《e-Learner認知效率建模及自適應調整方法研究》是依託西安交通大學，由田鋒擔任項目負責人的面上項目。
基本介紹
- 中文名：e-Learner認知效率建模及自適應調整方法研究
- 項目類別：面上項目
- 項目負責人：田鋒
- 依託單位：西安交通大學
中文摘要,結題摘要,
中文摘要
針對當前e-Learning系統中自我監督服務缺失問題，本項目首先基於思維地圖，構建融合個性、興趣、情感等非智力因素的認知效率模型，解決認知要素及其之間關聯關係的量化與可計算；其次，針對多模式互動中的多源異質信息，提出一種兩級混合信息融合框架，分級地從低級向高級逐步識別認知狀態的要素。同時，在二級融合中心採用基於效用函式的信息融合方法，即構造基於識別方法魯棒性、性能與代價等因素的效用函式，形成多目標最佳化函式，利用最最佳化方法求取最佳化融合參數集合；再次，提出一種符合元認知規律的學習行為指導方法；擬研究基於Wundt函式的信息效用度量方法，提出融合個性、興趣和情感的學習內容推薦方法，以實現認知自適應調整；然後，在本校的網路教育學院測試和驗證所提方法。本研究將有助於形成學習者興趣-認知-行為-情感之間互動激勵與良性循環的學習生態環境。在認知效率建模、狀態識別、自適應調整方面形成高質量成果。
結題摘要
針對當前e-learning 系統中普遍存在的自我監督服務缺乏問題，本項目提出多源信息融合框架的e-learner認知狀態識別與學習內容推薦的解決思路。主要貢獻點如下： 在e-learner認知狀態識別方面，首先，基於思維地圖，構建融合個性、興趣、情感等非智力因素的認知效率模型，其中，認知狀態包括認知策略、元認知策略、 情感、學習效果，這是認知狀態識別目標；其次，提出了一個多源異質信息融合的e-learner學習狀態識別框架。第三，構建了兩類多模態150學習者數據集約20GB。實驗證明所提方法的有效性和正確性，回歸模型R2指標超0.9。 在非平衡互動文本情感識別方面，針對標籤類分布嚴重非平衡且源數據集和目標數據集特徵空間不同質問題，提出領域實例遷移的互動文本非情感識別方法。該研究方法有效緩解了互動文本的非平衡問題，使支持向量機、隨機森林、樸素貝葉斯、隨機委員會4個經典分類算法的加權平均的接收者運行特徵曲線指標提升了11.3%。 在學習行為指導與學習內容推薦方面，①分析歸納出初次學習、平時複習、考前學習和考前複習4種學習場景，並提出了一個學習路徑的多約束模型及推薦算法。②從資源蘊含的知識關聯及用戶的隱式反饋角度，提出一種基於圖譜關聯的跨課程視頻子圖推薦算法。該算法從準確率、覆蓋率、召回率等指標上均優於傳統的基於協同過濾的推薦算法，且在知識關聯性指標上提升了15.2%。③針對圖推薦中學習時序信息丟失的問題，提出了基於學習生成網路的群組學習資源推薦算法。實驗結果表明：當取10個月的數據量時，在準確度、召回率、歸一化折損累積增益和平均正確率均值指標上，分別比協同過濾算法高出7.5%，24.4%，13.9%，22.1%。 在示範與驗證方面，研製出具有學習自調整功能的 e-learning 原型系統，並在西安交通大學網路教育學院套用。相關成果也被套用到學信網、教學質量實時監測大數據平台、國家志願者服務關鍵技術與服務平台，覆蓋百萬以上用戶。發表論文期刊15篇，其中SCI源刊的國際期刊8篇，申請發明專利8項，授權7項。獲多項國家省部級一等獎和二等獎。
