[发明专利]一种在线课程适用性评价方法

摘要

本发明公开了一种在线课程适用性评价方法，属于智能推荐技术领域。所述方法在统计分析学习者个人学习特点、在线课程教学策略的基础上，通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算，建立学习者个人特点与学习效果之间的关联模型，然后采用所述关联模型对学习者在待选课程中的学习效果进行预测，根据预测结果帮助学习者挑选出最适合的课程进行学习，即挑选预测结果最佳的课程进行学习。通过所述方法，可以使学习者从大量的课程资源中更容易地找到适合于个人特点的课程，使其学习效果得到提升。另外，所述方法可以帮助学习者更好地了解所选课程在教学风格等方面的细节，从而在学习中能够有效地克服自身的弱点。

主权项

一种在线课程适应性评价方法，其特征在于：所述方法针对互联网在线课程，在统计分析学习者个人学习特点、在线课程教学策略的基础上，通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算，建立学习者个人学习特点与学习效果之间的关联模型，然后采用所述关联模型对学习者在待选课程中的学习效果进行预测，根据预测的结果帮助学习者挑选出更适合的课程进行学习，即挑选预测结果最佳的课程进行学习，从而提升学习效果；所述学习者个人学习特点包括“学习风格”、“学习行为方式”和“基础知识”的项目组合；所述在线课程教学策略包括“教学内容”、“学时”、“教学计划”、“学习周期”、“所适应的学习风格”、“指导方式”、“讨论与交流方式”、“练习与作业方式”、“考核方式”的项目组合；以1988年发表的Felder‑Silverman学习风格理论为基础设计学习风格评价算法以评估学习者的学习风格；以Pintrich评价理论为基础设计的学习行为方式评价算法以评估学习者的自律性行为和学习动机；采用以Bloom的知识分类方法和Dochy的教育心理维度分类方法为基础的基础知识评价算法，对学习者的陈述性和过程性基础知识分别进行评价；所述方法包括以下步骤：（1）对学习者的个人学习特点进行评价：其中的评价模型细节包括：学习风格评价；该评价通过问卷形式进行，在学习风格评价问卷中，每个分类分别对应有5个问题；问卷中每一分类都按照5个等级进行评定（如下表所示）；5个等级的结果分别反映学习者在该项学习风格评价中的倾向程度；学习风格问卷结果的分类和等级学习风格分类问卷结果的5级分类感知&直觉型风格Sensing+,   Sensing, Neutral, Intuitive, Intuitive+视觉&听觉型风格Visual+, Visual,   Neutral, Auditory, Auditory+归纳&推理型风格Inductive+,   Inductive, Neutral, Deductive, Deductive+主动&被动型风格Active+,   Active, Neutral, Reflective, Reflective+细节&总体型风格Sequential+,   Sequential, Neutral, Global, Global+学习行为方式评价；该评价通过调查问卷形式进行；该问卷包含20个问题，总分为100分；问卷的题目主要涉及学生以往学习中的行为方式以及本次学习的目标等内容；每个问题包含3或5个选项；对于包含5个选项的问题，每个选项对应1~5分的分值，而对于三个选项的问题，每个选项对应1分、3分或5分的分值；通过对每个问题的得分相加可以得到最终的分数；基础知识评价，该评价通过测试的方式进行，测试试卷包含25个陈述性知识问题（以“dk”表示，共50分）和10个过程性知识问题（以“pk”表示，50分）；基础知识评价与具体选择的课程有关；基础知识评价的结果K则由dk与pk的值相加获得；（2）分析在线课程的教学策略：获取相应的评价结果，并与学习者的学习风格进行匹配，获取学习者在该门课程的学习风格评分；在线课程的教学策略由课程提供者进行评价，评价的主要内容如下表中所示：课程的教学策略学习风格与课程特点的匹配程度S按以下方式计算：本申请中的匹配程度包括整体的学习风格匹配程度（S）和每一分类的学习风格匹配程度(mdLS‑1, mdLS‑2, mdLS‑3, mdLS‑4和mdLS‑5)，mdLS‑x的值被设置在1~5之间；计算方式为：对于一门适合于“主动型”风格的课程，‘Active+’的学习者可以获得5分(mdLS‑1=5)，‘Active’学习者可以获得4分而‘Reflective+’学习者可以获得1分(mdLS‑1=1)，以此类推；S的值(100分)由以下公式计算得到：S = 4 × (mdLS‑1 + mdLS‑2 + mdLS‑3 + mdLS‑4 + mdLS‑5)；（3）评价模型的建立：本申请在获得相应的基础数据后，采用如下三个步骤进行模型建立，第一步：由学习者进行课程学习并在学习结束后进行测试获得测试成绩（T）；第二步：采用皮尔逊相关分析法分析学学习的最终测试成绩（T）和三个个人学习特点评价结果之间的线性相关性；与最终测试结果明显具有线性相关性的参数将作为下一步回归分析的自变量；第三步：采用多元线性回归分析法建立T与各种自变量之间的线性相关模型，该模型即为该门课程的OCAA模型；（4）利用OCAA模型，预测具有特定个人学习特点的学习者对具有不同教学策略的在线课程的学习效果；（5）指导学习者选择预测效果最佳的在线课程作为学习对象。