文摘

由于流行,网络课程学习已经成为世界范围的一个主要为学生学习方法。分析其庞大的数据大规模在线教育平台成为一个挑战,因为大多数学习者在线观看教学视频。因此,分析学习者的学习行为,有利于实现个性化在线学习策略与情感分类模型。为此,我们提出了一个上下文感知网络模型基于迁移学习,旨在预测学习者解决学习者的表现问题和改进教育过程,导致此类学生的行为的综合分析和探索各种学习模型蕴藏视频交互。此外,我们可视化和分析蕴藏视频交互,使课程教师和教育专家分析点击流数据生成的学习者和课程视频互动。实验结果表明,“大规模数据挖掘,”过程中模型的个性化的学习策略可以有效地提高学生的学习兴趣,使不同类型的学生制定个性化的在线教育学习策略。

1。介绍

在过去的几十年里,科技进步发挥了重要和突出的作用在教育的发展过程。大规模网络公开课程(蕴藏)是一个杰出的创新领域的教育,在越来越多的人参与在线学习(1]。特别是,流行病的影响使得通过网络课程学习平台(例如,Coursera、edX和Udacity [2)学生学习的主要方式在世界范围内,主要提供视频课程,测验,和论坛3]。在线视频课程的个性化的设计起着重要的作用在学习者的兴趣和吸引学生的主要支点继续学习这门课程。在线学习平台可以存储在weblog学习者数据,其中包括他们的个人信息和与课程内容的交互(例如,视频,点击流活动、论坛讨论、和评估)。视频点击流(例如,播放、暂停、搜索和停止)发生时捕获并存储。大多数学习者花费他们大部分的学习时间看视频课程,因此,[许多learner-video交互问题逐渐出现4]。

学习者情感分析可以由收集、分析和表示数据相关学习者和课程之间的相互影响,为研究人员和教师提供了一个机会来理解学习者的行为和评估他们的表现与视频内容(通过他们的交互5]。几项研究对学习者接触和探索学习者行为模式的视频交互都集中在分析收集的数据从学习者的交互与不同形式的课程6- - - - - -8]。与此相关,许多研究已经提供了很多机制来改善网络公开课的学习质量,探索接触行为和课程内容来预测学习者的性能和降低辍学率[9,10]。

教育环境面临日益增加的复杂性和多样性(11];例如,来自不同地区的学生可以采取同样的课程。关于多样性,教学设计者不断的挑战,以适应学生的个人需求。因此,他们必须采取教学方法适合不同的学生12]。这是个性化学习的流行的原因。国家教育技术计划中定义的个性化学习支持的美国教育部意味着学习平台可以优化学习路径和教学方法基于每个学习者的需要(13]。这样的学习平台,使学生追求他们的个人学习目标在自己的节奏14]。因此,个性化学习的主要优点是能够适应不同学生的需求。这个好处是得到经验证据的支持,这意味着个性化学习使教学设计者,以满足学生的需求,帮助学生澄清和改善他们的学习目标的理解15,16]。

基于全面观察的个性化项目,它应该包括个性化学习材料、个性化的图形用户界面、个性化的学习活动、个性化学习策略帮助,和个性化的合作17]。他们使用智能代理从三个不同的角度:个性化学习环境,学习者和教师(18]。许多研究人员致力于创建一个个性化在线学习系统来帮助学习者提高他们的学业成绩。然而,主要的个性化在线学习系统不考虑学习者的能力和难度排行榜推荐主题。此外,个性化的学习轨迹的连续性过程需要考虑学习者的学习过程顺畅。这是因为不合适的课件可能导致过载或学习不了解,可能影响学生成绩(19]。

