【技术实现步骤摘要】
本专利技术涉及智慧教育，具体是涉及到一种大规模在线协作学习的动态分组优化方法、装置及介质。
技术介绍
1、随着信息技术的飞速发展，在线教育得到了广泛应用，尤其是大规模开放在线课程（massive open online course，mooc）迅速普及，为全球学习者提供了灵活、高效的学习机会。与传统线下教学相比，mooc能够容纳数以万计的学习者，这极大地扩展了教育的覆盖面。然而，参与大规模在线学习的学习者具有多样化的学习背景、文化背景和个性特点，这为学习管理和学习效果的提升带来了巨大挑战。
2、在mooc环境下，学习小组的构建和协作学习的有效性对提升学生的学习效果至关重要。通过合理的小组分组，学生可以在协作学习中相互启发、优势互补，从而提高学习效率。然而，大规模在线学习环境中存在以下问题，使得学习小组的分组变得尤为复杂：
3、（1）大规模在线学习环境中的学习者人数众多，且分布在不同的国家或地区，具有多样的文化背景、不同的语言能力和学习习惯。这些特征的多样性使得构建适合学习需求的小组分组变得困难。例如，学生在信仰、语言能力、信息技术熟练度等方面存在显著差异，而这些特征可能会显著影响协作学习的效果。
4、（2）当前的学习小组分组方法往往基于学生的基本信息（如知识水平、学习风格等）进行分组，这忽略了学习者在在线学习平台上累计的多维历史学习数据的分析和利用。尤其是在学习过程中，学生的学习表现和能力会随着课程进展而动态变化，这种变化性难以被传统分组方法捕捉，从而导致分组效果不佳。
5、（3）
6、（4）当前主流研究和实践往往关注单一目标，如提升学生的协作能力或发挥学生的某些特定优势，而忽略了其他目标的平衡。例如，如何同时降低学生的学习孤独感、避免学生之间的冲突、激发学生的多方面潜能等，仍是未被完全解决的关键问题。
7、（5）面对大规模学习者分组的计算需求，传统算法难以在有限时间内提供高效的优化方案。此外，在线学习环境中还存在多种特定的约束条件需要满足，例如学习者之间的时间冲突和语言差异等，这进一步增加了分组问题的复杂性。
8、目前，已有部分研究尝试通过聚类算法、优化模型等技术对学生进行分组，但它们主要适用于中小规模学习场景，难以有效处理大规模在线学习环境的高复杂度需求。例如，传统方法较少考虑大规模在线学习环境下学生多样化特征（如信仰、语言能力、信息技术熟练度等）的影响，也未能充分挖掘学生在学习平台上积累的多维历史数据。此外，许多方法构建的学习小组以静态分组为主，缺乏动态调整能力，未能根据课程不同学习阶段的需求优化分组方案。
9、综上所述，大规模在线学习环境中的学习小组分组仍面临诸多挑战。如何有效挖掘学习者的多维特征，动态调整分组方案以满足不同学习阶段的需求，同时提升学习效果并降低学习孤独感，是当前在线教育领域亟待解决的问题。
技术实现思路
1、本专利技术提供了一种大规模在线协作学习的动态分组优化方法、装置及介质，其目的是解决大规模在线学习环境下学习者特征多样性和学习需求动态变化所导致的学习小组分组效率低、效果差、难以动态调整的问题。
2、为实现上述目的，本专利技术第一方面提供了一种大规模在线协作学习的动态分组优化方法，包括如下步骤：
3、从在线学习平台采集学生登录后填写的问卷信息、课程相关信息以及学生在学习过程中的行为数据，分别存储至学生信息数据库、课程信息数据库和学习历史数据库；
4、基于学生信息数据库和课程信息数据库中的行为数据，构建反映学生特征信息和课程特征信息的知识图谱；
5、应用图嵌入算法对知识图谱中的节点进行特征学习，生成节点嵌入向量；
6、使用聚类算法对节点嵌入向量进行聚类，生成学习者分组的初步结果；
7、基于聚类结果结合学生信息数据库和学习历史数据库中的数据，使用单值中智集来对学习者的能力进行刻画和描述，对每个学习者生成学习者画像；
8、根据学习者画像结合预设的小组长筛选标准，选取适合担任小组长的学习者；
9、基于组员与小组长的综合匹配度以及分组约束规则，采用优化算法对组员进行分配；
10、根据优化分配结果生成学习小组，并在学习过程中动态调整分组。
11、进一步的，知识图谱的构建方法包括：
12、从学生信息数据库中提取学生的特征信息；
13、从课程信息数据库中提取先修课程的特征信息；
14、基于学生的特征信息和先修课程的特征信息，设计本体模型；
15、根据本体模型，将学生、课程及其特征信息组织为知识图谱的节点，将节点之间的关系表示为边，构建初步的知识图谱；
16、根据初步的知识图谱中的实体及其关系，结合权值信息完善知识图谱，得到最终的知识图谱。
17、进一步的，应用图嵌入算法对知识图谱中的节点进行特征学习，生成节点嵌入向量，包括以下方法：
18、基于所构建的知识图谱，确定图中的节点和节点之间的关系权重，所述节点包括学生特征、先修课程、习题及知识点，所述关系权重用于表示节点之间的关联强度；
19、对知识图谱中的节点关系进行一阶相似度优化和二阶相似度优化，其中，一阶相似度通过直接相连的节点对低维嵌入向量的相似性进行优化；二阶相似度通过拥有共同邻居的节点对低维嵌入向量的相似性进行优化；
20、基于一阶相似度优化和二阶相似度优化，分别训练得到对应的节点嵌入向量，并对两种节点嵌入向量进行融合，生成节点的最终嵌入向量。
21、进一步的，使用聚类算法对节点嵌入向量进行聚类，生成学习者分组的初步结果的方法包括：
22、基于聚类算法的需求，设置聚类特征树的分支平衡因子、叶平衡因子以及空间阈值，分别用于控制内部节点的分支数量、叶子节点的聚类特征数量及叶子节点中每个聚类特征的直径或半径的最大值；
23、将接收到的节点嵌入向量逐个插入聚类特征树，若聚类特征树为空，构造一个叶子节点及一个子簇，并将数据点插入其中；若聚类特征树已存在节点，逐一检查插入数据点后是否超过空间阈值、叶平衡因子和分支平衡因子；若均未超过，则完成插入操作；若超过任一参数值，则根据具体情况进行节点分裂和簇分裂操作，创建新的节点和簇；
24、对聚类特征树中的每个叶子节点及非叶子节点更新其聚类特征信息；在节点分裂或簇分裂后，将新生成的节点信息递归向上更新至父节点，直至根节点；
25、通过聚类特征树的构造完成学习者的初步分组。
26、进一步的，基于聚类结果结合学生信息数据库和学习历史数据库中的数据，使用单值中智本文档来自技高网...
【技术保护点】
1.一种大规模在线协作学习的动态分组优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，知识图谱的构建方法包括：
3.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，应用图嵌入算法对知识图谱中的节点进行特征学习，生成节点嵌入向量，包括以下方法：
4.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，使用聚类算法对节点嵌入向量进行聚类，生成学习者分组的初步结果的方法包括：
5.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，基于聚类结果结合学生信息数据库和学习历史数据库中的数据，使用单值中智集来对学习者的能力进行刻画和描述，对每个学习者生成学习者画像的方法包括：
6.如权利要求5所述的大规模在线协作学习的动态分组优化方法，其特征在于，选取适合担任小组长的学习者的方法包括：
7.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，基于组员与小组长的综合匹配度以及分组约束规则，采用优化
8.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，优化算法根据动态分组需求进行调整时，还包括以下步骤：
9.一种大规模在线协作学习的动态分组优化装置，其特征在于，包括如下模块：
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-8任一项所述大规模在线协作学习的动态分组优化方法的步骤。
...【技术特征摘要】
1.一种大规模在线协作学习的动态分组优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，知识图谱的构建方法包括：
3.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，应用图嵌入算法对知识图谱中的节点进行特征学习，生成节点嵌入向量，包括以下方法：
4.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，使用聚类算法对节点嵌入向量进行聚类，生成学习者分组的初步结果的方法包括：
5.如权利要求1所述的大规模在线协作学习的动态分组优化方法，其特征在于，基于聚类结果结合学生信息数据库和学习历史数据库中的数据，使用单值中智集来对学习者的能力进行刻画和描述，对每个学习者生成学习者画像的方法...
【专利技术属性】
技术研发人员：马华，符湘茹，姚旭灿，胡心怡，刘坤儒，唐文胜，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。