CN105260964A - 基于在线学习的学情分析系统及方法 - Google Patents

Abstract

本发明公开一种基于在线学习的学情分析系统及方法，系统包括：数据采集模块和数据处理模块，数据采集模块设置为根据观测点参数设置，监测并记录学习过程中的相关数据，并将相关数据预处理后存入数据库；数据处理模块设置为根据相关数据构建分析处理数据模型，修正测评指标体系的观测点参数，并根据构建的数据模型和修正后的参数对相关数据进行计算与分析，输出计算与分析结果。本发明的系统及方法，结合学生学习内容的难度系数、错题情况、学习路径、学科素养等综合因素进行分析，揭示学生学习行为、学习方法与学习效果等要素的内在联系，提出学习策略，引导学生学习，能够有效的提高学生的在线学习效率。

Description

基于在线学习的学情分析系统及方法

技术领域

本发明涉及基于网络的动态学习监测与评价领域，尤其涉及一种基于在线学习的学情分析系统及方法。

背景技术

目前，在线教育已经成为人们学习和获取知识的重要途径。但如何有效的对在线学习进行监测与评价，以根据分析评价结果为在线学习提供支持与帮助，是目前在线教育中亟待解决的重点与难点问题。

发明内容

根据本发明的一个方面，提供了一种基于在线学习的学情分析系统，包括：数据采集模块和数据处理模块，

所述数据采集模块设置为根据观测点参数设置，监测并记录学习过程中的相关数据，并将所述相关数据预处理后存入数据库；

所述数据处理模块设置为根据所述相关数据构建分析处理数据模型，修正测评指标体系的观测点参数，并根据构建的数据模型和修正后的参数对所述相关数据进行计算与分析，输出计算与分析结果。

本发明的基于在线学习的学情分析系统，不仅对学生的学习内容、学习成绩、学习时间和学习形式进行记录和统计，同时还结合学生学习内容的难度系数、错题情况、学习路径、学科素养等综合因素进行分析，揭示学生学习行为、学习方法与学习效果等要素的内在联系，提出学习策略，引导学生学习，为全面提高教学质量打下良好的基础，能够有效的提高学生的在线学习效率。

在一些实施方式中，所述系统还包括信息可视化处理模块，设置为接收所述数据处理模块的输出结果，进行可视化处理，输出可视化处理结果至用户界面。由此，可以将学生的学习测评结果，直观地呈现出来，方便对学生学习效果的跟踪和监控。

在一些实施方式中，所述观测点参数包括学科素养测评指标参数和学业基础测评指标参数，其中，所述学科素养测评指标参数根据学科资源特点进行设置，所述学业基础测评指标参数包括素养[MQ]、难度W、行为与偏好L、成绩J及错点Z。通过对学生学科素养和学业基础的测评与分析，能够对学生的学习实现综合分析与研判，有助于针对学生的学业行为和学科缺陷提出有效的指导意见，以对学生学习提供更有效的帮助与支持。

在一些实施方式中，所述分析处理数据模型为

其中，ω_j＝[MQ]、W、L、J、Z， $W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ψ}}_i{j}_j,$ $Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{(z_j-{\stackrel{\‾}{z}}_j)}{z_j},\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的难度系数，l_j为路径正确数，j_j为测试成绩，为测试中错点。由此，可以实现基于学生行为与偏好、路径、成绩、难度系数和错题的数据架构，对学生的学业基础进行诊断。

根据本发明的另一个方面，还提供了一种基于在线学习的学情分析方法，包括：

根据设置的测评指标体系的观测点参数进行数据采集与分类；

根据采集的数据，构建分析处理数据模型和修正观测点参数；

根据所述数据模型对采集的数据进行分析处理。

通过本发明的方法，能够对学生的在线学习情况进行有效跟踪和综合分析，以助于提出针对性的学习策略，为全面提高教学质量提供更好的支持与帮助。

在一些实施方式中，所述根据设置的测评指标体系的观测点参数进行数据采集与分类包括：

根据设置的观测点参数，监测并记录在线学习过程中的相关数据；

将所述相关数据进行预处理；

将预处理后的所述相关数据存入数据库。

由此，可以结合学科和资源特点设置观测点，对相应的观测点进行计算分析，以对相应的学科能力和学业基础进行有效的测评，真实反映学生的学习情况，以进行有针对性的学习引导。

