一种面向移动环境的学习行为习惯发现量化系统及方法

摘要

本发明公开了一种面向移动环境的学习行为习惯发现量化系统及方法。针对传统方法主观性太强，时效性有限，只能测量出问卷设计者提前设定习惯等方面的缺点，本发明拟采用基于数据驱动的方法，实时收集移动学习环境中学习者与平台交互的活动记录、所处位置和生理状态等外显和内隐的学习行为习惯关联数据，并将收集到的数据通过数据变换和数据清洗等方法处理为便于机器识别和计算的习惯特征数据集，进而基于聚类算法计算并发现学习行为习惯。针对传统方法无法量化学习者学习行为习惯强度的问题，本发明基于赫尔学习理论中强化次数与习惯强度之间的函数关系，量化学习行为习惯。最后，从学习行为习惯的描述、持续时长和强度三个维度表征学习行为习惯。

说明书

技术领域

本发明涉及移动学习技术领域，尤其涉及一种面向移动环境的学习 行为习惯发现量化系统及方法。

背景技术

随着智能设备的普及和移动互联网的推广，移动环境成为人们学习、 生活和工作的主要场所，移动学习逐渐成为非正式学习的主要实施形式。 移动环境为学习者提供了一个丰富便捷的新型学习形式，有利于多元化、 多通道的信息互动，同时也在潜移默化中塑造学习者的学习行为习惯。 良好学习行为习惯的养成，有助于激发学习者学习的积极性和主动性， 培养自主学习能力，提高学习效率。移动计算环境支持下学习者佩戴或 操作各类设备以开展自主学习、课堂学习等活动时，其平台交互活动记 录、学习者位置和生理状态等信息将留存于移动设备及相关的服务端设 备中，分析并计算这些数据以得到学习者的学习行为习惯，并将结果反 馈给学习者，对提高自我管理能力，形成良好的移动学习行为习惯具有 积极促进作用。

目前关于网络学习行为习惯的研究并不多，面向移动学习环境的学 习行为习惯研究更是寥寥数几，因此，为了顺应移动学习的趋势，研究 如何在移动学习环境中即时掌握学习者的学习行为习惯，量化学习者的 行为习惯强度显得尤为紧迫。

学习习惯通常被认为是学习者在学习情境中通过反复实践养成的 相对稳定的自动化行为模式。从习惯的形成来看，主要是由于一定的刺 激情境与个体的某些动作在大脑皮层上形成稳固的暂时神经联系—条 件反射链索系统。这样，当个体在同样的刺激情境下，条件反射的链索 系统就会自动地出现，人就会自然而然地进行同样的有关动作。个体对 刺激情境的反应包括两种，一是肉眼可观察到的动作，称为外显行为， 二是肉眼不可观察到的动作，如心跳反应，称为内隐行为。因此，本发 明认为移动学习环境中的一种学习行为要成为学习行为习惯，需要满足 以下条件：1)固定刺激情境的出现；2)学习行为在该刺激情境中自动反 复持续出现。因此，描述学习行为习惯的要素也应包含：1)刺激情境， 包括学习者所处的物理环境和时间；2)行为反应，包括学习者的网络 交互动作、对象、对象类型和心率波动等。

传统的学习行为习惯获取忽略了移动学习环境中多通道数据蕴含 的价值，采用的方法多为透过纸本或电子问卷的方式进行诊断，但是这 种方法存在主观性过强、时效性有限的不足，此外，通过此方法也只能 测量出问卷设计者提前设定的习惯，无法量化学习者学习行为习惯强度 等问题。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一 种面向移动环境的学习行为习惯发现量化系统及方法，针对传统方法主 观性太强，时效性有限，只能测量出问卷设计者提前设定习惯等方面的 缺点，本发明拟采用基于数据驱动的方法，实时收集移动学习环境中学 习者与平台交互的活动记录、所处位置和生理状态等外显和内隐的学习 行为习惯关联数据，并将收集到的数据通过数据变换和数据清洗等方法 处理为便于机器识别和计算的习惯特征数据集，进而基于聚类算法计算 并发现学习行为习惯。针对传统方法无法量化学习者学习行为习惯强度 的问题，本发明基于赫尔学习理论中强化次数与习惯强度之间的函数关 系，量化学习行为习惯。最后，本发明从学习行为习惯的描述、持续时 长和强度三个维度表征学习行为习惯。

