随意，学习者的学习活动可以完全按照意愿进行，在提高了学习者的自主性的同时也要求学习者有较高的自律能力；在学习的社群互动上，在传统学习中学习者的知识获取主要来自于老师，交流互动也仅限于周围同班同级的同学，有限的群体互动使得学习者所能获取的知识和反馈具有局限性，在线学习提供了学习者互动交流的平台，通过与不同背景、不同职业的其他学习者共享学习信息，学习者拓宽了知识来源渠道。由此看来提出针对于网络学习环境的学习者学习风格模型是十分必要的。

综上所述，现有技术存在的问题是：

目前在网络自适应学习系统中应用的学习模型技术都是照搬了前人提出的既有模型，而在这些模型都是在基于传统学习环境下建立的，如前文所示，它们并不能完全适应网络在线学习的特性。

解决上述技术问题的意义：

本发明通过将传统学习风格模型与在线学习的新特性，设计出适应于在线学习系统的“在线学习风格模型”。这一模型理论能够应用于自适应学习系统的开发中，从而实现针对用户的学习材料推荐、学习路径定制和网络学习环境订制等功能。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种在线学习的网络自适应控制系统及控制方法，

本发明是这样实现的，一种在线学习的网络自适应控制方法，所述的在线学习的网络自适应控制方法包括：

运用学习风格模型将用户的学习风格表示为八个维度的向量模式：在线学习风格模型根据用户对不同学习资源和学习行为的偏好，将用户对应为一个八维度向量，每个维度分别代表用户的在线学习风格的动机、交流、视觉、言语、感悟、直觉、序列和综合的倾向性；

通过分析用户在自适应学习系统的浏览记录统计用户的学习活动：根据用户的浏览记得到用户对学习材料和学习行为的偏好，得到用户的在线学习风格。

运用学习风格模型将用户的学习风格表示为八个维度的向量模式：本发明的在线学习风格模型根据用户对不同学习资源和学习行为的偏好，将用户对应为一个八维度向量，其每个维度分别代表用户的在线学习风格的动机、交流、视觉、言语、感悟、直觉、序列和综合的倾向性。

具体有：

为了得出用户的学习风格，本发明通过研究用户在自适应学习系统的浏览记录统计用户的学习活动：用户在平台的学习活动是通过浏览不同的网页(即学习材料)实现的，本发明将所有的学习材料根据在线学习风格模型进行标注，例如将一个论坛页面标注为“交流型学习材料”，将一个带有大量图片的课程总结标注为“综合型和视觉性学习材料”。根据用户的浏览记录本发明可以得到用户对学习材料和学习行为的偏好，从而得到该用户的在线学习风格。

进一步，在线学习风格的动机、交流、视觉、言语、感悟、直觉、序列和综合的倾向性，具体包括：

1)动机：

情感类。具有很强动机性的学习者会主动发现新的知识领域、积极地参与学习活动。在在线学习平台上这一类学习者的表现主要体现在花费较多时间在学习平台上进行学习活动，经常搜索新的学习主题和讨论话题等。

2)交流：

社群类。具有很强的交流倾向的学习者对自己的问题和见解有很强的表达欲望，这类学习者通常会经常在学习论坛或课程评论区里提问后解答问题。

3)视觉：

生理类。视觉型学习者倾向于利用视觉感官来获取和处理信息，表现在对视觉型材料较为敏感，接受率强。一般相较于文字信息，这类学习者更喜欢利用图表、动态多媒体教学材料等学习和总结知识。如果学习者在在线学习平台上更加频繁地利用图片、视频等视觉型材料来学习，本发明就认为学习者的视觉性特征较强。

4)言语：

生理类。言语型学习者与视觉型学习者不同的是他们更倾向于利用文字材料进行学习，这类材料包括但不限于文章、论文、公开课等。本发明可以通过学习者对这些材料的利用程度来衡量学习者言语性学习特征。

