[发明专利]一种基于学习者模型的设计项评估方法

说明书

技术领域

本发明属于学习分析、行为信息感知领域，具体涉及一种基于学习者模型的设计项评估方法。

背景技术

学习者模型的表示一般采用基于向量空间模型的构造方法，它能够反映不同概念在学习者模型中的重要程度，而且方便使用标准的向量运算公式来进行后续阶段的项目匹配任务。但是学习者的属性比较复杂，仅用一组关键词无法充分捕捉；同时，词语表达本身固有的同义性和语义分歧性，以及表示时没有考虑到词序或语境问题，使得基于这种模型表示所产生的结果有歧义性。

对于设计项评估方法一般采用多指标进行综合评价，可以根据不同的评价目的，选择相应的评价形式，例如熵值法、变异系数法等，一般是根据指标之间的相关性来确定权重进行综合评价。但是现实中的情景往往由众多相互关联或者相互制约的因素构成，计算时可能会缺少较多的定量数据，使评估结果难以量化。

目前，学习分析领域关于学习者模型的研究通常分为两类，一类是通过描述学习者的具体属性与特征，并在此基础上归类建模，如魏顺平在《学习分析数据模型及数据处理方法研究》中将学习行为的要素分为学习者、内容、处所、时间、结果等五类；另一类则是对某一学习环境中的学习者相关数据进行分析和挖掘，从而实现对学习者的特征进行聚类建模，如希腊开放大学以在线论坛中讨论内容为研究对象，利用文本挖掘和社会网络分析技术探索学习者的参与模型，并将学习者按照具体特征进行分类。然而，这些方法对学习模型的使用局限于用模型描述学习者内部与外部的学习特征，根据模型将具有相似学习特征的学习者进行分类，为学生提供个性化的学习内容、策略和学习资源，此外可以让学习者了解自己的学习状态和不足，进而提前修正自己的学习行为。但是上述研究没有涉及如何在构建学习者模型的基础上去研究评估学习者的行为与服务的方法，且涉及到学习者评估的研究往往多使用定性的分析，定量分析少有涉及。

学习分析视域下较为常见的四类重要的学习者模型分别是：知识模型、认知模型、情感模型和学习者行为模型，它们分别从知识、认知、情感、行为等不同方向对学习者的数据进行建模。在评估方法方面,范洁在《基于数据挖掘的在线学习行为评估系统设计与实现》中,提出了基于数据挖掘技术构建在线“学习行为-效果”模型对学生在线学习进行评估的方案；姜华,赵洁在《基于BP神经网络的学习行为评价模型及实现》中,使用BP神经网络的学习行为评价模型对学习行为进行评价。

一方面，针对学习分析视角下的学习者模型及其学习效果评估，《基于数据挖掘的在线学习行为评估系统设计与实现》和《基于BP神经网络的学习行为评价模型及实现》中的相关方案虽然使用了数据挖掘技术或BP神经网络构建了相关评估模型，但是应用领域受限(仅仅针对特定学习过程数据进行学习效果评估)，对学习过程中的很多设计项(例如学习参与、学习满意、学习兴趣等方面)的评估少有涉及，没有形成一种较为全面的评估方案；另一方面，上述研究也未能将学习者模型与学习过程等设计项要素相结合。

基于学习者模型(例如：学习者、参观者、消费者)进行评估、预测和推荐，已成为了大数据时代各行业实施服务时，进行挖掘分析的预备工作，因此在未确定具体的数据属性和规模之前，对学习者进行建模显得尤其重要，也为在学习者模型的基础上研究相关设计项评估方法提供了良好的基础。

发明内容

本发明的目的在于针对以上不足，提供一种基于学习者模型的设计项评估方法，该方法提供了为学习者建立大数据基础模型的方法，并针对其相关设计项制定了一套可行的评估方案，为大数据环境下学习者相关服务的分析和挖掘提供了良好的应用基础。

本发明涉及术语定义如下。

学习者模型：包括狭义的学习者模型，以及广义的参观者模型。

设计项：因参与某项活动而产生的效果或感受(如学习效果、参观满意度)，用于应用领域相关的不同维度的属性刻画。

设计项总体框架：针对某一设计项，其所包含的属性集的层次分类结构。

评估方法：针对设计项的评估方法。

评价准则：即判断矩阵重要性标度的规则，使重要性程度不同指标通过计算获得相应的权重。

判断矩阵：对设计项下同一级别的指标的相对重要性按照评价准则分别进行比较，量化后的矩阵表示。

矩阵的权向量：即同一级别的所有指标对应的权重所组成的向量。