为实现上述目的，本发明提供了一种面向移动环境的学习行为习惯 发现量化系统，系统由辅助穿戴设备，移动学习终端和服务器组成：

辅助穿戴设备，由多个可监测学习者生理状态等信息的可穿戴设 备构成，负责收集学习者开展学习活动时的生理状态信息；

移动学习终端，移动学习终端宿居着一个习惯发现及量化系统的 客户端,负责收集网络学习平台上的交互活动记录和学习者位置信息， 归集与临时存储平台交互活动记录、学习者位置和生理状态的学习行为 习惯关联数据，显示学习行为习惯的发现及量化结果，它包括如下三个 模块：

数据归集模块，它连接数据存储模块，用于归集从移动学习环境 中收集到的平台交互活动记录、学习者位置和生理状态的学习行为习惯 关联数据；

数据存储模块，它连接数据归集模块和服务器中的历史数据存储模 块，用于临时存储数据归集模块归集的学习行为习惯关联数据；

显示模块，它连接服务器中的习惯表征模块，用于显示学习行为习 惯的发现及量化结果；

服务器，服务器上运行着一个习惯发现及量化系统的服务端,负责 持久存储学习行为习惯关联数据和学习行为习惯表征数据，预处理与计 算习惯关联数据以发现和量化学习者当前的学习行为习惯，它包括如下 四个模块：

历史数据存储模块，它连接数据存储模块、预处理模块和习惯表征 模块，用于接收和持久存储移动学习终端数据存储模块传来的学习行为 习惯关联数据，并传送至预处理模块，此外，还存储习惯表征模块的数 据；

预处理模块，它连接历史数据存储模块和习惯计算模块，用于将从 历史数据存储模块中接收的学习行为习惯关联数据处理为便于机器识 别和计算的习惯特征数据集；

习惯计算模块，它连接预处理模块和习惯表征模块，用于控制数据 窗口的大小、计算并发现学习者的学习行为习惯簇、量化学习者当前各 学习行为习惯的强度；

习惯表征模块，它连接习惯计算模块、历史数据存储模块和显示模 块，用于从学习行为习惯的描述、持续时长和强度三个维度表征学习行 为习惯。

进一步地，所述习惯计算模块还包括：

数据窗口控制单元，它连接习惯发现单元，用于控制数据窗口的大 小，当无法准确判断某候选行为习惯簇是否为学习行为习惯簇时，将调 整数据窗口的大小，以进一步判断其是否为学习行为习惯簇；

习惯发现单元，它连接数据窗口控制单元和习惯量化单元，用于计 算数据窗口中的习惯特征数据，发现并获取学习者当前的学习行为习惯 簇集合；

习惯量化单元，它连接习惯发现单元，用于量化学习者当前各学习 行为习惯的强度。

更进一步地，所述的数据窗口控制单元在习惯特征数据集X上基 于时间段TW的数据窗口定义一个X的子集XW作为数据窗口的内容， TW为数据窗口的大小，TW满足以下公式：

默认情况下基于时间的数据窗口大小TW＝3T，但当α₁<Fre(HX_p,q)<>2∩β₁<Den(HX_p,q)<β₂时，认为此时无法准确判断候选行为习惯簇HX_p,q是否为学习行为习惯簇，于是，将时间段TW向前扩大一个计算周期，>p,q再次进行判断：

若计算结果为Fre(HX_p,q)≥α₂∩Den(HX_p,q)≥β₂，认为候选行为习>p,q是学习行为习惯簇；

若计算结果为Fre(HX_p,q)≤α₁∩Den(HX_p,q)≤β₁，认为候选行为习惯>p,q不是学习行为习惯簇；

若计算结果为α₁<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂，则将基于时>p,q进行习惯发现计算，

若计算结果为Fre(HX_p,q)≥α₂∩Den(HX_p,q)≥β₂，认为候选行为习>p,q是学习行为习惯簇；

若计算结果为Fre(HX_p,q)≤α₁∩Den(HX_p,q)≤β₁，或者α₁<Fre(HX_p,q)<>2∩β₁<Den(HX_p,q)<β₂，则认为候选行为习惯簇HX_p,q不是学习行为习>

