CN103226797A - 基于在线学习全过程的绩效考核的方法 - Google Patents

Abstract

本发明涉及绩效考核方法，旨在提供一种基于在线学习全过程的绩效考核的方法。该方法是将在线教育全过程分为四部分，即在线学习、课下讨论、课堂作业、自测考试。整个学习过程中，学习者的学习绩效由这四部分综合得出，本发明在每一部分所占的权重未知的情况下通过对系统运行过程中产生的数据进行训练得到每一部分所占的权重，进而可以用这四部分的加权值对系统中学习者进行全过程的学习绩效考核。本发明不用人工设置权重，只需要用系统运行过程中产生的数据进行训练即可得到指标权重，最后将训练得到的权重用于评估学习者的整体学习绩效，这样能真实、客观的体现出学习者的学习绩效。

Description

基于在线学习全过程的绩效考核的方法

技术领域

本发明涉及绩效考核方法，特别涉及一种基于在线学习全过程的绩效考核的方法。

背景技术

近年来在线教育日益发展，设计一个有效的在线教育系统也成为了当下的热门研究主题，为了帮助系统设计者及教师更好的分析学生在线学习全过程中的学习情况，对学习者在线学习全过程的绩效考核技术的研究就显的非常必要。传统的只通过成绩来决定学生学习绩效的方法已经不再适用于在线教育，因为它忽略了学习过程，这也正是在线教育非常重要的一个环节。

针对在线教育日益发展的现状，以及传统的学习绩效考核方法应对于在线教育的缺点，本发明提出了一种基于在线学习全过程的学习绩效考核技术。该技术针对在线学习者学习的全过程，包括网上学习时间、参与课堂讨论、作业抄袭及自测考试等四方面要素，每方面分别用不同的方法进行绩效计算，然后通过训练得到四方面要素的不同权重，最终用这四方面要素对学习者进行全过程的学习绩效考核。

近年来，随着网络的发展和科技的进步，网上在线教育也日益发展，并成为现代信息教育的一个趋势。如何评测这种新型教育方法中学习者的学习绩效不仅成为了学习者日益关心的问题，更成为了教育提供者亟待解决的问题，所以如何评价学习者在这个学习全过程中的学习绩效就显得尤为重要。

在线教育绩效考核与其他绩效考核最大的不同在于考核指标的不同，且在线教育绩效考核更看重于学习者的学习过程，现有的绩效考核技术都没有将绩效考核应用于在线教育，而在线教育在近年来日益流行，这一新型的教育过程中学习者的绩效考核决定了在线教育的质量，本发明提出了一种对在线教育全过程中学习者的学习绩效进行考核的方法，该方法通过学习者在线教育全过程中的参与情况对学习者进行面向全过程的学习绩效考核，并将机器学习中的线性回归方法应用于模型参数的训练，最后将训练得到的权重用于评估学习者的整体学习绩效，能真实、客观的体现出学习者的学习绩效，从而能推动在线教育事业的发展。

目前的绩效考核方法都是针对企业、员工等对象，或是提出了具体的绩效指标分析方法，却还没有对在线教育中的学习者进行绩效考核的方法。

中国发明申请“实现对个人综合绩效进行智能整理以供考评的实现方法”（申请号: 201010568453.6）实现了一种对个人综合绩效进行智能整理以供考评的方法，其实现步骤包括数据仓库的建立、数据预处理、指标选择、权重计算以及绩效得分计算。其中数据仓库的建立是采集医院各个业务系统的数据，根据数据的主题构建数据仓库；数据预处理主要进行无量纲化处理、指标同向与异常值处理；指标选择采用R型聚类分析法和变异系数法；权重计算采用基于信息的方法，根据信息熵理论，通过判断指标的离散程度来确定指标的重要性，最后将整理好的数据并以图表方式展现给用户，以供个人综合绩效考评。

中国发明申请“一种基于数据统计学的关键绩效指标分析方法”（申请号: 201110458126.X）提出了一种基于数据统计学的关键绩效指标分析方法。它首先将原始数据导入数据库中并进行数据提取、转换和加载，去除干扰分析的数据；然后对指标进行标准化处理，使每个指标都呈现出均值为0，标准差为1的分布；接着将各个指标绘制在散点图中，对各个指标进行相关性分析，根据相关系数判定是否需要去除或者整合指标，用该方法得到满意的指标维度；最后对指标进行线性拟合，运用逐步回归的方法求出各个指标对应的系数，通过判断线性拟合的误差均值和方差是否符合要求来更新及确定各指标的相关系数。