5)感悟：

心理类。感悟型学习者更倾向于学习事实性强、解释较为详尽的学习材料。他们更容易理解既有的、格式化的解决问题的过程，但是往往不喜欢使用抽象化、概念化较高的学习内容。感悟型学习者在学习的过程中会更加关注细节性内容，对待习题和实践性内容更加耐心。这类学习者在学习平台上大多会关注实践性较强的课程，会浏览详尽的学习材料，依顺序查看习题，案例分析等材料。

6)直觉：

心理类。直觉型学习者与感悟型学习者相反，他们更加偏好概念性强的课程，对课程的整体结构会有更好地理解。他们会更容易理解抽象化、理念性的课程概念，更积极地探索课程外的超纲内容，但是对按部就班的学习程序和案例研究显得较缺乏耐心。这类学习者在在线学习的平台上通常表现为跳跃性较强，他们选择的课程通常也会对抽象化和数学基础要求较高。

7)序列：

心理类。序列型学习者在学习的过程中会更好地跟随课程安排，由浅及深、由简单到复杂地学习和理解内容。

8)综合：

心理类。综合型学习者会更主动地使用课程总结、课程概览等材料来对学习内容有一个全面性的了解，然后选择不同的模块进行学习或加强。

进一步，对于学习者x，在线学习风格模型olsx表示为：

olsx＝(dmot，dcom，dvis，dver，dsen，dint，dseq，dglo)(1)

其中di分别是学习风格在8个维度的取值，每个维度的取值di又由此维度所关联的学习行为ai1，...，ain得出：

在公式(2)中，对于每个学习风格维度di和学习行为aij，都有一个与之对应的权重ωij，这个权重表示学习行为aij对学习风格di的贡献；

本发明的另一目的在于提供一种实现所述在线学习的网络自适应控制方法的计算机程序。

本发明的另一目的在于提供一种实现所述在线学习的网络自适应控制方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的在线学习的网络自适应控制方法。

本发明的另一目的在于提供在线学习的网络自适应控制系统包括：

动机学习特征模块，在在线学习平台上花费较多时间在学习平台上进行学习活动，经常搜索新的学习主题和讨论话题；

交流学习特征模块，在学习论坛或课程评论区里提问后解答问题；

视觉学习特征模块，在在线学习平台上频繁地利用图片、视频视觉型材料学习；

言语学习特征模块，利用文字材料进行学习文章、论文、公开课；

感悟学习特征模块，在学习平台上关注实践性强的课程，浏览详尽的学习材料，依顺序查看习题，案例分析材料；

直觉学习特征模块，积极地探索课程外的超纲内容，在在线学习的平台上选择抽象化和数学基础要求较高课程；

序列学习特征模块，跟随课程安排，由浅及深、由简单到复杂地学习和理解内容；

综合学习特征模块，使用课程总结、课程概览材料来对学习内容全面性了解，然后选择不同的模块进行学习或加强。

本发明的另一目的在于提供一种搭载所述在线学习的网络自适应控制系统网络教学平台。

综上所述，本发明的优点及积极效果为：

本发明提供的一种在线学习的网络自适应控制系统及控制方法，在线学习风格模型(ols)总结经典的学习风格模型并在其基础上结合网络学习行为的特点和特性，相较于原有的学习风格模型更加适应在线学习的特殊应用情景，能作为理论基础应用于智慧学习和自适应学习系统的系统设计中；

本发明运用学习风格模型将用户的学习风格表示为八个维度的向量模式：在线学习风格模型根据用户对不同学习资源和学习行为的偏好，将用户对应为一个八维度向量，每个维度分别代表用户的在线学习风格的动机、交流、视觉、言语、感悟、直觉、序列和综合的倾向性；

通过分析用户在自适应学习系统的浏览记录统计用户的学习活动：根据用户的浏览记得到用户对学习材料和学习行为的偏好，得到用户的在线学习风格。

在线学习提供了学习者互动交流的平台，通过与不同背景、不同职业的其他学习者共享学习信息，学习者拓宽了知识来源渠道；学习环境有网络的灵活性特点，在时间和地点上相对随意，学习者的学习活动可以完全按照意愿进行，在提高了学习者的自主性的同时也要求学习者有较高的自律能力。

