CN108182541A - 一种混合学习效果评估与干预方法与装置 - Google Patents
一种混合学习效果评估与干预方法与装置 Download PDFInfo
- Publication number
- CN108182541A CN108182541A CN201810024291.6A CN201810024291A CN108182541A CN 108182541 A CN108182541 A CN 108182541A CN 201810024291 A CN201810024291 A CN 201810024291A CN 108182541 A CN108182541 A CN 108182541A
- Authority
- CN
- China
- Prior art keywords
- learner
- data
- new line
- classroom
- study
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 230000007115 recruitment Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000003542 behavioural effect Effects 0.000 claims abstract description 60
- 230000000694 effects Effects 0.000 claims abstract description 40
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000013480 data collection Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000008921 facial expression Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混合学习效果评估与干预方法与装置,本发明装置主要包括课堂抬头率数据分析模块,在线学习行为数据分析模块,混合学习效果评估模块,干预模型匹配模块。通过课堂抬头率数据分析,和在线学习行为数据分析形成学习者的学习效果评估结果,然后根据效果评估结果匹配干预模型,对学习效果不佳的学习者采取合适的措施进行干预,以提高其学习效果。本发明适用于线上线下结合的混合式学习场景,尤其适用于高等学校混合式学习环境。
Description
技术领域
本发明涉及在线教育评估技术,尤其涉及一种混合学习效果评估与干预方法与装置。
背景技术
近年来,在技术促进教育变革的大背景下,大学教学改革日益聚焦于混合教育新趋势,很多学校规定30%甚至更高比例的课程需在线完成。
混合学习环境下,学习效果评估显得尤为重要。相对单一的课堂学习或者在线学习来说,混合学习效果评估需要综合分析线上线下的数据以得到学习者效果评估结果。在课堂学习数据分析方面,有面部表情识别和头部姿态识别等,但这些技术需要面部或头部图像清晰,无遮挡,要求较高,采用复杂算法对大量图像数据进行分析会占用较多系统开销。在线学习行为数据分析方面,收集的数据涵盖了学习者在学习平台里的各种行为记录,分析算法也有很多,准确率主要依赖参数选择,训练数据集等。
无论是课堂学习还是在线学习,基本上缺少反馈干预机制,学习者如果学习效果不好,无法通过课程考试,则只能补考或者重修课程。将课程分为多个阶段,对学习者进行适时干预,能提升学习效果,提高课程考试通过率。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种混合学习效果评估与干预方法与装置。
本发明解决其技术问题所采用的技术方案是:一种混合学习效果评估与干预方法,包括以下步骤:
1)学习者课堂抬头率数据采集与分析:
1.1)通过面部识别设备确定各个学习者的身份和其在教室的位置;采集学习者的抬头情况;将抬头率的统计数据与对应的学习者绑定;
1.2)将课堂时间划分为多个时间段,确定课堂上各个时间段的正确抬头模式,即在该时间段是应该抬头还是低头;
1.3)将学习者的抬头情况与正确模式抬头对比,符合记1分,不符合记0分,每单位时间扫描一次,获得学习者每个时间段抬头率的平均值;
1.4)根据学习者每个时间段抬头率的平均值计算学习者课堂抬头率;所述抬头率为一个学习阶段的学习者抬头率的平均值,将结果记为C1;
2)学习者在线学习行为数据收集与分析;
2.1)收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;
对采集的行为数据c2至c5,设定各指标的权重值,计算行为数据c2至c5的评估结果并归一化,记为C2至C5;
3)当一个学习阶段(可以是1/4或1/3或半个学期)结束,综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1至C5共5项得分,均为0~1之间的值,根据评估结果形成学习效果评估报告,并发送给学习者本人,授课教师和教务人员;所述学习效果评估报告包括学习者各项评估结果得分、学习者各项评估结果得分的名次排序、所有学习者各项评估结果得分平均分和所有学习者各项评估结果得分中位数;
