一种在线学生异质分组系统及方法

阅读：评论：0

int’l conf.web eng.(icwe’04),pp.188-197,2004.)，其中费尔德-西尔弗曼学习风格模型被经常用于学生的学习风格分类，且有研究表明活跃型学习者与沉思型学习者搭配分组、感悟型学习者与直觉型学习者搭配分组能够产生更好的协作学习效果(p.paredes and p.rodriguez,“the application of learning styles in both individual and collaborative learning,”proc.sixth ieee int’l conf.advanced learning technologies,pp.1141-1142,2006.)。除了学习风格以外，学生的阶段性测试成绩、日常作业成绩、先验知识、性别、教育背景、冲突型想法或观点等要素也常常被用作进行异质分组的重要依据(noroozi o,weinberger a,biemans h,et al.argumentation-based computer supported collaborative learning(abcscl):a synthesis of 15years of research[j].educational research review,2012,7(2):79-106.)，这些要素在分组时往往是单独考量或综合考量，但很少有从学生对知识的认知掌握水平和知识结构两方面视角切入进行分组的设计。同时，在异质分组的具体实施过程中，虽然会采用一些人工智能辅助技术，如关联规则、聚类、模糊遗传算法、模糊c均值等(magnisalis i,demetriadis s,karakostas a.adaptive and intelligent systems for collaborative learning support:areview of the field[j].ieee transactions on learning technologies,2011,4(1):5-20.)，但仍然是以人工参与分析、线下面对面开展的方式为主。
[0004]
近年来，互联网的发展改变了人类社会的生产、消费和生活方式，带来了社会结构的变革，推动了信息社会向知识社会的转型。互联网已经成为我们生活中不可或缺的部分，基于互联网进行的在线学习成为了一种新常态，而分组合作更成为在线学习过程中重要的学习形式。有研究表明高质量的小组在线合作学习效果得益于小组内成员之间不同的特质特点(rummel,n.,spada,h.,&hauser,s.(2009).learning to collaborate from being scripted or from observing a model.international journal of computersupported collaborative learning,26(4),69
–
92.)，同时处于在线学习形式常态化的当下，如果还是采用以往的异质分组方式，将既费时费力又不切实可行，尤其是对于在大规模学习者的在线课程中，如果课程教师需要进行学生异质分组操作，将显得更加力不从心。因此，利用学生在线课程学习的以往课程学习数据和当下课程学习数据，在充分尊重课程教师的意愿和分组要求下，实现大规模学生体的自动异质分组，促进在线课程学习过程中的高质量互动和学习效果提升，显得十分迫切并具有现实意义。

技术实现要素：

[0005]
本发明要解决的技术问题是：利用学生以往和当下的在线课程数据表征其认知状态、知识结构、学习情绪和学习风格四方面的特征，并基于这四方面的特征进行学生的智能化自动异质分组，确保小组内部成员之间的异质性，降低在线课程学习过程中协作学习任务分组中不同小组之间的差异，提升小组内成员之间的技能特质互补程度，充分发挥小组内成员的各自优势，促进小组内成员之间的高质量交流协作，进而提高在线协作学习的效果，流程简单、操作简易，且以可视化图表的形式将智能分组结果信息反馈给教师和学生，适用于大规模在线课程学习中的学生分组活动任务。
[0006]
本发明解决其技术问题所采用的技术方案是：
[0007]
一种在线学生异质分组系统及方法，服务器中运行在线异质分组系统，包括多模
