基于深度信念网络的大规模在线教育学习风格分类方法

摘要

随着大规模在线教育需求的快速增长和大数据的出现，人们开展了大量研究工作来提高电子学习环境中的学习质量。在这些研究中，适应性学习已经成为一个越来越重要的问题。传统的分类方法只分析学生的表面特征，无法根据深度学习特征对学生进行准确分类。同时，这些方法无法在海量数据中分析这些高维学习行为。因此，我们提出了一种基于深度信念网络（DBN）的学习风格分类方法，用于大规模在线教育，以识别学生的学习风格并对其进行分类。第一步是建立学习风格模型，并根据专家经验确定学习风格指标；然后，将指标与不同的学习风格联系起来。我们改进了DBN模型，并通过使用改进的DBN分析每个人的学习风格特征来识别学生的学习风格。最后，我们通过在实际教育数据集上进行实际实验来验证DBN结果。根据费尔德和索洛曼（Felder and Soloman）（1996）的ILS理论和《远程教育准备度指标》（Readiness for Education At a Distance Indicator），通过向学生征集问卷来确定各种学习风格。然后，我们利用这些数据来训练我们的DBNLS模型。实验结果表明，本文提出的DBNLS方法比传统方法具有更好的精度。

介绍

随着大数据集成的深化[1]教育，以MOOC为代表的学习革命[2]，汗学院[三]和翻转教室[4]，对传统的教育形式产生了强烈的影响，并突出了大规模在线教育在重塑教育重塑中的重要性，即可以通过重组和流程再造实现资源全球化、模块化供应、个性化教学和自主学习。大规模网络教育在教学环境、内容呈现、教学模式和学习评价方面取得了重大突破。大规模网络教育也革新和革新了学习方式，是促进教育公平、提高教学质量的有效途径。通过提供新的学习环境和技术，MOOC的独特特性产生了一种新的学习模式，即个性化学习[5,6]. 在MOOC环境中，学习者可以根据自己的目的和背景选择和订购定制课程。然而，MOOC中的材料相当复杂；因此，学习者很容易陷入“学习迷航”和“认知过载”的情况[7]在接收信息的过程中。尽管如此，MOOC为所有学习者提供了相同的学习材料和学习活动，并忽视了个体差异，因为它们无法分析个体的学习行为。因此，MOOC无法实现因材施教的能力[8]. 通过分析在线学习行为，我们可以准确识别用户的学习特征，并推荐个性化资源，帮助他们提高学习质量。目前，迫切需要确定如何通过挖掘自适应学习中的大数据来分析和识别个人用户的学习特征[9,10].

在在线学习环境中，学习者之间的个人差异在时间、学习持续时间、所选学习内容、在线互动等方面都很明显。一些学习者喜欢在白天完成学习任务，而另一些则喜欢在晚上学习。一些学习者通过论坛或其他社交网络应用程序参与讨论或小组活动，而其他人则喜欢安静的学习。在所有的个体特征中，学习风格是影响学习者个体差异的重要因素。换句话说，不同的学习者在学习风格方面有不同的倾向[11].

迄今为止，研究人员在如何将学习风格应用于在线学习方面做出了重要贡献，特别是在学习风格识别和预测领域[12,13,14,15]. 这些研究大多主要收集和记录学习者在网络学习过程中留下的真实行为数据，构建一组学习者的网络学习行为，并使用数据挖掘算法、神经网络或简单的计算规则自动检测学习；从而取得了一些研究成果。然而，核心问题是，这些研究并不是基于大规模在线学习平台；因此，它们不能满足现代在线学习平台对基于大量复杂网络学习者行为的有效学习风格检测的需求。

因此，如何识别学习者的学习风格，如何引导个体学习者构建学习目标和计划，以及如何推荐反映个体需求和能力的特定学习资源，都是亟待解决的问题。通过学习者的在线行为识别学习风格并对其进行正确分类，对于实现适应性学习具有重要作用。在ta-MOOC环境中，为了准确识别和分类学习风格，必须解决以下三个重要问题：

• 1) MOOC学习环境适合哪种类型的学习风格模式？

• 2) 在MOOC学习环境中，学习行为和学习风格之间的关系是什么？

• 3) 什么样的分类方法可以用来克服MOOC环境中由于学习行为数据的高维性而导致的分类不准确的问题？

通过对学习风格相关文献的深入研究，我们发现Felder-Silverman提出的学习风格模型适用于MOOC在线学习环境。同时，行为特征和学习风格之间的在线学习关系是复杂的。通过我们的观察，再加上从专家那里获得的结果，我们发现学生行为的差异可以用以下四个维度来描述：信息处理、感知、输入和理解。因此，应该基于这四个学习行为维度来开发特征指标，以形成数据挖掘维度。

我们提出了一种基于面向MOOC的DBN的学习风格分类，称为DBNLS。在这种方法中，学习者的内在特征——他们的学习风格——被用作分类标准。首先，我们总结和分析了学习者的个体差异和偏好，以构建适合MOOC学习环境的学习风格模型。然后，我们根据专家经验确定了应该使用哪些学习习惯指标，并将这些指标与个别课程中的学习风格联系起来。深度学习模型DBN用于学习高维学习风格特征，模型学习风格用于准确分类学生。最后，我们通过分析StarC上在线学习期间留下的博客，收集了网络学习行为数据[16]是华中师范大学使用的MOOC平台。同时，我们还进行了离线实证研究，收集了学习风格问卷数据，并将其作为训练样本来训练DBN模型。应用训练好的DBNLS模型对学生的学习风格进行分类。结果表明，本文提出的方法优于传统方法。

本文的主要贡献如下：

• 1) 学习者的内在特征和学习风格是学习者分类的重要标准。同时，将网络行为的显性属性有效映射到学习风格的内在特征指标。这些网络行为指标是DBN对学生学习风格进行分类的重要输入。

