558
个编辑
更改
跳到导航
跳到搜索
第436行：
第436行： − 在教育学领域，集体注意力流网络主要应用于在线课程资源优化、学习路径分析、辍学行为理解、联通主义学习交互分析和差异化教学设计等方面。相关研究表明，它不仅能够分析高活跃学习者，也能够解释浏览型、低参与型和辍学学习者的真实学习行为。+ + + + + + + + + + + + + + + + + − +
→在线学习
集体注意力流网络是学习分析和教育数据挖掘中的一种网络分析方法，主要用于刻画大规模在线学习环境中学习者注意力在不同学习资源、活动和交互空间之间的流动过程。该方法通常以学习平台日志、点击流、资源访问记录和交互行为为基础，将学习资源或学习活动表示为节点，将学习者在资源之间的连续访问或转移表示为边，从而揭示在线学习中的注意力积累、转移、沉浸与耗散规律。
集体注意力流网络是学习分析和教育数据挖掘中的一种网络分析方法，主要用于刻画大规模在线学习环境中学习者注意力在不同学习资源、活动和交互空间之间的流动过程。该方法通常以学习平台日志、点击流、资源访问记录和交互行为为基础，将学习资源或学习活动表示为节点，将学习者在资源之间的连续访问或转移表示为边，从而揭示在线学习中的注意力积累、转移、沉浸与耗散规律。
在教育学领域，集体注意力流网络主要应用于在线课程资源优化、学习路径分析、辍学行为理解、联通主义学习交互分析和差异化教学设计等方面。相关研究表明，它不仅能够分析高活跃学习者，也能够解释浏览型、低参与型和辍学学习者的真实学习行为。我们先构建“学习资源的流网络”（集体注意力流网络的基础图），把学习资源/活动表示为节点，把学习者在资源之间的连续转移表示为有向边。为刻画开放学习中的源-汇特征，流网络引入虚拟节点：源（source）与汇（sink）（对应学习入口与流失/离开位置）。
由真实学习行为日志得到流矩阵：
<math>F_{(N+2)\times(N+2)}={f_{ij}}{(N+2)\times(N+2)}</math>
其中矩阵维度 <math>N+2</math>包含N个真实学习资源节点，如课程，公告，课间，或具体某一条评论，以及两个虚拟节点：源（source）与汇（sink）。元素
<math>f{ij}</math>表示从节点i到节点j的实际观测流量，可理解为学习者从i到j的操作转换的叠加，反映注意力从资源i转移到资源 j的强度。
为了让这个“注意力流强度”可用于随机过程（也对应学习者“下一步去哪”的概率），将流矩阵按行归一化得到马尔可夫转移矩阵：
<math>M={m_{ij}}_{(N+2)\times(N+2)}</math>
<math>m_{ij}=\frac{f_{ij}}{\sum_{k=1}^{N+1}f_{ij}}</math>
然后定义教育中的流距离：资源i与资源j的流距离<math>l_{ij}</math>，表示“当学习者的注意力位于资源 i时，首次触达资源 j所需的期望步数（平均跳转次数）”。直观含义是：
<math>l_{ij}</math>越小：在真实学习路径中，学习者更容易从i自然推进到j（学习迁移更顺畅）越大：更可能意味着中间断裂、导航不畅、认知负担更高或“自然继续学习”更困难（注意力更易耗散/流失）
用马尔可夫链基本矩阵
<math>U=I+M+M^2+\cdots=(I−M)^{−1}</math>,其中<math>U_{ij}</math>表示从i出发在所有时间步内访问到 j的期望总访问次数），流距离可计算为：
<math>l_{ij}=\frac{(MU^2){ij}}{U{ij}}−\frac{(MU^2){jj}}{U{jj}}</math>
最终形成“资源—资源”的流距离矩阵，它对称、非负，并满足度量性质，可用于把学习资源嵌入到空间中做可视化与结构诊断（例如识别哪些资源对“注意力推进”是近邻、哪些是跨不过的障碍）。流距离不是替换教育指标，而是对教育问题的“过程解释器”——把集体注意力流网络里“流向/积累/耗散”的现象，翻译为“从一个学习资源到另一个学习资源的迁移便捷性”。
===在线学习资源结构优化===
===在线学习资源结构优化===
《Modeling collective attention in online and flexible learning environments》；《大规模在线用户的集体注意力分析》第五章
《Modeling collective attention in online and flexible learning environments》；《大规模在线用户的集体注意力分析》第五章
在 MOOC 和灵活在线学习环境中，集体注意力流网络可用于分析学习者在视频、测验、论坛、公告、课程介绍等资源之间的访问路径。通过构建开放流网络，研究者可以观察学习者注意力如何从课程入口进入，如何在不同资源之间流动，以及在哪些资源后逐渐离开学习环境。
在 MOOC 和灵活在线学习环境中，集体注意力流网络可用于分析学习者在不同节点——视频、测验、论坛、公告、课程介绍等资源之间的访问路径，从而统计<math>f{ij}</math>。通过构建开放流网络，研究者可以观察学习者注意力如何从课程入口进入，如何在不同资源之间流动，以及在哪些资源后逐渐离开学习环境。
该应用有助于判断课程资源结构是否符合学习者真实学习路径。例如，某些课程资源可能在教学设计中并不处于核心位置，但在真实学习过程中却承担了入口、导航或连接作用。
该应用有助于判断课程资源结构是否符合学习者真实学习路径。例如，某些课程资源可能在教学设计中并不处于核心位置，但在真实学习过程中却承担了入口、导航或连接作用。