态过程数据获取模块、学生画像特征分析模块、学生异质分组计算模块和分组结果输出模块，其中：
[0008]
多模态过程数据获取模块：通过计算机自动采集学生以往和当下在在线课程学习平台中进行学习时所产生的各种模态过程数据，并存储于多模态过程数据库中；所述过程数据包括四部分：一是交互行为数据，包括点击、浏览、收藏、暂停、回看、提交、取消操作所产生的行为数据；二是讨论音视频数据，包括在线讨论、音视频会议、在线直播授课过程中所产生的音视频数据；三是表情动作数据，包括课程学习过程中表现出的面部表情、情绪情感、手势动作；四是文本发表数据，包括评论、发帖、回帖、编辑内容、在线答题、问卷填写、量表填写过程中所产生的文本数据；
[0009]
学生画像特征分析模块：借助多模态过程数据获取模块中所采集的四部分数据，从学生的认知状态、知识结构、学习情绪和学习风格四个维度进行特征分析；所述认知状态和知识结构维度，主要参照由课程教师通过计算机建立的课程学习任务与课程知识点之间的关联、设计的课程学习评价方案，利用其中的交互行为数据和文本发表数据实现对学生认知状态和知识结构的向量表征；所述学习情绪维度，主要借助表情自动识别技术利用其中的讨论音视频数据和表情动作数据实现对学生喜爱、愉快、感谢、抱怨、愤怒、厌恶、恐惧、悲伤八种情绪的向量表征；所述学习风格维度，主要参考所罗门学习风格量表指标体系，利用其中的交互行为数据和文本发表数据从信息加工、感知信息、输入信息和内容理解四个方面实现对学生学习风格的向量表征；
[0010]
学生异质分组计算模块：课程教师设置进行学生异质分组的条件规则，包括每个小组人数和异质要求；所述异质要求为参与学生异质分组计算的向量维度，其中认知状态向量维度和知识结构向量维度为必选项，学习情绪向量维度和学习风格向量维度为可选项；以学生画像特征分析模块中所获得的认知状态、知识结构、学习情绪和学习风格四个维度向量为基础，根据课程教师所设置的异质要求构建学生分组特征向量矩阵，采用k-means算法将学生自动聚集为数量等同于每个小组人数的类别数，并依次从每个类别中选取相应学生形成组内学生之间特征异质的课程学习小组；
[0011]
分组结果输出模块：利用学生异质分组计算模块所获得的学生分组信息，以列表视图的方式展示各小组的学生人数、男女生比例、学生两两之间的异质程度，其中以文本的形式表征学生人数、以条形图的形式表征男女生比例、以关系图的形式表征学生两两之间在认知状态、知识结构、学习情绪和学习风格四个方面的异质程度。
[0012]
所述在线学生异质分组系统运行于服务器中，服务器能与装有在线学生异质分组系统客户端的智能终端通讯。所述智能终端是装有在线学生异质分组系统客户端的手机或平板电脑。
[0013]
所述在线学生异质分组系统进行学生分组的依据包括认知状态和知识结构两个必选要素以及学习情绪和学习风格两个可选要素。
[0014]
一种在线学生异质分组方法，实现步骤如下：
[0015]
步骤(1)课程教师通过计算机在在线课程学习平台中设计在线课程学习任务，建立在线课程学习任务与课程知识点之间的关联，设计在线课程学习评价方案，嵌入基于所罗门学习风格量表开发的调查问卷；
[0016]
步骤(2)学生利用移动终端或计算机完成在线课程学习任务、填写所罗门学习风
格量表，同时课程教师通过内嵌于上述移动终端或计算机中的数据采集接口、外部音视频采集设备捕获学生在线课程学习过程中所生成的行为交互数据、讨论音视频数据、表情动作数据和文本发表数据，并存储于多模态过程数据获取模块；
[0017]
步骤(3)利用步骤(2)中获取的行为交互数据、讨论音视频数据、表情动作数据和文本发表数据，从认知状态、知识结构、学习情绪和学习风格四个方面对学生进行画像特征分析；其中所述认知状态是对学生有关课程知识习得水平的刻画，参照步骤(1)中设计的在线课程学习评价方案，由在线课程学习平台根据学生在与课程知识相关联的所有学习任务中的得分情况进行自动评判，如果学生在某个课程知识上的得分超过及格分数，则在该课程知识上的习得水平将被标记为掌握，否则将被标记为没有掌握；所述知识结构是对学生有关课程知识之间关系习得水平的刻画，由在线课程学习平台根据学生对构成知识关系的两端课程知识的认知状态进行自动评判，如果学生在构成某种知识关系的两端课程知识的习得水平都为掌握，则对该知识关系的习得水平将被标