CN111950892A - 一种数据驱动的大学生个性化学习行为预测与干预方法 - Google Patents
一种数据驱动的大学生个性化学习行为预测与干预方法 Download PDFInfo
- Publication number
- CN111950892A CN111950892A CN202010798978.2A CN202010798978A CN111950892A CN 111950892 A CN111950892 A CN 111950892A CN 202010798978 A CN202010798978 A CN 202010798978A CN 111950892 A CN111950892 A CN 111950892A
- Authority
- CN
- China
- Prior art keywords
- intervention
- data
- habit
- behavior
- learning behavior
- 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 190
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 76
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000000611 regression analysis Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000004393 prognosis Methods 0.000 claims description 5
- 230000002650 habitual effect Effects 0.000 claims description 2
- 238000012314 multivariate regression analysis Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 18
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种数据驱动的大学生个性化学习行为预测与干预方法，包括：采集大学生日常校园活动数据，形成反应大学生日常学习行为过程的标准数据集，通过时空图神经网络模型，以自适应学习方法获取日常学习行为习惯；应用习惯模型进行日常学习行为预测，建立习惯与学习行为活动的参数关系；开展持续性的日常学习活动行为监测，根据数据实测与模型预测结果，构建多元回归分析模型，优化习惯模型；设置习惯关联行为强度阈值，构建三级行为干预模式，通过数据实测与回归分析干预过程，形成数据驱动的持续性回归干预机制。本发明通过量化干预行为参数，实现数据驱动的精准干预，持续确保干预能有效地、更好地帮助学生养成良好学习习惯。
Description
技术领域
本发明属于教育技术学与计算机科学、地理信息科学的交叉技术领域，具体涉及一种数据驱动的大学生个性化学习行为预测与干预方法。
背景技术
自古以来，不论是国内还是国外，教育家们对于习惯的重要性有着统一的认识，习惯对人极为重要，心理学家威廉·詹姆斯提出过关于行为习惯的可塑性理论，即学习习惯是一个可以慢慢形成的过程，并且最终会形成一个平衡稳定的状态。养成与干预是在心理学和教育学有关理论指导下，对个体或群体的问题行为施加策略性影响，使之发生指向预期目标的变化。因而，对良好习惯的养成，实质是一个行为的变化过程。
教育信息化基础设施建设的不断完善，为采集大学生校园生活的大数据奠定了基础，进而为全面认识大学生行为习惯特点、全面发挥习惯作用提供了可能性。现有对大学生行为习惯干预的研究多采用针对习惯行为的分类干预，通过特定的模型来设置干预的内容与实施策略，但现有干预方法缺少一种对行为量化表达及其干预后，习惯变化的回归与分析过程，进而无法实现对大学生行为习惯的持续干预，难以有效改变大学生的不良学习生活习惯。
因此研究一种习惯变化所发生行为的干预方法是十分必要的，不仅需要对大学生所产生的日常学习行为习惯数据进行实时采集，还需要对不同强度的学习行为习惯采取数据驱动下的持续性干预，持续确保干预能有效更好的帮助学生养成良好学习习惯。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种数据驱动的大学生个性化学习行为预测与干预方法。本发明技术方案的方法，针对现有行为习惯干预方法与策略缺少行为量化表达并缺乏对行为持续性干预的现象，量化干预行为参数，设计多阶段监测、预测，构建干预后的回归分析方法，实现数据驱动的精准干预，持续确保干预能有效地、更好地帮助学生养成良好学习习惯。
为实现上述目的，本发明提供了如下方案：本发明提供一种数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，包括如下步骤：
采集大学生的各种校园活动数据并进行预处理，进而形成标准数据集，应用时空图神经网络模型对所述标准数据集进行处理，生成日常学习行为习惯；
根据所述日常学习行为习惯，构建习惯模型，并建立习惯与学习行为活动的参数关系；
开展持续性的日常学习行为变化监测并对大学生日常学习行为进行习惯模型预测，根据监测结果及预测结果，构建多元回归分析模型，对所述习惯模型进行优化；
基于所述多元回归分析模型，设置习惯关联行为强度阈值，构建三级行为干预模式，进行整体到局部的分层干预，通过所述多元回归模型对干预后的学习行为的实测数据进行回归分析，形成数据驱动的持续性回归干预机制。
优选地，所述标准数据集的获取方法为，通过对不同来源数据进行不同的预处理，得到大学生外显行为活动参数数据，将处理后的数据存储于非关系型数据库中，进而形成标准数据集。
优选地，所述时空图神经网络模型选取校园活动的行为活动要素为输入数据，将每一时刻或每一周期所采集的数据构建一个层次的图网络模型，对校园活动数据进行自动分类，再对分类得到的学习行为构建序列，生成学习行为习惯。
优选地，所述习惯模型以所述学习行为习惯为因变量，以所述校园活动的行为活动要素为自变量，模型表达如下：
y＝a1x1+a2x2+a3x3+…+anxn
其中：a1,…,an是待估计的参数，y表达为某一个学习行为习惯，xi表达为与习惯关联的要素，共有n个要素。
优选地，在所述习惯模型的基础上，通过构建校园行为活动要素对学习行为习惯变化相关性方向分析建立习惯与学习行为活动的参数关系，所述相关性方向分析公式为：
其中：
为与习惯的关联要素均值；r表达学习行为习惯y由其关联要素的相关性方向性判断，其取值区间为[-1，1]，-1表示完全的负相关，+1表示完全的正相关。
优选地，所述多元回归模型的建立方法如下：通过获取大学生外显行为干预参数，并将所述干预参数作为自变量，将学习行为习惯作为因变量，由此可得多元回归方程为：
y＝a0x0+a1x1+a2x2+…+anxn+ε
其中：y表达为学习行为习惯，x0,x1,x2,...,xn为行为干预参数的集合，a0，a1,…,an为习惯评价数据，ε是随机变量；
将x1,x2,…，xm的n组行为观测参数与y1,y2,...,yn的n个学习行为习惯代入多元回归方程得：
其中：xnm为第n个学习行为习惯的第m个行为观测参数；β0，β1，...，βm为回归系数，是m+1个待估计的参数；ε1，...，εn是n个相互独立且服从同一正态分布N(0，σ)的随机变量。
优选地，所述三级干预机制采用行为干预方法，所述行为干预方法包括习惯的干预方式及习惯的干预范围；
所述习惯的干预方式包括自动干预、半自动干预及人工干预；
所述习惯的干预范围包括群体干预和个体干预。
优选地，所述三级干预机制包括一级干预、二级干预和三级干预；
所述一级干预针对学习行为习惯强度等级低的学习者，采用自动干预和群体干预；
所述二级干预针对学习行为习惯强度中等的学习者，采用半自动干预和群体干预；
所述三级干预针对学习行为习惯严重影响学业的学习者，采用人工干预和个体干预。
优选地，所述数据驱动的持续性回归干预机制的实现过程为，通过所述多元回归模型分析与比较所述习惯模型预测结果与实测结果，并根据活动对习惯的实际作用，进一步调整行为干预参数，并实施新一轮干预，形成持续性的回归干预机制。
本发明公开了以下技术效果：
(1)本发明技术方案的方法，从多学科融合出发，应用大数据的方法，从大学生日常校园活动数据出发，探索一种新的学习行为预测与干预方法，实现对大学生学习行为习惯变化的持续性监测、预测以及干预，确保大学生养成良好习惯，顺利成才的重要保障；
(2)本发明技术方案的方法，建立了大学生外显行为与习惯的量化关系，为习惯变化提供了基于数据量化的明确依据，进而构建了习惯养成过程中基于行为的参数量化回归干预机制，为实现对大学生学习行为习惯的个性化干预提供了可能；
(3)本发明技术方案的方法，提出了个性化学习行为的分级干预策略与实施方法，并对量化的干预行为采取阶段性、持续性回归分析，实现过程化、持续性监测与预测，精准实施干预，以期真正达到个性化培养与个性化成材的教育效果。
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是本发明技术方案实施例的大学生个性化学习行为预测与回归干预的流程图；
图2是本发明技术方案实施例所述的提取大学生个性化学习习惯的流程图；
图3是本发明技术方案实施例所述的构建习惯模型流程图；
图4是本发明技术方案实施例所述的数据驱动的回归干预机制流程图；
图5是本发明技术方案实施例所述的学习行为的三级干预模式结构图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例的数据驱动的大学生个性化学习行为预测与干预方法包括如下步骤：
S1，如图2所示，采集大学生的各种校园活动数据，针对不同来源的数据，进行不同的预处理，进而形成反应大学生日常学习行为过程的标准数据集；应用时空图神经网络模型并以自适应学习方法对所述标准数据集进行自动分类，对分类得到的数据构建序列，生成日常学习行为习惯。
S11，通过数字校园建设中各部门提供的校园大数据，获得大学生在校园中日常产生的校园活动数据，本实施例采集大学生的学习活动、生活活动、文体娱乐活动及休息活动作为数据来源；其中学习活动包括上课数据、作业数据、选课数据等；生活活动包括图书馆数据、食堂就餐数据、校内购物数据、学生实习数据等；文体娱乐活动包括社区活动数据、上网数据以及运动数据等；休闲活动包括进出校门数据、进出宿舍数据、宿舍停留时长数据、起床数据、睡觉数据、打水数据、洗澡数据等。针对来自不同来源的数据，进行不同的预处理，得到大学生外显行为活动参数，包括外显行为的变化时间、空间、时长等关键干预要素，处理后的数据存储于MongoDB中，即存储于非关系型数据库中。
S12，将校园活动的行为活动要素作为时空图神经网络模型的输入数据，将每一时刻或每一周期所采集数据构建一个层次的图网络模型，从而对校园活动数据进行自动分类。本实施例将行为所发生的时间、空间、频次及时长作为大学生在校园中各个活动的行为活动要素。由于大学生的学习行为习惯可表达复杂的网络结构，将其行为定义为节点，节点的属性表达为该行为在数字校园活动中所采集的数据，在此基础上，结合行为数据节点间的关系，利用时空图神经网络不断更新迭代每个节点的数据，构建每个节点都有相邻关系的集合，最终得到习惯的分类表达，获得大学生在校园中的学习行为习惯。
S2，如图3所示，根据获得所述日常学习行为习惯，构建习惯模型，并建立习惯与学习行为活动的参数关系，依据不同行为活动要素与习惯的关系，获取行为干预参数。
S21，为预测大学生个性化的日常学习行为，基于校园活动要素与学习行为习惯，构建习惯模型。本实施例中，将某一个学习行为习惯作为因变量，将大学生在校园生活中各个活动的行为活动要素作为自变量，包括行为发生的时间、空间、频次以及时长等，构建习惯模型，从而预测日常学习行为。表达式如下：
y＝alx1+a2x2+a3x3+…+anxn (1)
其中：y表达为某一个学习行为习惯；xi则表达为与习惯关联的要素，共有n个要素；ai表示各习惯关联要素的线性相关系数，共有n个系数。
需要指出的是xi是校园活动某一类活动的归一化要素数据，而并非其具体的原始采样数据。而xi本身需要根据其所属具体活动分类，具体构建基于其活动数据归一化后无量纲化参数。
例如，设定x1描述校园活动中生活活动，根据既有校园数字化建设中，与大学生生活活动相关的监测与采集数据，构建其表达归一化模型。其形式化表达如下列公式所示：
其中：x1i表达为生活活动不同记录内容数据；norm(x1i)则为每一个观测采集数据归一化后的值；αi则为生活活动中不同的观测数据的占比影响。
针对不同的校园活动，本实施例不设定其占比影响，而通过使用大量数据学习来获取其参考值。
S22，在习惯模型的基础之上，构建校园行为活动要素对学习行为习惯变化相关性方向分析以建立习惯与学习行为活动的参数关系，相关性方向分析表达如下：
其中：
为与习惯的关联要素均值；r表达学习行为习惯y由其关联要素的相关性方向性判断，其取值区间为[-1，1]，-1表示完全的负相关，+1表示完全的正相关。
因此，通过相关性方向分析公式构建习惯变化过程中不同行为基于观测变量的参数模型，归一化模式公式描述了不同类型活动对习惯变化的影响，或影响习惯发展方向的参数化表达。
S3，如图4所示，开展在确定时间、空间及频次干预后的持续性的日常学习行为变化监测，获得大学生外显行为变化的实测效果，并进行习惯模型预测，根据监测结果及所述习惯模型预测结果，构建多元回归分析模型，进而对所述习惯模型进行优化。
S31，应用基于时空过程演化的多元回归方法，建立学习行为习惯与外显行为干预参数的量化关系。首先，获取大学生外显行为干预参数，包括行为发生的时间、空间、频次以及时长等参数，将行为干预参数作为自变量，将学习行为习惯作为因变量，构建多元回归分析方程，从而反应习惯养成过程中习惯随着行为量化参数变化的数理关系。具体过程为：
设置y表达为学习行为习惯，x0,x1,x2,...,xn表达为行为干预参数的集合，随机变量y随着m个自变量变化，且有如下的线性关系式：
y＝a0x0+a1x1+a2x2+…+anxn+ε (4)
其中；a0，a1,…,an为习惯评价数据；ε是随机变量。
将x1,x2,…，xm的n组行为观测参数与y1,y2,...,yn的n个学习行为习惯代入多元回归方程(4)得：
其中；xnm为第n个学习行为习惯的第m个行为观测参数；β0，β1，...，βm为回归系数，是m+1个待估计的参数；ε1，...，εn是n个相互独立且服从同一正态分布N(0，σ)的随机变量。
回归模型建立后，当前回归系数反映了习惯养成过程中行为量化干预参数与习惯的结构关系，给定未来某时刻t的自变量X值并代入多元回归模型，将可以得出学生在调节行为参数后的习惯特征变化以及外显行为的变化，形成数据驱动下的行为干预量化回归机制。
S32，针对需要进行行为干预的大学生，采取持续的行为活动数据跟踪，获取当前大学生行为变化的时间、空间、时长以及频次等要素，分析实测的数据与习惯模型的预测结果，从而优化习惯模型，更好的预测习惯，并进一步更新行为干预参数。
S4，如图5所示，基于所述多元回归分析模型，设置习惯关联行为强度阈值，构建三级行为干预模式，进行整体到局部的分层干预；通过所述多元回归模型对干预后的学习行为的实测数据进行回归分析，得到习惯变化趋势，并进一步调整所述干预参数，形成数据驱动的持续性回归干预机制。
S41，通过行为量化的多元回归分析模型，为不同习惯强度的习惯关联行为分配阈值，从而对其进行精准分类，给定相对应的干预级别。具体地，本实施例中将学习行为的干预方式分为自动干预、半自动干预以及人工干预，干预范围分为群体干预和个体干预。
1.自动干预、半自动干预以及人工干预
自动干预的实施主体主要为系统，以实测的学生行为习惯特征为基础，为每种类型的行为习惯设计干预实施的规则，其中包括实施对象、实施时间、实施内容等，实施内容是自动干预的核心，将实施内容的类型分为活动型、资源型、学习支持服务型以及形成性评价型。
活动型：为学习者设计任务驱动式的干预活动，活动形式可分为线上活动和线下活动。任务驱动式的干预是一个激发学习者主动改变行为的过程，根据学习者的习惯特征设计各式各样的活动，例如每日学习计划打卡、制定每月阅读清单等。
资源型：针对学习者学习习惯的个体差异性，学习水平以及生活方式的不同，为学习者提供不同层次、不同类型的数字化学习资源，帮助学生扫清学习上、生活上的阻碍，为处于迷茫中的大学生指点迷津、指明方向，使其更好的提升学习技能、生活技能。
学习支持服务型：为学习者提供各种学术类支持、管理类支持与情感类支持的服务。例如任务通知、平台交流、心理测试、职业规划指导等相关服务，帮助学生更好的改善学习行为习惯。
形成性评价型：基于外显行为的习惯变化趋势分析结果，在培养学习者养成良好学习行为习惯的过程中，及时提供行为习惯的特征评价，使学习者动态掌握自身行为习惯养成的过程，其目的是使学习者有效的调控自己的行为习惯、获取成就感、增强自信心，让学习者在干预过程中从被动干预者转变为主动参与者。
半自动干预主要有两个实施主体，系统与教育者。在系统实施自动干预后，采取一定时期的持续监控手段，跟踪该类型学习者的学习行为习惯的变化趋势，若习惯的变化波动较大，则通知教育者对学习者给予线下的帮助，如个性化的学习指导和建议等。
人工干预是由教育者直接实施的干预方式，首先系统会为教育者提供被干预学生的习惯行为特征报告，随之教育者为其制定有针对性的干预方案，以最适合学习者本身特性的方式引导学生培养良好的学习习惯。
2.群体干预和个体干预
根据学习者学习行为习惯的强度大小，将干预的实施方式分为群体式和个体式。群体式是对具有同质特征的群体提供相同的干预策略，而个体式是为学习者个体提供一对一的个性化干预，根据学生形成习惯的成因，提出针对性强、指向性强的干预策略。
本实施例中，将实施级别分为三个阶段：
第一个阶段：一级干预，此类学生属于学习行为习惯强度等级低的学习者。这一级别的学生人数大概占干预群体的80％。主要采用自动干预和群体干预。其主要形式是对具有同质特征的群体，匹配已预设好的干预策略，引导学生朝着期望的方向发展。
第二个阶段：二级干预，此类学生属于学习行为习惯强度中等的学习者。这一级别的学生人数大概占干预群体的15％。主要采用半自动干预和群体干预。首先对需要干预的群体采取自动干预，其次进行一定时期的行为习惯监控，若学生的学习行为习惯并没有得到预期的改善，那么干预方式则转变为人工干预，教育者对学生进行有的放矢的说服教育，提出基于干预模型的行为要求，促进他们行为习惯的转化，达到知行统一的教育效果。
第三个阶段：三级干预，此类学生属于学习行为习惯严重影响学业的学习者。这一级别的学生人数大概占干预群体的5％。主要采用人工干预和个体干预。因为该类学生的行为已经严重影响学业，所以开展以个体为单位的干预，在干预周期上会采取比二级干预更长时间的行为习惯监控。在监控过程中，根据其个体行为习惯变化趋势，教育者会动态调整干预策略，制定最适合于学习者的方案，使干预效果达到最优，循序渐进的引导学生改掉难以克服的恶习。
S42，根据不同的行为干预模式，以被干预者为中心，实现在持续性习惯变化监测下的学习习惯变化趋势的预测，以实测的学习习惯为准，分析预测与实测之间的差异，如果学生在干预后习惯呈正向变化，则采取激励机制，充分发挥学生内在潜能，调动其主观能动性，使习惯变化保持正向的、上升的趋势；如果习惯呈负向变化，则根据学生行为的实测数据动态调节其行为所发生的时间、空间、周期以及时长等行为干预参数。通过行为干预的量化回归机制，优化个性化干预策略，完成习惯养成过程中的个性化再干预，使模型呈现一个不断更新、反复、螺旋上升的过程，以实现学习者良好学习行为习惯的形成。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，包括如下步骤：
采集大学生的各种校园活动数据并进行预处理，进而形成标准数据集，应用时空图神经网络模型对所述标准数据集进行处理，生成日常学习行为习惯；
根据所述日常学习行为习惯，构建习惯模型，并建立习惯与学习行为活动的参数关系；
开展持续性的日常学习行为变化监测并对大学生日常学习行为进行习惯模型预测，根据监测结果及预测结果，构建多元回归分析模型，对所述习惯模型进行优化；
基于所述多元回归分析模型，设置习惯关联行为强度阈值，构建三级行为干预模式，进行整体到局部的分层干预，通过所述多元回归模型对干预后的学习行为的实测数据进行回归分析，形成数据驱动的持续性回归干预机制。
2.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述标准数据集的获取方法为，通过对不同来源数据进行不同的预处理，得到大学生外显行为活动参数数据，将处理后的数据存储于非关系型数据库中，进而形成标准数据集。
3.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述时空图神经网络模型选取校园活动的行为活动要素为输入数据，将每一时刻或每一周期所采集的数据构建一个层次的图网络模型，对校园活动数据进行自动分类，再对分类得到的学习行为构建序列，生成学习行为习惯。
4.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述习惯模型以所述学习行为习惯为因变量，以所述校园活动的行为活动要素为自变量，模型表达如下：
y＝a1x1+a2x2+a3x3+…+anxn
其中：a1,…,an是待估计的参数；y表达为某一个学习行为习惯；xi表达为与习惯关联的要素，共有n个要素。
5.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，在所述习惯模型的基础上，通过构建校园行为活动要素对学习行为习惯变化相关性方向分析建立习惯与学习行为活动的参数关系，所述相关性方向分析公式为：
其中：
为与习惯的关联要素均值；r表达学习行为习惯y由其关联要素的相关性方向性判断，其取值区间为[-1，1]，-1表示完全的负相关，+1表示完全的正相关。
6.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述多元回归模型的建立方法如下：通过获取大学生外显行为干预参数，并将所述干预参数作为自变量，将学习行为习惯作为因变量，由此可得多元回归方程为：
y＝a0x0+a1x1+a2x2+…+anxn+ε
其中：y表达为学习行为习惯；x0,x1,x2,...,xn为行为干预参数的集合；a0，a1,…,an为习惯评价数据；ε是随机变量；
将x1,x2,…，xm的n组行为观测数据与y1,y2,...,yn的n个学习行为习惯代入多元回归方程得：
其中：xnm为第n个学习行为习惯的第m个行为观测参数；β0，β1，...，βm为回归系数；ε1，...，εn是n个相互独立且服从同一正态分布N(0，σ)的随机变量。
7.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述三级干预机制采用行为干预方法，所述行为干预方法包括习惯的干预方式及习惯的干预范围；
所述习惯的干预方式包括自动干预、半自动干预及人工干预；
所述习惯的干预范围包括群体干预和个体干预。
8.根据权利要求7所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述三级干预机制包括一级干预、二级干预和三级干预；
所述一级干预针对学习行为习惯强度等级低的学习者，采用自动干预和群体干预；
所述二级干预针对学习行为习惯强度中等的学习者，采用半自动干预和群体干预；
所述三级干预针对学习行为习惯严重影响学业的学习者，采用人工干预和个体干预。
9.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述数据驱动的持续性回归干预机制的实现过程为，通过所述多元回归模型分析与比较所述习惯模型预测结果与实测结果，并根据活动对习惯的实际作用，进一步调整行为干预参数，并实施新一轮干预，形成持续性的回归干预机制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798978.2A CN111950892B (zh) | 2020-08-11 | 2020-08-11 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798978.2A CN111950892B (zh) | 2020-08-11 | 2020-08-11 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950892A true CN111950892A (zh) | 2020-11-17 |
| CN111950892B CN111950892B (zh) | 2023-08-18 |
Family
ID=73332005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010798978.2A Active CN111950892B (zh) | 2020-08-11 | 2020-08-11 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950892B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113220773A (zh) * | 2021-05-28 | 2021-08-06 | 华中师范大学 | 一种学生评测数据画像的地图可视化方法及系统 |
| CN113435827A (zh) * | 2021-05-31 | 2021-09-24 | 广州番禺职业技术学院 | 一种智慧场域下的课堂知识应用传播系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100082643A (ko) * | 2009-01-09 | 2010-07-19 | 주식회사 티엠디교육그룹 | 학습 진단 검사 시스템 및 방법 |
| CA2782841A1 (en) * | 2011-10-17 | 2013-04-17 | Desire2Learn Incorporated | Systems and methods for monitoring and predicting user performance |
| US20150006424A1 (en) * | 2013-06-28 | 2015-01-01 | ThinkTank Learning Inc. | College admission optimizer for an individualized education consulting system and method |
| US20170300605A1 (en) * | 2016-04-19 | 2017-10-19 | General Electric Company | Creating predictive damage models by transductive transfer learning |
| CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
| 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 |
| CN109636688A (zh) * | 2018-12-11 | 2019-04-16 | 武汉文都创新教育研究院（有限合伙） | 一种基于大数据的学生行为分析系统 |
| CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
| CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
| US20190189025A1 (en) * | 2017-12-20 | 2019-06-20 | International Business Machines Corporation | Personalized intervention based on machine learning of behavior change states |
| CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
| CN110109963A (zh) * | 2017-12-31 | 2019-08-09 | 广州明领基因科技有限公司 | 针对学生学习行为的大数据分析与推荐系统 |
| CN110598770A (zh) * | 2019-08-30 | 2019-12-20 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
-
2020
- 2020-08-11 CN CN202010798978.2A patent/CN111950892B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100082643A (ko) * | 2009-01-09 | 2010-07-19 | 주식회사 티엠디교육그룹 | 학습 진단 검사 시스템 및 방법 |
| CA2782841A1 (en) * | 2011-10-17 | 2013-04-17 | Desire2Learn Incorporated | Systems and methods for monitoring and predicting user performance |
| US20150006424A1 (en) * | 2013-06-28 | 2015-01-01 | ThinkTank Learning Inc. | College admission optimizer for an individualized education consulting system and method |
| US20170300605A1 (en) * | 2016-04-19 | 2017-10-19 | General Electric Company | Creating predictive damage models by transductive transfer learning |
| US20190189025A1 (en) * | 2017-12-20 | 2019-06-20 | International Business Machines Corporation | Personalized intervention based on machine learning of behavior change states |
| CN110109963A (zh) * | 2017-12-31 | 2019-08-09 | 广州明领基因科技有限公司 | 针对学生学习行为的大数据分析与推荐系统 |
| CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
| 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 |
| CN109636688A (zh) * | 2018-12-11 | 2019-04-16 | 武汉文都创新教育研究院（有限合伙） | 一种基于大数据的学生行为分析系统 |
| CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
| CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
| CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
| CN110598770A (zh) * | 2019-08-30 | 2019-12-20 | 华中师范大学 | 一种多空间融合学习环境构建方法和装置 |
Non-Patent Citations (6)
| Title |
|---|
| "基于顾客透镜理论的远程教育绩效管理模型", 中国市场, pages 26 - 28 * |
| SHEMANE MURTAGH.ETC: "Predicting active school travel: The role of planned behavior and habit strength", INTERNATIONAL JOURNAL OF BEHAVIORAL NUTRITION AND PHYSICAL ACTIVITY VOLUME, pages 9 - 65 * |
| 丁鹏飞;: "学习分析技术在教学中的应用研究", 实验室研究与探索, no. 04, pages 215 - 219 * |
| 李彤彤等: "基于教育大数据的学习干预模型构建", 中国电化教育, pages 16 - 20 * |
| 王改花;傅钢善;: "数据挖掘视角下网络学习者行为特征聚类分析", 现代远程教育研究, no. 04, pages 106 - 112 * |
| 陈耀礼: "基于学习分析的小学生学习干预模型构建与实证研究", 中国优秀硕士学位论文全文数据库, pages 129 - 52 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113220773A (zh) * | 2021-05-28 | 2021-08-06 | 华中师范大学 | 一种学生评测数据画像的地图可视化方法及系统 |
| CN113220773B (zh) * | 2021-05-28 | 2023-09-01 | 华中师范大学 | 一种学生评测数据画像的地图可视化方法及系统 |
| CN113435827A (zh) * | 2021-05-31 | 2021-09-24 | 广州番禺职业技术学院 | 一种智慧场域下的课堂知识应用传播系统 |
| CN113435827B (zh) * | 2021-05-31 | 2022-11-25 | 广州番禺职业技术学院 | 一种智慧场域下的课堂知识应用传播系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950892B (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Flynn | Baccalaureate attainment of college students at 4-year institutions as a function of student engagement behaviors: Social and academic student engagement behaviors matter | |
| Ferreira et al. | The influence of entrepreneurship education on entrepreneurial intentions | |
| Stäbler et al. | What happens to the fish’s achievement in a little pond? A simultaneous analysis of class-average achievement effects on achievement and academic self-concept. | |
| Galbraith et al. | Faculty research productivity and standardized student learning outcomes in a university teaching environment: A Bayesian analysis of relationships | |
| Chen et al. | The education of migrant children in China's urban public elementary schools: Evidence from Shanghai | |
| CN111950708B (zh) | 一种发现大学生日常生活习惯的神经网络结构与方法 | |
| Geven et al. | Gender differences in resistance to schooling: The role of dynamic peer-influence and selection processes | |
| CN110414874B (zh) | 一种基于大数据的教师培养系统 | |
| Di Pietro et al. | Reconciling internal and external performance in a holistic approach: A Bayesian network model in higher education | |
| Watson et al. | Living green: examining sustainable dorms and identities | |
| Putra et al. | Impact of learning motivation, cognitive and self-efficacy in improving learning quality e-learning in industrial era 4.0 | |
| CN111950892A (zh) | 一种数据驱动的大学生个性化学习行为预测与干预方法 | |
| Foreman-Peck et al. | Should schools be smaller? The size-performance relationship for Welsh schools | |
| Fachinelli et al. | Measuring the capital systems categories: the perspective of an integrated value system of social life as perceived by young citizens | |
| Lathapipat | The influence of family wealth on the educational attainments of youths in Thailand | |
| Lerner et al. | Entrepreneurship in adolescence: A relational developmental systems approach | |
| Mu et al. | Behavior-based student typology: A view from student transition from high school to college | |
| Zamfir | Urban-Rural Educational Inequalities and Human Capital Polarization in Romania | |
| Flores et al. | Exploring study profiles of Computer Science students with Social Network Analysis. | |
| Halbe | Participatory modelling in sustainability transitions research | |
| Conroy-Beam et al. | Modeling mate choice in a small-scale community: Applying couple simulation in the US and Conambo, Ecuador | |
| Ugurlu | Social network analysis of the Farabi exchange program: Student mobility | |
| Vanderstraeten et al. | Educational expansion and socio-geographical inequality (Belgium, 1961–2011) | |
| Cao | The synergy mechanism of online-offline mixed teaching based on teacher-student relationship | |
| Zhou | Virtual Reality Revolutionizing Digital Marketing Design and Optimization of Online English Teaching in Universities with Wireless Network Technology Support in the Context of 5G |
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 |