更进一步地，所述的习惯发现单元通过对数据窗口中数据集进行聚 类分析，将具有较高相似度的刺激情境和行为反应数据集合作为候选行 为习惯簇HX_x,y，当候选行为习惯簇的发生频率和密度同时达到某阈值>

Den(HX_p,q)＝count(HX_p,q)/t(t≠0)

其中，count(HX_p,q)为某候选行为习惯簇出现的次数，即该类簇中>total为数据窗口中习惯特征数据的记录数，t为第1次出现>p,q)≤α₁∩Den(HX_p,q)≤β₁为真时，认为HX_p,q不是学习行为习惯簇；>p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，认为HX_p,q是学习行为习惯簇；当α₁<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂为真时，认为此时无法准>p,q是否为学习行为习惯簇，将基于时间的数据窗口向前扩大>p,q的聚类中心为新的聚类中心进行聚类、发生>p,q)≤α₁∩Den(HX_p,q)≤β₁时，认为>p,q不是学习行为习惯簇；当Fre(HX_p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，>p,q为学习行为习惯簇；当α₁<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂为真时，则将基于时间的数据窗口向后扩大一个计算周期，等下一个计>p,q的聚类中心为新的聚类中心进行聚类、发生>p,q)≥α₂∩Den(HX_p,q)≥β₂时，>p,q是学习行为习惯簇；当计算结果为Fre(HX_p,q)≤α₁∩Den(HX_p,q)>1，或者α₁<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂，则认为HX_p,q不是学>

更进一步地，所述的习惯量化单元量化学习者当前各学习行为习惯 的强度时，根据赫尔学习理论对强化次数和习惯强度的函数关系的描述， 量化学习行为习惯强度的计算公式如下：

其中，count(H_x,y)为数据窗口内强化学习行为习惯簇H_x,y的次数，>x,y为学习行为习惯强>

进一步地，所述移动学习终端与辅助穿戴设备通过蓝牙或无线局域 网(WiFi)连接，所述移动学习终端与服务器通过无线局域网(WiFi) 或公众移动通信网3G/4G/GPRS连接。

进一步地，所述辅助穿戴设备包括但不限于智能手环、智能眼镜， 所述移动学习终端包括但不限于手机、平板电脑。

一种面向移动环境的学习行为习惯发现量化方法，包括以下步骤：

(a)利用辅助穿戴设备和移动学习终端收集学习者开展学习活动时 的学习行为习惯关联数据；

(b)经由移动学习终端的数据归集模块归集包含平台交互活动记录、 学习者位置和生理状态的学习行为习惯关联数据，并将所述数据临时存 储于数据存储模块中；

(c)通过历史数据存储模块持久存储从移动学习终端历史数据存储 模块上传至服务器的学习行为习惯关联数据；

(d)利用数据预处理模块将历史数据存储模块中的学习行为习惯关 联数据处理为便于机器识别和计算的习惯特征数据集；

(e)利用聚类算法从习惯特征数据集中得到候选行为习惯簇，当无 法准确判断某候选行为习惯簇是否为学习行为习惯簇时，利用数据控制 单元控制数据窗口的大小，将调整数据窗口的大小，以进一步判断其是 否为学习行为习惯簇；

(f)经由习惯发现单元计算数据窗口中的习惯特征数据集，发现并 获取学习者当前的学习行为习惯；

(g)经由习惯量化单元，基于赫尔学习理论中强化次数与习惯强度 之间的函数关系量化学习行为习惯；

(h)通过习惯表征模块，向量化学习行为习惯簇，合并相似学习行 为习惯的持续时长，从学习行为习惯描述，持续时长和强度三个维度表 征学习行为习惯，并将学习行为习惯表征数据存储至历史数据存储模块；

