在互联网+的推动下,网络在线课程蓬勃兴起,在线学习成为了当下重要的学习方式之一。然而,在线学习缺乏线下教学的氛围,更易受环境干扰,学习者的注意力会不自觉地从与任务相关的事物转移到与任务无关的思考中,即心理学上所谓的心智游移现象。心智游移现象是一种高度内在的状态,不易从明显的行为表情中进行推断。而人类的认知活动和眼睛的行为有密切关联。因此,利用眼动数据来挖掘不同的眼动行为和模式,进而分析学习者的学习注意力成为解决这种问题的一种途径。眼动轨迹可以直接或间接地反映思维模式及心理状态的变化。本文利用眼动轨迹从群体和个体两个维度分析学习者的学习注意力,主要工作有:1.基于改进DBA算法的群体眼动模式研究。眼动模式是群体的代表性眼动轨迹,是群体眼动行为的共性抽象。在相同时间内眼动轨迹的共性和差异性能够揭示不同的眼动模式,帮助分析参与者内在的情感认知和阅读策略。现有DBA(DTW Barycenter Averaging)算法受异常序列负面影响较大、对初始序列高度敏感。针对这两个不足,作者对DBA算法进行改进,采用Grubbs'Test方法剔除异常序列,并构建一个基于欧式重心的初始序列。此外,将改进的DBA算法与DTW算法相结合,用以计算眼动轨迹的相似度和确定聚类种子,提出一种DDC(Distance and Density Clustering)时间序列聚类算法。实验表明,改进DBA算法的收敛精度和速度都高于原DBA算法。DDC算法对眼动轨迹进行聚类能够探究参与者不同的阅读策略,且此算法在两个数据集上的DBI值都达到最低,分别为1.441和0.141,比K-means和层次聚类算法性能更优。2.基于路径签名和深度学习的个体眼动行为研究。眼动行为主要分为注视、跳视和平滑追踪,将原始眼动数据样本进行分类能够更好地了解学习者在线学习的行为和意图。当前最优的方法是提取5个时间尺度上注视点的速度和方向作为特征,将其输入到一维卷积层中获取数据的内部特性,并使用Bi LSTM获取数据间的时序关系,进而对数据进行分类。在Gaze Com眼动数据集上进行测试,发现注视、跳视和平滑追踪的平均F1得分达到0.830。而平滑追踪的F1得分仅为0.703。为此,作者引入路径签名(Path Signature,PS)模块和自注意力模块对其进行改进。路径签名模块能够对路径进行高度概括并表征眼动轨迹的几何特征,而自注意力模块对特征进行了重标定,突出了重要的特征。实验表明,在相同数据集下,本文提出的算法比当前最优算法在眼动行为分类上平均F1得分提高4.3%。
暂无评论