葉舒雁 張未展 齊天亮 李 靜 鄭慶華

(西安交通大學計算機科學與技術系 西安 710049)(陜西省天地網技術重點實驗室(西安交通大學) 西安 710049)(zhangwzh@mail.xjtu.edu.cn)

?

一種基于傳感器與用戶行為數據分析的移動學習場景感知分類方法

葉舒雁 張未展 齊天亮 李 靜 鄭慶華

(西安交通大學計算機科學與技術系 西安 710049)(陜西省天地網技術重點實驗室(西安交通大學) 西安 710049)(zhangwzh@mail.xjtu.edu.cn)

隨著智能手機和移動互聯網的普及，使用智能移動終端進行學習的用戶也逐漸增多，移動學習在數字教育領域占據著越來越重要的地位.移動學習的有效性體現在情境感知的能力，即能夠感知不同學習情境并提供相應合理的學習內容.因而，移動學習中的情境感知技術已經成為一個研究熱點.學習場景的感知是移動學習情境感知的重點，但是由于移動學習的動態(tài)性和復雜性，準確的場景感知具有一定的難度.基于實際的移動學習環(huán)境，提出了一種根據傳感器與學習操作行為對學習場景進行感知分類的方法，處理并分析了由移動學習客戶端采集到的傳感器數據和學習操作行為日志數據，對比了以傳感器數據特征值與學習操作行為特征值共同作為輸入特征值的多種場景感知分類算法.結果表明：對比僅使用傳感器數據作為分類算法輸入特征值的結果，結合學習操作行為日志和傳感器數據一起作為學習場景分類感知的依據，可以顯著提高移動學習場景的感知分類效果.

移動學習；移動傳感器；學習操作；學習場景感知；場景分類

隨著移動終端設備的普及，近幾年移動學習應用也呈現出爆發(fā)性的增長趨勢，對比傳統學習方式，移動學習有著非常顯著的特點：多變的學習場景.現有場景感知的研究主要是從原始環(huán)境、服務設計開發(fā)、可用性研究等方面開展，比如將地理位置信息與帶寬預測結合，從而優(yōu)化視頻自適應服務技術[1]，考慮場景因素對于QoE的影響，進而提高視頻質量[2]，利用移動用戶位置信息，提高移動網絡服務的可靠性和準確性[3]等.通過考慮終端位置、用戶相關數據等場景相關信息感知場景，進而提供自適應的內容、個性化的動態(tài)服務[4]，可以顯著地提高用戶的積極性和服務的有效性.通過獲取用戶手機的各類傳感器數據信息并采用一定的數據挖掘算法來學習感知用戶情境信息，進一步與移動學習應用結合成為目前教育學習領域研究的熱點[5].在此基礎上，基于具體學習情境向學習者推送適合的學習資源，以實現個性化學習是移動學習發(fā)展的趨勢[6].

不同學習場景下學生的學習操作行為也有一定的差異[7]，因此本文在不影響用戶體驗的情況下在后臺采集移動學習用戶手機傳感器數據并記錄學生學習操作行為，在傳感器數據感知場景的基礎上，進一步考慮綜合傳感器數據和學習操作日志共同來感知學生的學習情境以獲取更好的場景感知效果.

1 傳感器數據與用戶行為數據的采集和預處理

1.1 傳感器數據與學習操作行為采集

不同于一般的移動學習應用，本文中使用自主研發(fā)的客戶端，在學生學習過程中會在后臺采集學生課程視頻學習過程中的一些學習操作數據，比如開始學習課程的時刻、暫停操作的時刻和暫停時長、拖動操作的時刻和拖動的時長、結束學習的時刻和學習時長.通過這4類操作記錄數據可以完整地還原出某個學生的學習過程.由于研究課題的需要，客戶端在學生學習課程視頻的過程中還會采集手機上8類傳感器數據，分別是加速度傳感器、重力傳感器、陀螺儀傳感器、旋轉矢量傳感器、溫度傳感器、光線傳感器、濕度傳感器和聲音傳感器.本文后續(xù)的場景感知分類首先是基于從服務器上下載的原始傳感器數據，然后在此基礎上以學習操作行為日志分析出的一些學習操作為指標，比如學習時長、暫停以及拖動的次數和時長這些行為指標連同傳感器數據一起作為場景感知分類的依據，從而達到優(yōu)化場景分類感知的效果.