中国发明申请“一种基于权重调整的绩效评估方法”（申请号: 201110071660.5）提出了一种基于权重调整的绩效评估方法，首先构建员工指标评估体系，通过考核指标的不同和打分角色的不同设置不同的权重，最终以百分制形式来评估员工的绩效；其中构建员工指标评估体系，是采用领导评员工、员工自评、部门内员工互评的方式对员工进行打分；绩效评估权重确定，评判分值是对考核标准的有效量化，对每一个考核项目都采用量化的分值，根据不同的职级设置不同的权值，根据权值得出该员工的绩效考核分数。

发明内容

本发明要解决的问题是，克服现有技术中的不足，提出一种基于在线学习全过程的绩效考核方法。为解决技术问题，本发明的解决方案是：

提供一种基于在线学习全过程的绩效考核的方法，该方法包括对在线学习时间、课程讨论、课堂作业和自测考试四个部分的绩效考核；各部分的具体考核方法分别是：

（一）在线学习时间的绩效考核

假设学习者A共有N（N是整数且N≥0）个资源，当N=0时，他的在线学习时间绩效为0。当N≥1设每个资源的预学习时间分别为S₁,S₂,…,S_N，学习者A对这些资源的实际学习时长分别为T₁,T₂,…,T_N，则A的在线学习时间绩效T的计算方法为：

（1）A的平均在线学习时长为： $\stackrel{\‾}{T}=\frac{\frac{T_1}{S_1}+\frac{T_2}{S_2}+...+\frac{T_N}{S_N}}{N}=\frac{{\mathrm{\Σ}}_{i=0}^N\frac{T_i}{S_i}}{N}$ ；

（2）A学习第i个资源（i是整数且，N≥i≥1）与平均值的偏差为： $b_i=\frac{\frac{T_i}{S_i}-\stackrel{\‾}{T}}{\stackrel{\‾}{T}}$

（3）A学习第i个资源的学习绩效为： $e_i=\frac{1}{{b_i}^2+1}$

（4）A通过学习自己拥有的N个资源得到的在线学习时间绩效总值为： $e_A={\mathrm{\Σ}}_{i=0}^N{e}_i$

其中，N和i是≥0的整数，且N≥ i ≥0；

然后通过下列方法将其转化成百分制；

（a）假设所有学习者中在线学习时间绩效总值最高者为学习者B，其在线学习时间绩效总值为e_B；

（b）将该学习者B的在线学习时间绩效定为100，即T_B=100；

（c）A的在线学习时间绩效转成百分制后为 $T_A=\frac{e_A}{e_B}\×100$

（二）课程讨论的绩效考核

每门课都有若干课程主题，假设每门课有M（M是整数且M≥1）个关于课程介绍的小文章，分别为C₁,C₂,…,C_M，某学习者A该课程共发表N（N是整数且N≥0）篇博文，当N=0时，他的课程讨论绩效为0；当N≥1时，设N篇博文分别是B₁,B₂,…,B_N，则学习者A的课程讨论绩效的计算方法如下：

（1）将这M个课程介绍文章及N篇博文进行分词，即将一篇文章分割成一个个的词，这样一篇文章变成了大量词语的列表；然后去除停用词，停用词是指常用的没实际含义的功能词（如“的”、“是”等）；

（2）将所有分词结果排序整理成词汇列表，假设共有W（W是整数且W≥1）个词；

（3）由M个文章及N篇博文的分词结果，分别根据它们在词汇列表中出现的顺序及次数将它们写成向量的形式，共有M+N个向量，且每个向量都有W个元素，若词汇列表中第w（w=1…W）个元素在某个文章或博文中的词汇中出现过m（m是整数且m≥0）次，则该文章或博文所表示的向量的第w个元素为m；

（4）分别计算该学习者A的N篇博文与第i（i=1…M）个文章的相似程度，通过计算它们词汇向量的余弦相似度实现，公式为：

$\mathrm{sim}(x,y)=\frac{\stackrel{\→}{x}\·\stackrel{\→}{y}}{\left|\right|x\left|\right|\·\left|\right|y\left|\right|}$

