基于大数据协同感知的学习行为时间模式挖掘研究

The temporal pattern can be used to present the rules of learning behaviors changing over time, having significant research and application values. However, relevant studies with respect to temporal pattern are mainly limited to statistical abstracts regarding the accessing prevalence of learning resources and the tidal regularities of user click streams etc., which are difficult to present fine-grained temporal patterns. In view of learning has characteristics of multitasking and time fragmentation etc., this project aims to discover the rules of learning behaviors changing over time through studies of modeling multi-dimensional student contexts, extracting time patterns based on collaborative awareness, and smart presentation of temporal knowledge. Firstly, the supervised and unsupervised learning is used to divided the data into homogeneity within clusters and heterogeneity among clusters to establish the collaborative awareness evironment. Secondly, a sequential model with the interest measure is obtained from multivariate time series to make importance sampling to the sequential features, and then the sampled sequences are collaboratively trained in corresponding clusters in order to update the model iteratively and further optimize the sequence selection. Thirdly, the temporal graph construction and other techniques are used to realize the presentation of temporal knowledge as well as its structured query. And finally, a visualized prototype system is developed and tested in a large-scale e-learning scenario. Though this project, the patterns of learning behaviors changing over time hidden in big time windows are discovered in more detail, which is of great significance to the personalized diagnosis and evaluation of online learning.

时间模式可以呈现学习行为随时间变化的规律，具有重要的研究与应用价值。相关研究主要局限在学习资源访问的“热点”现象、学生点击流的“潮汐”规律等统计摘要方面，难以呈现细粒度的时间模式。本项目针对多任务和时间碎片化等学习特点，以揭示学习行为随时间变化的规律为目标，拟开展多维学生情境模型构建研究、基于协同感知的时间模式提取研究和时间知识的智慧呈现研究。首先，通过监督和非监督学习将数据划分成簇内同质、簇间异质来建立协同感知环境；其次，从多变量时间序列中获得兴趣度模型实现对序列特征的重要性采样，然后将采样序列放到对应簇群中进行协同训练，从而迭代地更新模型和进一步优化序列选择；再次，通过研究时间图谱构建等技术实现时间知识的表示和结构化查询；最后，研制可视化原型系统并在大规模e-learning中验证。通过本研究，能细粒度呈现大时间窗口中学习行为随时间变化的规律，对在线学习的个性化诊断和评价具有重要意义。

随着学习的分布式和时间碎片化特征愈发显著，如何有效地揭示学习行为的时间模式已成为大数据驱动智慧教育所必不可少的研究部分。本项目的实施可以分为两个阶段：理论研究阶段和应用测试阶段。在理论研究方面，本研究提出了面向大规模教育日志的多维情境分析模型，将教育大数据的情境分为时间情境、物理情境、用户情境、计算情境以及各情境之间耦合交互的混合体。该模型可以对多维情境空间进行结构化操作，作为数据驱动自适应推荐系统的技术框架。此外，本研究还针对教育大数据的高维和稀疏特点提出面向教育大数据高效处理的分布式机器学习方法。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数，不需要完全梯度计算或额外存储，而是通过使用异步通信协议来共享跨节点的参数。通过大量的仿真实验验证了该方法可以在分布式集群中获得近似线性的运算速度，算法具有较好的收敛性质和泛化能力。再者，本研究提出课程级时间序列的教育分析框架等。以在线教育中的视频学习作为案例进行实验研究，验证了所提出分析模型的有效性，发现了在线课程学习中的“潮汐”规律、时间结构、有潜力的辍学率预测模型、认知搜索意图以及课程聚类等信息。在未来可应用于大规模课程搜索、分类和评价，寻找具有相似时间模式的候选课程集合。在应用测试阶段，首先本研究开发了MOCA原型系统，在协作学习环境下通过系列教育实验验证了将时间因素作为学生协作学习参与度的预测变量的重要性。实验还进一步揭示了时间因素与MOCA干预条件会产生显著交互作用。其次，本研究针对大数据驱动智能学习分组的稳定性问题，基于机器学习中的集成学习思想构建了大数据共识分组的技术框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。