[发明专利]基于复杂网络理论的在线学习分组方法

说明书

本发明公开了一种基于复杂网络理论的在线学习分组方法，包括以下步骤：在大规模在线学习系统中，获取能够多维度反映学习者人格特质的数据集合；获取学习者学习成绩，并结合获取的反映学习者人格特质的数据集合构建复合欧式距离；将每个学习者视为学习者网络中的一个节点，构建学习者网络；利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组。本发明实现了在线学习小组科学合理的快速划分，简化了在线学习小组划分的工作量，提高了效率、有效性及适用性。

技术领域

本发明涉及在线教育领域，具体涉及基于复杂网络理论的在线学习分组方法。

背景技术

MOOC(Massive Open Online Courses，大型开放式网络课程)等在线开放课程在蓬勃发展的同时也暴露出了一些不足，在线课程的大规模以及师生时空分离的特性使得针对性指导缺失，导致学习者的参与度和互动不足，学习存在孤独感，学习体验缺乏完整性等，最终影响在线学习的效果。

合作学习是在线教育的一大趋势，促进学习者之间的合作学习及与教师的对话以达成视域融合为目的协同创新教学是在线教育的重要特征。在师生时空分离的在线学习情境下，合作学习强调各个主体之间的相互作用、交流、沟通与理解，从而消除学习孤单感以及获得自我价值的成长感，而学习小组的划分则是合作学习的首要环节。

目前的在线学习分组方法主要是依靠教师人为指定或随机分组，但是，人为指定的工作量大、管理困难，而随机分组则缺乏对学习者特征的有效分析，随意性大、适用性差。

有鉴于此，在大规模在线学习系统中，急需简化在线学习小组划分的工作量，以提高其效率、有效性及适用性。

发明内容

本发明所要解决的技术问题是在大规模在线学习系统中，简化在线学习小组划分的工作量，以提高其效率、有效性及适用性。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于复杂网络理论的在线学习分组方法，包括以下步骤：

在大规模在线学习系统中，获取能够多维度反映学习者人格特质的数据集合；

获取学习者学习成绩，并结合获取的反映学习者人格特质的数据集合构建复合欧式距离；

将每个学习者视为学习者网络中的一个节点，构建学习者网络；

利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组。

在上述技术方案中，将学习小组中节点介数最大的节点作为该学习小组的学习领袖。

在上述技术方案中，将每个学习者视为学习者网络中的一个节点，构建学习者网络，具体为：

设定各节点之间的复合欧式距离阈值，当两节点之间的复合欧式距离小于或等于复合欧式距离阈值时，则认为两节点之间有边的连接；

当两节点之间的复合欧式距离大于复合欧式距离阈值时，则认为两节点之间不存在连接关系。

在上述技术方案中，复合欧式距离阈值为学习者网络中全部节点的复合欧式距离的平均值的N倍，0.3≤N≤1.5。

在上述技术方案中，复合欧式距离表示为：

其中，D为复合欧式距离；d1为学习者学习成绩的欧式距离；d2为学习者人格的欧氏距离；α为d1的权重；β为d2的权重；α+β＝1。

在上述技术方案中，利用贪婪算法依次对有边连接的各个节点进行合并，自动聚类划分为学习小组，具体包括以下步骤：

将学习者网络中的每个节点分别看作一个社团；

将有边相连的社团依次进行合并；