• 2) 我们将社会互动因素引入学习风格模型，以期将网络学习环境特征和学习者互动纳入学习平台。本文建立的学习风格模型不仅关注学生可用的静态学习资源，还关注他们如何与他人互动。例如，一些学生倾向于通过交流和讨论来完成任务，而另一些学生则倾向于独立思考和工作。

• 3) 我们在教育领域的学习分类中引入了一种深度学习算法。该方法有效地克服了传统分类方法中高维数据和数据过拟合条件导致计算复杂度急剧上升的问题。

• 4) 这项研究是通过实际的在线学习活动进行的。我们收集并区分了在线和离线数据。离线数据用作训练数据，用于训练模型，随后用于对学生的在线学习行为进行分类。结果表明，该机制比传统的分类模型准确得多。

本文的其余部分组织如下：相关工作和背景介绍了相关的工作，并提供了有关学习风格、受限Boltzmann机器（RBM）学习模型和BP的一些背景知识。然后，我们在MOOC中的学习风格模型。我们在中介绍了DBNLS算法及其训练模型基于深度信念神经网络的学习风格检测第5节描述了实验评估的详细信息，该工作总结如下结论.

相关工作和背景

学习风格理论研究

赫伯特·塞伦（Herbert Thelen）首先定义了“学习风格”（learning style）的概念，后来发展成为数十种学习风格理论，并在教育领域付诸实践。随着“因材施教”和“以学习者为中心”中描述的教学方法，越来越多的学者将注意力转移到学习者的学习风格上，希望在MOOC设计过程中充分考虑到这一点。近年来，MOOC等在线教育工具的迅速发展促使学者们考虑如何在在线教育中反映不同的学习风格，从而提出相应的材料和方法，以帮助提高学习效率[11,12,13,14,15,17].

学习风格理论经过长期的研究，已经相对成熟。许多学者提出了复杂的学习风格模型。根据柯里的学习风格模型，所有的学习风格都可以分为三个层次，即“教学偏好”的外部层次、“信息处理模式”的中间层次和“认知风格”的内部层次[18]. 这类学习风格模型包括Kolb[19]蜂蜜和芒福德[20]，邓恩[21]Felder-Silverman的学习风格模型[11]. 此外，认知风格、VARK和Keefe的学习风格模型等其他模型对学习风格提出了不同的定义。

邓恩的学习风格模型是“洋葱模型”在外部层面的代表性理论。邓恩主要关注影响学习活动的刺激因素[19]. 这些刺激与学习环境、社会环境、生理因素、心理因素和情感因素有关。然而，所有这些刺激都非常不稳定，很容易观察到。相反，科尔布对学习过程感兴趣。他建议每个学习过程都要经历四个自我相关的阶段。学习者对这些阶段表现出不同的偏好[19]. 基于中的学习模型[19,22]、和[20]Felder-Silverman提供了一个全新的学习风格模型[11]它关注学习者的个体认知特征，通过信息处理、信息认知、信息输入和信息理解相结合，对学习风格进行全面描述。

费尔德还根据学习风格模型设计了所罗门学习风格量表，为测量学习风格提供了一种很好的方法。因此，Felder-Silverman的模型不仅在实践中得到了广泛应用，而且也适用于基于网络的学习环境。此外，所罗门量表具有较好的信度和效度，已在教育领域广受欢迎[23,24]. 尽管学者们提供了不同的定义，但它们都包括学习风格的三个主要特征。首先，学习风格因个体而异，这意味着不同的学习者倾向于有不同的学习风格偏好。其次，学习风格的形成受到外部环境和内部自我的刺激，如文化差异、家庭因素、教育因素和生理因素。第三，学习风格影响学习行为。不同学习风格的学习者在学习策略和学习习惯上表现出差异。

由于Felder-Silverman的测量方法偏向于基本特征（认知特征），因此适合网络学习，并且Felder-Silverman模型已通过大量实验证明在实践中获得了较高的频率，如表所示1，本文选择费尔德西尔弗曼作为基础学习风格模型[25]. 然而，Felder-Silverman的模型中没有考虑诸如新学习环境中的社交互动等特征，即使这些特征应该在网络学习中考虑。因此，尽管基于费尔德-西尔弗曼模型，但本文将扩展社会互动维度，使其更适合MOOC教学环境。

表1典型学习模型在实际环境中的使用频率

学习风格识别

传统的测量学习风格的问卷调查方法在MOOC教学环境中并不适用，主要是因为受访者的主观意识、不理解问题以及在特定点测量的学习偏好等因素会对结果的准确性产生负面影响。因此，越来越多的国内外学者转而通过自动检测方法研究学习风格[26,27,28,29,30]. 自动检测方法是一种自动检测学习者学习风格的方法，它通过收集网络学习平台记录的关于学习者的真实数据，并将数据挖掘、神经网络或简单计算规则应用于网络学习环境中出现的学习行为集[31,32,33,34,35].

