论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　1.学习者建模技术

　　由于不同的学习者存在方方面面的差异，为了让计算机能够自动地为不同的学习者提供恰当的反馈，首先是获取学习者信息和表征学习者，即学习者建模。学习者信息的内容及其表征形式称为学习者模型；学习过程信息的自动获取和分析方法称为学习分析技术。学习者建模主要涉及学习者个体信息和学习者情境信息两类信息。其中，根据信息的稳定性，可以将个体信息进一步划分为持续性信息和动态信息。学习者个体的持续性信息是指相对稳定的、影响学习效果的个体特征。相反，学习者个体的动态信息是指能随情境、时间而变化的、与学习活动有关的个体状态。

　　学习者的个体持续性信息包括认知特点、学习风格、学习兴趣等。Lin等(2007)使用量表、自我评估测试的方法识别学习者的工作记忆容量和演绎推理能力等认知特点。Garcia等（2007)和Graf等（2009)研究了Felder-Silverman学习风格的自动识别方法。Herlocker等（2004)和Orzechowski等(2007)通过协同过滤机制预测学习者对学习资源的偏好，并推荐相应的学习资源。

　　学习者的动态信息包括领域知识水平、学习主题、情感状态等。PAT和AnimalWatch是两个典型的数学导学系统，分别采用基于产生式规则的方法和基于叠加模型的方法诊断学习者数学领域知识的薄弱环节，并跟踪学习者解决问题的路径;ARGUNAUT系统通过文本挖掘方法识别学习者在线讨论的内容是否切合学习主题;AutoTutor可以根据多通道的输入（如话语行为、面部表情、身体姿势）和情感计算模型，识别学习者的情感状态。

　　学习者的情境信息通常包括地理位置和技术环境。学习者的地理位置信息可以用于为学习者推荐与所在地理位置相关的学习资源,如在野外环境中学习各种植物知识（Chuetal.,2010)。识别学习者的技术环境有利于为学习者提供信息负载合适、可用的学习资源，如为特定的手持设备提供一定格式的视频资源（Tan&Kinshuk,2009)。

　　2.学习分析技术

　　目前，学习分析技术主要利用交互文本、视音频和系统日志三种形式的学习过程记录数据分析学习者的学习特征。

　　利用参与度分析法、社会网络分析法和内容分析法等自动化的交互文本分析技术，可获取学习者对学习的参与度、学习者的社会网络、学习者关注的学习内容等信息。例如，ATK(AnalyticToolkitforKnowledgeForum)是一种常用的参与度分析法，可分析每个学习者阅读和编写帖子的数量及比例、被回复的帖子的数量及比例等量化指标。还可根据交互文本附带的学习者之间的回复关系信息，利用社会网络分析法计算每个学习者的中心度、对学习者进行聚类等。

　　教学视音频分析的主要内容是提取学生和教师的课堂行为信息，如统计教师的言语比例、学生言语比例、教师提问比例、学生讨论比例等（顾小清等,2004)。随着智能视音频分析技术的发展，已经可以根据眼睛和嘴唇的形状对说话者自动识别（Deanetal.,2005),将说话者的语音内容转化为文本内容,对高兴、悲伤、生气等面部表情的实时自动识别（Ryan,2009),手势动作的识别可大大增强人机交互体验感。另外,基于这些分析信息所建立的视频索引信息，可大大提高教学中总结性评价的效率，如统计特定学生在一段时间内的课堂参与情况、对比不同科目的课堂表现等。

　　对包括学科成绩、系统登陆情况、学习资源访问情况、热门的检索词、习题解答情况等系统日志类数据的分析不仅可以帮助研究者和教师了解学习者的学习情况和学习资源的利用情况,而且通过统计分析的方法可以挖掘各种数据之间的关联情况。例如,Hadwin(2007)研究了学习事件的频率、学习活动的模式。