學習行為大數據可視化的網絡數據庫學習仿真

2021-11-17 12:35:56翟建麗

計算機仿真 2021年9期

蒙芳，翟建麗

(廣東工業大學華立學院，廣東廣州 511325)

1 引言

因網絡教育資源[1]的高及時性和高豐富性特點，近年來教育越發朝著網絡化發展。在該過程中，互聯網和智能手機的發展導致學習行為發生了巨大變化，人們越來越享受與時代發展相適應的數字化學習方式，學習形式由單一的書面文字轉變為多感官參與轉移，文化知識由線性轉變為非線性，學習地點由課堂轉變為網絡的數字化教學模式。目前可視化網絡數據庫學習滿足了這一需求，利用網絡數據庫充分歸納分析學習行為，提高學習能力。如何建立更加高效的可視化網絡數據庫對學習行為的有效開展有著重要意義。

孟小峰[2]等人針對數據庫所需更快的處理速度及調整最佳運行狀態兩個問題，提出了機械學習化數據庫系統研究綜述。首先，將現代加速器及眾多調節參數引入數據庫系統設計中，充分利用現代硬件加速平臺，并將DBA的經驗轉變為預測模型，使得數據庫系統更加智能化，能夠適應工作內容的快速多變性；其次，歸納總結當前數據庫系統，在已有技術分析的基礎上，優化存儲空間、查詢及自動化管理系統；最后，經仿真分析，驗證了所提研究方法的可應用價值。彭子涵[3]等人針對“互聯網”教育背景下，如何提供完備和系統的學習支持服務，對基于混合模式的小組協作學習行為影響因素進行研究。首先，基于社會認知理論和群體動力學理論，構建基于混合學習模式小組協作學習影響因素模型，提出研究假設并采用問卷調查方式分析個體協作學習行為有正面影響的顯著特征。其次，利用結構方程模型和SSPS軟件對收集得到的數據進行分析檢驗。最后，經仿真結果表明：該方法得到的學習行為影響因素可促進校本資源的持續性建設。張懷南[4]針對如何讓學生更好地利用資源庫，提出了高職院校校本SPOC課程資源建設探索。首先，基于三元交互決定論及技術接受模型，構建了包含學習環境感知、學習動機和學習行為在內的資源庫學生學習情況假設模型。其次，運用混合研究方法對8所高職院校的學生資源庫學習行為及影響因素進行分析，得到學習動機是資源庫影響學生學習行為的主要因素。最后，經仿真分析表明，所提方法對于促進資源庫想精細化和優質化發展、提升教育信息化服務質量具有一定借鑒意義。

由于上述所提方法學習效率提升幅度小，且過程復雜，為解決上述問題，提出學習行為大數據可視化的網絡數據庫學習，其主要內容為：

1)采用了對數回歸擴展方式對學習者學習行為能力的答對率和錯誤率進行解算，并在其中加入解算算子，提升計算精度，降低分析差值；

2)通過對學習行為進行可視化分析，使數據進行直觀展示，明晰學習路徑，避免獲取數據過程中，產生錯誤數據；

3)構建可視化網絡數據庫學習模型，完成網絡數據庫學習。

通過仿真表明所提方法在學習成績、學習效果、學習評價方面均優于其它方法，可有效提升學習效果。

2 學習行為大數據可視化

2.1 學習行為分析

學習行為、自主學習行為和遠程學習[5]行為含義相近，可視化網絡數據庫學習主要利用網絡平臺中的信息資源、交流工具等，以時空分離與媒體課件為主要學習方式，體現學習者對自身的導向、激勵、監督等行為。迄今為止，未對學習行為網絡數據庫進行明確定義，但由于網絡行為呈現的特點較為顯著，學習路徑為非線性過程為主動學習。在互聯網環境下，學習者可根據學習目的及學習方式選擇學習環節和學習資源，與傳統學習方式最大的區別在于，從傳統的指導者、環境及資源轉變為以網絡為媒介的交互學習環境，學習者的學習行為也從指導者主導轉變為在計算機環境下的自主控制。

2.2 學習行為可視化歸類

基于貝葉斯[6]理論的分類計算方法便于使用且錯誤率低。將學習行為看成一組由條件屬性值構成的特征向量，具體表現形式為X(X1，X2，…，C)，Xi代表條件屬性特征值，C為分類目標屬性[7]。在大數據可視化網絡模型中，目標屬性即最終學習方式。若樣本集合中包含N個屬性，A1，A2，…，An構成了樣本特征向量，包含M個類別，為{C1，C2，…，Cm}。若X的特征向量為{X1，X2，…，Xn}，計算X的類別為P(Ci|X)，得到的最大結果為可視化網絡數據庫的主要學習行為，則：