维也纳大学分析了学习平台会议期间形成的学习平台数据和网络日志，以识别学习者的学习行为[31]. 在[32]，作者通过使用BP神经网络分析日志数据来预测学生的学习风格，而[33]使用贝叶斯网络方法识别参加人工智能在线课程的学生的学习风格，发现从不同维度预测学习风格的准确性存在显著差异[34]结合决策树和隐马尔可夫模型评估学习行为，解决序列数据中的困难，从理解维度更准确地分析序列和综合学习风格。对比试验在[26]适应性学习风格的教学效率。结果表明，参加适应性课程的学生学习效率更高，考试成绩更好。的作者[28]据报道，标准成绩评估不仅可以评估学生的学习能力，还可以检测个人的学习特征并预测结果[29]. 分析和处理网络学习者访问的网页，以研究学习风格，以及[30]记录网络学习者的学习需求和活动，探索其个性化特征，研究学习绩效评估。

传统的学习算法和带自适应学习速率的反向传播（BPAL）网络算法都有两个弱点。首先，原始数据不能包含太多属性；属性的数量越多，组成相应向量的难度就越大。在执行分类算法时，计算复杂性随着向量长度的增加呈指数级增加。其次，原始数据属性和学习风格之间的映射关系不能太复杂。因此，这些算法不适用于复杂的映射关系。传统的方法无法分析和处理网络学习行为数据与学习风格之间的复杂关系。然而，深度学习是一种逐步从向量中提取特征的方法，通过构建具有多个隐藏层和大量训练数据的机器学习模型来研究更有用的特征，以提高分类和预测的准确性。

深度信念网络

深度信念网络（DBN）是由Hinton等人于2006年首次提出的[36]. DBN通过构建多层神经网络模型分析文本、图像和语音的潜在特征[37]. 训练数据逐层遍历网络，每一层提取比前一层更高级的特征。与传统的神经网络学习方法相比，深度学习具有两个方面的显著优势。一是每个层次的训练大大提高了训练效率。二是避免了传统神经网络在无监督学习环境下陷入局部极小值的风险。DBN模型可以是多层RBM（无监督学习网络）的组合[38]，BP（监督分类器）[39]或其他预测模型。

如图所示1，RBM由两层组成：可见层（可见单元）和隐藏层（隐藏单元）。。神经元之间的连接具有以下特征：层内无连接，内层完全连接，其中内层包括可见层神经元和隐藏层神经元。术语完全连接是指可见层和隐藏层中每个神经元之间的连接。在RBM中，每个神经元只有两种状态：0或1。

图1

RBM网络结构

RBM是一种基于能量的无向生成模型。对于给定的一组状态，其能量函数公式如下(v（v）, 小时):

$$ {电子}_{\theta}\left（\mathrm{v}，\mathrm{h}\right）=-{\sum}{i=1}^{nv}{b} _ i{v} _ i-{\总和}_{j=1}^{nh}{a} _j（_j）{h} _j（_j）-{\sum}{i=1}^{nv}{\sum}{j=1}^}{nh}{w}_{ij}{v} _ i{h} _j（_j）, $$

(1)

其术语描述如下：

\（\mathrm{v}={\左({v} _1个,{v} _2，\t个，{v}（v）_{n_v}\右）}^T\）：可见层的状态向量，v（v）_我表示可见层中第一个i神经元的状态；

\（\mathrm{h}={\左({h} _1个,{h} _2，\t个，{h}（小时）_{n_h}\右）}^T\）：隐藏层的状态向量，小时_j个表示隐藏层中第一个j神经元的状态；

\（\mathrm{a}={\左({a} _1个,{a} _2，\t个，{一}_{n_v}\右）}^T\在{\mathrm{R}}^{n_v}\中：可见层的偏移矢量，一_我表示可见层i神经元的偏倚；

\（\mathrm｛b｝=左({b} _1个,{b} _2，\t个，｛b｝_{n_h}\右）}^T\在{\mathrm{R}}^{n_h}\中：隐藏层的偏置矢量，b条_j个表示可见层中j个神经元的偏差；

\（W=\左({w}_{ij}\right）在{\mathrm{R}}^{n_h\times中{n} _v（_v）} \)：隐藏层和可见层之间的权重矩阵。w个_ij公司表示隐藏层中的i个神经元和可见层中的j个神经元之间的连接权重。

上面显示了组件形式，但可以以矩阵形式重写：

$$ {电子}_{\theta}\left（v，h\right）=-{\tathrm{b}}^Th-{mathrm{a}}^Tv-Wvh$$

(2)

使用公式中定义的能量函数1，状态（V，H）的联合概率分布如下所示：

$$ {P}（P）_{\theta}\左（v，h\右）=\frac{1}{Z{\theta}}\ast{e}^{-{电子}_{\θ}\左（v，h\右）}$$

(3)

哪里

$$ {Z}（Z）_{\theta}={\sum}{v，h}{e}^{-{电子}_{\θ}\左（v，h\右）}$$

(4)

这是一个归一化因子，也称为配分函数。

通过推导，我们得到

$$ {P}（P）_{\θ}\左({h} k（_k）=1\|\v\right）=乙状结肠\left({b} k（_k）+{\总和}_{i=1}^{nv}{w}_{k，i}{v} _ i\右侧）$$

(5)

$$ {P}（P）_{\θ}\左({v} k（_k）=1\|\h\right）=乙状结肠\left({a} k（_k）+{\总和}_{i=1}^{nh}{w}_{j，k}{h} _j（_j）\右侧）$$

(6)

sigmoid函数是神经网络中常用的激活函数，定义如下：

$$sigmoid（x）=\left（\frac｛1｝｛1+｛e｝^｛-x｝｝\right）$$

(7)

成果管理制培训

给定训练样本，RBM训练旨在调整参数θ{W，a，b}以适应给定的训练样本。对于该参数，相应RBM表示的概率分布应尽可能与训练数据相匹配。数学描述如下：

假设训练样本集为

$$\mathrm{S}=\left\{v}^1，{v}^2，\cdots，{v{^n\right\}$$

(8)

哪里n个_秒是训练样本数，\（{\mathrm{v}}^i=\左({v} _1个^我，{v} _2^i、 \t个，{v}（v）_{n_v}^i\右）\）,我 = 1, 2,⋯,n个_秒，并且样本是独立的且分布相同。训练RBM的目标是最大化似然函数。

$${\mathcal{L}}_{\theta，S}={\prod}_{i=1}^{n_s}P\左（{v}^i\右）$$

(9)

产品\（{\prod}_{i=1}^{n_s}P\左（{v}^i\右）解决特殊问题的方法可以从函数ln的严格单调性中推导出来x个; 最大化\（{mathcal{L}}_{theta，S}\）相当于\（\ln\{\mathcal{L}}_{\theta，S}\）因此，训练RBM的目标是最大化似然函数。

$$\mathit{\ln}\{\mathcal{L}}_{\theta，S}=\mathit{\ln{\prod}_{i=1}^{n_s}P\左（{v}^i\right）={\sum}_{i=1}^{n_s}\mathit{\ln}\P\left（{v{i\rift）$$

(10)

为了简单起见，如下所示：，\（{mathcal{L}}_{theta，S}\）简化为\（｛\mathcal｛L｝｝_S\）.