总体上，在线学习风格ols模型有取舍地总结了影响在线学习风格的八个特征，解决了现有模型片面化、简单化和适用性低的问题。和经典的学习风格模型对比，主要有以下创新点：

1)以在线学习者的行为方式及特征为出发点，对学习者的不同浏览偏好进行合理的抽象，同时对应部分经典的学习风格模型，具有坚实的理论基础。

2)建立了相对完备的理论结构。从邓恩夫妇的学习风格要素出发，完整地对学习者学习风格进行描述，而不是只考虑某一层面的学习者偏好。

3)特征互不对立。在前人的模型中，每一维度上的特征都是对立存在(如在felder-silverman模型中一个学习者只能是视觉型或言语型)，但现实中学习者可能对于不同的学习内容采取不同的学习策略，故可能两者的特性都具有。如果某学习者对“序列”、“综合”两个看似矛盾的特征选择了同样的分数，则恰巧说明此学习者在学习时善于变化，有能力去改变自己的习惯去学习不同的课程。所以，与其他学习风格模型都不同的一点是，ols模型中的八个特征是可以同时存在的，力求对在线学习者的特征进行描述，而不是将学习者绝对地判定到某个特定类型。

4)特征易于量化。前人模型中的维度与特征过于抽象，难于量化，在传统教育模式下只能通过调查问卷的方式诊断学习风格，过于主观。而在线学习风格侧重于学习风格与行为偏好的紧密联系，如动机和交流维度，在自适应学习系统中易于衡量。

附图说明

图1是本发明实施例提供的本发明实施例提供的在线学习的网络自适应控制系统示意图。

图中：1、动机学习特征模块；2、交流学习特征模块；3、视觉学习特征模块；4、言语学习特征模块；5、感悟学习特征模块；6、直觉学习特征模块；7、序列学习特征模块；8、综合学习特征模块。

图2是本发明实施例提供的聚类可视化效果示意图。

图3是本发明实施例提供的学习风格分析图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供的提供在线学习的网络自适应控制系统包括：

动机学习特征模块1，在在线学习平台上花费较多时间在学习平台上进行学习活动，经常搜索新的学习主题和讨论话题；

交流学习特征模块2，在学习论坛或课程评论区里提问后解答问题；

视觉学习特征模块3，在在线学习平台上频繁地利用图片、视频视觉型材料学习；

言语学习特征模块4，利用文字材料进行学习文章、论文、公开课；

感悟学习特征模块5，在学习平台上关注实践性强的课程，浏览详尽的学习材料，依顺序查看习题，案例分析材料；

直觉学习特征模块6，积极地探索课程外的超纲内容，在在线学习的平台上选择抽象化和数学基础要求较高课程；

序列学习特征模块7，跟随课程安排，由浅及深、由简单到复杂地学习和理解内容；

综合学习特征模块8，使用课程总结、课程概览材料来对学习内容全面性了解，然后选择不同的模块进行学习或加强。

本发明实施例提供的在线学习的网络自适应控制方法包括：

运用学习风格模型将用户的学习风格表示为八个维度的向量模式：在线学习风格模型根据用户对不同学习资源和学习行为的偏好，将用户对应为一个八维度向量，每个维度分别代表用户的在线学习风格的动机、交流、视觉、言语、感悟、直觉、序列和综合的倾向性；

通过分析用户在自适应学习系统的浏览记录统计用户的学习活动：根据用户的浏览记得到用户对学习材料和学习行为的偏好，得到用户的在线学习风格。

本发明实施例提供的通过筛选出典型的“在线学习风格特征”，建立4类8个维度的在线学习风格模型，对每个特征的典型的网络在线学习行为进行描述；

动机学习特征，具有很强动机性的学习者会主动发现新的知识领域、积极地参与学习活动；在在线学习平台上这一类学习者的表现主要体现在花费较多时间在学习平台上进行学习活动，经常搜索新的学习主题和讨论话题等；