在一些实施方式中，所述观测点参数包括学科素养测评指标参数和学业基础测评指标参数，所述根据设置的观测点参数，监测并记录在线学习过程中的相关数据包括：

根据所述学业基础测评指标参数，对在线学习过程中的难度W、行为与偏好L、成绩J及错点Z进行数据采集；

记录在线练习与测试的学习结果，根据所述学科素养测评指标参数，生成学科素养测评指标数据存储。

由此，通过对学习过程中相应数据的记录，可以实现对观测点参数的跟踪和数据采集。

在一些实施方式中，所述对采集的数据进行分析处理包括：

根据采集的所述学科素养测评指标参数的相关数据和学科素养测评指标体系的数据模型，计算学科素养评价总值[MQ]。通过对学生学科素养的分析，能够了解学生的学科缺陷，以进行有针对性的强化学习。

在一些实施方式中，所述对采集的数据进行分析处理还包括：

根据采集的所述学业基础测评指标参数的相关数据，通过公式计算学业基础测评结果，其中，ω_j＝[MQ]、W、L、J、Z， $W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{3}{\Σ}}{\mathrm{\ψ}}_i{j}_j,Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{(z_j-{\stackrel{\‾}{z}}_j)}{z_j},$ $\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的难度系数，l_j为路径正确数，j_j为测试成绩，为测试中错点。通过学业基础诊断分析，能够帮助学生进行更有效的针对性学习。

在一些实施方式中，所述方法还包括：将分析处理的结果进行可视化处理后输出。由此，可以将学生的情况直观地反映输出，有助于快速了解学生的在线学习状态，一目了然，用户体验更好。

本发明提供的基于在线学习的学情分析系统及方法，通过对学生在线学习状态与学习特征进行动态监测与信息采集的基础上，建立基于大数据的学业基础与学科能力诊断分析，能够通过优化教学方案，科学配置学习资源，促进学生学科能力的发展与提高。

附图说明

图1为本发明一实施方式的基于在线学习的学情分析系统的架构图；

图2为本发明一实施方式的基于在线学习的学情分析方法的流程图；

图3为本发明一实施方式的在线学习行为路径的框架结构图；

图4为本发明一实施方式的可视化处理输出的玫瑰图的示例图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

图1示意性地显示了根据本发明的一种实施方式的基于在线学习的学情分析系统的框架结构。如图1所示，该系统包括教师界面1、学生界面2、参数设置模块3、数据采集模块4、数据库5、数据处理模块6和信息可视化处理模块7。参数设置模块3设置为接收测评指标体系的观测点参数输入进行存储。数据采集模块4设置为根据观测点参数设置，监测并记录学习过程中的相关数据，并将相关数据预处理后存入数据库5。数据处理模块6设置为根据存储的监测数据，构建和优化分析处理数据模型，并根据构建的数据模型对相关数据进行计算与分析，并输出计算与分析结果。信息可视化处理模块7设置为对数据处理模块6输出的计算和分析结果进行可视化处理，并将可视化处理的结果输出至学生界面2。

