文摘
在现代网络环境下,无处不在的学习一直是一个受欢迎的方式为人们学习知识,交流思想,分享技巧的网络空间。现有研究成果表明,学习者的主动性和社区凝聚力在无处不在的学习的社会扮演重要角色,因此如何激发学习者的兴趣和参与的意愿,在学习过程中提高他们的愉快的经历在这个问题上应该是首要考虑的问题。本文旨在探索一种有效的方法来监控学习者的心理反应基于他们在网络空间行为特征,因此提供有用的参考调整策略的学习过程。在这一过程中,本文首先分析学习者的心理评估的情况以及他们的典型行为模式之间的关系,然后讨论了学习者的心理反应和他们在网络空间可以观察到的特征。最后,本文提出了一种CyberPsychological计算的方法来估计在线学习者的心理状态。考虑到学习者的多样性的习惯性行为反应他们的心理变化,提出了一种BP-GA神经网络的计算基于个性化的行为模式。
1。介绍
在当今社会,无处不在的学习(U-learning)带来了神奇的改变传统教育(1- - - - - -3]。在新的学习模式,如网络,网络公开课ThinkQuest, Microlearning,(大规模网络公开课)4- - - - - -7),学习者可以在任何时间访问网络资源,在任何地点,通过任何多媒体终端,他们可以加入一个开放的社区学习知识、交流思想,分享在网络空间技能(4,5]。
无处不在的学习在这种情况下,参与者形成一个生态社会社区显示许多新特性,是由共同的动机和目标,持续的良好氛围,和情感上的沟通,以及愉快的经历(8,9]。许多研究人员已经发现,一个社会的有效性和可持续性社区无处不在的学习很大程度上依赖于学习者的主动性和社区凝聚力,因此被认为是最重要的问题是如何激发学习者的兴趣和参与的意愿,以及提高他们的愉快的经历(8- - - - - -10]。
在过去的一个世纪,学习理论已经取得了很大的进步。建构主义、情境认知和非正式学习理论为无处不在的学习提供指导通过专注于个人的成长的知识,并旨在提供新的在线智能虚拟互动,学习者和无缝学习模式等情境特征的基础上,地点,时间,和环境3,8]。研究发现在neuroeducation神经科学奠定基础,提供理论和大脑神经机制研究无处不在的学习(11]。特别是最近的工作在这个领域一直支持的先进技术,如fMRI(功能性磁共振成像)、erp(与事件相关电位),和DTI(弥散张量成像)。特别是,血氧水平依赖功能性磁共振成像(Bold-fMRI)已经成功地应用于神经活动的研究认知和情感在教育(10,12- - - - - -16]。
然而,无处不在的学习的环境和模式在社会社区完全不同于那些在教室里。不同的社交媒体和交互活动参与者之间的所有主要影响认知,情感和态度在学习过程8,16- - - - - -18]。近年来,声音微信等社交媒体,QQ(中国),ICQ, WhatsApp(美国),和行(日本)和各种即时语音通讯工具的流行的沟通方式无处不在的学习。而促进传达语义信息、声乐社交媒体也可以传递丰富的情感信息(19]。这种变化导致了重大影响不仅提高参与者的经验和感觉属于特定的社会群体,因此提高他们延续意图这些团体(20.),但也加强成员之间的人际关系在这些团体和社区的凝聚力和认知一致性在这个社区19,21]。一项新的研究表明,在社会互动活动社区可以导致传播效果五个相互影响的层,信息,情感,态度,行为,和文化,容易导致一些组织的“小世界”有密切关系在社区(16,19]。
因此,考虑到新特性和特殊的网络环境,需要对无处不在的学习理论的进一步研究提供了全面、系统性的指导改善组织模式,学习行为,及教学技能,其中包括教育学的跨学科领域,心理学、社会学、组织行为学、神经科学和信息技术。学者们关注上述问题在1990年代。《网络心理学,由约翰·南博士在他的书超文本与第一个版本“心理学的网络空间”出现在1996年1月,推出了原始概念框架对于理解人们的反应和行为在网络空间(22]。《网络心理学和社会神经科学的进展。23)提供了新的理论和新的方法计算智能在网络空间的发展。
