CN111523738A - 基于用户在线学习行为模式预测学习效果的系统及预测方法 - Google Patents
基于用户在线学习行为模式预测学习效果的系统及预测方法 Download PDFInfo
- Publication number
- CN111523738A CN111523738A CN202010572727.2A CN202010572727A CN111523738A CN 111523738 A CN111523738 A CN 111523738A CN 202010572727 A CN202010572727 A CN 202010572727A CN 111523738 A CN111523738 A CN 111523738A
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- information
- online
- effect
- 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.)
- Granted
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 156
- 230000000694 effects Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 230000008450 motivation Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 83
- 238000003306 harvesting Methods 0.000 claims description 52
- 230000003442 weekly effect Effects 0.000 claims description 42
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于用户在线学习行为模式预测学习效果的系统,包括学习行为信息采集模组、学习效率计算模组、学习行为模式计算模组、学习能力‑动机计算模组及学习效果预测模组。所述学习行为信息采集模组对应采集用户学习行为信息及用户基本信息。所述学习效率计算模组根据用户在不同类别的在线课程中的学习行为信息生成用户的学习效率矩阵。所述学习行为模式计算模组生成用户分类信息及用户的学习行为模式信息。所述学习能力‑动机计算模组生成用户在在线课程学习中的学习能力信息和学习动机信息。所述学习效果预测模组预测用户在在线课程学习中的学习效果。本发明还提供一种采用上述预测用户在不同类别在线课程中学习效果的系统的预测方法。
Description
技术领域
本发明涉及在线学习技术领域,特别的,涉及一种基于用户在线学习行为模式预测学习效果的系统及预测方法。
背景技术
在当今技术飞速发展的时代,在线学习日趋盛行。现有技术中,基于大规模开放在线课程中用户的学习行为信息,分析和挖掘用户的学习行为模式的研究主要包括:识别用户的参与风格;对用户的参与风格进行分类;预测辍学率、预测是否获得证书以及识别需要帮助的用户。整体来说,已有的研究主要可分为二大类,一类是用户学习活动的定性分析,另一类是构建模型预测用户的学习效果。大量的行为和基本特征被用于分析用户的学习活动。
现有技术一:集中在用户学习行为信息的定性分析上;
Kizilcec等人整合了各种数据,包括学生的行为数据,人口统计数据,地理位置数据和课程注册数据,根据这些数据特征将用户分为了几种类型。
Seaton等人研究分析了影响学生获得证书的各种活动,如在任务上花费的时间、访问次数和被访问的课程内容的百分比。
Wen等人将用户的参与作为潜在变量,通过关注他们的社交行为,例如论坛发帖,课程内容的访问率以及作业完成率来分析用户的参与模式。
Anderson等人构建了用户参与风格的分类器,用于研究用户参与与他们成绩之间的关系。
现有技术二:构建模型预测用户的学习效果
Wilkowski等人研究了课程完成率与先决条件无关。
Qiu等人基于不同课程类别,构建学习行为预测模型。其是通过结合用户的人口统计、论坛活动和学习行为等数据,建立了一个潜在的动态因子模型来预测他们的学习效率。
Wang等人是构建一个非线性状态空间模型去预测用户对课程组件的访问顺序。
Ramesh等人提出了一种潜在的表示模型,抽象描述用户的参与类型,并根据观察到的行为序列预测学生的辍学情况。
Yang等人通过分析用户在讨论论坛中的发帖行为去评估这个社交因素对辍学率的影响,然后提出了一个预测辍学的模型。这些都是集中在预测用户的辍学率、课程完成度、课程成绩等方面。
Shi等人基于用户的学习行为信息构建了L2S模型将用户分为多个潜在群体,在课程完成率、辍学率以及课程满意度等方面进行预测用来评估用户群体模型的构建效果。
其中与本专利最接近的技术方案为Qiu等人于2016年在国际会议ACM《WSDM》上发表题为“Modeling and Predicting Learning BehaviorinMOOCs”的文章,文中是结合用户基本信息与学习行为信息构建一个潜在的动态因子模型来预测用户的学习效率。
从目前的研究现状来看,基于大规模开放在线课程中用户的学习行为信息,可了解用户的学习行为模式,以便改善用户的学习效率以及提高大规模开放在线课程的教育效果,但相关研究还只是集中在基于用户学习活动的定性分析、构建模型预测用户的学习效果;然而,现有学习行为模式相关研究尚未充分考虑和利用用户的学习动机和学习能力,也未考虑不同类别的课程学习效果之间的差异。
目前对大规模在线课程的研究中,有基于用户的学习行为信息构建学习活动矩阵结合用户基本信息构建的属性矩阵,利用改良的逻辑预测算法构建一个潜在的动态因子模型来预测学习效率,但是这没有考虑到用户在课程学习中的学习能力与学习动机,用户在课程学习中的学习能力与学习动机往往会影响到用户在课程学习中的学习行为以及学习效果;其次是没有考虑到用户在不同类别的课程学习中参与模式会存在不同,用户在不同类别的课程学习中,会由于课程的教学或者自身学习技巧其参与模式会存在不同,这也会影响到用户在课程学习中的学习行为与学习效果。这正是本专利所要解决的问题,本专利方案会根据学习行为信息,从付出、收获匹配度的角度挖掘用户的学习能力与学习动机、在不同类别的课程中用户的参与模式存在不同,挖掘出用户在不同类别的课程中的学习行为模式、构建预测算法模型预测学习效果,这可提高预测准确率。
发明内容
为解决现有技术的上述技术问题,本发明目的在于提供一种基于用户在线学习行为模式预测学习效果的系统。
同时,还提供一种采用上述基于用户在线学习行为模式预测学习效果的系统的预测方法。
一种基于用户在线学习行为模式预测学习效果的系统,包括学习行为信息采集模组、学习效率计算模组、学习行为模式计算模组、学习能力-动机计算模组及学习效果预测模组。所述学习行为信息采集模组对应采集用户历史学习行为信息及用户基本信息。所述学习效率计算模组内预设付出-收获算法模型,所述付出-收获算法模型生成学习效率矩阵。所述学习行为模式计算模组内预设聚类算法模型,所述聚类算法模型生成用户分类信息及用户的学习行为模式信息。所述学习能力-动机计算模组内预设狄利克雷过程算法模型,所述狄利克雷过程算法模型生成学习能力信息和学习动机信息。所述学习效果预测模组内预设预测算法模型,所述预测算法模型基于所述用户的学习能力信息、所述用户的学习动机信息、用户基本信息以及用户在线学习行为信息,利用循环神经网络算法融合注意力机制构建预测模型预测用户在在线学习课程中的学习效果。
进一步的,所述学习行为信息包括原始学习行信息和对原始行为信息进行预加工后生成的学习行为信息。
进一步的,所述付出-收获算法模型的付出公式如下:
所述付出-收获算法模型的收获公式如下:
其中,effortw表示用户的周付出量,ai表示用户学习活动i的权重系数,其值为学习活动i与周测成绩的皮尔森相关系数,efw i表示用户第w周在学习活动i上的付出量,n表示用户的学习活动数,effectw表示用户第w周的周收获量,effectw max表示该课程中的最高收获量,effectw min表示该课程中的最低收获量。
进一步的,所述学习效率矩阵的构建如下:根据用户在不同种类的在线课程中的学习行为信息,利用所述的付出-收获公式,对每门课程、每个用户进行周学习效率ratiow的计算,方法如下:
其中,effectw表示用户第w周在在线课程学习中的周收获量,effortw表示用户第w周在在线课程学习中的周付出量。
进一步的,所述聚类算法模型为使用聚类算法高斯混合模型GMM根据所述用户的学习效率矩阵对用户进行分类,每个聚类簇表示一种学习行为模式,所述聚类算法高斯混合模型的定义如下:
其中ak是一个非负混合权重,且表示φ(Eratio|θk)的权重,φ(Eratio|θk)是第k个高斯分布函数,Eratio为用户的学习效率矩阵,是φ(Eratio|θk)的参数,分别表示这个分布的均值与方差,K为聚类簇数。
进一步的,所述学习能力-动机模组是基于用户的聚类结果,利用狄利克雷过程算法生成用户在不同类别的在线课程学习中的学习能力信息与学习动机信息,具体生成步骤如下:
用户分类类别k由模型参数集合ωk=(αk,βk)描述,其中αk表示用户类别簇k的学习动机,βk表示用户类别簇k的学习能力。属于聚类簇k中的观测用户u的学习行为信息的概率计算公式定义如下:
进一步的,所述预测算法模型是利用注意力机制与循环神经网络算法融合设计的预测模型,基于用户在不同类别的在线课程学习中的学习能力信息与学习动机信息,结合所述用户在在线课程学习中的学习行为信息和用户基本信息作为模型输入,对应输出用户在在线课程学习中的学习效果预测值。
一种采用上述针对基于用户在线学习行为模式的学习效果预测方法,其包括如下步骤:
提供所述学习行为信息采集模组,生成学习行为信息集合;
提供内设有付出-收获算法模型的学习效率计算模组,所述付出-收获算法模型对所述学习行为信息进行计算,获得用户的学习效率矩阵;
提供内设有聚类算法模型的学习行为模式计算模组,所述聚类算法模型对用户分类,生成用户分类信息及学习行为模式信息;
提供内预设狄利克雷过程算法模型的学习能力-动机计算模组,所述狄利克雷过程算法模型生成用户的学习能力信息和学习动机信息;
提供内预设预测算法模型的学习效果预测模组,所述预测算法模型基于用户的学习能力与学习动机,结合用户在在线课程中的学习行为信息与用户基本信息作为输入,对应输出用户学习效果预测值;
至此,完成对用户在线学习的学习效果预测。
进一步的,所述付出-收获算法模型的付出公式如下:
所述付出-收获算法模型的收获公式如下:
其中,effortw表示用户的周付出量,ai表示用户学习活动i的权重系数,其值为学习活动i与周测成绩的皮尔森相关系数,efw i表示用户第w周在学习活动i上的付出量,n表示用户的学习活动数,effectw表示用户第w周的周测成绩为周收获量,effectw max表示该课程中的最高收获量,effectw min表示该课程中的最低收获量。
进一步的,所述学习效率矩阵的构建如下:根据用户在不同类别的在线课程中的学习行为信息,利用所述付出-收获公式,对每门课程、每个用户进行周学习效率ratiow的计算,方法如下:
其中,effectw表示用户第w周在在线课程学习中的周收获量,effortw表示用户第w周在在线课程学习中的周付出量。
与相关技术相比,本发明提供的基于用户在线学习行为模式预测学习效果的系统基于付出-收获匹配度的学习行为模式识别以及预测学习效果,根据学习行为信息,从付出、收获匹配度的角度挖掘用户的学习能力与学习动机作为考虑因素预测学习效果,提高预测精度。另一方面,针对用户在不同类别的课程学习中用户的参与模式存在区别,挖掘出用户在不同类别的课程中的学习行为模式差异,提高预测准确率,方便用户结合预测效果针对性改善学习行为。
附图说明
图1是本发明一种基于用户在线学习行为模式预测学习效果的系统;
图2是图1所示预测用户学习效果的方法示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,是本发明一种基于用户在线学习行为模式预测学习效果的系统。所述学习效果预测系统200考虑用户在不同类别的在线课程学习中的参与模式,为更好的了解用户的学习偏好,即学习能力(如用户是综合型或用户是偏科学类或偏非科学类)以及探究用户对在线课程学习的动机,结合用户在在线课程学习中的学习行为信息以及用户基本信息,利用预测算法模型来预测用户在在线课程学习中的效果。
所述学习效果预测系统200包括学习行为信息采集模组21、学习效率计算模组23、学习行为模式计算模组25、学习能力-动机计算模组27及学习效果预测模组29。
由于用户自身的天赋、习惯、教育程度等因素决定该用户的学习行为有所区别。具体而言,不同用户对于同类的在线课程有不同的学习行为模式;同一用户对于不同类别的在线课程也会存在不同的学习行为模式。
在预测在线学习效果之前,模拟在线学习环境,首先提供用户u在设定的在线学习平台进行在线学习,其中该用户基于自身需要,可以对应选择不同类别的课程进行学习,同时源于用户自身的天赋、习惯、教育程度等因素决定该用户的学习行为有所区别。具体而言,不同用户对于同样的在线课程有不同的学习行为模式;同一特定用户对于不同的在线课程有不同的学习行为模式。设定某一特定在线学习用户u,其同时在线学习不同类别的在线课程,用户在进行在线课程学习前,需要注册登记基本信息,所述用户基本信息201包括姓名、性别、教育水平、学习兴趣等信息。
针对该特定用户u参与学习不同类别在线课程过程中,记录其针对不同类别在线学习课程的学习行为信息,其中所述在线学习行为信息202主要包括特定用户u的学习日志信息(如观看视频时长、完成作业时长、论坛讨论等)、学习成绩信息(如周测成绩、考试成绩等)。当然,在定义用户的在线学习行为信息时,不仅仅局限于原始的学习行为信息,还包括对原始学习行为信息进行预加工处理后获得的衍生特征。在本发明中,所述在线学习行为信息202具体还包括利用Python的第三方数据库pandas基于原始学习行为信息利用所述的付出、收获公式衍生出用户的周付出量、周收获量以及学习效率,以及还衍生了用户所学的视频数、作业数等。
所述学习行为信息采集模组21对应采集用户历史学习行为信息202以及课程信息(如开课时间、课程要求、课程类别等)、用户基本信息(如姓名、地区、教育等级、年龄、性别等),所述历史学习行为信息包括特定用户u参与多个不同类别的在线课程的学习行为信息,如:学习日志信息(如观看视频时长、完成作业时长、论坛讨论等)、学习成绩信息(如周测成绩、考试成绩等)。
本专利在大规模开放在线课程平台(如学堂在线、中国大学MOOC等)收集用户学习行为相关数据,包括有学习日志信息(如观看视频时长、完成作业时长、论坛讨论等)、学习成绩信息(如周测成绩、考试成绩等)、课程信息(如开课时间、课程要求、课程类别等)、用户基本信息(如姓名、地区、教育等级、年龄、性别等)。
本专利将这些课程主要分为二大类:一类为科学类(如计算机科学、电气工程等)、另一类为非科学类(如经济学、人文历史和体育等)。
首先对原始数据集进行数据预处理,包括数据集成(如合并各数据)、数据清洗(如对于学习行为信息为空的记录进行删除)、数据填充(如字段缺失,根据值项特点进行插值处理)、特征衍生(如衍生观看视频数目、完成作业数目、论坛讨论数目、周测数等)。
所述学习效率计算模组23内预设付出-收获算法模型231。所述学习效率计算模组23接收来自所述学习行为信息采集模组21的针对特定用户u所采集的的历史学习行为信息,所述付出-收获算法模型231对该历史学习行为信息进行计算,获得该用户的学习效率矩阵233。
所述付出-收获算法模型231的付出公式如下:
所述付出-收获算法模型231的收获公式如下:
其中,effortw表示用户的周付出量,ai表示用户学习活动i的权重系数,其值为学习活动i与周测成绩的皮尔森相关系数,efw i表示用户第w周在学习活动i上的付出量,n表示用户的学习活动数,effectw表示用户第w周的周收获量,effectw max表示该课程中的最高收获量,effectw min表示该课程中的最低收获量。本发明视周测成绩为周收获量。
所述付出-收获算法模型231生成学习效率矩阵模组的学习效率矩阵的构建如下:
根据用户在不同类别的在线课程中的学习行为信息,利用所述的付出-收获公式,对每门课程、每个用户进行周学习效率ratiow的计算,方法如下:
其中,effectw表示用户第w周在在线课程学习中的周收获量,effortw表示用户第w周在在线课程学习中的周付出量。根据用户在不同类别的在线课程中的周学习效率ratiow,进而构建用户的学习效率矩阵Eratio。
其中,对应参数信息如下表所示:
所述学习行为模式计算模组25内预设聚类算法模型251。所述学习行为模式计算模组25接收来自所述学习效率计算模组23生成的学习效率矩阵231,所述聚类算法模型251根据所述学习效率矩阵231对用户分类,由于每个聚类簇都有各自的分布以及特性,所以视各聚类簇都表示一种学习行为模式,进而获得用户分类信息253及用户的学习行为模式信息255,其中所述学习行为模式信息255是通过所述聚类算法模型251基于所述学习效率矩阵233计算生成。本发明中使用的聚类算法为高斯混合模型(GMM)。所述聚类算法高斯混合模型(GMM)的定义如下:
其中ak是一个非负混合权重,且这个表示φ(Eratio|θk)的权重,φ(Eratio|θk)是第k个高斯分布函数,Eratio为用户的学习效率矩阵,是φ(Eratio|θk)的参数,分别表示这个分布的均值与方差,K为聚类簇数。
所述学习能力-动机计算模组27内预设狄利克雷过程算法模型271。所述学习能力-动机计算模组27接收来自所述学习行为模式计算模组25的用户分类信息253,所述狄利克雷过程算法模型271基于用户分类信息253对应生成用户的学习能力信息273和学习动机信息275。由于各聚类簇都有各自的分布以及特性,依据用户分类挖掘用户群体的共性,进而发现用户的学习特点,即学习动机与学习能力。所谓学习能力信息273是指学习专注力、学习成就感、自信心、思维灵活度、独立性和反思力等相关参数指标共同确认的综合表现。所谓学习动机信息275是指引发与维持学生的学习行为,并使之指向一定学业目标的一种动力倾向,其包括学习需要和学习期待两个成分,根据不同标准可以划分为不同类别。
用户分类类别k由模型参数集合ωk=(αk,βk)描述,其中αk表示用户类别簇k的学习动机,βk表示用户类别簇k的学习能力。属于聚类簇k中的观测用户u的学习行为信息的概率计算公式定义如下:
为生成每个聚类簇的模型参数,本发明引入共轭先验,假定参数ɑk~Dir(η)、βk~Dir(λ)以及假定模型参数集合ωk由狄利克雷过程(DP)产生。狄利克雷过程是一个关于分布的分布,其可作为数据所属的分布的先验存在,使用狄利克雷过程(DP)为数据建模,假定G~DP(a,H),G是某个学习效率矩阵Eratio属于的分布,而这个分布是来自于某个狄利克雷过程,即其先验是个狄利克雷过程,a为分散系数,H为基线分布。由于狄利克雷过程是一个离散的分布,因此,其没有密度函数,需要将狄利克雷过程进行平滑才能进行密度估计,即通过对G进行积分处理,就可以得出样本的联合分布。因此一个用户u的学习行为信息可以通过狄利克雷过程定义其联合概率:
由于对模型参数实施了共轭先验,因此可以用吉布斯采样来求得模型参数,即从模型参数ɑk,βk对应的先验分布中采样。
所述学习效果预测模组29内预设预测算法模型291。所述学习效果预测模组29接收来自所述学习能力-动机计算模组27的用户学习能力信息273和学习动机信息275。所述预测算法模型291基于所述学习能力信息273和学习动机信息275,并结合所述用户学习行为信息211、用户基本信息201作为输入参数,设计所述预测算法模型291。采用所述在线学习效果预测系统20预测用户在课程学习中的学习效果,基于注意力机制与循环神经网络进行融合设计预测算法模型,再以用户的学习动机与学习能力结合用户的学习行为与用户基本信息作为模型的特征输入,预测用户在课程学习中的学习效果。所述预测算法模型的步骤如下:
输入特征为X=[AT,BT,αk,βk]T,其中A表示用户基本信息向量,B为用户的学习行为信息向量,αk为用户的学习动机向量,βk为用户的学习能力向量。
本发明使用的预测算法模型为基于注意力机制的循环神经网络预测算法模型。首先对t时刻的输入数据xt进行注意力机制处理,得到输入数据xt的输出状态ht;然后计算t时刻的输出状态ht与循环神经网络模型层t-1时刻的隐藏状态st-1之间的相似度,即注意力分布,本发明使用点乘运算求得注意力分布atj;再对注意力分布atj利用softmax函数进行归一化处理;根据注意力分布atj来计算t时刻的输入数据xt的加权平均ct;最后将输入数据xt的加权平均ct与输入数据xt的输出状态ht作为循环神经网络模型层的输入,进而获得学习效果预测值。
其模型的数学描述如下:
ht=f(xt,ht-1)
atj=softmax(dot(st-1,ht))
st=g(st-1,ct,ot-1)
ot=h(st)
其中,xt为t时刻的输入数据,ht-1为t-1时刻的输出状态,ht为t时刻的输出状态,f是注意力机制函数;ct为t时刻的输入数据的注意力权重,st-1为t-1时刻的输出状态,ot-1为t-1时刻的输出预测值,st为t时刻的输出状态,g是循环神经网络的隐藏层函数;ot为t时刻的输出预测值,h是循环神经网络的输出层函数;hj为第j个参数,atj为t时刻第j个参数的权重系数,n为输入数据的输出状态数。
本发明所述的预测算法模型选用的损失函数为交叉熵,其表达式如下:
其中,yt为真实效果值,ot为模型输出预测值,N为时刻数。
相较于现有技术,针对现有基于大规模开放在线课程的学习行为信息进行行为分析与学习效果预测中,忽略用户的学习能力与学习动机,且没有考虑用户在不同类别课程中的参与模式,本发明的预测系统20中,设置所述狄利克雷过程算法模型271对应挖掘用户的学习能力信息273和学习动机信息275,利用所述预测算法模型291更加准确的预测学习效果,提高预测精度的同时,有利于用户根据预测结果对应调整自我学习行为模式。
请参阅图2,是图1所示预测用户学习效果的方法示意图。当所述用户在线学习行为模式预测用户在不同类别在线课程中学习效果的系统工作时,其包括如下步骤:
步骤S01,提供所述学习行为信息采集模组,采集用户基本信息201和学习行为信息202,生成学习行为信息集合;
其中,在该步骤中,所述学习行为信息202可以是原始学习行信息,也可以是对原始行为信息进行预加工后生成的学习行为信息。
步骤S02,提供内设有付出-收获算法模型231的学习效率计算模组23,其接收来自所述学习行为信息采集模组21的针对特定用户u的学习行为信息,所述付出-收获算法模型231对该学习行为信息进行计算,获得该用户的学习效率矩阵233;
步骤S03,提供内设有聚类算法模型251的学习行为模式计算模组25,其接收来自所述学习效率计算模组23的学习效率矩阵231,所述聚类算法模型251根据所述学习效率矩阵231对用户分类,生成用户分类信息253及用户的学习行为模式信息255;
步骤S04,提供内预设狄利克雷过程算法模型271的学习能力-动机计算模组27,其中所述学习能力-动机计算模组27接收来自所述学习行为模式计算模组25的学习行为模式信息255,所述狄利克雷过程算法模型271基于用户分类信息253对应生成用户的学习能力信息273和学习动机信息275;
步骤S05,提供内预设预测算法模型291的所述学习效果预测模组29,所述学习效果预测模组29接收来用户学习能力信息273和学习动机信息275,所述预测算法模型291基于所述学习能力信息273和学习动机信息275,并结合所述用户学习行为信息211、用户基本信息201预测在线学习用户的学习效果,对应输出用户学习效果预测值。
至此,对用户的在线学习效果预测完成。
相较于现有技术,本发明提供的基于用户在线学习行为模式预测学习效果的系统200基于付出-收获匹配度的学习行为模式识别以及预测学习效果,根据学习行为信息,从付出、收获匹配度的角度挖掘用户的学习能力与学习动机作为考虑因素预测学习效果,提高预测精度。另一方面,针对用户在不同类别的课程学习中用户的参与模式存在区别,挖掘出用户在不同类别的课程中的学习行为模式差异,提高预测准确率,方便用户结合预测效果针对性改善学习行为。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于用户在线学习行为模式预测学习效果的系统,其特征在于,包括:
学习行为信息采集模组,对应采集用户历史学习行为信息及用户基本信息;
内预设付出-收获算法模型的学习效率计算模组,所述付出-收获算法模型根据用户在不同类别的在线课程中的学习行为信息生成用户的学习效率矩阵;
内预设聚类算法模型的学习行为模式计算模组,所述聚类算法模型根据所述用户的学习效率矩阵对用户分类,进而获得用户分类信息及用户的学习行为模式信息;
内预设狄利克雷过程算法模型的学习能力-动机计算模组,所述狄利克雷过程算法模型基于用户的学习行为模式信息对应生成用户的学习能力信息和学习动机信息;
内预设预测算法模型的学习效果预测模组,所述预测算法模型基于所述用户的学习能力信息、所述用户的学习动机信息、用户基本信息以及用户在线学习行为信息,利用循环神经网络算法融合注意力机制构建预测模型预测用户在在线学习课程中的学习效果。
2.根据权利要求1所述的基于用户在线学习行为模式预测学习效果的系统,其特征在于,所述学习行为信息包括原始学习行为信息和对原始行为信息进行预加工后生成的学习行为信息。
7.根据权利要求1所述的基于用户在线学习行为模式预测学习效果的系统,其特征在于,所述预测算法模型是利用注意力机制与循环神经网络算法融合设计的预测模型,基于用户在不同类别的在线课程学习中的学习能力信息与学习动机信息,结合所述用户在在线课程学习中的学习行为信息和用户基本信息作为模型输入,对应输出用户在在线课程学习中的学习效果预测值。
8.一种采用如权利要求1所述的基于用户在线学习行为模式预测学习效果的系统的预测方法,其包括如下步骤:
提供所述学习行为信息采集模组,生成学习行为信息集合;
提供内设有付出-收获算法模型的学习效率计算模组,所述付出-收获算法模型对所述学习行为信息进行计算,获得用户的学习效率矩阵;
提供内设有聚类算法模型的学习行为模式计算模组,所述聚类算法模型对用户分类,生成用户分类信息及学习行为模式信息;
提供内预设狄利克雷过程算法模型的学习能力-动机计算模组,所述狄利克雷过程算法模型生成用户的学习能力信息和学习动机信息;
提供内预设预测算法模型的学习效果预测模组,所述预测算法模型基于用户的学习能力信息与学习动机信息,结合用户在在线课程中的学习行为信息与用户基本信息作为输入,对应输出用户学习效果预测值;
至此,完成对用户在线学习的学习效果预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572727.2A CN111523738B (zh) | 2020-06-22 | 2020-06-22 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010572727.2A CN111523738B (zh) | 2020-06-22 | 2020-06-22 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523738A true CN111523738A (zh) | 2020-08-11 |
CN111523738B CN111523738B (zh) | 2023-07-21 |
Family
ID=71910068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010572727.2A Active CN111523738B (zh) | 2020-06-22 | 2020-06-22 | 基于用户在线学习行为模式预测学习效果的系统及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523738B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163778A (zh) * | 2020-10-13 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种在线开放课程视频质量量化评价方法 |
CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
CN113780665A (zh) * | 2021-09-15 | 2021-12-10 | 湖南大学 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003131549A (ja) * | 2001-10-24 | 2003-05-09 | Nippon Telegr & Teleph Corp <Ntt> | 学習コース設計支援装置、そのプログラムおよびそのプログラムを記録した媒体 |
CN107506712A (zh) * | 2017-08-15 | 2017-12-22 | 成都考拉悠然科技有限公司 | 一种基于3d深度卷积网络的人类行为识别的方法 |
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 |
US20180247549A1 (en) * | 2017-02-21 | 2018-08-30 | Scriyb LLC | Deep academic learning intelligence and deep neural language network system and interfaces |
CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN110134871A (zh) * | 2019-05-27 | 2019-08-16 | 湖南大学 | 一种基于课程和学习者网络结构的动态课程推荐方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
-
2020
- 2020-06-22 CN CN202010572727.2A patent/CN111523738B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003131549A (ja) * | 2001-10-24 | 2003-05-09 | Nippon Telegr & Teleph Corp <Ntt> | 学習コース設計支援装置、そのプログラムおよびそのプログラムを記録した媒体 |
US20180247549A1 (en) * | 2017-02-21 | 2018-08-30 | Scriyb LLC | Deep academic learning intelligence and deep neural language network system and interfaces |
CN107506712A (zh) * | 2017-08-15 | 2017-12-22 | 成都考拉悠然科技有限公司 | 一种基于3d深度卷积网络的人类行为识别的方法 |
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 |
CN109242149A (zh) * | 2018-08-13 | 2019-01-18 | 华中师范大学 | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 |
CN109272164A (zh) * | 2018-09-29 | 2019-01-25 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN110134871A (zh) * | 2019-05-27 | 2019-08-16 | 湖南大学 | 一种基于课程和学习者网络结构的动态课程推荐方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
Non-Patent Citations (3)
Title |
---|
"Pragmatic gains in the study abroad context: Learners\' experiences and recognition of pragmatic routines" * |
MARYAM IMANI: "A survey of emotion recognition methods with emphasis on E-Learning environments" * |
马飞: "基于聚类算法的MOOCs学习者分类及学习行为模式研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163778A (zh) * | 2020-10-13 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种在线开放课程视频质量量化评价方法 |
CN112163778B (zh) * | 2020-10-13 | 2024-03-15 | 中国人民解放军国防科技大学 | 一种在线开放课程视频质量量化评价方法 |
CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
CN113780665A (zh) * | 2021-09-15 | 2021-12-10 | 湖南大学 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
CN113780665B (zh) * | 2021-09-15 | 2023-09-29 | 湖南大学 | 一种基于增强循环神经网络的私家车停留位置预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111523738B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nabizadeh et al. | Adaptive learning path recommender approach using auxiliary learning objects | |
CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
Huo et al. | Knowledge modeling via contextualized representations for LSTM-based personalized exercise recommendation | |
CN111242310B (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
CN111523738A (zh) | 基于用户在线学习行为模式预测学习效果的系统及预测方法 | |
CN111831905A (zh) | 基于团队科研影响力及可持续性建模的推荐方法和装置 | |
Xia et al. | Personalized exercise recommendation algorithm combining learning objective and assignment feedback | |
Liao et al. | Course drop-out prediction on MOOC platform via clustering and tensor completion | |
Gao et al. | Modeling the effort and learning ability of students in MOOCs | |
CN113672809A (zh) | 一种基于个性化推荐算法的智能导学方法及系统 | |
Sakboonyarat et al. | Massive open online courses (MOOCs) recommendation modeling using deep learning | |
Jiang et al. | Preference cognitive diagnosis for student performance prediction | |
Hagedoorn et al. | Massive open online courses temporal profiling for dropout prediction | |
Islam et al. | Pakes: a reinforcement learning-based personalized adaptability knowledge extraction strategy for adaptive learning systems | |
Huang et al. | Collaborative prediction of examinee performance based on fuzzy cognitive diagnosis via cloud model | |
Zhang et al. | A combined weighting based large scale group decision making framework for MOOC group recommendation | |
CN111401525A (zh) | 一种基于深度学习的适应性学习系统和方法 | |
Guan et al. | Kg4ex: An explainable knowledge graph-based approach for exercise recommendation | |
CN116186409A (zh) | 一种结合难度与薄弱知识点的多样化习题推荐方法、系统及设备 | |
Simmons et al. | Large language models as subpopulation representative models: A review | |
Shrestha et al. | Determining learning style preferences of learners | |
Wang | Building Bayesian networks: elicitation, evaluation, and learning | |
CN113762324A (zh) | 虚拟对象检测方法、装置、设备及计算机可读存储介质 | |
CN111612572A (zh) | 一种基于推荐系统的自适应局部低秩矩阵近似建模方法 | |
CN113722608B (zh) | 迭代副信息指导下基于关联关系学习的协同过滤方法及装置 |
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 |