智能辅导系统中学习障碍数据收集与分类方法研究

### 智能辅导系统中学习障碍数据收集与分类方法研究 #### 1. 人工智能解决学习障碍的应用 人工智能在解决儿童和老年人相关困难方面发挥着重要作用，尤其是在预测学习障碍方面。 - **预测儿童自理问题**：利用机器学习预测身体或运动残疾儿童的自理问题，通过比较多种机器学习模型的准确性，最终提出使用KNN进行预测。 - **检测学龄儿童学习障碍**：采用集成技术预测学龄儿童的学习障碍，在预测时关注与学习障碍相关的重要参数，并比较集成模型和机器学习模型的结果。 - **诊断自闭症谱系障碍**：传统的自闭症筛查工具耗时且昂贵，而机器学习方法为诊断自闭症谱系障碍提供了有效的途径，通过不同的机器学习模型进行诊断，并基于模型的准确性和效率比较结果。 - **预测帕金森病**：基于语音数据预测帕金森病，比较不同的特征集，并使用主成分分析选择最重要的特征，对这些特征集上的分类算法进行训练和测试，以比较它们在多个性能指标上的表现。 - **预测学习困难**：机器学习还用于预测阅读障碍、书写障碍和计算障碍等学习困难。在研究中，使用学习算法进行基于游戏的学习障碍筛查，将筛查结果作为支持向量机（SVM）、K近邻（KNN）和随机森林等机器学习模型的输入。此外，还开发了基于深度学习的移动应用Pubudu，用于筛查阅读障碍、书写障碍和计算障碍，将学习者的手写字母和数字作为卷积神经网络（CNN）模型的输入，用于预测字母书写障碍和数字书写障碍，将学习者的语音样本作为音频剪辑，用于将阅读障碍与其他障碍区分开来。使用堆叠集成技术预测这些障碍，计算逻辑回归、KNN和SVM的结果，并将其与决策树一起用于堆叠集成模型，以获得最终结果，并将机器学习算法的结果与集成算法进行单独比较。 #### 2. 研究方法 ##### 2.1 设计与数据描述 本研究旨在设计和开发一个模型，以收集学习困难学习者的数据，并为他们提供个性化的学习内容。由于以往研究中对学习障碍学习者进行访谈的不同方法存在回答偏差，因此在本研究中比较了两种调查方法：面对面访谈和通过开发的智能辅导系统（ITS）进行基于电子响应的学习障碍学习者筛查。 - **数据收集**：对94名学习障碍学习者进行了面对面访谈，并利用ITS的学习者模块框架对有和没有学习障碍的学习者样本进行了预测试。对记录的数据进行了定量评估，以确定其对学习障碍学习者学习的影响。 - **问卷开发**：为了开发与阅读障碍、书写障碍和计算障碍问题相关的问卷框架，与学校和心理治疗中心进行了合作，目标是从超过六所学校和两个心理治疗中心收集数据并开发问卷框架。 - **特征选择**：用于区分和识别阅读障碍、书写障碍和计算障碍的特征与每个要区分的问题相关，这些问题会影响学习者的阅读技能、流畅性、书写技能、运动技能以及推理和算术技能。用于分类过程的语音特征包括语音意识、读写能力、随机命名、流畅性和响度；用于书写分析的特征包括运动技能、空间知识、拼写和清晰度。这些额外的特征被映射到学习者的认知强度（CI）和学习风格（LS）。 - **系统辅助筛查**：通过训练学习者的数据来识别学习障碍，训练数据包括学习障碍（阅读障碍、书写障碍和计算障碍）和非学习障碍学习者的数据。中间输出与每个预测试和问卷样本进行映射，用于后续的个人资料开发。这些中间输出包括问题技能（PS）、认知强度（CI）和学习偏好/风格（LS）。 以下是认知强度和学习风格的相关信息： |类别|详情| | ---- | ---- | |认知强度|包括长期记忆、短期记忆、注意力、专注力、定向力、抽象/理性思维、语言能力、视觉感知和流畅性等九种，本研究将记忆和注意力、视觉感知以及理性和逻辑思维（处理）等认知强度进行了分组。| |学习风格|在许多研究中，Felder - Silverman学习风格模型被纳入教育和辅导模型以实现适应性。本研究确定了四种学习风格：反思型、视觉型、主动型和动觉型。学习偏好将根据学习者的兴趣给出最适合的偏好，为了根据用户的学习兴趣提供内容，需要学习风格和认知能力。| 最终的个人资料详细信息包括困难或残疾类型、程度/严重程度、认知强度、学习风格以及每个参与者（有或没有学习障碍）涉及的问题技能。 ##### 2.2 学习者数据预处理 学习者数据集通过调查从心理治疗中心和城乡学校收集，共收集了94名学习者的数据，其中41名有学习困难。用于区分阅读障碍的特征包括读写能力、语音学、随机命名、解码、阅读流畅性和响度；用于识别书写障碍的特征包括视觉空间反应、拼写、句子单词表达、清晰度和视觉运动整合；用于计算障碍的特征包括基本算术技能、文字问题、运算符差异、推理以及与学习者相关的长/短期记忆特征，这些特征从问卷和样本输入中提取。 ##### 2.3 特征选择和分类方法 基于以往研究的有效性和复杂性，选择了五种特征选择技术，这些特征选择方法已应用于文本挖掘、图像处理、生物信息学和工业应用等领域。具体的特征选择方法包括额外梯度提升（XGB）、Relief、最小绝对收缩和选择算子（LASSO）、梯度提升决策树（GDBT）和弹性网络（EN）。 同时，比较了六种机器学习算法：K近邻（KNN）、逻辑回归（LR）、线性判别分析（LDA）、分类和回归树（CART）、朴素贝叶斯（NB）和支持向量机（SVM）。这些机器学习模型是基于它们在识别学习困难方面的性能进行选择的。在以往的研究中，SVM、KNN和LR已被用于学习障碍的识别，而LDA和CART是本研究中首次用于识别学习困难的机器学习模型。此外，还比较了这五种机器学习算法与最佳特征选择方法结合时的性能。特征选择和分类算法使用Python（版本3.6.3）中的scikit - learn包（版本0.21）实现。 下面是特征选择和分类方法的流程： ```mermaid graph LR A[收集数据] --> B[特征选择] B --> C{选择特征选择方法} C --> |XGB| D[使用XGB进行特征选择] C --> |Relief| E[使用Relief进行特征选择] C --> |LASSO| F[使用LASSO进行特征选择] C --> |GDBT| G[使用GDBT进行特征选择] C --> |EN| H[使用EN进行特征选择] D --> ```