CN110782375A - 基于数据的在线学习全过程动态分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于数据的在线学习全过程动态分析方法及系统，方法包括：S1、通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数；S2、对在线学习基础数据属性描述及分类并进行定义；S3、根据学习者的在线学习行为数据，自动计算5个维度的在线学习相关参数；S4、依据每项参数不同的情况采用相应的图形将其可视化呈现出来；S5、利用专家指标权重法，对五个维度的重要性进行打分，形成各维度权重系数，最终计算得出学习者在线学习行为综合参数P；S6、所有在线学习全过程数据自动上传，并存储在云端数据库中。通过本发明可以实时可视化每一位学习者的在线学习情况，让在线学习者了解自己的学习动态，自动化的调整学习进度，从而提高在线学习效果和质量。

Description

基于数据的在线学习全过程动态分析方法及系统

技术领域

本发明教育技术学中在线学习数据分析技术领域，具体涉及一种基于数据的在线学习全过程动态分析方法及系统。

背景技术

不同于传统教育数据的单一化及抽样性，大数据背景下的在线学习平台记录了学习者从登录平台至离开的行为、经历和表现的全过程数据。除此之外，数据分析方法和技术的多样化为在线学习行为分析提供了重要支撑。由教学需求、数据收集到分析技术方法，在线学习行为和过程的分析方法越来越具体和深入。

随着在线学习平台的广泛应用，学习管理系统、学习信息系统、网络课程平台、适应性智能教育系统等在线教育平台中己存储了大量学习者不同格式、不同粒度的数据。学习者的在线学据涵盖了学习者个人信息、学习情境、学习行为、学习时长、练习过程、学习结果等多方面数据，对这些数据进行分析可以为学习者、教育管理者和教师、技术开发人员等提供有价值的信息。对于学习者，可以清楚了解目前的学习进度，开展自我导向学习、提供学习危机预警和自我评估；对教育管理者和教师，可以获取学习者学习参与度、关注的学习内容、学业水平和学习资源利用情况等，从而挖掘学习者的学习风格、认知偏好和学习表现，更全面了解学习发展过程和特点，预测学业发展趋势，并及时对其学习进行干预，为学习者提供个性化、科学的学习支持服务，为教学决策和优化提供支持。对于技术开发人员，可以发现教育平台各模块使用情况及接受度进而优化系统等。在线教育平台中的数据分析带来的价值远不止于此，而数据是分析的关键前提，唯有完整而全面的数据才能从多角度和多层次挖掘出其隐藏的价值。因此，研制一种基于数据的在线学习全过程动态分析方法十分必要。

现有技术中也存在在线学习行为分析的技术，在线学习行为数据也很丰富，但需要进行全面的归类和清洗，然而仅互动行为分析并不能全面反映学习者的在线学习全过程；另一方面，在线学习过程产生的行为和操作数据很丰富，仅从生理层面数据入手也带有一定的片面性；另外，目前的在线学习分析强调结果的动态可视化呈现，已有研究忽略了动态呈现的重要性。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于数据的在线学习全过程动态分析方法及系统，全面的对在线学习过程进行动态的分析，实时可视化每一位学习者的在线学习情况，让在线学习者了解自己的学习动态，自动化的调整学习进度，从而提高在线学习效果和质量。

为了达到上述目的，本发明采用以下技术方案：

本发明公开了一种基于数据的在线学习全过程动态分析方法，包括下述步骤：

S1、通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数：在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d以及在线学习完成度C_d；

S2、对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数，进行描述后的在线学习行为数据用于在线学习全过程动态分析；

S3、在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度 A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

所述在线学习内容契合度F_d为在线学习者实际选学的内容与在线平台依据前测结果给出的实际需要选学的课程的吻合程度；

所述在线学习参与度P_d为学习者在线学习过程中的参与情况；

所述在线学习活跃度A_d为学习者参与学习过程中发生交互行为的情况；

所述在线学习投入度I_d为学习者在线学习过程中的投入程度；

所述在线学习完成度C_d为在线学习过程中观看视频资源、文本资源以及学习作业的完成情况；

S4、经过数据计算，依据每项参数不同的情况采用相应的图形将其可视化呈现出来，自动生成在线学习全过程动态分析报告，从五个维度综合判断学习者在线学习效果，完成对在线学习全过程的动态分析；

S5、利用专家指标权重法，对五个维度的重要性打分，形成五个维度的权重系数，最终计算得出学习者在线学习行为综合参数P，公式为：

P＝{αF_d，βP_d，χA_d，δI_d，εC_d}

S6、所有在线学习全过程数据自动上传，并存储在云端数据库中，通过PC 端可获得个人数据及分析报告。

作为优选的技术方案，步骤S1中，获取学习者的在线学习基础数据包括下述步骤：

采集Web服务器和客户端形成的学习行为数据、将获得的数据上传至数据库、数据清洗并进行分层处理；

在线学习者学习后，在线学习平台保留了在线学习行为痕迹，采集Web服务器和客户端形成的原始学习行为数据，并对原始学习行为数据进行去重、去噪、转换及缺失处理的数据预处理工作；

最后将处理后的数据上传至数据库。

作为优选的技术方案，步骤S1中，所述在线学习基础数据包括：所选学知识模块数、实际学习知识模块数、登录次数、每次有效登录时长、参与研讨次数、观看课程视频次数、作业互评次数、浏览文本次数、上传资源次数、下载资源次数、记笔记次数、提问次数、回帖次数、删帖次数、收藏次数、点赞和踩的次数和观看视频时长。

作为优选的技术方案，步骤S3中，所述在线学习内容契合度F_d的计算公式如下：

其中，N_S为学习者应选学的知识模块数，N_i为学习者在学习过程中实际学习的知识模块数。

作为优选的技术方案，步骤S3中，所述在线学习参与度P_d的计算公式如下：

P_d＝{αP_ts，βP_fre}

其中P_ts为在线学习总时长，P_fre为在线学习频率；

所述在线学习总时长P_ts的计算公式如下：

其中，t_(logs)表示有效在线学习时长；t′_(logs)表示会话开始时间、t”_(logs)表示会话结束时间，Ψ为时间阈值(Ψ＝5min)；

所述在线学习频率P_fre的计算公式如下：

其中，M表示学习天数，T_a为学习者平均每天的有效参与次数，t′_(logs)表示会话开始时间、t”_(logs)表示会话结束时间，Ψ为时间阈值。

作为优选的技术方案，步骤S3中，所述在线学习活跃度A_d包括基于研讨的活跃度A_bbs和基于作业互评的活跃度A_hwk，即在线学习活跃度：A_d＝{χA_bbs，δA_hwk}；

设S_i表示第i个学生，a_ij表示师生研讨互动矩阵中的第i行第j列数据频数，

表示第i个学生评论其他学生观点的次数，

表示第i个学生观点被其他学生评论、点赞或踩等次数，计算公式如下：

基于研讨的活跃度A_bbs：A_bbs＝{αD_bot，βD_bin}；

S_i表示第i个学生，b_ij表示作业互评矩阵中的第i行第j列数据频数,

表示第i个学生评价其他学生作业的次数，

表示第i个学生的作业被学生评价的次数，则计算公式如下：

基于作业互评的活跃度A_hwk：

作为优选的技术方案，步骤S3中，在线学习投入度I_d下含的基础数据包括：视频学习投入度I_self和知识点学习投入度I_kno，即在线学习投入度： I_d＝{μI_self，νI_kno}；

所述视频学习投入度I_self的计算公式如下：

其中，T_sta为每个视频的标准时长，T_wat为每个视频观看时长，t′_wat为开始观看时的视频时间t′_wat,t”_wat为结束观看时的视频时间,Ψ为时间阈值；

所述知识点学习投入度I_kno的计算公式如下：

I_kno＝{εI_con，φI_exp}

其中，I_con为并发行为投入度，包括学习过程中提问次数I_conq和记笔记次数 I_cont；I_con的计算公式为：

I_exp为拓展资源学习投入度，包括学生实际学习拓展资源的数量为I_expn，学生学习第M天内应该学习的拓展资源总数为M_expa，I_exp的计算公式为：

作为优选的技术方案，步骤S3中，所述在线学习完成度C_d包括：视频频资源完成度C_dvi、文本资源完成度C_dte和作业完成度C_hom，即C_d＝{ηC_dvi，ιC_dte，κC_hom}；

所述视频频资源完成度C_dvi的计算公式如下：

其中，T_sta为每个视频的标准时长，T_wat为每个视频观看时长，t′_wat为开始观看时的视频时间,t”_wat为结束观看时的视频时间,Ψ为时间阈值。

所述文本资源完成度C_dte的计算公式为：

即：

其中，定义word、ppt、txt、pdf资源的完成度为C_dtew、C_dtep、C_dtet、C_dtef，每天的word、ppt、txt、pdf资源总数为M_word、M_ppt、M_txt、M_pdf，每天学习word、 ppt、txt、pdf的资源个数为L_wo_rd、L_ppt、L_txt、L_pdf,定义

表示求和；

所述作业完成度C_hom的计算公式为：

C_hom＝M_homc/M_hom

其中，M_homc为学生完成作业的个数，M_hom为要求完成的作业总个数。

作为优选的技术方案，步骤S5中，利用层次分析法确定权重，具体方法为：

构造判断矩阵，以O表示目标,u_i、u_j表示因素，i,j＝1,2,…,n，u_ij表示u_i对u_j的相对重要性数值，并由u_ij组成O-U判断矩阵A；

计算重要性排序，根据判断矩阵,求出其最大特征根λ_max所对应的特征向量 w；

对判断矩阵进行一致性检验，验证权重分配是否合理。

本发明还提供了一种基于数据的在线学习全过程动态分析系统，包括：

在线学习基础数据获取模块，用于通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数；

属性描述及分类模块，用于对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

计算模块，用于在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

可视化模块，用于依据每项参数不同的情况采用相应的图形将其可视化呈现出来，自动生成在线学习全过程动态分析报告；

权重模块，用于利用专家指标权重法，对五个维度的重要性打分，形成各维度权重系数，最终计算得出学习者在线学习行为综合参数P；

数据上传模块，用于将所有在线学习全过程数据自动上传，并存储在云端数据库中。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明利用在线学习全过程的数据采集来判断在线学习的真实情况，数据来源是多维度多参数的，主要使用的技术是对在线学习过程数据的全收集，从学习者第一次登入平台到最后一次登入平台的全过程数据收集。

2、本发明在线学习过程数据分析是动态生成的，学习者每有一种在线学习行为，后台数据报告则会自动更新，保证了在线学习过程数据分析的时效性。

3、本发明对获取的在线学习全过程数据进行清洗和归类，确保行为数据具有针对性和可利用性，并分维度对学习者的学习行为进行系统分析，保证全面反映学习者的在线学习状态。

4、本发明通过实时动态分析学习者的在线学习行为，为学习者明确学习进度提供参考，为教师了解学习者的学习状况、把握学习趋势、干预学习过程、提供个性化学习支持服务提供基础性保障。

附图说明

图1为学习者在线学习全过程动态分析方法流程图，表示分析方法的实施步骤，呈现了从获取学习者在线学习基础数据、描述基础数据属性及分类并进行定义、对各个参数及其参数进行运算到运算结果可视化呈现，最终实现基于P 值得在线学习全过程分析实现的步骤。

图2为学习者在线学习契合度分析图，表示某学习者参与在线学习的核心课程学习内容契合度，即根据学习者学前诊断的结果，学习者实际选择学习的课程模块数占应该学习的课程模块数的比。

图3为学习者在线学习登录次数与时长分析图，表示学习者从开始课程学习到结束课程学习的在线学习总时长。用气泡展示每天每次参与学习的有效时长，时长越长气泡越大，并随学习者的学习进度实时动态呈现，反映的是学习者在线参与度。

图4为学习者在线学习频率分析图，以周为单位，分别呈现每周有效登录次数和每周参与活动的次数，反映的是学习者在线参与度。

图5为学习者在线活动有效参与频次分析图，表示学习者每周参与观看视频、浏览文本、参与研讨、完成作业互评等活动的有效次数，反映的是学习者在线参与度。

图6为学习者个人网络社群关系图，表示学习者在线学习社交活跃度，包括主动参与讨论或发帖被讨论的次数，即出度和入度。

图7为学习者在线视频学习投入分析图，表示学习者参与课程视频学习的自主学习投入度，以每个视频的总时长为标准，实时记录观看视频的实际时长占视频标准时长的比。

图8为学习者在线文本资源学习投入分析图，表示的是学习者参与拓展资源学习的投入度，以每一门课程为标准，记录学习者学习的拓展资源个数占总资源个数的比。

图9为学习者在线课程学习投入统计分析图，综合详尽的呈现了学习在线自主学习投入度、学习过程并发行为投入度和拓展资源学习投入度。

图10为学习者在线学习完成情况分析图，表示的是学习者参与课程视频资源和文本资源学习完成情况。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例为获取学习者在线学习中伴随各类学习行为产生的全过程数据，从学习者的学习契合度、学习参与度、学习活跃度、学习投入度和学习完成度的相关数据，综合分析判断在线学习过程中学生的学习情况。依据大数据技术，结合平台数据库，采集Web服务器和客户端形成的学习行为数据，需对原始学习过程行为数据进行去重、去噪、转换及缺失处理。

如图1所示，本实施例基于数据的在线学习全过程动态分析方法，包括下述步骤：

S1、通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数：在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d以及在线学习完成度C_d；

学习者在线学习行为数据的获取过程有3个步骤：

S1.1、采集Web服务器和客户端形成的学习行为数据、将获得的数据上传至数据库、数据清洗并进行分层处理。

S1.2、在线学习者学习后，平台保留了在线学习行为痕迹，采集Web服务器和客户端形成的学习行为数据。由于在线学习过程行为数据存在不同的类型，如结构化、非结构化及半结构化，同时，收集的源数据可能存在冗余、不完整或有噪声，需对原始学习过程行为数据进行去重、去噪、转换及缺失处理等数据的预处理工作。

S1.3、最后将处理后的数据上传至数据库。

S2、对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数，进行描述后的在线学习行为数据用于进行在线学习全过程动态分析；

从量大、复杂的原始学习过程行为数据中挖掘和本研究相关的各个指标性学习过程属性，进行分类。在线学习过程行为数据复杂繁多，必须在后台数据库提供的课程及用户数据基础之上，结合从服务器端和客户端采集的学习过程行为数据，才能保障在线学习过程行为数据的全面性和真实性。

S3、在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算学习者在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数，以在线学习投入度为例，如图7所示，学习者在线自主学习投入度中的V27，表示学习者观看第27个课程视频的时长占总时长的1.89倍，根据计算结果自动将数据可视化。如图8表示学习者参与每一门课程拓展资源学习的投入度，C3是第三门课程，学习者在该门课程的拓展资源学习投入度为400％，超过100％，表示学习者多次参与各类拓展资源的学习。从图9中可以清楚地看出，学习者参与 publisher在教学中的应用和教师信息技术能力解读这两门课程的每一个课程视频投入度都达到或超过100％，但是学习过程中没有记笔记、提问等并发行为发生，参与拓展资源学习的投入度较高。

S4、基本数据分析：

根据学习者完整的在线学习全过程行为数据，本发明自动进行多维度的在线行为数据分析和数据可视化报告生成。基本数据分析包含学习者每次登录平台时长数据分析、学习者在一段时间内的行为数据累计分析、学习者在线学习投入分析，以及学习者学习完成情况分析等。多维度分析中将提供以下参数： (1)学习者学习内容契合度；(2)学习者登录平台的有效次数；(3)学习者在线学习总时长；(4)学习者每周登录平台的次数；(5)学习者每周活动参与次数；(6) 学习者每个活动的有效参与次数；(7)学习者研讨交互数据；(8)学习者作业互评数据；(9)学习者的视频学习投入度；(10)学习者的知识点学习投入度；(11) 学习者视频资源学习完成度；(12)学习者文本资源学习完成度，数据计算方法如表1。

表1基本参数算法

S5、利用专家指标权重法，对五个维度的重要性打分，形成各维度权重系数，最终计算得出学习者在线学习行为综合参数P，公式为：

P＝{αF_d，βP_d，χA_d，δI_d，εC_d}

利用层次分析法(AHP)确定权重，主要包括以下步骤：

S5.1、构造判断矩阵，以O表示目标,u_i、u_j(i,j＝1,2,…,n)表示因素。u_ij表示u_i对u_j的相对重要性数值。并由u_ij组成O-U判断矩阵A。

S5.2、计算重要性排序。根据判断矩阵,求出其最大特征根λ_max所对应的特征向量w。方程如下:

A_W＝λ_max·W

所求特征向量w经归一化,即为各评价因素的重要性排序,也就是权重分配。

S5.3、一致性检验。以上得到的权重分配是否合理,还需要对判断矩阵进行一致性检验。检验使用公式:

式中,CR为判断矩阵的随机一致性比率；CI为判断矩阵的一般一致性指标。

它由下式给出:

S6、所有在线学习全过程数据自动上传，并存储在云端数据库中，通过PC 端可获得个人学据及分析报告。

本实施例还提供了一种基于数据的在线学习全过程动态分析系统，包括：

在线学习基础数据获取模块，用于通过在线学习平台获取学习者的在线学习基础数据，从而得到5个维度的在线学习相关参数；

属性描述及分类模块，用于对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

计算模块，用于在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

可视化模块，用于依据每项参数不同的情况采用相应的图形将其可视化呈现出来，自动生成在线学习全过程动态分析报告；

权重模块，用于利用专家指标权重法，对五个维度的重要性打分，形成综合的权重系数；

数据上传模块，用于将所有在线学习全过程数据自动上传，并存储在云端数据库中。

下面以广东省ZS市某教师的网络研修为例做具体的阐述：

由在线学习平台自动记录学习者的在线学习全过程行为数据，并动态生成实时的统计报告，及时可视化学习者的在线学习契合度、学习参与度、投入度、活跃度和完成度。系统持续收取学习者的行为数据。

根据行为数据，云端服务器整理和分析数据。通过行为数据统计，可以形成该学习者本次网络研修的在线学习全过程动态性的可视化结果，如图2-图10 所示，分别表示学习者参与某一次在线学习的学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d。

该学习者的在线学习全过程行为数据经自动计算后，形成下表中的分析参数。根据这些参数的分析，可以形成个人在线学习全过程动态分析数据报告。

表2示例参数表

综上，本发明中，在线学习平台数据存储与筛选技术通过收集和筛选学习者在线学习全过程数据，完成属性描述的行为数据同步上传至云服务平台，存储并用于进一步分析处理。云服务平台作为数据处理和传输中心，在每次学习者在线学习行为数据采集完成时自动形成系列可视图和基本分析数据，并传递到pc端。pc端作为数据查询和展示中心，根据用户查询要求显示基本分析数据可视图和统计表。

本发明实现了一种基于数据的在线学习全过程行为数据采集和动态分析的方法，支持基于数据的学习者在线学习内容契合度、在线学习参与度、活跃度、投入度和完成度及综合参数的分析，使学生能够精确地了解自己的在线学习情况，也为教育管理者进行教学决策和优化提供支持。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于数据的在线学习全过程动态分析方法，其特征在于，包括下述步骤：

S1、通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数：在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d以及在线学习完成度C_d；

S2、对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数，进行描述后的在线学习行为数据用于在线学习全过程动态分析；

S3、在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

所述在线学习内容契合度F_d为在线学习者实际选学的内容与在线平台依据前测结果给出的实际需要选学的课程的吻合程度；

所述在线学习参与度P_d为学习者在线学习过程中的参与情况；

所述在线学习活跃度A_d为学习者参与学习过程中发生交互行为的情况；

所述在线学习投入度I_d为学习者在线学习过程中的投入程度；

所述在线学习完成度C_d为在线学习过程中观看视频资源、文本资源以及学习作业的完成情况；

S4、经过数据计算，依据每项参数不同的情况采用相应的图形将其可视化呈现出来，自动生成在线学习全过程动态分析报告，从五个维度综合判断学习者在线学习效果，完成对在线学习全过程的动态分析；

S5、利用专家指标权重法，对五个维度的重要性打分，形成五个维度的权重系数，最终计算得出学习者在线学习行为综合参数P，公式为：

P＝{αF_d，βP_d，χA_d，δI_d，εC_d}

S6、所有在线学习全过程数据自动上传，并存储在云端数据库中，通过PC端可获得个人数据及分析报告。

2.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S1中，获取学习者的在线学习基础数据包括下述步骤：

采集Web服务器和客户端形成的学习行为数据、将获得的数据上传至数据库、数据清洗并进行分层处理；

在线学习者学习后，在线学习平台保留了在线学习行为痕迹，采集Web服务器和客户端形成的原始学习行为数据，并对原始学习行为数据进行去重、去噪、转换及缺失处理的数据预处理工作；

最后将处理后的数据上传至数据库。

3.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S1中，所述在线学习基础数据包括：所选学知识模块数、实际学习知识模块数、登录次数、每次有效登录时长、参与研讨次数、观看课程视频次数、作业互评次数、浏览文本次数、上传资源次数、下载资源次数、记笔记次数、提问次数、回帖次数、删帖次数、收藏次数、点赞和踩的次数和观看视频时长。

4.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S3中，所述在线学习内容契合度F_d的计算公式如下：

其中，N_S为学习者应选学的知识模块数，N_i为学习者在学习过程中实际学习的知识模块数。

5.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S3中，所述在线学习参与度P_d的计算公式如下：

P_d＝{αP_ts，βP_fre}

其中P_ts为在线学习总时长，P_fre为在线学习频率；

所述在线学习总时长P_ts的计算公式如下：

其中，t_(logs)表示有效在线学习时长；t′_(logs)表示会话开始时间、t”_(logs)表示会话结束时间，Ψ为时间阈值；

所述在线学习频率P_fre的计算公式如下：

其中，M表示学习天数，T_a为学习者平均每天的有效参与次数，t′_(logs)表示会话开始时间、t”_(logs)表示会话结束时间，Ψ为时间阈值。

6.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S3中，所述在线学习活跃度A_d包括基于研讨的活跃度A_bbs和基于作业互评的活跃度A_hwk，即在线学习活跃度：A_d＝{χA_bbs，δA_hwk}；

设S_i表示第i个学生，a_ij表示师生研讨互动矩阵中的第i行第j列数据频数，

表示第i个学生评论其他学生观点的次数，

表示第i个学生观点被其他学生评论、点赞或踩等次数，计算公式如下：

基于研讨的活跃度A_bbs：A_bbs＝{αD_bot，βD_bin}；

S_i表示第i个学生，b_ij表示作业互评矩阵中的第i行第j列数据频数,

表示第i个学生评价其他学生作业的次数，

表示第i个学生的作业被学生评价的次数，则计算公式如下：

基于作业互评的活跃度A_hwk：

7.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S3中，在线学习投入度I_d下含的基础数据包括：视频学习投入度I_self和知识点学习投入度I_kno，即在线学习投入度：I_d＝{μI_self，νI_kno}；

所述视频学习投入度I_self的计算公式如下：

其中，T_sta为每个视频的标准时长，T_wat为每个视频观看时长，t′_wat为开始观看时的视频时间t′_wat,t”_wat为结束观看时的视频时间,Ψ为时间阈值；

所述知识点学习投入度I_kno的计算公式如下：

I_kno＝{εI_con，φI_exp}

其中，I_con为并发行为投入度，包括学习过程中提问次数I_conq和记笔记次数I_cont；I_con的计算公式为：

I_exp为拓展资源学习投入度，包括学生实际学习拓展资源的数量为I_expn，学生学习第M天内应该学习的拓展资源总数为M_expa，I_exp的计算公式为：

8.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S3中，所述在线学习完成度C_d包括：视频频资源完成度C_dvi、文本资源完成度C_dte和作业完成度C_hom，即C_d＝{ηC_dvi，ιC_dte，κC_hom}；

所述视频频资源完成度C_dvi的计算公式如下：

其中，T_sta为每个视频的标准时长，T_wat为每个视频观看时长，t′_wat为开始观看时的视频时间,t”_wat为结束观看时的视频时间,Ψ为时间阈值；

所述文本资源完成度C_dte的计算公式为：

即：

其中，定义word、ppt、txt、pdf资源的完成度为C_dtew、C_dtep、C_dtet、C_dtef，每天的word、ppt、txt、pdf资源总数为M_word、M_ppt、M_txt、M_pdf，每天学习word、ppt、txt、pdf的资源个数为L_wo_rd、L_ppt、L_txt、L_pdf,定义

表示求和；

所述作业完成度C_hom的计算公式为：

C_hom＝M_homc/M_hom

其中，M_homc为学生完成作业的个数，M_hom为要求完成的作业总个数。

9.根据权利要求1所述基于数据的在线学习全过程动态分析方法，其特征在于，步骤S5中，利用层次分析法确定权重，具体方法为：

构造判断矩阵，以O表示目标,u_i、u_j表示因素，i,j＝1,2,…,n，u_ij表示u_i对u_j的相对重要性数值，并由u_ij组成O-U判断矩阵A；

计算重要性排序，根据判断矩阵,求出其最大特征根λ_max所对应的特征向量w；

对判断矩阵进行一致性检验，验证权重分配是否合理。

10.基于数据的在线学习全过程动态分析系统，其特征在于，包括：

在线学习基础数据获取模块，用于通过在线学习平台获取学习者的在线学习基础数据，从而得到5个在线学习相关参数；

属性描述及分类模块，用于对在线学习基础数据属性描述及分类并进行定义，形成在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

计算模块，用于在获取基础行为数据和进行属性描述后，根据学习者的在线学习行为数据，自动计算在线学习内容契合度F_d、在线学习参与度P_d、在线学习活跃度A_d、在线学习投入度I_d和在线学习完成度C_d下的各项指标参数；

可视化模块，用于依据每项参数不同的情况采用相应的图形将其可视化呈现出来，自动生成在线学习全过程动态分析报告；

权重模块，用于利用专家指标权重法，对五个维度的重要性打分，形成各维度权重系数，最终计算得出学习者在线学习行为综合参数P；

数据上传模块，用于将所有在线学习全过程数据自动上传，并存储在云端数据库中。

Images