在具体应用中，教师通过教师界面1登录本发明的分析系统，在教师界面1上设置测评指标体系的观测点参数(可以针对学科和资源特点，设置与内容关联的参数指标)。参数设置模块3接收到用户设置，将设置的观测点参数存入数据库。数据采集模块4根据用户设置的参数，采集与学生学习相关的数据，采集的相关数据包括学习过程、学习内容、学习成绩、学习路径、观测点参数值、习题及难度系数等。例如，当学生通过学生界面2登录系统，在学生界面2上进行在线学习、在线测试等学习。数据采集模块4根据设置的观测点参数，监测学生在线学习及测试等学习过程的相关数据，对学生学习过程中的与观测点参数对应的数据源(如图1中在线学习过程9中的相关数据源)的数据进行记录，并对记录的数据进行预处理后存入数据库5。又如，当学生通过学生界面2进行在线学习操作，数据采集模块4记录与学生学习路径相关的信息存入数据库5。数据处理模块6根据数据采集模块4采集的数据，通过数据挖掘与机器学习的数据分析处理算法(包括支持向量机SVM、K均值聚类法、关联规则、聚类分析、逻辑回归、贝叶斯算法等，为现有技术，因此不赘述)，构建基于大数据的学情分析数据模型和对观测点参数进行修正，并根据构建的数据模型和修正后的参数，对采集的相关数据进行分析计算，输出分析计算结果。例如，针对采集的学习路径相关的信息，运用基于机器学习技术及聚类、分类等相关算法，通过对学生的学习路径与学习效果的分析，建立符合学生学习特点的有效学习的路径模型，如图3所示的行为路径架构图即是构建的路径模型。学生的在线学习包括：浏览学习、视频点播、过关练习、在线作业考试、实时辅导、提问及回答问题、在线讨论、资源浏览与购买等多种形式。通过构建路径模型，可以有效记录学生的学习行为与偏好的数据进行总结分析，以进行学业基础的测评分析，从中寻找规律、发现问题、优化方案，为学生提供有效帮助与指导，提高学生的学习效率与学习成绩。

优选地，本发明实施例中设置的观测点参数包括学科素养测评指标参数和学业基础测评指标参数。学科素养测评指标参数根据学科和学习资源的特点由专家进行预先设定，根据预先设定的学科素养测评指标参数对学生在线学习与测试结果的数据进行采集，建立学科素养评价体系数据模型，能够实现对学生的学科能力进行分析与测试，以了解学生学科缺陷，进行有针对性的强化学习。以数学学科为例，学科素养测评指标参数包括五个一级指标和十八个二级指标，例如五个一级指标可以包括数学观察力、数学记忆力、数学想象力、数学思维力和数学化能力，十八个二级指标可以包括数学观察力下的二级指标数据观察、图形识别和逻辑判断，数学记忆力下的二级指标概念与性质、定理与方法和题型与模式，数学想象力下的二级指标空间观念、图形建构和初级猜想，数学思维力下的二级指标掌握概念、解题运用、数学运算、数学推理和高级思维，数学化能力下的二级指标数形转化、模型构建、综合运算和猜想验证。学科素养评价体系数据模型为其中，N_j为一级因子数值，通过公式计算得到，为二级因子数值，通过公式计算得到，j为学科观察力a、记忆力b、想象力c、思维力d、学科化能力e五个数学学科一级指标，为测评数据中所包含的相应的二级指标参数的总量，为该测评数据中针对该相应的二级指标参数获得的正因子总量，为概率值和初始值，β_i为权重系数。各参数的设置方法为，a、b、c、d、e、根据采集的测评数据进行确定，例如学生在做练习的过程中，该练习题中所包含的某一相关二级指标参数如概念与性质的总数量为20，而学生做正确的题目中所含的该因子的数量为15，则权重系数则在保证和的总和为100、β_i总和为1的原则下，根据学科特征及学生学业基础进行取值设置。由于，针对不同的学科和不同的学生，该系统的指标体系及参数都会随实际应用而进一步优化和改变，固在此不能一一列举，在具体应用中，可以以数学学科的参数设定和测评指标体系的数据模型的构思作为借鉴，进行具体的应用。学业基础测评指标参数则根据学生在线学习特征、成绩等个体学习特征与学习效果数据，对学生学业基础进行诊断。具体包括通过对学生在线学习形式、学习行为、学习成绩等数据进行采集，建立学生个人的学习数据库(包括行为、内容、测试、错题等要素，用于存放采集和处理的学生个人学习过程的相关数据与信息，以形成学习行为与特征数据、预处理数据等)，以结合构建的数据模型对学生的学业基础进行诊断。学业基础诊断的数据架构可包括学习行为与偏好、学习路径、内容、时间、成绩、错题、知识点、习题难度系数等。例如，以习题难度系数W、学习行为与偏好L、成绩J及错点Z作为学业基础测评指标参数，可以构建数据模型为其中，ω_j＝[MQ]、W、L、J、Z， $W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{3}{\Σ}}{\mathrm{\ψ}}_i{j}_j,Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{(z_j-{\stackrel{\‾}{z}}_j)}{z_j},$ $\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的习题的难度系数，l_j为路径正确数，j_j为测试成绩，为测试中错点(这些数据，根据做题过程、学习过程中采集记录的数据进行计算或转换获得，如难度系数w_j可以是统计的学生做题中做对题目的数据)。

如图1所示，数据处理模块6包括学业基础诊断单元61和学科能力分析单元62。数据处理模块6根据采集的数据，运用大数据分析技术(基于数据挖掘及机器学习的数据分析处理技术)与相关算法(如包括支持向量机SVM、K均值聚类法、关联规则、聚类分析、逻辑回归、贝叶斯算法等)，构建基于大数据的学情分析数据模型，并根据采集的数据对参数进行修正(如试题中的难度系数参数w_j，初始值是由教师或专家学者预先设置，但此值会根据学生的实际做题情况进行调整，如此题做错的人数增加，则难度系数的值会增加)。构建好数据模型和对参数进行修正后，根据采集的数据，学业基础诊断单元61通过公式计算学业测评结果输出，学科能力分析单元62通过公式计算学科素养评价总值输出。运用基于数据挖掘、机器学习的数据分析处理技术及算法，能够突破数据处理、信息提取、高性能计算等技术难点，有助于探索海量数据整理、转换与分析的新途径与新方法。信息可视化处理模块7将输出的计算结果转化为可视化图形，输出至学生界面2，以供学生对在线学习情况进行把握。其中，可视化图形可以是学科能力分析结果的玫瑰图(如图4所示的图形)、各单元及知识点学习情况统计分析图、成绩对比分析图等可视化图形。同时，数据处理模块6还可以包括学情分析报告输出单元63，设置为通过定量和定性分析，输出学情分析报告，以及时反映学生在线学习动态，提供有效的学习策略和帮助。其中，定量分析可以是通过机器自动统计与分析进行实现，定性分析可以由教师专家组结合系统测评结果和提供的行为路径与偏好、错点、成绩等数据，通过教师界面1对学生个体、班级或年级等进行分析判断，做出学习评价，提出针对性方案和建设性结论。信息可视化处理模块7根据学情分析报告输出单元63的学情分析内容，生成学情分析报告8输出至学生界面2，供学生参考。学情分析报告8的内容，对学生个体而言，可以包含学科素养、学业基础及针对性学习方案等内容，对班级而言，可以包含学生学习行为的共性与个性、总体性评价与存在的问题、对策建议、任课教师教学分析与存在的问题、教学策略等，对年级或学校而言，可以包含班级学校横向比较与整体分析、教学方案选择、发现典型教育总结与战略决策等。

本发明系统中的各模块可以根据模块的设计构思，通过现有技术的软件手段或硬件模块实现。基于在线学习的学习跟踪与情况分析，不仅对学生的学习内容、学习成绩、学习时间和学习形式进行记录和统计，同时还结合学生学习内容的难度系数、错题情况、学习路径、学科素养等综合因素进行计算分析，能够有效开展学生学科学习情况分析，揭示学生学习行为、学习方法与学习效果等各要素的内在联系，提出学习策略，引导学生学习，为全面提高教学质量打下良好的基础。

图2示意性地显示了本发明一种实施方式的基于在线学习的学情分析方法。如图2所示，该方法包括：

步骤S201：设置观测点参数。

接收外部输入，设置测评指标体系的观测点参数，存入数据库中。包括学科素养测评指标参数和学业基础测评指标参数。以数学为例，学科素养测评指标参数包括学科观察力a、记忆力b、想象力c、思维力d及学科化能力e五个一级指标和十八个二级指标，学业基础测评指标参数包括习题难度系数W、学习行为与偏好L、成绩J及错点Z。

步骤S202：监测和采集在线学习数据，对数据预处理后存储。

读取数据库中存储的观测点参数，根据设置好的学业基础测评指标观测点参数，对学生在线学习形式、学习行为、学习成绩等相关数据进行采集，获取学生在线学习的学习难度系数、行为与偏好、成绩、错点等数据，预处理后存储至数据库。根据设置好的学科素养测评指标观测点参数，对学生在线练习与测试结果中的相关数据进行采集，获取一级指标、二级指标体系的参数对应的数据，预处理后存储至数据库。其中，预处理主要包括将记录的数据，根据预设的观测点参数，进行筛选、转换和计算后，转化成各参数对应的值。

步骤S203：构建数据模型，对采集的数据进行分析计算。

根据采集的相关数据，运用数据挖掘和机器学习等分析技术与相关算法对数据进行分析处理，构建学科素养测评指标总值的分析处理数据模型为其中，N_j为一级因子数值，通过公式计算得到，为二级因子数值，通过公式计算得到，j为学科观察力a、记忆力b、想象力c、思维力d、学科化能力e五个一级指标，P为总量，R为正因子总量，为概率值和初始值，为权重系数。构建学业基础测评数据的分析处理数据模型为其中，ω_j＝[MQ]、W、L、J、Z， $W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{3}{\Σ}}{\mathrm{\ψ}}_i{j}_j,Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{(z_j-{\stackrel{\‾}{z}}_j)}{z_j},$ $\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的难度系数，l_j为路径正确数，j_j为测试成绩，为测试中错点。根据采集的相关数据，利用数据挖掘与机器学习的数据分析处理算法，对设置的观测点参数进行修正，并根据测评指标体系的参数和数据模型对采集的数据进行分析计算，通过计算输出学生在线学习的学科素养评价总值，通过计算输出学业基础数据诊断结果。

步骤S204：将分析计算结果进行可视化处理后输出。

根据计算获得的学科素养评价总值和学业基础数据诊断结果，以及对于的测评指标体系的观测点参数，将计算出的各观测点参数的测评结果，以玫瑰图或分析对比图或统计图等图表的形式，输出显示在用户界面。也可通过用户界面获取专家组的评价意见，将学科素养情况、学业行为分析、学科缺陷分析、学业对策建议等信息生成学情分析报告输出。

本发明的提供的基于在线学习的学情分析系统及方法，具有参数设置、监测与数据采集、数据处理与分析、信息可视化处理等功能，通过对学生在线学习与测试等特征数据进行采集、分类与处理，结合数据分析处理数据模型与算法，对学生的学业基础与学科能力进行诊断分析，为学生在线学习提供有效的支持与帮助。同时，系统不仅能够对学生个体进行诊断与分析，还可以对班级、年级以及学校和地区性的教学情况进行分析(如不同班级间的学习成绩对比、不同区域学生学习形式及学习特点的分析等)，不仅能够提供数据可视化服务功能，显示知识信息的内在关系，帮助用户快速获取信息，还能够进行各种统计分析，提供数据分析功能，为科学规划提供决策支持。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.基于在线学习的学情分析系统，其特征在于，包括：数据采集模块和数据处理模块，

所述数据采集模块设置为根据观测点参数设置，监测并记录学习过程中的相关数据，并将所述相关数据预处理后存入数据库；

所述数据处理模块设置为根据所述相关数据构建分析处理数据模型，修正测评指标体系的观测点参数，并根据构建的数据模型和修正后的参数对所述相关数据进行计算与分析，输出计算与分析结果。

2.根据权利要求1所述的系统，其特征在于，还包括信息可视化处理模块，设置为接收所述数据处理模块的输出结果，进行可视化处理，输出可视化处理结果至用户界面。

3.根据权利要求1所述的系统，其特征在于，所述观测点参数包括学科素养测评指标参数和学业基础测评指标参数，其中，所述学科素养测评指标参数根据学科资源特点进行设置，所述学业基础测评指标参数包括素养[MQ]、难度W、行为与偏好L、成绩J及错点Z。

4.根据权利要求3所述的系统，其特征在于，所述分析处理数据模型为 $\[DA\]=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\μ}}_i{\mathrm{\ω}}_j,$

其中，ω_j＝[MQ]、W、L、J、Z， $W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{3}{\Σ}}{\mathrm{\ψ}}_i{j}_j,$ $Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{\left(z_j-{\stackrel{\‾}{z}}_j\right)}{z_j},\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的难度系数，l_j为路径正确数，j_j为测试成绩，为测试中错点。

5.基于在线学习的学情分析方法，其特征在于，包括：

根据设置的测评指标体系的观测点参数进行数据采集与分类；

根据采集的数据，构建分析处理数据模型和修正观测点参数；

根据所述数据模型对采集的数据进行分析处理。

6.根据权利要求5所述的方法，其特征在于，所述根据设置的测评指标体系的观测点参数进行数据采集与分类包括：

根据设置的观测点参数，监测并记录在线学习过程中的相关数据；

将所述相关数据进行预处理；

将预处理后的所述相关数据存入数据库。

7.根据权利要求6所述的方法，其特征在于，所述观测点参数包括学科素养测评指标参数和学业基础测评指标参数，所述根据设置的观测点参数，监测并记录在线学习过程中的相关数据包括：

根据所述学业基础测评指标参数，对在线学习过程中的难度W、行为与偏好L、成绩J及错点Z进行数据采集；

记录在线练习与测试的学习结果，根据所述学科素养测评指标参数，生成学科素养测评指标数据存储。

8.根据权利要求7所述的方法，其特征在于，所述对采集的数据进行分析处理包括：

根据采集的所述学科素养测评指标参数的相关数据和学科素养测评指标体系的数据模型，计算学科素养评价总值[MQ]。

9.根据权利要求7所述的方法，其特征在于，所述对采集的数据进行分析处理还包括：

根据采集的所述学业基础测评指标参数的相关数据，通过公式计算学业基础测评结果，其中，ω_j＝[MQ]、W、L、J、Z，

$W=\underset{i=1;j=1}{\overset{5}{\Σ}}{\∂}_i\frac{w_j}{w},L=\underset{i=1;j=1}{\overset{5}{\Σ}}{\mathrm{\ν}}_i\frac{l_j}{l},J=\underset{i=1;j=1}{\overset{3}{\Σ}}{\mathrm{\ψ}}_i{j}_j,Z=\underset{i=1;j=1}{\overset{4}{\Σ}}{\mathrm{\λ}}_i\frac{\left(z_j-{\stackrel{\‾}{z}}_j\right)}{z_j},$ $\left(\begin{array}{c}\mathrm{\μ}\\ \∂\\ \mathrm{\ν}\\ \mathrm{\ψ}\\ \mathrm{\λ}\end{array}\right)=\left(\begin{array}{ccccc}0.15& 0.15& 0.14& 0.32& 0.15\\ 10.0& 30.0& 30.0& 20.0& 10.0\\ 40.0& 25.0& 20.0& 15.0& 0.00\\ 0.30& 0.30& 0.40& 0.00& 0.00\\ 20.0& 20.0& 30.0& 30.0& 0.00\end{array}\right),$ w_j为测试正确的难度系数，l_j为路径正确数，j_j为测试成绩，z_j为测试中错点。

10.根据权利要求5至9任一项所述的方法，其特征在于，还包括：

将分析处理的结果进行可视化处理后输出。