4)将学习者学习效果评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取对应的措施对学习者进行干预;所述干预方式包括面谈,在线提醒交流,论坛引导性发帖,课堂针对性提问;
5)如果课程学习时期没有全部结束,则转到步骤1)进入下一阶段数据收集和分析,如果授课时期全部结束,则将本门课数据保存,作为评估方法的训练数据集。对比学习者学习效果在干预前后的异同,为改进算法模型提供依据。
按上述方案,所述步骤1)中,根据学习者每个时间段抬头率的计算还包括分析是否存在特殊情况,包括请假、缺勤、仰面打瞌睡、低头玩手机,根据分析结果对抬头率数据进行修正。
按上述方案,所述步骤2)中采用罗吉斯特回归算法对数据进行分析,
其中,hw(x)表示学习者的得分,xn表示对应各指标的特征值,wn表示相应的权重,上标T表示矩阵的转置。
按上述方案,所述步骤1.4)中一个学习阶段获取方法如下:将一门课程的学习时期分为多个连续阶段,每一个阶段为一个学习阶段。
相应的,本发明还提供一种混合学习效果评估与干预装置,包括以下模块:
课堂抬头率数据采集与分析模块,用于收集和分析学习者在课堂上的抬头率;
在线学习行为数据分析模块,用于收集和分析学习者在学习平台上的在线学习行为数据;
混合学习效果评估模块,用于综合分析课堂抬头率数据和在线学习平台数据,得到学习者学习效果评估结果形成学习效果评估报告;
干预模型匹配模块,用于根据学习者的综合评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取合适的措施对学习者进行干预。
按上述方案,所述课堂抬头率数据采集与分析模块中采集与分析具体如下:
1.1)通过面部识别设备确定各个学习者的身份和其在教室的位置;采集学习者的抬头情况;将抬头率的统计数据与对应的学习者绑定;
1.2)将课堂时间划分为多个时间段,确定课堂上各个时间段的正确抬头模式,即在该时间段是应该抬头还是低头;
1.3)将学习者的抬头情况与正确模式抬头对比,符合记1分,不符合记0分,每单位时间扫描一次,获得学习者每个时间段抬头率的平均值;
1.4)根据学习者每个时间段抬头率的平均值计算学习者课堂抬头率;所述抬头率为一个学习阶段的学习者抬头率的平均值,将结果记为C1;
按上述方案,所述在线学习行为数据分析模块具体如下:
2.1)收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;
对采集的行为数据c2至c5,设定各指标的权重值,计算行为数据c2至c5的评估结果并归一化,记为C2至C5;
3)当一个学习阶段(可以是1/4或1/3或半个学期)结束,综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1至C5共5项得分,均为0~1之间的值,根据评估结果形成学习效果评估报告,并发送给学习者本人,授课教师和教务人员;所述学习效果评估报告包括学习者各项评估结果得分、学习者各项评估结果得分的名次排序、所有学习者各项评估结果得分平均分和所有学习者各项评估结果得分中位数。
按上述方案,所述课堂抬头率数据采集与分析模块中还包括修正子模块,用于分析是否存在特殊情况,包括请假、缺勤、仰面打瞌睡、低头玩手机,根据分析结果对抬头率数据进行修正。
按上述方案,所述在线学习行为数据分析模块中采用罗吉斯特回归算法对数据进行分析,
其中,hw(x)表示学习者在C2~C5某项上的得分,即取值为1的可能性,为0~1之间的值,xn表示对应各指标的特征值,wn表示相应的权重,上标T表示矩阵的转置。
本发明产生的有益效果是:
1、本发明将课堂抬头率引入学习效果评估,实现简单,占用系统资源少,准确率没有明显低于面部表情识别和头部姿态识别。同时收集和分析线上线下数据,完整呈现混合学习环境下学习者的学习状态和效果。建立干预模型,针对不同学习者的状态采取针对性的干预措施。将课程学习时期分为若干阶段,在学习过程中进行适当干预,能提升学习效果,提高课程考试通过率。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实例提供一种混合学习效果评估与干预方法,包括以下步骤:
1、课堂抬头率数据分析模块对学习者课堂抬头率数据收集与分析。首先通过面部识别确定各个学习者在教室的位置。其次确定各个时间段的正确模式,即在该时间段是应该抬头还是低头,将学习者的抬头情况与正确模式对比,符合得1分,不符合得0分,每10秒钟扫描一次,取平均值。然后分析是否存在特殊情况,如缺勤、仰面打瞌睡、低头玩手机等,对结果进行修正。学习者课堂抬头率分析结果C1为0~1之间的值,代表学习者课堂学习的兴趣和投入度,发送到步骤3;
课堂抬头率数据分析可以使用具备统计抬头率功能的课堂实录系统,通过接口调用其统计结果;也可以使用普通课堂实录系统,自行通过图像识别技术分析课堂实录影像。