然后，最大似然函数计算梯度

$$\frac{\部分lnP（v）}{\部分\theta}=-{\sum}_hP\left（h|v\right）\frac{\partialE\left_｛v，h｝P\left（v，h\right）\ frac{\partialE\left（v，h\right）}{\parial\theta}$$

(11)

的最大似然函数w个_我,j个, 一_我, b条_我对于偏导数为

$$\压裂{\部分lnP（v）}{\部分{w}_{i，j}}\约P\左({h} _ i=1|v\右）{v} _j（_j）-{\sum}_vP（v）P\左({h} _ i=1|v\右）{v} _j（_j） $$

(12)

$$\压裂{\部分lnP（v）}{\部分{a} _ i}\近似值{v} _ i-{\sum}_vP（v）{v} _ i $$

(13)

$$\压裂{\部分lnP（v）}{\部分{b} _ i}\大约P\左({h} _ i=1|v\右）-{\sum}_vP（v）P\左({h} _ i=1|v\right）$$

(14)

对比度差异（CD）是训练RBM的标准方法[40]. 中的步骤k个-步骤CD算法（缩写为CD-k）很简单。具体来说，大约∀v（v）∈ S取初始值v（v）⁽⁰⁾ ≔ v（v） ; 然而，实现k步采集吉布斯采样，这构成了第一个t步(t吨 = 1, 2, ⋯, k个)，执行如下：

使用对(小时 | v（v）^{(t吨 − 1)})取样小时^{(t吨 − 1)};

使用对(小时 | v（v）^{(t吨 − 1)})取样v（v）^t吨;

然后，通过k个-步骤吉布斯采样，我们得到v（v）^(k个)近似对应期望项目的公式\（{\sum}_vP（v）\）（或平均项），具体如（12）、（13）和（14）所示。

$$\压裂{\部分lnP（v）}{\部分{w}_{i，j}}\约P\左({h} _ i=1|{v}^{（0）}\右）{v} _j（_j）^{（0）}-P\左({h} _ i=1|{v}^{（k）}\右）{v} _j（_j）^{（k）}$$

(15)

$$\压裂{\部分lnP（v）}{\部分{a} _ i}\近似值{v} _ i^{(0)}-{v} _ i^{(0)} $$

(16)

$$\压裂{\部分lnP（v）}{\部分{b} _ i}\大约P\左({h} _ i=1|{v}^{（0）}\右）-P\左({h} _ i=1|{v}^{（k）}\右）$$

(17)

事实上，上述近似值可以视为使用

$$C美元{D} k（_k）\left（\theta，v\right）=-{\sum}_hP\left（h|{v}^{（0）}\right$$

(18)

近似值（11）

$$\frac{\partial lnP（v）}{\parial\theta}=-{\sum}_hP\left（h|{v}^{（0）}\right）\ frac{\ partial E\left a}$$

(19)

这样，通过使用随机梯度上升法最大化对数似然并估计训练数据上的函数值，每个参数的更新标准可以描述如下：

$$\增量{西}_｛ij｝＝｛\langle\langle{v} _ i{h} _j（_j）\右\rangle}_｛数据｝-{\left\langle（左）{v} _ i{h} _j（_j）\右\rangle}_{recon}=\Delta{西}_{ij}+P\左({h} _ i=1|{v}^{（0）}\右）{v} _j（_j）^{（0）}-P\左({h} _ i=1|{v}^{（k）}\右）{v} _j（_j）^{（k）}$$

(20)

$$\增量\{a} _ i={\左边\语言{v} _ i\右\rangle}_{数据}-{\left\langle（左）{v} _ i\右\rangle}_{recon}=\Delta\{a} _ i+{v} _ i^{(0)}-{v} _ i^{(0)} $$

(21)

$$\增量{b} _j（_j）={\左边\语言{h} _j（_j）\右\rangle}_{数据}-{\left\langle（左）{h} _j（_j）\右\rangle}_{recon}=\Delta{b} _j（_j）+P\左({h} _ i=1|{v}^{（0）}\右）-P\左({h} _ i=1|｛v｝^｛（k）｝\右）$$

(22)

MOOC中的学习风格模型

学习风格模型

相关研究表明，Felder Silverman的学习风格适合在网络教育环境中使用，与之相匹配的Solomon问卷具有相对较高的复杂度和受欢迎程度。学习风格模型从信息处理、感知、输入和理解的角度将学习风格分为16类，即LS={过程、感知、输出、理解}。感知=｛敏感/直观｝，输入=｛视觉/语言｝，理解=｛顺序/全局｝。然而，该模型只考虑了学习者与学习材料之间的互动，而不是学生之间以及学生与教师之间的互动。后者是MOOC学习环境的定义特征。

充分考虑了领域专家的意见，构建了适合MOOC环境的学习风格模型。基于费尔德-西尔弗曼模型，并考虑到在线学习环境中的新特点，本研究中使用的学习风格模型添加了社会因素和独立/依赖/竞争类型，并参考远程教育准备指数（READI）中人际因素的测量[41].

我们构建了一个适用于MOOC的学习风格模型，称为MOOCLS，该模型由五个维度组成，能够全面描述网络学习环境中的学习者。MOOCLS={处理，感知，输入，理解，社会}，处理={主动/反思}，感知={敏感/直觉}，输入={视觉/言语}，理解={顺序/全局}，社会={社交/孤独}。表中列出了模型中的尺寸及其性能特征2.

表2 mooc的学习风格模型

表3学习风格维度与学习行为的匹配

电子学习行为的收集和映射

本文研究的大部分网络学习行为数据来自StarC（一个网络学习平台），StarC是一个基础教育工具。StarC为全国资源共享做出了巨大贡献。2015年3月至2016年8月，在线提供了200个MOOC资源，开设了85345个账户，其中32987个账户处于活动状态。该平台为用户提供各种学习和交流功能，如知识地图、视频、测试、wiki、即时消息等。学习过程中产生的所有数据都记录在系统中，并构成用户学习行为特征的集合（F）。然后，我们根据MOOCLS模型定义的学习风格和电子学习专家的经验映射这些学习行为，以根据用户的学习行为特征预测用户属于哪种学习风格模型，如表所示三.

主动/反思学习风格和电子学习行为

学习风格可以通过用户在论坛、维基和作业中的主动/反思学习行为来识别。一般来说，积极的学习者倾向于在论坛上发表更多帖子、回复帖子和发表观点，而反思型学习者更喜欢私下思考，倾向于阅读帖子而不是发表帖子。这种方法也可用于识别积极/反思型学习者。维基是一个重要的功能，教师可以通过它提供关键信息来指导学生。当老师输入内容时，学生可以修改和扩展其定义、内涵和外延，在此过程中，维基视图的每次更改和所有维基编辑都会被记录下来。积极的学习者倾向于尝试更多的维基功能，并不断修改条目。相反，反思型学习者仔细分析每个问题，查找维基条目的次数多于修改或更新条目的次数。关于作业，收集作业截止日期前提交作业的时间以及完成作业问题的频率。

敏感/直观的学习风格和电子学习行为

用户的视频视图、教科书视图、大纲视图、K-Map视图、作业处理、作业复习和简介视图的数量。敏感的学习者更有可能仔细复习作业，花更多时间做作业，处理实际案例，如视频、教科书和K地图。直觉型学习者更有创造力。他们更喜欢抽象的概念，并愿意花更多的时间在这些概念上。因此，我们可以通过访问K-maps、大纲视图和课程介绍等抽象资源的频率来识别直观的学习风格。

视觉/口头学习风格和电子学习行为

记录用户的视频播放时间以及视频视图、K-map视图、教科书视图、wiki视图、Wikiedits和简介视图的频率。口头学习者更倾向于阅读课本列表、课程介绍、wiki编辑和视图等文本信息，而视觉学习者更喜欢图形、表格和视频等材料。因此，他们花在视频上的时间和检查K图的频率往往会更大。

顺序/全球学习风格和电子学习行为

收集大纲视图、介绍视图、按钮点击和目录视图，以帮助确定学习风格是顺序的还是全局的。全球学习者通常会访问综合介绍页面，如大纲视图和介绍视图，而顺序学习者访问此类页面的次数较少。顺序学习者更喜欢点击按钮，而全局学习者更喜欢通过点击目录链接进行导航。

社交/孤独学习风格与电子学习行为

从社会互动的角度来看，学习者可以分为社交型和孤独型。这两种类型可以通过帖子数量、论坛访问次数、回复次数、帖子浏览次数、回复帖子次数、查看帖子者、自我作业浏览次数、图表和图表回复次数进行区分。社交型学习者喜欢与他人交流，而孤独型学习者更喜欢独自学习。因此，社交学习者倾向于在讨论领域更加活跃。他们经常通过发帖、回复帖子和使用内置聊天工具与他人交流。他们还通过发帖、回复和聊天与他人保持良好的关系。独来独往的学习者比社交伙伴活跃得多，更容易专注于自己的家庭作业。这些学习者的帖子、回复帖子、浏览帖子和聊天信息更少。

学习风格测试描述

学习风格测试根据学习行为特征识别学习者的学习风格。其公式如下：

$$F\右箭头LS$$

哪里LS（负载感应） ∈ {00000, 00001, ⋯，11111}，用户的学习风格属于学习风格维度之一。例如，00001表示用户的学习风格可以通过以下维度的基本特征和属性来识别：信息处理为主动，信息感知为敏感，信息输入为视觉，信息理解为顺序，社交互动为社交。

基于深度信念神经网络的学习风格检测

鉴于学习中的复杂交互以及显著差异导致的数据的高维性，通过分析大量电子学习行为来预测和识别用户的学习风格是一个复杂的过程。传统的分类方法无法有效准确地识别用户的学习风格。本文使用深度学习DBN模型来识别用户的学习风格。尽管深度学习在其他领域取得了巨大成功，但它在教育技术领域尚未得到广泛应用。

DBNLS模型

这个DBNLS（DBN for MOOCLS）模型是识别学习者学习风格的核心组件。DBNLS由多层RBM和BP网络层组成：RBM实现特征提取，BP帮助微调DBN和预测学习风格。核心程序可以制定如下。第一步是通过收集和预处理网络行为数据，获得一组原始的学习行为数据。利用提取的集合训练DBN模型，确定网络学习活动的特征和权重。一些学习风格是通过问卷调查识别出来的，并设置为标准数据集。因此，通过添加BP来拟合DBNLS，从而对DBN模型进行微调和训练，以识别电子学习活动中的学习风格模型。详细信息如图所示2.

图2

基于深度信念神经网络模型的学习风格检测模型

DBNLS的步骤如下：

• 第1步：数据预处理：剔除偏离正常值的记录日期，并根据公式将数据从学习行为特征值中归一化\（｛x｝^｛\ast｝=\frac｛x-\min｝｛\max-\min｝\）（其中min表示具有单个特征值的最小值，max表示具有单个特性值的最大值）以获得初始数据集数据库_全部的.

• 第二步：通过学习风格指数问卷测量部分活跃用户的学习风格。该量表包含44个问题。每个问题都基于不同的学习风格维度。共有四个维度，每个维度包括11个问题，每个问题对应2个备选答案。使用此量表可以准确测试学习风格。通过使用问卷中相应的电子学习活动数据标记在线学习风格，我们最终获得了一个标记的活动集数据库_标签。然后，我们将数据集划分为训练集数据库_火车和测试装置数据库_测试.

• 第3步：我们使用了来自数据库_火车培训DBN。BP接受了基于数据库_火车在无监督的DBN培训后。

• 第四步：我们使用数据库_测试测试DBNLS模型的性能和效果。

DBNLS模型训练

通过训练DBNLS模型，DBN可以提取网络学习行为的行为特征，识别网络学习行为中的学习风格。训练DBNLS学习风格模型的过程是调整RBM各层的参数，以最小化DBNLS模型输出的重构误差。该模型可以提取样本数据中最原始的特征。本文中DBNLS模型各层的RBM参数集为\（\uptheta=\left\{\begin{array}{c} W公司=W+\upeta\left\langle\frac{1}{n_s}\Delta W\right\rangle\\{}a=a+\eta\leta\left \langle\frac{1}{n_s{\Delta a\right\ rangle\\}b=b+\eta \left\ langle\frac{1{n_sneneneep \Delta b\right\srangle\end{array}\right.\），其中W、a和b分别是权重矩阵、可见层到隐藏层的偏移向量以及隐藏层到可见层的偏移矢量。DBNL模型训练是逐层进行的，每个RBM层的输出作为下一层的输入。在RBM各层的训练过程中使用梯度下降法，以最大化RBM输出的似然函数。当梯度下降达到合理值（或训练次数达到预设值）时，特征提取完成，DBMLS模型已获得训练数据的完整表示。至此，培训过程结束。

为了进行学习风格检测，将已知的分析测试序列作为参数输入DBMLS模型，并将DBNLS模型的分类器输出作为预测结果。

根据DBN模型的介绍，DBN培训可以简化为几个独立的RBM培训课程。将特征向量数据作为输入，对第一个RBM进行全面训练；然后，我们固定第一个RBM的权重矩阵和偏差。将隐层神经元设置为第二个RBM输入向量。在对第二个RBM进行充分训练后，我们将第二个径向基函数叠加在第一个径向基模型之上。重复上述步骤，直到所有RBM模型的整个训练过程完成。最后，将最后一个RBM的隐层神经元状态作为BP神经网络的输入，对其进行有效监控。

DBNLS培训大致可分为两个阶段。第一阶段是初始化模型参数，其中给定的向量训练样本S(|S公司| = n个_秒)，在指定单位数之前设置CD-k中的训练周期T、学习率η和k算法n个_v（v）,米_小时并初始化向量a、b以及权重矩阵W。然后，训练过程如下：

$$\mathrm｛FOR｝\\mathrm｛iter｝=1,2，\cdots，\mathrm｛T｝\\mathrm｛DO｝$$

{

• 1 转移CD−k，生成∆W、∆a、∆b。

• 2 刷新参数：\（\mathrm｛W｝=\mathrm｛W｝+\upeta\left\langle\frac｛1｝｛n_s｝\Delta W\right\langle，\）

$$a=a+\eta\left\langle\frac{1}{n_s}\Delta a\right\rangle，b=b+\eta\left\ langle\frac{1{n_s{\Delta b\right\ rangle$$

}

为了提高DBNLS训练的效率和有效性，对重要参数进行了处理。DBN分类算法是DBNLS的核心部分；它决定了整个DBNLS的学习风格识别性能。DBN分类算法如图所示三.

图3

日志数据示例

小批量数据

在第二个训练步骤的FOR循环过程中，应用训练样本集S生成数据Δθ′（ΔW公司, Δ一, Δb条)一次通过叠加不同样本中的偏导数。通过将集合S划分为数十或数百个小批次并分别进行计算，可以大大提高训练效率，并且可以利用GPU和MATLAB矩阵乘法的优点。为了解决参数梯度因小批量数据容量不同而不同的问题，我们可以将总梯度除以小批量数据的大小，以获得参数更新过程中的平均梯度：

$${\uptheta}^{\prime}={\theta}^{\rime}+\eta\bullet\frac{\Delta\theta^{\prime}}{B}$$

(23)

在（23）中，B表示小批量数据容量。每一小批数据都应该包括每个类别的样本，当样本大小相等时，它们的功能会更好。B的大小设置为数字10的倍数。

学习率

η的研究在神经网络参数更新过程中起着关键作用，因为它的大小直接影响算法的训练性能。较大的η提高了收敛速度；然而，它也会导致算法变得不稳定。相反，较小的η提高了算法的稳定性，但减缓了收敛速度[42]. 本文添加动量项来更新参数，以提高收敛速度和性能均衡。

$${\uptheta}^{\prime}=\lambda{\theta}^{\rime}+\eta\bullet\Delta\theta^{\prime}$$

(24)

在（24）中，λ是动量学习率。λ的添加导致参数更新不完全符合当前样本梯度方向；相反，它与前面的参数更改方向相结合。

隐藏层单元数

由于缺乏理论支持，很难确定DBN中隐藏层单元的RBM数。通常，可以根据输入层和输出层中的神经元数来确定单元。如果隐层单元很小，RBM模型获取信息的能力就太弱，无法求和和反映训练集的特征。当隐藏层单元过多时，训练将需要更多的时间，并导致过拟合问题。

本文通过实验确定了隐层单元数。第一步是将隐藏层单元的数量设置为较小的值，然后对样本进行训练。根据隐藏层单元的数量来判断结果的合理性。当训练效果不佳时，我们可以增加隐层单元的数量，直到结果达到合理的值。

学习风格的预测

在DBNL模型训练过程中，建立了不同网络行为特征的表达式。MOOCLS学习风格模型以参数集θ={W，a，b}的形式建立。当输入另一组网络学习行为特征时，经过训练的DBNLS可以快速识别输入网络行为特征所属的学习风格。

实验

我们进行了一系列实验来设置参数，并检查我们提出的DBNLS方法在准确性和质量方面识别学习风格的有效性。

实验环境

StarC是华中师范大学为K-12教育开放的免费MOOC（大规模在线开放课程）平台。它是国家数字学习项目和技术中心的研究交流和成果应用平台，它致力于提供由我国一流教师设计的免费学习课程，为大多数年轻学生提供高质量的教材，并帮助教育工作者建立有效的在线学习社区。教育工作者利用该平台设计和发布在线课程和在线教学评估。在StarC上的在线学习过程中，会生成和存储网络行为的交互数据，如独立学习期刊、测试成绩和学习者的基本信息。

本研究基于苏州教育信息化改革实施的课程改革实验。我们的候选人是来自苏州初级中学和振华初级中学10个班的500多名一年级学生。所有的学生都渴望学习。在线学习课程正式启动前，教师进行了一些有针对性的培训，帮助学生了解如何使用在线学习平台进行自主学习。

数据准备

除了StarC平台收集的行为数据外，我们还收集了离线问卷。我们可以使用在线学习行为数据集将离线受试者的姓名和学生编号联系起来。问卷主要用作训练数据集的类别标签。通过DBNLS模型训练学习者的行为，最后得到分类结果，并与类标签进行比较，用于评估DBNLS模式的准确性。

问卷数据

本研究中使用的问卷分为两部分。在第一部分中，我们根据学习风格指数量化表，基于在线学习行为的获取和映射，设计了本研究的离线问卷[11]，它描述了一个学习风格模型，并指DBNLS模型中每个维度的成熟度。Van Zwanenberg的研究结果表明，学习风格指数量表具有良好的信度和效度[42]. 本研究构建的在线学习风格模型使用了学习风格指数量表的所有项目，以确保量表的一致性和完整性。此外，它为学习风格的社会维度增加了社会跨维度——11个问题。问卷的第二部分收集了个人信息。为了使线下受访者适应在线数据分析对象，本部分试图获取被试的真实姓名、学生编号和StarC平台用户帐号等个人信息，实现学生学习风格信息与在线学习行为数据的一一对应。

这个量表的评分公式有三个步骤。第一步是对问卷中每个维度对应的问题的答案进行分类。然后，第二步是确定每个维度中问题的答案总数。最后，最后一步是将较大的和与较小的和进行比较，并将差值与较大和的字母组合。最终结果将添加到最后一个列表中。（差值表示学习风格的倾向程度；字母表示不同类型的学习风格）。测量社交维度中社交接触和孤独项目的设计learning-styles-online.com[43]. 每个问题采用三级量表进行测量，其中“0”表示不匹配，“1”表示匹配。调查问卷的论坛如表所示4.

表4学习风格指数

为了解释DBNLS模型中问卷的类别标签作用，需要设计问卷中的测量项目。问卷中有44个问题对应学习风格指数，每个维度有11个问题，共55个问题。具体问卷问题内容是指[43,44]和学习风格自我测试问卷，如以下补充材料所示。在学科班班主任的协助下，假设问卷数据与平台数据相匹配，所有问卷都是有效的。为了确保所有问卷都得到反复确认和检查，回收了520份问卷，其中508份有效。

根据表5信息加工维度的测量结果为9a，表明该学科属于主动型，具有较强的学习风格倾向水平。信息感知维度的测量结果为“5b”，表明被试属于“意识型”，具有平均的学习风格倾向水平。信息输入和信息理解维度也可以用这种方式进行分析。对于社会维度，1表示该科目属于“社会水平”学习风格。综上所述，测量结果为=10101=21。在线学习行为数据用于通过比较DBNLS模型训练的数据和问卷结果来获得相应的学习风格。

表5受试者的测量结果

网络行为数据

学习者在整个学习过程中生成的数据以Mongo数据和日志文件的形式存储在MySQL数据库中。用户表用于存储学生的个人信息，包括出生日期、年级、性别、学习者类型，而日志文件用于记录在线学习的学生交互数据（学生的个人数据被隐藏）。如图所示。三，此表仅反映了一名学生的部分学习数据。通常，学生完成整个课程后会有数百条记录。

数据的处理和选择对测试学习风格的结果有很大影响；因此，这些方面是学习风格测试过程中的核心步骤。对于本研究，我们对日志文件进行了预处理，提取了核心属性信息、课程信息、论坛信息、wiki信息和作业提交信息。

在与四位参与本研究实验的资深教师交流后，我们确认了五种类型的学习风格维度和相应的互联网学习行为，如表所示2据此，我们从论坛方面收集了访问次数、帖子、读者、回复者、回复帖子和阅读帖子的数量；wiki条目的编辑发生了更改，更改的wiki条目数量以及从wiki方面读取的wiki条目的数量；作业提交的提前时间、练习次数、作业执行次数，从作业方面检查和检查作业；即时消息方面发送的消息、回复的消息和回复的消息的数量；从视频方面播放视频的持续时间和时间；以及与其他方面相关的24个其他参数值，如访问课程大纲的次数、课程摘要、课程目录、课程教材、知识地图、移动到“上一页/下一页”的导航点击次数等。这些被视为核心特征属性。

我们还通过将学生ID链接到“CCNU中的学校”数据库中的userInfo表，获得了核心个人信息，如学习者姓名和学生ID，如图所示4.

图4

未标记的网络学习行为数据

数据预处理

本文将学习风格数据分为训练数据和测试数据两部分。训练数据分为30000个未标记训练数据和6150个标记训练数据。总共有30000多条记录，包含32种学习风格。测试数据包括2050多条记录。

如前一节所述，网络学习行为数据来自“师范学校”平台10门课程中所有学习者的网络行为。这些学习者包括两组：820名完成学习风格问卷的学生和许多其他未完成学习风格调查问卷的在线学习者。基于学生ID和用户名，我们将学习风格信息与学生的学习风格问卷和未标记的网络学习行为数据相关联。因此，我们提取了8200种不同的互联网学习行为。然后，我们将问卷数据整合到网络学习行为中，形成8200个标记学习风格数据，如图所示5，形成包含_type信息的学习风格标记。

图5

标记的数据

提高数据质量。我们消除了一些无效的学习行为数据。然后，我们以3:1的比例将8200个标记学习风格数据随机分为两组：6150个数据项用作标记训练数据用于监督模型训练；这些数据表示为列车标签。剩下的2050个数据被用作测试数据集，表示为test_label，以测试DBNLS模型的效果。最后，使用train_label test_label数据集对DBNLS模型进行训练测试。

另一部分未标记数据是从学习风格不明的学生那里收集的，这些学生也在“师范学校”平台上学习了10门课程。这部分大约有30000条记录。数据格式示例如图所示6与标记的学习风格数据相比，未标记的数据不包括最后一行（学习风格类型），因为他们的学习风格未知。我们将学习型数据计划的这一部分用于无监督DBNLS模型训练。

图6

不同维度的性能比较

DBNLS分类器评估

为了评估DBNLS模型的有效性，我们选择ILS学习风格标准指数来收集学生的学习风格数据。如前所述，这些学生正在StarC课程平台上学习特定课程；因此，收集了他们的在线学习风格行为数据。我们将每个学生的学习风格数据与他们的在线学习行为相关联，形成学习风格检测数据，如表所示6我们将数据分为两部分，用于训练和测试DBNLS模型分类器。

表6实验结果

表6展示了DBNLS模型的结果。该列是每个学生学习风格的基本事实，行标题表示DBNLS对学习风格的预测，表中的值显示了将具有i学习风格的学生错误预测为j学习风格的实例数，其中1<=i<=32和1<=j<=32：

$$\mathrm｛Dp｝=\raisebox｛1ex｝｛$｛\sum｝_｛i=1｝^n\left（TN+TP\right）$｝\！\左/\！\raisebox{-1ex}{$n$}\右$$

(25)

为了进一步评估DBNLS模型，我们决定计算分类精度。如表所示7如表所示，加工、感知、输入、理解和社交维度的准确率分别为84%、81%、89%、69%、79%8.TN和TP分别表示真负实例和真正实例，n是数据集中的项目总数。

表7分类器结果

表8混淆矩阵

此外，我们还应用BP神经网络进行了与DBNLS模型相同的分类实验。结果表明，DBNLS明显优于传统BP神经网络；DBNLS的平均准确度也优于BP。

我们发现，与传统的BP神经网络模型相比，DBMS模型的精度标准偏差为0.1033，相当稳定。如表所示9，BP模型精度的标准偏差为0.8019，相对较大，表明模型不确定性。由于DBN-LS模型使用了RBM的无监督预训练，因此对RBM进行了预训练，并将其权重矩阵调整到接近最佳值。因此，DBNLS的稳定性大于BP神经网络模型。

表9结果的稳定性

我们进一步分析了每个数据维度，发现顺序/全局学习风格的检测率在理解维度上反映出显著较低的值。通过分析学生日志，我们发现大多数学生阅读了整个课程，也就是说，教学大纲和课程简介在访问次数方面没有差异。此外，大多数学生不会跳过单元，阅读整个单元。在没有发现全球学习者的情况下，在理解维度的结果中可以观察到这种现象。

总结研究结果，我们可以得出结论，对于考虑更多属性的复杂学习风格分类，DBNLS比传统方法表现更好。

结论

学习者之间的差异是根据每个学习者之前对主题的知识、学习风格、学习特点、偏好和目标来确定的。能够通过网络学习行为分析准确地对在线学生进行分类，可以为学生在在线环境中寻求信息和学习提供更有效的个性化支持。本文提出了一种基于DBN的学习风格识别和分类方法，称为DBNLS。首先，我们基于现有的费尔德-西尔弗曼模型和专家经验，为MOOCS构建了一个学生学习风格模型。根据提出的学习风格模型及其含义，我们评估了网络学习行为与个人课程学习风格之间的相关性；然后，我们使用深度学习DBN模型来学习这些学习风格特征，并对学习风格进行模型化，以准确地对学生进行分类。

我们在一个实际的教育数据集上进行了几次实验，以验证所提出的方法。首先，根据费尔德和索洛曼（Felder and Soloman）（1996）的ILS理论和远程教育准备度指标，通过对学习内容进行实验，确定了不同学习风格维度中的一些行为模式。我们从MOOC学习平台收集了实际的网络学习行为数据，并使用ILS理论对收集到的学习风格数据进行了标记，以对其进行分析和分类。然后，我们利用这些数据来训练我们的DBNLS模型。与传统的分类方法（BP和BN）相比，该方法具有良好的准确性和性能。然而，关于理解学习风格维度的预测的准确性并不完美。

未来，我们计划获得更多的学习行为，以提高关于理解学习风格维度的预测准确性。然后，我们计划将DBNLS应用于其他个性化学习系统，如个性化推荐系统和个性化学习导航。