记为完全理解，如果只是某一端的课程知识水平为掌握，则将被标记为部分理解，否则将被标记为完全不理解；所述学习情绪是对学生在线课程学习过程中情绪状态的刻画，借助目前成熟的人工智能技术或工具，实现对学生喜爱、愉快、感谢、抱怨、愤怒、厌恶、恐惧、悲伤八种表情的自动识别，形成学生在上述八种表情上的表征向量；所述学习风格对学生在线课程学习过程中所展示出的相对稳定的学习方式的刻画，利用学生基于所罗门学习风格量表开发的调查问卷信息，将学生在信息加工、感知信息、输入信息和内容理解四个方面的特征依次映射为阈值集合上的某个取值，例如在信息加工方面，如果学生的作答信息完全符合活跃型特点则取值为-1，如果学生的作答信息完全符合沉思型特点则取值为1，否则为阈值集合上的某个其他取值；
[0018]
步骤(4)课程教师设定异质分组规则，即每个小组的人数n和参与异质分组计算的维度，其中认知状态和知识结构为必选维度、学习情绪和学习风格为可选维度；
[0019]
步骤(5)利用步骤(3)中获取的所有课程学生在认知状态、知识结构、学习情绪和学习风格四个维度上的特征信息和步骤(4)中设定的异质分组规则，构建学生分组特征向量矩阵集合cm；利用学生分组特征向量矩阵集合cm数据，采用k-means算法将课程学生自动聚集为n类，并依次从n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中；对于其他n-1类中剩余的学生s，则继续采用k-means算法将学生聚集为n类，并依次从所述n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中或当其他n-1类中剩余的学生人数满足s《n时终止；同时，在上述从n个聚类中依次选取学生的过程中，将以不同学生之间认知状态向量和知识结构向量的差异互补程度作为异质学生选取的重要依据；
[0020]
步骤(6)课程教师和学生通过移动终端或者计算机查看在线学生异质分组系统生成的分组结果信息；将各小组的学生人数、男女生比例、学生两两之间的异质程度以可视化图形的呈现给教师和学生，其中学生只能查看本人所在小组的信息。
[0021]
优选的，将多模态过程数据所涵盖的在线课程学习任务记为task＝{t1,t2,
…
,t
t
}，涵盖的课程知识点记为kn＝{k1,k2,
…
,k
p
}，其中n≤p；
[0022]
以学生s在某个课程知识点k
p
上的得分记为该课程知识点k
p
所关联的学习任
务记为该课程知识点k
p
在所关联学习任务中所占的关联权重依次记为学生s在课程知识点k
p
所关联的学习任务中的得分依次记为则若则学生s在该课程知识点k
p
上的习得水平将被标记为掌握，取值为1，否则将被标记为没有掌握，取值为0，最终获得学生在认知状态维度上的表征向量cognitivevector记为{kc1,kc2,
…
,kc
p
}，其中kci根据学生在课程知识点ki上的认知状态取值为1或0。
[0023]
优选的，将学生在信息加工ip、感知信息pi、输入信息ii和内容理解cn四个方面的特征依次映射为集合上的某个取值。
[0024]
优选的，若学生在构成某种知识关系的两端课程知识ki和kj的习得水平都为掌握，则对该知识关系的习得水平将被标记为完全理解，取值为1，如果只是某一端的课程知识水平为掌握，则将被标记为部分理解，取值为0，否则将被标记为完全不理解，取值为-1，最终获得学生在知识结构维度上的对称向量矩阵其中k
ij
根据学生在课程知识点ki和kj上的认知状态取值为1、0或-1。
[0025]
本发明与现有技术相比的有益效果为：
[0026]
(1)本发明从学生对知识的认知掌握水平和知识结构两方面视角切入开展学生分组依据要素的设计，同时综合兼顾了学生的学习情绪和学习风格要素，并最终以可视化的形式输出分组结果信息并向课程教师和学生呈现。以往的技术中多只依据单个要素或学生的外部要素进行分组设计，很少关注学生的认知状态和知识结构等内部特质要素。
[0027]
(2)本发明根据加德纳的多元智能理论，以表征计算获得的学习者认知状态、知识结构、学习情绪和学习风格四个方面的特征为基础，进行学生的智能化自动异质分组，真正从学习者的内部特质视角出发进行学生异质分组的流程设计，能够充分发挥小组内部成员的各自优势，最大限度地激发和提升小组内部成员之间的高质量协作互助，避免了小组内部成员之间的同质性，保障了小组之间的公平性，节约了大量分组过程所耗费的时间，这在以往的在线学生智能异质分组中未曾实现过。