其中x，y是两个元素个数相等的向量，通过该公式可知第j（j=1…N）篇博文与第i个文章的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则所有N篇博文的总相似度为，记为b_i;

（5）计算学习者A的N篇博文与M篇课程介绍文章的平均相似度，也就是A的课程讨论绩效，即

；

（6）将A的平均相似度转化成百分制的课程讨论绩效，方法如下：

（a）假设所有学习者中平均相似度最高者为学习者B，且其平均相似度为b_B；

（b）将该学习者B的课程讨论绩效定为100，即B_B=100；

（c）A的课程讨论绩效转成百分制后为 $B_A=\frac{b_A}{\mathrm{bB}}\×100$ ；

（三）课堂作业的绩效考核

假设一次作业提交过程中共有N（N是整数且N≥1）个学习者提交了作业，提交内容分别为hw₁,hw₂,…,hw_N，则其中某学习者A的课堂作业绩效H的计算方法如下：

（1）将这N个学习者的作业进行分词，然后去除停用词；

（2）将所有分词结果排序整理成词汇列表，假设共有W（W是整数且W≥1）个词；

（3）将N个作业根据在词汇列表中出现的顺序及次数写成向量的形式，共有N个向量，且每个向量都有W个元素，即若词汇列表第 w（w=1…W）个元素在某作业的词汇中出现过m次，则该作业所表示的向量的第w个元素为m；

（4）分别计算某一学习者A的作业i（i=1…N）与其他所有学习者的作业j（j=1…N，且j≠i）的相似度，也通过计算它们词汇向量的余弦相似度实现，作业i和j之间的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则他们之间的逆相似度cp(j,i)=1-sim(j,i)，学习者A作业总逆相似度为

，记为h_A；

（5）将学习者A的总逆相似度转化成百分制的课堂作业绩效，方法如下：

（a）假设该次作业提交过程中总逆相似度最高者为学习者B，其总逆相似度为h_B

（b）将该学习者B的课堂作业绩效定为100，即H_B=100

（c）A的课堂作业绩效转成百分制后为 $H_A=\frac{h_A}{\mathrm{hB}}\×100$

（四）自测考试的绩效考核

假设某个自测题共有N（N是整数且N≥1）道题，学习者A在该次自测中答对了M（M是整数且M≥0）道题，则其该次自测考试的绩效Q的计算方法为：

$Q=\frac{M}{N}\×100$ 。

本发明中还包括：在每一部分绩效考核所占的权重未知的情况下，通过线性回归模型对系统运行过程中产生的数据进行训练得到每一部分所占的权重，进而用这四部分的加权值对系统中学习者进行全过程的学习绩效考核；具体的训练方法为：

假设训练过程中共有N（N是整数且N≥1）个学习者，他们的四部分绩效分别为(T_i,B_i,H_i,Q_i),i=1…N，该线性回归模型中输入为N个学习者四部分绩效的成绩，输出为N位学习者的期末考试成绩，则模型权重的训练方法如下：

$y=w_0+{\mathrm{\Σ}}_{j=1}^4{w}_j{x}_j={\mathrm{\Σ}}_{j=0}^4{w}_j{x}_j=w^T{x}_i$ ，

其中y=(y₁,y₂,…,y_i,…,y_N）^T是一个列向量，每个元素y_i表示第i（i=1…N）位学习者的期末考试成绩，w₀是平衡参数，x_j=(x_1j,x_2j,…,x_ij,…,x_Nj)^T,j=0,1,2,3,4,是一个列向量，x_j表示所有学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；x_i=(x_i0,x_i1,x_i2,x_i3,x_i4)^T,i=1…N,也是一个列向量，其中x_i0=1,x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；w=(w₀,w₁,w₂,w₃,w₄)^T，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重；矩阵X为：

$X=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& x_{13}& x_{14}\\ 1& x_{21}& x_{22}& x_{23}& x_{24}\\ ..& ..& ..& ..& ..\\ 1& x_{N1}& x_{N2}& x_{N3}& x_{N4}\end{array}\right]$

它的第i行代表学习者i的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效，而第i行的每个元素x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；通过最大似然估计法求得权重向量

w_ml=(X^TX)^-1X^Ty；

将N位学习者的四部分绩效及期末考试成绩用上述的权重训练方法进行训练，记训练得到的权重向量为w_ml=(w₀,w₁,w₂,w₃,w₄)，其中w₀是线性回归模型的平衡参数，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重，最后将权值做归一化处理，即：