(i)利用移动学习终端的显示模块呈现习惯表征模块反馈的学习者 学习行为习惯信息。

进一步地，所述步骤(d)数据预处理模块的处理技术包括：

1)数据变换，将数据转换成适合挖掘的形式；

2)数据清洗，通过填写或忽略空缺值和错误数据、平滑噪声数据 和孤立点、解决不一致性来清理数据；

3)经过数据变换和数据清洗处理后，将平台交互数据表、位置信 息表和生理状态信息表中同一帐号的数据进行连接操作，得到一个习 惯特征数据集X；

4)将习惯特征数据集X传入习惯计算模块。

本发明的有益效果是：

本发明通过收集、预处理和计算移动学习环境中包含平台交互活动 记录、学习者位置和生理状态等外显和内隐的学习行为习惯关联数据， 可以在线自动发现和量化学习者的学习行为习惯。其次，在学习行为习 惯特征信息的收集中考虑学习者所处位置和生理状态信息，多维度的信 息来源能更客观准确地反映学习者的学习行为习惯。再者，提出的一种 面向移动学习环境的学习行为习惯发现及量化系统和方法可根据对候 选行为习惯簇的计算，控制用于学习行为习惯发现与量化计算时输入数 据的大小，使之能更准确地发现学习行为习惯。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进 一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的系统结构图。

图2是本发明的发现学习行为习惯簇的具体流程图。

图3是本发明的发现学习行为习惯簇的具体流程图。

具体实施方式

本发明的一种面向移动环境的学习行为习惯发现量化系统结构图 如图1所示，系统由辅助穿戴设备，移动学习终端和服务器组成。

辅助穿戴设备:由多个可监测学习者生理状态等信息的可穿戴设备 构成，负责收集学习者开展学习活动时的生理状态等信息。

移动学习终端:移动学习终端宿居着一个习惯发现及量化系统的客 户端,负责收集网络学习平台上的交互活动记录和学习者位置信息，归 集与临时存储平台交互活动记录、学习者位置和生理状态等学习行为习 惯关联数据，显示学习行为习惯的发现及量化结果。它包括如下三个模 块：

数据归集模块，它连接数据存储模块，用于归集从移动学习环境中 收集到的平台交互活动记录、学习者位置和生理状态等学习行为习惯关 联数据；

数据存储模块，它连接数据归集模块和服务器中的历史数据存储模 块，用于临时存储数据归集模块归集的学习行为习惯关联数据；

显示模块，它连接服务器中的习惯表征模块，用于显示学习行为习 惯的发现及量化结果。

服务器:服务器上运行着一个习惯发现及量化系统的服务端,负责 持久存储学习行为习惯关联数据和学习行为习惯表征数据，预处理与计 算习惯关联数据以发现和量化学习者当前的学习行为习惯。它包括如下 四个模块：

历史数据存储模块，它连接数据存储模块、预处理模块和习惯表征 模块，用于接收和持久存储移动学习终端数据存储模块传来的学习行为 习惯关联数据，并传送至预处理模块，此外，还存储习惯表征模块的数 据；

预处理模块，它连接历史数据存储模块和习惯计算模块，用于将从 历史数据存储模块中接收的学习行为习惯关联数据处理为便于机器识 别和计算的习惯特征数据集；

习惯计算模块，它连接预处理模块和习惯表征模块，用于控制数据 窗口的大小、计算并发现学习者的学习行为习惯簇、量化学习者当前各 学习行为习惯的强度；

习惯表征模块，它连接习惯计算模块、历史数据存储模块和显示模 块，用于从学习行为习惯的描述，持续时长和强度三个维度表征学习行 为习惯。

其中，习惯计算模块还包括：

数据窗口控制单元，它连接习惯发现单元，用于控制数据窗口的大 小，当无法准确判断某候选行为习惯簇是否为学习行为习惯簇时，将调 整数据窗口的大小，以进一步判断其是否为学习行为习惯簇；

习惯发现单元，它连接数据窗口控制单元和习惯量化单元，用于计 算数据窗口中的习惯特征数据，发现并获取学习者当前的学习行为习惯 簇集合；

习惯量化单元，它连接习惯发现单元，用于量化学习者当前各学习 行为习惯的强度。

在实施中，移动学习终端与辅助穿戴设备可通过蓝牙或无线局域网 (WiFi)连接，移动学习终端与服务器通过无线局域网(WiFi)或公众 移动通信网(如4G，3G或GPRS)连接。辅助穿戴设备可以是智能手环、 智能眼镜等包含多种传感器的可穿戴设备，移动学习终端可以为手机、 平板电脑等。

