針對慕課等在線學習課程存在的完成率低、輟課率高等問題,不少研究者通過檢測學習者的學習投入度來發(fā)現(xiàn)"問題"學生,對其進行干預以保證學習效果。本文以構建在線學習投入自動化評測模型為目標,通過構建集成評測模型,利用學習過程中產(chǎn)生的視頻圖片和鼠標流數(shù)據(jù)對學習者的投入水平進行評測。集成模型由3個子模型組成,其中兩個子模型用于進行圖片數(shù)據(jù)的處理,一個子模型用于進行鼠標流數(shù)據(jù)的處理,圖片部分的評測采用VGG16卷積神經(jīng)網(wǎng)絡對源圖片和相應的LGCP特征進行評測,鼠標流數(shù)據(jù)采用BP神經(jīng)網(wǎng)絡進行評測。最后,利用模型集成的方法對學習者的學習投入度進行綜合評測,再將其結果與學習者填寫的NSSE-China調查量表的結果進行相關性分析,結果顯示兩者的評測結果顯著相關,表明該模型用于學習投入評測是可行且有效的。 

【文章來源】：中國遠程教育. 2020,(10)北大核心CSSCI

【文章頁數(shù)】：9 頁

【部分圖文】：

學習者在線學習示意圖

該標準對于標注員來說并不是硬性的，在實際標注過程中很多情況下依然需要標注員借助自身經(jīng)驗進行靈活判斷。因此，圖片標注的準確性受標注人員自身專業(yè)素質、圖片可辨析程度等因素影響，不同標注人員針對同一圖像的標注結果可能會有不一致的情況發(fā)生。我們通過Kendall系數(shù)來檢驗不同標注人員的標注結果一致性，以保證標注圖像具有較高的一致性。所有表情圖片的訓練數(shù)據(jù)分為10個批次進行標注，每個批次圖像均分給8個標注員完成，并確保標注數(shù)據(jù)滿足一致性要求。最終，我們通過SPSS計算出所有標注員標注結果的Kendall系數(shù)，如表1所示。（五）鼠標移動數(shù)據(jù)的獲取

本研究以8∶2的比例劃分訓練集和測試集，訓練集的數(shù)據(jù)采用10折交叉驗證（10-fold cross-validation）的方式進行模型的訓練和參數(shù)的調優(yōu)，測試集的數(shù)據(jù)用于測試模型的泛化能力。在標記數(shù)據(jù)的過程中我們發(fā)現(xiàn)，學習者在每次學習過程中的投入行為并非均勻分布，表現(xiàn)出前段學習投入較高、中段較低、后段又較高的普遍情況。因此，為了確保訓練集和測試集數(shù)據(jù)分布的一致性，我們根據(jù)課程時間段將數(shù)據(jù)分為前、中、后三部分，在三部分混合的基礎上再進行訓練集、測試集的劃分以確保數(shù)據(jù)分布盡量均勻。數(shù)據(jù)集的劃分方法如圖3所示。（七）集成模型的構建

【參考文獻】：
期刊論文
[1]多學科資源工具研制與教學實踐創(chuàng)新研究[J]. 劉海,陳瑩瑩,張昭理,劉婷婷.  電化教育研究. 2018(04)
[2]多屏多點觸控教學系統(tǒng)支撐下教學創(chuàng)新與變革[J]. 張昭理,李陽,劉海.  電化教育研究. 2018(03)
[3]基于LMS數(shù)據(jù)的遠程學習者學習投入評測模型[J]. 李爽,李榮芹,喻忱.  開放教育研究. 2018(01)
[4]面向在線教學平臺的數(shù)據(jù)可視化方法及應用[J]. 劉海,李姣姣,張維,張昭理,易澤順.  中國遠程教育. 2018(01)
[5]基于行為序列分析對在線學習參與模式的探索[J]. 李爽,鐘瑤,喻忱,程罡,魏順平.  中國電化教育. 2017(03)
[6]在線學習行為投入分析框架與測量指標研究——基于LMS數(shù)據(jù)的學習分析[J]. 李爽,王增賢,喻忱,宗陽.  開放教育研究. 2016(02)
[7]自適應加權LGCP與快速稀疏表示的面部表情識別[J]. 吉訓生,王榮飛.  計算機工程與應用. 2017(01)
[8]基于MOOC數(shù)據(jù)的學習行為分析與預測[J]. 蔣卓軒,張巖,李曉明.  計算機研究與發(fā)展. 2015(03)
[9]MOOC的發(fā)展歷程與主要特征分析[J]. 陳肖庚,王頂明.  現(xiàn)代教育技術. 2013(11)
[10]基于鼠標行為特征的用戶身份認證與監(jiān)控[J]. 沈超,蔡忠閩,管曉宏,房超,杜友田.  通信學報. 2010(07)



本文編號：3318152