所述正确模式的确定,需要课堂抬头率数据分析模块通过训练数据集进行训练得到。如果不是首次课程,则可以使用同样教师、同样教材的同一课程的历史数据作为训练集进行训练。如果是首次课程,则可以将30%~60%的当次实际数据作为训练集,视训练效果而定。
所述课堂抬头率的分析结果,即C1的值,经过了特征值归一化处理,为0~1之间的数值。
2、在线学习行为数据分析模块对学习者在线学习行为数据收集与分析。
收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;上述4大类共15项指标,指标可根据实际情况扩充或减少。
采用罗吉斯特回归(Logistic Regression)算法对数据进行分析,其中hw(x)表示学习者在C2~C5某项上的得分,即取值为1的可能性,为0~1之间的值,xn表示对应各指标的特征值,wn表示相应的权重,上标T表示矩阵的转置。分析结果发送到步骤3;
所述在线行为分析结果为C2~C5的值,经过归一化处理,为0~1之间的数值。
所述指标的权重初始值可以根据经验确定,或者由行业专家确定。在系统实际运行过程中,通过训练数据的训练,对权重进行修正。
3、当一个学习阶段(可以是1/4或1/3或半个学期)结束,混合学习效果评估模块综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1~C5共5项得分,都为0~1之间的值;根据评估结果形成学习效果评估报告发送给学习者本人,授课教师,教务人员;
4、干预模型匹配模块将学习者学习效果评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取合适的措施对学习者进行干预。干预方式包括面谈,在线交流,论坛引导性发帖,课堂针对性提问等。所述干预模型事先确定,一个设定的干预模型如下:
表1干预模型匹配表
所述干预模型是由C1~C5共5项得分,其各项得分的高低不同的关系构成的特征模型。例如,某学习者的各项指标得分为(C1,C2,C3,C4,C5)=(0.45,0.62,0.47,0.42,0.55),将此得分与表1中的班平均分进行对比,得到偏差率为(pc1,pc2,pc3,pc4,pc5)=(-0.13,+0.02,+0.07,-0.14,-0.04)。与表1中的干预模型进行匹配,可以匹配到模型3,说明此学习者交互方面较弱,则需采用相应干预措施。
干预模型库中的模型数量,在初始阶段会有若干个基本模型,然后根据课程的进展实际情况,可以不断补充。模型匹配的阈值,按照正态分布,初始值一般认为±0.2范围内为正常,也需要根据实际情况进行调整。
5、如果授课时期没有全部结束,则转到步骤1进入下一阶段数据收集和分析。如果授课时期全部结束,则将本门课程数据保存,作为算法的训练数据集。对比学习者学习效果在干预前后的异同,为改进算法模型提供依据。
本发明还提供了一种对应的装置,一种混合学习效果评估与干预装置,包括以下模块:
课堂抬头率数据采集与分析模块,用于收集和分析学习者在课堂上的抬头率;
在线学习行为数据分析模块,用于收集和分析学习者在学习平台上的在线学习行为数据;
混合学习效果评估模块,用于综合分析课堂抬头率数据和在线学习平台数据,得到学习者学习效果评估结果形成学习效果评估报告;
干预模型匹配模块,用于根据学习者的综合评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取合适的措施对学习者进行干预。
所述课堂抬头率数据采集与分析模块中采集与分析具体如下:
1.1)通过面部识别设备确定各个学习者在教室的位置;采集学习者的抬头情况;
1.2)将课堂时间划分为多个时间段,确定课堂上各个时间段的正确抬头模式,即在该时间段是应该抬头还是低头;
1.3)将学习者的抬头情况与正确模式抬头对比,符合记1分,不符合记0分,每单位时间扫描一次,获得学习者每个时间段抬头率的平均值;
1.4)根据学习者每个时间段抬头率的平均值计算学习者课堂抬头率;所述抬头率为一个学习阶段的学习者抬头率的平均值,将结果记为C1;
所述在线学习行为数据分析模块具体如下:
2.1)收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;
对采集的行为数据c2至c5,设定各指标的权重值,计算行为数据c2至c5的评估结果并归一化,记为C2至C5;
3)当一个学习阶段(可以是1/4或1/3或半个学期)结束,综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1至C5共5项得分,均为0~1之间的值,根据评估结果形成学习效果评估报告,并发送给学习者本人,授课教师和教务人员;所述学习效果评估报告包括学习者各项评估结果得分、学习者各项评估结果得分的名次排序、所有学习者各项评估结果得分平均分和所有学习者各项评估结果得分中位数。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种混合学习效果评估与干预方法,其特征在于,包括以下步骤:
1)学习者课堂抬头率数据采集与分析:
1.1)通过面部识别设备确定各个学习者的身份和其在教室的位置;采集学习者的抬头情况;将抬头率的统计数据与对应的学习者绑定;
1.2)将课堂时间划分为多个时间段,确定课堂上各个时间段的正确抬头模式,即在该时间段是应该抬头还是低头;
1.3)将学习者的抬头情况与正确模式抬头对比,符合记1分,不符合记0分,每单位时间扫描一次,获得学习者每个时间段抬头率的平均值;
1.4)根据学习者每个时间段抬头率的平均值计算学习者课堂抬头率;所述抬头率为一个学习阶段的学习者抬头率的平均值,将结果记为C1;
2)学习者在线学习行为数据收集与分析;
2.1)收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;
对采集的行为数据c2至c5,设定各指标的权重值,计算行为数据c2至c5的评估结果并归一化,记为C2至C5;
3)当一个学习阶段(可以是1/4或1/3或半个学期)结束,综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1至C5共5项得分,均为0~1之间的值,根据评估结果形成学习效果评估报告,并发送给学习者本人,授课教师和教务人员;所述学习效果评估报告包括学习者各项评估结果得分、学习者各项评估结果得分的名次排序、所有学习者各项评估结果得分平均分和所有学习者各项评估结果得分中位数;
4)将学习者学习效果评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取对应的措施对学习者进行干预;所述干预方式包括面谈,在线提醒交流,论坛引导性发帖,课堂针对性提问;
5)如果课程学习时期没有全部结束,则转到步骤1)进入下一阶段数据收集和分析,如果授课时期全部结束,则将本门课数据保存,作为评估方法的训练数据集。对比学习者学习效果在干预前后的异同,为改进算法模型提供依据。
2.根据权利要求1所述的方法,其特征在于,所述步骤1)中,根据学习者每个时间段抬头率的计算还包括分析是否存在特殊情况,包括请假、缺勤、仰面打瞌睡、低头玩手机,根据分析结果对抬头率数据进行修正。
3.根据权利要求1所述的方法,其特征在于,所述步骤2)中采用罗吉斯特回归算法对数据进行分析,
其中,hw(x)表示学习者的得分,xn表示对应各指标的特征值,wn表示相应的权重,上标T表示矩阵的转置。
4.根据权利要求1所述的方法,其特征在于,所述步骤1.4)中一个学习阶段获取方法如下:将一门课程的学习时期分为多个连续阶段,每一个阶段为一个学习阶段。
5.一种混合学习效果评估与干预装置,其特征在于,包括:
课堂抬头率数据采集与分析模块,用于收集和分析学习者在课堂上的抬头率;
在线学习行为数据分析模块,用于收集和分析学习者在学习平台上的在线学习行为数据;
混合学习效果评估模块,用于综合分析课堂抬头率数据和在线学习平台数据,得到学习者学习效果评估结果形成学习效果评估报告;
干预模型匹配模块,用于根据学习者的综合评估结果与事先建立好的干预模型进行匹配,根据匹配的结果采取合适的措施对学习者进行干预。
6.根据权利要求5所述的装置,其特征在于,所述课堂抬头率数据采集与分析模块中采集与分析具体如下:
1.1)通过面部识别设备确定各个学习者的身份和其在教室的位置;采集学习者的抬头情况;将抬头率的统计数据与对应的学习者绑定;
1.2)将课堂时间划分为多个时间段,确定课堂上各个时间段的正确抬头模式,即在该时间段是应该抬头还是低头;
1.3)将学习者的抬头情况与正确模式抬头对比,符合记1分,不符合记0分,每单位时间扫描一次,获得学习者每个时间段抬头率的平均值;
1.4)根据学习者每个时间段抬头率的平均值计算学习者课堂抬头率;所述抬头率为一个学习阶段的学习者抬头率的平均值,将结果记为C1。
7.根据权利要求5所述的装置,其特征在于,所述在线学习行为数据分析模块具体如下:
2.1)收集学习者在在线学习平台的行为数据,包括日常行为数据c2,所述日常行为数据指标包括:登录次数x1,登录时间点x2,在线时长x3;资源浏览行为数据c3,所述资源浏览行为数据指标包括:主资源浏览时长x4,主资源浏览完成度x5,主资源浏览频次x6,主资源浏览次数x7,主资源浏览个数x8,相关资源浏览次数x9;在线互动行为数据c4,所述在线互动行为数据指标包括:论坛发帖数x10,论坛回帖数x11,论坛浏览数x12;在线测试行为数据c5,所述在线测试行为数据制表包括作业完成数x13,在线测试成绩x14,在线测试时长x15;
对采集的行为数据c2至c5,设定各指标的权重值,计算行为数据c2至c5的评估结果并归一化,记为C2至C5;
3)当一个学习阶段结束,综合分析学习者课堂抬头率和在线学习行为数据,得到学习者学习效果评估结果,评估结果为C1至C5共5项得分,均为0~1之间的值,根据评估结果形成学习效果评估报告,并发送给学习者本人,授课教师和教务人员;所述学习效果评估报告包括学习者各项评估结果得分、学习者各项评估结果得分的名次排序、所有学习者各项评估结果得分平均分和所有学习者各项评估结果得分中位数。