同样,网上学习需要注意学习方式和个体差异。为此,本文提供了一个更新的当前研究讨论各种各样的个体差异,包括学习风格、情绪状态、性别差异和先验知识。这项研究集中在视频点击流数据在蕴藏。分析研究主要集中在研究学习者的性能通过视频接触行为使用显式特性如视图和注释(20.,21]。因此,分析学习者的学习行为是有利于实现个性化在线学习策略与情感分类模型。为此,本文旨在提出一个基于迁移学习上下文感知网络模型,旨在预测学习者的性能,解决他们的问题和改善教育过程,导致此类学生的行为的综合分析和探索各种学习模型蕴藏视频互动(22]。我们也想象蕴藏视频交互,使课程教师和教育专家分析学习者所产生的点击流数据交互与课程视频隐式特征而不是明确的特征。通过这种方式,可以分析学习者的行为在蕴藏课程视频影响他们的性能,使个性化的网络教育的发展为不同类型的学生学习策略。

众所周知,深度学习和人工智能技术的应用领域的教育一直是在线教育的王冠和许多在线教育企业在做什么。然而,到目前为止,尽管有许多深入学习和人工智能解决方案,没有很多项目,可以在实践中应用和实现。大多数解决方案还在概念阶段或数据收集阶段,这仍然是一个实际应用的距离。本文将个性化的题库系统实际使用中蕴藏的教学为例,详细介绍教育系统的技术原理,基于深度学习技术和信息架构设计技术在实际的应用程序。随着机器学习的普及和深度学习,推荐算法基于机器学习和深度学习近年来逐渐成为主流应用技术。

本文的贡献如下:(1)我们设计了一种新型神经网络模型对在线学习,和学习方法是学习转移,可有效处理信息蕴藏的在线课程视频(2)为了有效地提取重要特征,我们设计一个基于自由选择特征提取方案(3)我们已经做了大量的实验结果证明了该方案的优越性

剩下的纸是组织如下。部分2描述了相关工作,提供不同的个性化在线学习策略的概述。部分3介绍了上下文感知网络模型的学习提出了转移。第四节显示了实验装置和蕴藏的引入数据挖掘。第五节可视化蕴藏的数据分析和模型的绩效评估。第六节总结本文并讨论了本文的局限性。

1.1。相关工作

电子学习可以帮助传统的学习过程向前一步通过为学生提供的材料,可以帮助他们学习随时随地(23,24]。然而,许多研究表明,基于网络的在线学习仍然缺乏情报可能不适合每一个学习者的特点25]。黄等。7)提出一个自治自组织方法通过创建学习对象(LO),可以为学习者提供一个好的结构。介绍了三种常见类型的学习资源过滤(10:基于内容(CB)、协同过滤(CF)和混合过滤(高频)。使用CF (26)将基于相似性分析学习者的成绩,然后预测哪些物质更适合他们。相比之下,缺乏评级CF方法讨论了缺陷(11),当用户没有足够的评级文档。CF方法将面临困难与高数据稀疏。CB是通过为每个学习主体提供建议,配合学生的学习目标和偏好。因此,CB将考虑一些学习者的因素,如他们的技能或天赋,目标,态度,和心理上的风格在CB推荐系统(7,16]。

Albatayneh et al。27)为学习者提供建议的提出,基于内容的电子学习系统匹配他们的个性与某一特定课程的学习成果/目标。陈和王28手持设备上)实现个性化学习,以适应学生不同的认知风格。Tlili et al。29日)开发了一个个性化的教育游戏基于学习者的个性。

基于以前的工作,它可以得出的结论是,个性化学习在许多方面需要提高:设施、基于内容的推荐,内容过滤和协同过滤,以满足学习者的偏好。本文的目的是提出一个基于个性化的学习模型学习算法转移到屏幕上的学习方法有助于减少学生的失败因素。

2。基于迁移学习环境敏感网络模型

2.1。蕴藏数据采集目标

本节提出的想法实现深度学习在现有物联网系统架构。建筑分为两个部分,其中一个是相机收集一部分学生行动的视频运动识别(4,14]。视频的收集分为11个小视频剪辑与四个不同的行动为学生:进入教室,站着,坐着,走出教室。然后分为视频图像与特定的帧和video-to-image分类的数据集进行了探讨。在物联网系统识别学生的活动,它结合了传感器数据集的结果,并确定是否蕴藏视频内容的重点是基于数据的上下文以及决定是否通知学生,他们应该关注学生。每10分钟,过程需要数据读取环境敏感传感器。图1描述了数据收集和识别过程的传感器来控制学生使用通知信息。做两个不同的实验来预测视频和传感器的输出数据集。卷积三维(C3D)模型应用于动作识别和长期和短期记忆(LSTM)预测传感器的输出30.]。

