基于碎片化知识自组织的个性化学习智能引导方法研究

The development of "Internet+" technologies and mobile smart devices has greatly facilitated the fragmentation of knowledge. Fragmented learning has become the new mode of online knowledge acquisition and the new normal of personalized learning. However, the systematicness and completeness of knowledge are destroyed. It has become a challenge for online education to deal with the fragmented Learning and Improve the knowledge acquisition rate. Due to the lack of clear guidance in the fragmented learning process and the lack of rationality in the organization of fragmented knowledge, a personalized learning path is crucial for fragmented learning..Therefore, we intend to integrate User Profile, behavior analysis, semantic analysis, and knowledge aggregation technologies into fragmented knowledge reconstruction and learning guidance as follow: (1) To explore the characteristics of fragmented learning behaviors, and construct User Profile, to depict learner's implicit learning features and to locate learners' interest and needs accurately; (2) To reconstruct fragmented knowledge organizations and establish a specific knowledge cluster model Knowledge cluster weighting label processing, the formation of strong feature-related knowledge set; (3) To establish the step-by-step push rules to match the user interest and needs of learning, learning path through machine learning algorithm construction, the ultimate realization of personalized intelligent guidance for online education to provide new Theoretical support and application verification.

“互联网+”技术及移动智能设备的发展极大地促进了知识的碎片化传播。碎片化学习成为在线知识获取的新模式和个性化学习的新常态，但其碎片化特性破坏了知识的系统性和完备性。如何面向碎片化学习事实提升在线知识获取率成为目前在线教育的一个挑战。由于碎片化学习过程具有高度离散性与随机性，其知识组织形式缺乏有序性与合理性，因此智能有序化学习引导对碎片化学习至关重要。本研究拟将用户画像、行为分析、语义分析、知识聚合等技术融入碎片化知识重构与学习引导中，主要研究：①深入探讨碎片化学习行为特征，构建用户画像，刻画学习者隐性的学习特征，精准定位学习者兴趣与需求；②对碎片化知识组织重构，建立面向用户特征的特定知识簇模型，实现知识簇权重标签化处理，形成特征强关联知识集合；③建立步进式推送规则，智能匹配用户学习兴趣与需求，通过机器学习算法构建学习路径，最终实现个性化智能引导，为在线教育提供新的理论支持和应用验证。

现代教育正经历着第三次大变革，即从传统的规模化教育向个性化教育转变。碎片化学习方式为学习者的个性化学习和终身学习提供了便利。项目组针对碎片化学习方式中存在的学习行为不确定、知识组织方式单一、知识获取率低等问题开展相关研究。从在线学习智能引导的主体、内容、方法三个维度为切入点，主要研究了：①面向学习者用户的碎片化上网行为分析与用户画像构建。针对用户行为，提出了过滤式迭代优化集成策略展开用户偏好和相似度分析，构建用户画像可视化模型和行为预测模型；通过内容反馈分析探索移动用户需求、期望和偏好；设计了移动边缘计算切换认证方案提高了移动边缘计算的能力；考虑了在信息采集不完备情况下使用的集成神经网络策略实现数据完备化和精准识别用户网络行为。②面向碎片化知识的知识元抽取与知识簇聚合算法。针对知识形式，提出了基于自组织神经网络聚合模型以形成知识元间的强关联结构；将拆解为短文本形式的知识元采用改进的二分K-Means文本聚类算法捕获具有相同语义的知识簇；同时探索了中文领域的分词、实体抽取、命名实体识别等相关技术；设计了可解释的决策树模型与集成时间序列模型以应对线上知识资源生成的时序变化；研究了对学习者课程完成率有影响的短文本情感倾向分析技术。③基于认知诊断的学习路径推荐与智能引导方法研究。针对学习推荐，采用深度知识追踪技术对学习者知识掌握状态进行动态估计和预测；设计了一种结合深度知识追踪和群体智能优化算法的练习推荐框架。上述研究在真实数据集以及公开数据集上开展实验，逐一验证了模型的有效性，最终实现了面向碎片化学习的基于认知诊断的知识(习题)推荐与智能引导。共发表SCI/EI及中文核心论文20篇，公开知识产权10件，获省部级科技奖励2项，培养研究生9名。本项目为碎片化学习方式提供了新的理论支持和变革思路，对促进教育公平、优化教育方式、传播教育内容有很好的推进作用，对推行有效的基于碎片化学习的教育模式具有理论和指导意义。