8.根据权利要求5所述的装置,其特征在于,所述课堂抬头率数据采集与分析模块中还包括修正子模块,用于分析是否存在特殊情况,包括请假、缺勤、仰面打瞌睡、低头玩手机,根据分析结果对抬头率数据进行修正。
9.根据权利要求7所述的装置,其特征在于,所述在线学习行为数据分析模块中采用罗吉斯特回归算法对数据进行分析,
其中,hw(x)表示学习者的得分,xn表示对应各指标的特征值,wn表示相应的权重,上标T表示矩阵的转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810024291.6A CN108182541A (zh) | 2018-01-10 | 2018-01-10 | 一种混合学习效果评估与干预方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810024291.6A CN108182541A (zh) | 2018-01-10 | 2018-01-10 | 一种混合学习效果评估与干预方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182541A true CN108182541A (zh) | 2018-06-19 |
Family
ID=62550237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810024291.6A Pending CN108182541A (zh) | 2018-01-10 | 2018-01-10 | 一种混合学习效果评估与干预方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182541A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的学习表现评价方法和机器人系统 |
CN109191950A (zh) * | 2018-08-23 | 2019-01-11 | 合肥好多帮信息科技有限公司 | 一种基于学生信息的教学监控方法 |
CN109242305A (zh) * | 2018-09-04 | 2019-01-18 | 深圳至宝网络科技有限公司 | 基于学习行为的教学设计质量评价方法 |
CN109615264A (zh) * | 2018-12-26 | 2019-04-12 | 中国科学院软件研究所 | 一种面向在线学习的学生积极度确定系统 |
CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
CN109784615A (zh) * | 2018-12-04 | 2019-05-21 | 华东师范大学 | 一种数字化学习资源应用成效的计算方法 |
CN109902962A (zh) * | 2019-03-04 | 2019-06-18 | 华晨宝马汽车有限公司 | 混合式学习管理方法、管理设备、客户端、服务器和系统 |
CN110334626A (zh) * | 2019-06-26 | 2019-10-15 | 北京科技大学 | 一种基于情感状态的在线学习系统 |
WO2020024688A1 (zh) * | 2018-08-01 | 2020-02-06 | 深圳市心流科技有限公司 | 注意力测评方法、系统及计算机可读存储介质 |
CN111260515A (zh) * | 2020-01-16 | 2020-06-09 | 北京合众美华教育投资有限公司 | 一种网络教学平台 |
CN111325643A (zh) * | 2020-02-17 | 2020-06-23 | 合肥工业大学 | 一种慕课教学能力引导方法 |
CN114343641A (zh) * | 2022-01-24 | 2022-04-15 | 广州熠华教育咨询服务有限公司 | 一种学习困难干预训练指导方法及其系统 |
CN115034935A (zh) * | 2022-06-02 | 2022-09-09 | 北京新唐思创教育科技有限公司 | 学习特性的评估方法、装置、设备及介质 |
CN116664013A (zh) * | 2023-07-24 | 2023-08-29 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250822A (zh) * | 2016-07-21 | 2016-12-21 | 苏州科大讯飞教育科技有限公司 | 基于人脸识别的学生专注度监测系统及方法 |
CN107491890A (zh) * | 2017-08-29 | 2017-12-19 | 广州思涵信息科技有限公司 | 一种可量化课堂教学质量评估系统及方法 |
-
2018