收集数据,创建一个教室环境敏感的传感器。收集传感器数据通过一个覆盆子π董事会和学生运动被摄像机记录。收集的数据来自温度、湿度、亮度传感器使用低功耗环境敏感传感器。使用MySQL [7)来管理数据库。Video-to-image数据要求大型数据集获得适当的效率,所以使用C3D数据集的数据集足够大的用于训练和测试的行动识别实验。使用被动红外传感器(PIR)占地360°,最大的运动区域可以被探测到。同样也可以分开使用不同传感器采集不同的数据,当学生进入教室。

位置传感器数据采集的传感器覆盖所有可能的空间,所以错误减少。PIR传感器放置收集所有的行动都收集在提供的MySQL数据库服务器。

2.2。基于蕴藏视频数据传输学习

转移是一种常见的学习方法,训练小域数据集大域数据集。在实际应用中,大多数的数据集通常是最大的领域,特征提取可以有效地利用。C3D和转移学习模型提出了如图2展示蕴藏数据可以结合课堂学习人类行为数据域和转移。自从蕴藏一个人被教导的数据,而课堂行动数据集是由多人操作,数据面临着巨大的挑战在转移学习(31日]。

在图2,我们假设C3D特征图提取的的数量N和大小是米×米。输出的nth (n= 1,2,…N)功能映射学习特征提取后千如下: 在哪里代表地图中的像素值n特性。

输出的lth (l= 1,2,…,1024)在第一隐层神经元C3D 在哪里f代表了ReLU激活函数,代表第一隐含层之间的连接权值和平层,和代表相应的偏差项。

类似地,输出的dth (d= 1,2,…,1024)在第二隐层神经元C3D 在哪里代表第二个隐层之间的连接权值和第一个隐层神经元和代表相应的偏差项。

完全连接的输入层和 ,并将Softmax分类器的输入输出的预测概率的形式:

当大于0.5小于0.5,这意味着模型识别学生关注学习的结果,反之亦然。

转移学习有助于构建网络知识共享的概念,实际上帮助与学习训练数据集的概念32]。在这篇文章中,我们实现转移学习训练我们的实验数据集使用一个大型区域蕴藏视频数据集的数据集和应用这个学习C3D转移。本文模型成功地抓住了第一个任务的特征向量,然后重新定义卷积函数用额外的一层完全连接,通过特征向量。使用128层的卷积来提高编程效率,传输的图像数据集添加学习不需要大的过滤层。最后使用完全连接层,可以执行分类。这使得很容易转移的知识网络来执行另一个任务。最后,战略个性化学习通知学生。

2.3。上下文感知网络

进一步整合所有蕴藏的场景,我们这些为有效类别分类,进一步加强学生的战略发展在线个性化学习。完整的体系结构如图3,这表明提出的上下文感知网络与转移学习建筑作品。可以看到两个不同的体系结构并行工作收集和预测传感器和动作识别输出。转移学习是人类行为的图像数据集上执行。第一部分是动作识别,显示如何收集数据和用于特征提取。C3D作为特征提取工具来确定四种不同的学生在课堂上的行为,也就是说,进入,坐着,站着,离开教室。CNN可以说是最广泛使用的方法在人类行为识别。它由多个隐藏和池层和完全连接层。

第二部分是估计传感器使用LSTM阅读未来的教室。一系列的传感器读数,如 , ,和 ,被用来预测传感器读数的时间吗 ,在哪里 , ,和表明学生的心理状态、学习能力和注意在线视频在时间我,分别。确认学生活动和预测传感器读数 被送入地面实况数据个性化制定具体的计算。动作识别的输出(1,0,0,0),(0,1,0)(0,0,1,0)、(0,0,1,0)和(0,0,0,1),和每个值表明,学生是“记录”,“思考”,“看视频”和“眼花缭乱。“通过归一化层,确定行动值和预测传感器值变成0和1,分别和最终的输出是学生的学习效果。