附图说明
[0028]
图1为本发明一种在线学生异质分组系统及方法的流程图；
[0029]
图2为本发明的多模态过程数据获取模块的实现流程；
[0030]
图3为本发明的学生画像特征分析模块的实现流程；
[0031]
图4为本发明的学生异质分组计算模块的实现流程；
[0032]
图5为本发明的分组结果输出模块中展示给课程教师和学生的分组信息。
具体实施方式
[0033]
下面结合附图及具体实施方式详细介绍本发明。
[0034]
本发明为一种在线学生异质分组系统及方法，包括多模态过程数据获取模块、学生画像特征分析模块、学生异质分组计算模块、分组结果输出模块，制作流程如图1所示。具体步骤如下所述：
[0035]
如图2所示，本发明中多模态过程数据获取模块具体实现如下：
[0036]
(1)通过计算机数据采集接口interface、外部音视频采集设备termial自动采集学生以往和当下在在线课程学习平台中进行学习时所产生的各种模态过程数据，并采用xapi技术框架以信息对的形式《操作者、动作、对象、操作时间、结果、情境、权限》存储于多模态过程数据库中，其中操作者、动作、对象和操作时间为必选属性，其余为可选属性；
[0037]
(2)多模态过程数据库中主要包括交互行为数据、讨论音视频数据、表情动作数据和文本发表数据四部分。其中交互行为数据，包括点击、浏览、收藏、暂停、回看、提交、取消操作所产生的行为数据，以《类别behavior、操作者operator、动作行为action、动作对象object、操作时间operationtime》形式存储；讨论音视频数据，包括在线讨论、音视频会议、在线直播授课过程中所产生的音视频数据，以《类别audio、操作者participator、动作行为action、动作对象object、操作时间operationtime、持续时间duration、音视频录制文件地址fileaddress》形式存储；表情动作数据，包括课程学习过程中表现出的面部表情、情绪情感、手势动作，以《类别emotion、操作者operator、动作行为action、动作对象object、操作时间operationtime、捕获终端terminal》形式存储；四是文本发表数据，包括评论、发帖、回帖、编辑内容、在线答题、问卷填写、量表填写过程中所产生的文本数据，《类别text、操作者operator、动作行为action、动作对象object、操作时间operationtime、文本内容textualcontent》形式存储。
[0038]
如图3所示，本发明中学生画像特征分析模块具体实现如下：
[0039]
(1)课程教师通过计算机在在线课程学习平台中设计在线课程学习任务task，建立在线课程学习任务task与课程知识点knowledge之间的关联并设置两者之间的关联权重ω，且在某一个学习任务ti中，与其建立关联的n个课程知识点knowledge之间的关联权重满足ω1+ω2+
…
+ωn＝1；设计在线课程学习评价方案evaluationscheme，用于规定各项在线课程学习任务task的评判标准和评分规则，最终返回学生在各项在线课程学习任务中的得分grade；嵌入基于所罗门学习风格量表开发的调查问卷ils，其中ils共包含44道试题，每道试题包含a和b两个选项；
[0040]
(2)利用多模态过程数据获取模块中获取的行为交互数据、讨论音视频数据、表情动作数据和文本发表数据，从认知状态、知识结构、学习情绪和学习风格四个方面对学生进行画像特征分析，将多模态过程数据所涵盖的在线课程学习任务记为task＝{t1,t2,
…
,t
t
}，涵盖的课程知识点记为kn＝{k1,k2,
…
,k
p
}，其中n≤p；
[0041]
认知状态cognitivestate是对学生有关课程知识习得水平的刻画，参照(1)中设计的在线课程学习评价方案evaluationscheme，由在线课程学习平台根据学生在与课程知识knowledge相关联的所有学习任务task中的得分情况performance进行自动评判；学生s在某个课程知识点k
p
上的得分记为该课程知识点k
p
所关联的学习任务记为