通过情感计算(24)学习者的反应和他们的行为数据,无处不在的学习系统可能有情商25),使学习更加“智能”戴教授于2012年被定义为机器能感知和应对人类情感需求和提供完整的人性化服务结合理性和情绪智力[26]。这个概念已经应用在广泛的领域,比如智能教育、智能城市、智能医疗、和智能服务(27,28]。
本文旨在探索一种有效的方法来监控和分析学习者的心理反应根据可观察到的行为在网络空间,因此帮助进行智能无处不在的学习教育。本文组织如下。部分1介绍研究的背景和动机。部分2论述了研究模型。CyberPsychological计算方法提出了部分3实验和结果部分4。部分5是结论和讨论。
2。心理评估和行为模式
2.1。心理评估学习者的情况
社会无处不在的学习社区是受很多因素影响与社会、心理、组织、管理和技术方面。自1990年代以来,许多学者如韦伯斯特和哈克利[29日],希尔和Hannafin [30.],Hannafin et al。31日)研究了影响因素和认知特点与无所不在的学习环境。在后期的研究中,中国学者得出的影响因素作为一个虱子(学生、教师、课程和环境)模型(32]。
最近的实验观察表明,一个理想的学习气氛,视觉效果好,愉快的声音,合适的主题和材料,和积极的评价反馈是最重要的因素,引起学习者的兴趣无处不在的学习和导致了愉快的情感体验(10]。为了动态地调整策略,学习者的心理反应,如注意力、兴趣、情感、和满意度通常应用在学习过程监控变量(17]。虽然上述四个变量实际上是不独立的,学习者可以清楚地了解他们,每个变量作出准确的主观评价。因此,动态的心理评估学习者的情况可以表示为公式 在哪里在不同的时间代表了心理评估的向量由学习者和给出,,,代表的关注,兴趣,情感,和满意度,分别在时间。
得分的校准记录如表所示1。这里,注意力和兴趣与强度从0到10的比例不同从低到强,但情感和满意度比例从−5 + 5的极性和强度变化从最负非常积极。
2.2。在学习过程中行为模式
在无处不在的学习,学习者的行为可以分为三个类别从简单到复杂:操作行为,信息交换行为,和解决问题的行为33]。然而,学习者的心理反应主要是反映在他们的习惯性行为是由一系列的基本行为在网络空间(8]。
每个学习者的习惯性行为的模式可以表示为公式 在哪里代表了行为模式与心理反应有关,代表了一系列的基本行为在一定时期内下的心理反应,的参数是。
行动的数据主要来自服务器的日志文件或者通过一些网上的跟踪工具。网页的开关频率和保留时间,位置和移动鼠标,键盘操作都是重要的参数作为特征反映了学习者的心理反应。例如,如果学习者有很强的兴趣,是一个相当不错的心情,他/她往往停留在有趣的网页,使用频率较高的他/她的鼠标和键盘,回答问的问题更迅速,更愿意做出积极评价。相反,如果他/她是焦虑和烦躁,他/她会经常切换从一个网页到另一个,在大范围快速移动鼠标,给出否定的反馈更有可能(10]。戴教授提出了CPP (CyberPsychological和物理)基于社会神经机理和计算方法得出15一般网络用户的习惯性行为的基本动作如表2(34]。
2.3。在网络空间行为特征
学习者的心理反应是一系列神经活动的结果由大脑机制(8],它不仅会产生激活反应在他们的大脑,但也导致相应的生理信号的变化(如脑电图、心电图、功能、呼吸、皮肤温度)和外部表现(例如,演讲,面部表情,手势,动作)和可能的后续行为(16,23,35,36]。因此,心理计算在实际环境中可以通过分析表达模式进行反应的生理信号,外部表现,和随后的行为基于融合特征对应于一定的反应在大脑区域10,13,26]。
