基于云模型的在线学习者隐性学习行为挖掘与情感倾向计算方法研究

The project focuses on the key scientific issues such as learners uncertainty cognitive features adaptive clustering, hidden learning behavior mining, and perceptual emotion calculation based on cloud model. The main research contents include: 1) Based on the LDA theme and theme clustering model, the study of hot topics and topic mining in the hot time period is carried out to find out the learning hot issues and learning interest points; 2) Based on emotional dictionary and emotion analysis model, the emotion analysis of different learning hot spot events was analyzed through the analysis of text emotion under different granularity; 3)This project studies the adaptive Gaussian cloud transform method, analyzes the learners' implicit learning behavior, and extracts the characteristics of learning behavior preference; 4)Based on Gaussian cloud transform and emotion calculation methods, this project put forward multi -granularity topic identification in the period of learning hot spot event. Learning evaluation within the period of hot issues is clustered according to the hot learning events sequence and the appropriate granularity emotional evaluation language concept to mine experience-aware emotion orientation of learners. Lastly, learning behavior model is build. Its research significance is to provide a new method for implicit learning behavior and behavior potential research of online learners, and provide theoretical basis for adaptive personalized coaching, learning analysis and prediction.

项目基于云模型理论研究了学习者不确定认知特征自适应聚类、隐性学习行为挖掘、感知情感计算等关键科学问题。主要内容包括: 1)依据LDA主题层思想及主题聚类模型，对热点时间段内的学习文章进行学习热点事件及话题挖掘，找出学习热点事件和学习兴趣点; 2)基于情感词典和情感分析模型，通过不同粒度下的文本情感分析，对不同学习热点事件进行情感倾向性分析; 3)研究自适应高斯云变换方法，对学习者的隐性学习行为聚类分析，抽取学习行为偏好特征; 4)基于高斯云变换和情感计算方法，提出基于学习热点事件时间段的多粒度话题识别方法，对热点事件时间段内的学习评价句，按热点学习事件序列、合适粒度的评价语言概念情感聚类，挖掘学习者的体验感知情感和倾向。最后构建在线学习者的学习行为模型。其研究意义在于：为在线学习者的隐性学习行为挖掘和行为潜能研究提供一种新方法，为自适应个性化辅导、学习分析与评测等应用领域提供理论依据。

一、研究背景.近年来分析MOOCs、在线学习平台的用户学习行为数据,发现学习者的认知特征和规律，并提供个性化学习支持是教育改革的重要方向。尤其是在教育大数据和机器学习技术背景下，基于学习数据的聚类分析方法和教育评测应用是当前教育改革发展的新趋势。.二、主要研究内容.1.关于图式、知识图谱、学习者模型和认知地图等理论研究， 采用“知识结构化”和“认知图式”的描述定义方法，研究学习认知地图模型及领域知识图谱的构建方法。.2.对智能机器的认知学习机理及计算模型的进行深入研究，构建出在线学习者的学习认知机理、认知计算及感知建模的方法。.3.通过云模型聚类算法的设计与开发，提出了在线学习行为建模和认知特征值计算的技术方法和技术路线。.4.通过教育大数据平台数据采集和模型实验测试，图表可视化挖掘分析出在线学习行为和认知特征值。分析生成了线上学习者的知识模型、学习认知模型，并评测出学习状态，因此提出了智能学习评价方法与评价模型。.三、重要结果.研究进展1：基于知识地图技术和认知数据模型，提出了在线学习过程中的学习认知地图的构建方法，构建了学科或课程的学习领域知识图谱。.研究进展2：从智能机器三个认知层次（运算智能、感知智能和认知智能）视角，构建了基于深度学习认知机理的认知计算及感知建模方法，生成表征学习者在特定领域知识的学习认知地图，包括知识图谱模块、学习交互数据模块、知识状态计算与可视化输出模块。.研究进展3：基于多源学习数据感知、认知计算与学习分析技术等智能技术，提出了基于教育大数据挖掘分析的智能学习评价方法和评价模型。并在混合式课堂、在线课堂教学环境下对学生的学习认知过程、师生交互行为和体验感知等数据进行聚类分析，计算出知识节点的学习状态，借助学习认知地图中知识点之间的关系及其所占权重，对学习状态进行画像和精准评测，揭示学习事件规律发现和预测解释。.四、科学意义.本研究在教育大数据环境下，依据认知云模型与学习行为建模和认知特征值计算的方法，对在线学习者开展认知特征聚类分析、隐性学习行为分析、感知计算的研究，研究成果可服务应用于海南教育大数据平台，对在线学习者状态进行精准画像和评测，揭示学习事件规律发现和预测解释，为线上个性化学习、智能学习评测及精准推送学习资源提供依据和工具方法。