CN107958058B - 学习行为采集方法、装置及可读存储介质 - Google Patents

学习行为采集方法、装置及可读存储介质 Download PDF

Info

Publication number
CN107958058B
CN107958058B CN201711248650.8A CN201711248650A CN107958058B CN 107958058 B CN107958058 B CN 107958058B CN 201711248650 A CN201711248650 A CN 201711248650A CN 107958058 B CN107958058 B CN 107958058B
Authority
CN
China
Prior art keywords
learning
behavior
learning behavior
sentence
playing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711248650.8A
Other languages
English (en)
Other versions
CN107958058A (zh
Inventor
袁罡
梁瑞生
肖涛
沈緐
黄瑞
刘毅
叶金清
徐益
谭灿云
刘璐
王兰香
武晓威
杨选怀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Training Center Of State Grid Jiangxi Electric Power Co ltd
Beijing Kedong Electric Power Control System Co Ltd
Original Assignee
Training Center Of State Grid Jiangxi Electric Power Co ltd
Beijing Kedong Electric Power Control System Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Training Center Of State Grid Jiangxi Electric Power Co ltd, Beijing Kedong Electric Power Control System Co Ltd filed Critical Training Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN201711248650.8A priority Critical patent/CN107958058B/zh
Publication of CN107958058A publication Critical patent/CN107958058A/zh
Application granted granted Critical
Publication of CN107958058B publication Critical patent/CN107958058B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种学习行为采集方法、装置及可读存储介质。所述方法应用于服务器。所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结果规范。所述方法包括：基于学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；基于学习行为语句结构规范对采集的学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；将学习行为语句发送给学习记录库存储。由此，为网络视频课件学习行为全面精准采集提供标准化解决方案，可帮助学习系统管理人员及时掌握学习者的学习动态，并为进一步利用大数据技术对海量学习行为数据进行深度分析，为个性化学习推荐和及时进行教学调整奠定基础。

Description

学习行为采集方法、装置及可读存储介质
技术领域
本发明涉及在线教育技术领域，具体而言，涉及一种学习行为采集方法、装置及可读存储介质。
背景技术
随着互联网的快速发展，越来越多的人采用互联网方式开展学习，网络课件特别是视频类网络课件已成为学习者随时随地学习的首要资源。随着网络学习活动的日益频繁，学习者产生的网络学习行为数据也越来越多，这些数据对于分析学习者认知风格、学习效果和课件质量具有重要介质，是进一步进行个性化自适应学习内容推荐和教学改进分析的基础，其全面采集具有重要意义。
虽然国际标准化组织ADL(高级分布式学习，Advanced Distributed Learning)于2013年制定了xAPI(Experienced API)规范，给出了学习行为采集的标准化框架和总体格式，但是并未给出具体学习行为采集和上报的方法。
发明内容
为了克服现有技术中的上述不足，本发明所要解决的技术问题是提供一种学习行为采集方法、装置及可读存储介质，其能够为网络视频课件学习行为全面精准采集提供标准化解决方案，可帮助学习系统管理人员及时掌握学习者的学习动态，并为进一步利用大数据技术对海量学习行为数据进行深度分析，给出个性化学习推荐和及时进行教学调整奠定基础。
本发明实施例提供一种学习行为采集方法，应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范，所述方法包括：