${w_i}^{*}=\frac{w_i}{w_1+w_2+w_3+w_4},i=\mathrm{1,2,3,4}$ ，

最终即为归一化之后的权重，该权重即是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重。

得到w₀及在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重w₁,w₂,w₃,w₄之后，便可以用来计算某一学习者全过程的学习绩效，假设该学习者四部分绩效分别为T，B，H和Q，则该学习者全过程的绩效Y的计算公式如下：

Y=w₀+w₁×T+w₂×B+w₃×H+w₄×Q。

与现有技术相比，本发明的有益效果是：

1、以往的只通过成绩来决定学生学习成绩的方法已经不再适用于在线教育，本发明将绩效考核方法应用于在线教育，针对在线教育全过程中学习的参与情况来总体考核给学习者的学习绩效，这样更能真实、全面的体现在线教育全过程中学习者所获得的学习绩效，从而能推动在线教育事业的发展。

2、本发明中绩效指标权重的训练方法采用机器学习中的线性回归方法，该方法不用人工设置权重，只需要用系统运行过程中产生的数据进行训练即可得到指标权重，最后将训练得到的权重用于评估学习者的整体学习绩效，这样能真实、客观的体现出学习者的学习绩效。

3、与背景技术部分提到的三篇发明专利申请相比，其中有两种是针对企业员工提出的绩效考核平台或方法，另一种是一种基于统计学的指标分析法。发明1是对个人综合绩效进行智能整理以供考评的方法，它通过R型聚类分析法和变异系数法进行指标选择，通过优化集成方法吸收基于信息的权重计算法、数据变换指标赋权算法和基于流形学习的方法这三种权重方法共同的部分来确定最终权重，它并能自动采集医院各部门个人的业绩结合医院的运营情况，进行统计、分析，为高层对个人综合绩效进行考评提供支持主要应用于医院员工的绩效管理。发明2将数理统计应用于绩效考核，用线性拟合来得到绩效指标及相关系数；发明3是一种对企业员工进行绩效考核的方法，它根据考核指标的不同和打分角色的不同设置不同的权重，它是一种评估过程客观、结果准确公正的企业员工绩效考核方法。但这三者都没有将绩效考核应用于在线教育，发明1虽然也用到了绩效指标及权重的确定，但与发明1不同的是，本发明提出的基于在线学习全过程的绩效考核技术，综合考虑了在线学习的全过程确定了绩效指标，并通过线性回归方法得到绩效考核指标的权重；发明2虽然也用到了绩效指标分析方法，但没有考虑到指标的确定，而且与发明2不同的是，本发明采用机器学习中的线性回归方法对模型进行训练得到绩效考核指标的权重；发明3虽然用到了权重调整方法，但其权重是通过人工主观赋值的，而不是通过训练得到的。

附图说明

图1为本发明整体流程图。

具体实施方式

本发明将在线教育全过程分为四部分，即在线学习（即看视频等）、课下讨论（博客等）、课堂作业、自测考试。整个学习过程中，学习者的学习绩效由这四部分综合得出，本发明在每一部分所占的权重未知的情况下通过对系统运行过程中产生的数据进行训练得到每一部分所占的权重，进而可以用这四部分的加权值对系统中学习者进行全过程的学习绩效考核。

1.在线教育全过程可在线学习时间绩效、课程讨论绩效、课堂作业绩效和自测考核绩效这四部分的绩效计算方法，即在线学习时间绩效通过学习者学习资源的多少及花费的时间来计算，课程讨论绩效通过学习者参与课程讨论的多少及讨论的主题与课程主题的相关度来计算，课堂作业绩效主要判断学习者的作业抄袭度来计算，自测考试绩效通过自测考试成绩来计算。

2.在线教育的绩效评价体系，即用部分学习者的四部分绩效和期末成绩作为输入用线性回归方法和最大似然估计法训练得到在线学习时间绩效、课程讨论绩效、课堂作业绩效和自测考核绩效这四部分指标占总的在线学习绩效的权重，然后用这四部分指标及训练得到的权重来计算所有学习者的学习绩效。