交流学习特征，具有很强的交流倾向的学习者对自己的问题和见解有很强的表达欲望，这类学习者通常会经常在学习论坛或课程评论区里提问后解答问题；

视觉学习特征，视觉型学习者倾向于利用视觉感官来获取和处理信息，表现在对视觉型材料较为敏感，接受率强；一般相较于文字信息，这类学习者更喜欢利用图表、动态多媒体教学材料等学习和总结知识；如果学习者在在线学习平台上更加频繁地利用图片、视频等视觉型材料来学习，本发明就认为学习者的视觉性特征较强；

言语学习特征，言语型学习者与视觉型学习者不同的是他们更倾向于利用文字材料进行学习，这类材料包括但不限于文章、论文、公开课等；本发明可以通过学习者对这些材料的利用程度来衡量学习者言语性学习特征；

感悟学习特征，感悟型学习者更倾向于学习事实性强、解释较为详尽的学习材料；他们更容易理解既有的、格式化的解决问题的过程，但是往往不喜欢使用抽象化、概念化较高的学习内容；感悟型学习者在学习的过程中会更加关注细节性内容，对待习题和实践性内容更加耐心；这类学习者在学习平台上大多会关注实践性较强的课程，会浏览详尽的学习材料，依顺序查看习题，案例分析等材料；

直觉学习特征，直觉型学习者与感悟型学习者相反，他们更加偏好概念性强的课程，对课程的整体结构会有更好地理解；他们会更容易理解抽象化、理念性的课程概念，更积极地探索课程外的超纲内容，但是对按部就班的学习程序和案例研究显得较缺乏耐心；这类学习者在在线学习的平台上通常表现为跳跃性较强，他们选择的课程通常也会对抽象化和数学基础要求较高。

序列学习特征，序列型学习者在学习的过程中会更好地跟随课程安排，由浅及深、由简单到复杂地学习和理解内容；

所述综合学习特征，综合型学习者会更主动地使用课程总结、课程概览等材料来对学习内容有一个全面性的了解，然后选择不同的模块进行学习或加强。

本发明实施例提供的在线学习风格模型，自适应学习系统中将学习者x的在线学习风格olsx表示为：

olsx＝(dmot，dcom，dvis，dver，dsen，dint，dseq，dglo)(1)

其中di分别是学习风格在上述8个维度的取值，每个维度的取值di又由此维度所关联的学习行为ai1，...，ain得出：

在公式(2)中，对于每个学习风格维度di和学习行为aij，都有一个与之对应的权重ωij，这个权重表示学习行为aij对学习风格di的贡献。有些学习行为可能和多个特征关联，但对特征值的影响占的比重不同(例如某个学习者浏览论坛的行为，不仅可以增高他交流维度的数值，也会同样影响动机维度的数值，但影响会稍小一些，不然会造成两个维度相似系数过高，使维度的划分失去意义)。通过上式根据学习者的学习行为推导出的学习风格向量olsx是对学习者学习风格的较为准确的表示。