基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；
基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；
将所述学习行为语句发送给学习记录库存储。
本发明实施例还提供一种学习行为采集装置，应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范，所述装置包括：
采集模块，用于基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；
语句生成模块，用于基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；
发送模块，用于将所述学习行为语句发送给学习记录库存储。
本发明实施例还提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在设备执行所述学习行为采集方法。
相对于现有技术而言，本发明具有以下有益效果：
本发明提供一种学习行为采集方法、装置及可读存储介质。所述方法应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范。所述方法包括：基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；将所述学习行为语句发送给学习记录库存储。由此，为网络视频课件学习行为全面精准采集提供标准化解决方案，可帮助学习系统管理人员及时掌握学习者的学习动态，并为进一步利用大数据技术对海量学习行为数据进行深度分析，给出个性化学习推荐和及时进行教学调整奠定基础。
为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例提供的服务器的方框示意图。
图2是本发明实施例提供的学习行为采集方法的流程示意图之一。
图3是图2中步骤S110包括的子步骤的流程示意图。
图4是图2中步骤S120包括的子步骤的流程示意图。
图5是学习行为语句结构规范的示意图。
图6是学习行为类型与属性值对应关系图。
图7是本发明实施例提供的学习行为采集方法的流程示意图之二。
图8是图3中子步骤S111包括的子步骤的流程示意图。
图9是本发明实施例提供的学习行为采集装置的方框示意图。
图标：100-服务器；110-存储器；120-存储控制器；130-处理器；200-学习行为采集装置；201-持续播放定义模块；210-采集模块；220-语句生成模块；230-发送模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参照图1，图1是本发明实施例提供的服务器100示意图。本发明实施例中所述服务器100可以是独立服务器或集群服务器。所述服务器100包括：存储器110、存储控制器120及处理器130。
所述存储器110、存储控制器120及处理器130各元件之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储有学习行为采集装置200，所述学习行为采集装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器130通过运行存储在存储器110内的软件程序以及模块，如本发明实施例中的学习行为采集装置200，从而执行各种功能应用以及数据处理，即实现本发明实施例中的学习行为采集方法。
其中，所述存储器110可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器110用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。所述处理器130以及其他可能的组件对存储器110的访问可在所述存储控制器120的控制下进行。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
可以理解，图1所示的结构仅为示意，服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参照图2，图2是本发明实施例提供的学习行为采集方法的流程示意图之一。所述方法应用所述服务器100。所述服务器100中预先存储有网络视频课件学习行为模型及学习行为语句结构规范。下面对学习行为采集方法的具体流程进行详细阐述。
步骤S110，基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息。
在本实施例中，预先建立一网络视频课件学习行为模型，并进行存储。在用户通过电子设备对网络视频课件进行学习时，所述服务器100根据所述学习行为模型采集与所述本次学习行为对应的学习行为信息。其中，所述学习行为模型用于对各种学习行为进行统一规范。
请参照图3，图3是图2中步骤S110包括的子步骤的流程示意图。步骤S110可以包括子步骤S111及子步骤S112。
子步骤S111，在监听到某一学习行为发生时，激活与发生的本次学习行为对应的行为处理程序。
子步骤S112，通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息。