數據采集完成后，就可以針對數據進行具體分析了.然而由于手機使用過程中的移動性、電量消耗、網絡傳輸等因素，傳感器數據的獲取并不穩(wěn)定，當傳感器的能量較低時采集到的數據通常是不可用的臟數據、噪聲數據或者直接數據丟失[8]，所以原始傳感器數據必須經過特定的處理才能進行分析.本文對傳感器數據的處理主要包括臟數據處理以及對缺失值的插補.本文利用不同傳感器屬性之間的相關性和傳感器數據自身的時間特性來針對缺失數據進行插補.除此之外，傳感器數據也需要與從服務器中提取的移動學習操作數據進行匹配.

1.2 傳感器臟數據處理

盡管目前移動設備中傳感器已經有了很大的改進，但是由于手機電量和用戶移動的影響，傳感器數據中不可避免地存在噪聲[9]，數據還是要依賴各種形式的平滑和均衡，也就是通常說的低通濾波，它可以濾除高頻率的噪聲，而“放行”低頻率和改變緩慢的變化[8].而高通濾波可以去除對靜態(tài)和緩慢變化的背景數據的強調，它強調的是更高頻率和瞬變分量.因此本文首先使用加權平均法作為低通濾波算法來實現對數據的平滑作用，然后從傳感器數據中減去低通濾波后的結果，從而得到高通濾波的最終數據.

另外，對于變化劇烈的數據，計算簡單移動平均線對單個數據點的峰值能起到更好的平滑作用，可以更好地分析數據.簡單移動平均線(simple moving average, SMA)也被稱為滾動平均值或移動平均值，它能夠很方便地找到數據序列中最近的k個數據的算術平均值，其中整數k代表平均“窗口”的大小.只有k個值全部被采集到后，該方法才能奏效.對前k-1個值，平均值可以取任意值(例如0)，或者將SMA的計算延遲到采集到k個值之后進行.平滑參數和窗口大小的選擇需要權衡，在定義1個合適的窗口大小時，最好能夠平滑在給定的時間段內采集到的所有數據值，而不僅僅考慮最新的，本文中選取最近的60個值作為窗口大小.

1.3 傳感器數據缺失值處理

由于移動手機的特殊性，傳感器數據的缺失是無法避免的.對于缺失的傳感器數據，本文考慮到傳感器數據的時間序列特性和其他一些相關特性，因此插值在準確性上明顯不夠[10]，會對后續(xù)的數據建模帶來偏差，影響場景感知的正常進行[11].傳感器數據的缺失模式通常也是隨機缺失模式，數據缺失時間之間不存在線性關系，某屬性值這一刻缺失，下一時刻可能就可以正常采集.在對已有的傳感器數據進行分析和挖掘后，本文根據不同傳感器屬性值之間的相關性和傳感器數據自身的時間特性來針對缺失的傳感器數據進行插補，取得了良好的數據插值效果.

由于溫度、濕度和光照強度這3個傳感器屬性數據之間存在極大的相關性，因此可以通過分析傳感器屬性之間的相關性并加以利用來恢復某些傳感器數據缺失值.通過一元回歸模型和多元回歸模型的使用，本文成功對一些場景相關傳感器的缺失數據，比如溫度、濕度、光強進行了預測和插補[12].

