在线学习者元认知能力处理方法和系统、电子设备及介质

本技术涉及教育数据处理，尤其涉及一种在线学习者元认知能力处理方法和系统、电子设备及介质。

背景技术：

1、相关技术中，在线学习的兴起使得学习者能够根据自身需求选择合适的时间、地点和学习内容进行学习，然而异步网络学习环境使学习者和教师的互动相对有限，降低了教师对学生学习过程的有效监督，影响了学生的在线自主学习意愿和学习效果。而元认知能力被认为是提升在线自主学习兴趣和效果的关键因素。元认知是一种高阶思维，能够帮助学习者思考、理解和监控他们的学习过程，其能力值高低直接影响了在线自主学习效果，其准确评估对个性化教学和有效学习至关重要。已有许多学者基于在线学习行为评估元认知能力。在线学习中，基于学习行为的元认知能力评估具有真实性、自动性、实时性等优点。

2、已有基于学习行为的元认知能力评估方式主要是基于认知过程，从任务执行前规划、执行中监控和调节、执行后评估和修正三个阶段出发，将学习者在认知过程中采取的元认知技能或策略所对应的学习行为进行量化，以建立与元认知能力之间的映射关系，利用机器学习方法对量化的学习行为进行训练并分类，以达到区分元认知能力高低的效果。同时，基于过程的评估方式可以细分为基于第一行为序列的评估和基于第一行为指标的评估。但是，由于评估过程只是基于第一行为序列或基于第一行为指标这种单一的元认知表征内容进行评估，从而导致评估结果准确度不高，进而无法为教学活动提供有效的数据支持。

3、综上，相关技术中存在的技术问题有待得到改善。

技术实现思路

1、本技术实施例的主要目的在于提出一种在线学习者元认知能力处理方法和系统、电子设备及介质，能够有效提高学习者元认知能力评估结果的准确度，并提供评估结果的可视化解释分析，进而可以为教学活动提供有效的数据支持。

2、为实现上述目的，本技术实施例的一方面提出了一种在线学习者元认知能力处理方法，所述方法包括以下步骤：

3、根据学习者的日志文件构建学习者元认知能力结构，并对所述学习者元认知能力结构进行标签标注，所述学习者元认知能力结构包括第一行为序列和第一行为指标，所述标签用于表征学习者元认知能力水平，标注好的所述学习者元认知能力结构用于对预设图卷积神经网络模型进行训练；

4、通过训练后的预设图卷积神经网络模型处理所述学习者元认知能力结构，得到元认知能力评估结果；

5、根据所述元认知能力评估结果对所述学习者元认知能力结构进行解构，得到解构结果，所述解构结果包括不同元认知能力学习者之间的行为模式差异以及学习者个体中每个所述第一行为指标对元认知能力的贡献度。