在本实施例中，首先对行为处理程序进行注册，在监听到其中一学习行为发生时，被注册的且与发生的本次学习行为对应的行为处理程序被激活，以获得所述学习行为信息。其中，所述学习行为信息可以包括学习者、学习行为类型、学习对象、学习课程、学习时间、行为结果。在本实施例中，将与本次学习行为对应的用户账号作为所述学习者。也就是说，所述学习者可以定义为学习行为的操作人，也就是观看网络视频课件并产生各种学习行为的人。
根据本次学习行为确定所述学习行为类型。其中，所述学习行为类型包括加载、播放、暂停、结束、跳转、持续播放。
将与本次学习行为对应的网络视频课件作为所述学习对象。
将与本次学习行为对应的网络视频课件所属的网络课程作为所述学习课程。其中，同一个网络视频课件可以属于多个网络课程，每个网络可以仅由单一网络视频课件组成，也可以由多个网络视频课件组成。获取所述学习课程，便于分析对学习行为进行分析。
将与本次学习行为对应的发生时间作为所述学习时间。
根据学习行为类型与行为结果的对应关系获得与本次学习对应的所述行为结果。所述行为结果也就是学习行为发生时对应的网络视频课件操作结果，不同行为对应的结果不同。比如，播放行为对应的结果是对应播放动作发生时的网络视频课件位置。跳转行为对应两个时间点，一个是跳转前的位置，一个是跳转后的位置。
步骤S120，基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句。
其中，所述学习行为语句结构规范包括语句属性及对应的属性值，所述语句属性包括语句标识、学习者、学习行为类型、学习对象、学习课程、学习时间、行为结果。
请参照图4，图4是图2中步骤S120包括的子步骤的流程示意图。步骤S120可以包括子步骤S121、子步骤S122及子步骤S123。
子步骤S121，根据所述学习行为信息及所述学习行为语句结构规范获得各学习行为信息对应的语句属性及属性值。
子步骤S122，生成所述学习行为语句的唯一标识作为所述语句标识的属性值。
子步骤S123，根据各学习行为信息对应的语句属性及属性值、语句标识的属性及对应的属性值、xAPI规范和JSON格式生成所述学习行为语句。
请参照图5及图6，图5是学习行为语句结构规范的示意图，图6是学习行为类型与属性值对应关系图。所述学习行为语句用于描述、传送和存储网络视频学习课件学习过程中采集的用户的学习经历。根据图5、图6及获得的所述学习行为信息，得到各学习行为信息对应的语句属性及属性值。
其中，根据图6可以得到各学习类型对应的语句属性及属性值。比如，播放对应：played，本次网络视频课件开始播放时的位置；暂停对应：paused，网络视频课件播放暂定时的位置；结束对应：completed，网络视频课件结束的位置；跳转对应：seeked，跳转前的位置(time-from)及跳转后的位置(time-to)。其中，位置可以是以网络视频课件起点为零点的相对时间。
所述语句标识与每次发生的学习行为对应，是学习行为语句的唯一标识。在本实施例的实施方式中，所述语句标识可以是根据RFC4122-A Universally UniqueIDentifier(UUID)URN Namespace生成。
进而根据得到的各语句属性、属性值、语句标识的属性及对应的属性值、xAPI规范和JSON格式生成所述学习行为语句。
步骤S130，将所述学习行为语句发送给学习记录库存储。
所述服务器100在获得上述属性后，还可以添加其他辅助属性以生成所述学习行为语句，比如，版本。
播放行为对应xAPI语句示例如下。
Figure BDA0001491212680000081
Figure BDA0001491212680000091
Figure BDA0001491212680000101
在本实施例中，所述服务器100基于用户的学习行为生成基于xAPI规范和JSON格式的学习行为语句后，可以直接存储在学习记录库中，也可以生成HTTP请求消息以发送给其他服务器进行存储。
通过上述方法，通过学习行为模型对部分重要学习行为的需要采集的学习行为信息进行了定义，进而为网络视频课件学习行为全面精准采集提供标准化解决方案，避免了目前未对视频课程中一部分的网络视频课件给出学习行为模型和消息内容的规范化定义。同时，通过上述方法获得学习行为语句符合xAPI规范格式数据，便于进一步利用大数据技术对海量学习行为数据进行深度分析，为个性化学习推荐和及时进行教学调整奠定基础。
请参照图7，图7是本发明实施例提供的学习行为采集方法的流程示意图之二。所述方法还可以包括步骤S101。
步骤S101，定义持续播放行为类型，及与所述持续播放行为类型对应的行为结果。
用户进行网络视频课件学习时，会进行学习网页和视频控件的交互并产生相应的学习行为类型(比如，加载、播放、暂停、结束、跳转等)。但是，在进行学习时，还有一种行为是用户持续观看网络视频课件一段时间而未进行任何其他交互，这种行为就是持续播放。在网络学习场景中，此类学习行为数据的采集有助于了解用户的学习进度，并可作为自适应学习引擎进一步分析用户学习风格及推荐下一步学习内容的重要基础数据，因此应该采集并上传至学习记录库。
在本实施例的实施方式中，可以定义持续播放的产生条件为：当用户点击播放按钮后开始播放网络视频课件后，将过一段时间间隔没有其他交互动作。
在本实施例的实施方式中，持续播放可以用“watched”表示，对应的行为结果包括本次持续播放行为的起始位置(time-begin)及本次持续播放行为的结束位置(time-end)。
通过对持续播放行为的定义，可以全面采集用户的学习行为。
请再次参照图3，所述步骤S110还可以包括步骤S113。