利用不同類型傳感器數據之間的屬性相關性可以預測部分數據，然而原始數據中也存在多種傳感器數據在某一時刻數據都缺失的情況，現有的缺失數據插補方法沒有考慮到傳感器數據的時間信息.由于手機傳感器采集到的環(huán)境數據如溫度、光強、濕度等都是一些連續(xù)變化的物理量，即相鄰時刻的數據值相差不大，所以傳感器數據作為時間序列數據，數據之間通常具有一定的時間相關性[13]，利用這種時間相關性來預測丟失的傳感器數據，準確率應該相對較高.因此本文根據傳感器數據的時間序列特性，通過對相鄰時刻數據構建線性插值函數對某些缺失值進行估計和預測.

缺失值插值完成后，本文需要對數據完整性進行檢查，檢查傳感器數據的采樣率和序列長度以及傳感器類型的完整性.確保分析的每個傳感器序列文件都是基于采樣率20 Hz、時長為10 min，且包含所有需要的傳感器類型的數據.

1.4 學習操作行為日志預處理

由于移動學習客戶端是在判斷網絡狀況良好的情況下才進行學習操作行為數據的發(fā)送，所以可能導致學習操作行為發(fā)生時間和操作數據被上傳到服務器的時間并不一致，學習操作在服務器數據庫中的順序并不一定對應操作真實發(fā)生的順序.在此本文需要對操作日志進行一定的處理，根據操作行為發(fā)生的時間對操作進行排序，整理出正確的操作行為發(fā)生順序.學生1次學習過程中產生的學習操作行為日志中的開始操作和結束操作的時刻對應于傳感器采集開始和結束的時刻，這樣使學習操作日志數據和傳感器日志數據文件可以對應起來，從而可以確定某學習場景下的學習操作行為數據.

2 基于傳感器與學習行為的場景感知

2.1 傳感器數據特征值選取與計算

經過第1節(jié)除噪和缺失值插補后的傳感器數據并不能直接作為場景感知分類算法的輸入，為了降低建模時間，提高分類效果，本文基于原始傳感器數據處理選取出某些對分類結果有較大影響的特征值作為算法建模的依據[14].移動終端采集的傳感器數據是時間上連續(xù)的序列，本文選取的是時長超過10 min的數據，可以采用滑動窗口的方法進行特征提取.

設A3a為3軸加速度的信號強度矢量，可以為

在情境感知研究中常用的特征值有：均值、方差、相關系數等；本文選取了6種特征值：平均值(mean)、標準偏差(standard deviation)、中值(median)、偏度(skewness)、峰態(tài)(kurtosis)和4分位點范圍(inter-quartile range)，這6個統計學特征被證明是利用傳感器數據進行分類的比較有效的選擇[15].

2.2 基于傳感器數據的場景感知方法

由于數據量非常大，靜態(tài)場景和動態(tài)場景的比例差距也很大，考慮到靜態(tài)場景和動態(tài)場景的數據很容易區(qū)分，本文選擇對傳感器數據采用2次分類策略.首先確定場景的基本類型：動態(tài)或者靜態(tài)；然后再進行第2次分類，分別在這2類場景中判斷出具體的場景類型.

經實驗分析，靜態(tài)場景和動態(tài)場景僅根據加速度傳感器數據的變化即可判斷.如圖1所示，在圖書館和辦公室場景中學生手機3軸加速度傳感器的數據幾乎保持恒定不變，而在公交或地鐵中手機3軸加速度傳感器的數據變化劇烈，波動很大.因此通過計算加速度傳感器數據的標準差，很容易區(qū)分出靜態(tài)場景和動態(tài)場景.

Fig. 1 The triaxial acceleration data of different scenarios.圖1 不同場景下的3軸加速度數據

Fig. 2 Dynamic and static scene classification.圖2 動靜態(tài)場景分類

本文分別隨機抽取了200個靜態(tài)和200個動態(tài)場景的傳感器數據文件，并計算出每個場景對應的3軸加速度傳感器數據的標準差特征值，得到如圖2所示兩大類場景的分類結果的散點圖.很明顯地看到，靜態(tài)場景的3軸加速度標準差集中在坐標原點附近，動態(tài)場景的3軸加速度標準差離原點較遠，比較分散.通過對已有場景的加速度傳感器數據的統計分析，得出當3軸加速度x,y,z方向上傳感器數據標準差有任意1個超過2.0的即為動態(tài)場景，否則為靜態(tài)場景.分類的準確率達到96%以上.