本发明所提供的一种面向移动学习环境的学习行为习惯量化方法 包含以下步骤：

(a)利用辅助穿戴设备和移动学习终端收集学习者开展学习活动时 的学习行为习惯关联数据；

(b)经由移动学习终端的数据归集模块归集包含平台交互活动记录、 学习者位置和生理状态等的学习行为习惯关联数据，并将所述数据临时 存储于数据存储模块中；

(c)通过历史数据存储模块持久存储从移动学习终端历史数据存储 模块上传至服务器的学习行为习惯关联数据；

(d)利用数据预处理模块将历史数据存储模块中的学习行为习惯关 联数据处理为便于机器识别和计算的习惯特征数据集；

(e)利用聚类算法从习惯特征数据集中得到候选行为习惯簇，当无法 准确判断某候选行为习惯簇是否为学习行为习惯簇时，利用数据控制单 元控制数据窗口的大小，将调整数据窗口的大小，以进一步判断其是否 为学习行为习惯簇；

(f)经由习惯发现单元计算数据窗口中的习惯特征数据集，发现并获 取学习者当前的学习行为习惯；

(g)经由习惯量化单元，基于赫尔学习理论中强化次数与习惯强度之 间的函数关系量化学习行为习惯；

(h)通过习惯表征模块，向量化学习行为习惯簇，合并相似学习行为 习惯的持续时长，从学习行为习惯描述，持续时长和强度三个维度表征 学习行为习惯，并将学习行为习惯表征数据存储至历史数据存储模块；

(i)利用移动学习终端的显示模块呈现习惯表征模块反馈的学习者学 习行为习惯信息；

下面，结合附图与具体实施例对本发明作进一步说明，为了更清楚 说明面向移动学习环境的学习行为习惯的发现及量化过程，对相关概念 做了如下定义：

定义1：习惯特征数据集

习惯特征数据集是指通过数据预处理后得到平台交互活动记录、学 习者位置和生理状态的一系列数据集。记作X，X＝{x₁,x₂,...,x_i,...,x_n}，>*，其中，x_i＝(x_i1,x_i2,...,x_ik)∈R^k，k表示数据对象的空间维数。

定义2：计算周期

计算周期，为了持续关注学习者的学习行为习惯动态，每隔一段时 间将进行学习行为习惯的发现和量化计算，这段时间长度即为计算周期， 记作T。由于生活中一般以7天为一个学习周期，因此本实施例中设 T＝7天。

定义3：候选行为习惯簇

候选行为习惯簇是指对数据窗口中习惯特征数据集进行聚类后得 到的具有较高相似度的刺激情境和行为反应的数据集，亦即聚类结果中 的某个类簇，将第p次计算得到的第q个候选行为习惯簇记作HX_p,q，>p,q＝{x₁’,x₂’,...,x_i’,...,x_n’}，n,p,q∈N^*，x_i’∈X。

定义4：候选行为习惯簇的发生频率

候选行为习惯簇的发生频率，指数据窗口内候选行为习惯簇发生的 次数与习惯特征数据集的记录数之比，是描述学习者候选行为习惯簇发 生频繁程度的量，用符号Fre(HX_p,q)表示，定义α₁，α₂为候选行为习惯>1<α₂。

定义5：候选行为习惯簇的密度

候选行为习惯簇的密度，指单位时间内候选行为习惯簇出现的次数， 是描述学习者候选行为习惯簇出现密集程度的量，用符号Den(HX_p,q)>1，β₂为候选行为习惯簇密度的阈值，且β₁<β₂。

定义6：学习行为习惯簇

学习行为习惯簇是学习者在某种固定刺激情境中反复持续出现的 一种相对稳定的学习行为数据集，即达到一定发生频率和密度的候选行 为习惯簇。将第x次计算得到的第y个学习行为习惯簇记作H_x,y，>x,y＝{x₁”,x₂”,...,x_i”,...,x_n”}，x,y,n∈N^*，x_i”∈X^*。当Fre(HX_p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，认为候选行为习惯簇HX_p,q为学习>1＜Fre(HX_p,q)＜α₂∩β₁＜Den(HX_p,q)＜β₂为真时，认为此时>p,q是否为学习行为习惯簇，当>p,q)≤α₁∩Den(HX_p,q)≤β₁为真时，认为候选行为习惯簇HX_p,q不是学习>

定义7：学习行为习惯表征

学习行为习惯表征是指用学习行为习惯的描述、持续时长、强度三 个指标表征学习行为习惯，其中，学习行为习惯的描述可以从起始时间、 终止时间、场所、网络交互动作、对象、对象类型和心率波动七方面展 开。

定义8：数据窗口

数据窗口是一种控制习惯发现时输入数据范围的控件，当在时刻 t_i进行习惯发现计算时，习惯特征数据集X上基于时间段TW的数据窗>i’满足t_i-t_i’>i-TW,t_i]内X的子集XW作为数据窗口的内容。TW满足公式(2)：

根据以上系统、方法和相关定义，接下来以一个具体实施例进行阐 述。

学习者在移动学习环境中开展自主学习、课堂学习等活动时，通过 手机或平板电脑等移动学习终端设备进行人机交互，其在学习平台中的 交互数据及位置信息可被该设备收集，同时，学习者在使用可穿戴设备 时，其生理状态数据将被收集到可穿戴设备中。由于需要实时收集学习 者的生理数据，因此，可穿戴设备和移动学习终端以10秒为采样周期收集学习者开展学习活动时的平台交互活动记录、位置和生理状态三类 学习行为习惯关联数据，数据归集模块则基于蓝牙或无线局域网技术归 集可穿戴设备和移动学习终端中收集到的三类学习行为习惯关联数据， 并将这些数据分别存储至移动学习终端数据存储模块的以下三个表中：

1)平台交互数据表(属性包括：编号、学习者编号、时间、网络交 互动作、对象及对象类型)

2)位置信息表(属性包括：编号、学习者编号、时间、位置和场所)

3)生理状态信息表(属性包括：编号、学习者编号、时间、心率波 动)。

其中，心率波动HF用当前所测得的心率值z_i与正常人的平均心率>

HF＝z_i-μ(z_i,μ∈N^*)>

其中，位置信息表的场所值由移动设备接收到的POI信息所包含 的位置类型决定。POI是“Point of Interest”的缩写，可翻译为“兴趣 点”，每个POI包含四方面信息：名称、位置类别、经度、纬度。当 使用地图软件定位时，将返回所处位置的POI信息。当到达预设的学 习行为习惯计算周期时，学习行为习惯关联数据将被上传至服务器，若 到达规定上传时间时移动学习终端未联网或发生其他故障导致数据未 被上传至服务器，则当移动学习终端再次联网或恢复正常时立刻上传数 据至服务器。数据被上传至服务器后，将被存储于历史数据存储模块。 接着对历史数据存储模块中的学习行为习惯关联数据进行预处理，数据 预处理技术包括：

数据变换：将数据转换成适合挖掘的形式。离散化时间属性，将时间用时间序号表示，对 00:00:00-24:00:00中的每个10秒进行标号，即00:00:00-00:00:10，时间序号为1，00:00:10-00:00:20，时间 序号为2，以此类推。此外，对场所、动作、对象及对象类型属性进行数字化处理。将场所信息按平台交 互数据表所示的场所信息数字化对照表数字化，场所的数字编号由一级场所分类的编号和二级场所分类的 编号组合而成，例如：居住场所—宿舍的编号为0202。将动作、对象及对象类型按位置信息表位置信息表 所示的平台交互数据数字化对照表进行数字化，分别将动作属性中的浏览、发布、练习、使用学习辅助工 具和交流数字化为01、02、03、04、05，分别将对象中的课件、笔记、帮助文档、日志、文章、消息、提问、投票、评论、习题、试卷、导航、搜索引擎、收藏夹、好友动态、论坛、小组活动数字化为01至17， 分别将对象类型中的文字、图片、图表、声音、视频、动画数字化为01、02、03、04、05、06。

数据清洗：通过填写或忽略空缺值和错误数据、平滑噪声数据和孤立点、解决不一致性来清理数据。 例如，表中某条记录的心率值为276，该值严重偏离了心率的正常范围，记录出错，则重新填写一个缺省 值，缺省值为心率记录中上一条记录与下一条记录心率值的平均值；属性值空缺的填补办法为：空缺的场 所值由上一条记录的场所值进行填充，空缺的心率波动值则由缺省值填充。

经过数据变换和数据清洗处理后，将平台交互数据表、位置信息表和生理状态信息表中同一帐号的数 据进行连接操作，得到一个习惯特征数据集X。连接方法为：首先对生理状态信息表与平台交互数据表进 行全外连接操作，再将得到的结果与位置信息表进行全外连接操作，最终得到融合三个数据表的数据集X。 在本实施例中学习行为习惯特征由起始时间序号、终止时间序号、场所、网络交互动作、对象、对象类型 和心率波动七元组x_i＝(x_i1,x_i2,x_i3,x_i4,x_i5,x_i6,x_i7)构成，每条数据记录可以描述某学习者在某时某地对具有某种>

