智慧学习环境中基于学习需求感知与引导的服务部署与内容分发

With the rapid development of information technology, the smart learning environment is experiencing profound changes. Under the new conditions, the smart learning environment can not only provide more flexible functions and services, but also collect more thorough data related to learners and learning environment. But the challenging issue is how to fully identify learning situations and deeply understand learners, and how to optimize network service performance while ensuring high quality of learning efficiency and learning experience. Based on the big data analysis, we intend to conduct this study in the following aspects: firstly, investigate the interaction mechanism between learners and learning environment and construct learner models including studying behavior patterns, identifying learning styles and predicting cognitive abilities; afterward, combine with the knowledge associations and sociality of learning groups for purpose of examining the spatial distribution and evolution of learning demands to build learning demand perception model; meanwhile, investigate the learning performance predictive model to explore the optimization strategies of learning path; then research the optimized resource distribution of multi-objective constraints based on the perception of learning demands and the optimization strategy of learning path; based on the relationship of "learning behavior - Cyber source - service", design a guide mechanism of learning demands based on content recommendation and quality of service differentiation respectively; ultimately, investigate an effective scheduling mechanism of distributed service engine, an optimized strategy and a feasible implementation mechanism of content storage.

随着信息技术发展日新月异，智慧学习环境也发生着深刻变化。新条件下，智慧学习环境不仅可以灵活地提供更丰富的功能和服务，还可以更全面地采集学习者和学习环境相关数据。但问题是，如何全面感知学习情境和深刻了解学习者，如何在保证学习体验和学习成效的同时优化网络服务性能。基于大数据分析，本课题首先探究学习者与学习情境的相互作用机理，研究融合情境数据的学习者行为模式识别、学习风格判定、认知状态评测模型及算法；然后，结合学习的知识关联性和学习群组的社会性，研究学习者需求时空分布及演化，构建学习需求感知模型；研究情境融合的学习成效预测模型及学习路径优选算法；进而，基于需求感知和路径优化，研究多目标约束的最佳需求时空分布；基于“学习行为-网络资源-服务质量”关联关系，设计基于内容推荐的引导机制和基于服务品质区分的引导以实现需求塑形；最后，研究分布协作的服务引擎调度和内容缓存优化策略及实施机制。

本课题研究了智慧学习环境中学习者与学习情境的相互作用机理，探究了学习者行为时空分布及演化特性，研究了学习个体和群体的学习状态评测模型算法及引导策略，构建了基于学习行为的学习成效预测及学习风险预警模型算法及干预机制，并基于实证研究平台验证完善学习评测模型与干预机制。.首先，研究学习行为时空分布及演化特性，构建学习需求感知模型。提出基于熵的时空分布特性量化分析方法，揭示了学习行为时空特性与学习成效之间的关系。提出基于时间序列特征提取和分段的行为模式分析方法，揭示了不同学科不同阶段学习行为模式特性及相互关系。.第二，研究学习者行为模式、学习风格、认知状态评测模型及演化规律。面向学习个体，提出多模态数据的异步融合方法，探究了个体学习投入的影响因素，发现行为连续性和思维活跃性与学习投入之间存在正向关系，揭示了行为和认知模式与学习投入的影响机理。研究个体认知负荷和认知参与的影响因素，揭示了认知负荷和认知参与与学习者知识、动机、自我效能感以及教学设计之间的相互作用机理。面向学习群体，挖掘学习者群体的行为与认知模式，发现群体脑电一致性、交互频率、学习投入之间存在正向关系，揭示了群体行为和认知与学习投入的关系。研究了协作模式与注意力、协作小组构成与协作效果之间的关系，揭示了协作学习中注意力变化规律及小组构成的影响关系。.第三，研究学习成效预测模型及学习风险识别算法。构建基于LSTM-autoencoder特征处理和注意力权重计算的早期预警模型；针对教育数据集的类别不平衡现状，分别构建一种基于堆叠策略的两级增强集成算法和一种基于潜在特性变分自动编码的预测算法；并提出一种图像化的学习风险识别方法，实验结果表明所提出算法均具有高的预测准确度、高的召回率和较好的鲁棒性。.最后，研究基于内容和服务品质的引导机制。研究了服务引擎调度和内容缓存优化策略，并自主研发了“华大移动学堂M-StarC”平台，依托平台对学习个体和群体的引导机制进行实证研究。