[发明专利]基于集体注意力衡量在线学习环境下用户行为的度量方法

说明书

本发明公开了基于集体注意力衡量在线学习环境下用户行为的度量方法，以流网络理论为基础，建立了一套在线学习资源平台用户群体衡量评估方案，帮助平台设计更高效的教学体系。本发明从大量用户在线学习产生的点击流数据出发，构建基于集体注意力的开放流网络，并分别利用网络流量、流距离、空间嵌入等指标，去探究在线学习中不同学生群体的集体注意力分配规律。本发明以系统的角度去考量教学和教学之间的相互作用以及和学生群体集体行为的相互影响，从而更为动态和直观的揭示在线学习数据中的客观规律，使得度量结果更客观、更具有现实指导意义。

技术领域

本发明涉及网络分析，学习分析和教育评估领域，主要致力于研究集体注意力在各个教育资源中的分配问题，帮助理解学习者的部分学习行为，探寻不同学习类型者的学习模式，从而衡量评估和设计更高效的学习资源平台。

背景技术

在线开放课程(MOOCs)以及校园课程混合模式的大规模兴起，改变了教育者对于知识是如何产生，传播和消费的看法。我们已经进入到了一个由“丰富的信息创造出注意力极度匮乏”的时代。虽然在线学习开放灵活的特性能够让我们在任何时间，任何地点进行学习，但是未考虑注意力分配的成本问题将大大降低我们在其上的学习效益。当学习者面对的资源数量达到一定规模的时候，他们只能分配有限的精力学习特定数量的系列知识，而不是将所有的教学资源一网打尽。因此，尽管这种开放和灵活的特性通常被人们描述成无约束的人类注意力，并认为海量的资源以及低廉的学习成本能够让教育变得更加普及，但正如频繁报道的那样，这种营销口号必须接受来自教育研究者的质疑和验证。学生的有效学习取决于他们如何将注意力分配到有用的资源上，正如席梦思在连接主义中所提到的，在广阔的信息空间中，内容就像一个孤立的资源节点。学生需要设定自己的学习目标，指定和调整自己的学习策略，“在复杂的在线环境中理解信息并找到自己的方式”，学习和知识的本质已经改变。学习不再单独发生在个体内，它包括学生的寻路和意识。知识不再具有固定的结构，它是由学生基于信息联系的自我构建形成的信息网络结构，我们更应该了解集体注意力流是如何在丰富的知识中流通的。尤其是随着开放教育资源获取能力的不断增长，这将是未来设计出更好、更灵活的在线学习体验形式的关键。

集体注意力这一概念，最初由Huberman和Wu Fang提出，他们试图用一个新的模型来刻画用户上网的注意力动态演化，将其与信息(知识)的流行度和创新性联系起来。与传统心理学研究中的注意力类型不同，由于在线行为表现出与人类注意力相似的模式，例如短时性，选择性，流通性和消散性。这一概念强调大量个体行为数据产生的集体涌现效益，从而衡量整体注意力水平的重要性，有助于我们更好地模拟其随时间演变的在线行为的动态。

得益于在线学习的大规模盛行，大量的学习者浏览点击学习行为数据为学习分析研究提供了一个前所未有的机会。先前的学习分析利用各种技术来理解点击流数据，如通过聚类算法对学习者进行分类，并使用日志序列分析来预测成绩。这些点击流研究倾向于欠概念化(under-conceptualized)和过方法化(over-methodologized)。如果点击流数据仅被视为关于人类行为的海量数据池，作为复杂的算法输入，以对学习者进行聚类或预测未来，那么其价值就会大打折扣。近段时间以来，生态系统观点已被公认为在线学习的有效手段，在本发明将网络生态系统的概念引入到评价体系中，试图从其开放与平衡的系统观解释学习者中存在的高流失率和急剧不平等的参与规模，强调在集体层面描述学习行为动态特征的重要性，包括表现好(或失败)的学习者，以及可能辍学的学习者。

发明内容

过去的学习分析缺少概念化和过方法化，单纯从数据挖掘的角度分析学生的点击流数据，没从系统的角度，大尺度的考量系统中教学和教学之间的相互作用以及和学生群体集体行为的相互影响。针对上述问题，本发明结合流网络理论，设计出了一套对在线学习环境下用户行为的度量方法，利用点击流数据，从集体注意力的角度构建开放流网络，通过流网络理论中的流距离、空间嵌入等指标分析注意力流的积累、循环、耗散模式，从而更为动态和直观的揭示在线学习数据中的客观规律，使得度量结果更客观、更具有现实指导意义。

技术问题