CN109785197A - 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
- CN109785197A CN109785197A CN201811520969.6A CN201811520969A CN109785197A CN 109785197 A CN109785197 A CN 109785197A CN 201811520969 A CN201811520969 A CN 201811520969A CN 109785197 A CN109785197 A CN 109785197A
- Authority
- CN
- China
- Prior art keywords
- student
- course
- duration
- study
- list
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
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，能够通过获取活跃学员、异常学员以及最受欢迎课程列表，从而有效的指导企业网上学习平台部署运营策略，提升运营效率。该方法包括：根据获取的预定时间段内基础信息数据的一项或多项生成活跃学员列表a、最受欢迎课程列表、异常学员列表；对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b；将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。本发明实施例应用于网络系统。
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，能够通过获取活跃学员、异常学员以及最受欢迎课程列表，从而有效的指导企业网上学习平台部署运营策略，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：获取预定时间段内基础信息数据，基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单；将学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a；将学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；将学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表；对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b；将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。
在上述方法中，首先，获取预定时间段内包括学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单的基础信息数据；将学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a；将学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；然后，将学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表；对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b；最后，将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。本发明实施例能够通过获取活跃学员、异常学员以及最受欢迎课程列表，从而有效的指导企业网上学习平台部署运营策略，提升运营效率。
第二方面，提供一种学习行为分析装置，该学习行为分析装置包括：获取单元，用于获取预定时间段内基础信息数据，基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单；处理单元，用于将获取单元获取的学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a；处理单元，用于将获取单元获取的学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；处理单元，用于将获取单元获取的学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表；处理单元，还用于对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b；处理单元，还用于将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。
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一种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获取活跃学员列表的方法的流程示意图；
图3为本发明的实施例提供的一种获取最受欢迎课程列表的方法的流程示意图；
图4为本发明的实施例提供的一种获取异常学员列表的方法的流程示意图；
图5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6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7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、获取预定时间段内基础信息数据，基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单。
102、将学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a。
在一种实现方式中，参照图2，本发明实施例提供一种获取活跃学员列表的方法的流程示意图，具体步骤如下：
1021、对学员的学习次数从大到小进行排序，并确定排名在前n11位的学员。
1022、对每个排名在前n11位的学员对应的学员的学习次数、学员的总学习时长以及学员的登录次数分别进行归一化处理，生成n11个学员的归一化学习次数、n11个学员的归一化总学习时长以及n11个学员的归一化登录次数；其中，n11为正整数。
1023、对学员的归一化学习次数、学员的归一化总学习时长以及学员的归一化登录次数根据如下公式进行加权求和，生成n11个第一加权值：
f1i＝α1Ai+β1Bi+γ1Ci；
其中，f1表示第一加权值，A表示学员的归一化学习次数，B表示学员的归一化总学习时长，C表示学员的归一化登录次，α1+β1+γ1＝1，0≤α1,β1,γ1≤1，i＝1,2,…,n11。
1024、对n11个第一加权值从大到小排序，选取排名在前n12位的第一加权值对应的学员生成活跃学员列表a；其中n12＜n11，n12为正整数。
103、将学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表。
在一种实现方式中，参照图3，本发明实施例提供一种获取最受欢迎课程列表的方法的流程示意图，具体步骤如下：
1031、统计学员学习的课程生成课程的学习人数；并对课程的学习人次从大到小进行排序，并确定排名在前n21位的课程。
1032、若学习排名在前n21位的课程的学员对应的学员学习课程的时长大于第一预设阈值，则确定学员完成课程的学习，并统计课程的学员完成数量。
1033、统计学习排名在前n21位的课程的学员对应的学员学习课程的时长生成课程的总学习时长。
1034、对排名在前n21位的课程对应的课程的学习人数、课程的学员完成数量以及课程的总学习时长分别进行归一化处理，生成课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长。
1035、对课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长根据如下公式进行加权求和，生成n21个第二加权值：
f2j＝α2Ej+β2Fj+γ2Gj；
其中，f2表示第二加权值，E表示课程的归一化学习人数、F表示课程的归一化完成数量、G表示课程的归一化总学习时长，α2+β2+γ2＝1，0≤α2,β2,γ2≤1，j＝1,2,…,n21。
1036、对n21个第二加权值从大到小排序，选取排名在前n22位的第二加权值对应的课程生成最受欢迎列表；其中n22＜n21，n22为正整数。
104、将学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表。
示例性的，特殊学员可以包括但不限于：即将退休学员、新入职学员以及高级管理层学员。其中，可根据预设时间确定哪些学员为将退休学员或者新入职学员，例如，可以将距离退休时间在六个月内的学员确定为即将退休学员；可以将距离入职时间在三个月内的学员确定为新入职学员。
在一种实现方式中，参照图4，本发明实施例提供一种获取异常学员列表的方法的流程示意图，具体步骤如下：
1041、将学员的单次学习时长超过第二预设阈值的学员以及学员的单日学习时长超过第三预设阈值的学员存入集合x。
1042、根据学员的登录次数确定从未登录的学员名单，并根据特殊学员名单去除从未登录的学员名单中的特殊学员后，存入集合y。
1043、统计学员必修课的已学习时长生成学员所有必修课的已学习总时长。
1044、统计学员必修课的规定学习时长生成学员所有必修课的规定总时长。
1045、根据公式λ1p＝学员所有必修课的已学习总时长/学员所有必修课的规定总时长，计算学员必修课的完成率λ1p，其中p＝1,2,…,q，q表示学员总数。
1046、将学员必修课的已学习时长以及学员必修课的规定学习时长对比，统计学员完成必修课的数量，并根据学员的必修课统计学员必修课的数量。
1047、根据公式λ2p＝学员完成必修课的数量/学员必修课的数量，计算学员必修课数量的完成率λ2p。
1048、根据如下公式计算学员必修课的完成率λp：
λp＝α3λ1p+β3λ2p；
其中，α3+β3＝1，0≤α3,β3≤1。
1049、将λp低于第四预设阈值的学员存入集合z。
1050、将集合x、集合y以及集合z合并生成异常学员列表。
105、对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b。
106、将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。
在上述方法中，获取预定时间段内包括学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单的基础信息数据；将学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a；将学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；将学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表；对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b；将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。本发明实施例能够通过获取活跃学员、异常学员以及最受欢迎课程列表，从而有效的指导企业网上学习平台部署运营策略，提升运营效率。
参照图5，本发明实施例提供一种学习行为分析装置50，该学习行为分析装置50包括：
获取单元501，用于获取预定时间段内基础信息数据，基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单。
处理单元502，用于将获取单元501获取的学员的学习次数、学员的总学习时长以及学员的登录次数根据第一预设方式生成活跃学员列表a。
处理单元502，用于将获取单元501获取的学员学习的课程以及学员学习课程的时长根据第二预设方式生成最受欢迎课程列表。
处理单元502，用于将获取单元501获取的学员的登陆次数、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单根据第三预设方式生成异常学员列表。
处理单元502，还用于对活跃学员列表a中与异常学员列表中相同的学员进行标记，并生成活跃学员列表b。
处理单元502，还用于将活跃学员列表b、最受欢迎课程列表以及异常学员列表展示在企业网上学习平台。
在一种示例性的方案中，处理单元502，具体用于对获取单元501获取的学员的学习次数从大到小进行排序，并确定排名在前n11位的学员。
处理单元502，还用于对每个排名在前n11位的学员对应的获取单元501获取的学员的学习次数、学员的总学习时长以及学员的登录次数分别进行归一化处理，生成n11个学员的归一化学习次数、n11个学员的归一化总学习时长以及n11个学员的归一化登录次数；其中，n11为正整数。
处理单元502，还用于对学员的归一化学习次数、学员的归一化总学习时长以及学员的归一化登录次数根据如下公式进行加权求和，生成n11个第一加权值：
f1i＝α1Ai+β1Bi+γ1Ci；
其中，f1表示第一加权值，A表示学员的归一化学习次数，B表示学员的归一化总学习时长，C表示学员的归一化登录次，α1+β1+γ1＝1，0≤α1,β1,γ1≤1，i＝1,2,…,n11。
处理单元502，还用于对n11个第一加权值从大到小排序，选取排名在前n12位的第一加权值对应的学员生成活跃学员列表a；其中n12＜n11，n12为正整数。
在一种示例性的方案中，处理单元502，具体用于统计学员学习的课程生成课程的学习人次；并对课程的学习人数从大到小进行排序，并确定排名在前n21位的课程。
处理单元502，还用于若学习排名在前n21位的课程的学员对应的获取单元501获取的学员学习课程的时长大于第一预设阈值，则确定学员完成课程的学习，并统计课程的学员完成数量。
处理单元502，还用于统计学习排名在前n21位的课程的学员对应的获取单元501获取的学员学习课程的时长生成课程的总学习时长。
处理单元502，还用于对排名在前n21位的课程对应的课程的学习人数、课程的学员完成数量以及课程的总学习时长分别进行归一化处理，生成课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长。
处理单元502，还用于对课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长根据如下公式进行加权求和，生成n21个第二加权值：
f2j＝α2Ej+β2Fj+γ2Gj；
其中，f2表示第二加权值，E表示课程的归一化学习人数、F表示课程的归一化完成数量、G表示课程的归一化总学习时长，α2+β2+γ2＝1，0≤α2,β2,γ2≤1，j＝1,2,…,n21。
处理单元502，还用于对n21个第二加权值从大到小排序，选取排名在前n22位的第二加权值对应的课程生成最受欢迎列表；其中n22＜n21，n22为正整数。
在一种示例性的方案中，处理单元502，具体用于将获取单元501获取的学员的单次学习时长超过第二预设阈值的学员以及学员的单日学习时长超过第三预设阈值的学员存入集合x。
处理单元502，还用于根据获取单元501获取的学员的登录次数确定从未登录的学员名单，并根据特殊学员名单去除从未登录的学员名单中的特殊学员后，存入集合y。
处理单元502，还用于统计获取单元501获取的学员必修课的已学习时长生成学员所有必修课的已学习总时长。
处理单元502，还用于统计获取单元501获取的学员必修课的规定学习时长生成学员所有必修课的规定总时长。
处理单元502，还用于根据公式λ1p＝学员所有必修课的已学习总时长/学员所有必修课的规定总时长，计算学员必修课的完成率λ1p，其中p＝1,2,…,q，q表示学员总数。
处理单元502，还用于将获取单元501获取的学员必修课的已学习时长以及学员必修课的规定学习时长对比，统计学员完成必修课的数量，并根据学员的必修课统计学员必修课的数量。
处理单元502，还用于根据公式λ2p＝学员完成必修课的数量/学员必修课的数量，计算学员必修课数量的完成率λ2p。
处理单元502，还用于根据如下公式计算学员必修课的完成率λp：
λp＝α3λ1p+β3λ2p；
其中，α3+β3＝1，0≤α3,β3≤1。
处理单元502，还用于将λp低于第四预设阈值的学员存入集合z。
处理单元502，还用于将集合x、集合y以及集合z合并生成异常学员列表。
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6示出了上述实施例中所涉及的学习行为分析装置50的一种可能的结构示意图。学习行为分析装置50包括：处理模块601、通信模块602和存储模块603。处理模块601用于对学习行为分析装置50的动作进行控制管理，例如，处理模块601用于支持学习行为分析装置50执行图1中的过程102～106。通信模块602用于支持学习行为分析装置50与其他实体的通信。存储模块603用于存储学习行为分析装置50的程序代码和数据。
其中，处理模块601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。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602可以是收发器、收发电路或通信接口等。存储模块603可以是存储器。
当处理模块601为如图7所示的处理器，通信模块602为图7的收发器，存储模块603为图7的存储器时，本申请实施例所涉及的学习行为分析装置50可以为如下的学习行为分析装置50。
参照图7所示，该学习行为分析装置50包括：处理器701、收发器702、存储器703和总线704。
其中，处理器701、收发器702、存储器703通过总线704相互连接；总线704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。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701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703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703用于存储执行本申请方案的应用程序代码，并由处理器701来控制执行。收发器702用于接收外部设备输入的内容，处理器701用于执行存储器703中存储的应用程序代码，从而实现本申请实施例中的通信方法。
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，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。
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的流程或功能。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。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，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(DigitalSubscriber 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。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。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，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，方法包括：
获取预定时间段内基础信息数据，所述基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单；
将所述学员的学习次数、所述学员的总学习时长以及所述学员的登录次数根据第一预设方式生成活跃学员列表a；
将所述学员学习的课程以及所述学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；
将所述学员的登陆次数、所述学员的单次学习时长、所述学员的单日学习时长、所述学员的必修课、所述学员必修课的已学习时长、所述学员必修课的规定学习时长、所述特殊学员名单根据第三预设方式生成异常学员列表；
对所述活跃学员列表a中与所述异常学员列表中相同的学员进行标记，并生成活跃学员列表b；
将所述活跃学员列表b、所述最受欢迎课程列表以及所述异常学员列表展示在企业网上学习平台。
2.根据权利要求1的学习行为分析方法，其特征在于，所述将所述学员的学习次数、所述学员的总学习时长以及所述学员的登录次数根据第一预设方式生成活跃学员列表a，具体包括：
对所述学员的学习次数从大到小进行排序，并确定排名在前n11位的学员；
对每个排名在前n11位的学员对应的所述学员的学习次数、所述学员的总学习时长以及所述学员的登录次数分别进行归一化处理，生成n11个学员的归一化学习次数、n11个学员的归一化总学习时长以及n11个学员的归一化登录次数；其中，n11为正整数；
对所述学员的归一化学习次数、所述学员的归一化总学习时长以及所述学员的归一化登录次数根据如下公式进行加权求和，生成n11个第一加权值：
f1i＝α1Ai+β1Bi+γ1Ci；
其中，f1表示所述第一加权值，A表示所述学员的归一化学习次数，B表示所述学员的归一化总学习时长，C表示所述学员的归一化登录次，α1+β1+γ1＝1，0≤α1,β1,γ1≤1，i＝1,2,…,n11；
对所述n11个第一加权值从大到小排序，选取排名在前n12位的所述第一加权值对应的学员生成所述活跃学员列表a；其中n12＜n11，n12为正整数。
3.根据权利要求1的学习行为分析方法，其特征在于，所述将所述学员学习的课程以及所述学员学习课程的时长根据第二预设方式生成最受欢迎课程列表，具体包括：
统计所述学员学习的课程生成课程的学习人数；并对所述课程的学习人次从大到小进行排序，并确定排名在前n21位的课程；
若学习排名在前n21位的课程的学员对应的学员学习课程的时长大于第一预设阈值，则确定学员完成课程的学习，并统计课程的学员完成数量；
统计所述学习排名在前n21位的课程的学员对应的所述学员学习课程的时长生成课程的总学习时长；
对排名在前n21位的课程对应的所述课程的学习人数、所述课程的学员完成数量以及所述课程的总学习时长分别进行归一化处理，生成课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长；
对所述课程的归一化学习人数、所述课程的归一化完成数量以及所述课程的归一化总学习时长根据如下公式进行加权求和，生成n21个第二加权值：
f2j＝α2Ej+β2Fj+γ2Gj；
其中，f2表示所述第二加权值，E表示所述课程的归一化学习人数、F表示所述课程的归一化完成数量、G表示所述课程的归一化总学习时长，α2+β2+γ2＝1，0≤α2,β2,γ2≤1，j＝1,2,…,n21；
对所述n21个第二加权值从大到小排序，选取排名在前n22位的所述第二加权值对应的课程生成所述最受欢迎列表；其中n22＜n21，n22为正整数。
4.根据权利要求1的学习行为分析方法，其特征在于，所述将所述学员的登陆次数、所述学员的单次学习时长、所述学员的单日学习时长、所述学员的必修课、所述学员必修课的已学习时长、所述学员必修课的规定学习时长、所述特殊学员名单根据第三预设方式生成异常学员列表，具体包括：
将所述学员的单次学习时长超过第二预设阈值的学员以及所述学员的单日学习时长超过第三预设阈值的学员存入集合x；
根据所述学员的登录次数确定从未登录的学员名单，并根据所述特殊学员名单去除从所述未登录的学员名单中的特殊学员后，存入集合y；
统计所述学员必修课的已学习时长生成学员所有必修课的已学习总时长；
统计所述学员必修课的规定学习时长生成学员所有必修课的规定总时长；
根据公式λ1p＝学员所有必修课的已学习总时长/学员所有必修课的规定总时长，计算学员必修课的完成率λ1p，其中p＝1,2,…,q，q表示学员总数；
将所述学员必修课的已学习时长以及所述学员必修课的规定学习时长对比，统计学员完成必修课的数量，并根据所述学员的必修课统计学员必修课的数量；
根据公式λ2p＝学员完成必修课的数量/学员必修课的数量，计算学员必修课数量的完成率λ2p；
根据如下公式计算学员必修课的完成率λp：
λp＝α3λ1p+β3λ2p；
其中，α3+β3＝1，0≤α3,β3≤1；
将所述λp低于第四预设阈值的学员存入集合z；
将所述集合x、所述集合y以及所述集合z合并生成所述异常学员列表。
5.一种学习行为分析装置，其特征在于，包括：
获取单元，用于获取预定时间段内基础信息数据，所述基础信息数据包括：学员的学习次数、学员的总学习时长、学员的登录次数、学员学习的课程、学员学习课程的时长、学员的单次学习时长、学员的单日学习时长、学员的必修课、学员必修课的已学习时长、学员必修课的规定学习时长、特殊学员名单；
所述处理单元，用于将所述获取单元获取的所述学员的学习次数、所述学员的总学习时长以及所述学员的登录次数根据第一预设方式生成活跃学员列表a；
所述处理单元，用于将所述获取单元获取的所述学员学习的课程以及所述学员学习课程的时长根据第二预设方式生成最受欢迎课程列表；
所述处理单元，用于将所述获取单元获取的所述学员的登陆次数、所述学员的单次学习时长、所述学员的单日学习时长、所述学员的必修课、所述学员必修课的已学习时长、所述学员必修课的规定学习时长、所述特殊学员名单根据第三预设方式生成异常学员列表；
所述处理单元，还用于对所述活跃学员列表a中与所述异常学员列表中相同的学员进行标记，并生成活跃学员列表b；
所述处理单元，还用于将所述活跃学员列表b、所述最受欢迎课程列表以及所述异常学员列表展示在企业网上学习平台。
6.根据权利要求5的学习行为分析装置，其特征在于，包括：
所述处理单元，具体用于对所述获取单元获取的所述学员的学习次数从大到小进行排序，并确定排名在前n11位的学员；
所述处理单元，还用于对每个排名在前n11位的学员对应的所述学员的学习次数、所述学员的总学习时长以及所述学员的登录次数分别进行归一化处理，生成n11个学员的归一化学习次数、n11个学员的归一化总学习时长以及n11个学员的归一化登录次数；其中，n11为正整数；
所述处理单元，还用于对所述学员的归一化学习次数、所述学员的归一化总学习时长以及所述学员的归一化登录次数根据如下公式进行加权求和，生成n11个第一加权值：
f1i＝α1Ai+β1Bi+γ1Ci；
其中，f1表示所述第一加权值，A表示所述学员的归一化学习次数，B表示所述学员的归一化总学习时长，C表示所述学员的归一化登录次，α1+β1+γ1＝1，0≤α1,β1,γ1≤1，i＝1,2,…,n11；
所述处理单元，还用于对所述n11个第一加权值从大到小排序，选取排名在前n12位的所述第一加权值对应的学员生成所述活跃学员列表a；其中n12＜n11，n12为正整数。
7.根据权利要求5的学习行为分析装置，其特征在于，包括：
所述处理单元，具体用于统计所述获取单元获取的所述学员学习的课程生成课程的学习人数；并对所述课程的学习人次从大到小进行排序，并确定排名在前n21位的课程；
所述处理单元，还用于若学习排名在前n21位的课程的学员对应的所述获取单元获取的学员学习课程的时长大于第一预设阈值，则确定学员完成课程的学习，并统计课程的学员完成数量；
所述处理单元，还用于统计所述学习排名在前n21位的课程的学员对应的所述获取单元获取的所述学员学习课程的时长生成课程的总学习时长；
所述处理单元，还用于对排名在前n21位的课程对应的所述课程的学习人数、所述课程的学员完成数量以及所述课程的总学习时长分别进行归一化处理，生成课程的归一化学习人数、课程的归一化完成数量以及课程的归一化总学习时长；
所述处理单元，还用于对所述课程的归一化学习人数、所述课程的归一化完成数量以及所述课程的归一化总学习时长根据如下公式进行加权求和，生成n21个第二加权值：
f2j＝α2Ej+β2Fj+γ2Gj；
其中，f2表示所述第二加权值，E表示所述课程的归一化学习人数、F表示所述课程的归一化完成数量、G表示所述课程的归一化总学习时长，α2+β2+γ2＝1，0≤α2,β2,γ2≤1，j＝1,2,…,n21；
所述处理单元，还用于对所述n21个第二加权值从大到小排序，选取排名在前n22位的所述第二加权值对应的课程生成所述最受欢迎列表；其中n22＜n21，n22为正整数。
8.根据权利要求5的学习行为分析装置，其特征在于，包括：
所述处理单元，具体用于将所述获取单元获取的所述学员的单次学习时长超过第二预设阈值的学员以及所述学员的单日学习时长超过第三预设阈值的学员存入集合x；
所述处理单元，还用于根据所述获取单元获取的所述学员的登录次数确定从未登录的学员名单，并根据所述特殊学员名单去除从所述未登录的学员名单中的特殊学员后，存入集合y；
所述处理单元，还用于统计所述获取单元获取的所述学员必修课的已学习时长生成学员所有必修课的已学习总时长；
所述处理单元，还用于统计所述获取单元获取的所述学员必修课的规定学习时长生成学员所有必修课的规定总时长；
所述处理单元，还用于根据公式λ1p＝学员所有必修课的已学习总时长/学员所有必修课的规定总时长，计算学员必修课的完成率λ1p，其中p＝1,2,…,q，q表示学员总数；
所述处理单元，还用于将所述获取单元获取的所述学员必修课的已学习时长以及所述学员必修课的规定学习时长对比，统计学员完成必修课的数量，并根据所述学员的必修课统计学员必修课的数量；
所述处理单元，还用于根据公式λ2p＝学员完成必修课的数量/学员必修课的数量，计算学员必修课数量的完成率λ2p；
所述处理单元，还用于根据如下公式计算学员必修课的完成率λp：
λp＝α3λ1p+β3λ2p；
其中，α3+β3＝1，0≤α3,β3≤1；
所述处理单元，还用于将所述λp低于第四预设阈值的学员存入集合z；
所述处理单元，还用于将所述集合x、所述集合y以及所述集合z合并生成所述异常学员列表。
9.一种学习行为分析装置，其特征在于，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，使得学习行为分析装置执行如权利要求1-4任一项的学习行为分析方法。
10.一种计算机存储介质，其特征在于，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权利要求9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权利要求1-4任一项的学习行为分析方法。
11.一种计算机程序产品，其特征在于，计算机程序产品储存有计算机软件指令，当计算机软件指令在如权利要求9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权利要求1-4任一项的学习行为分析方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811520969.6A CN109785197A (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 |
|---|---|---|---|
| CN201811520969.6A CN109785197A (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 |
|---|---|
| CN109785197A true CN109785197A (zh) | 2019-05-21 |
Family
ID=66496217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811520969.6A Pending CN109785197A (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) | CN109785197A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852925A (zh) * | 2019-11-20 | 2020-02-28 | 中国联合网络通信集团有限公司 | 异常学习检测方法、装置、设备和存储介质 |
| CN110942238A (zh) * | 2019-11-21 | 2020-03-31 | 中国联合网络通信集团有限公司 | 课程推荐设备及方法 |
| CN112734293A (zh) * | 2021-01-26 | 2021-04-30 | 北京博海迪信息科技有限公司 | 一种学员能力分析系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
| CN108122180A (zh) * | 2017-12-06 | 2018-06-05 | 华南师范大学 | 一种基于在线学习行为的自主学习投入度实时生成方法 |
| US20180342171A1 (en) * | 2017-05-25 | 2018-11-29 | International Business Machines Corporation | Managing lifelong learner events on a blockchain |
-
2018
- 2018-12-12 CN CN201811520969.6A patent/CN109785197A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
| US20180342171A1 (en) * | 2017-05-25 | 2018-11-29 | International Business Machines Corporation | Managing lifelong learner events on a blockchain |
| CN108122180A (zh) * | 2017-12-06 | 2018-06-05 | 华南师范大学 | 一种基于在线学习行为的自主学习投入度实时生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| 元帅: "在线学习行为分析评价及其应用研究", 《中国优秀硕士学位论文全文数据库》 * |
| 谷欣 等: "面向MOOC课堂反馈的学习行为分析研究", 《华中师范大学学报（自然科学版）》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110852925A (zh) * | 2019-11-20 | 2020-02-28 | 中国联合网络通信集团有限公司 | 异常学习检测方法、装置、设备和存储介质 |
| CN110942238A (zh) * | 2019-11-21 | 2020-03-31 | 中国联合网络通信集团有限公司 | 课程推荐设备及方法 |
| CN110942238B (zh) * | 2019-11-21 | 2022-05-31 | 中国联合网络通信集团有限公司 | 课程推荐设备及方法 |
| CN112734293A (zh) * | 2021-01-26 | 2021-04-30 | 北京博海迪信息科技有限公司 | 一种学员能力分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Data scientists in software teams: State of the art and challenges | |
| Sanoff | Methods of Architectural Programming (Routledge Revivals) | |
| CN109740048A (zh) | 一种课程推荐方法及装置 | |
| Appio et al. | Unveiling the intellectual origins of social media-based innovation: insights from a bibliometric approach | |
| Hilbert et al. | Computational communication science: A methodological catalyzer for a maturing discipline | |
| Ahn | Human computation | |
| CN109740861A (zh) | 一种学习数据分析方法及装置 | |
| Yang et al. | Measuring and improving user experience through artificial intelligence-aided design | |
| CN109785197A (zh) | 一种学习行为分析方法及装置 | |
| Frischmann et al. | Governing Knowledge Commons--Introduction & Chapter 1 | |
| Tlili et al. | Metric-based approach for selecting the game genre to model personality | |
| Bharadwaj | Strategic decision making in an information-rich environment: a synthesis and an organizing framework for innovation research | |
| CN109741219A (zh) | 一种学习行为分析方法及装置 | |
| Alnemer | Determinants of entrepreneurial intention among students of management stream in the Kingdom of Saudi Arabia | |
| He et al. | Studying user browsing behavior through gamified search tasks | |
| Qiao et al. | Discovering student behavior patterns from event logs: Preliminary results on a novel probabilistic latent variable model | |
| Escandón-Quintanilla et al. | Improving concept development with data exploration in the context of an innovation and technological design course | |
| Gomes Jr | In-class social networks and academic performance: how good connections can improve grades | |
| CN109739896B (zh) | 一种网上学习平台的数据分析方法及装置 | |
| Stirrup et al. | Advanced Analytics with R and Tableau | |
| Wang et al. | Analyzing cross-college course enrollments via contextual graph mining | |
| Handzic | Evaluating KMS effectiveness for decision support: Preliminary results | |
| Sahami | A course on probability theory for computer scientists | |
| Robinson García | Classifying and visualizing the disciplinary focus of universities: the invisible factor of university rankings | |
| Hollingshead et al. | Group research methods: An introduction |
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: 20190521 |
|
| RJ01 | Rejection of invention patent application after publication |