分类：论文范文 发表时间：2020-06-28 09:10
[摘要]获取学习者个性特征是实现以学生为中心的精准化、个性化教学的重要前提，而学习行为是分析学习者个性特征的重要依据。本研究以参加奥鹏公共研修平台在线学习者为研究对象，基于人格特质生成学习行为偏好假设，探索利用机器学习分类算法实现在线学习行为的人格特质识别;同时基于文献构建人格特质类型与在线学习行为之间的映射关系，采用Rapid Miner数据挖掘工具探索决策树、朴素贝叶斯和支持向量机三种算法对五种人格特质的识别效果。结果发现：决策树算法对人格特质类型的识别准确率高于其他两种算法，对大五人格特质的综合识别效果最好;不同人格特质识别灵敏度不同，尽责性人格特质类型的识别灵敏度最高，神经质人格特质最低。
[关键词]人格特质;在线学习行为;学习行为偏好;分类算法
一、前言
获取学习者个性特征是实现以学生为中心的精准化、个性化和智能化教育的重要前提。如何通过大数据分析和人工智能技术在无意识、非侵入、非配合情况下自动识别和掌握学习者的个性特征，对其进行综合分析、判断和干预是基于大数据开展个性化教学、科学评价、精细化管理和智能化决策等迫切需要解决的问题。
二、研究现状
人格是内在心理物理系统的动力组织，它决定人体对环境的适应(Allport, 1937)。特质是人格的基本结构单位，一个特质就是一个人格维度，代表机能上人格个体差异的基本类别。因此，现代心理学的人格特质指个体所具有的神经特性，具有支配个体行为的能力，使个人在变化的环境中给予一致的反应(黄定华，2009)。也有研究者指出，人格特质是个体在各种情境下表现出的影响行为的品质或特性。它既保障个体一般化、稳定而持久的行为倾向，又可以通过个体认知情绪的调控、情绪应对的策略而间接影响行为决策(朱从庆等，2016)。不同学者对人格特质解释的差异显示，人格特质指组成人格的因素引发个体行为和主动引导人的行为，并使个体面对不同种类的刺激作出相同反应的心理结构。
三、研究方法及过程
(一)研究对象
本研究以参加奥鹏教师网络研修平台“2017年湖北省中小学教师信息技术应用能力提升工程项目”的学员为研究对象，收集该平台在线学习者的人格特质数据和在线学习行为数据。学习形式包括观看视频、论坛互动、提交作业等，课程学习时间为每人1200分钟，学生在线参与度高，在线行为数据丰富。
(二)研究方法及工具
1.大五人格测量量表
本研究使用经张新建等人修订的科斯塔和麦克雷(Costa & McCrae)2004年更新出版的简化版大五人格量表(NEO-FFI)。该量表广泛应用于教育领域的人格特质测量，有非常高的信度和效度，且被证明有跨语言和跨文化的一致性与稳定性(McCrae & Costa,1989;McCrae & Costa,2004;McCrae,2005;John et al.,2008)。量表包括60个条目,主要测量神经质、外向性、开放性、宜人性和责任性五个人格特质维度，每个维度含12条目，每个条目采用李克特5点量表(即“非常不符合”“大部分不符合”“不确定”“大部分符合”“非常符合”)，计分为1、2、3、4、5。部分题项采用反向记分。
2.机器学习分类算法
本研究主要探讨基于在线行为数据的人格特质类型识别，即人格特质的分类，不考虑学习者人格特质的强度。因此本研究采用决策树、朴素贝叶斯和支持向量机三种分类算法，探讨其对五种人格类型的识别效果。
四、结果与讨论
本研究利用机器学习分类算法探索基于在线行
为数据的人格特质自动识别，为学习者个性特征获取和自动识别探索了新方法和思路。同时，人格特质类型与在线行为之间映射关系的建立为教育机构预测和判断学习者的兴趣及行为偏好，实现以学习者为中心的精准化、个性化和智能化的学生评价和学习服务提供了依据。
(一)人格特质与学习行为之间存在映射关系
本研究在文献调研基础上建立了人格特质类型和学习行为之间的映射关系，并通过斯皮尔曼等级相关法对其进行验证，研究结果与以往相关研究一致，再次证明不同人格特质学习者有不同的学习行为偏好。例如，神经质学习者的人格特质与浏览平台和教学资源、观看视频以及参加作业考核呈显著正相关;但与同伴交流和互评呈显著负相关。这一结果充分显示神经质学习者喜欢与学习资源交互，不喜欢与同伴交互的特点(张晓丽，2008;王陆，2011)。同样，尽责性学习者与浏览视频及课件、完成作业、参与答疑等直接影响完成学业的行为显著相关，但与教师交流等行为不相关。这说明尽责性学习者自律性强，对个人要求较高，对学习有主动性和计划性等特点(李阳，2016)。同时，本研究结果证明不同在线学习行为表征不同人格特质类型的敏感性不同，因此基于在线学习行为数据识别人格特质是可行的(Ghorbani & Montazer, 2015)。本研究在一定程度上解决了个性化推荐中的数据稀疏问题，有助于提高教育机构个性化支持服务的准确度。
(二)不同分类算法识别准确率不同，决策树算法的识别准确率最高
研究发现决策树算法识别五种人格特质的效果最好，验证阶段也再次证明了这一结论。这与以往研究结果一致(Bai et al.， 2013)。总体来说，不管是比较人格特质的识别准确率，还是比较综合评价的指标值，决策树的识别效果都明显高于朴素贝叶斯和支持向量机算法。决策树算法能很好地识别在线学习者的人格特质类型，准确率达80%~90%。其中，除神经质人格的识别准确率为80%外，其余四种人格特质的识别准确率超过90%。此外，召回率及综合评价指标在外向性、开放性、宜人性、尽责性的值都大于90%，神经质的值也超过70%。这一结果与分类算法及在线学习行为数据有关。本研究采用了不同层次的在线学习行为数据类型，而不同类型行为数据量不同，例如学习者浏览教学资源行为多，而论坛中的发贴和回帖行为少;还有部分学习者行为数据缺失。这些噪声干扰都会影响分类算法的结果。决策树算法不仅能运用信息增益率排除所选特征值繁多的缺陷，而且可以按照不同的剪枝标准进行排除以保证决策树的平衡，因此决策树算法对噪声数据的干扰有较好的鲁棒性(robust)，识别人格特质计算量相对较小且效率高，识别准确率较高(蔡萌萌等，2019)。相比之下，朴素贝叶斯算法过分依赖严格的属性值独立性假设前提(魏茂胜，2017)，而支持向量机对缺失数据非常敏感(杨剑锋等，2019)。因此，后两种分类算法识别的准确率明显偏低。本研究也验证了决策树算法不仅识别准确率高，也具有很好的扩展性和适用性，能应用于不同在线学习环境中不同群体的人格特质识别。
参考文献：
[1] 蔡萌萌，张巍巍，王泓霖(2019).大数据时代的数据挖掘综述[J].价值工程，(38)：155?157?
[2] 陈丽(2004).远程学习的教学交互模型和教学交互层次塔[J].中国远程教育，(5)：24?28?
[3] 冯晓英，郑勤华，陈鹏宇(2016).学习分析视角下在线认知水平的评价模型研究[J].远程教育杂志，(4)：39?45?
作者：赵宏1刘颖2李爽1徐鹏飞1郑勤华1
上一篇：我国青少年编程教育课程标准探讨 下一篇：“德智融合”的“计算机网络”课程思政教学探
相关阅读
论文常识
期刊知识
著作出版
教材出书
专利申请
出版社
扫码关注公众号