该模型在图3其目标函数设置吗 ,这是一个损失函数加权的对比。可以解释为一组软约束,征收更高的罚金将样本划分到任何类属于另一个集群相比处罚分类类属于同一个集群。换句话说,损失最小化加权对比结果在一个较小的相似性度量样本属于同一个集群和一个更大的一个样本生成不同的集群。加权对比损失函数是由 在哪里 相对应的重量是分类标签吗我和j和D是l2范数之间的一对样品。Y是表示两个样本之间的相似程度,的标签,然后呢米是利润。表示kth集群。

为了避免合并太多无关的细节和噪声的传感器数据融合过程,以减少工件的影响,我们用下面的步骤来执行细节层的融合。

步骤1。权重矩阵计算的绝对值大的规则。

步骤2。权重矩阵 ,使用高斯滤波,处理在方程(6)。 在哪里 。

步骤3。最初的融合的细节层次和 ,通过加权平均法则,是获得的 ;也就是说,我们有

步骤4。WLS用于优化优化策略获得融合细节层 。过程如下: 我们的重量 和p表示的空间位置。的参数ε通常设置为0.0001,以防止从下降到0。这是一个窗口中心位置p。一个窗口,太大导致可怜的融合和消耗了太多的时间,而一个窗口太小不消除噪声的影响。最小化的术语目标是最小化几何细节层之间的距离和融合细节层 ;最小化的术语旨在使熔融层细节更接近模型细节层 ,这样输出数据更有特点。是一个全球性的参数来控制这两个组件的重量。方程(9)转换为矩阵形式 在哪里 , ,和表示为向量,然后呢是一个对角矩阵 。
减少方程(10)收益率的线性方程组: 自 ,方程(11)可以简化为 融合细节层通过使用方程(12)。
通过分析领域的传感器数据含有噪声或不相关的视觉细节信息或与之相关的视觉细节信息,可以看出,WLS优化策略可以获得better-fused细节层。

2.4。实验装置

说明了模型的有效性和实用性,两个蕴藏的案例研究课程。首先,进行数据预处理,包括来自视频点击流数据的特征提取。如表所示1和2,我们观察到的实现代表点击流数据(多自学)课程需要更长的时间比表示点击流数据(自动机自学)课程18),这意味着时间的大小取决于点击流数据为了考虑更有效率和更清晰的执行可视化算法考虑运行时间(5,13]。每周数据生成单独为每个参与者在每个课程。这使得模型更加灵活和高效,需要一些时间来可视化整个数据。在预测阶段,我们认为不平衡数据集,在特征提取获得的数据集转换成适当的模型输入数据,构建shape-consistent填充矢量,然后标记他们之前给他们到模型层。数据集分为70/30培训/测试来确定预测学习者的性能(12]。

模型使用Keras和TensorFlow建模框架和亚当优化器进行训练。

2.5。可视化的结果和模型的性能

在本节中,我们研究了该模型的有效性评估学习者的行为通过视频点击流和解释学习者行为之间可能的关系及其性能研究的数据集。学习者观看视频的行为来完成第一个任务在一个给定的一周被归为一个社区聚集在网络中基于结构聚类生成的基于结构的身份,这是密切相关的好意。每个集群被赋予一种颜色。如图4,视频节点的大小正比于学习者节点相关联,这表明学习者利用视频的状态,和这一阶段允许教师监控学习者的行为(例如,学习者的行为和最观看视频)(15]。此外,教师可以确定哪些学习者更容易辍学,如红色和橙色。

一般来说,我们关注学习者与观看视频交互的方式。如果学习者需要很长时间才能与视频(反映出高水平的利息),这意味着他们努力在看当前视频(例如,大多数暂停/向后搜索事件),这可以在实时视频探索利用为了更精确地分析特定视频的利用率。因此,教师可以直接选择感兴趣的视频,视频等事件。例如,我们选择视频(2)从“自动机理论”课程和视频(14)“多自学”,这是最受欢迎的视频。如图5播放和暂停事件,x设在表明学习者看视频的数量,和y设在表明事件的时间和实际时间的视频。根据实时视频和浏览时间,我们可以解释寻找模式,尤其是密集寻求位置线。从图5以上,我们观察积极搜索事件x -轴当学习者与视频交互,可以作为指标来评估学习者是否无聊或视频内容不有趣,特别是当多次寻找积极的事件。相比之下,视频可能更有趣的或有更多的相关性测验“向后搜索”事件发生时,尤其是在浏览最多的位置。通过探讨数据可视化解释第二个任务,我们可以预期,学习者不会与以后的视频时不与课程视频和互动时,他们发现这门课很难,无趣的,或者无聊。相反,当学习者成为完整的视频内容感兴趣,有很多的回顾,表明他们将继续,直到课程结束。

