您好, 访客   登录/注册

基于混合式学习的同伴推荐算法设计与实现

来源:用户上传      作者:

  摘  要: 在互联网时代,结合线上学习和面对面传统教学的混合式学习成为大学生学习的重要方式。文章提出以同伴学习方式来弥补混合式学习中交互少、问题解决不及时等不足,并构建了基于学习者特征的同伴推荐算法。利用学习者相似度个性化推荐互补、相似型的学习同伴,以提高学习效率。实验基于真实、有效的学习者特征数据集,选取机器学习中常用的评价指标,验证了该推荐算法的有效性和准确性。
  关键词: 同伴推荐; 混合式学习; 相似度; 混淆矩阵
  中图分类号:TP319          文献标识码:A     文章编号:1006-8228(2020)04-38-03
  Design and realization of peer recommendation algorithm for blended learning
  Cai Xia1, Xu Shufan2, Jing Yi1, Ye Xi1, Ye Junmin1
  (1. Computer School of Central China Normal University, Wuhan, Hubei 430079, China;
  2. Mathematics and Statistics School of Central China Normal University)
  Abstract: In the Internet era, blended learning, the combination of e-learning and face-to-face traditional teaching, has become an important way of college students learning. This paper proposes to use peer learning to make up for the deficiency of less interaction and delayed problem solving in blended learning, establishes a student characteristic based peer recommendation algorithm which use learner similarity to individually recommend similar and complementary learning companions to improve learning outcomes. Based on the real and effective learner's feature dataset, and the commonly used evaluation index in machine learning, the validity and accuracy of the proposed algorithm are verified by experiment.
  Key words: peer recommendation; blended learning; similarity; confusion matrix
  0 引言
  隨着互联网技术高速发展,国际教育界在总结近十年网络教育实践经验的基础上,提出教育技术发展的“第二条道路”,即结合网上学习与面对面学习优势的“混合式学习”[1]。虽然混合式学习具有低成本、高效率、高灵活性等优势[2],但仍存在交互少、问题解决不及时等不足。在21世纪基础教育课程改革的背景下,学生间的相互影响成为教学过程中的宝贵教育资源,同伴学习成为教学成功的必要环节[3]。交互是学习发生的重要条件,“没有交互,就没有教育”[4]。同时,网络技术的发展,配套软硬件设备的成熟,也为学习中的互动提供了技术支持[5]。学习者间的交互影响,恰好能弥补混合式学习中存在的不足。在混合学习中,学习者面对面交流机会减少,相互了解程度低,自主寻找合适的学习同伴难度增加,本文提出根据学习者学习特征与偏好,为学习者推荐合适学习同伴的推荐算法。
  1 学习同伴推荐算法
  混合式学习模式下的学习同伴推荐算法总体架构如图1所示。以学习者为推荐的主体,首先建立学习者特征数据集,获取并记录学习者的属性、兴趣偏好以及在混合式学习中的能力。以此为基础,计算学习者的相似度,按相似度由高到低生成同伴推荐列表并作为推荐结果反馈给学习者。
  1.1 建立学习者特征数据集
  为了更有效地进行同伴推荐,综合考虑学习者属性、偏好和能力。由于学习者能力指标多且有等级之分,本文采用层次分析法给出每个指标的权数。首先,建立层次结构模型,目标层为:评估学习者能力。准则层为能力的影响因子,根据同伴学习交互性的特点,第一层为自主学习能力、帮助同伴的能力;根据混合式学习的特点,第二层为线下测验的平均分等。方案层为对学习者能力的评分。再通过1-9标度方法构造成对比较矩阵并进行层次单排序和一致性检验。最终确定的学习能力评估权重如表1所示。