- 2018-01-10 CN CN201810024291.6A patent/CN108182541A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250822A (zh) * | 2016-07-21 | 2016-12-21 | 苏州科大讯飞教育科技有限公司 | 基于人脸识别的学生专注度监测系统及方法 |
CN107491890A (zh) * | 2017-08-29 | 2017-12-19 | 广州思涵信息科技有限公司 | 一种可量化课堂教学质量评估系统及方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765229B (zh) * | 2018-06-20 | 2023-11-24 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的学习表现评价方法和机器人系统 |
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 大国创新智能科技(东莞)有限公司 | 基于大数据与人工智能的学习表现评价方法和机器人系统 |
WO2020024688A1 (zh) * | 2018-08-01 | 2020-02-06 | 深圳市心流科技有限公司 | 注意力测评方法、系统及计算机可读存储介质 |
CN109191950A (zh) * | 2018-08-23 | 2019-01-11 | 合肥好多帮信息科技有限公司 | 一种基于学生信息的教学监控方法 |
CN109242305A (zh) * | 2018-09-04 | 2019-01-18 | 深圳至宝网络科技有限公司 | 基于学习行为的教学设计质量评价方法 |
CN109242305B (zh) * | 2018-09-04 | 2022-03-22 | 深圳至宝网络科技有限公司 | 基于学习行为的教学设计质量评价方法 |
CN109784615A (zh) * | 2018-12-04 | 2019-05-21 | 华东师范大学 | 一种数字化学习资源应用成效的计算方法 |
CN109784615B (zh) * | 2018-12-04 | 2023-05-16 | 华东师范大学 | 一种数字化学习资源应用成效的计算方法 |
CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
CN109615264A (zh) * | 2018-12-26 | 2019-04-12 | 中国科学院软件研究所 | 一种面向在线学习的学生积极度确定系统 |
CN109902962A (zh) * | 2019-03-04 | 2019-06-18 | 华晨宝马汽车有限公司 | 混合式学习管理方法、管理设备、客户端、服务器和系统 |
CN110334626A (zh) * | 2019-06-26 | 2019-10-15 | 北京科技大学 | 一种基于情感状态的在线学习系统 |
CN111260515A (zh) * | 2020-01-16 | 2020-06-09 | 北京合众美华教育投资有限公司 | 一种网络教学平台 |
CN111325643A (zh) * | 2020-02-17 | 2020-06-23 | 合肥工业大学 | 一种慕课教学能力引导方法 |
CN114343641A (zh) * | 2022-01-24 | 2022-04-15 | 广州熠华教育咨询服务有限公司 | 一种学习困难干预训练指导方法及其系统 |
CN115034935A (zh) * | 2022-06-02 | 2022-09-09 | 北京新唐思创教育科技有限公司 | 学习特性的评估方法、装置、设备及介质 |
CN116664013A (zh) * | 2023-07-24 | 2023-08-29 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
CN116664013B (zh) * | 2023-07-24 | 2023-09-22 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182541A (zh) | 一种混合学习效果评估与干预方法与装置 | |
Shute et al. | Measuring problem solving skills via stealth assessment in an engaging video game | |
Whitehill et al. | The faces of engagement: Automatic recognition of student engagementfrom facial expressions | |
Seltzer et al. | Examining relationships between where students start and how rapidly they progress: Using new developments in growth modeling to gain insight into the distribution of achievement within schools | |