然而,在无所不在的学习环境可能从学习者可以获得的信息是他们可以观察到的行为以及产生的语音和视频信号在某些情况下他们的网上活动。考虑学习者的保护隐私,CyberPsychological计算不能基于内容分析和语义检测上述信息。幸运的是,技术的心理计算从语音和视频信号在近几年发展迅速。例如,进展的语音信号基于其声学特性参数如讲话速度,声音强度,频率,LPCC线性预测倒谱系数),和MFCC(梅尔频率倒谱系数)19,37,38]。
在我们的研究中,我们主要考虑学习者的可以观察到的行为在网络空间的行为特征。学习者之间的关系的心理反应和可观察到的特性有关的习惯性模式学习者的行为,这是依赖于统计研究在现实情况。图1显示三个学习者的行为(,,几乎相同的心理反应(在10%的相对误差)一段10分钟。
从图1,我们可以发现大多数学习者的行为行动2号和行动数字4,但行动的命令有多样性和频率不同的学习者,这表明CyberPsychological计算应基于学习者的个性化的行为模式。
3所示。CyberPsychological计算方法和技术
3.1。计算方法
为了监控学习者的心理反应在学习过程中,我们提出一个CyberPsychological计算方法如图2。课程信息,学习者的ID和网页信息以及操作鼠标和键盘的在线监测和计算系统获得的。预处理后,这些数据存储在一个数据库培训或由BP-GA神经网络计算。
在学习系统,在线活动,如回答问题、检索信息,讨论问题,互相聊天,和提交作业都分配在网页不同的功能区域。因此,网页的布局结构及其相关信息提取协助识别学习者的行动。
网页上的每一个元素的变化,如移动、点击、滚动鼠标或键盘的操作,将触发相应的JavaScript函数。为了满足实时数据采集的要求,我们采用PHP语言程序上面的JavaScript函数和处理鼠标和键盘数据采集、智能多重代理技术可以实现的(10]。
正如我们之前所讨论的,学习者的心理反应是在各自不同的习惯性行为和CyberPsychological计算应基于个性化的行为模式。因此,我们考虑学习者的ID和他/她的历史行为模式的方法。学习者的心理反应的计算基于行为特征的学习过程可以被看作是一个动态和非线性估计问题,机器学习。所以的主观心理评估学习者的情况下应该由他们的样本训练。
非线性回归、卡尔曼滤波、人工神经网络(ANN)和SVR(支持向量回归)已报告成功的技术解决上述估计问题[10,19]。然而,学习者的心理反应和他们之间的关系可观测的特点在网络空间是受到很多因素的影响。BP神经网络具有数据分布上没有具体要求,没有对多重共线性的影响,异常数据,可以通过增加训练样本显示输入和输出变量之间的隐含关系更全面和获得更高的估计精度,所以适当的来解决这个问题。为了加快收敛速度以及提高泛化能力的计算(39,40),我们采用BP-GA神经网络技术在我们的方法。
3.2。BP-GA神经网络
BP(反向传播)神经网络是一个非线性函数建立不确定的和连续的输入和输出变量之间的关系基于机器学习训练样本。它可以不断修改网络权值和阈值的误差反向传播算法(BP算法)和达到目标的最小化均方误差。然而,传统的BP神经网络容易导致nonconvergence问题或陷入局部极值。可以克服这些缺陷结合遗传算法(GA) (39,40]。
图3显示了CyberPsychological BP-GA提出神经网络计算方法。A3-layer BP神经网络主要用于改进广义输入和输出变量之间的关系和生产的估计心理反应学习者根据可观测的特点在网络空间。在这个计算,遗传算法有助于加速收敛速度和防止网络局部最小值点通过优化BP网络的权值和阈值。
输入层有12个节点组成的课程信息的数据,学习者的ID,鼠标操作,和键盘操作。输出层有四个节点,对应于学习者的心理反应的得分公式(1)。隐藏层设置与22节点根据我们的测试结果。
BP-GA神经网络运营与培训首先由一组样本数据进行测试并记录在现实情况。它收敛于稳定状态后,BP-GA神经网络可以应用于计算的学习过程。
4所示。实验和结果
实验基于一个培训课程的生活健康和医疗紧急救援。为了排除教师的影响,我们编辑这门课到20节课都教的视频教程和操作在设计控制程序的学习过程。每课跑了50分钟,分为5期(从来),在每个时期不同的活动安排。图4显示了每堂课的学习过程的设计这门课。
学习者是16社会参与者学习超过60小时在正常和稳定的环境中无处不在的学习社区。他们被要求在40天完成这门课。然而,他们可以自由安排学习时间在一个无所不在的学习环境。在这个实验中,我们指定不同的活动在每个时期的一个讲座,要求学习者心理评估的一般情况下每个时期的最后1分钟。
表3显示了在每个周期持续时间和活动的讲座。
最后我们的实验中,11个参与者成功完成本课程并提供完成主观评估学习过程的心理反应。我们随机的记录中提取16讲座作为BP-GA神经网络的训练样本,其余的4节课的测试计算结果。上述过程进行了3次。表4的测试结果是CyberPsychological计算。
表4显示估计的相对误差学习者的注意力、兴趣、情感和满意度−15.4%,6.0%,22.3%,和17.1%,分别。它表明,我们的方法可以实现一个精度接近78%,可以提供有效的监控学习者的心理反应的一个真正的无所不在的学习环境。从表4的关注,我们可以发现错误,情感,和满足更大的利益。这是因为学习者可能有更多的行动去寻找更多的细节在这种状态下他/她的有趣的内容。注意力的标准差,情感,和满意度大于到期利息少可能行动在上面的状态,这将导致更多的偏差计算中的错误,因为较小的观测数据。然而,计算精度可以显著改善如果一个互动活动。例如,系统可能会建议一个响应是由学习者有较小的行动,问他/她一个问题或者让他/她来讨论与其他学习者。
通过分析学习者的心理反应和他们不同的特点在学习过程中,我们可以探索统计分布和节奏的变化在不同时期学习社区和场景,发现学习者的ROI(感兴趣的区域)。这对学习策略的设计有着重要的影响,如按需的教育方案和教学计划,更有吸引力和愉快的学习者提供最先进的教学模式,技能和技术的智能教育一个无处不在的学习环境10]。
5。结论和讨论
与现代信息网络和移动通信技术的发展,个性化的学习在一个无所不在的学习环境已经成为可能在网络空间可以由多种多媒体终端随时随地。它带来了新变化理论,传统教育的手段,和模式。在U-learning环境中,学习者的心理反应和学习经验有显著影响刺激他们的学习兴趣,提高教学效率。
本文旨在探索一种有效的方法来监控学习者的心理反应基于他们在网络空间行为特征,因此提供有用的参考调整策略的学习过程。作为CyberPsychological综合研究的结果,提出了基于BP-GA神经网络计算方法估算的在线学习者的心理状态。实验结果表明,它可以实现精度接近78%。
未来的研究应考虑的动态心理反应学习者通过生理信号的研究如脑电图、心电图,功能,呼吸,皮肤温度可穿戴设备系统和协助获取更准确的心理评估学习者的情况。此外,影响因素不同的讲座的内容和学习共同体的统计分布以及其不同特点的学习过程都是值得进一步探索基于更多的病例和样本。
信息披露
宣,Genghui戴,黄霜的共同第一作者。Genghui戴和Xuemin太阳联合相应的作者。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究受到了第二次定期会晤中国和塞尔维亚项目科学技术合作(没有。2-9/2013),上海哲学社会科学计划,中国(没有。2014 bgl022),四川省教育部门的科研基金项目(没有。15 sb0219)和项目四川音乐学院(CY2014173)和通过一个跨学科的团队由宣周,戴Genghui,黄霜。