接着将习惯特征数据集X传入习惯计算模块。首先利用数据窗口 控制单元来控制数据窗口的大小，本实施例中采用基于时间的数据窗口 以确定位于窗口内的数据点。

默认情况下基于时间的数据窗口大小TW＝3T，然后进行学习行为 习惯簇发现计算，当α₁<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂时，TW＝4T>1<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂，>1>p,q)<α₂∩β₁<Den(HX_p,q)<β₂，则认为该候选行为习惯簇不是学>

学习行为习惯发现计算的基本思想为：首先利用聚类算法对数据窗 口内的习惯特征数据集XW进行聚类，得到多个候选行为习惯簇HX_p,q， 然后计算某候选行为习惯簇的发生频率和密度，当>p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，认为候选行为习惯簇HX_p,q为学习>1<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂为真时，认为此>p,q是否为学习行为习惯簇，于是，>p,q)≤α₁∩Den(HX_p,q)≤β₁为真时，认>p,q不是学习行为习惯簇。对所有候选行为习惯簇>

本实施例采用一种密度峰值快速搜索聚类算法(DPC)，该算法的 基本原理：理想的类簇中心具备两个基本特征:1)其局部密度大于围绕 它邻居的局部密度；2)不同类簇中心之间的距离相对较远。为了找到 同时满足上述条件的类簇中心，DPC算法引入了点x_i的局部密度ρ_i和>i到局部密度比它大且距离它最近的点的距离δ_i，在本实施例中，x_i和x_j为数据窗口中习惯特征数据集的任意两条记录。为了更清楚地描>

定义9 任意两点间距离：用于计算任意两点间的距离，公式如下：

其中x_i＝(x_i1,x_i2…,x_ik)∈R^k，k为数据对象的空间维数，λ₁,λ₂,…,λ_k∈(0,1)>1+λ₂+…+λ_k＝1，根据习惯特征数据集中各属性>

定义10 局部密度：用于计算与点x_i的距离小于截断距离的点的>i本身)，公式如下：

其中，d_ij为任意两点x_i和x_j间的欧式距离，d_c是>

定义11 高局部密度点距离：用于计算点x_i到局部密度大于点x_i且离它最近的点x_j的距离，公式如下：

对于局部密度ρ_i最大的点x_i，其δ_i＝max_j(d_ij)。

DPC算法的描述如下：

输入：数据窗口内的习惯特征数据集XW；

输出：类簇集合CHX；

Begin：

Step1：根据式(3)计算任意两点x_i和x_j之间的距离d_ij；

Step2：将所有点的相互距离d_ij进行升序排列，占总数2％位置的距>c的值；

Step3：根据式(4)计算得到每个点的局部密度ρ_i；

Step4：根据式(5)计算得到每个点的δ_i值；

Step5：将具有较大距离δ_i且同时具有较大局部密度ρ_i的点定义为>

Step6：将剩余的每个点归属到与其最邻近且密度比其大的节点所 属的类簇中，不断进行迭代直到没有剩余点；

Step7：将高局部密度点距离δ_i较大但局部密度ρ_i较小的孤立点去>

Step8：输出类簇集合CHX；

End

最终得到类簇集合CHX，即候选行为习惯簇的集合，任意候选行 为习惯簇HX_p,q∈CHX。接着进行候选行为习惯簇发生频率的计算：定>p,q中记录的>p,q)，数据窗口中习惯特征数据集的记录数为N_total，>

Fre(HX_p,q)＝count(HX_p,q)/N_total(N_total≠0)(6)

候选行为习惯簇密度的计算：定义第1次出现某候选行为习惯簇到 最后1次出现该候选行为习惯簇之间的间隔天数为t，学习者某候选行 为习惯簇的密度计算方法如公式(7)：

Den(HX_p,q)＝count(HX_p,q)/t(t≠0)(7)

