CN109635869B - 在线学习干预系统 - Google Patents

在线学习干预系统 Download PDF

Info

Publication number
CN109635869B
CN109635869B CN201811512238.7A CN201811512238A CN109635869B CN 109635869 B CN109635869 B CN 109635869B CN 201811512238 A CN201811512238 A CN 201811512238A CN 109635869 B CN109635869 B CN 109635869B
Authority
CN
China
Prior art keywords
strategy
intervention
learner
learning
module
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
CN201811512238.7A
Other languages
English (en)
Other versions
CN109635869A (zh
Inventor
王祖俪
王娟
蔺冰
吴春旺
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN201811512238.7A priority Critical patent/CN109635869B/zh
Publication of CN109635869A publication Critical patent/CN109635869A/zh
Application granted granted Critical
Publication of CN109635869B publication Critical patent/CN109635869B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种在线学习干预系统，该系统包括数据收集模块、群体划分模块、策略库形成模块，数据收集模块用于收集若干份历史数据；群体划分模块用于将所述历史数据划分为多个分类群体，以及生成各个学习阶段的分类模型；策略库形成模块用于抽象出每个分类群体的群体特征和干预措施规则，得到每个分类群体的策略集，所有的分类群体的策略集构成学习者策略库。采用上述系统生成的策略库，借助了以往同门课程相同学习阶段所有学习者的经验，不易造成评估偏差。

Description

在线学习干预系统
技术领域
本发明涉及网络学习技术领域，特别涉及一种在线学习干预系统。
背景技术
随着网络以及智能手机的普及，在线学习的方式受到越来越多人的认可。在线学习方式由于没有集中式教学和面对面互动，为老师掌握学习者进度和学习效果带来了困难。在教学分离的情况下，对在线学习过程的监督和干预显得尤为重要。公开号为CN108182541的中国专利申请介绍了一种混合学习效果评估干预方法，通过对线下课堂上的视频采集及在线行为等数据进行分析，使用班级的平均数据来评估学生学习效果并采取干预措施。其评估方法中以本班的平均分为参考，只针对本班的情况进行个体评估干预，易造成评估偏差。
发明内容
本发明解决的第一个问题是如何改善现有技术中易造成评估偏差的不足，为此，本发明实施例提供了以下技术方案：
一种在线学习干预系统，包括数据收集模块、群体划分模块、策略库形成模块，数据收集模块的数据输出端连接群体划分模块的数据输入端，群体划分模块的数据输出端连接策略库形成模块的数据输入端；
数据收集模块用于收集若干份历史数据，一份历史数据包括一个已被干预的学习者的基本信息、学习行为数据及对其所采取的干预策略；所述干预策略包括学习行为特征和干预措施特征；还用于收集待干预的学习者的新数据，所述新数据包括待干预的学习者的基本信息和学习行为数据；
群体划分模块用于根据所述学习行为数据，将所述历史数据划分为多个分类群体，以及生成各个学习阶段的分类模型；
策略库形成模块用于抽象出每个分类群体的群体特征和干预措施规则，得到每个分类群体的策略集，所有的分类群体的策略集构成学习者策略库；所述策略库形成模块在形成一个分类群体的策略集时，以任意干预措施特征为参考，找出具有相同干预措施特征值的若干条干预策略，并总结出该若干条干预策略所共有的学习行为特征，将所述共有的学习行为特征和所述相同干预措施特征值组成一条干预策略，由所有的干预措施特征得到的若干条干预策略组成策略集；
策略决策模块；用于根据待干预的学习者的学习行为数据，利用分类模型分类到相应的分类群体，并从该分类群体的策略集中匹配出一条或多条干预策略。
本发明解决的第二个问题是现有技术中忽略了教师和教学机构对学习者的影响，为此，本发明实施例进一步提供了以下方案：
在上述系统中，所述策略库形成模块还用于生成若干条针对教师的干预策略，形成教师策略库；和/或，所述策略库形成模块还用于生成若干条针对教学机构的干预策略，形成教学机构策略库。
与现有技术相比，本发明具有以下有益效果：
1.利用了机器学习技术，能够自动产生有针对性的干预策略，减少人工工作负担(以往大都是人工产生)。
2.针对以往在线学习干预只以当前数据为准，未充分考虑以往类似经验的状况，考虑了新产生的待干预者所具有的学习特征特点与历史已被干预的学习者的特点的相似性，从而充分利用以往经验创建策略库，可以使对新待干预者的干预策略产生更有针对性和有效性。历史数据选择使用统一抽象的表达方式进行存储，有助于历史经验的重用，共享。
3.增加了现有技术中忽略了教师和教育机构对学习者的影响，三者共同的干预有利于在线学习效果的提高。
4.干预措施的制定自动和人工实行相结合，干预措施主动和被动措施的相结合，使得干预措施更加多元化。
该系统可用于在线学习，网络教育，远程教育等(在线学习的其他领域)。
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为本发明实施例中在线学习干预系统的功能模块图。
图2为实施例中所述生成的干预策略库的结构图。
图3为实施例中所述一条针对学习者的干预策略的结构示意图。
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。
请参阅图1，本实施例中提供了一种在线学习干预系统，包括数据收集模块、群体划分模块、策略库形成模块、策略决策模块，数据收集模块的数据输出端连接群体划分模块的数据输入端，群体划分模块的数据输出端连接策略库形成模块的数据输入端，策略决策模块的数据输入端分别连接数据收集模块的数据输出端、策略库形成模块的数据输出端。
其中，数据收集模块用于收集已往被干预的学习者的基本信息、学习行为数据和对其所采取的干预策略，作为构建初始策略库的基础数据。当然，数据收集模块还用于收集将被干预的学习者的基本信息和学习行为数据。
干预策略包括被干预学习者的学习行为特征和干预措施特征，即是说数据收集模块收集的信息主要包括学习者的基本信息，学习者在线学习行为数据，针对学习者采取的干预措施这三个方面。
作为一种举例，学习者的基本信息特征可以表示为：
Si＝(ID,sex,classID,schoolID,stage)      (1)
其中，ID表示为学习者学号，sex为性别,classID表示所在班级，schoolID表示学校(机构)ID,在远程教育中一个学校可能有多个地理位置不同的教学点，学习者所属该校不同教育点，所以此项也可表示为教学点ID；stage表示该数据的来源阶段(即所处的学习阶段)，可以用数字表示，本方法可以在一门课程开课期间阶段性对学习者的状态进行监测和干预，一般地，可以将学习阶段划分为开学1个月(stage＝1)，2个月(半期，stage＝2)，3个月(stage＝3)，学期结束(stage＝4)四种学习阶段，学习结束阶段的数据只用于修改、完善策略库，不再做干预处理。当然，学习阶段的划分可以有不同的形式，例如只划分为半学期和学期结束。
作为一种举例，学习者在线学习行为特征可以表示为：
Sb＝(stage,day,ontime,stime,aftime,ascore1,ascore2,ascore3,fscore,submit,reply)  (2)
其中，stage表示该数据的来源阶段(即所处的学习阶段)；day表示该阶段学习者在线天数(天),ontime表示该阶段该学习者在线总时长(分钟)，stime表示该阶段该学习者进行学习课程内容的时间，主要指学习者在学习版块中浏览课程课件和视频的时间等学习资料的时间,aftime表示该学习者作业完成的次数，ascore1、ascore2、ascore3分别表示第1/2/3次作业的分数,通常一个学习阶段最多布置3次作业，若少于3次作业，则对应数据可以用-1表示；若stage＝4,则此处的fscore表示期末成绩,stage＝2时表示中期成绩，在其他阶段表示如果该学习者上一阶段有新增作业的干预措施，fscore表示新增作业的合格次数；submit表示学习者在论坛的发帖数，reply表示学习者在论坛的回帖数。
作为一种举例，对学习者的干预措施特征可以表示为：
Sa＝(ID，courseID,classID,state,content,atime)     (3)
其中，ID表示学习者的学号，courseID表示课程编号，classID表示所在班级ID，State表示措施状态，一般地，状态可分为通知、警告两种级别，每种级别的状态又分为站内通知和电话通知两种，此处可以通过编码来表示需要执行的状态，例如00表示站内通知，01表示站内警告，10表示电话通知，11表示电话警告；content表示教学内容,主要记录学习者需要在线浏览的内容范围(以教学单元为单位)，此变量也可以用4位编码来表示学习内容的起止章节，如0102表示从第一章到第二章；atime表示新增作业布置的次数，此特征可以用5位编码表示，前四位表示章节起始和终止编码，后一位表示新增作业次数，例如01031表示从第1章到第3章，每章增加1次作业；如果需要对多个单元新增作业，可以建立多条数据记录。干预措施特征还可以包括extent，表示扩展信息，扩展信息可以自定义。
以上所述本例中记录的特征信息为参考的数据属性信息，用户可根据实际修改extent属性，或对其他数据属性进行增加和调整。
其中，群体划分模块包括聚类子模块和分类模型训练子模块，用于根据被干预的学习者的学习行为特征实现对历史数据的聚类操作、分类模型训练，得到分类后的数据及各个学习阶段的分类模型并保存。
对一门课程而言，同为被干预的学习者，但他们的特点可能各不相同。例如，同样是被预测最终无法通过期末考试的学习者(即需要干预的学习者)，有的可能是因为学习时间投入不够，有的可能是自身能力的原因。因此，在形成策略库时，通过群体划分模块将具有相似特性的学习者归为一类，有利于干预措施执行的针对性，更有利于新经验的生成的准确性。
作为一种实施方式，群体划分模块先对一定数量(例如40％的历史数据)的被干预者的学习行为进行聚类，调整形成初步的分类群体，再通过分类模型对已分好的群体进行分类模型的训练，并将剩余的历史数据投射到不同的类别中，从而得到被干预学习者的不同群体。
聚类操作针对同阶段的该课程的被干预者的行为，聚类的类别个数可根据反复实验决定，也可以根据用户经验事先而定。例如：对于目前学习状态不佳，有可能最后无法通过期末考试的学习者来说，可以将这类学习者分为3类——整体各方面表现不佳者、互动不好者、能力有限者。聚类需要用到的是学习行为特征，前述公式(2)中学习行为特征的变量较多，而在聚类时，高维数据会导致聚类效果不佳，因此优选对学习特征数据进行必要的整合、加工，例如本实施例中得到了同一阶段中最终参与聚类的学习行为特征为：
Sb'＝(stime,aftime,avscore,fscore,activity)    (4)
其中，stime,aftime,fscore属性内容不变，与公式(2)中特征值含义相同，avscore表示公式(2)中的作业分数平均分，activity表示论坛活跃度，由公式(2)中发帖数和回帖数之和计算得到。
聚类算法可使用常见的机器学习中各种无监督学习算法。本例中使用了k-means算法进行聚类，但在初始质心点的选择方法上进行了修改。选择方法是：先将学习行为特征中的各特征值分别排序，再综合学习行为特征中的所有特征值，按事先定义的分类个数，选择特征突出(即非边界值)的数据样本作为各类的质心点。选择好初始质心后，再将剩下的点指派到最近的质心，形成K个簇，重新计算每个簇的质心，直到簇不发生变化或达到最大迭代次数为止。k-means算法为常用的聚类算法，故此处对其不做过多叙述。
在完成聚类操作后，可以得到通过一定历史数据所建立的被干预者类别，再使用机器学习中的分类算法对形成的分类模型进行学习，并将剩余的历史数据中各阶段的数据归类到所属类别中，形成最终完整的群体分类。可以使用随机森林算法(Random Forestalgorithm)对数据进行分类学习，并建立、保存各阶段的分类模型。分类学习选择的学习者的学习特征与聚类操作相同，即公式(4)中所示特征，分类完成后每一类增加一个class特征，表示所属类别。
分类结束后，可以对每一类的群体特征进行表述。群体特征的描述主要包括群体内各特征名及各特征的取值范围分布。每一类群体其拥有的特征名与群体成员中的各特征名相同，群体各特征值由类中所有成员的该变量特征取值和分布来创建。例如：类1的stime取值，就是由该类中所有成员stime值的分布来决定。若该值为连续的，则可以直接取成员中该项的最小值和最大值作为取值空间的两个极值；若存在明显分段，则可用分段区间来表示该值的分布情况。群体特征的描述有利于对于某一类策略的添加和修改操作。
其中，策略库形成模块用于分别针对不同被干预对象生成不同干预策略，一类被干预对象的所有干预策略形成一个策略库。被干预对象包括学习者、教师和教学机构，其中学习者又通过群体划分模块划分为整体表现不佳者、互动不好者、能力有限者这三类，每一类对应一个策略集。
在在线学习平台中，特别是网络教育或远程教育中，一个学习平台通常集成了多门课程，每门课程的要求和课程特点不同，干预措施也可能不同，因此在本系统中，干预策略库按不同课程分别组织，一个干预策略库代表一门课程。不同教师可以共享同一门课程的干预策略库。在本方法中，以一门课程的干预策略库建立为例。对于一门课程的干预策略库主要包括学习者策略库、教师策略库、教学机构策略库三个。在学习者策略库中通过群体划分模块得到的不同分类群体，抽象出每个分类群体的群体特征和干预措施规则，继而得到每个分类群体的策略集，所有分类群体的策略集一起构成学习者策略库；教师策略库和教学机构策略库由于没有以往经验参考，需要人工建立干预措施规则和干预条件。图2给出了策略库的基本结构。
为了便于干预策略的重用、共享，所有的干预策略都以统一的抽象化形式表示。学习者的每条干预策略由被干预学习者的(部分)学习行为特征和干预措施特征两个部分组成。每条干预策略都可以以四个部分来进行存储，分别是：变量，约束，函数和规则。
变量(Variable)：是所有数据的基础，是不可以再分割的信息。例如学习者的干预策略中学习者ID，，在线时长等都可以表达为变量。变量的值就是对应的对象的具体值，例如：作业完成次数是一个变量，如某个学习者作业完成次数为2次，则2就是它的值。
约束(Constraint)：是变量在取值时的范围界限。例如：作业平均分的取值被限制在[0-100],单位为分。
函数(Function)：是改变变量值需要用到的函数。例如，某门课程的教学周数为18周(包括期末考试在内)，则该门课程的学习者在线天数最大值的方法表示为：MAX在线天数＝教学周数*7，作业平均分＝各次作业之和/作业次数。
规则(Rule)：是一个简单的推理判断规则，往往体现变量间的条件约束。通常用IFATHENB的方法来描述。例如：IF数据阶段stage＝“2”THEN平时成绩平均分＝半期考试成绩。
需要说明的是，函数和规则对于每个变量不是必须存在的，有的变量有，有的变量可以没有。
学习者策略库建立。学习者的一条干预策略由学习者的学习行为特征和干预措施特征组成。在学习者干预策略库的形成和存储中，根据已划分好的分类群体，针对每一个分类群体，将以往所针对学习者采取的措施，抽象为变量、约束、函数和规则的描述。具体的方法可以是：将已采取的措施按公式(3)的各属性(变量项)分别进行统计，总结出值相同的变量的干预规则，并以抽象四元素(变量、约束、函数和规则)的形式进行表达和存储。例如：以state为特征值对同一类的第2学习阶段历史数据进行查看，假设发现在以往采取的措施中，state为00时的成员信息中，fscore皆大于60，则可以得到一条干预措施，其中规则可以描述为IFstage＝2且fscore>60,Thenstate＝00，其中对于stage和fscore的定义和取值分别描述在“变量”和“约束中”。描述方法类似。同时，决策者还可以根据经验按变量、约束、函数、规则的表达方式在不同的类别中添加新的措施设计原则。图3给出了本例中某一类学习者的干预策略的表示例。
在策略库建立之初，没有以往经验参考的情况下，可以通过当前数据的分析由人工来制定干预措施，形成经验，加以保存。随着经验的不断增多，可通过系统决策产生适合当前问题的经验。
教师和学校机构的策略库构建。教师和学校机构的策略库构建与学习者策略库构建方法比较相似，但策略库特征值略有不同。教师策略库特征可以表示为：
St＝(stage,TID,classID,schoolID,amount,avscore,state)   (5)
其中，stage表示数据来源阶段，TID表示教师ID，classID表示所讲授班级，schoolID表示所属学校ID，State表示要干预措施的状态，与学习者该特征值定义相同；amount表示该班级该阶段待干预学习者人数；avscore表示班级作业平均分；通常对于教师的干预措施主要以告知为主，通过对所授班级及学生的“危险”情况及时通知给教师，教师可通过添加规则到学习者策略库或线下交流谈话的方法，对学生进行干预。例如，一条对教师的干预策略可以是：IF amount＞第一阈值，Then state＝11，电话警告对应教师调整教学内容。虽然是被动的干预策略，但它的实现可以通过策略规则在系统内自动实现(自动发送给教师)。
学校/机构(即教学机构)的策略与教师策略库相似，多是以状态告知形式实现。学校(机构)干预策略库中主要特征包括：
Ss＝(stage,schoolID,courseID,TID,amount,avfscore,state)   (6)
其中，stage表示数据来源阶段，schoolID表示教学点或学校的ID，courseID表示课程ID，TID表示教师的ID，amount表示待干预人数，avfscore表示期中和期末班级平均分，State表示措施状态。一条针对学校的干预策略的规则可以是：IF amount＞阈值，Thenstate＝11，即若一个教师的待干预学生人数(可以是几个班)超过阈值，则需要给学校发出警告信息。
在策略库中，实际是记录有各门课程在不同学习阶段的若干条策略，上面只描述了一门课程在一个学习阶段的策略生成过程，而每门课程在每个学习阶段的策略都是由上述系统执行相同操作而生成。
其中，策略决策模块用于在有新的待干预学习者产生时，从学习者策略库中匹配出对应的干预策略，以及在被干预学习者达到超过阈值时，从教师策略库中和/或教学机构策略库中匹配出对教师和/或教学机构的干预策略。
在获取了待干预学习者的数据后，策略决策模块首先根据该待干预学习者的学习行为特征中的stage特征值，在学习者干预策略库中，输入策略决策需要的学习者行为特征，从指定的学习阶段已训练好的分类模型中预测，预测出该待干预学习者的所属类别，然后对学习者策略库中对应类别的策略集中的策略规则逐一比较，提取其对应的干预策略，同时将当前学习者的基本信息和得到的干预措施存入历史数据库中。作为举例，假设当前学习者的学习行为特征中满足fscore＝57 and stage＝2的条件，则按图3所示，会产生state＝11(发送警告)&&content＝0103(重新学习1到3章的内容)&&atime＝01033(从第1章到第3章每章增加一次作业)的干预措施(不一定是唯一一条，还要继续与其他策略进行比较)。
策略决策模块再根据当前学习阶段所有需要干预的学习者的学习行为数据，获取公式(4)、公式(5)所需的学习行为特征，再逐一判断教师策略库和教学机构策略库中的策略前提条件，若满足，则输出其干预策略，直到遍历完教师策略库和教学机构策略库。若没有满足的策略前提条件，则输出空值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种在线学习干预系统，其特征在于，包括数据收集模块、群体划分模块、策略库形成模块，数据收集模块的数据输出端连接群体划分模块的数据输入端，群体划分模块的数据输出端连接策略库形成模块的数据输入端；
数据收集模块用于收集若干份历史数据，一份历史数据包括一个已被干预的学习者的基本信息、学习行为数据及对其所采取的干预策略；所述干预策略包括学习行为特征和干预措施特征；还用于收集待干预的学习者的新数据，所述新数据包括待干预的学习者的基本信息和学习行为数据；
群体划分模块用于根据所述学习行为数据，将所述历史数据划分为多个分类群体，以及生成各个学习阶段的分类模型；
策略库形成模块用于抽象出每个分类群体的群体特征和干预措施规则，得到每个分类群体的策略集，所有的分类群体的策略集构成学习者策略库；所述策略库形成模块在形成一个分类群体的策略集时，以任意干预措施特征为参考，找出具有相同干预措施特征值的若干条干预策略，并总结出该若干条干预策略所共有的学习行为特征，将所述共有的学习行为特征和所述相同干预措施特征值组成一条干预策略，由所有的干预措施特征得到的若干条干预策略组成策略集；
策略决策模块；用于根据待干预的学习者的学习行为数据，利用分类模型分类到相应的分类群体，并从该分类群体的策略集中匹配出一条或多条干预策略。
2.根据权利要求1所述的系统，其特征在于，群体划分模块包括聚类子模块和分类模型训练子模块；所述聚类子模块用于对部分数量的历史数据进行聚类，形成初步的分类群体；所述分类模型训练子模块用于对所述初步的分类群体进行学习训练，得到各个学习阶段的分类模型，并将剩余数量的历史数据分类到不同的分类群体中。
3.根据权利要求1所述的系统，其特征在于，所述策略库形成模块还用于生成若干条针对教师的干预策略，形成教师策略库；和/或，所述策略库形成模块还用于生成若干条针对教学机构的干预策略，形成教学机构策略库。
4.根据权利要求1所述的系统，其特征在于，所述策略决策模块还用于统计待干预的学习者的数量，以及根据统计出的数据在教师策略库和/或教学机构策略库中匹配出教师策略和/或教学机构策略。
5.根据权利要求1所述的系统，其特征在于，学习者的学习行为特征表示为：Sb＝(stage,day,ontime,stime,aftime,ascore1,ascore2,ascore3,fscore,submit,reply)，stage表示所处的学习阶段；day表示该阶段学习者在线天数,ontime表示该阶段该学习者在线总时长，stime表示该阶段学习者进行学习课程内容的时间，aftime表示该学习者作业完成的次数，ascore1、ascore2、ascore3分别表示第1/2/3次作业的分数,fscore表示考试成绩或新增作业的合格次数；submit表示学习者在论坛的发帖数，reply表示学习者在论坛的回帖数。
6.根据权利要求1所述的系统，其特征在于，学习者的干预措施特征表示为：Sa＝(ID，courseID,classID,state,content,atime)，ID表示学习者的学号，courseID表示课程编号，classID表示所在班级ID，State表示措施状态，content表示在线浏览的内容范围，atime表示新增作业布置的次数。
7.根据权利要求1所述的系统，其特征在于，教师策略库特征表示为：
St＝(stage,TID,classID,schoolID,amount,avscore,state)，stage表示所处学习阶段，TID表示教师ID，classID表示所讲授班级，schoolID表示所属学校ID，amount表示该班级该阶段待干预学习者人数，avscore表示班级作业平均分，State表示措施状态。
CN201811512238.7A 2018-12-11 2018-12-11 在线学习干预系统 Active CN109635869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811512238.7A CN109635869B (zh) 2018-12-11 2018-12-11 在线学习干预系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811512238.7A CN109635869B (zh) 2018-12-11 2018-12-11 在线学习干预系统

Publications (2)

Publication Number Publication Date
CN109635869A CN109635869A (zh) 2019-04-16
CN109635869B true CN109635869B (zh) 2023-04-07

Family

ID=66072904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811512238.7A Active CN109635869B (zh) 2018-12-11 2018-12-11 在线学习干预系统

Country Status (1)

Country Link
CN (1) CN109635869B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334129A (zh) * 2019-07-08 2019-10-15 国家电网有限公司 学习行为分析方法、装置及存储介质
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
CN112115357B (zh) * 2020-09-11 2021-05-07 华中师范大学 一种在线课程论坛交互模式识别方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901553A (zh) * 2009-05-27 2010-12-01 国立云林科技大学 线上学习辅助系统
CN105761329B (zh) * 2016-03-16 2017-10-31 成都信息工程大学 基于驾驶习惯的驾驶员辨别方法
US20180350252A1 (en) * 2016-06-03 2018-12-06 Hitachi, Ltd. Learning Program Provision System and Learning Program Provision Method
CN107463691A (zh) * 2017-08-11 2017-12-12 北京点易通科技有限公司 一种学习状态收集与识别的方法及系统
CN108182541A (zh) * 2018-01-10 2018-06-19 张木华 一种混合学习效果评估与干预方法与装置
CN108629690B (zh) * 2018-04-28 2021-11-26 福州大学 基于深度强化学习的期货量化交易系统
CN108492233A (zh) * 2018-05-29 2018-09-04 黑龙江省经济管理干部学院 一种高等职业教育三级预警辅导教学系统

Also Published As

Publication number Publication date
CN109635869A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
Nagy et al. Predicting dropout in higher education based on secondary school performance
Akram et al. Predicting students’ academic procrastination in blended learning course using homework submission data
Kabakchieva Student performance prediction by using data mining classification algorithms
Merceron et al. Educational Data Mining: a Case Study.
Vandamme et al. Predicting academic performance by data mining methods
CN109635869B (zh) 在线学习干预系统
CN115511295A (zh) 基于专业能力、核心能力、性格、外表、诚信所建立的人才评价模型及方法
CN114066252A (zh) 基于知识编码与lfnn模型的教学资源动态分配系统
Chen et al. How does intelligent system knowledge empowerment yield payoffs? Uncovering the adaptation mechanisms and contingency role of work experience
Dixit et al. Assessing the factors of sustainable entrepreneurial attitude in context of educational institutions: AHP and DEMATEL approach
Zhou et al. Research on personalized e-learning based on decision tree and RETE algorithm
Hirose More accurate evaluation of student’s ability based on a newly proposed ability equation
Xiaocheng Application of Decision Tree Algorithm in College Students' Mental Health Evaluation
CN114580912A (zh) 一种基于知识距离的项目式学习分组方法及装置
CN113435783A (zh) 一种安全生产教育及安全知识评估方法
Su Design of intelligent classroom teaching scheme using artificial intelligence
Jia et al. Optimization of entrepreneurship education for college students based on improved random forest algorithm
Schuftan Ethics, ideology and nutrition
Wang et al. Teaching Content Recommendation Strategy based on Neural Network Unit Rating
Zhong Student Personalized Management System Based on Collaborative Filtering Algorithm
CN118365493B (zh) 一种教育机器人的教学质量评估方法及系统
Sanderson et al. Exploring the limits to the standardization of the expert knowledge of lawyers: Quality and legal aid reforms in the United Kingdom
Hadikurniawati et al. Multi-Attribute Group Decision Making Using Fuzzy Numbers at Arithmetic Intervals for Determining Thesis Examination
Goudarzia et al. Presenting a structural model of interaction between managers and the organization in the direction of empowerment
Castaño et al. User modeling for human-like interaction

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