CN109741219A - 一种学习行为分析方法及装置 - Google Patents
一种学习行为分析方法及装置 Download PDFInfo
- Publication number
- CN109741219A CN109741219A CN201811520979.XA CN201811520979A CN109741219A CN 109741219 A CN109741219 A CN 109741219A CN 201811520979 A CN201811520979 A CN 201811520979A CN 109741219 A CN109741219 A CN 109741219A
- Authority
- CN
- China
- Prior art keywords
- student
- subgroup
- study
- learning behavior
- information
- 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
Abstract
本发明的实施例公开一种学习行为分析方法及装置,涉及网络技术领域,能够通过对网上学习平台学员的学习行为信息以及课程资源信息进行分析,从而有效的指导企业网上学习平台运营策略的部署,提升运营效率。该方法包括:根据获取的学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;根据第一预设时间段与第二预设时间段的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;根据学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图。本发明实施例应用于网络学习系统。
Description
技术领域
本发明的实施例涉及网络技术领域,尤其涉及一种学习行为分析方法及装置。
背景技术
企业网上学习平台基于互联网技术,采用开放的在线学习平台模式,以学习资源为核心,满足企业各种培训场景需求,构建企业内训生态系统,助企业实现人才领先。随着互联网的普及和深度应用,企业网上学习平台已经成为内部教育和知识分享的重要途径。用户行为数据是指导平台生产运营的主要依据之一,如何进行有效的数据分析是平台运营面临的一个主要问题。网络学员行为特征的建模过程是在分析学员行为,获取及维持和学员的喜好等,最后形成一个用来反应学员个性化需求、知识背景或者喜好的模型。获取学员的趣味喜好、需求和所有的交互行为等数据,经过剖析综合概括从而得到一个能够运算的可计算的格式化的学员行为特征模型,并连续地记录学员行为的变化,伴随学员喜好的变化进而改变学员行为特征模型的过程。目前,针对企业网上学习平台的研究较少,无法有效的指导针对企业网上学习平台部署运营策略。
发明内容
本发明的实施例提供一种学习行为分析方法及装置,能够通过对网上学习平台学员的学习行为信息以及课程资源信息进行分析,从而有效的指导企业网上学习平台运营策略的部署,提升运营效率。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种学习行为分析方法,该方法包括:获取预设组织的学员基本信息、学习行为信息以及课程资源信息,其中学员基本信息包括学员的ID、学员的岗级、学员的年龄、学员的登录数据以及学员的组织信息,学习行为信息包括学员对课程的访问信息以及学习记录,学习记录包含学员对课程学习时长,课程资源信息包括课程的属性以及课程所属专区;其中,预设组织包含至少一个子组织,每个子组织包括的至少一个学员为二级学员,预设组织还包括至少一个一级学员,一级学员为预定组织中所有子组织之外的学员;根据学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;其中,子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;学员的关键指标包括学员的学习人次专区分布、学员的学习时长专区分布、学员的活跃时段分布、学员的年龄分布、学员的岗级分布;根据第一预设时间段与第二预设时间段的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;其中第一预设时间段在第二预设时间段之前且相邻;根据学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图;其中,不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
在上述方法中,首先,根据获取的学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;然后,根据第一预设时间段与第二预设时间段的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;其中第一预设时间段在第二预设时间段之前且相邻;最后,根据学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图。本发明实施例能够通过对网上学习平台学员的学习行为信息以及课程资源信息进行分析,从而有效的指导企业网上学习平台运营策略的部署,提升运营效率。
第二方面,提供一种学习行为分析装置,该装置包括:
获取单元,用于获取预设组织的学员基本信息、学习行为信息以及课程资源信息,其中学员基本信息包括学员的ID、学员的岗级、学员的年龄、学员的登录数据以及学员的组织信息,学习行为信息包括学员对课程的访问信息以及学习记录,学习记录包含学员对课程学习时长,课程资源信息包括课程的属性以及课程所属专区;其中,预设组织包含至少一个子组织,每个子组织包括的至少一个学员为二级学员,预设组织还包括至少一个一级学员,一级学员为预定组织中所有子组织之外的学员。
处理单元,用于根据获取单元获取的学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;其中,子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;学员的关键指标包括学员的学习人次专区分布、学员的学习时长专区分布、学员的活跃时段分布、学员的年龄分布、学员的岗级分布。
处理单元,还用于根据第一预设时间段与第二预设时间段的获取单元获取的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;其中第一预设时间段在第二预设时间段之前且相邻。
处理单元,还用于根据获取单元获取的学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图;其中,不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
可以理解地,上述提供的学习行为分析装置用于执行上文所提供的第一方面对应的方法,因此,其所能达到的有益效果可参考上文第一方面对应的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
第三方面,提供了一种学习行为分析装置,该学习行为分析装置的结构中包括处理器和存储器,存储器用于与处理器耦合,保存该学习行为分析装置必要的程序指令和数据,处理器用于执行存储器中存储的程序指令,使得该学习行为分析装置执行第一方面所述的学习行为分析方法。
第四方面,提供一种计算机存储介质,计算机存储介质中存储有计算机程序代码,当计算机程序代码在如第三方面所述的学习行为分析装置上运行时,使得学习行为分析装置执行上述第一方面的方法。
第五方面,提供一种计算机程序产品,该计算机程序产品储存有上述计算机软件指令,当计算机软件指令在如第三方面所述的学习行为分析装置上运行时,使得学习行为分析装置执行如上述第一方面所述方案的程序。
附图说明
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
图1为本发明的实施例提供的学习行为分析方法的流程示意图;
图2为本发明的实施例提供的一种学习行为分析装置的结构示意图;
图3为本发明的实施例提供的又一种学习行为分析装置的结构示意图;
图4为本发明的实施例提供的再一种学习行为分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
随着互联网的普及和深度应用,企业网上学习平台已经成为内部教育和知识分享的重要途径。学员行为数据是指导平台生产运营的主要依据之一,如何进行有效的数据分析是平台运营面临的一个主要问题。网络学员行为特征的建模过程是在分析学员行为,获取及维持和学员的喜好等,最后形成一个用来反应学员个性化需求、知识背景或者喜好的模型。获取学员的趣味喜好、需求和所有的交互行为等数据,经过剖析综合概括从而得到一个能够运算的可计算的格式化的学员行为特征模型,并连续地记录学员行为的变化,伴随学员喜好的变化进而改变学员行为特征模型的过程。
企业网上学习平台具有多级管理员用户,分别负责一定范围的学员学习行为管理和平台运营,需要了解学员的学习频度、学习进度和学习热点等信息,并将合适的课程推荐给合适的学员。因此对学员画像和课程推荐提出需求。学员画像是一种勾画目标学员、联系学员诉求与设计方向的有效工具,在各领域得到了广泛的应用。例如百度移动统计从移动开发者需求出发,在洞察学员、优化产品、运营推广三个方面去提供全面的分析直观报表以及敏捷开发支持,以及数字化的经营和推广管理的支持。移动统计能够帮助开发者解决学员属性越来越复杂,学员行为越来越多变,产品代周期越来越快,推广成本越来越高等诸多问题。然而,企业网上学习平台与社会互联网平台不同,具有学员范围比较固定且课程资源相对集中等特点,具有特定的学员画像和推荐需求。目前,针对企业网上学习平台的研究较少,无法支撑企业的网上学习平台运营。
基于以上技术背景以及现有技术存在的问题,参照图1,本发明实施例提供一种学习行为分析方法,该方法包括:
101、获取预设组织的学员基本信息、学习行为信息以及课程资源信息。
其中所述学员基本信息包括学员的ID、所述学员的岗级、所述学员的年龄、所述学员的登录数据以及所述学员的组织信息,所述学习行为信息包括所述学员对课程的访问信息以及学习记录,所述学习记录包含所述学员对课程学习时长,所述课程资源信息包括课程的属性以及所述课程所属专区;其中,所述预设组织包含至少一个子组织,每个所述子组织包括的至少一个学员为二级学员,所述预设组织还包括至少一个一级学员,所述一级学员为所述预定组织中所有子组织之外的学员。
102、根据所述学员基本信息、所述学习行为信息以及所述课程资源信息,计算生成子组织以及学员的关键指标的分布视图。
其中,所述子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;所述学员的关键指标包括所述学员的学习人次专区分布、所述学员的学习时长专区分布、所述学员的活跃时段分布、所述学员的年龄分布、所述学员的岗级分布。
示例性的,子组织的关键指标的分布视图具体计算方式如下:
2.1.1、子组织学习情况排名信息计算方法具体为:step1)根据设定的时间范围,从基础信息数据库获取预设组织的学员基本信息、学习行为信息以及课程资源信息的基础信息,具体包括:预设组织的总学习人次和总学习时长,分别记作TotLN和TotLT,以及预设组织权限范围内的各子组织的学习人次和学习时长,分别记作SubLNi和SubLTi,i=1,2,…,n,n为子组织数量。Step2)根据公式SubOrgIi=α1SubLNi/TotLN+β1SubLTi/TotLT计算复合指标SubOrgIi,以便作为子组织学习情况排名依据;其中α1+β1=1,0≤α1,β1≤1,(α,β)取值可以根据管理员需求进行灵活设置,例如,当(α1,β1)=(1,0)时,复合指标SubOrgIi即为学习人次。将计算结果SubOrgIi存入数据库SubOrgI;其中数据库SubOrgI主要包括两个主要属性:子组织ID、子组织复合指标SubOrgIi。
2.1.2、子组织的学习专区以及课程的学习量的分布。选取复合指标SubOrgIi值最高的m个子组织,分析其学习量主要分布在哪些课程或者学习专区,计算方法具体为:step1)分别获取所选子组织的Topm1学习专区的学习人次和学习时长、Topm2课程的学习人次和学习时长(m1和m2的值可以根据需要进行设置)(仅限本预设组织范围内的学员产生的学习人次和时长),分别存入数据库TopArea和TopCourse,TopArea={TopAreaIDj1,TopAreaLNj1,j1=1,2,…m1},TopCourse={TopCourseIDj2,TopCourseLNj2,j2=1,2,,…m2},其中属性TopAreaIDj1和TopCourseIDj1分别表示学习专区和课程的ID,为唯一标识。Step2)计算子组织的学习专区和课程的学习量占比,分别记为:TopAreaSharej1和TopCourseSharej2,令TopAreaSharej1=αTopAreaLNj1/SubLNi+βTopAreaLTj1/SubLTi,TopCourseSharej2=αTopCourseLNj2/SubLNi+βTopCourseLTj2/SubLTi,j1=1,2,…m1,j2=1,2,…m2,α+β=1,0≤α,β≤1,(α,β)取值可以根据管理员需求进行灵活设置。Step3)形成子组织的学习专区和课程的学习量的分布信息数据库,将子组织的学习专区和课程的学习量的占比分别存入数据库TopAreaShare和TopCourseShare;其中,TopAreaShare={TopAreaIDj1,TopAreaSharej1},TopCourseShare={TopCourseIDj2,TopCourseSharej2}。则子组织的学习专区的学习量的分布即为TopAreaShare,子组织的及课程的学习量的分布即为TopCourseShare。
另外,学员的关键指标的分布视图具体计算方式包括:
2.2.1、获取该预设组织学员学习的专区ID列表,{AreaIDi,i=1,2,…n},并获取各专区学习人次{AreaLNi,i=1,2,…n},其中n为该预设组织相关的专区数量。计算各专区学习人次占比AreaLNSharei=专区学习人次AreaLNi/预设组织总学习人次TotLN,集合{AreaLNSharei,i=1,2,…n}即为学员的学习人次专区分布,各专区学习人次占比之和即为专区类课程学习人次占比,记为:
2.2.2、获取该预设组织学员学习的专区ID列表,{AreaIDi,i=1,2,…n},并获取各专区的学习时长{AreaLTi,i=1,2,…n},其中n为该预设组织相关的专区数量。计算各专区学习时长占比AreaLTSharei=专区的学习时长AreaLTi/预设组织总学习时长TotLT,集合{AreaLTSharei,i=1,2,…n}即为学员的学习时长专区分布,各专区学习时长占比之和即为专区类课程学习时长占比,记为:
2.2.3、获取时间范围内预设单位时长的学习人次以及学习时长,并将也是单位时长按照预设周期进行设置;记为预设单位时长的总学习人次DLNi和预设单位时长的总学习时长DLTi,(i=1,2,…,t,t为预设周期)。计算预设单位时长的学习人次占比DLNSharej=时间范围内同一预设单位时长的学习人次之和/预设组织总学习人次TotLN,则学员的活跃时段分布DLNShare={DLNSharei,i=1,2,…,t},预设单位时长的学习时长占比DLTSharej=时间范围内同一预设单位时长的学习时长之和/预设组织总学习时长TotLT,则预设单位时长的学习人次占比DLNShare={DLNSharei,i=1,2,…,t},预设单位时长的学习时长占比DLTShare={DLTSharei,i=1,2,…,t}。学员的活跃时段分布={DLNShare,DLTShare}。例如时间范围内同一时间单位的学习人次求和,例如,以天为单位,时间范围设置为两个星期,一个星期即为预设周期。按照一个星期为一周期获取时间范围内每天的学习人次和学习时长,则星期i的学习人次占比DLNSharei=星期i的学习人次之和/本组织总学习人次TotLN,i=1,2,…,7;那么,则预设单位时长的学习人次占比DLNShare则为星期一至星期天的学习人次占比的集合。需要说明的是,也可以按照小时为预设单位时长,设置每天的8点~18点为预设周期,预设单位时长的学习人次占比具体实现方式同上,此处不再赘述。
2.2.4、将学员的年龄根据至少一个预设年龄区间划分,生成至少一个学员年龄段,并统计每个学员年龄段的学习人数以及学习时长;根据学员年龄段的学习人数与预设组织总学习人数的比值生成学员年龄段学习人数占比,根据学员年龄段的学习时长与预设组织总学习时长的比值生成学员年龄段学习时长占比;则每个学员年龄段学习人数占比与每个学员年龄段学习时长占比的集合即为学员的年龄分布。
例如,可以根据需求设置年龄段,也可以选择默认设置,默认设置为四个年龄段,默认值例如:30以下、30-40、40-50、50以上,获取各个年龄段的学习人次和学习时长,计算学习人次和学习时间的占比加权和,作为学习量占比指标,该指标形成的集合记为年龄分布。具体计算过程参考2.1.2,此处不再赘述。
2.2.5、将学员的岗级根据预设岗级区间划分,生成至少一个学员岗级段,并统计每个学员岗级段的学习人数以及学习时长;根据学员岗级段的学习时长以及总组织学习时长的比值生成学员岗级段学习时长占比;根据学员岗级段的学习人数以及总组织学习人数的比值生成学员岗级段学习人数占比,则每个学员岗级段学习人数占比以及每个学员岗级段学习时长占比的集合即为学员的岗级分布。
例如,可以根据需求设置岗级区间,默认三段,例如:10级以下,11-13级,14级及以上。获取各个职级范围的学习人次和学习时长,具体计算方法同2.2.4,此处不再赘述。
103、根据第一预设时间段与第二预设时间段的所述学员基本信息、所述学习行为信息计算生成子组织的增量数据分布视图。
其中所述第一预设时间段在所述第二预设时间段之前且相邻。
示例性的,子组织的增量数据分布视图主要用于展示登录人数/学习人次的子组织增量分布,以及增量子组织的学习专区或课程分布。具体计算方式包括:
3.1、登录人数/学习人次的子组织增量分布,step1)获取第二预设时间段(记作当前时段,例如2018年)和第一预设时间段(记作参考时段,例如2017年)的数据,其中,该数据包括预设组织和各子组织的登录人数、预设组织和各子组织的学习人次、预设组织和各子组织的学习时长。Step2)计算增量,增量数据=当前时段的数据-参考时段的数据,例如预设组织增量登录人数=2018年预设组织的登陆人数-2017年预设组织的登录人数;子组织i的增量登录人数=2018年子组织i的登陆人数-2017年子组织i的登录人数。Step3)子组织i的增量数据占比=子组织i的增量数据/该预设组织的增量数据;例如,子组织i的增量登录人数占比=子组织i的增量登录人数/预设组织增量登录人数。根据上述计算方式,生成子组织i的增量登录人数占比、子组织i的增量学习人次占比以及子组织i的增量学习时长占比。集合{每个子组织的增量登录人数占比,每个子组织的增量学习人次占比,每个子组织的增量学习时长占比}为登录人数/学习人次的子组织分布。
3.2、增量子组织的学习专区和课程分布,step1)获取第二预设时间段(记作当前时段,例如2018年)和第一预设时间段(记作参考时段,例如2017年)的数据,其中,该数据包括预设组织的学习人次、各子组织的课程的学习人次、各子组织的学习专区的学习人次、预设组织的学习时长、各子组织的课程的学习时长、各子组织的学习专区的学习时长。Step2)计算增量,增量数据=当前时段的数据-参考时段的数据,例如预设组织增量登录人数=2018年预设组织的登陆人数-2017年预设组织的登录人数。Step3)根据上述步骤生成的子组织的学习专区增量学习时长、子组织的学习专区增量学习人次、子组织的课程增量学习时长、子组织的课程增量学习人次生成增量子组织的学习专区和课程分布的计算方法参考2.1.2的step2)与step3)此处不再赘述。
104、根据所述学员基本信息以及所述学习行为信息,计算生成不活跃学员的子组织分布视图。
其中,所述不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
具体的,计算生成不活跃学员的子组织分布视图,包括:
根据预设组织的所有未登录学员以及未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图。
在一种实现方式中,根据预设组织的所有未登录学员以及未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图具体计算方式包括:Step1)获取该预设组织未登录学员(登录次数为0的学员)总数UnLogN、各子组织未登录学员数SubOrgUnLogNi,i=1,2,…,n,n为子组织数量。Step2)计算子组织分布,首先计算各子组织未登录学员数占比SubOrgUnLogShare i=SubOrgUnLogNi/UnLogN,那么子组织未登录占比集合SubOrgUnLogShare={SubOrgUnLogSharei,i=1,2,…,n}即为未登录学员数的子组织分布视图。
根据预设组织的所有登录未学习学员以及登录未学习学员所属的子组织,计算生成不活跃学员的子组织分布视图。
在一种实现方式中,根据预设组织的所有登录未学习学员(学习次数为=0and登录次数>0)以及登录未学习学员所属的子组织,计算生成不活跃学员的子组织分布视图,具体计算方法包括:Step1)获取该预设组织登录未学习学员数UnLN,各子组织登录未学习学员数SubOrgUnLNi,i=1,2,…,n,n为子组织数量。Step2)计算子组织分布,计算方法同根据预设组织的所有未登录学员以及未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图的Step2,此处不再赘述。
根据预设组织的所有学习次数低于预设阈值的学员以及学习次数低于预设阈值的学员所属的子组织,计算生成不活跃学员的子组织分布视图。
在一种实现方式中,根据预设组织的所有学习次数低于预设阈值(0<学习次数<预设阈值,预设阈值可以根据需要设置,也可以采用默认值)的学员以及学习次数低于预设阈值的学员所属的子组织,计算生成不活跃学员的子组织分布视图,具体计算方法:Step1)获取该组织学习次数低于阈值的学员数量LowLN,各子组织学习次数低于阈值的学员数LowLNi,i=1,2,…,n,n为子组织数量。Step2)计算子组织分布,计算方法同根据预设组织的所有未登录学员以及未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图的Step2,此处不再赘述。
在上述方法中,首先,根据获取的学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;然后,根据第一预设时间段与第二预设时间段的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;其中第一预设时间段在第二预设时间段之前且相邻;最后,根据学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图。本发明实施例能够通过对网上学习平台学员的学习行为信息以及课程资源信息进行分析,从而有效的指导企业网上学习平台运营策略的部署,提升运营效率。
参照图2,本发明实施例学习行为分析装置20,该装置20包括:
获取单元201,用于获取预设组织的学员基本信息、学习行为信息以及课程资源信息,其中学员基本信息包括学员的ID、学员的岗级、学员的年龄、学员的登录数据以及学员的组织信息,学习行为信息包括学员对课程的访问信息以及学习记录,学习记录包含学员对课程学习时长,课程资源信息包括课程的属性以及课程所属专区;其中,预设组织包含至少一个子组织,每个子组织包括的至少一个学员为二级学员,预设组织还包括至少一个一级学员,一级学员为预定组织中所有子组织之外的学员。
处理单元202,用于根据获取单元201获取的学员基本信息、学习行为信息以及课程资源信息,计算生成子组织以及学员的关键指标的分布视图;其中,子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;学员的关键指标包括学员的学习人次专区分布、学员的学习时长专区分布、学员的活跃时段分布、学员的年龄分布、学员的岗级分布。
处理单元202,还用于根据第一预设时间段与第二预设时间段的获取单元201获取的学员基本信息、学习行为信息计算生成子组织的增量数据分布视图;其中第一预设时间段在第二预设时间段之前且相邻。
处理单元202,还用于根据获取单元201获取的学员基本信息以及学习行为信息,计算生成不活跃学员的子组织分布视图;其中,不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
在一种示例性的方案中,处理单元202,具体用于根据预设组织的所有未登录学员以及未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图。
在一种示例性的方案中,处理单元202,具体用于根据预设组织的所有登录未学习学员以及登录未学习学员所属的子组织,计算生成不活跃学员的子组织分布视图。
在一种示例性的方案中,处理单元202,具体用于根据预设组织的所有学习次数低于预设阈值的学员以及学习次数低于预设阈值的学员所属的子组织,计算生成不活跃学员的子组织分布视图。
由于本发明实施例中的学习行为分析装置可以应用于实施上述方法实施例,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
在采用集成的单元的情况下,图3示出了上述实施例中所涉及的学习行为分析装置20的一种可能的结构示意图。学习行为分析装置20包括:处理模块301、通信模块302和存储模块303。处理模块301用于对学习行为分析装置20的动作进行控制管理,例如,处理模块301用于支持学习行为分析装置20执行图1中的过程102~104。通信模块302用于支持学习行为分析装置20与其他实体的通信。存储模块303用于存储学习行为分析装置20的程序代码和数据。
其中,处理模块301可以是处理器或控制器,例如可以是中央处理器(centralprocessing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块302可以是收发器、收发电路或通信接口等。存储模块303可以是存储器。
当处理模块301为如图4所示的处理器,通信模块302为图4的收发器,存储模块303为图4的存储器时,本申请实施例所涉及的学习行为分析装置20可以为如下所述的学习行为分析装置20。
参照图4所示,该学习行为分析装置20包括:处理器401、收发器402、存储器403和总线404。
其中,处理器401、收发器402、存储器403通过总线404相互连接;总线404可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器401可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
存储器403可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。收发器402用于接收外部设备输入的内容,处理器401用于执行存储器403中存储的应用程序代码,从而实现本申请实施例中所述的课程推荐方法。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备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,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接口,设备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,在本申请各个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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本发明实施例还提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现上述的学习行为分析方法。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,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 (11)
1.一种学习行为分析方法,其特征在于,所述方法包括:
获取预设组织的学员基本信息、学习行为信息以及课程资源信息,其中所述学员基本信息包括学员的ID、所述学员的岗级、所述学员的年龄、所述学员的登录数据以及所述学员的组织信息,所述学习行为信息包括所述学员对课程的访问信息以及学习记录,所述学习记录包含所述学员对课程学习时长,所述课程资源信息包括课程的属性以及所述课程所属专区;其中,所述预设组织包含至少一个子组织,每个所述子组织包括的至少一个学员为二级学员,所述预设组织还包括至少一个一级学员,所述一级学员为所述预定组织中所有子组织之外的学员;
根据所述学员基本信息、所述学习行为信息以及所述课程资源信息,计算生成子组织以及学员的关键指标的分布视图;其中,所述子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;所述学员的关键指标包括所述学员的学习人次专区分布、所述学员的学习时长专区分布、所述学员的活跃时段分布、所述学员的年龄分布、所述学员的岗级分布;
根据第一预设时间段与第二预设时间段的所述学员基本信息、所述学习行为信息计算生成子组织的增量数据分布视图;其中所述第一预设时间段在所述第二预设时间段之前且相邻;
根据所述学员基本信息以及所述学习行为信息,计算生成不活跃学员的子组织分布视图;其中,所述不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
2.根据权利要求1所述的学习行为分析方法,其特征在于,所述计算生成不活跃学员的子组织分布视图,包括:
根据所述预设组织的所有所述未登录学员以及所述未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图。
3.根据权利要求1所述的学习行为分析方法,其特征在于,所述计算生成不活跃学员的子组织分布视图,包括:
根据所述预设组织的所有所述登录未学习学员以及所述登录未学习学员所属的子组织,计算生成不活跃学员的子组织分布视图。
4.根据权利要求1所述的学习行为分析方法,其特征在于,所述计算生成不活跃学员的子组织分布视图,包括:
根据所述预设组织的所有所述学习次数低于预设阈值的学员以及所述学习次数低于预设阈值的学员所属的子组织,计算生成不活跃学员的子组织分布视图。
5.一种学习行为分析装置,其特征在于,包括:
获取单元,用于获取预设组织的学员基本信息、学习行为信息以及课程资源信息,其中所述学员基本信息包括学员的ID、所述学员的岗级、所述学员的年龄、所述学员的登录数据以及所述学员的组织信息,所述学习行为信息包括所述学员对课程的访问信息以及学习记录,所述学习记录包含所述学员对课程学习时长,所述课程资源信息包括课程的属性以及所述课程所属专区;其中,所述预设组织包含至少一个子组织,每个所述子组织包括的至少一个学员为二级学员,所述预设组织还包括至少一个一级学员,所述一级学员为所述预定组织中所有子组织之外的学员;
处理单元,用于根据所述获取单元获取的所述学员基本信息、所述学习行为信息以及所述课程资源信息,计算生成子组织以及学员的关键指标的分布视图;其中,所述子组织的关键指标包括子组织的学习专区以及课程的学习量的分布;所述学员的关键指标包括所述学员的学习人次专区分布、所述学员的学习时长专区分布、所述学员的活跃时段分布、所述学员的年龄分布、所述学员的岗级分布;
所述处理单元,还用于根据第一预设时间段与第二预设时间段的所述获取单元获取的所述学员基本信息、所述学习行为信息计算生成子组织的增量数据分布视图;其中所述第一预设时间段在所述第二预设时间段之前且相邻;
所述处理单元,还用于根据所述获取单元获取的所述学员基本信息以及所述学习行为信息,计算生成不活跃学员的子组织分布视图;其中,所述不活跃学员包括未登录学员、登录未学习学员、学习次数低于预设阈值的学员。
6.根据权利要求5所述的学习行为分析装置,其特征在于,包括:
所述处理单元,具体用于根据所述预设组织的所有所述未登录学员以及所述未登录学员所属的子组织,计算生成不活跃学员的子组织分布视图。
7.根据权利要求5所述的学习行为分析装置,其特征在于,包括:
所述处理单元,具体用于根据所述预设组织的所有所述登录未学习学员以及所述登录未学习学员所属的子组织,计算生成不活跃学员的子组织分布视图。
8.根据权利要求5所述的学习行为分析装置,其特征在于,包括:
所述处理单元,具体用于根据所述预设组织的所有所述学习次数低于预设阈值的学员以及所述学习次数低于预设阈值的学员所属的子组织,计算生成不活跃学员的子组织分布视图。
9.一种学习行为分析装置,其特征在于,所述学习行为分析装置的结构中包括处理器和存储器,所述存储器用于与所述处理器耦合,保存所述学习行为分析装置必要的程序指令和数据,所述处理器用于执行所述存储器中存储的程序指令,使得所述学习行为分析装置执行如权利要求1-4任一项所述的学习行为分析方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序代码,当所述计算机程序代码在如权利要求9所述的学习行为分析装置上运行时,使得所述学习行为分析装置执行如权利要求1-4任一项所述的学习行为分析方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品储存有计算机软件指令,当所述计算机软件指令在如权利要求9所述的学习行为分析装置上运行时,使得所述学习行为分析装置执行如权利要求1-4任一项所述的学习行为分析方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520979.XA CN109741219A (zh) | 2018-12-12 | 2018-12-12 | 一种学习行为分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811520979.XA CN109741219A (zh) | 2018-12-12 | 2018-12-12 | 一种学习行为分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109741219A true CN109741219A (zh) | 2019-05-10 |
Family
ID=66359321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811520979.XA Pending CN109741219A (zh) | 2018-12-12 | 2018-12-12 | 一种学习行为分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109741219A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407829A (zh) * | 2021-06-16 | 2021-09-17 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN113689315A (zh) * | 2021-09-01 | 2021-11-23 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203635A (zh) * | 2016-06-29 | 2016-12-07 | 北京师范大学 | 一种在线学习行为投入数据采集与分析系统及方法 |
CN107704995A (zh) * | 2017-09-11 | 2018-02-16 | 北京奥鹏远程教育中心有限公司 | 学员评价系统 |
US9926852B2 (en) * | 2015-03-03 | 2018-03-27 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN108597280A (zh) * | 2018-04-27 | 2018-09-28 | 中国人民解放军国防科技大学 | 一种基于学习行为分析的教学系统及教学方法 |
-
2018
- 2018-12-12 CN CN201811520979.XA patent/CN109741219A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9926852B2 (en) * | 2015-03-03 | 2018-03-27 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
CN106203635A (zh) * | 2016-06-29 | 2016-12-07 | 北京师范大学 | 一种在线学习行为投入数据采集与分析系统及方法 |
CN107704995A (zh) * | 2017-09-11 | 2018-02-16 | 北京奥鹏远程教育中心有限公司 | 学员评价系统 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN108597280A (zh) * | 2018-04-27 | 2018-09-28 | 中国人民解放军国防科技大学 | 一种基于学习行为分析的教学系统及教学方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407829A (zh) * | 2021-06-16 | 2021-09-17 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN113407829B (zh) * | 2021-06-16 | 2023-06-27 | 中国联合网络通信集团有限公司 | 在线学习资源推荐方法、装置、设备及存储介质 |
CN113689315A (zh) * | 2021-09-01 | 2021-11-23 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
CN113689315B (zh) * | 2021-09-01 | 2024-02-13 | 中国联合网络通信集团有限公司 | 课程推送方法、装置和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740861A (zh) | 一种学习数据分析方法及装置 | |
Way et al. | The misleading narrative of the canonical faculty productivity trajectory | |
CN109740048A (zh) | 一种课程推荐方法及装置 | |
Jappe et al. | Does bibliometric research confer legitimacy to research assessment practice? A sociological study of reputational control, 1972-2016 | |
Xu et al. | Influential mechanism of farmers' sense of relative deprivation in the sustainable development of rural tourism | |
US20110125544A1 (en) | Decision support system for project managers and associated method | |
Battle et al. | Database benchmarking for supporting real-time interactive querying of large data | |
CN105354721B (zh) | 一种识别机器操作行为的方法及装置 | |
CN109741219A (zh) | 一种学习行为分析方法及装置 | |
CN107229392A (zh) | 一种界面展示方法及系统 | |
CN109785197A (zh) | 一种学习行为分析方法及装置 | |
CN109491782A (zh) | 一种云桌面智能管理的方法及装置 | |
CN102609786B (zh) | 一种预测用户离网的方法和装置 | |
US20120254056A1 (en) | Institutional financial aid analysis | |
Munk et al. | Probability modeling of accesses to the web parts of portal | |
Sediyono et al. | Software requirement specification of intelligent system for monitoring and preventing smartphone addiction | |
Lee | A simple and flexible Bayesian method for inferring step changes in cognition | |
CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
Shatnawi et al. | Generating Timetable and Students schedule based on data mining techniques | |
Xhafa et al. | Using bi-clustering algorithm for analyzing online users activity in a virtual campus | |
AU2007338315A1 (en) | System for optimizing a care and monitoring network | |
Elam et al. | Process improvement using arena simulation software | |
Goswami et al. | A reallocation-based heuristic to solve a machine loading problem with material handling constraint in a flexible manufacturing system | |
Wang et al. | Simulation of housing market dynamics: Amenity distribution and housing vacancy | |
Fedosov et al. | Mobile first? Understanding device usage practices in novel content sharing services |
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: 20190510 |
|
RJ01 | Rejection of invention patent application after publication |