该课程知识点k
p
在所关联学习任务中所占的关联权重依次记为学生s在课程知识点k
p
所关联的学习任务中的得分依次记为则如果则学生s在该课程知识点k
p
上的习得水平将被标记为掌握，取值为1，否则将被标记为没有掌握，取值为0，最终获得学生在认知状态维度上的表征向量cognitivevector记为{kc1,kc2,
…
,kc
p
}，其中kci根据学生在课程知识点ki上的认知状态取值为1或0；
[0042]
知识结构knowledgestructure是对学生有关课程知识之间关系习得水平的刻画，由在线课程学习平台根据学生对构成知识关系的两端课程知识ki和kj的认知状态进行自动评判；同一个学习任务中关联的所有课程知识点，对于关联权重ω大于某个阈值η的课程知识点，该阈值η由课程教师设定，则可看作这些课程知识点之间存在关系；如果学生在构成某种知识关系的两端课程知识ki和kj的习得水平都为掌握，则对该知识关系的习得水平将被标记为完全理解，取值为1，如果只是某一端的课程知识水平为掌握，则将被标记为部分理解，取值为0，否则将被标记为完全不理解，取值为-1，最终获得学生在知识结构维度上的对称向量矩阵其中k
ij
根据学生在课程知识点ki和kj上的认知状态取值为1、0或-1；
[0043]
学习情绪learningemotion是对学生在线课程学习过程中情绪状态的刻画，通过输入多模态过程数据获取模块得到的表情动作数据，借助目前成熟的人工智能技术或工具api，实现对学生喜爱、愉快、感谢、抱怨、愤怒、厌恶、恐惧、悲伤八种表情的自动识别输出，形成学生在上述八种表情上的表征向量emotionvector记为[elove,ejoy,egratitude,ecomplaint,eanger,edisgust,efear,esadness]；
[0044]
学习风格learningstyle是对学生在线课程学习过程中所展示出的相对稳定的学习方式的刻画，利用学生填写的基于所罗门学习风格量表开发的调查问卷信息，将学生在信息加工ip、感知信息pi、输入信息ii和内容理解cn四个方面的特征依次映射为集合上的某个取值，例如在与信息加工ip方面相关的11道题中，如果学生的作答信息均选择a选项，完全符合活跃型特点则取值为-1，如果学生的作答信息均选择b选项，完全符合沉思型特点则取值为1，否则取值为集合aggregation上的某个值，最终获得学生在学习风格维度上的表征向量stylevector记为[ip，pi，ii，cn]；
[0045]
如图4所示，本发明中学生异质分组计算模块具体实现如下：
[0046]
(1)课程教师设定异质分组规则，即每个小组的人数n和参与异质分组计算的维度，其中认知状态和知识结构为必选维度、学习情绪和学习风格为可选维度；
[0047]
(2)利用学生画像特征分析模块获取的所有课程学生在认知状态向量cognitivevector、知识结构向量矩阵structurematrix、学习情绪emotionvector和学习风格stylevector四个维度上的特征信息和(1)中设定的异质分组规则，构建学生分组特征向
量矩阵集合cm；利用学生分组特征向量矩阵集合cm数据，采用k-means算法将课程学生自动聚集为n类，并依次从n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中；对于其他n-1类中剩余的学生s，则继续采用k-means算法将学生聚集为n类，并依次从所述n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中或当其他n-1类中剩余的学生人数满足s《n时终止；同时，在上述从n个聚类中依次选取学生的过程中，将以不同学生之间认知状态向量cognitivevector和知识结构向量structurematrix的余弦相似度作为差异互补型异质学生选取的重要依据，且相似度值越大表明学生之间越互补。
[0048]
如图5所示，本发明中分组结果输出模块具体实现如下：
[0049]
将学生异质分组计算模块所获得的学生分组信息、组内成员之间在认知状态和知识结构两方面的差异互补程度信息通过json对象进行封装，形成异质分组信息的json数组，即{{“nodes”:[{“id”:idvalue,“studentname”:svalue},
