CN110570339B - 一种在线教育教学干预方法 - Google Patents

Abstract

本发明涉及人工智能技术领域，公开了一种在线教育教学干预方法，对在线教育的核心学习环节进行优化，解决在线教育中学习体验和学习效果不佳的问题。本发明首先通过一定时期的课程学习者数据积累，形成已有的课程学习数据F‑data；基于特征工程得到的有效特征构建和训练DNN成绩预测模型；再使用训练好的阶段成绩预测模型，对新加入课程的学习者成绩进行预测，预警潜在未能完成课程的学习者。通过匹配个性特征与学习行为与之最相近的已完成课程学习者，对比两者之间的学习行为差异，分析学习者在课程学习中存在的问题，并设计和实施适应性的个性化教学干预策略。本发明适用于在线教育。

Description

一种在线教育教学干预方法

技术领域

本发明涉及人工智能技术领域，特别涉及一种在线教育教学干预方法。

背景技术

在线教育的发展让优质的教育资源得到广泛传播，促进了教育的公平。但与此同时，在线教育的课程完成率低下，在慕课(Massive Open Online Course，MOOC)中这一情况尤其明显。其原因在于，在线教育时空隔离的学习模式，以及学习者群体数量庞大，导致对群体中占据极少部分的有效学习者定位困难，且无法为学习困难的学习者提供有效的个性化教学干预。

随着AI的发展，深度神经网络(Deep Neural Network，DNN)在各个领域有着广泛的应用，且模型表现突出，能够很好地拟合非线性复杂关系，对目标变量实现精准的预测。海量数据是DNN模型训练的基础，在线教育中庞大的学习者群体和学习行为数据为DNN的模型训练创造了有利条件。

当前大多AI在线教育产品的技术主要聚焦于以下四个环节：

(1)最外围学习环节：该环节主要聚焦于学习者的学习过程辅助，所使用的技术主要是专家系统(Expert System，ES)，通过自定义的规则对学习过程进行设计和管理。如教学进度管理，通过对比课程的进度建议和学习者实际学习进度，对学习者的学习过程进行干预。

(2)次外围学习环节：该环节主要聚焦于学习者学习效果的评估，所使用的的技术主要为相关评估方向的AI技术。如口语测评，通过语音识别和交互技术，对学习者的口语表现进行评分和反馈，进而对学习者实现教学干预，帮助学习者改善自己的口语水平，该评估方向使用到的主要是循环神经网络(Recurrent Neural Network，RNN)等技术。

(3)次核心学习环节：该环节主要聚焦于学习者知识接收和掌握的辅助，所使用的技术主要为学习内容的某个具体范围的AI技术，如拍照搜题，通过图像识别技术，帮助学习者快速得到题目的解题答案和讲解，从而让学习者最大程度地得到自身所需要的学习资源，实现学习者主观层面的个性化学习，该内容范围使用到的主要是卷积神经网络(Convolution Neural Network，CNN)等技术。

(4)核心学习环节：该环节聚焦于学习过程最关键的部分，即教、学、认知和思考，所使用的技术主要集中于教学过程的智能化。如推送学习内容、侦测能力缺陷、预测学习速度等，通过构建和训练AI算法模型，实现在线环境中的个性化教学，其中所用到的技术包括各类机器学习(Machine Learning，ML)算法，其中深度神经网络(Deep Neural Network，DNN)的应用较为广泛，基于其强大的复杂关系拟合能力，实现对学习者精准的定位和干预。

以学习者为中心的个性化教学理念是当前教育领域的核心观点，而AI在线教育产品的出发点都是为了促进学习的个性化，提升学习效果。从四个环节的技术特征来看，各类技术方案对学习过程中的每一个环节都有一定的辅助支持和推动作用，但它们大多只集中于教育中某一细分领域的个性化辅助，而没有形成一个通用型的在线教育个性化解决方案，即针对所有课程种类和学习者群体通用的个性化教学技术体系。

发明内容

本发明要解决的技术问题是：提供一种在线教育教学干预方法，对在线教育的核心学习环节进行优化，解决在线教育中学习体验和学习效果不佳的问题。

为解决上述问题，本发明采用的技术方案是：一种在线教育教学干预方法，包括如下步骤：

(1)通过一定时期的课程学习者数据积累，形成已有的课程学习数据F-data，其中，F-data包括学习者的个性特征、学习行为和最终成绩；在不同课程阶段，通过分析学习者的个性特征、学习行为与最终成绩的相关性，过滤存在多重共线性的特征，完成特征工程；

(2)基于特征工程得到的有效特征，在F-data各个学习阶段的数据中构建和训练DNN成绩预测模型M_i；

(3)对于新加入课程学习的学习者群体L，在每个学习阶段使用训练好的对应预测模型M_i预测学习者在各阶段的成绩，对预测成绩较低的学习者群体W进行预警；

(4)为每一个预警的学习者W_j匹配已完成课程学习者群体F-data中与之个性特征和学习行为偏差最低的学习者F_l，对比两者差异，分析该学习者在课程学习中存在的问题；

(5)对预警的学习者群体W在学习中存在的问题进行分类，分别设计并实施适应于学习者个体的个性化教学干预策略，从而形成个性化教学干预策略库[P-S]；

(6)重复步骤(3)到(5)，对干预后和新加入课程的学习者群体L′在相应的学习阶段进行同样的预测、匹配和干预过程，直到该学习者群体完成整个课程周期的学习。

进一步的，为了扩充预策略库[P-S]，本发明还可包括：(7)重复以上所有步骤(1)到(6)，在迭代的过程中，使用新增的学习者群体数据L_a训练和优化各阶段成绩预测模型M_i，并将新出现的学习者L_a在学习中存在的问题干预策略[P-S]_a加入个性化教学干预策略库[P-S]。

具体的，学习者的个性特征数据可包括性别、年龄、学历和爱好等。

具体的，学习者的学习行为数据可包括访问课程次数、有访问课程行为的天数以及已完成的章节数等。

具体的，步骤(1)中，分析学习者的个性特征、学习行为与最终成绩的相关性，过滤存在多重共线性的特征，完成特征工程，其具体步骤可包括：

使用Pearson积矩相关系数的计算方法，计算个性特征、学习行为和成绩之间的线性关系相关程度和相关方向；

给定一个相关度阈值，并根据相关度阈值选取待选特征变量；

使用方差膨胀因子，分析并过滤待选特征变量中存在多重共线性的特征变量，从具有较高相关性的自变量中选择有效的特征，完成特征工程。

具体的，步骤(4)为每一个预警的学习者W_j匹配已完成课程学习者群体F-data中与之个性特征和学习行为偏差最低的学习者F_l的方法可以为：

计算过往已完成课程的学习者数据中各项特征与学习行为和该学习者的差异，计算方法如下：

D_min＝min(D₁，D₂，......，D_n)

式中，学习者的个性特征和学习行为特征共有m个，c_i为预警的学习者某一项个性特征或学习行为统计，c′_i为已完成课程的学习者与之对应的某一项个性特征或学习行为统计，w_i为赋予该个性特征或学习行为统计的权重，通过计算各项权重下的个性特征和学习行为统计均方误差，在所有n个已完成课程的学习者中找到计算的D最小的学习者，其特征偏差为D_min，该学习者即为与预警学习者匹配最相近的已完成课程学习者。

本发明的有益效果是：本发明基于在线教育的环境基础和AI技术，设计出一整套迭代的技术方案流程，在整个在线教育的学习过程中可实现在线教育中对学习者精准实时的个性化教学干预，帮助学习者跨过瓶颈，目标精准，干预策略适应性良好。该方法贯穿整个课程周期，能够有效地提升在线教育的学习体验和学习效果。

附图说明

图1是基于DNN对学习者各阶段成绩的预测模型。

图2是迭代的阶段成绩预测与个性化教学干预过程。

具体实施方式

针对在线教育存在的上述问题，本发明提供的一种在线教育学习者精准定位和个性化教学干预方法，通过训练DNN预测模型，精准定位有效学习者中潜在未能完成课程的学习者，并通过匹配，分析其未能完成课程的原因，实施适应于其自身情况的教学干预策略，帮助学习者跨过学习瓶颈，最终顺利完成课程的学习。本发明的具体实施步骤如下：

(1)收集学习者的个性特征数据，如学习者的性别、年龄、学历、爱好等，并对分类变量转换为虚拟变量，即one-hot编码。

(2)在课程的不同阶段收集学习者的学习行为数据，并进行统计，如访问课程次数、有访问课程行为的天数、已完成的章节数等。

(3)在课程结束后，收集所有加入课程的学习者在课程不同阶段的测试成绩，包括所有已完成课程和未完成课程的学习者，并将不同阶段的测试成绩进行归一化处理，计算方法如下：

式中，x_i是数据中的各个变量，max(x)和min(x)分别是数据中该变量集合的最大值和最小值，通过式中的计算，即可将所有的变量统一转换到0到1之间，从而标准化不同变量的度量基准。

(4)进行数据预处理，包括数据整理和清洗，如数据表结构、数据类型、缺失值和异常值等处理，以及数据变量归一化处理等。

(5)使用可视化分析和Pearson积矩相关系数，分析课程各阶段学习者个性特征、学习行为统计和学习者成绩的相关性，Pearson积矩相关系数的计算方法如下：

式中，x_i和y_i分别是各个数据中相互对应的自变量和反应变量，即各个学习者样本的个性特征、学习行为和成绩，

和

是数据中各个自变量和反应变量的均值，通过式中的计算，即可得到数据中各个自变量和反应变量相对其均值的标准差距离乘积，从而度量两个变量之间的线性关系相关程度和相关方向。完成相关性探索分析后，选择|r|≥0.3的变量作为待选特征变量，或对|r|进行排序后，根据数据的具体特性选择|r|相对更高的变量作为待选特征变量。

(6)使用方差膨胀因子，分析并过滤待选特征变量中存在多重共线性的特征变量，从具有较高相关性的自变量中选择有效的特征，完成特征工程，方差膨胀因子的计算方法如下：

式中，

是以x_i为因变量时对其他自变量回归的复测定系数，通过式中的计算，即可得到在该自变量和因变量组合下，自变量内部之间的相关性对因变量回归的影响程度，通过在多次的计算中删除VIF大于10的自变量中VIF最小的自变量，直到所有的自变量VIF都小于10，最终所得的自变量集合即为成绩预测的有效特征。

(7)训练DNN模型，实现基于个性特征和不同课程阶段学习行为统计特征变量下对学习者各阶段成绩的精准预测。DNN模型通过前馈传播实现对输入的特征变量进行多层次的线性计算和非线性激活，并进行维度变换，前馈传播的线性计算方法如下：

x_i+1，j′＝b_ij+w_ijx_ij

式中，在DNN的每两个相邻的网络层之间，通过权重w_ij和偏置项b_ij对x_ij的线性计算，得到的x_i+1，j′即为对应的下一层神经元的输入。在每一层神经元中，对于上一层的输入，使用激活函数进行非线性激活，计算方法如下：

式中X为上一层的输入，此为sigmoid激活函数，可以对输入进行非线性激活变换，输出0到1区间内的值。此外，可以使用的非线性激活函数有很多，如tanh、ReLU等，可以根据数据的具体特性和模型表现进行选择。对前馈传播在DNN输出层输出的预测值计算与真实值的误差，即为loss函数，计算方法如下：

式中，y_j为预测值，

为真实值，通过式中计算即可得到预测成绩和真实成绩之间的均方误差。对loss通过链式法则计算其关于各层之间线性计算的权重w_ij和偏置项b_ij的偏导数，作为其下降的梯度，即权重步长，并更新权重和偏置项，从而实现梯度下降，该过程的计算方法如下：

Δw_i＝Δw_i+8x_i

w_i＝w_i+ηΔw_i/m

式中，通过

的链式法则计算出loss关于各个线性计算中权重的偏导数，作为下降的梯度δ，进而计算出权重步长Δw_i，对权重w_i进行更新。式中η是学习率，m是该神经元输入的矩阵第一维长度。对梯度下降的优化函数，可以选择Adam优化，计算公式如下：

m_t＝β₁·m_t-1+(1-β₁)·g_t

式中，β₁和β₂是优化算法里的两个超参数，分别用于控制一阶动量和二阶动量，从而保证梯度下降稳定地进行。此外，这里也可以选择很多其他的优化函数，如SGD、AdaGrad、AdaDelta和RMsProp等，可以根据数据的具体特性和模型表现进行选择。通过不断的迭代训练，在loss下降到最低并收敛过后，模型达到表现最佳的状态，实现对学习者各阶段成绩的精准预测。

图1是基于DNN对学习者各阶段成绩的预测模型。在输入层输入学习者个性特征和学习行为统计数据，在多层次的线性计算和非线性激活后，在输出层输出学习者当前阶段的预测成绩。在积累海量学习者数据的基础上训练该模型，精准拟合学习者个性特征、学习行为和各阶段成绩的相关性，从而对新加入课程的学习者基于其个性特征和学习行为对各阶段成绩实现精准的预测。

(8)对后续加入课程的学习者，在不同课程阶段基于相对应已训练好的DNN成绩预测模型，对预测成绩过低的学习者进行预警。

(9)针对预警的学习者，计算过往已完成课程的学习者数据中各项特征与学习行为和该学习者的差异，计算方法如下：

D_min＝min(D₁，D₂，......，D_n)

式中，学习者的个性特征和学习行为特征共有m个，c_i为预警的学习者某一项个性特征或学习行为统计，c′_i为已完成课程的学习者与之对应的某一项个性特征或学习行为统计，w_i为赋予该个性特征或学习行为统计的权重，通过计算各项权重下的个性特征和学习行为统计均方误差，在所有n个已完成课程的学习者中找到计算的D最小的学习者，其特征偏差为D_min，该学习者即为与预警学习者匹配最相近的已完成课程学习者。

(10)通过比较预警学习者和与之匹配的已完成课程学习者各项学习行为统计数据的差异，分析该学习者在哪方面出现了学习瓶颈或学习方法的问题，从而对各类差异下的学习问题进行分类，针对不同的问题类别设计适应性的教学干预策略。

(11)对所有预警的学习者使用该方法实施其学习问题对应的干预策略，从而形成个性化教学干预策略库，在各个学习者学习到课程的相应阶段时，在课程的对应阶段使用已训练好的DNN预测模型再次进行成绩预测，并重复以上的匹配、分析和干预过程，在新一轮的措施中推进学习者对课程的学习，直到该学习者群体完成整个课程周期的学习。

图2是迭代的阶段成绩预测与个性化教学干预过程。使用训练好的阶段成绩预测模型，对新加入课程的学习者成绩进行预测，预警潜在未能完成课程的学习者。通过匹配个性特征与学习行为与之最相近的已完成课程学习者，对比两者之间的学习行为差异，分析学习者在课程学习中存在的问题，并设计和实施适应性的个性化教学干预策略。学习者在经过干预后继续学习课程，在每一个学习阶段会对学习者进行新一轮的成绩预测、匹配和教学干预。在这个迭代的过程中，新增的学习者数据将用于新一轮的预测模型训练，从而更新预测模型，使其预测更加精准，而对于分析的各类学习者在课程学习中存在的问题，对其进行分类，分别设计适应性的个性化教学干预策略，并在迭代和验证中不断更新和优化个性化教学干预策略库，使其干预策略对学习者有更好的覆盖率和适应性。

(12)后续如果新增了学习者群体，可使用新增的学习者群体数据训练和优化各阶段成绩预测模型，并将新出现的学习者在学习中存在的问题干预策略加入个性化教学干预策略库。

以上迭代过程贯穿整个课程的各个阶段，在整个课程周期对海量学习者进行精准的定位和个性化教学干预，最大程度地在整个课程周期中，精准实时地帮助学习困难的学习者获得最适应于自身当前学习情况的干预策略，最终顺利完成课程。

Claims (5)

1.一种在线教育教学干预方法，其特征在于，包括如下步骤：

(1)通过一定时期的课程学习者数据积累，形成已有的课程学习数据F-data，其中，F-data包括学习者的个性特征、学习行为和最终成绩；在不同课程阶段，通过分析学习者的个性特征、学习行为与最终成绩的相关性，过滤存在多重共线性的特征，完成特征工程；

(2)基于特征工程得到的有效特征，在F-data各个学习阶段的数据中构建和训练DNN成绩预测模型；

(3)对于新加入课程学习的学习者群体，在每个学习阶段使用训练好的对应预测模型预测学习者在各阶段的成绩，对预测成绩较低的学习者群体进行预警；

(4)为每一个预警的学习者匹配已完成课程学习者群体F-data中与之个性特征和学习行为偏差最低的学习者，对比两者差异，分析该学习者在课程学习中存在的问题；

(5)对预警的学习者群体在学习中存在的问题进行分类，分别设计并实施适应于学习者个体的个性化教学干预策略，从而形成个性化教学干预策略库；

(6)重复步骤(3)到(5),对干预后和新加入课程的学习者群体在相应的学习阶段进行同样的预测、匹配和干预过程，直到该学习者群体完成整个课程周期的学习；

步骤(4)为每一个预警的学习者匹配已完成课程学习者群体F-data中与之个性特征和学习行为偏差最低的学习者的方法为：

计算过往已完成课程的学习者数据中各项特征与学习行为和该学习者的差异，计算方法如下：

D_min＝min(D₁，D₂，......，D_n)

式中，学习者的个性特征和学习行为特征共有m个，c_i为预警的学习者某一项个性特征或学习行为统计，c′_i为已完成课程的学习者与之对应的某一项个性特征或学习行为统计，w_i为赋予该个性特征或学习行为统计的权重，通过计算各项权重下的个性特征和学习行为统计均方误差，在所有n个已完成课程的学习者中找到计算的D最小的学习者，其特征偏差为D_mih，该学习者即为与预警学习者匹配最相近的已完成课程学习者。

2.如权利要求1所述一种在线教育教学干预方法，其特征在于，还包括步骤：

(7)重复以上步骤(1)到(6)，在迭代的过程中，使用新增的学习者群体数据训练和优化各阶段成绩预测模型，并将新出现的学习者在学习中存在的问题干预策略加入个性化教学干预策略库。

3.如权利要求1所述一种在线教育教学干预方法，其特征在于，学习者的个性特征数据包括性别、年龄、学历和爱好。

4.如权利要求1所述一种在线教育教学干预方法，其特征在于，学习者的学习行为数据包括访问课程次数、有访问课程行为的天数以及已完成的章节数。

5.如权利要求1所述一种在线教育教学干预方法，其特征在于，步骤(1)中，分析学习者的个性特征、学习行为与最终成绩的相关性，过滤存在多重共线性的特征，完成特征工程，其具体步骤包括：

使用Pearson积矩相关系数的计算方法，计算个性特征、学习行为和成绩之间的线性关系相关程度和相关方向；

给定一个相关度阈值，并根据相关度阈值选取待选特征变量；

使用方差膨胀因子，分析并过滤待选特征变量中存在多重共线性的特征变量，从具有较高相关性的自变量中选择有效的特征，完成特征工程。

Images