步骤S113，取消对本次学习行为的监听，并增加对其他学习行为的监听及注册对应的行为处理程序。
在本实施例中，所述服务器100监测到用户开始进行学习时，运行视频控件程序，加载视频课程，产生加载行为。服务器100可以根据该加载行为生成相应的学习行为语句并存储在所述学习记录库。其中，可以通过ADL.XAPIWrapper.sendStatement()方法将生成的学习行为语句发送至指定的学习记录库(LRS)。
在本实施例中，在加载时，可以通过addListener()方法增加对播放、结束、跳转等行为的监听，并注册相应的行为处理程序playedHanlder()、completedHandler()、seekedHandler()。
下面对取消监听及增加监听进行介绍。
在本次学习行为为播放时，取消对播放行为的监听，并增加对暂停行为及持续播放行为的监听。
在监测到用户点击播放时，激活播放行为处理程序playedHandler()。可以通过removeListener()方法取消对播放行为的监听，通过addListener()方法增加对暂停行为和持续播放行为的监听，并注册相应的行为处理程序。其中，暂停行为处理程序为pausedHandler()。进而服务器100控制网络视频课件跳转至上次暂停或者终止的位置，开始视频播放。
在本次学习行为为暂停时，取消对暂停行为及持续播放行为的监听。
在监测到用户点击暂停时，激活暂停行为处理程序pausedHandler()。该程序通过addListener()方法增加对播放行为的监听，通过removeListener()方法取消对暂停行为和持续播放行为的监听，并在当前播放位置暂停视频播放。
在本次学习行为为跳转时，取消对暂停行为的监听。
在监测到用户拖曳进度条等跳转指令时，激活跳转行为处理程序seekedHandler()。可以通过removeListener()方法取消对暂停行为的监听。该程序将视频位置从当前位置调整至新位置并进行网络视频课件的播放。
在本次学习行为为结束时，取消对所有学习行为的监听。
在监测到网络视频课件播放结束时，激活结束行为处理程序completedHandler()，该程序取消全部监听。
请参照图8，图8是图3中子步骤S111包括的子步骤的流程示意图。在本次学习行为为持续播放行为时，子步骤S111可以包括子步骤S1112、子步骤S1113、子步骤S1114及子步骤S1115。
下面对如何监听持续播放行为进行介绍。
子步骤S1112，在网络视频课件开始播放时，记录当前播放行为的起始位置，并增加对视频播放时间的监听。
在本实施例中，在用户开始播放网络视频课件时，记录播放起始位置(T)，通过addListener()方法增加对视频播放时间的监听，并注册视频播放时间处理程序timeHandler()。还可以设置一持续播放触发次数n，所述持续播放触发次数表示持续播放行为的发生次数。在初始状态下，也就是还没有发生持续播放行为时，可以将持续播放触发次数n置为1。
子步骤S1113，在网络视频课件播放时，激活时间处理程序对当前播放行为进行计时得到时间间隔。
在网络视频课件被学习时，随着播放时间推进，时间处理程序timeHandler()被激活，以计时得到时间间隔。
子步骤S1114，根据持续播放触发次数、预设持续时间段及所述起始位置得到持续播放触发位置，并根据所述起始位置及时间间隔判断当前播放位置是否已达到所述持续播放触发位置。
在本实施例中，通过时间处理程序timeHandler()判断当前播放位置是否达到所述持续播放位置。其中，所述持续播放位置为T+n*T1，T1表示所述预设持续时间段。同时，通过所述起始位置及时间间隔可得到当前播放位置，并判断是否已达到持续播放的条件。
子步骤S1115，在当前播放位置达到持续播放触发位置时，激活持续播放行为处理程序，以获得与所述持续播放行为对应学习行为信息。
在本实施例中，若当前播放位置达到持续播放触发位置，则触发持续播放行为处理程序watchedHandler()，并将本次播放的起始位置(T+(n-1)*T1)和结束位置(T+n*T1)作为参数传给watchedHandler()。
进一步地，在获得与所述持续播放行为对应学习行为信息后，将所述持续播放触发次数加1，并再次在网络视频课件播放时，激活所述时间处理程序对当前播放行为进行计时得到时间间隔，以判断是否再次发生持续播放行为。
在本实施例中，若当前播放位置没有达到播放触发位置，则再次在网络视频课件播放时，激活所述时间处理程序对当前播放行为进行计时得到时间间隔，以判断再次发生的行为是否为持续播放行为。
请参照图9，图9是本发明实施例提供的学习行为采集装置200的方框示意图。所述学习行为采集装置200应用于服务器100，所述服务器100中预先存储有网络视频课件学习行为模型及学习行为语句结构规范。所述学习行为采集装置200可以包括采集模块210、语句生成模块220及发送模块230。
采集模块210，用于基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息。
在本实施例中，所述采集模块210用于执行图2中的步骤S110，关于所述采集模块210的具体描述可以参照图2中步骤S110的描述。
语句生成模块220，用于基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句。
在本实施例中，所述语句生成模块220用于执行图2中的步骤S120，关于所述语句生成模块220的具体描述可以参照图2中步骤S120的描述。