……
,{“id”:idvalue,“studentname”:svalue}],“links”:[{“source”:idvalue,“target”:idvalue,“cogcos”:simvalue,“strcos”:simvalue,“emocos”:simvalue,“stycos”:simvalue},
……
,{“source”:idvalue,“target”:idvalue,“cogcos”:simvalue,“strcos”:simvalue,“emocos”:simvalue,“stycos”:simvalue}]}，
……
,{“nodes”:[{“id”:idvalue,“studentname”:svalue},
……
,{“id”:idvalue,“studentname”:svalue}],“links”:[{“source”:idvalue,“target”:idvalue,“cogcos”:simvalue,“strcos”:simvalue,“emocos”:simvalue,“stycos”:simvalue},
……
,{“source”:idvalue,“target”:idvalue,“cogcos”:simvalue,“strcos”:simvalue,“emocos”:simvalue,“stycos”:simvalue}]}}，并将上述json数组作为echart.js可视化工具库的数据源，实现对学生异质分组信息的可视化表征，其中处于圆形上的学生表示该小组的组员，学生组员之间的连线表示两两学生组员之间的差异互补程度，且连线粗细表示大小不同的差异互补程度，当鼠标移动悬停至连线上时，将呈现学生组员之间在认知状态、知识结构、学习情绪和学习风格上的差异互补程度数值。同时，课程教师通过移动终端或者计算机可以查看全部学生的分组信息，而学生个体只能查看本人所在小组的信息。
[0050]
本发明未详细阐述的部分属于本领域公知技术。
[0051]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。该计算机软件产品可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施方式或者实施方式的某些部分所述的方法。该计算机软件产品可以存储在内存中，内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器
(sram)、动态随机存取存储器(dram)、其它类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其它内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其它光学存储、磁盒式磁带，磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括短暂电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0052]
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其它实施方式的不同之处。尤其，对于在线学生异质分组系统实施方式而言，由于其处理器执行的软件功能基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
[0053]
虽然通过实施方式描绘了本技术，本领域普通技术人员知道，本技术有许多变形和变化而不脱离本技术的精神，希望所附的权利要求包括这些变形和变化而不脱离本技术的精神。
[0054]
需要说明的是，在本技术的描述中，术语“第一”、“第二”等仅用于描述目的和区别类似的对象，两者之间并不存在先后顺序，也不能理解为指示或暗示相对重要性。此外，在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。

技术特征：

