面向个性化教学问题的结构化稀疏表示方法研究

The research on the data-driven personalized teaching and learning are generally formalized as learner analysis and grade prediction. Both of them are confronted with the challenge of extracting features from the miscellaneous information. Yet the existing solutions include the following shortcomings: dominating by expert knowledge, depending on manual manipulation, and focusing on extrinsic expression. And most of representation learning approaches, if be employed, often suffer the difficulty of feature explanation, the loss of structures in data or features, and the problem of small samples. To this end, this project introduces the structured sparse representation learning techniques to achieve the intrinsic, automatical and comprehensive features from the given data. In this project, the concentrated scientific tasks and their study protocols are respectively described as follows. Firstly, to capture the knowledge representation of learner, we formulate a novel model of sparse representation learning. Secondly, we put forth an extended sparse decomposition method guided by multi-structures to find the key factors affecting grade. Thirdly, to discover the correlations among courses, we build a structured sparse low-rank representation method. Finally, we construct a structured sparse ensemble pipeline to predict the final grade. By virtue of the above studies, this project has two-fold contributions. On the one hand, it can give rise to the data supports and the scientific evidences for learner’s course selection, teacher’s instruction strategy, and administrator’s course plan. On the other hand, it can enrich the application and theory of the structured sparse representation in terms of model formulation, object construction and algorithm implementation.

基于数据的个性化教学研究通常建模为学习者分析和成绩预测问题。这两个任务均面临从繁杂数据信息中提取特征的难题，而现有方法具有如下缺陷：依赖专家经验、人工手动编织和外在表现型。针对这些亟待解决的问题，许多表示学习方法易陷入所获特征难解释、数据及特征结构丢失和高维度小样本等困境。为此，本项目拟引入结构化稀疏表示学习技术，以实现客观的、自动化的和内外兼顾的数据特征提取。主要研究的科学问题及相应解决方案如下：为捕获学习者的知识表示，规划新型稀疏表示学习模型；为选择影响成绩的关键因素，提出多结构化稀疏分解方法；为挖掘课程间的内在关联，建立结构化稀疏低秩表示模型；为完成学习成绩的最终预测，构造结构化稀疏集成学习方法。通过解决上述问题，本项目不仅为学习者选择预修课程、教学者制定授业方案及管理者安排修课顺序提供数据支持和科学依据，而且为结构化稀疏表示学习的模型规划、目标构建及算法实现提供应用扩展和理论外延。

教育是国家百年之大计，也是人才强国之需求。国家“新一代人工智能发展规划”和“中国教育现代化2035”战略中强调：利用教育大数据和人工智能技术，开发全面教育分析系统，建立“以学习者为中心”的教育环境，提供精准个性化教学服务。研究知识分析和学习表现预测，提供细粒度评估和粗粒度预期，是实现个性化教学两个重要问题。..目前，研究面临专家设计、小数据分析和理想化实验等问题，本项目拓展机器学习理论和方法以真实世界数据驱动教育规律发现与教学实践应用。首先，对于传统知识诊断的人工代价高、主观性强等问题，提出从数据学习元知识的字典模型，并以此稀疏线性重构所涉知识载体，获更高指标评估并构建知识分层理论，随后扩展至非线性版本获计算效率大幅提升。其次，对于学习特征分析处于理论设计的小样本统计问题，提出使用稀疏选择模型和教育先验引导非线性稀疏模型，发现影响产出的标志行为和特征，提供教学干预参考。然后，对于传统模型脱离教育场景、不易泛化等问题，提出以稀疏表示捕获课程关联，合并教学组织和学生簇结构，构建学习表现预测深度模型，在各实践场景获最优表现且建立课程关联空间，赋予学生挂科、课程先修等现象的数据证据。最后，扩展研究文本处理模型应对教学评审主观嘈杂、不平衡类标问题；扩展提出多示例对比学习模型，探索教育影响大脑发育的证据；扩展研究个性化学习路径对教育产出影响和优化。..截止目前，项目已取得18项研究成果，含期刊论文8篇、会议论文8篇、2项国家专利；支持培养博士后1人、博士生6人、硕士生8人、本科生实践累计12人次、本科毕设5项、国际留学生毕设1项；支持国际会议10人次、国际交流合作与访问2项；成果已实践于涉及5000余学生、100余课程、多所高校教学过程数据。该项目研究提出知识空间与分层理论、课程空间与关联结构，探索了学习者知识结构和课程实践关联等数据背后的教育教学规律，给实践问题提供干预参考，为智能个性化教学提供理论和技术。