四种不同类型的行动被添加到物联网系统对学生的行动在日常课堂活动进行分类。44个视频动作剪辑蕴藏从四个不同的动作,教室行动数据集提供多人行为的多样性。数据集在图6用于行动识别在实际行动中收集的视频智能教室,提供各种观点的多样性视频数据,这使得它很好的数据集的识别上下文感知和行动。在图6、视频课堂行动行动数据集样本识别可以看到。

在线学习的学生在教室里从图6,结果如图7报告在这里为了比较个性化推荐方案的效率。准确性和主题操作特征被认为是评估模型的性能测试数据集在几个星期。我们观察到,在“大规模数据集挖掘”,本文的在线视频观看是相对稳定的,如图7(一),学生才暂停结束的学习过程。,如图7 (b),没有个性化的建议,这个学生可能随时暂停学习视频,这不是有趣的学习内容。一个可能的原因是,将近四分之三的学习者没有视频交互的课程。另一方面,正如我们所料,本文模型中扮演一个重要的角色在处理长记忆大量的数据。

清楚地看到损失掉的情节在图8在模型训练过程中,我们的方法收敛速度比基线计划,培训过程是非常稳定的,和模型训练是完成从27 k步骤,而最新的DenseNet需要32 k的步骤。我们计划增加几乎线性的准确性在培训过程中,如右侧面板,如图所示8,训练精度一直是最高的。一般来说,可以看到从图8本文的方法可以快速收敛和稳定,这可以归因于C3D-based迁移学习特征提取和自动多源遥感数据融合。不稳定的训练精度和收敛性差ResNet表明我们的框架的设计理念缓解过度拟合的影响,而我们的框架和ResNet相比具有更好的泛化能力。

通过分类收集过程数据可视化的模型,如图9。图上的每个点对应一个节点,和它的颜色对应于它的节点类。观察某些课程类的聚类,而其他人则被分离。例如,红色和绿色属于同一集群中,所以他们彼此接近,但远离其他的类。这是基于来自不同传感器数据融合的动态特性。不同颜色的点也分类,说明我们的模型可以学习更好的传感器数据从不同的来源的相关性。

我们选择不同课程的蕴藏证明我们的模型的迭代过程。我们可以看到在图10算法开始时,因为我们是在数据融合算法将权重分配给每门课程,大部分的无关紧要的课程将有更大的权重,100次迭代后,分数倾向于稳定和相关课程的成绩会逐渐成长。任务提高至0.3,模型的性能任务本文从0.066提高到0.384,这是一个相对显著的改善。事实上,如果我们只考虑课程之间的相似性,大多数学生学习课程不相关的信息,如性别和年龄,它出现在蕴藏,所以当然相似性计算和年龄的分类似乎是非常重要的,它可以使课程之间的相似度的计算更加准确,从而提高排名的效果当然推荐学生。

3所示。结论

基于转移提出了一个上下文感知的网络模型学习,旨在预测学习者的性能,解决他们的问题和改善教育过程,导致此类学生的行为的综合分析和探索各种学习模型蕴藏视频交互。实验结果表明,在“大规模数据挖掘”的过程中该模型的准确性为90.30%比基线,它可以实现不同类型的学生制定个性化的在线教育学习策略。

本文的方案达到一定效果的个性化的学习策略,但该模型太大,将来可以优化模型结构。另一方面,情景分析可以直接从蕴藏视频内容没有太多关注学生,他改变太多,导致不准确的预测。

数据可用性

本文中使用的数据集可从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。