CN108876123A - 一种教学干预方法和装置 - Google Patents
一种教学干预方法和装置 Download PDFInfo
- Publication number
- CN108876123A CN108876123A CN201810558339.1A CN201810558339A CN108876123A CN 108876123 A CN108876123 A CN 108876123A CN 201810558339 A CN201810558339 A CN 201810558339A CN 108876123 A CN108876123 A CN 108876123A
- Authority
- CN
- China
- Prior art keywords
- user
- learning
- feature
- characteristic value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 230000001419 dependent effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method 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
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种教学干预方法和装置,该方法包括:基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
Description
技术领域
本申请涉及数据分析技术领域,具体而言,涉及一种教学干预方法和装置。
背景技术
随着技术在教育领域的深入应用,学习者的学习方式与传统时代的学习方式相比,已发生巨大变化,基于互联网的在线学习、基于移动终端的泛在学习等,已成为未来社会终身学习的必然发展趋势。然而现有的网络学习和移动学习等技术支持的学习模式还存在很多不足,如,学习者对于在线课程参与度不足,多是作为被动的知识接受者,未能成为主动的知识创造者,学习者的学习主体地位没有得到有效体现,当学习者学习表现不佳的时候,无法对学习者及时进行有效的干预。
发明内容
有鉴于此,本申请的目的在于提供一种教学干预方法和装置,用于解决现有技术中不能及时为学习者提供干预的问题。
第一方面,本申请实施例提供了一种教学干预方法,该方法包括:
基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
可选地,所述构建学习成果预测模型并进行训练,包括:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
可选地,所述基于得到的各所述待预测用户的预测结果,确定待干预用户,包括:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
可选地,所述对待干预用户进行干预,包括:
根据所述待干预用户的综合影响因素,为所述待干预用户生成干预内容;
根据所述干预内容对所述待干预用户进行教学干预。
可选地,在所述基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征之前,还包括:
对所述历史学习数据进行清洗;
对清洗后的历史学习数据进行对齐处理。
第二方面,本申请实施例提供了一种教学干预装置,该装置包括:
第一确定模块,用于基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
构建模块,用于将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
第二确定模块,用于针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
预测模块,用于将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
干预模块,用于基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
可选地,所述构建模块具体用于:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
可选地,所述干预模块具体用于:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
第三方面,本申请实施例提供了一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法的步骤。
本申请实施例提供的一种教学干预方法和装置,通过获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征,根据学习属性特征、学习行为特征和学习成果特征,构建学习成果预测模型并进行训练;进一步,利用训练完成的学习成果预测模型对待预测用户的教学成果进行预测,进而待干预用户,并对待干预用户进行干预。这样,在确定用户的教学成果比较差的时候,可以适时的对教学成果比较差的用户进行干预,以便提高用户的教学满意度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,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申请实施例的技术方案,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申请的某些实施例,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为本申请实施例提供的一种教学干预方法的流程示意图;
图2为本申请实施例提供的一种教学干预装置的第一种结构示意图;
图3为本申请实施例提供的一种教学干预装置的第二种结构示意图;
图4为本申请实施例提供的一种计算机设备400的结构示意图;
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
如图1所示,本申请实施例提供了一种教学干预方法,该方法包括以下步骤:
S101,基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