发送模块230，用于将所述学习行为语句发送给学习记录库存储。
在本实施例中，所述发送模块230用于执行图2中的步骤S130，关于所述发送模块230的具体描述可以参照图2中步骤S130的描述。
请再次参照图7，所述学习行为采集装置200还可以包括持续播放定义模块201。
持续播放定义模块201，用于定义持续播放行为类型，及与所述持续播放行为类型对应的行为结果。
在本实施例中，所述持续播放定义模块201用于执行图7中的步骤S101，关于所述持续播放定义模块201的具体描述可以参照图7中步骤S101的描述。
本发明实施例还提供一种可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在设备执行所述学习行为采集方法。
通过以上的实施方式的描述，本领域的技术领域可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。
综上所述，本发明提供一种学习行为采集方法、装置及可读存储介质。所述方法应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范。所述方法包括：基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；将所述学习行为语句发送给学习记录库存储。由此，为网络视频课件学习行为全面精准采集提供标准化解决方案，可帮助学习系统管理人员及时掌握学习者的学习动态，并为进一步利用大数据技术对海量学习行为数据进行深度分析，给出个性化学习推荐和及时进行教学调整奠定基础。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种学习行为采集方法，其特征在于，应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范，所述方法包括：
基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；
基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；
将所述学习行为语句发送给学习记录库存储；
所述基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息的步骤包括：
在监听到某一学习行为发生时，激活与发生的本次学习行为对应的行为处理程序；
通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息；
取消对本次学习行为的监听，并增加对其他学习行为的监听及注册对应的行为处理程序；
所述学习行为信息包括学习者、学习行为类型、学习对象、学习课程、学习时间、行为结果，所述通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息的步骤包括：
将与本次学习行为对应的用户账号作为所述学习者；
根据本次学习行为确定所述学习行为类型，其中，所述学习行为类型包括加载、播放、暂停、结束、跳转、持续播放；
将与本次学习行为对应的网络视频课件作为所述学习对象；
将与本次学习行为对应的网络视频课件所属的网络课程作为所述学习课程；
将与本次学习行为对应的发生时间作为所述学习时间；
根据学习行为类型与行为结果的对应关系获得与本次学习对应的所述行为结果。
2.根据权利要求1所述的方法，其特征在于，所述学习行为语句结构规范包括语句属性及对应的属性值，所述语句属性包括语句标识、学习者、学习行为类型、学习对象、学习课程、学习时间、行为结果，所述基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句的步骤包括：
根据所述学习行为信息及所述学习行为语句结构规范获得各学习行为信息对应的语句属性及属性值；
生成所述学习行为语句的唯一标识作为所述语句标识的属性值；
根据各学习行为信息对应的语句属性及属性值、语句标识的属性及对应的属性值、xAPI规范和JSON格式生成所述学习行为语句。
3.根据权利要求1所述的方法，其特征在于，所述取消对本次学习行为的监听，并增加对其他学习行为的监听的步骤包括：
在本次学习行为为播放时，取消对播放行为的监听，并增加对暂停行为及持续播放行为的监听；
在本次学习行为为暂停时，取消对暂停行为及持续播放行为的监听；
在本次学习行为为跳转时，取消对暂停行为的监听；
在本次学习行为为结束时，取消对所有学习行为的监听。
4.根据权利要求1所述的方法，其特征在于，在本次学习行为为持续播放行为时，所述在监听到一学习行为发生时，激活与发生的本次学习行为对应的行为处理程序的步骤包括：
在网络视频课件开始播放时，记录当前播放行为的起始位置，并增加对视频播放时间的监听；
在网络视频课件播放时，激活时间处理程序对当前播放行为进行计时得到时间间隔；
根据持续播放触发次数、预设持续时间段及所述起始位置得到持续播放触发位置，并根据所述起始位置及时间间隔判断当前播放位置是否已达到所述持续播放触发位置；
在当前播放位置达到持续播放触发位置时，激活持续播放行为处理程序，以获得与所述持续播放行为对应学习行为信息。
5.根据权利要求4所述的方法，其特征在于，所述通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息的步骤还包括：