一、在线学习时间绩效

在线学习时间绩效是指学习者通过在线学习教育资源得到的绩效成绩，在线教育中用户的学习时长能很大程度上体现出该用户的学习参与程度及努力程度，这是用户学习全过程中绩效成绩不可缺少的一部分。假设学习者A共有N（N是整数且N≥0）个资源，当N=0时，他的在线学习时间绩效为0。当N≥1设每个资源的预学习时间（若是视频，即为视频的时长；若是其他资源，即为该资源的平均学习时间）分别为S₁,S₂,…,S_N，该学习者对这些资源的实际学习时长分别为T₁,T₂,…,T_N，则A的在线学习时间绩效T的计算方法为：

1.A的平均在线学习时长为： $\stackrel{\‾}{T}=\frac{\frac{T_1}{S_1}+\frac{T_2}{S_2}+...+\frac{T_N}{S_N}}{N}=\frac{{\mathrm{\Σ}}_{i=0}^N\frac{T_i}{S_i}}{N}$ ；

2.A学习第i（i是整数且，N≥i≥1）个资源与平均值的偏差为 $b_i=\frac{\frac{T_i}{S_i}-\stackrel{\‾}{T}}{\stackrel{\‾}{T}}$ ；

3.A学习第i个资源的学习绩效为： $e_i=\frac{1}{{b_i}^2+1}$ ；

4.A通过学习自己拥有的N个资源得到的在线学习时间绩效总值为：

，然后通过下列方法将其转化成百分制：

a)假设所有学习者中在线学习时间绩效总值最高者为学习者B，其在线学习时间绩效总值为e_B；

b)将该学习者B的在线学习时间绩效定为100，即T_B=100；

c)A的在线学习时间绩效转成百分制后为 $T_A=\frac{e_A}{e_B}\×100$ 。

二、课程讨论绩效

课程讨论绩效是指学习者通过在课程博客区发帖与教师或其他学习互动交流而得到的绩效，若该学习者发表的帖子越多，且帖子内容与该门课的主题越相关，他的课程讨论绩效就越高。每门课都有一些课程主题，假设每门课有M（M是整数且M≥1）个关于课程介绍的小文章，分别为C₁,C₂,…,C_M，某学习者A该课程共发表N（N是整数且N≥0）篇博文，当N=0时，他的课程讨论绩效为0；当N≥1时，设N篇博文分别是B₁,B₂,…,B_N，则A的课程讨论绩效B的计算方法如下：

1.将这M个课程介绍文章及N篇博文进行分词（分词就是将一篇文章分割成一个个词），这样一篇文章变成了大量词语的列表，，然后去除停用词（停用词是指常用的没实际含义的功能词，如“的”，“是”等）；

2.将所有分词结果排序整理成词汇列表，假设共有W（W是整数且W≥1）个词；

3.由M个文章及N篇博文的分词结果，分别根据它们在词汇列表中出现的顺序及次数将它们写成向量的形式，共有M+N个向量，且每个向量都有W个元素，若词汇列表中第w（w=1…W）个元素在某个文章或博文中的词汇中出现过m（m是整数且m≥0）次，则该文章或博文所表示的向量的第w个元素为m；

4.分别计算该学习者A的N篇博文与第i（i=1…M）个文章的相似程度，通过计算它们词汇向量的余弦相似度实现，公式为：

$\mathrm{sim}(x,y)=\frac{\stackrel{\→}{x}\·\stackrel{\→}{y}}{\left|\right|x\left|\right|\·\left|\right|y\left|\right|}$

其中x，y是两个元素个数相等的向量，通过该公式可知第j（j=1…N）篇博文与第i个文章的相似度为它们各自的词汇向量之间余弦相似程度，即sim(j,i)，则所有N篇博文的总相似度为

，记为b_i；

5.计算学习者A的N篇博文与M篇课程介绍文章的平均相似度（也就是A的课程讨论绩效），即；

6.将A的平均相似度转化成百分制的课程讨论绩效，方法如下：

a)假设所有学习者中平均相似度最高者为学习者B，且其平均相似度为b_B；

b)将该学习者B的课程讨论绩效定为100，即B_B=100；

c)A的课程讨论绩效转成百分制后绩效为 $B_A=\frac{b_A}{\mathrm{bB}}\×100$ 。

三、课堂作业绩效

课堂作业绩效是指学习者通过课后上次教师留下的作业所获得的绩效成绩，众所周知，网络环境下很容易造成抄袭现象，所以本发明主要通过比较作业的抄袭度来评定其课堂作业绩效成绩，作业重复度越低，课堂作业绩效越高，反之越低。假设一次作业提交过程中共有N（N是整数且N≥1）个学习者提交了作业，提交内容分别为hw₁,hw₂,…,hw_N，则其中某学习者A的课堂作业绩效H的计算方法如下：