这里,用户指参与学习的学习者,例如,学习者为教职工老师、学生等。历史学习数据一般为从预设平台获取的,预设平台可以为慕课课程、问卷调查、微信等平台获取,本申请对此不予限制;历史学习数据包括用户的基本信息、学习偏好、学习兴趣、技术接受度、平台数据、学习时间等,用户(以在职教师为例,以下同)的基本信息可以有用户的性别、年龄、教龄、学历、学科、所在学校的地区、学校、您最主要所教的年级、手机号、培训中参与的课程、是否参加过在线课程、是否用手机学习过某门课程等,平台数据可以有参与用户课程的参与用户的作业成绩、测验成绩、课程总成绩、视频观看个数、视频观看次数、视频观看时长、讨论区主题数、讨论区评论数和回复数等;学习属性特征表征用户从业时间长短,学习行为特征表征用户学习课程效果优差,学习成果特征表征用户学习成绩好坏。
若历史学习数据是通过问卷调查获取的,可以通过自我效能量表、学习兴趣量表、技术接受度量表、满意度量表对各个用户进行测试,从而从测试结果中获取用户的历史学习数据。
若预设平台为微信平台时,在每个微信群内平均分配有一部分专家解决学习过程中的问题,学习者可以在微信群提出自己的疑问、观点、看法,分享教学经验(针对的是学习者为教师的用户)、资源、工具、方法,交流学习心得与感受。在社会网络中,点度中心度是节点的入度与出度之和,用来表示节点之间的交互往来次数,其值越大,证明节点与其他节点的交互往来越频繁。在社交网络中,点度中心度可以被用来评价某个节点的重要程度,即某个成员其在整体社交群体里所处的地位。
通过观测该群体的整体中心度分布,可以得出学习者和专家以及助教之间的联系情况。对处于社交网络边缘的学习者着重关注,增强他们与其他成员的交互频率,促使其完成课程的学习。
在所述基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征之前,还包括:
对所述历史学习数据进行清洗;
对清洗后的历史学习数据进行对齐处理。
这里,对数据进行清洗以及对齐处理的步骤在现在技术中已有详细的介绍,本申请对此不予限制。
S102,将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
这里,学习成果预测模型可以是多元线性回归模型、神经网络模型等等,本申请对此不予限制。由于多元线性回归模型、神经网络模型等在现有技术已有详细的介绍,此处不再进行过多说明。
在构建学习成果预测模型并进行训练时,包括以下步骤:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
这里,第一历史时间段可以是1天、连续的几天、1个星期、1个月、1个季度等,第二历史时间段可以是1天、连续的几天、1个星期、1个月、1个季度等,本申请对此不予限制。
在具体实施中,在获取到多个用户第一历史时间段的历史学习数据,如,每个用户的基本信息、平台数据等等,确定学习属性特征的特征值和学习行为特征的特征值,在获取到第一历史时间段之后的第二历史时间段的历史学习数据,如,用户的检测数据、平台反馈数据等,确定学习成果特征的特征值。
将学习属性特征的特征值和学习行为特征的特征值作为自变量的值,将学习成果特征的特征值作为因变量的值,对学习成果预测模型进行训练,得到学习成果预测模型的权重。
S103,针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
这里,待预测用户可以是步骤S101用户中的一个用户,也可以是步骤S101用户之外的用户,本申请对此不予限制;待预测用户的历史学习数据包括用户的基本信息、学习偏好、学习兴趣、技术接受度、平台数据等,用户的基本信息可以有用户的性别、年龄、教龄、学历、学科、所在学校的地区、学校、您最主要所教的年级、手机号、培训中参与的课程、是否参加过在线MOOC课程、是否用手机学习过某门课程等,平台数据可以有参与用户课程的参与用户的作业成绩、测验成绩、课程总成绩、视频观看个数、视频观看次数、视频观看时长、讨论区主题数、讨论区评论数和回复数等。
S104,将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
S105,基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
在基于得到的各所述待预测用户的预测结果,确定待干预用户时,包括以下步骤:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
这里,预测结果可以是量化指标值,本申请对此不予限制;待干预用户也是学习者,例如,教师、学生等。
在具体实施中,预先设置有多个指标范围,指标范围用于对预测结果进行分组,针对每个待预测用户,在得到该待预测用户的预测结果后,比对该预测结果和各指标范围,确定该待预测用户的分组,设定结果阈值一般为指标范围中的一个界限值,将指标范围包括设定结果阈值的分组对应的待预测用户确定为待干预用户。
例如,预先设置有三个指标范围(A、B、C),A范围为小于或等于27%,B范围为27%到73%,C范围为73%到100%,待预测用户有100个,将100个待预测用户的预测结果按照由高到低的循序排序,将前27个划分为A组,第28到73划分为B组,第74到第100划分为C,设定指标阈值一般为C组的上限值,由此确定划分为C组的待预测用户为待干预用户。
在对待干预用户进行干预时,包括以下步骤:
根据所述待干预用户的综合影响因素,为所述待干预用户生成干预内容;
根据所述干预内容对所述待干预用户进行教学干预。
这里,综合影响因素包括带干预用户的性别、表达能力、学习兴趣与积极程度等因素;干预内容包括对任务提出基本建议、在线交流、质疑答疑、访谈等;针对待干预用户为教师的用户,教学干预可以提高教师在教课过程中教课满意度。
另外,在对学习者进行干预后,可以利用聚类分析、T检验、k-means算法中的一个或几个组合对干预效果进行分析,以便对学习成果预测模型进行校验。聚类分析是研究分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类(Cluster)分析是由若干模式(Pattern)组成的,模式是一个度量(Measurement)的向量,或者是多维空间中的一个点。k-means算法接受输入量k,然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足:同一聚类中的对象相似度较高,而不同聚类中的对象相似度较小。其中,通过聚类分析、T检验、k-means算法对干预效果进行分析的过程在现有技术中已有详细的介绍,本申请不再进行详细的介绍。
