CN110852925B - 异常学习检测方法、装置、设备和存储介质 - Google Patents

异常学习检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN110852925B
CN110852925B CN201911139002.8A CN201911139002A CN110852925B CN 110852925 B CN110852925 B CN 110852925B CN 201911139002 A CN201911139002 A CN 201911139002A CN 110852925 B CN110852925 B CN 110852925B
Authority
CN
China
Prior art keywords
learning
index value
student
target detection
preset
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
CN201911139002.8A
Other languages
English (en)
Other versions
CN110852925A (zh
Inventor
李素粉
张楠
彭辉
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201911139002.8A priority Critical patent/CN110852925B/zh
Publication of CN110852925A publication Critical patent/CN110852925A/zh
Application granted granted Critical
Publication of CN110852925B publication Critical patent/CN110852925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (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

本申请涉及一种异常学习检测方法、装置、设备和存储介质，该方法包括：获取学员在学习系统的数据库中存储的学习信息，根据学习信息确定目标检测学员，其中目标检测学员是学习量指标值大于第一预设阈值的学员；从目标检测学员的学习信息中提取目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值和响应度指标值；根据上述指标值确定异常学习的学员的身份信息，异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；将异常学习的学员的身份信息发送至屏幕终端进行显示。本申请可以从学习量较高的学员中识别出异常学习行为导致的高学习量学员，从而更准确的确定学员学习程度合理的安排后续培训课程。

Description

异常学习检测方法、装置、设备和存储介质
技术领域
本发明实施例涉及互联网技术领域，尤其涉及一种异常学习检测方法、装置、设备和存储介质。
背景技术
随着互联网技术的不断发展，网络课程越来越多，类型也越来越丰富。同时也有越来越多的人通过网络课程学习相应知识，提升自身能力。因此，网络课程成为人们关注的一个焦点。
这里，以企业培训课程为例：企业会根据所有学员的情况提供各种各样的网络学习课程对学员进行培训，在培训过程中学员通过观看相应课程来学习相应知识，其中，学员学习量是审核学员学习程度的一个重要指标。
然而，在现有网络课程培训中，一些学员为达到较高学习量而进行刷课(即：异常学习行为)，从而导致虚假学习量，进而无法准确确定学员学习程度，无法进行后续培训课程安排等。
发明内容
本发明实施例提供一种异常学习检测方法、装置和存储介质，以解决现有技术中因刷课等异常学习行为导致的高学习量学员影响对学员学习质量和学习程度评估的准确性的问题。
本发明实施例的第一方面提供一种异常学习检测方法，包括：
获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员；
从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
将异常学习的学员的身份信息发送至屏幕终端进行显示。
可选地，所述学习信息包括每个学员在学习系统上的学习时长、学习次数以及登录学习系统的次数，
所述根据所述学习信息确定目标检测学员，包括：
将所述学习时长、所述学习次数以及所述登录学习系统的次数进行加权求和，将和值确定为每个学员的学习量指标值；
将所述学习量指标值大于所述第一预设阈值的学员确定为目标检测学员。
可选地，所述学习信息包括目标检测学员在预设运营策略实施前完成的课程的第一平均时长，在预设运营策略实施后完成的课程的第二平均时长，以及，学习系统中所有课程的第三平均时长；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值，包括：
根据所述第一平均时长、所述第二平均时长、所述第三平均时长以及第一预设公式，确定所述目标检测学员对应的课程时长指标值；
所述第一预设公式为：
Figure GDA0003948656140000021
其中，k1表示课程时长指标值，α和β均表示预设系数，BAvgCT表示第一平均时长，AAvgCTi表示第二平均时长，AvgCT表示第三平均时长。
可选地，所述学习信息包括：目标检测学员的每个已完成课程对应的学习时间段；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的时间复用指标值，包括：
根据所述学习时间段，确定所述目标检测学员完成的所有课程占用的重复时间段，并将所述重复时间段对应的时长确定为所述目标检测学员的第一复用时长，以及，将所述目标检测学员在预设时间段内完成的课程占用的时长确定为所述目标检测学员的第二复用时长；
根据所述第一复用时长、所述第二复用时长与第二预设公式、第三预设公式，分别判断所述第一复用时长、第二复用时长与预设时间阈值的大小，得到判断结果，所述第二预设公式为：
Figure GDA0003948656140000031
所述第三预设公式为：
Figure GDA0003948656140000032
根据所述判断结果和第四预设公式确定时间复用指标值，所述第四预设公式为：k2＝k21∨k22；
其中，t1表示第一复用时长，T1表示第一预设时间阈值，k21表示第一复用时长与第一预设时间阈值的判断结果，t2表示第二复用时长，T2表示第二预设时间阈值，k22表示第二复用时长与第二预设时间阈值的判断结果，k2表示时间复用指标值。
可选地，所述学习信息包括：目标检测学员在预设运营策略实施前完成的课程数量，和，在所述预设运营策略实施后完成的课程数量；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程完成率指标值，包括：
将所述预设运营策略实施前完成的课程数量与所述预设运营策略实施前完成的课程数量的比值确定为课程完成率指标值。
可选地，所述学习信息包括：目标检测学员每天的学习时长，
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的学习时长指标值，包括：
根据所述每天的学习时长、预先确定的每天的工作时长以及第五预设公式，计算所述目标检测学员每天的学习时长占比；
根据所述学习时长占比和第六预设公式计算学习时长指标值；
所述第五预设公式为：
Figure GDA0003948656140000033
所述第六预设公式为：
Figure GDA0003948656140000034
其中，
Figure GDA0003948656140000035
其中，PLTK表示目标检测学员每天的学习时长占比，DayLTK表示目标检测学员每天的学习时长，DayT表示每天的工作时长，k4表示学习时长指标值。
可选地，所述学习信息包括预设运营策略实施后目标检测学员完成的特征课程的数量，所述特征课程是为响应所述预设运营策略而设置的课程；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的响应度指标值，包括：
将所述特征课程的数量与目标检测学员学习的所有课程的数量的比值确定为响应度指标值。
可选地，所述根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，包括：
分别判断每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值是否符合预设条件，并将符合预设条件的学员的身份标识确定为异常学习的学员的身份信息；
其中，所述预设条件包括如下条件中的至少三项：
所述课程时长指标值大于第三预设阈值；
所述时间复用指标值等于第四预设阈值；
所述课程完成率指标值大于第五预设阈值；
所述学习时长指标值大于第六预设阈值；
所述响应度指标值大于第七预设阈值。
本发明实施例的第二方面提供一种异常学习检测装置，包括：
目标确定模块，用于获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员；
信息提取模块，用于从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
异常检测模块，用于根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
信息发送模块，用于将异常学习的学员的身份信息发送至屏幕终端进行显示。
本发明实施例的第三方面提供一种异常学习检测设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行本发明实施例第一方面所述的异常学习检测方法。
本发明实施例的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现本发明实施例的第一方面所述的异常学习检测方法。
本发明通过选取学习量较高的优秀学员，并在这些优秀学员中识别出因刷课等异常学习行为导致的学习量较高的学员，从而可以更准确的评估学员的学习质量和学习程度，便于根据学员的学习质量和学习程度安排后续培训课程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一示例性实施例示出的异常学习检测方法的应用场景图；
图2是本发明另一示例性实施例示出的异常学习检测方法的流程示意图；
图3是本发明另一示例性实施例示出的异常学习检测装置的结构示意图；
图4是本发明另一示例性实施例示出的异常学习检测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和有点更加清楚，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，为弥补线下培训课程的局限性，许多企业都开设了网上学习系统，通过在网上学习系统开设相应的网络培训课程对学员进行培训。而一些学员为了完成高学习量指标值，会采用刷课等异常方式进行学习，比如，同时观看两门以上的课程，或者，在接收线下培训的同时还在网上播放课程等异常学习行为。而现有的学员学习量检测方法无法识别出这些因异常学习行为导致的高学习量的学员，从而无法准确的评估学员的学习质量和学习程度，导致安排的后续培训课程不合理。
针对此缺陷，本发明提供了一种异常学习检测方法、装置、设备和存储介质，该方法可以从学习量较高的学员中检测出因刷课等异常学习行为导致的高学习量学员，从而可以更准确的评估学员的学习质量和学习程度，便于更合理的安排后续培训课程。
图1是本发明一示例性实施例示出的异常学习检测方法的应用场景图。
如图1所示，数据库101中存储有学员的学习信息，服务器102从数据库中获取学员的学习信息，并根据所述学习信息确定目标检测学员，其中目标检测学员是学习量指标值大于第一预设阈值的学员；然后服务器从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；并根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，其中所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；最后将异常学习的学员的身份信息发送至屏幕终端103进行显示。
图2是本发明另一示例性实施例示出的异常学习检测方法的流程示意图。
如图2所示，本实施例提供的方法可以包括以下步骤：
S201，获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员；
其中，学习信息可以包括每个学员在学习系统上的学习时长、学习次数以及登录学习系统的次数。
具体的，根据所述学习信息确定目标检测学员，包括：
将所述学习时长、所述学习次数以及所述登录学习系统的次数进行加权求和，将和值确定为每个学员的学习量指标值；
比如，根据学员的学习时长、学习次数和登录学习系统的次数以及加权计算公式，计算得到每个学员的学习量指标值，其中，加权计算公式为：LQj＝α×LTj/LT0+β×LNj/LN0+γ×LoginNj/LoginN0，j＝1，2，3，……m，其中，α、β和γ均为加权系数，并且α+β+γ＝1，0≤α,β,γ≤1；LQj表示学习系统中第j个学员的学习量指标值，LTj表示第j个学员在学习系统上的学习时长，LNj表示第j个学员在学习平台上的学习次数，LoginNj表示第j个学员登录学习系统的次数，m表示学习系统上学员的数量，LT0表示学习系统上的m个学员的学习时长的最大值，其计算公式为LT0＝max{LTj,j＝1,2,3,…m}；LN0表示m个学员的学习次数的最大值，其计算公式为LN0＝max{LNj,j＝1,2,3,…m}；LoginN0表示m个学员的学习系统登录次数的最大值，其计算公式为LoginN0＝max{LoginNj,j＝1,2,3,…m}。
将所述学习量指标值大于所述第一预设阈值的学员确定为目标检测学员。
具体的，第一预设阈值可以是0.8，将学习量指标值大于0.8的学员确定为目标检测学员，或者，将每个学员的学习量指标值按照从高到底的顺序进行排序，选取学习量指标值排名前100的100个学员，将排名前100的学员确定为目标检测学员。
S202，从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
一些实施例中，课程时长指标值用于表征学员在预设运营策略实施前后分别在学习系统上学习课程的时间长短，该指标值由两个比值综合计算得到的，即预设运营策略实施后学员所完成的课程的平均课程时长与学习系统中所有课程的平均时长的比值，和，运营策略实施后该学员所完成课程的平均时长与运营策略实施前该学员所完成课程的平均时长的比值。
需要说明的是，相关运营人员为了鼓励学员在学习系统上学习课程会相应推出一些运营策略，比如，学习课程得金币的策略，学员每学习一门课程便会得到该课程对应数量的金币。如果当前学员存在为了获取金币而大量且重复地观看金币数量多的课程的异常学习行为，则上述两个比值均有可能大于1，且，上述两个比值越大，该学员存在异常学习行为地可能性越高。即，课程时长指标值越大，该学员存在异常学习行为地可能性越高。
具体的，学习信息包括目标检测学员在预设运营策略实施前完成的课程的第一平均时长，在预设运营策略实施后完成的课程的第二平均时长，以及，学习系统中所有课程的第三平均时长；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值，包括：
根据所述第一平均时长、所述第二平均时长、所述第三平均时长以及第一预设公式，确定所述目标检测学员对应的课程时长指标值；
所述第一预设公式为：
Figure GDA0003948656140000081
其中，k1表示课程时长指标值，α和β均表示预设系数，BAvgCTi表示第一平均时长，AAvgCTi表示第二平均时长，AvgCT表示第三平均时长，M为根据实际情况设定的数值，其为大于等于1的常数；并且，α和β满足如下条件：α+β＝1，0≤α,β≤1。
当课程时长指标值大于第三预设阈值(比如2)时，则认为该学员存在异常学习行为。
一些实施例中，时间复用指标值用于表征学员是否存在同一时间观看两门或两门以上课程的异常学习行为，以及，学员是否存在在同一时间既参加线下培训又进行线上课程学习的异常学习行为。
具体的，所述学习信息包括：目标检测学员的每个已完成课程对应的学习时间段；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的时间复用指标值，包括：
根据所述学习时间段，确定所述目标检测学员完成的所有课程占用的重复时间段，并将所述重复时间段对应的时长确定为所述目标检测学员的第一复用时长，以及，将所述目标检测学员在预设时间段内完成的课程占用的时长确定为所述目标检测学员的第二复用时长；
根据所述第一复用时长、所述第二复用时长与第二预设公式、第三预设公式，分别判断所述第一复用时长、第二复用时长与预设时间阈值的大小，得到判断结果，所述第二预设公式为：
Figure GDA0003948656140000091
所述第三预设公式为：
Figure GDA0003948656140000092
根据所述判断结果和第四预设公式确定时间复用指标值，所述第四预设公式为：k2＝k21∨k22；
其中，t1表示第一复用时长，T1表示第一预设时间阈值，k21表示第一复用时长与第一预设时间阈值的判断结果，t2表示第二复用时长，T2表示第二预设时间阈值，k22表示第二复用时长与第二预设时间阈值的判断结果，k2表示时间复用指标值。
具体的，获取学员第j个已完成课程的学习开始时间StartTj和结束时间EndTj，j＝1,2,3,…J，J为该学员在运营策略实施后学习完成的课程数量，若存在该学员第k个已完成课程的学习开始时间在第j个课程的学习开始时间和结束时间之间，即存在StartTj≤StartTk＜EndT≠，则该学员存在时间复用行为，即在同一时间观看两门或者两门以上课程的行为，其中k≠j,k＝1,2,3,…J。
然后计算该学员对应的时间复用时长，计算公式为
Figure GDA0003948656140000093
Figure GDA0003948656140000094
如果该学员存在时间复用行为，则变量Yj,k＝1，否则令Yj,k＝0，其中t1表示第一复用时长，如果t1大于第一预设时间阈值T1，则认为该学员长时间同时学习两门或两门以上课程，则令k21＝1，否则k21＝0。
上述预设时间段可以是学员参加线下培训课程的时间段，获取该学员在参加线下培训课程时间段内的线上学习时长，将该时长确定为该学员的第二复用时长，如果第二复用时长大于第二预设时间阈值，则认为该学员存在同一时间既参加线下培训课程又参加晚上培训课程的行为，则令k22＝1，否则k22＝0。
如果k21和k22中任何一个等于1，那么k2的值就等于1，即该学员存在异常学习行为。
一些实施例中，课程完成率指标值用于表征预设运营策略实施后，学员完成的课程数量占该学员历史所学课程数量的比例。
需要说明的是，相关运营人员为了鼓励学员在学习系统上学习课程会相应推出一些运营策略，比如，学习课程得金币的策略，学员每学习一门课程便会得到该课程对应数量的金币。如果，运营策略实施后，学员学习完成的课程数量占该学员所有已完成课程数量的比例越高，则该学员存在异常学习行为的可能性越高。
具体的，所述学习信息包括：目标检测学员在预设运营策略实施前完成的课程数量，和，在所述预设运营策略实施后完成的课程数量；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程完成率指标值，包括：
将所述预设运营策略实施后完成的课程数量与所述预设运营策略实施前完成的课程数量的比值确定为课程完成率指标值。
当学员的课程完成率指标值大于第五预设阈值(比如0.8)时，则认为该学员存在异常学习的行为。
一些实施例中，学习时长指标值用于表征学员是否存在在工作日的工作时间段进行线上学习的异常学习行为。该指标值用学员学习时长与工作日的工作时长的比值进行评估。
具体的，所述学习信息包括：目标检测学员每天的学习时长，
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的学习时长指标值，包括：
根据所述每天的学习时长、预先确定的每天的工作时长以及第五预设公式，计算所述目标检测学员每天的学习时长占比；
根据所述学习时长占比和第六预设公式计算学习时长指标值；
所述第五预设公式为：
Figure GDA0003948656140000111
所述第六预设公式为：
Figure GDA0003948656140000112
其中，
Figure GDA0003948656140000113
其中，PLTk表示目标检测学员每天的学习时长占比，DayLTk表示目标检测学员每天的学习时长，DayT表示每天的工作时长，k4表示学习时长指标值。
比如，学员每天的工作时长为8：00-18：00，那么，获取该学员每天在工作时长内在线上学习的课程对应的学习时长，记为DayLTk，k＝1,2,3,…K,K为运营策略发布至当前时间的自然天数。
然后，计算该学员的每天线上学习时长占比，计算公式为PLTk＝DayLTk/DayT,其中DayT为设定的日标准工作时长，判断PLTk是否大于预设阈值n，并统计该学员每天的学习时长占比超过预设阈值n的天数，天数越多则认为该学员存在异常学习行为的可能性越大，将学习时长占比超过预设阈值n的天数与运营策略发布至当前时间的自然天数的比值确定为学习时长指标值，当学习时长指标值大于第六预设阈值(比如0.5)时，则认为该学员存在异常学习的行为。
一些实施例中，响应度指标值用于表征学员是否存在为响应预设的运营策略而进行刷课的异常学习行为，即学员学习完成一门课程则对学员给予一定的奖励，完成课程数量越多得到的奖励越多，为了评估学员是否为了获取奖励而学习课程，设计该指标进行评估。
具体的，所述学习信息包括预设运营策略实施后目标检测学员完成的特征课程的数量，所述特征课程是为响应所述预设运营策略而设置的课程；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的响应度指标值，包括：
将所述特征课程的数量与目标检测学员学习的所有课程的数量的比值确定为响应度指标值。
其中，预设运营策略可以是金币运营策略，特征课程是可以获得金币的课程，即，学员学习完成特征课程便可以得到相应数量的金币。如果学员在预设运营策略实施后，领取金币的课程数量越多，领取金币的课程数量的占比(即响应度指标值)就越大，当响应度指标值大于第七预设阈值(比如0.7)时，则认为该学员存在异常学习行为。
S203，根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
其中，第二预设阈值可以是2；
具体的，根据上述五项指标值综合判断目标检测学员是否存在异常学习的行为，当上述五项指标值中有任意三项或者任意四项或者任意五项指标值符合预设条件时，则认为该目标检测学员存在异常学习行为。其中上述五项指标值的预设条件分别为：
所述课程时长指标值大于第三预设阈值；
所述时间复用指标值等于第四预设阈值；
所述课程完成率指标值大于第五预设阈值；
所述学习时长指标值大于第六预设阈值；
所述响应度指标值大于第七预设阈值。
比如，目标检测学员的课程时长指标值大于第三预设阈值，时间复用指标值等于第四预设阈值，课程完成指标率大于第五预设阈值，学习时长指标值小于第六预设阈值，响应度指标值小于第七预设阈值，则认定该目标检测学员存在异常学习的行为。
S204，将异常学习的学员的身份信息发送至屏幕终端进行显示。
其中，屏幕显示终端可以但不限于是电子屏。
本实施例中，通过目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值以及响应度指标值综合判断目标检测学员中存在异常学习行为的学员，从而可以更准确的获取学员的学习质量和学习程度，便于根据学员的学习质量和学习程度为学员安排后续培训课程。
图3是本发明另一示例性实施例示出的异常学习检测装置的结构示意图；
如图3所示，本实施例提供的异常学习检测装置包括：
目标确定模块301，用于获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员；
信息提取模块302，用于从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
异常检测模块303，用于根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
信息发送模块304，用于将异常学习的学员的身份信息发送至屏幕终端进行显示。
本实施例中各个模块的详细功能描述请参考有关该方法的实施例中的描述，此处不做详细阐述说明。
图4为本发明实施例提供的异常学习检测设备的硬件结构示意图。如图4所示，本实施例提供的异常学习检测设备400包括：至少一个处理器401和存储器402。其中，处理器401、存储器402通过总线403连接。
在具体实现过程中，至少一个处理器401执行所述存储器402存储的计算机执行指令，使得至少一个处理器401执行上述方法实施例中的异常学习检测方法。
处理器401的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(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，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请的另一实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述方法实施例中的异常学习检测方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种异常学习检测方法，其特征在于，包括：
获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员，所述学习信息包括每个学员在学习系统上的学习时长、学习次数、登录学习系统的次数、目标检测学员在预设运营策略实施前完成的课程的第一平均时长、在预设运营策略实施后完成的课程的第二平均时长、学习系统中所有课程的第三平均时长、目标检测学员的每个已完成课程对应的学习时间段以及预设运营策略实施后目标检测学员完成的特征课程的数量，所述特征课程是为响应所述预设运营策略而设置的课程；
从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
将异常学习的学员的身份信息发送至屏幕终端进行显示；
所述根据所述学习信息确定目标检测学员，包括：
将所述学习时长、所述学习次数以及所述登录学习系统的次数进行加权求和，将和值确定为每个学员的学习量指标值；
将所述学习量指标值大于所述第一预设阈值的学员确定为目标检测学员；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值，包括：
根据所述第一平均时长、所述第二平均时长、所述第三平均时长以及第一预设公式，确定所述目标检测学员对应的课程时长指标值；
所述第一预设公式为：
Figure FDA0003948656130000011
其中，k1表示课程时长指标值，α和β均表示预设系数，BAvgCTi表示第一平均时长，AAvgCTi表示第二平均时长，AvgCT表示第三平均时长，M为大于等于1的常数；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的时间复用指标值，包括：
根据所述学习时间段，确定所述目标检测学员完成的所有课程占用的重复时间段，并将所述重复时间段对应的时长确定为所述目标检测学员的第一复用时长，以及，将所述目标检测学员在预设时间段内完成的课程占用的时长确定为所述目标检测学员的第二复用时长；
根据所述第一复用时长、所述第二复用时长与第二预设公式、第三预设公式，分别判断所述第一复用时长、第二复用时长与预设时间阈值的大小，得到判断结果，所述第二预设公式为：
Figure FDA0003948656130000021
所述第三预设公式为：
Figure FDA0003948656130000022
根据所述判断结果和第四预设公式确定时间复用指标值，所述第四预设公式为：k2＝k21∨k22；
其中，t1表示第一复用时长，T1表示第一预设时间阈值，k21表示第一复用时长与第一预设时间阈值的判断结果，t2表示第二复用时长，T2表示第二预设时间阈值，k22表示第二复用时长与第二预设时间阈值的判断结果，k2表示时间复用指标值；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的响应度指标值，包括：
将所述特征课程的数量与目标检测学员学习的所有课程的数量的比值确定为响应度指标值。
2.根据权利要求1所述的方法，其特征在于，所述学习信息包括：目标检测学员在预设运营策略实施前完成的课程数量，和，在所述预设运营策略实施后完成的课程数量；
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的课程完成率指标值，包括：
将所述预设运营策略实施后完成的课程数量与所述预设运营策略实施前完成的课程数量的比值确定为课程完成率指标值。
3.根据权利要求1所述的方法，其特征在于，所述学习信息包括：目标检测学员每天的学习时长，
所述从所述目标检测学员的学习信息中，提取每个目标检测学员的学习时长指标值，包括：
根据所述每天的学习时长、预先确定的每天的工作时长以及第五预设公式，计算所述目标检测学员每天的学习时长占比；
根据所述学习时长占比和第六预设公式计算学习时长指标值；
所述第五预设公式为：
Figure FDA0003948656130000031
所述第六预设公式为：
Figure FDA0003948656130000032
其中，
Figure FDA0003948656130000033
其中，k＝1，2，3，...K,K为运营策略发布至当前时间的自然天数，PLTk表示目标检测学员每天的学习时长占比，DayLTk表示目标检测学员每天的学习时长，DayT表示每天的工作时长，k4表示学习时长指标值，n表示预设阈值。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，包括：
分别判断每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值是否符合预设条件，并将符合预设条件的学员的身份标识确定为异常学习的学员的身份信息；
其中，所述预设条件包括如下条件中的至少三项：
所述课程时长指标值大于第三预设阈值；
所述时间复用指标值等于第四预设阈值；
所述课程完成率指标值大于第五预设阈值；
所述学习时长指标值大于第六预设阈值；
所述响应度指标值大于第七预设阈值。
5.一种异常学习检测装置，其特征在于，包括：
目标确定模块，用于获取学员在学习系统的数据库中存储的学习信息，并根据所述学习信息确定目标检测学员，其中所述目标检测学员是学习量指标值大于第一预设阈值的学员，所述学习信息包括每个学员在学习系统上的学习时长、学习次数、登录学习系统的次数、目标检测学员在预设运营策略实施前完成的课程的第一平均时长、在预设运营策略实施后完成的课程的第二平均时长、学习系统中所有课程的第三平均时长、目标检测学员的每个已完成课程对应的学习时间段以及预设运营策略实施后目标检测学员完成的特征课程的数量，所述特征课程是为响应所述预设运营策略而设置的课程；
信息提取模块，用于从所述目标检测学员的学习信息中，提取每个目标检测学员的课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值；
异常检测模块，用于根据所述课程时长指标值、时间复用指标值、课程完成率指标值、学习时长指标值、以及响应度指标值，确定异常学习的学员的身份信息，所述异常学习的学员是符合预设条件的指标值的数量大于第二预设阈值的学员；
信息发送模块，用于将异常学习的学员的身份信息发送至屏幕终端进行显示；
所述目标确定模块，还用于将所述学习时长、所述学习次数以及所述登录学习系统的次数进行加权求和，将和值确定为每个学员的学习量指标值；将所述学习量指标值大于所述第一预设阈值的学员确定为目标检测学员；
所述信息提取模块，还用于根据所述第一平均时长、所述第二平均时长、所述第三平均时长以及第一预设公式，确定所述目标检测学员对应的课程时长指标值；
所述第一预设公式为：
Figure FDA0003948656130000041
其中，k1表示课程时长指标值，α和β均表示预设系数，BAvgCTi表示第一平均时长，AAvgCTi表示第二平均时长，AvgCT表示第三平均时长，M为大于等于1的常数；
所述信息提取模块，还用于根据所述学习时间段，确定所述目标检测学员完成的所有课程占用的重复时间段，并将所述重复时间段对应的时长确定为所述目标检测学员的第一复用时长，以及，将所述目标检测学员在预设时间段内完成的课程占用的时长确定为所述目标检测学员的第二复用时长；
根据所述第一复用时长、所述第二复用时长与第二预设公式、第三预设公式，分别判断所述第一复用时长、第二复用时长与预设时间阈值的大小，得到判断结果，所述第二预设公式为：
Figure FDA0003948656130000051
所述第三预设公式为：
Figure FDA0003948656130000052
根据所述判断结果和第四预设公式确定时间复用指标值，所述第四预设公式为：k2＝k21∨k22；其中，t1表示第一复用时长，T1表示第一预设时间阈值，k21表示第一复用时长与第一预设时间阈值的判断结果，t2表示第二复用时长，T2表示第二预设时间阈值，k22表示第二复用时长与第二预设时间阈值的判断结果，k2表示时间复用指标值；
所述信息提取模块，还用于将所述特征课程的数量与目标检测学员学习的所有课程的数量的比值确定为响应度指标值。
6.一种异常学习检测设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的异常学习检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的异常学习检测方法。
CN201911139002.8A 2019-11-20 2019-11-20 异常学习检测方法、装置、设备和存储介质 Active CN110852925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911139002.8A CN110852925B (zh) 2019-11-20 2019-11-20 异常学习检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911139002.8A CN110852925B (zh) 2019-11-20 2019-11-20 异常学习检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN110852925A CN110852925A (zh) 2020-02-28
CN110852925B true CN110852925B (zh) 2023-01-24

Family

ID=69602740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911139002.8A Active CN110852925B (zh) 2019-11-20 2019-11-20 异常学习检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN110852925B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651499A (zh) * 2020-05-28 2020-09-11 上海卓越睿新数码科技有限公司 一种基于大数据技术和数学算法的学习行为分计算方法
CN112244649B (zh) * 2020-09-24 2022-04-15 珠海格力电器股份有限公司 设备的控制方法、装置、设备及存储介质
CN117834995A (zh) * 2024-01-05 2024-04-05 北京无忧创想信息技术有限公司 用于在线学习的视频防刷方法、系统、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018098732A1 (zh) * 2016-11-30 2018-06-07 深圳益强信息科技有限公司 一种用于教育系统的数据处理方法及装置
CN109274994A (zh) * 2018-12-03 2019-01-25 湖北美和易思教育科技有限公司 在线教育平台视频点播数据统计监控系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8506305B2 (en) * 2008-12-23 2013-08-13 Deck Chair Learning Systems Inc. Electronic learning system
CN106557792A (zh) * 2016-10-31 2017-04-05 中寰卫星导航通信有限公司 驾培学员有效学时的筛选和验证方法及其系统
CN106940873A (zh) * 2017-03-21 2017-07-11 广州网才信息技术有限公司 一种网上教学管理系统及方法
CN108810638A (zh) * 2018-07-06 2018-11-13 合肥明高软件技术有限公司 一种在线学习监督系统
CN109785197A (zh) * 2018-12-12 2019-05-21 中国联合网络通信集团有限公司 一种学习行为分析方法及装置
CN110049318B (zh) * 2019-05-07 2020-11-06 苏州市职业大学 一种学习质量评估方法和相关装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018098732A1 (zh) * 2016-11-30 2018-06-07 深圳益强信息科技有限公司 一种用于教育系统的数据处理方法及装置
CN109274994A (zh) * 2018-12-03 2019-01-25 湖北美和易思教育科技有限公司 在线教育平台视频点播数据统计监控系统

Also Published As

Publication number Publication date
CN110852925A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852925B (zh) 异常学习检测方法、装置、设备和存储介质
CN107256650B (zh) 一种习题推送方法、系统及终端设备
Wise et al. Examinee noneffort and the validity of program assessment results
TWI567685B (zh) 透過線上測驗真實反映出受測者能力的系統、方法以及其儲存媒體
Soland The achievement gap or the engagement gap? Investigating the sensitivity of gaps estimates to test motivation
JP2018205354A (ja) 学習支援装置、学習支援システム及びプログラム
CN110569347A (zh) 一种数据处理方法、装置、存储介质和电子设备
Blair et al. The effect of sample size on cognitive interview findings
TWI575472B (zh) 線上學習系統、其能力評量方法以及儲存此能力評量方法之儲存媒體
CN115358897B (zh) 一种基于电子学生证的学生管理方法、系统、终端及存储介质
Maslovskyi et al. Adaptive test system of student knowledge based on neural networks
CN112348408A (zh) 一种在线师资培训和考评方法
CN108304298B (zh) 基于教育行业实现多管理端对学生移动终端的监管系统
CN110942238B (zh) 课程推荐设备及方法
CN113673811A (zh) 一种基于session的在线学习绩效评估方法及装置
CN114241596A (zh) 行为分析方法、装置和设备
CN112818236A (zh) 基于场景的学习内容推荐方法及系统
CN113065990A (zh) 一种基于浏览器监听的学习时长上报方法和装置
Sprietsma Computers as pedagogical tools in Brazil: a pseudo-panel analysis
CN116595162B (zh) 基于电子学生证数据的题目推荐方法及其相关设备
CN116091009B (zh) 一种中医诊疗经验智能化传承系统
CN116431800B (zh) 考试界面的生成方法、设备和可读存储介质
Kieftenbeld et al. Statistically comparing the performance of multiple automated raters across multiple items
US20230091007A1 (en) Information processing device, information processing method, and recording medium
Gordon et al. Understanding and Promoting Earnest Completion in Online Textbooks

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