Macdonald et al. | Moving beyond the crises in secondary physical education: An Australian initiative | |
CN109035091A (zh) | 一种用于学生实验的打分方法、装置及设备 | |
CN111325643A (zh) | 一种慕课教学能力引导方法 | |
CN115239527A (zh) | 基于知识库的教学特征融合与建模的教学行为分析系统 | |
Perera et al. | The impact of a mathematics computer-assisted learning platform on students’ mathematics test scores | |
Cui et al. | Analyzing Student Process Data in Game-Based Assessments with Bayesian Knowledge Tracing and Dynamic Bayesian Networks. | |
Ray et al. | Design and implementation of technology enabled affective learning using fusion of bio-physical and facial expression | |
Applebaum et al. | Microsurgery competency during plastic surgery residency: an objective skills assessment of an integrated residency training program | |
CN116452022A (zh) | 教师教学效果的评价方法、装置及电子设备 | |
Zhao et al. | A study on posture-based teacher-student behavioral engagement pattern | |
CN109949189A (zh) | 一种线上教学互动效果评价方法与装置 | |
Goswami et al. | Using eye tracking to investigate reading patterns and learning styles of software requirement inspectors to enhance inspection team outcome | |
Li et al. | Automatically assess elementary students’ hand-drawn scientific models using deep learning of artificial intelligence | |
Rabiha et al. | Image processing model based E-Learning for students authentication | |
CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
CN115689340A (zh) | 一种基于彩色动态人脸特征的课堂质量监控系统 | |
Chen et al. | Design of Assessment Judging Model for Physical Education Professional Skills Course Based on Convolutional Neural Network and Few‐Shot Learning | |
EP2035982A1 (en) | Online acne lesions evaluation tool | |
Chen et al. | The implementation of face recognition technology and its effect on e‐quiz credibility | |
Han et al. | Using computerised comparative judgement to assess translation | |
Deodhar et al. | Prediction of Online Academic dishonesty Using the Voting Ensemble Machine Learning Method |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180619 |
|
WD01 | Invention patent application deemed withdrawn after publication |