在具体实施中,在确定待干预用户后,考虑这些用户的性别、表达能力、学习兴趣与积极程度等因素进行,生成包括对任务提出基本建议、在线交流、质疑答疑等的干预内容,通过远程视频、语音沟通的方式对待干预用户进行教学干预,在本次干预结束后,从待干预用户中随机选择预设数目个用户,针对选择的每个用户,基于该用户的干预结果,考虑该用户的语言表达能力、时间等因素,对该用户进行访谈,访谈内容主要包括学习者对于教学干预实施效果的评价、对于教学干预策略的意见与建议等。
本申请实施例提供了一种教学干预装置,如图2所示,该装置包括:
第一确定模块21,用于基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
构建模块22,用于将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
第二确定模块23,用于针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
预测模块24,用于将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
干预模块25,用于基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
可选地,所述构建模块22具体用于:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
可选地,所述干预模块25具体用于:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
可选地,所述干预模块25具体用于:
根据所述待干预用户的综合影响因素,为所述待干预用户生成干预内容;
根据所述干预内容对所述待干预用户进行教学干预。
本申请实施例提供了另一种教学干预装置,如图3所示,该装置与图2中的装置相比,还包括:清洗模块26,所述清洗模块26用于:
对所述历史学习数据进行清洗;
对清洗后的历史学习数据进行对齐处理。
对应于图1中的教学干预方法,本申请实施例还提供了一种计算机设备400,如图4所示,该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序,其中,上述处理器402执行上述计算机程序时实现上述教学干预方法。
具体地,上述存储器401和处理器402能够为通用的存储器和处理器,这里不做具体限定,当处理器402运行存储器401存储的计算机程序时,能够执行上述教学干预方法,用于解决现有技术中不能及时对教务人员进行教学干预的问题,本申请通过获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征,根据学习属性特征、学习行为特征和学习成果特征,构建学习成果预测模型并进行训练;进一步,利用训练完成的学习成果预测模型对待预测用户的教学成果进行预测,进而待干预用户,并对待干预用户进行干预。这样,在确定用户的学习成果比较差的时候,可以适时的对学习成果比较差的用户进行干预,以便提高用户的教学满意度。
对应于图1中的教学干预方法,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述教学干预方法的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述教学干预方法,用于解决现有技术中不能及时对教务人员进行教学干预的问题,本申请通过获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征,根据学习属性特征、学习行为特征和学习成果特征,构建学习成果预测模型并进行训练;进一步,利用训练完成的学习成果预测模型对待预测用户的学习成果进行预测,进而待干预用户,并对待干预用户进行干预。这样,在确定用户的学习成果比较差的时候,可以适时的对学习成果比较差的用户进行干预,以便提高用户的学习满意度。
在本申请所提供的实施例中,应该理解到,所揭露系统和方法,可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种教学干预方法,其特征在于,该方法包括:
基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
2.如权利要求1所述的方法,其特征在于,所述构建学习成果预测模型并进行训练,包括:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
3.如权利要求1所述的方法,其特征在于,所述基于得到的各所述待预测用户的预测结果,确定待干预用户,包括:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
4.如权利要求1所述的方法,其特征在于,所述对待干预用户进行干预,包括:
根据所述待干预用户的综合影响因素,为所述待干预用户生成干预内容;
根据所述干预内容对所述待干预用户进行教学干预。
5.如权利要求1所述的方法,其特征在于,在所述基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征之前,还包括:
对所述历史学习数据进行清洗;
对清洗后的历史学习数据进行对齐处理。
6.一种教学干预装置,其特征在于,该装置包括:
第一确定模块,用于基于获取的多个用户的历史学习数据,确定学习属性特征、学习行为特征和学习成果特征;
构建模块,用于将所述学习属性特征和所述学习行为特征作为自变量,将所述学习成果特征作为因变量,构建学习成果预测模型并进行训练;
第二确定模块,用于针对每个待预测用户,基于获取的该待预测用户的历史学习数据,确定所述学习属性特征的特征值和所述学习行为特征的特征值;
预测模块,用于将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,输入到完成训练的学习成果预测模型,得到该待预测用户的预测结果;
干预模块,用于基于得到的各所述待预测用户的预测结果,确定待干预用户,并对待干预用户进行干预。
7.如权利要求6所述的装置,其特征在于,所述构建模块具体用于:
基于获取的第一历史时间段的多个用户的历史学习数据,确定学习属性特征的特征值、学习行为特征的特征值;
基于获取的第二历史时间段的多个所述用户的历史学习数据,确定所述学习成果特征的特征值;所述第二历史时间段滞后于所述第一历史时间段;
将所述学习属性特征的特征值和所述学习行为特征的特征值作为自变量的值,将所述学习成果特征的特征值作为因变量的值,对所述学习成果预测模型进行训练。
