亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        “電機與拖動”在線課程中學習風格研究

        2023-01-14 11:11:04劉祉祺
        電氣電子教學學報 2022年6期
        關(guān)鍵詞:學習者分類模型

        張 妤 楊 松 劉祉祺

        (1. 東北林業(yè)大學 機電工程學院, 哈爾濱 150040)(2. 東北大學 機械工程與自動化學院, 沈陽 110000)

        2020年突如其來的新冠肺炎疫情,導(dǎo)致大學生們的春季學期為網(wǎng)絡(luò)在線學習。雖然實現(xiàn)了停課不停學,但是在新的網(wǎng)絡(luò)授課模式下,教師與學生在空間上是分離的,教師缺乏有效的手段去掌握學生學習過程和學習動態(tài)。這就導(dǎo)致部分學生學習效果不佳,成績下降,出現(xiàn)了諸如:學生時間管理不合理,效率低;在巨量的網(wǎng)絡(luò)資源面前,學生不知從何學起;學習過程中持續(xù)動力不足,易放棄,學習興趣不濃等問題。分析其原因,其中很重要的一條就是缺乏對學生學習行為數(shù)據(jù)的深入分析。所以為了在網(wǎng)絡(luò)教學中實現(xiàn)因材施教,必須考慮采用何種方法從學習行為數(shù)據(jù)判斷大學生們的學習風格。如今,在后疫情時代,網(wǎng)絡(luò)授課并沒有停止,而是更廣泛地應(yīng)用于線上線下混合式教學。因而對網(wǎng)絡(luò)教學中學生學習風格的研究也是有著重要意義的。

        對于學習風格的研究,國外學者們研究起步較早,觀點較為成熟。早在2005年,馬來西亞的國際伊斯蘭大學就開展了對學習管理系統(tǒng)的研究[1]。近年來我國相關(guān)學者也開始關(guān)注對學習風格研究,但是顯著成果數(shù)量較少。2006年,彭文輝給出了一個基于網(wǎng)絡(luò)學習行為分析的學習平臺結(jié)構(gòu),但沒有用數(shù)據(jù)驗證其有效性[2]。2012年,魏順平根據(jù)網(wǎng)絡(luò)日志,探索在線學習行為的影響因素[3],但并沒有對學生的學習風格進行劃分。

        目前,對于學習風格的研究,大多采用的方法有兩個:①協(xié)作,用問卷調(diào)查獲得的數(shù)據(jù)建立模型判斷學習風格,但問卷帶有主觀性,不能反映出學生的真實風格;②自動識別,通過對學習行為數(shù)據(jù)的自動采集,利用一定的計算規(guī)則,大多采用機器學習算法計算其學習風格,比如貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等,但在數(shù)據(jù)的獲取方面存在一定的困難[4]。隨著網(wǎng)絡(luò)技術(shù)的發(fā)展,2020年網(wǎng)絡(luò)學習平臺的大量使用很好地解決了學習行為數(shù)據(jù)獲取的問題。

        在數(shù)據(jù)挖掘領(lǐng)域,以統(tǒng)計學習理論為基礎(chǔ)的支持向量機(Support Vector Machines,SVM)理論,在小樣本、非線性、高維數(shù)據(jù)問題上,體現(xiàn)了良好的建模性能,預(yù)測結(jié)果也更加準確。但其參數(shù)設(shè)置會對預(yù)測結(jié)果有較大影響,因而考慮優(yōu)化SVM網(wǎng)絡(luò)參數(shù)?;依撬惴?Grey Wolf Optimization,GWO)具有良好的自組織學習性,而且參數(shù)簡單、全局搜索能力強、收斂速度快、易于實現(xiàn)[5]。因此,采用灰狼算法對支持向量機進行優(yōu)化,建立學習風格預(yù)測模型。

        因此,基于GWO-SVM算法,利用在線學習平臺采集學生在線學習行為數(shù)據(jù),從多個維度構(gòu)建大學生的在線學習風格模型,利用此預(yù)測模型對大學生的學習風格進行劃分,從而可針對性地為學生提供個性化學習內(nèi)容和方法,提高學習效率,優(yōu)化學習體驗。對于學生自身,能幫助其發(fā)現(xiàn)潛在的學習風格,對于教師,能幫助其了解教學動態(tài),可動態(tài)調(diào)整教學方案,實現(xiàn)因材施教的個性化教學,也可為大規(guī)模、個性化和高質(zhì)量的下一代智能學習平臺提供技術(shù)支撐。

        1 學習風格

        1954年,“學習風格”由美國學者哈伯特·塞倫扭首次提出,被稱為“現(xiàn)代教學的真正基礎(chǔ)”。但國內(nèi)外學者們并沒有給出其明確的定義。Kimela認為“學習風格是指個體長期堅持的一種偏愛方式,該方式是學習者在處理和分析獲取的知識的進程中所表現(xiàn)出來的慣有的方式”[6]。

        目前,國內(nèi)學者引用較多的是譚頂良教授對此概念的定義,他指出“學習風格是個體學習者所表現(xiàn)出的持續(xù)性的學習方式,囊括了學習者的在學習過程中的策略和傾向,展現(xiàn)出了學習者鮮明的個性”[7]。將上述學者們的觀點進行歸納,可發(fā)現(xiàn)一個共同點,那就是學者們普遍認為學習風格是學習者相對穩(wěn)定的學習方式,該學習方式能夠通過一定的學習行為進行展現(xiàn)。

        1.1 學習風格的分類

        學習風格理論為劃分學習者的學習風格提供了基礎(chǔ)。國內(nèi)外的學者都試圖從學習者個體的差異性進行分析和研究,以此來確定學習者的學習風格,從而更好地進行個性化的教學。目前比較有影響力的學習風格劃分模型有以下幾種[8]:

        1)Kolb模型

        Kolb將學習風格置于學習過程中,并根據(jù)學習風格的知覺和加工動力特征,將學習風格劃分為聚合型、同化型、發(fā)散型、順應(yīng)型[9]。

        2)lotas模型

        勞特斯lotas根據(jù)心理的類型,將學習風格劃分為四種類型:情感Ⅰ、情感Ⅱ、認知Ⅰ、認知Ⅱ等四種類型[10]。

        3)Felder-Silverman模型(簡稱FSLSM)

        Felder-Silverman模型是由Felder和Silverman在1997年開發(fā)的,也是目前為止使用為廣泛的學習風格模型,該模型的主要研究內(nèi)容有自適應(yīng)的用戶建模、分析學習風格、推薦學習策略等,如表1所示[11]。

        表1 Felder-Silverman學習風格模型

        FSLSM因其具備良好的信度與效度,被許多教育領(lǐng)域的專家所認可,其可靠實用的效果也已被證實,尤其適用于分析網(wǎng)絡(luò)環(huán)境下的學習,所以采用FSLSM。

        1.2 學習風格類型與網(wǎng)絡(luò)學習行為的匹配

        1)信息加工維度

        活躍型,較多地利用學習資源協(xié)助學習,喜歡與別人溝通。喜歡在論壇中討論、解答問題,發(fā)帖量較大,訪問時間較長,經(jīng)常參加課堂互動。

        沉思型,喜歡獨自解決問題,在做決策或采取行動之前傾向于仔細思考。在論壇中讀貼量較大,少有發(fā)帖;傾向于認真分析每個問題,確定無誤后提交答案,提交作業(yè)或測試時間較長。

        2)信息感知維度

        感悟型,喜歡事實和具體的學習材料,比較細心。在交作業(yè)前認真檢查,提交時間更長。傾向于用更多的文字來表達,通過在討論區(qū)發(fā)帖、回帖等行為來解決問題。

        直覺型,思維更加靈活創(chuàng)新一些。關(guān)注抽象概念事物,訪問課程大綱的次數(shù)多、時間多,參加安排好的測試次數(shù)較少。

        3)信息輸入維度

        視覺型,查看知識樹圖表、學習視頻等學習資源的時間多、次數(shù)多。視頻反芻比高。

        言語型,善于閱讀文本類型學習資源,任務(wù)點完成率高。發(fā)帖、看帖多。

        4)信息理解維度

        綜合型,傾向于全局思考,訪問教學大綱、知識點總結(jié)的次數(shù)多、時間長。學習天數(shù)多。

        序列型,傾向于按照序列進行學習,點擊上一頁、下一頁導(dǎo)航按鈕的次數(shù)多。

        2 GWO-SVM模型

        2.1 SVM原理

        由Vapnik等提出的支持向量機(SVM),在小樣本、非線性、高維數(shù)據(jù)問題上,體現(xiàn)了良好的建模性能,預(yù)測結(jié)果也更加準確[12]。

        對于一個線性可分的二分類問題,SVM實質(zhì)上就是尋找一個使兩類樣本分布在兩側(cè)的且距離超平面最遠的一個分類超平面。

        設(shè)兩類訓練樣本集為:

        {(x1,y1),(x1,y2),…,(xn,yn)}

        其中,n表示樣本數(shù),xi是第i個樣本v維特征空間輸入值,yi∈{-1,1}。

        在線性可分的情況下,SVM求解的最優(yōu)超平面就可以轉(zhuǎn)化為以下的約束優(yōu)化問題:

        (1)

        s.t.yi(ω·xi+b)≥1,i=1,2,…,l

        式中:ω代表的是所求解的最優(yōu)超平面的法向量;b為偏移量,ωx+b=0就是要尋找的最優(yōu)超平面。

        若樣本為線性不可分,SVM則用非線性映射Φ,將樣本從現(xiàn)有空間映射到更高維的空間Ω上,在Ω內(nèi)就轉(zhuǎn)化成線性可分的問題,可在Ω空間內(nèi)求出最優(yōu)分類平面。但是,核函數(shù)必須滿足Mercer條件,即:

        k(xi,xy)=Φ(xi)·Φ(xj)

        (2)

        綜上所述,通過選擇適當?shù)暮撕瘮?shù)k(xi,xj),便可以實現(xiàn)對非線性樣本的線性分類。在引入松弛變量ξi后,原分類面方程可表示為:

        yi(ω·Φ(xi)+b)≥1-ξ,i=1,2,…,n

        (3)

        式中:ω是分類平面的權(quán)系數(shù)向量;b為分類的域值。最優(yōu)分類面的問題就可以被轉(zhuǎn)化為:

        (4)

        式中:C為懲罰因子,它控制著模型的復(fù)雜度以及逼近誤差。

        在引入Lagrange乘法算子之后,最優(yōu)超平面的問題就可以轉(zhuǎn)化為對偶二次規(guī)劃問題,同時將核函數(shù)的內(nèi)積轉(zhuǎn)換代入,式(3)就可以被轉(zhuǎn)換為如下:

        (5)

        最終的最優(yōu)分類面函數(shù)就表示為:

        (6)

        2.2 灰狼優(yōu)化算法原理

        1)算法概述

        2014年,Mirjalili提出了灰狼優(yōu)化(GWO)算法,模擬狼群家族的社會制度和狩獵策略,以迭代的方式不斷尋找最優(yōu)值的一種群優(yōu)化算法。具有結(jié)構(gòu)簡單、收斂快速等優(yōu)點。

        狼以群居為主,每個狼群中平均有7~12只狼,具有較為嚴格的等級制度[13]。按社會地位高低依次定義α、β、δ、ω狼,α為頭狼,β是α的顧問,δ聽從α和β的指示,ω負責跟蹤圍捕獵物。

        頭狼α帶領(lǐng)捕食活動,首先狼群以團隊形式對獵物進行跟蹤、追趕、靠近,然后從各個方向包圍并恐嚇獵物直到獵物停止運動,最后攻擊獵物。

        2)數(shù)學模型

        D為狼群與獵物的距離,其數(shù)學模型用公式(7)表示,狼群會根據(jù)獵物位置和D更新其位置,用公式(8)表示:

        D=|C·XP(t)-X(t)|

        (7)

        X(t+1)=XP(t)-A·D

        (8)

        式中:X為狼的位置向量;Xp為獵物的位置向量;t為當前迭代步;可調(diào)整系數(shù)向量A、C,使狼可以到達獵物周圍的不同位置,可用公式(9)和(10)計算。

        A=2ar1-a

        (9)

        C=2r2

        (10)

        式中:a在迭代過程中,從2到0線性減??;r1和r2為[0,1]之間的隨機向量。

        設(shè)主導(dǎo)整個圍捕過程的是α,β和δ,而且α狼的位置是最優(yōu)的,其次是β,最后是δ。α,β和δ對獵物的潛在逃竄位置有較好的洞察能力。首先,確定α,β和δ到獵物的距離,如公式(11)所示,再根據(jù)式(12)移動到下一步的位置,ω則根據(jù)這3頭位置最好的狼來更新自己的位置。由以上方法,迭代計算,直至滿足終止條件,便可得到優(yōu)化目標的最優(yōu)解、次優(yōu)解等。

        Da=|C1·Xa-X|,Dβ=|C2·Xβ-X|,Dδ=|C3·Xδ-X|

        (11)

        X1=Xα-DαA1,X2=Xβ-DβA2,X3=Xδ-DδA3,

        (12)

        (13)

        2.3 GWO-SVM模型構(gòu)建

        在SVM模型中,參數(shù)有重要作用,人為給定會導(dǎo)致結(jié)果不理想,所以優(yōu)化參數(shù)是很必要的。利用GWO優(yōu)化SVM中懲罰因子C和核參數(shù)σ這兩個參數(shù),這樣可以有效地提高SVM模型的準確率。GWO優(yōu)化SVM參數(shù)流程如圖1所示。

        圖1 GWO優(yōu)化SVM參數(shù)流程

        3 基于GWO-SVM的網(wǎng)絡(luò)學習風格模型

        3.1 學習風格預(yù)測模型

        基于以上分析,選擇學生登錄學習平臺的時間、課程互動、作業(yè)提交時間、視頻觀看時長、發(fā)帖數(shù)、視頻反芻比、章節(jié)學習次數(shù)、回帖數(shù)、任務(wù)點完成數(shù)、訪問大綱次數(shù)等學習參數(shù),作為量化學習行為的重要指標。在FSLSM學習風格模型的四大維度上,基于GWO-SVM模型對學習風格進行預(yù)測,流程如圖2所示。

        圖2 基于GWO-SVM的學習風格預(yù)測流程

        研究對象為東北林業(yè)大學機電工程學院“電機與拖動”在線課程的學生,在2020年春季4個月的學習過程中的10種學習行為變量為輸入變量,采集了164組數(shù)據(jù),因SVM模型對[0,1]范圍內(nèi)數(shù)據(jù)十分敏感,首先進行歸一化處理,將其中50%作為訓練集,50%作為測試集。然后使用訓練集建立基于GWO-SVM的學習風格預(yù)測模型。核函數(shù)選取RBF,懲罰參數(shù)C和核函數(shù)參數(shù)σ用上述灰狼算進行優(yōu)化,直至滿足迭代終止條件,設(shè)狼群數(shù)為10,最大迭代次數(shù)為10,參數(shù)C和σ的搜索區(qū)間為[0.01,100]。最后,用測試集對學習風格模型的準確性進行評估。分類目標屬性分別是各個學習風格維度屬性。

        3.2 預(yù)測結(jié)果比較分析

        分別通過問卷調(diào)查和GWO-SVM算法兩種方法對學習風格進行分類,得到了相同的80名大學生的兩組學習風格數(shù)據(jù),具體情況如表2所示。

        從表2數(shù)據(jù)中,首先可看出,兩種方法的分類結(jié)論是一致的,該學期“電機與拖動”大部分被測學生的學習風格為活躍型、感悟型、視覺型與綜合型。但是兩種方法預(yù)測結(jié)果在數(shù)值上是存在差異的,分析其原因歸結(jié)為:其一,學生對自身的學習行為認識不夠,調(diào)查問卷帶有一定的主觀性,對自己潛在的學習風格并不自知;其二,影響網(wǎng)絡(luò)風格的因素是十分復(fù)雜的,只選取了十個網(wǎng)絡(luò)學習行參數(shù)作為GWO-SVM網(wǎng)絡(luò)輸入,因而會帶來兩種預(yù)測結(jié)果的差異。所以,為了更客觀地劃分學生在線學習風格,弱化主觀因素對其影響,對于兩種方法有不同學習風格劃分結(jié)果的學生,課程按照GWO-SVM算法預(yù)測結(jié)果分類。

        表2 學習風格分類比較

        其次,觀察表2中數(shù)據(jù)可以發(fā)現(xiàn)同一維度中,問卷調(diào)查結(jié)果人數(shù)相差越小,方法的差異率越小。如視覺型/言語型,問卷結(jié)果為54人/26人,差異率最低為7.5%。分析其原因,是有充分的訓練數(shù)據(jù)對應(yīng)兩種風格,因而差異率越小。因而采集訓練數(shù)據(jù)時,盡量平均對應(yīng)兩種風格。

        最后,從表2的劃分結(jié)果可以看出,學生的學習風格偏向于感悟型和視覺型,這就引導(dǎo)授課教師在建設(shè)課程時,應(yīng)多加一些視頻素材,PPT中多一些動畫素材等。同時,在整理學習行為數(shù)據(jù)時,教師能夠根據(jù)學生對課程資源的利用情況,合理增減資源。

        3.3 學習行為數(shù)據(jù)統(tǒng)計分析

        在以上學習風格分類劃分的過程中,同時對大學生網(wǎng)絡(luò)學習行為的統(tǒng)計數(shù)據(jù)進行了分析。如圖三所示,為學生4月份的章節(jié)學習數(shù)量統(tǒng)計圖,從圖3中可以看出,學生在上課前1天和上課當天的學習量較大,課后1天明顯下降,呈規(guī)律性變化。并且學習量與課程難易程度成正比。

        這說明學生可以根據(jù)課前教師布置的預(yù)習任務(wù),積極地自主學習。這些數(shù)據(jù)對教師來說是一個非常棒的反饋,實現(xiàn)了閉環(huán)教學。

        圖3 章節(jié)學習數(shù)量統(tǒng)計圖

        另外,統(tǒng)計了學生在一天中每個時間段的學習次數(shù),如圖4所示。以4月30日為例是課程前一天,50%以上學生在12點前完成,90%在20點前都完成了預(yù)習任務(wù),說明大部分學生能夠很容易完成預(yù)習任務(wù),預(yù)習任務(wù)難度適中。

        圖4 每日分時段學習次數(shù)統(tǒng)計

        4 學習風格模型在教學中的應(yīng)用

        在后疫情時代,學生們的學習方式更多為線上線下混合式教學。因而,根據(jù)在線學習行為建立的學習風格除了能優(yōu)化在線教學之外,對線下教學也是有指導(dǎo)意義的。依拖電氣工程及其自動化專業(yè)的人才培養(yǎng)方案和“電機與拖動”課程教學大綱,基于學習風格模型和學習行為數(shù)據(jù)統(tǒng)計分析,教師能夠更加深入地掌握學生的基本情況、學習偏好和學習心理。該學期“電機與拖動”大部分被測學生的學習風格為活躍型、感悟型、視覺型與綜合型?;钴S型,傾向于積極做事,喜歡團隊合作;感悟型,喜歡用已有的事實來考慮和解決問題,能按照程序解決學習過程中遇到的問題;視覺型,擅長于記住圖表、照片、視頻等看到的事物;綜合型,喜歡總攬全局,再找解決問題的突破口。所以,教師適時調(diào)整和改善線下課程設(shè)計體現(xiàn)在以下三個方面。

        1) 教學內(nèi)容的優(yōu)化

        在課前,教師提出預(yù)設(shè)問題,讓學生自主查找資料,采用團隊合作方式,給出解決方案。課中,重點分析難點概念,課件中增加圖表和視頻等素材。課后,要求學生將所學不同電機的相同內(nèi)容進行對比和理解,繪制知識導(dǎo)圖,強化對知識掌握。

        2) 教學方法的改革

        在教學方法上增加案例導(dǎo)入、討論交流和頭腦風暴環(huán)節(jié)。教師在授課過程中,增加實際電力拖動案例,讓學生真正地學以致用,極大地提高學生學習熱情。課堂授課采用問題導(dǎo)向的方式,能夠促使學生在討論交流和頭腦風暴時推進對知識點的深入理解。

        3) 教學手段的調(diào)整

        在教學過程中,增加實踐環(huán)節(jié),如三相異步電動機的拆裝,對學習交流電機電樞繞組結(jié)構(gòu)及原理是非常有幫助的。另外,課件中增加動畫等視覺材料,增加學習趣味。

        5 結(jié)語

        建立了基于GWO-SVM的多維度網(wǎng)絡(luò)學習風格模型,研究視角著眼于在線學習行為分析的各個要素層面,系統(tǒng)地分析了大學生在線學習風格特征,完善了在線學習行為分析的指標體系,為教師的個性化線上線下教學提供理論支持。同時,研究對學習風格的建模方法,也可為自適應(yīng)學習系統(tǒng)的建設(shè)奠定了基礎(chǔ)。對于不同風格的學習者,給出不同的學習方案,比如學習內(nèi)容的個性排序,學習資源的分類提供等。最終實現(xiàn)個性化教學,為學習者提供愉悅的學習體驗。

        猜你喜歡
        學習者分類模型
        一半模型
        分類算一算
        重要模型『一線三等角』
        你是哪種類型的學習者
        學生天地(2020年15期)2020-08-25 09:22:02
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        十二星座是什么類型的學習者
        分類討論求坐標
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        漢語學習自主學習者特征初探
        午夜无码片在线观看影院y| 91精品国产综合久久久蜜| 偷拍一区二区视频播放器| 久久影院午夜理论片无码| 国产精品制服| 亚洲AV永久无码精品导航| 天天中文字幕av天天爽| 亚洲成人av在线播放不卡| 经典三级免费看片天堂| 亚洲国产精品无码专区在线观看| 性大毛片视频| 国产日韩欧美在线| 久久一二三四区中文字幕| 亚洲国产中文字幕一区| 中文字幕人妻少妇引诱隔壁| 欧美激情a∨在线视频播放| 国产精品视频牛仔裤一区| 国产综合精品久久亚洲| 免费人成视频网站在线观看不卡 | 日本高清一区二区三区色| 人妻系列中文字幕av| 国产黑色丝袜在线看片| 人妻少妇精品久久久久久| 天天看片视频免费观看| 精品国产1区2区3区AV| 国产中文字幕免费视频一区| 麻豆tv入口在线看| 末发育娇小性色xxxxx视频| 一区二区三区日本大片| 日本中文字幕一区二区在线观看| 国产三级视频不卡在线观看| 国产成人涩涩涩视频在线观看| 亚洲国产成人手机在线观看| 国产男女猛烈无遮挡免费视频网址 | 亚洲写真成人午夜亚洲美女| 无码任你躁久久久久久老妇| 亚洲熟妇在线视频观看| 91热久久免费频精品99| 中文字幕人妻伦伦| 少妇无码av无码专区线| 日韩爱爱网站|