1.将这N个学习者的作业进行分词（分词就是将一篇文章分割成一个个词），这样一篇文章变成了大量词语的列表，然后去除停用词（词用词是指常用的功能词等没实际含义的词，如“的”，“是”等）；

2.将所有分词结果排序整理成词汇列表，假设共有W（W是整数且W≥1）个词；

3.将N个作业根据在词汇列表中出现的顺序及次数写成向量的形式，共有N个向量，且每个向量都有W个元素，即若词汇列表第w（w=1…W）个元素在某作业的词汇中出现过m次，则该作业所表示的向量的第w个元素为m；

4.分别计算某一学习者A的作业i（i=1…N）与其他所有学习者的作业j（j=1…N，且j≠i）的相似度，也通过计算它们词汇向量的余弦相似度实现，作业i和j之间的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则他们之间的逆相似度cp(j,i)=1-sim(j,i)，学习者A作业总逆相似度为

，记为h_A；

5.将学习者A的总逆相似度转化成百分制的课堂作业绩效，方法如下：

a)假设该次作业提交过程中总逆相似度最高者为学习者B，其总逆相似度为h_B；

b)将该学习者B的课堂作业绩效定为100，即H_B=100；

c)A的课堂作业绩效转成百分制后为 $H_A=\frac{h_A}{\mathrm{hB}}\×100$ 。

四、自测考试绩效

自测考试绩效是指学习者通过每次课后做自测题得到的绩效成绩，自测题全是判断题或选择题，假设某个自测题共有N（N是整数且N≥1）道题，学习者A在该次自测中答对了M（M是整数且M≥0）道题，则其该次自测考试的绩效Q的计算方法为：

$Q=\frac{M}{N}\×100$ 。

4.5权重的训练

每位学生学习全过程中的学习绩效都是由在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效四部分组成，而四部分的权重未知，现通过线性回归模型来机器学习方法来训练四部分的权重。假设训练过程中共有N（N是整数且N≥1）个学习者，他们的四部分绩效分别为(T_i,B_i,H_i,Q_i),i=1…N，该模型中输入为N个学习者四部分绩效的成绩，输出为N位学习者的期末考试成绩，则模型权重的训练方法如下：

$y=w_0+{\mathrm{\Σ}}_{j=1}^4{w}_j{x}_j={\mathrm{\Σ}}_{j=0}^4{w}_j{x}_j=w^T{x}_i$ ，

其中y=(y₁,y₂,…,y_i,…,y_N)^T是一个列向量，每个元素y_i表示第i位学习者的期末考试成绩，w₀是平衡参数，x_j=(x_1j,x_2j,…,x_ij,…,x_Nj)^T,j=0,1,2,3,4是一个列向量，x_j表示所有学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；x_i=(x_i0,x_i1,x_i2,x_i3,x_i4)^T,i=1…N也是一个列向量，其中x_i0=1,x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；W=(w₀,w₁,w₂,w₃,w₄)^T，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重，矩阵X为：

$X=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& x_{13}& x_{14}\\ 1& x_{21}& x_{22}& x_{23}& x_{24}\\ ..& ..& ..& ..& ..\\ 1& x_{N1}& x_{N2}& x_{N3}& x_{N4}\end{array}\right]$

它的第i行代表学习者i的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效，而第i行的每个元素x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；通过最大似然估计法求得权重向量w_ml=(X^TX)^-1X^Ty；

将N位学习者的四部分绩效及期末考试成绩用上述的权重训练方法进行训练，记训练得到的权重向量为w_ml=(w₀,w₁,w₂,w₃,w₄)，其中w₀是线性回归模型的平衡参数，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重，最后将权值做归一化处理，即：