8.如权利要求6所述的装置,其特征在于,所述干预模块具体用于:
将小于设定结果阈值的预测结果对应的待预测用户作为待干预用户。
9.一种计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810558339.1A CN108876123A (zh) | 2018-06-01 | 2018-06-01 | 一种教学干预方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810558339.1A CN108876123A (zh) | 2018-06-01 | 2018-06-01 | 一种教学干预方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108876123A true CN108876123A (zh) | 2018-11-23 |
Family
ID=64335139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810558339.1A Pending CN108876123A (zh) | 2018-06-01 | 2018-06-01 | 一种教学干预方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876123A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934150A (zh) * | 2019-03-07 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种会议参与度识别方法、装置、服务器和存储介质 |
CN110570339A (zh) * | 2019-09-16 | 2019-12-13 | 四川长虹电器股份有限公司 | 一种在线教育教学干预方法 |
CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN112528890A (zh) * | 2020-12-15 | 2021-03-19 | 北京易华录信息技术股份有限公司 | 一种注意力评估方法、装置及电子设备 |
CN112818196A (zh) * | 2019-11-18 | 2021-05-18 | 香港科技大学 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140065593A1 (en) * | 2012-08-30 | 2014-03-06 | John Gannon | Automated Assessment and Analysis System |
CN105894119A (zh) * | 2016-04-05 | 2016-08-24 | 成都寻道科技有限公司 | 基于校园数据的学生排名预测方法 |
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 |
CN107180284A (zh) * | 2017-07-07 | 2017-09-19 | 北京航空航天大学 | 一种基于学习行为特征的spoc学生每周表现预测方法及装置 |
-
2018
- 2018-06-01 CN CN201810558339.1A patent/CN108876123A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140065593A1 (en) * | 2012-08-30 | 2014-03-06 | John Gannon | Automated Assessment and Analysis System |
CN105894119A (zh) * | 2016-04-05 | 2016-08-24 | 成都寻道科技有限公司 | 基于校园数据的学生排名预测方法 |
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 |
CN107180284A (zh) * | 2017-07-07 | 2017-09-19 | 北京航空航天大学 | 一种基于学习行为特征的spoc学生每周表现预测方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934150A (zh) * | 2019-03-07 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种会议参与度识别方法、装置、服务器和存储介质 |
CN109934150B (zh) * | 2019-03-07 | 2022-04-05 | 百度在线网络技术(北京)有限公司 | 一种会议参与度识别方法、装置、服务器和存储介质 |
CN110570339A (zh) * | 2019-09-16 | 2019-12-13 | 四川长虹电器股份有限公司 | 一种在线教育教学干预方法 |
CN110570339B (zh) * | 2019-09-16 | 2022-04-29 | 四川长虹电器股份有限公司 | 一种在线教育教学干预方法 |
CN112818196A (zh) * | 2019-11-18 | 2021-05-18 | 香港科技大学 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
CN112818196B (zh) * | 2019-11-18 | 2023-12-22 | 香港科技大学 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN111950892B (zh) * | 2020-08-11 | 2023-08-18 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN112528890A (zh) * | 2020-12-15 | 2021-03-19 | 北京易华录信息技术股份有限公司 | 一种注意力评估方法、装置及电子设备 |