  1.2 学习者相似度计算
  ⑴ 计算学习者的能力相似度
  ,i为用户a和a'共同修读的课程
  ⑵ 计算学习者属性相似度
   令haa'为性别相似度,;令maa'为专业相似度,;令gaa'为年级相似度,。综合上述三种相似度,计算学习者属性相似度为。
  ⑶ 计算学习者兴趣偏好相似度
  令学习者a该学期修读的课程集为{c1,c2,…,cna},na为学习者a该学期修读的课程总数。定义“非运算”:。学习者a和a'该学期修读的相同课程数。以学习者a为主体,课程相似度。同伴学习的形式选取三种方式:交流答疑、学习PK、轮流授课。令学习者a的同伴学习偏好为{fa1,fa2,fa3},其中。定义“同或运算”:。学习者a和a'同伴学习形式偏好的相似度。综合上述两种相似度,计算学习者兴趣偏好相似度。   ⑷ 计算学习者相似度
  为保证同伴学习有效进行,设学习者能力差距阈值为β,学习者a和a'能力差距满足阈值的情况为,α为宽大参数。筛选与学习者a能力差距满足Yaa'>0的学习者,计算学习者a与其他学习者的相似度:
  1.3 生成推荐列表
  计算出学习者相似度后,降序排列学习者相似度Saa',截取相似度最高的N项资源推荐给学习者a,生成同伴推荐列表。
  2 仿真实验
  2.1 数据集
  本文选择数据库原理课程学生的学习数据来进行实验,统计2018-2019学年第二学期修读此课程的学生的各项相关数据。该课程的学生大都来自同一专业,彼此相识。
  2.2 实验设计与评价指标
  在选定的数据集上,应用学习同伴推荐算法,为每位学习者生成学习同伴推荐列表。通过问卷形式调研学习者主观选择的学习同伴。将算法为学习者推荐的学习同伴列表与学习者主观选择的学习同伴列表进行对比,检验学习同伴推荐算法的优良。
  在建立算法评价准则前,首先建立分类结果混淆矩阵,如表2所示,在推荐算法中,被推荐为学习同伴的为1,否则为0;在真实情况中,用户主观选择的学习同伴为1,否则为0。其中,TN为学生未主观选择也未被推荐的同伴数量,FN为学生主观选择但未被推荐的同伴数量;FP为学生未主观选择但被推荐的同伴数量;TP为学生主观选择也被推荐的同伴数量。
  本文选用的评价指标有:精度、错误率、查准率、查全率。在混淆矩阵下,精度为。错误率为。查准率为。查全率为。
  2.3 实验结果与分析
  通过推荐算法,为《数据库原理》课堂参与实验的学习者每人生成一个推荐列表,共八名推荐的学习同伴。当取参数α=1,β=20时,将推荐结果与学习者的主观选择对比,计算得分类结果混淆矩阵如表3。
  由于推荐算法只给每位学习者推荐八位同伴,且学习者主观选择的学习同伴也较少,所以TP所占比例较低,为14.729%。
  进一步计算评价指标如图2所示,精度acc为0.831,错误率err为0.169,查准率P为0.546,查全率R为0.761。其中,查准率较低是因为学习者主观选择时,更偏好熟悉的同伴,而推荐算法仅依据学习者相似度进行推荐,所以存在推荐算法推荐的同伴并未被学习者主观选择的情况。若在相似度计算中,加入学习者相互熟悉度的指标,则可将查准率也提高到较高水平。总体而言,本文的推荐算法能较精确、全面地为学习者推荐同伴。
  3 结束语
  本文主要根据高等教育的混合学习现状,设计了一种学习同伴推荐机制,应用于混合课堂,并经实验验证取得了不错的效果,能有效地为学习者推荐合适且满足个人偏好的学习同伴。本文提出的方法有待进一步构建一套在线学习工具,从而收集更大规模、多样化的学习者数据,并基于学习者的特征和主观评价的智能分析,以完善学习同伴推荐机制。
  参考文献(References):
  [1] 陈纯槿,王红.混合学习与网上学习对学生学习效果的影响——47个实验和准实验的元分析[J].开放教育研究,2013.19(2):69-78
  [2] 何克抗.从Blending Learning看教育技术理论的新发展[J].国家教育行政学院学报,2005.9:37-48,79
  [3] 王有升,蘭玉萍.同伴学习中的“教学相长”与课堂教学变革[J].课程.教材.教法,2018.38(2):62-68
  [4] Gunawardena C N, Lowe C A, Anderson T. Analysis of aglobal online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J].Journal of educational computing research,1997.17(4):397-431
  [5] 李梅,杨娟,刘英群.同伴在线互助学习交互行为分析[J].中国电化教育,2016.5:91-97
  [6] 周志华.机器学习[M].清华大学出版社,2016.
转载注明来源:https://www.xzbu.com/8/view-15228842.htm