当Fre(HX_p,q)≤α₁∩Den(HX_p,q)≤β₁为真时，认为HX_p,q不是学习行为习惯>p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，认为HX_p,q是学习行为>1<Fre(HX_p,q)<α₂∩β₁<Den(HX_p,q)<β₂为真时，认为此时无>p,q是否为学习行为习惯簇，于是，将基于时间的数据窗>p,q的聚类中心为新的聚类中心进行>p,q)≤α₁∩Den(HX_p,q)≤β₁时，认为HX_p,q不是学习行为习惯簇；当Fre(HX_p,q)≥α₂∩Den(HX_p,q)≥β₂为真时，认为HX_p,q为学习行为习惯簇；当α₁<Fre(HX_p,q)<α₂∩β₁>p,q)<β₂为真时，则将基于时间的数据窗口向后扩大一个计算周>p,q的聚类中心为新的聚类中心>p,q)≥α₂∩>p,q)≥β₂时，认为HX_p,q是学习行为习惯簇；当计算结果为>p,q)≤α₁∩Den(HX_p,q)≤β₁，或者α₁<Fre(HX_p,q)<α₂∩β₁>p,q)<β₂，则认为HX_p,q不是学习行为习惯簇，重新按默认情况>

对所有候选行为习惯簇进行以上计算，最终得到学习者当前的学习 行为习惯簇集合，此时得到的学习行为习惯簇H_x,y是由多条相似度极高>x,y转化为七元组H_x,y＝(a₁,a₂,a₃,a₄,a₅,a₆,a₇)，>1表示起始时间序号，a₂表示终止时间序号，a₃表示场所，a₄表示动作，>5表示对象，a₆表示对象类型，a₇表示心率波动。发现学习行为习惯簇>

最后利用习惯量化单元量化学习者当前各学习行为习惯的强度，根 据赫尔学习理论对强化次数和习惯强度的函数关系的描述，量化学习行 为习惯强度的计算公式如下：

其中，count(H_x,y)为数据窗口内强化学习行为习惯簇H_x,y的次数，即>x,y为学习行为习惯强度。

习惯计算模块完成所有计算后，将结果传至习惯表征模块。该模块 从学习行为习惯的描述，持续时长和强度三个维度表征学习行为习惯， 第x次计算得到的第y个学习行为习惯表征可以用一个三元组 ChaH_x,y＝(vecH_x,y,Dur_x,y,HS_x,y)表示。其中，学习行为习惯强度已在习惯>

为方便对学习行为习惯进行描述，将从起始时间、终止时间、场所、 网络交互动作、对象、对象类型和心率波动七个维度对习惯发现单元得 到的学习行为习惯簇H_x,y进行向量化处理，将第x次计算得到的第y个>x,y＝(v_y1,v_y2,v_y3,v_y4,v_y5,v_y6,v_y7)，其中，>y3,v_y4,v_y5,v_y6,v_y7各属性的值由第y个学习行为习惯簇H_x,y中与之对应的>i|x_j”表示从学习行为习惯簇H_x,y中任意数据对>j”中取出属性a_i的值，定义M₀(a_i|x_j”)表示学习行为习惯簇H_x,y中属>i的值的众数，那么有value(v_yi)＝M₀(a_i-1|x_j”)，i∈{3,4,5,6,7}，起始时>x,y中最小的时间序号属性>y1)＝min(a₁|x_j”)，>y2)＝max(a₁|x_j”)。

学习行为习惯的持续时长计算方法为：将最新计算得到的向量化学 习行为习惯集合，即第M次计算得到的向量化学习行为习惯集合 VecH_M＝(vecH_M,1,vecH_M,2,…,vecH_M,n)中的每个向量化学习行为习惯>M,y＝(v_y1,v_y2,...,v_y7)，与第M-1次计算得到的向量化学习行为习惯集>M-1＝(vecH_M-1,1,vecH_M-1,2,…,vecH_M-1,n’)中的每个向量化学习行为习惯vecH_M-1,y’＝(v_y’1,v_y’2,...,v_y’7)进行相似度计算，若相似度大于或等于阈>M,y为第M-1次计算得到的>M-1,y’与计算周期T之和，若相似度>M,y为计算该学习行为习惯时数据窗口的大小，计算公式如下：

习惯表征模块从学习行为习惯的描述，持续时长和强度三个维度表 征学习行为习惯后，将结果作为学习行为习惯表征数据存储至历史数据 存储模块，同时还将结果传至移动学习终端的显示模块。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普 通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和 变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基 础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在 由权利要求书所确定的保护范围内。