CN112528890B (zh) * | 2020-12-15 | 2024-02-13 | 北京易华录信息技术股份有限公司 | 一种注意力评估方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Daghestani et al. | Adapting gamified learning systems using educational data mining techniques | |
De-Marcos et al. | Social network analysis of a gamified e-learning course: Small-world phenomenon and network metrics as predictors of academic performance | |
Wan et al. | A learner oriented learning recommendation approach based on mixed concept mapping and immune algorithm | |
CN108876123A (zh) | 一种教学干预方法和装置 | |
Hassan et al. | An adaptive feedback system to improve student performance based on collaborative behavior | |
Andrews-Todd et al. | Identifying Profiles of Collaborative Problem Solvers in an Online Electronics Environment. | |
Koper | Increasing learner retention in a simulated learning network using indirect social interaction | |
Sawyer et al. | Balancing learning and engagement in game-based learning environments with multi-objective reinforcement learning | |
Chen et al. | Grouping partners for cooperative learning using genetic algorithm and social network analysis | |
Care et al. | Assessment of collaborative problem-solving processes | |
Sabourin et al. | Early Prediction of Student Self-Regulation Strategies by Combining Multiple Models. | |
Rechavi et al. | Knowledge and social networks in Yahoo! Answers | |
Bacile | The Klout challenge: Preparing your students for social media marketing | |
Shi et al. | Learners thrive using multifaceted open social learner modeling | |
Chen et al. | Impacts of a dynamic grouping strategy on students' learning effectiveness and experience value in an item bank‐based collaborative practice system | |
Yin | Personalized Hybrid Education Framework Based on Neuroevolution Methodologies | |
Anaya et al. | Automatic assignment of reviewers in an online peer assessment task based on social interactions | |
Shalem et al. | Students, teachers, exams and MOOCs: Predicting and optimizing attainment in web-based education using a probabilistic graphical model | |
Bremgartner et al. | Conceptual framework of educational resources adaptation for improve collaborative learning in virtual learning environments | |
Kock et al. | Towards adaptive learning support on the basis of behavioural patterns in learning activity sequences | |
Gao et al. | Get a head start: On-demand pedagogical policy selection in intelligent tutoring | |
Srba et al. | Encouragement of collaborative learning based on dynamic groups | |
Marković et al. | INSOS—educational system for teaching intelligent systems | |
Kardan et al. | Modeling the learner group formation problem in computer-supported collaborative learning using mathematical programming | |
Brigui-Chtioui et al. | Multidimensional decision model for classifying learners: the case of massive online open courses (MOOCs) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |