在线学习群体检测是在新一轮科技革命赋能教育创新变革背景下,依据学习者个性化特征优化教育资源分层配置的关键途径。现有学习趣缘社群在线学习群体的检测主要依赖学习者的直接行为记录和互动指标,较少关注学习者潜在的社交参与水平和...在线学习群体检测是在新一轮科技革命赋能教育创新变革背景下,依据学习者个性化特征优化教育资源分层配置的关键途径。现有学习趣缘社群在线学习群体的检测主要依赖学习者的直接行为记录和互动指标,较少关注学习者潜在的社交参与水平和社群结构。为营造数智环境下学习者画像决策辅助全民自主学习的文化氛围,本文提出一种社交参与视角下超图增强的学习趣缘社群群体检测方法。首先,从影响用户社交参与的维度出发,构建能够体现学习者社交参与水平的特征集。其次,提出超图卷积网络(hypergraph convolutional network,HyperGCN)增强的图聚类算法HG-SDCN(structural deep clustering network based on HyperGCN),解决了利用二分图检测在线学习群体时无法有效捕捉学习者多元交互关系和高阶结构的问题。最后,从真实学习趣缘社群收集数据,验证本文提出方法的检测效果。与基线相比,本文方法在Acc(accuracy)、F1、NMI(normalized mutual information)和ARI(adjusted Rand index)等评价指标上分别提升了16.16、9.77、16.01和22.14个百分点。上述结果不仅证明了HyperGCN在捕捉学习者高阶结构实现在线学习群体检测任务中的有效性,还为未来从社交参与维度制定调整个性化教育资源配置策略提供了方法和理论支撑。展开更多
基金国家自然科学基金资助项目(70671083)教育部"新世纪优秀人才支持计划"资助项目(NCET-08-0451)+4 种基金"长江学者"奖励计划资助项目教育部长江学者和创新团队发展计划资助项目(IRT0855)西安交通大学"985工程"资助项目美国Santa Fe Insti-tute国际项目基金斯坦福大学联合资助项目
文摘在线学习群体检测是在新一轮科技革命赋能教育创新变革背景下,依据学习者个性化特征优化教育资源分层配置的关键途径。现有学习趣缘社群在线学习群体的检测主要依赖学习者的直接行为记录和互动指标,较少关注学习者潜在的社交参与水平和社群结构。为营造数智环境下学习者画像决策辅助全民自主学习的文化氛围,本文提出一种社交参与视角下超图增强的学习趣缘社群群体检测方法。首先,从影响用户社交参与的维度出发,构建能够体现学习者社交参与水平的特征集。其次,提出超图卷积网络(hypergraph convolutional network,HyperGCN)增强的图聚类算法HG-SDCN(structural deep clustering network based on HyperGCN),解决了利用二分图检测在线学习群体时无法有效捕捉学习者多元交互关系和高阶结构的问题。最后,从真实学习趣缘社群收集数据,验证本文提出方法的检测效果。与基线相比,本文方法在Acc(accuracy)、F1、NMI(normalized mutual information)和ARI(adjusted Rand index)等评价指标上分别提升了16.16、9.77、16.01和22.14个百分点。上述结果不仅证明了HyperGCN在捕捉学习者高阶结构实现在线学习群体检测任务中的有效性,还为未来从社交参与维度制定调整个性化教育资源配置策略提供了方法和理论支撑。