6、在一些实施例中，所述根据学习者的日志文件构建学习者元认知能力结构，包括：

7、获取所述学习者对应学习课程的日志文件；

8、提取所述日志文件中的行为规律；

9、根据所述行为规律对所述日志文件中的数据进行清洗；

10、根据行为发生时间将清洗后的数据转换为第一行为序列；

11、根据所述第一行为序列构建邻接矩阵；

12、从清洗后的数据中提取第一行为指标；

13、将所述第一行为指标作为节点特征；

14、根据所述邻接矩阵和所述节点特征构建所述学习者元认知能力结构。

15、在一些实施例中，所述预设图卷积神经网络模型的训练步骤，包括：

16、基于图匹配算法对所述学习者元认知能力结构进行量化；

17、根据量化结果确定所述学习者元认知能力结构的标签；

18、将确定标签后的所述学习者元认知能力结构划分为训练数据集和测试数据集；

19、通过所述训练数据集对所述预设图卷积神经网络模型进行训练；

20、获取训练过程中的损失函数；

21、根据所述损失函数调整所述预设图卷积神经网络模型的模型参数；

22、通过所述测试数据集对训练过程中的所述预设图卷积神经网络模型进行测试，得到测试数据，所述测试数据包括准确率、精确率、召回率或f1值；

23、根据所述测试结果分析训练过程中的所述预设图卷积神经网络模型的分类性能；

24、确定所述分类性能满足预设要求，将所述学习者元认知能力结构输入训练好的所述预设图卷积神经网络模型进行分类。

25、在一些实施例中，所述根据所述元认知能力评估结果对所述学习者元认知能力结构进行解构，包括：

26、对所述学习者元认知能力结构中的第一行为序列进行编码；

27、基于编码结果生成所述学习者的行为转换图；

28、基于所述行为转换图生成高元认知能力学习者与低元认知能力学习者的行为模式差异；

29、对所述学习者元认知能力结构中的第一行为指标和所述分类结果进行拟合，得到拟合结果；

30、对所述拟合结果进行夏普利值分解，得到所述学习者第一行为指标的贡献度。

31、在一些实施例中，所述基于图匹配算法对所述学习者元认知能力结构进行量化，包括：

32、获取预定义的第二行为序列和第二行为指标；

33、根据所述第二行为序列和所述第二行为指标构建基准结构；

34、获取所述学习者元认知能力结构和所述基准结构的关联矩阵；

35、基于所述关联矩阵获取所述学习者元认知能力结构和所述基准结构的匹配矩阵；

36、根据所述关联矩阵和所述匹配矩阵计算所述学习者元认知能力结构和所述基准结构的亲和度得分。

37、在一些实施例中，所述基于图匹配算法对所述学习者元认知能力结构进行量化，包括：

38、获取预定义的第二行为序列和第二行为指标；

39、根据所述第二行为序列和所述第二行为指标构建基准结构；

40、计算所述学习者元认知能力结构与所述基准结构的距离。

41、在一些实施例中，所述图匹配算法包括基于随机游走的图匹配算法或谱图匹配算法。

42、为实现上述目的，本技术实施例的另一方面提出了一种在线学习者元认知能力处理系统，所述系统包括：

43、第一模块，用于根据学习者的日志文件构建学习者元认知能力结构，并对所述学习者元认知能力结构进行标签标注，所述学习者元认知能力结构包括第一行为序列和第一行为指标，所述标签用于表征学习者元认知能力水平，标注好的所述学习者元认知能力结构用于对预设图卷积神经网络模型进行训练；

44、第二模块，用于通过训练后的预设图卷积神经网络模型处理所述学习者元认知能力结构，得到元认知能力评估结果；

45、第三模块，用于根据所述元认知能力评估结果对所述学习者元认知能力结构进行解构，得到解构结果，所述解构结果包括不同元认知能力学习者之间的行为模式差异以及学习者个体中每个所述第一行为指标对元认知能力的贡献度。

46、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面上述的方法。

47、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面上述的方法。

48、本技术实施例至少包括以下有益效果：本技术提供一种在线学习者元认知能力处理方法和系统、电子设备及介质，该方案通过构建包含学习者的行为序列和行为指标的学习者元认知能力结构后，通过表征学习者元认知能力水平的标签对学习者元认知能力结构进行标注，以通过标注的数据对预设图卷积神经网络模型进行训练，再通过训练后的预设图卷积神经网络模型处理学习者元认知能力结构，以得到准确度较高的元认知能力评估结果，再基于评估结果对该元认知能力结构进行解构，得到不同元认知能力学习者之间的行为模式差异以及学习者个体行为指标对其元认知能力的贡献度，从而获得学习者的元认知能力结构可视化解释结果，进而可以为教学活动提供有效的数据支持，以便教师做出更科学合理的教育决策。

技术特征：

1.一种在线学习者元认知能力处理方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述根据学习者的日志文件构建学习者元认知能力结构，包括：

3.根据权利要求1所述的方法，其特征在于，所述预设图卷积神经网络模型的训练步骤，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述元认知能力评估结果对所述学习者元认知能力结构进行解构，包括：

5.根据权利要求3所述的方法，其特征在于，所述基于图匹配算法对所述学习者元认知能力结构进行量化，包括：

6.根据权利要求3所述的方法，其特征在于，所述基于图匹配算法对所述学习者元认知能力结构进行量化，包括：

7.根据权利要求5或6任一项所述的方法，其特征在于，所述图匹配算法包括基于随机游走的图匹配算法或谱图匹配算法。

8.一种在线学习者元认知能力处理系统，其特征在于，所述系统包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

技术总结
本申请公开了一种在线学习者元认知能力处理方法和系统、电子设备及介质，可应用于教育数据处理技术领域。本申请通过构建包含学习者的行为序列和行为指标的学习者元认知能力结构后，通过表征学习者元认知能力水平的标签对学习者元认知能力结构进行标注，再通过标注数据训练后的预设图卷积神经网络模型处理学习者元认知能力结构，以得到准确度较高的元认知能力评估结果，再基于评估结果对该元认知能力结构进行解构，得到不同元认知能力学习者之间的行为模式差异以及学习者个体行为指标对其元认知能力的贡献度，从而获得学习者的元认知能力结构可视化解释结果，进而可以为教学活动提供有效的数据支持，以便教师做出更科学合理的教育决策。

技术研发人员：王洪江,陈沛瑜,李南希,叶思思,盛音婕
受保护的技术使用者：华南师范大学
技术研发日：
技术公布日：2024/12/5