針對已區(qū)分的靜態(tài)和動態(tài)場景，本文仍需要再在這2個大類里面進行細化分類，目標是區(qū)分出具體的場景類型.由于本文采集了8種傳感器類型的數據，根據2.1節(jié)選取的6個特征量共計算得到48個特征值.

本文選擇了隨機森林(random forest,RF)、J48決策樹、隨機委員會(random committee,RC)、貝葉斯網絡(Bayesian network,BN)和k最近鄰算法中的IBk共5種分類算法來對傳感器數據進行建模.

由于不同傳感器對于不同場景分類的影響程度不同，因此首先要分別篩選出對動靜態(tài)場景影響較大的傳感器屬性值.使用Weka對4種靜態(tài)場景下的傳感器數據特征值進行排序，對靜態(tài)場景影響較大的排名前10的屬性分別是：光強度中值、音量4分位點范圍、溫度中值、音量中值、光強度偏度、光強度標準差、溫度峰態(tài)、光強度4分位點范圍、光強度平均值、光強度峰態(tài).由此可知，環(huán)境傳感器數據對靜態(tài)場景的感知分類起著關鍵作用.使用5種不同分類算法對所有48個傳感器特征值數據建模并采用十折交叉驗證進行驗證，算法運行結果如表1所示：

Table 1 Classification Results of Static Learning Situations

可見，使用RC算法建模的性能最好，準確度最高，建模時間也在可以接受的合理范圍.表2為使用傳感器特征值集合時RC算法分類結果的混淆矩陣.

Table 2 Confusion Matrix of RC

由于所有6種動態(tài)場景中，不同場景所占比例區(qū)別較大，公交場景的比例31.55%遠遠高于飛機場景的比例4.34%，因此不能直接采用分類算法[16].這是一個不平衡類的分類問題，本文采用smote抽樣方法，過分抽樣復制數據量少的樣本，主要是火車、飛機和其他場景的數據，使各樣本的數據量保持大致平衡，然后再對所有數據樣本采用不同分類算法建模.同樣使用Weka對所有動態(tài)場景下的傳感器數據特征值進行排序，得出的對動態(tài)場景分類影響較大的排名前10的屬性分別是：加速度中值、加速度標準差、加速度4分位點范圍、旋轉矢量中值、加速度峰態(tài)、音量偏度、陀螺儀峰態(tài)、重力中值、旋轉矢量偏度、重力4分位點范圍，說明對動態(tài)場景分類結果影響較大的是加速度傳感器數據、陀螺儀數據以及旋轉矢量傳感器數據的特征值，這些都是動作行為傳感器.使用不同分類算法對所有傳感器數據特征值建模并采用十折交叉方法進行驗證，表3為算法運行結果.

根據表3得出:IBk算法對動態(tài)場景的分類感知效果最好.本文選取所有的傳感器數據特征值建立全特征值集合，表4為使用全特征值集合時IBk分類算法分類結果的混淆矩陣.

Table 3 Classification Results of Dynamic Learning Situations

Table 4 Confusion Matrix of IBk

3 融合傳感器與行為數據的場景感知優(yōu)化

不同場景下學生的學習操作行為通常也呈現出明顯的差異化.對2015-08-12—2016-03-10期間產生的77 875條Android移動學習客戶端的學習操作行為記錄進行統計分析.圖3是根據學習操作行為日志計算出的不同場景下的一些學習操作行為指標，包括學生在不同場景下的平均暫停和拖動的時長、平均暫停和拖動的次數以及平均學習時長；圖3的橫坐標表示不同的學習場景：1代表辦公室，2代表家里，3代表圖書館，4代表室外，5代表汽車，6代表公交，7代表飛機，8代表地鐵，9代表火車，10代表其他學習場景.