本发明提供的的4类8个维度的在线学习风格模型如表1所示。

表1

下面结合具体分析对本发明作进一步描述。

本发明实施例提供的在线学习的网络自适应控制系统包括：

学习行为分类模块，通过4类8个维度的在线学习风格模型，将不同类型的学习行为分类；

不同类型的学习资源和学习路径提供模块，基于在线学习风格为不同类型的用户提供不同类型的学习资源和学习路径。

学习行为分类模块包括：

动机学习特征模块，用于进行学习活动，搜索新的学习主题和讨论话题；

交流学习特征模块，在学习论坛或课程评论区里提问后解答问题；

视觉学习特征模块，利用图表、动态多媒体教学材料学习和总结知识；

言语学习特征模块，利用文字材料进行学习，衡量学习者言语性学习特征；

感悟学习特征模块，浏览详尽的学习材料，依顺序查看习题，案例分析材料；

直觉学习特征模块，理解抽象化、理念性的课程概念，探索课程外的超纲内容；

序列学习特征模块，跟随课程安排，由浅及深、由简单到复杂地学习和理解内容；

综合学习特征模块，选择不同的模块进行学习或加强。

下面结合实施例对本发明进行进一步说明。

实施例1

为了验证本发明的有效性和应用能力，设计了《在线学习风格量表》，通过问卷调查的形式，经过数据的整理和挖掘，根据数据分析的结果和本发明提出的在线学习风格理论，总结出集中有代表性的学习者模型。

通过在线学习风格量表，有针对性地通过对学习者学习行为模式得到学习者的学习风格。

本发明基于学习风格特征，结合网络教育在学习内容、学习活动等方面的特点，并参考已有经典学习风格模型的相关实验，设计了学习风格各维度的测量项目，最终得到《在线学习风格测量》量表初版，量表共包含23个测量题目，为避免题目繁多，造成测试者疲劳，对每个特征只指定了2-3道题目，每道题针对频率进行提问。为了避免区分性低的中性回答，同时便于之后的比较与计算，量表只设定了“0(从未)”、“1(很少)”、“2(一般)”、“3(经常)”四个选项。为了保证最后结果的有效性本发明也设置了测谎题，用来对结果进行筛选。在验证量表的可靠性和有效性后，作者在问卷星(https://www.sojump.com/)平台制作并发布了量表，一周时间内共收到380份填写结果。得到测试结果后，本文利用k-means聚类算法对测试结果进行聚类分析，并希望从聚类结果中能窥见在线学习风格的一些模式，并最终根据本文提出的在线学习风格理论得到在线学习者模型。

通过数据处理和聚类分析，可以将调查问卷所得到的结果分为五类，聚类的二维可视化效果图和聚类结果如图2所示；聚类中心点如表2所示；

表2聚类中心点

通过雷达图对5个不同类别进行描述。如图3所示，八个维度很好地区分出了各种类别的学习者。尤其在动机、交流、序列这三个维度上，不同类别学习者的重合并不明显，可以很好地看出学习者之间的区别。

如图3所示，可以更直观地看出这5类学习者的特点和符合此情况的人群：

a.目的型学习者：在学习过程中会比较跳跃地学习，不太注重学习的递进顺序。此类学习者根据自己想要了解的知识点进行学习，在学习过程中有自己的节奏，很可能是一些已经具有某种领域背景的学习者，通过网络对自己已经有的知识进行查漏补缺。

b.任务型学习者：在各个维度较一致，但都相对其他类型的数值小一些。此类学习者在网络平台的行为相对较少，可能是按要求进行网络学习的学生，他们的动机最弱，且由于所修在线课程的各种限制(如所有学习者都必须按老师的要求学习某节在线课程，学习资源缺乏多样性)，因此在学习平台中并不活跃。

c.自学型学习者：在各个维度的值都比其他类别要大，尤其是在交流维度和视觉维度。可见此类学习者热爱且擅长在线学习，同时积极与他人交流，对视频、文字等教程的理解能力都高于他人，接收信息能力强，可能是擅长自学的学习者。

d.稳定型学习者：在各个维度都处在所有类别的平均值的位置，可能是长期进行在线学习，已形成稳定习惯的学习者。

e.传统型学习者：在各个维度的值不太一致，在动机和视觉维度的值明显突出，同时在序列维度的值也高于其他类别。该类学习者可能经常在视频学习平台进行学习，在较规律的时间下按顺序学习视频课程，与传统学习的形式较为相似。

作为传统学习模型的整合和演化，本发明提出的在线学习风格模型包含情感、社群、生理和心理四个方面，结构相对完备，且根据量表结果显示，本发明的模型可以很好地概括学生群体的在线学习行为并体现了很好的划分效果。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。