${w_i}^{*}=\frac{w_i}{w_1+w_2+w_3+w_4},i=\mathrm{1,2,3,4}$

最终即为归一化之后的权重，该权重即是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重。

得到w₀及在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重w₁,w₂,w₃,w₄之后，便可以用来计算某一学习者全过程的学习绩效，假设该学习者四部分绩效分别为T，B，H和Q，则该学习者全过程的绩效Y的计算公式如下：

Y=w₀+w₁×T+w₂×B+w₃×H+w₄×Q。

Claims (2)

1.一种基于在线学习全过程的绩效考核的方法，其特征在于，该方法包括对在线学习时间、课程讨论、课堂作业和自测考试四个部分的绩效考核；各部分的具体考核方法分别是：

（一）在线学习时间的绩效考核

假设学习者A共有N个资源，当N=0时，他的在线学习时间绩效为0；当N≥1设每个资源的预学习时间分别为S₁,S₂,…,S_N，学习者A对这些资源的实际学习时长分别为T₁,T₂,…,T_N，则A的在线学习时间绩效T的计算方法为：

（1）A的平均在线学习时长为： $\stackrel{\‾}{T}=\frac{\frac{T_1}{S_1}+\frac{T_2}{S_2}+...+\frac{T_N}{S_N}}{N}=\frac{{\mathrm{\Σ}}_{i=0}^N\frac{T_i}{S_i}}{N}$ ；

（2）A学习第i个资源与平均值的偏差为： $b_i=\frac{\frac{T_i}{S_i}-\stackrel{\‾}{T}}{\stackrel{\‾}{T}}$

（3）A学习第i个资源的学习绩效为： $e_i=\frac{1}{{b_i}^2+1}$

（4）A通过学习自己拥有的N个资源得到的在线学习时间绩效总值为： $e_A={\mathrm{\Σ}}_{i=0}^N{e}_i$

其中，N整数和i是整数，且N≥0，且N≥ i ≥1；

然后通过下列方法将其转化成百分制；

（a）假设所有学习者中在线学习时间绩效总值最高者为学习者B，其在线学习时间绩效总值为e_B；

（b）将该学习者B的在线学习时间绩效定为100，即T_B=100；

（c）A的在线学习时间绩效转成百分制后为 $T_A=\frac{e_A}{e_B}\×100$ ；

（二）课程讨论的绩效考核

每门课都有若干课程主题，假设每门课有M个关于课程介绍的小文章，分别为C₁,C₂,…,C_M，M是整数且M≥1；某学习者A该课程共发表N篇博文，N是整数且N≥0；当N=0时，他的课程讨论绩效为0；当N≥1时，设N篇博文分别是B₁,B₂,…,B_N，则学习者A的课程讨论绩效的计算方法如下：

（1）将这M个课程介绍文章及N篇博文进行分词，即将一篇文章分割成一个个的词，这样一篇文章变成了大量词语的列表；然后去除停用词，停用词是指常用的没实际含义的功能词；

（2）将所有分词结果排序整理成词汇列表，假设共有W个词； W是整数且W≥1；

（3）由M个文章及N篇博文的分词结果，分别根据它们在词汇列表中出现的顺序及次数将它们写成向量的形式，共有M+N个向量，且每个向量都有W个元素，若词汇列表中第 w个元素在某个文章或博文中的词汇中出现过m次，则该文章或博文所表示的向量的第w个元素为m；w=1…W，m是整数且m≥0；

（4）分别计算该学习者A的N篇博文与第i（i=1…M）个文章的相似程度，通过计算它们词汇向量的余弦相似度实现，公式为：

$\mathrm{sim}(x,y)=\frac{\stackrel{\→}{x}\·\stackrel{\→}{y}}{\left|\right|x\left|\right|\·\left|\right|y\left|\right|}$

其中x，y是两个元素个数相等的向量，通过该公式可知第j（j=1…N）篇博文与第i个文章的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则所有N篇博文的总相似度为