Fig. 3 Learning operation in different contexts.圖3 不同場景下的學習行為

由圖3可以看出不同場景下的學習行為呈現出很大的差異，例如學生在圖書館和辦公室等安靜的學習場所的單次學習時長通常比交通工具上的學習時長相對長些.在動態(tài)場景比如火車上的暫停時長相對長些.所以本文進一步考慮綜合學習操作行為日志計算出的一些學習行為指標，將學習行為指標和傳感器數據一起作為場景感知分類的特征值以達到更好的移動學習場景感知分類效果.

本文基于學習操作行為日志計算出特征值：某場景下的學習時長、暫停次數、暫停時長以及拖動次數、拖動時長共5個學習操作行為指標作為結合傳感器數據特征值與學習操作行為日志的移動學習場景感知分類的特征值.

本次同樣采用2次分類：第1次分類同第2節(jié)中介紹的一樣，首先根據3軸加速度傳感器數據的標準差來區(qū)分出靜態(tài)場景和動態(tài)場景；第2次分類中算法的輸入不只有傳感器數據特征值，本節(jié)將計算出來的5個學習操作行為指標連同傳感器數據特征值一起作為分類算法的輸入，同樣將場景類型數據作為訓練集數據.

首先進行特征選擇，將所有靜態(tài)場景的5個學習操作行為指標連同48個傳感器數據特征值導入Weka，得到排名靠前的10個特征值，對比只有傳感器特征值的情況，發(fā)現學習過程中的暫停次數、暫停時長、總的學習時長對于靜態(tài)場景的分類也有影響，而拖動次數和拖動時長對靜態(tài)場景分類結果影響不大.

采用5種不同分類算法對所有48個傳感器數據特征值和5個學習行為指標進行建模，并采用十折交叉方法進行驗證，算法運行結果如表5所示，結果表明RC算法對靜態(tài)場景的感知分類效果最好.將算法結果與僅使用傳感器數據特征值作為分類依據的結果對比，每個算法的準確率都有不同程度的提升.RC算法的準確率可以達到88.5%，說明結合學習操作行為日志之后的場景感知分類效果更好.

Table 5 Classification Results of Static Learning Situations with Learning Operation Data

“↑” means the improvement of accuracy.

綜合所有48個傳感器數據與5個學習操作行為指標建立全特征值集合，表6為采用全特征值集合時RC分類算法分類結果的混淆矩陣.對比表3中數據，每個靜態(tài)場景被正確分類的個數都有一定程度的增加，進一步驗證了結合學習操作行為日志后可以提高學習場景感知的準確度.

Table 6 Confusion Matrix of RC with Learning Operation Data

同基于傳感器數據的場景感知分類方法一樣，首先采用smote抽樣方法使各樣本的數據量保持大致平衡；然后進行特征選擇，將所有動態(tài)場景的5個學習操作行為指標連同48個傳感器數據特征值導入Weka，得到排名靠前的10個特征值：加速度中值、加速度標準差、學習時長、加速度4分位點范圍、暫停時長、陀螺儀偏度、拖動次數、拖動時長、加速度峰態(tài)、音量偏度.特征選擇結果表明學習時長、暫停時長、拖動次數和拖動時長等學習操作行為指標對動態(tài)場景的分類結果影響較大.

采用不同分類算法對所有傳感器數據特征值和學習操作行為指標數據進行建模，并采用十折交叉驗證，算法運行結果如表7所示，可以看出IBk算法的準確率最高，分類性能最好，對動態(tài)場景的感知分類效果最好.

Table 7 Classification Results of Dynamic Learning Situations with Learning Operation Data

“↑” in the fourth column means the improvement of accuracy,in the fifth column it means the modeling time increased.

將算法結果與僅使用傳感器數據特征值作為分類依據的結果對比，IBk算法進行動態(tài)場景分類感知的效果最好，選取的學習操作行為指標可以明顯提高動態(tài)場景感知分類的準確率，優(yōu)化場景感知分類效果.