1.一种在线学生异质分组系统，其特征在于：所述在线学生异质分组系统包括多模态过程数据获取模块、学生画像特征分析模块、学生异质分组计算模块和分组结果输出模块，其中：多模态过程数据获取模块：通过计算机自动采集学生以往和当下在在线课程学习平台中进行学习时所产生的各种模态过程数据，并存储于多模态过程数据库中；所述过程数据包括四部分数据：交互行为数据，讨论音视频数据，表情动作数据，文本发表数据；其中，所述交互行为数据包括点击、浏览、收藏、暂停、回看、提交、或取消操作所产生的行为数据；所述讨论音视频数据包括在线讨论、音视频会议、或在线直播授课过程中所产生的音视频数据；所述表情动作数据文本发表数据包括课程学习过程中表现出的面部表情、情绪情感、或手势动作；所述文本发表数据包括评论、发帖、回帖、编辑内容、在线答题、问卷填写、或量表填写过程中所产生的文本数据；学生画像特征分析模块：借助多模态过程数据获取模块中所采集的四部分数据，从学生的认知状态、知识结构、学习情绪和学习风格四个维度进行特征分析；所述认知状态和知识结构维度，主要参照由课程教师通过计算机建立的课程学习任务与课程知识点之间的关联、设计的课程学习评价方案，利用其中的交互行为数据和文本发表数据实现对学生认知状态和知识结构的向量表征；所述学习情绪维度，主要借助表情自动识别技术利用其中的讨论音视频数据和表情动作数据实现对学生喜爱、愉快、感谢、抱怨、愤怒、厌恶、恐惧、悲伤八种情绪的向量表征；所述学习风格维度，主要参考所罗门学习风格量表指标体系，利用其中的交互行为数据和文本发表数据从信息加工、感知信息、输入信息和内容理解四个方面实现对学生学习风格的向量表征；学生异质分组计算模块：课程教师设置进行学生异质分组的条件规则，包括每个小组人数和异质要求；所述异质要求为参与学生异质分组计算的向量维度，其中认知状态向量维度和知识结构向量维度为必选项，学习情绪向量维度和学习风格向量维度为可选项；以学生画像特征分析模块中所获得的认知状态、知识结构、学习情绪和学习风格四个维度向量为基础，根据课程教师所设置的异质要求构建学生分组特征向量矩阵，采用k-means算法将学生自动聚集为数量等同于每个小组人数的类别数，并依次从每个类别中选取相应学生形成组内学生之间特征异质的课程学习小组；分组结果输出模块：利用学生异质分组计算模块所获得的学生分组信息，以列表视图的方式展示各小组的学生人数、男女生比例、学生两两之间的异质程度，其中以文本的形式表征学生人数、以条形图的形式表征男女生比例、以关系图的形式表征学生两两之间在认知状态、知识结构、学习情绪和学习风格四个方面的异质程度。2.根据权利要求1所述的在线学生异质分组系统，其特征在于：所述在线学生异质分组系统运行于服务器中，服务器能与装有在线学生异质分组系统客户端的智能终端通讯。3.根据权利要求1所述的在线学生异质分组系统，其特征在于：所述在线学生异质分组系统进行学生分组的依据包括认知状态和知识结构两个必选要素以及学习情绪和学习风格两个可选要素。4.一种在线学生异质分组方法，其特征在于实现步骤如下：步骤(1)、课程教师通过计算机在在线课程学习平台中设计在线课程学习任务，建立在线课程学习任务与课程知识点之间的关联，设计在线课程学习评价方案，嵌入基于所罗门
学习风格量表开发的调查问卷；步骤(2)、学生利用移动终端或计算机完成在线课程学习任务、填写所罗门学习风格量表，同时课程教师通过内嵌于上述移动终端或计算机中的数据采集接口、外部音视频采集设备捕获学生在线课程学习过程中所生成的行为交互数据、讨论音视频数据、表情动作数据和文本发表数据，并存储于多模态过程数据获取模块；步骤(3)、利用步骤(2)中获取的行为交互数据、讨论音视频数据、表情动作数据和文本发表数据，从认知状态、知识结构、学习情绪和学习风格四个方面对学生进行画像特征分析；其中所述认知状态是对学生有关课程知识习得水平的刻画，参照步骤(1)中设计的在线课程学习评价方案，由在线课程学习平台根据学生在与课程知识相关联的所有学习任务中的得分情况进行自动评判，所述知识结构是对学生有关课程知识之间关系习得水平的刻画，由在线课程学习平台根据学生对构成知识关系的两端课程知识的认知状态进行自动评判，所述学习情绪是对学生在线课程学习过程中情绪状态的刻画，借助目前成熟的人工智能技术或工具，实现对学生喜爱、愉快、感谢、抱怨、愤怒、厌恶、恐惧、悲伤八种表情的自动识别，形成学生在上述八种表情上的表征向量；所述学习风格对学生在线课程学习过程中所展示出的相对稳定的学习方式的刻画，利用学生填写的基于所罗门学习风格量表开发的调查问卷信息，将学生在信息加工、感知信息、输入信息和内容理解四个方面的特征依次映射为阈值集合上的某个取值；步骤(4)、课程教师设定异质分组规则，即每个小组的人数n和参与异质分组计算的维度，其中认知状态和知识结构为必选维度、学习情绪和学习风格为可选维度；步骤(5)、利用步骤(3)中获取的所有课程学生在认知状态、知识结构、学习情绪和学习风格四个维度上的特征信息和步骤(4)中设定的异质分组规则，构建学生分组特征向量矩阵集合cm；利用学生分组特征向量矩阵集合cm数据，采用k-means算法将课程学生自动聚集为n类，并依次从n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中；对于其他n-1类中剩余的学生s，则继续采用k-means算法将学生聚集为n类，并依次从所述n类学生体中各选取1名学生，形成包含n名学生的在线学习小组，重复上述过程直至某一类中所有学生均被分配到小组中或当其他n-1类中剩余的学生人数满足s<n时终止；同时，在上述从n个聚类中依次选取学生的过程中，将以不同学生之间认知状态向量和知识结构向量的差异互补程度作为异质学生选取的重要依据；步骤(6)、课程教师和学生通过移动终端或者计算机查看在线学生异质分组系统生成的分组结果信息；将各小组的学生人数、男女生比例、学生两两之间的异质程度以可视化图形的呈现给教师和学生，其中学生只能查看本人所在小组的信息。5.如权利要求4所述的在线学生异质分组方法，其中，在所述课程知识习得水平刻画的自动评判中，如果学生在某个课程知识上的得分超过及格分数，则在该课程知识上的习得水平将被标记为掌握，否则将被标记为没有掌握。6.如权利要求4所述的在线学生异质分组方法，其中，在所述课程知识之间关系习得水平刻画的自动评判中，如果学生在构成某种知识关系的两端课程知识的习得水平都为掌握，则对该知识关系的习得水平将被标记为完全理解，如果只是某一端的课程知识水平为
掌握，则将被标记为部分理解，否则将被标记为完全不理解。7.如权利要求4所述的在线学生异质分组方法，其中，在所述步骤(3)中，在信息加工方面，如果学生的作答信息完全符合活跃型特点则取值为-1，如果学生的作答信息完全符合沉思型特点则取值为1，否则为阈值集合上的某个其他取值。8.如权利要求4所述的在线学生异质分组方法，其中，将多模态过程数据所涵盖的在线课程学习任务记为task＝{t1,t2,
…
,t
t
}，涵盖的课程知识点记为k
n
＝{k1,k2,
…
,k
p
}，其中n≤p；以学生s在某个课程知识点k
p
上的得分记为该课程知识点k
p
所关联的学习任务记为该课程知识点k
p
在所关联学习任务中所占的关联权重依次记为学生s在课程知识点k
p
所关联的学习任务中的得分依次记为则若则学生s在该课程知识点k
p
上的习得水平将被标记为掌握，取值为1，否则将被标记为没有掌握，取值为0，最终获得学生在认知状态维度上的表征向量cognitivevector记为{kc1,kc2,
…
,kc
p
}，其中kc
i
根据学生在课程知识点k
i
上的认知状态取值为1或0。9.如权利要求4所述的在线学生异质分组方法，其中，将学生在信息加工ip、感知信息pi、输入信息ii和内容理解cn四个方面的特征依次映射为集合上的某个取值。10.如权利要求8所述的在线学生异质分组方法，其中，若学生在构成某种知识关系的两端课程知识k
i
和k
j
的习得水平都为掌握，则对该知识关系的习得水平将被标记为完全理解，取值为1，如果只是某一端的课程知识水平为掌握，则将被标记为部分理解，取值为0，否则将被标记为完全不理解，取值为-1，最终获得学生在知识结构维度上的对称向量矩阵其中k
ij
根据学生在课程知识点k
i
和k
j
上的认知状态取值为1、0或-1。

技术总结

一种在线学生异质分组系统及方法，智能终端用于在线学习，服务器中运行在线学生异质分组系统，在线学生异质分组系统包括多模态过程数据获取模块、学生画像特征分析模块、学生异质分组计算模块和分组结果输出模块。本发明适用于一般在线课程学习平台，可以实现基于学生认知状态、知识结构、学习情绪和学习风格特征的自动异质分组，降低在线课程学习过程中协作学习任务分组中不同小组之间的差异，提升小组内成员之间的协作互补程度，充分发挥小组内成员的各自优势，进而提高在线协作学习的效果。进而提高在线协作学习的效果。进而提高在线协作学习的效果。