，记为b_i；

（5）计算学习者A的N篇博文与M篇课程介绍文章的平均相似度，也就是A的课程讨论绩效，即

；

（6）将A的平均相似度转化成百分制的课程讨论绩效，方法如下：

（a）假设所有学习者中平均相似度最高者为学习者B，且其平均相似度为b_B；

（b）将该学习者B的课程讨论绩效定为100，即B_B=100；

（c）A的课程讨论绩效转成百分制后为 $B_A=\frac{b_A}{\mathrm{bB}}\×100$ ；

（三）课堂作业的绩效考核

假设一次作业提交过程中共有N个学习者提交了作业，提交内容分别为hw₁,hw₂,…,hw_N，N是整数且N≥1；则其中某学习者A的课堂作业绩效H的计算方法如下：

（1）将这N个学习者的作业进行分词，然后去除停用词；

（2）将所有分词结果排序整理成词汇列表，假设共有W个词，W是整数且W≥1；

（3）将N个作业根据在词汇列表中出现的顺序及次数写成向量的形式，共有N个向量，且每个向量都有W个元素，即若词汇列表第 w（w=1…W）个元素在某作业的词汇中出现过m次，则该作业所表示的向量的第i个元素为m；

（4）分别计算某一学习者A的作业i（i=1…N）与其他所有学习者的作业j（j=1…N，且j≠i）的相似度，也通过计算它们词汇向量的余弦相似度实现，作业i和j之间的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则他们之间的逆相似度cp(j,i)=1-sim(j,i)，学习者A作业总逆相似度为

，记为h_A；

（5）将学习者A的总逆相似度转化成百分制的课堂作业绩效，方法如下：

（a）假设该次作业提交过程中总逆相似度最高者为学习者B，其总逆相似度为h_B

（b）将该学习者B的课堂作业绩效定为100，即H_S=100

（c）A的课堂作业绩效转成百分制后为 $H_A=\frac{h_A}{\mathrm{hB}}\×100$

（四）自测考试的绩效考核

假设某个自测题共有N道题，学习者A在该次自测中答对了M道题， M是整数且N、M≥0；则其该次自测考试的绩效Q的计算方法为：

$Q=\frac{M}{N}\×100$ 。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：在每一部分绩效考核所占的权重未知的情况下，通过线性回归模型对系统运行过程中产生的数据进行训练得到每一部分所占的权重，进而用这四部分的加权值对系统中学习者进行全过程的学习绩效考核；具体的训练方法为：

假设训练过程中共有N个学习者，N是整数且N≥1；他们的四部分绩效分别为(T_i,B_i,H_i,Q_i),i=1…N，该线性回归模型中输入为N个学习者四部分绩效的成绩，输出为N位学习者的期末考试成绩，则模型权重的训练方法如下：

$y=w_0+{\mathrm{\Σ}}_{j=1}^4{w}_j{x}_j={\mathrm{\Σ}}_{j=0}^4{w}_j{x}_j=w^T{x}_i$

其中y=(y₁,y₂,…,y_i,…,y_N)^T是一个列向量，每个元素y_i表示第i（i=1…N）位学习者的期末考试成绩，w₀是平衡参数，x_j=(x_1j,x_2j,…,x_ij,…,x_Nj)^T,j=0,1,2,3,4是一个列向量，x_j表示所有学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；x_i=(x_i0,x_i1,x_i2,x_i3,x_i4)^T,i=1…N也是一个列向量，其中x_i0=1,x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；w=(w₀,w₁,w₂,w₃,w₄)^T，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重；矩阵X为：

$X=\left[\begin{array}{ccccc}1& x_{11}& x_{12}& x_{13}& x_{14}\\ 1& x_{21}& x_{22}& x_{23}& x_{24}\\ ..& ..& ..& ..& ..\\ 1& x_{N1}& x_{N2}& x_{N3}& x_{N4}\end{array}\right]$

它的第i行代表学习者i的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效，而第i行的每个元素x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；通过最大似然估计法求得权重向量

w_ml=(X^TX)^-1X^Ty；

将N位学习者的四部分绩效及期末考试成绩用上述的权重训练方法进行训练，记训练得到的权重向量为w_ml=(w₀,w₁,w₂,w₃,w₄)，其中w₀是线性回归模型的平衡参数，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重，最后将权值做归一化处理，即：

${w_i}^{*}=\frac{w_i}{w_1+w_2+w_3+w_4},i=\mathrm{1,2,3,4}$ ，

最终即为归一化之后的权重，该权重即是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重；

得到w₀及在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重w₁,w₂,w₃,w₄之后，便用来计算某一学习者全过程的学习绩效；假设该学习者四部分绩效分别为T，B，H和Q，则该学习者全过程的绩效Y的计算公式如下：

Y=w₀+w₁×T+w₂×B+w₃×H+w₄×Q。

Images