P(Ci|X)=P(X|Ci)P(Ci)/P(X)

(1)

在上述式(1)的基礎上作出的獨立假設為：

(2)

在上述基礎上，可將學習按資源劃分成如下三個部分：

第一部分為課程資源集合。

第二部分為學習行為大數據可數化，其中包含學習資源點擊率、學習成果分數、周圍評價等。

第三部分為確保大數據可視化程度，提升學習行為的可讀性。

3 構建可視化網絡數據庫學習

3.1 學習行為可視化系數計算

學習者學習行為能力包括答對率和錯誤率，每個行為的答對率和錯誤率都不是相同的，一項技能需要越多的學習行為，則猜對率越少。

(3)

P(Gn)=P(Cn=true|Kn=flase)

(4)

式(3)和式(4)中，αj和δj為第j個子節點對正確率和錯誤率的影響程度；β和γ為正確率和錯誤率的偏差[10]量。

針對學習行為大數據可視化分析，假設一項學習技能中不包含任何知識點，那么學習者的正確率和錯誤率均為0.5，將β和γ加入其中導致學習者學習行為能力有所不同，具有不同的正確率和錯誤率。若將αj、δj、β和γ作為學習行為能力的反應，則它們的數值不會隨著學習難度的變化發生改變。顯而易見，可視化網絡數據庫學習的構建中，正確率和錯誤率不是固定的條件函數，而是取決于學習行為系數。

學習行為大數據可視化擴展了學習的正確率和錯誤率，需考慮學習和遺忘概率兩個因素，以及當學習難度存在差異時，學習難度對行為及正確率、錯誤率的影響。例如“1+5”與“16×26+4”相比，前者正確率更高。在本文構建的網絡數據庫中，將學習行為大數據可視化的學習和遺忘概率引入其中，將學習難度作為其特征向量。

使用P(T)表示學習概率，為學習者在第n個知識點中未掌握的部分，通過學習行為，已掌握n+1題的概率為

(5)

使用P(F)表示遺忘概率，為學習者第n個知識點中已掌握的部分，但由于遺忘，n+1題學習者未掌握的概率，即

(6)

上述式(3)和(4)中，αj和δj為第j個子節點對學習概率和遺忘概率的影響程度；β和γ為學習概率和遺忘概率的偏差量。與初始行為能力一樣，αj、δj、β和γ表示學習行為能力隨著難度的變化而發生改變。

針對得到的P(G)和P(S)可視化結果，將技能難度代入其中，學習行為能力不僅與對技能的掌握度有關，還與技能難度有關。因此，本文在學習行為大數據可視化的基礎上，構建網絡數據庫學習能夠更好的提高學習效率。

3.2 可視化網絡數據庫

基于上述可視化學習行為數據分析，網絡數據庫構建流程如圖1所示。

圖1 可視化網絡數據庫構建流程

3.2.1 學習行為數據采集及儲存

通過收集學習者日常學習行為信息，使用xAPI數據準則，完成數據庫對接[11]。xAPI是衡量所學習內容與行為數據的準則。在計算機網絡中，各xAPI記錄具有主、謂、賓的語法結構，其中主語代表活動發起者，謂語代表具體動作指令，賓語代表活動的承受對象。各數據庫建立的準則都需在業務范圍內儲存學習者的交互內容，包括學習者答疑、觀看多媒體課件、探討知識點等學習行為發生的時間以及內容。建立學習行為數據釆集模塊使用xAPI規定的統一端口，定期接收各數據中心收集上報的多類型數據，匯集成并整理這些得到的數據發送至數據儲存模塊。

儲存層次工作內容為收集系統上的數據信息，對其完成篩選、匯總、儲存、備份等工作，xAPI準則可將數據長期儲存。

3.2.2 學習行為分析及可視化模塊

構建學習行為數據分析模塊的主要目的是對采集及儲存的數據進行讀取，并使用深度數據挖掘[12]的方式，提起數據關鍵特征集合，對學習行為規律進行可視化計算機驗證，探尋學習過程中行為方式的普遍模式和學習規律，并對學習者的學習狀態、技能掌握程度、能力水平進行追蹤評價。網絡數據庫分析層次中，對學習者的能力水平的評估與預測數據均為可視化信息，根據得到的分析結果，挑選出對學習能力提高最顯著的行為方式，并將結果存儲與數據庫中。

可視化處理層次對網絡數據庫的分析結果以可視化形式展示，如圖2所示，為可視化界面圖。