在当前播放位置没有达到播放触发位置时，再次在网络视频课件播放时，激活所述时间处理程序对当前播放行为进行计时得到时间间隔；或，
在获得与所述持续播放行为对应学习行为信息后，将所述持续播放触发次数加1，并再次在网络视频课件播放时，激活所述时间处理程序对当前播放行为进行计时得到时间间隔。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
定义持续播放行为类型，及与所述持续播放行为类型对应的行为结果。
7.一种学习行为采集装置，其特征在于，应用于服务器，所述服务器中预先存储有网络视频课件学习行为模型及学习行为语句结构规范，所述装置包括：
采集模块，用于基于所述学习行为模型及被学习网络视频课件采集本次学习行为对应的学习行为信息；
语句生成模块，用于基于所述学习行为语句结构规范对采集的所述学习行为信息进行处理，生成基于xAPI规范的描述本次学习行为的学习行为语句；
发送模块，用于将所述学习行为语句发送给学习记录库存储；
所述采集模块具体用于：
在监听到某一学习行为发生时，激活与发生的本次学习行为对应的行为处理程序；
通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息；
取消对本次学习行为的监听，并增加对其他学习行为的监听及注册对应的行为处理程序；
所述学习行为信息包括学习者、学习行为类型、学习对象、学习课程、学习时间、行为结果，所述通过与所述本次学习行为对应的行为处理程序获得所述学习行为信息的步骤包括：
将与本次学习行为对应的用户账号作为所述学习者；
根据本次学习行为确定所述学习行为类型，其中，所述学习行为类型包括加载、播放、暂停、结束、跳转、持续播放；
将与本次学习行为对应的网络视频课件作为所述学习对象；
将与本次学习行为对应的网络视频课件所属的网络课程作为所述学习课程；
将与本次学习行为对应的发生时间作为所述学习时间；
根据学习行为类型与行为结果的对应关系获得与本次学习对应的所述行为结果。
8.一种可读存储介质，所述可读存储介质包括计算机程序，其特征在于：
所述计算机程序运行时控制所述可读存储介质所在设备执行权利要求1-6中任意一项所述的学习行为采集方法。
CN201711248650.8A 2017-12-01 2017-12-01 学习行为采集方法、装置及可读存储介质 Active CN107958058B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711248650.8A CN107958058B (zh) 2017-12-01 2017-12-01 学习行为采集方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711248650.8A CN107958058B (zh) 2017-12-01 2017-12-01 学习行为采集方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN107958058A CN107958058A (zh) 2018-04-24
CN107958058B true CN107958058B (zh) 2020-09-01

Family

ID=61962287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711248650.8A Active CN107958058B (zh) 2017-12-01 2017-12-01 学习行为采集方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN107958058B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648119A (zh) * 2018-05-11 2018-10-12 上海陌桥网络科技有限公司 教育资源管理方法、装置、系统和客户端
CN108447329A (zh) * 2018-05-11 2018-08-24 上海陌桥网络科技有限公司 学习效果测试方法、教育资源管理装置、系统及客户端
CN109447862A (zh) * 2018-10-19 2019-03-08 广州供电局有限公司 采集培训系统中操作行为并上报学习记录库的方法及系统
CN109933685B (zh) * 2019-03-21 2021-08-03 北京字节跳动网络技术有限公司 一种音频数据统计方法、装置、设备和存储介质
CN111047929A (zh) * 2019-10-22 2020-04-21 李登峻 一种基于大数据的互联网教学方法及平台
CN110909054A (zh) * 2019-11-18 2020-03-24 国网甘肃省电力公司 一种交互行为数据采集方法及系统
CN112330999B (zh) * 2020-11-23 2021-07-30 上海松鼠课堂人工智能科技有限公司 自适应远程学习同步控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508846A (zh) * 2011-09-26 2012-06-20 深圳中兴网信科技有限公司 一种基于网络的媒体课件的推荐方法和系统
CN103744923A (zh) * 2013-12-26 2014-04-23 西安交通大学 支持学习过程记录与上传的移动终端自主点播学习系统与方法