表8為采用IBk分類算法對動態(tài)場景進行感知分類結果的混淆矩陣.對比表5中的數據，每個動態(tài)場景被正確分類的個數都有一定程度的增加，進一步驗證了結合學習操作行為日志后可以提高學習場景感知的準確度.

Table 8 Confusion Matrix of IBk with Learning Operation Data

4 結束語

本文研究了基于移動學習系統的學習場景感知過程，通過采集學生使用Android移動學習客戶端進行課程視頻學習過程中的傳感器數據和學習操作行為采集，并對原始數據進行一定的預處理和分析；然后選取合適的特征值來作為場景感知分類的依據，進而挖掘出用戶所在的學習場景，為后續(xù)根據不同場景提供不同的學習內容以達到最優(yōu)的學習效果提供一定的借鑒意義.

[1]Hao Jia, Zimmermann R, Ma H. GTube: Geo-predictive video streaming over HTTP in mobile environments[C] //Proc of the 5th ACM Multimedia Systems Conf. New York: ACM, 2014: 259-270

[2]Awobuluyi O, Nightingale J, Wang Qi, et al. Video qualiy in 5G networks: Context-aware QoE management in the SDN control plane[C] //Proc of the 3rd Int Workshop on Mutimedia Communication & Networking. Piscataway, NJ: IEEE, 2015: 1657-1662

[3]Liu Shudong, Meng Xiangwu. Approach to network services recommendation based on mobile user’s location[J]. Journal of Software, 2014, 25(11): 2556-2574 (in Chinese)(劉樹棟, 孟祥武. 一種基于移動用戶位置的網絡服務推薦方法[J]. 軟件學報, 2014, 25(11): 2556-2574)

[4]Kapitsaki G M, Prezerakos G N, Tselikas N D, et al. Context-aware service engineering: A survey[J]. Journal of Systems & Software, 2009, 82(8): 1285-1297

[5]Gellersen H, Beigl M, Schmidt A. Sensor-based context-awareness for situatedcomputing[C] // Proc of Workshop on Software Engineering for Wearable and Pervasive Computing (ICSE’00). Limerick, Ireland: ICSE, 2000: 77-83

[6]Wang Yuankai. Context awareness and adaptation in mobile learning[C] // Proc of the 2nd IEEE Int Workshop on Wireless and Mobile Technologies in Education. Los Alamitos, CA: IEEE Computer Society, 2004: 154-158

[7]Krause A, Smailagic A, Siewiorek D P. Context-aware mobile computing: Learning context-dependent personal preferences from a wearable sensor array[J]. IEEE Trans on Mobile Computing, 2006, 5(2): 113-127

[8]Milette G, Stroud A. Professional Android Sensor Programming[M]. Indianapolis, Indiana: Wiley, 2012: 127-181

[9]Hernandez M, Stolfo S. Real-world data is dirty: Data cleansing and the merge/purge problem[J]. Data Mining and Knowledge Discovery, 1998, 2(1): 9-37

[10]Li Yuanyuan, Parker L. A spatial-temporal imputation technique for classification with missing data in a wireless sensor network[C] // Proc of IEEE/RSJ Int Conf on Intelligent Robots and Systems. Piscataway, NJ: IEEE, 2008: 3272-3279

[11]Kong Linghe, Xia Mingyuan, Liu Xiaoyang, et al. Data loss and reconstruction in sensor networks[C] //Proc of the IEEE INFOCOM’13. Piscataway, NJ: IEEE, 2013: 1654-1662

[12]Xu Ke, Lei Jianjun. Estimating algorithm for missing values based on attribute correlation in wireless sensor network[J]. Journal of Computer Applications, 2015, 35(12): 3341-3343 (in Chinese)(許可, 雷建軍. 基于屬性相關性的無線傳感網絡缺失值估計方法[J]. 計算機應用, 2015, 35(12): 3341-3343)

[13]Pan Liqiang, Li Jianzhong, Luo Jizhou. A temporal and spatial correlation based missing values imputation algorithm in wireless sensor networks[J]. Chinese Journal of Computers, 2010, 33(1): 1-11 (in Chinese)(潘立強, 李建中, 駱吉州. 傳感器網絡中一種基于時-空相關性的缺失值估計算法[J]. 計算機學報, 2010, 33(1): 1-11)

[14]Hong Jongyi, Suh E H, Kim S J. Context-aware systems: A literature review and classification[J]. Expert Systems with Applications, 2009, 36(4): 8509-8522

[15]Zhang Mi, Sawchuk A. A feature selection-based framework for human activity recognition using wearable multimodal sensors[C] //Proc of the 6th Int Conf on Body Area Networks. Brussels: ICST, 2011: 92-98

[16]Wang Shuo, Yao Xin. Diversity analysis on imbalanced data sets by using ensemble models[C] //Proc of the 2009 IEEE Symp on Computational Intelligence and Data Mining. Piscataway, NJ: IEEE, 2009: 324-331

Ye Shuyan, born in 1991. Master candidate. Her main research interest is multimedia systems for e-learning.

Zhang Weizhan, born in 1977. Associate professor and PhD supervisor. His main research interests include multimedia systems for e-learning, peer-to-peer computing, analysis and application of big data and wireless networks.

Qi Tianliang, born in 1993. Master candidate. His main research interests include personalization service in e-learning, analysis and application of big data.

Li Jing, born in 1993. Master. Her main research interest is multimedia systems for e-learning.

Zheng Qinghua, born in 1969. Professor, PhD supervisor, and vice-president of Xi’an Jiaotong University. His main research interests include multimedia distance education, computer network security, intelligent e-learning theory and algorithm.

A Sensor and User Behavior Data Analysis Based Method of Mobile Learning Situation Perception

Ye Shuyan, Zhang Weizhan, Qi Tianliang, Li Jing, and Zheng Qinghua

(Department of Computer Science and Technology, Xi’an Jiaotong University, Xi’an 710049)(ShaanxiProvinceKeyLaboratoryofSatelliteandTerrestrialNetworkTechnology(Xi’anJiaotongUniversity),Xi’an710049)

As the popularity of the smart phones and mobile technologies, more and more people begin to use smartphones to learn and get new knowledge. Mobile learning has played a critical role in the field of education for a few years. The effectiveness of mobile learning reflects in the ability of perceiving different learning contexts and then provides matched learning resource. Context awareness has become a research hotspot, but the most important is learning situation perception. We can provide proper learning resources according to the specific learning situation. Because of the mobility and complexity of mobile learning, it’s difficult to perceive learning situation. The thesis proposes a method to perceive learning situations by combining sensor data and learning operation data and conducts some experiments. It chooses and calculates some sensor data eigenvalues and learning operation index eigenvalues as the inputs of the classification algorithms, the learning situations that students provide as training set data. The result shows that combining sensor data and learning operation data to perceive learning situations can improve the accuracy of the learning situation perception, which proves the feasibility and effectiveness of learning situation perception based on sensor data and learning operations.

mobile learning; mobile sensor; learning operation; learning context perception; context classification

2016-08-19；

2016-10-28

國家重點研發(fā)計劃項目(2016YFB1000903)；國家自然科學基金項目(61472317，61428206，61472315，61532015，61532004)；教育部創(chuàng)新團隊發(fā)展計劃資助項目(IRT13035)；陜西省科技統籌創(chuàng)新工程重點實驗室項目(2013SZS05-Z01) This work was supported by the National Key Research and Development Program of China (2016YFB1000903), the National Natural Science Foundation of China (61472317, 61428206, 61472315, 61532015, 61532004), the Innovative Research Team in University of Ministry of Education of China (IRT13035), and the Co-ordinator Innovation Project for the Key Lab of Shaanxi Province (2013SZS05-Z01).

TP391