CN106373057A (zh) * 2016-09-29 2017-02-01 西安交通大学 一种面向网络教育的成绩不良学习者识别方法
CN107180568A (zh) * 2017-06-30 2017-09-19 楼志刚 一种基于过程控制和结果评价的交互式学习平台及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102508846A (zh) * 2011-09-26 2012-06-20 深圳中兴网信科技有限公司 一种基于网络的媒体课件的推荐方法和系统
CN103744923A (zh) * 2013-12-26 2014-04-23 西安交通大学 支持学习过程记录与上传的移动终端自主点播学习系统与方法
CN106373057A (zh) * 2016-09-29 2017-02-01 西安交通大学 一种面向网络教育的成绩不良学习者识别方法
CN107180568A (zh) * 2017-06-30 2017-09-19 楼志刚 一种基于过程控制和结果评价的交互式学习平台及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
学习分析过程分析与应用的研究--基于在线学习平台的案例分析;曹盼;《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》;20151015(第10(2015)期);第H127-31页，第3.2.1，3.2.3，4.1.2，4.3.1节 *

Also Published As

Publication number Publication date
CN107958058A (zh) 2018-04-24

Similar Documents

Publication Publication Date Title
CN107958058B (zh) 学习行为采集方法、装置及可读存储介质
US9183502B2 (en) Rule based content modification and interaction platform
US8793715B1 (en) Identifying key media events and modeling causal relationships between key events and reported feelings
US10860345B2 (en) System for user sentiment tracking
US10986064B2 (en) Ascertaining events in media
US11301877B2 (en) Providing analysis of perception data over time for events
US20110173239A1 (en) Web Application Record-Replay System and Method
US20140278746A1 (en) Interactive presentations with integrated tracking systems
US20210150137A1 (en) Automatic bot creation based on scripts
CA2813380C (en) Upstream fault detection
CN112187585A (zh) 网络协议测试方法及装置
US20160328986A1 (en) Systems, methods and devices for call center simulation
KR20150050902A (ko) 멀티미디어 기기, 온라인 교육 시스템 및 이들의 컨텐츠 제공 방법
CN108270635B (zh) 网络卡顿判断方法、装置及在线课程直播系统
CN111309632A (zh) 应用程序测试方法、装置、计算机设备及存储介质
CN111522749A (zh) 页面测试方法、装置、可读存储介质及电子设备
Kaye et al. ‘Feeling appy?’: 11Using App-based methodology to explore contextual effects on real-time cognitions, affect and behaviours
CN112801684A (zh) 广告的播放方法及装置
CN106998467B (zh) 媒体播放质量测试方法和装置
KR20120134814A (ko) 원격 강의 솔루션에서 사용자의 학습 상태를 관측하는 시스템 및 그 방법
CN118103835A (zh) 对情绪进行视觉标记和热映射
CN114760274A (zh) 在线课堂的语音交互方法、装置、设备及存储介质
Gallardo et al. Perceptual Ratings of Voice Likability Collected Through In-Lab Listening Tests vs. Mobile-Based Crowdsourcing.
CN112199229A (zh) 数据处理方法、装置、设备和存储介质
JP2021087034A (ja) 情報処理装置、情報処理方法及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant