CN112328077B - 高校学生行为分析系统、方法、设备及介质 - Google Patents
高校学生行为分析系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN112328077B CN112328077B CN202011223922.0A CN202011223922A CN112328077B CN 112328077 B CN112328077 B CN 112328077B CN 202011223922 A CN202011223922 A CN 202011223922A CN 112328077 B CN112328077 B CN 112328077B
- Authority
- CN
- China
- Prior art keywords
- student
- time
- students
- sleep
- data
- 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.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 25
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 230000003203 everyday effect Effects 0.000 claims abstract description 7
- 230000007958 sleep Effects 0.000 claims description 63
- 230000003860 sleep quality Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 230000004617 sleep duration Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000019116 sleep disease Diseases 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- 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
- G06Q50/01—Social networking
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Educational Technology (AREA)
Abstract
本申请提供一种高校学生行为分析系统、方法、设备及介质，该系统包括：数据获取模块，用于获取高校学生佩戴手环的行为数据，行为数据包括该学生的运动轨迹、语音数据与作息时间；数据分析模块，用于结合运动轨迹、语音数据与作息时间，分析每个学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间；成长分析模块，用于根据学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将成长分析报告发送管理员和/或家长以达到引导与督促的目的。通过检测学生在校表现状况生成成长分析报告，定时分享该报告至管理员和/或家长以达到引导与督促的目的，便于学生了解自己不足，更有利于提高学生的综合素质能力。
Description
技术领域
本申请涉及数据处理技术领域，也涉及教育领域，特别是涉及一种高校学生行为分析系统、方法、设备及介质。
背景技术
目前，高校学生(包括大学生)因为学习环境较为分散和不固定，每学期每门课的老师都不同，导致没有稳定的认知情况；并且在日常的学习生活中能够自我总结、自我反思的高校学生很少，这样就会导致高校学生在校时，不能够有明确的自我定位以及自我认知，以至于在学习中缺乏动力，出现旷课、早退的现象，导致在校学生的综合素质、甚至成绩都不理想。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种高校学生行为分析系统、方法、设备及介质，用于解决现有技术中高校学生学习动力不足的问题。
为实现上述目的及其他相关目的，本申请提供一种高校学生行为分析系统，包括：
数据获取模块，用于获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
数据分析模块，用于结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；
成长分析模块，用于根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的。
在本申请的一目的在于提供一种高校学生行为分析方法，包括：
获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；
根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的。
在本申请的另一目的在于提供一种电子设备，包括：
一个或多个处理装置；
存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置执行所述高校学生行为分析方法。
在本申请的还一目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行所述高校学生行为分析方法。
如上所述，本申请的高校学生行为分析系统、方法、设备及介质，具有以下有益效果：
通过分析学生的运动轨迹、语音数据与作息时间得到当前学生在校学习、活动与身体健康信息，通过多个维度检测所述学生在校表现状况生成成长分析报告，定时分享该成长分析报告至管理员和/或家长以达到引导与督促的目的，同时，也便于学生了解自己不足与优点，在有利于提高学习成绩的基础上，更有利于提高学生的综合素质能力。
附图说明
图1显示为本申请提供的一种高校学生行为分析系统结构框图；
图2显示为本申请提供的卷积神经网络的基本结构单元Base-Block结构单元；
图3显示为本申请提供的一种高校学生行为分析方法流程图；
图4显示为本申请提供的一种电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，为本申请提供的一种高校学生行为分析系统结构框图，包括：
数据获取模块1，用于获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
具体地，所述手环通过智能终端(如智能手机)联网上传数据至云端平台。
数据分析模块2，用于结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；
具体地，例如语音数据能够协助运动轨迹与作息时间准确判断当前学生所处的场景，例如，学生在校内食堂用餐，而楼下是校内超市，有时利用地理位置数据无法准确获取学生究竟当前在食堂还是超市，而通过语音数据采集的环境声音，能够协助当前学生所处场景与所做的具体事宜。
比较校内多个学生的运动轨迹有重合或交叉时，根据时空有效性确定运动轨迹相同的学生对应ID，结合位置信息与作息时间判断运动轨迹重合的学生之间的关系，利用误差判定法可以为正向反向误差判定算法，利用正向反向误差判定算法，判定关系是否满足误差阈值要求，从而降低误差，提升置信度，例如，室友、同学或情侣等。
例如，通过检测在公园、商场、宾馆或酒店场所内男女学生之间的运动轨迹重合，且有时结合学生的体征参数，即可准确检测男女学生之间是否为情侣关系。
成长分析模块3，用于根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的。
具体地，也可采用神经网络算法构成成长分析模型，实现成长分析判定，例如：第一步、构建卷积神经网络部分模型；选择基本单元，指定合适的数量堆叠起来，建议选择10到30个基本单元；第二步、网络训练；利用包含大量学生行为数据(例如，包含路劲轨迹的地图数据，即，图像)的数据集，对第一步中构建的卷积神经网络部分模型做训练，使之能够提取数据特征；第三步、自编码器网络部分构建；构建自编码器；第四步、自编码器网络的训练；利用训练数据集对自编码器网络进行训练；使得自编码器网络可以对数据特征进行降维；第五步、将训练好的卷积神经网络模型和自编码器模型组合起来，形成最终的特征提取与降维神经网络模型；第六步、将学生的行为数据输入到第五步特征提取与降维神经网络神经网络中，得到输出，即为数据特征；第七步、关系检测；将第六步得到的数据特征与之前数据特征作对比；若两张地图数据对应的特征向量的相似度高于一定的阈值，则认为这两张地图数据对应的用户之间为情侣关系或室友关系或好朋友关系。
另外，需要说明的是，第一步中，如图2所示，包括：“1x1”表示尺寸为1x1的卷积核，用来控制生成的特征数据的数量；“3x3”表示尺寸为3x3的卷积核，用来进行特征提取；“BN”表示Batch Normalization，用来对卷积层输出进行规范化，加快网络训练速度；Base-Block后的n表示此模块由n个Base-Block单元级联而成。width,height表示此模块的生成的特征图的尺寸为width x height即宽x高，depth表示此模块生成的特征图的数量。将不同的模块级联起来，同时加上最大池化层。最后加上全局池化层和softmax层，用来进行分类。第二步中：训练卷积神经网络。采用各种行为数据的数据集对第一步中构建的卷积神经网络进行训练。训练的目标是要对训练图像与测试图像具有高的分类准确率。对于给定图像，记为x，采用了softmax分类层的网络需要输出此图像对应每一个类别j的概率p(y＝jx)。对每一幅图像，网络最终都将输出对每一个类别的概率。将其中最大的概率值对应的类作为分类结果。第三步，构建自编码器神经网络。其中输入层为32768个神经元，隐藏层为6个神经元，输出层为32768个神经元。神经元的激活函数采用sigmoid函数。第四步中，相邻层之间的神经元采用全连接方式连接。练自编码器网络。采用mini-batch方式进行训练，设此处每批次训练样本数量为m。第五步中，将训练完成的卷积神经网络和自编码器网络组合成新的网络模型。将第二步中训练完成的分类网络去掉其中Maxpool_5层后面的部分。将第四步训练完成的自编码器去掉解码部分，然后将输出层和中间层级联到卷积神经网络Maxpool_5层之后。此时自编码器的输入层就是将Maxpool_5层输出的8x8x512维张量调整为32768维特征向量。至此构建了本发明提出的完整的特征提取与降维神经网络。第六步，提取数据特征。第五步中构建的特征提取与降维神经网络要求输入图像的尺寸为256x256。在将图片输入到网络之前，将图像尺寸调整为256x256。然后将图像输入网络，获得对应的特征向量。并将图像编号与特征向量存储起来。第七步中，图像的相似度比较采用将图像特征归一化，然后计算特征之间的欧式距离，当欧式距离小于设定阈值时，则判定此时作对比的两张地图数据对应用户之间关系。在本实施例中，采用上述方式提高了检测的准确率、召回率以及平均准确率。
在本实施例中，通过分析学生的运动轨迹、语音数据与作息时间得到当前学生在校学习、活动与身体健康信息，通过多个维度检测所述学生在校表现状况生成成长分析报告，定时分享该成长分析报告至管理员和/或家长以达到引导与督促的目的，同时，也便于学生了解自己不足与优点，在有利于提高学习成绩的基础上，更有利于提高学生的综合素质能力。
在另一实施例中，所述高校学生行为分析系统还包括：社交圈生成模块4，利用Python抓取每个学生在校内不同时段不同场所的运动轨迹构建用户画像，根据所述用户画像获取的每个学生的分类标签，利用Gephi构建每个学生的社交关系，根据所述社交关系与分类标签将所述学生分配至不同社交圈，每个社交圈至少为两个人。
其中，利用Python能够迅速抓取每个学生(ID，用户账号)对应的行为数据中的运动轨迹，从而根据在校的不同时段不同场所的运动轨迹构建用户画像，从而展示出每个学生一天的点点滴滴；通过用户画像获取学生在不同维度(不同场所的花费时间)，从而确定出学生的感兴趣的事情生成不同维度的标签。而利用Gephi可视化展示每个学生的社交关系，能够良好展现各个学生之间的社交关系(例如，校友、同班同学、室友、情侣或好朋友)，结合分类标签(特别是课堂之外活动所产生的分类标签)，能够精准定义社交圈。
在另一实施例中，高校学生行为分析系统还包括：社交圈推荐模块5，用于获取每个所述学生所属的至少一个社交圈分别对应的关注度；按照关注度从高到低的排列顺序，向该学生推荐所述至少一个社交圈。
在获取每个用户所属的至少一个社交圈分别对应的关注度后，可以按照关注度从高到低的排列顺序，向该用户推荐至少一个社交圈。将用户重点关注的社交圈放置在非重点关注的社交圈的前面推荐，使得服务器推荐的社交圈更加贴合用户的需求，进一步提示了用户获取信息的效率和质量，提升了用户感受。
可以将用户感兴趣的至少一个社交圈的相关信息发送至用户的终端设备，从而实现了为用户推荐社交圈，避免了用户主动找社交圈的困难，提升了获取信息的效率和质量，提升了用户感受。
在另一实施例中，所述学习完成状态根据学科的作业发布次数、每次提交作业的时间、作业提交次数、每次作业的得分、课堂答题次数和课堂答题正确次数中的一项或多项加权计算所得；或，所述学习完成状态根据课外活动的组织能力、执行力、合作能力、沟通能力和逻辑分析中的一项或多项加权计算所得。
Ai表示第i次准时提交作业时的作业提交时间得分，a表示准时提交作业的次数，a≥1；
Bi表示第i次早交作业时的作业提交时间得分，b表示早交作业的次数，b≥1；
Ci表示第i次迟交作业时的作业提交时间得分，c表示迟交作业的次数，c≥1；
Di表示第i次未交作业时的作业提交时间得分，d表示未交作业的次数，d≥1；
x表示作业发布次数，且x＝a+b+c+d，通过设置加权系数得到该学科的学习完成状态成绩。
示例性地，学生的学习能力、执行力、合作能力、组织能力和逻辑分析对应的一级评价指标参数，均预设为4个等级，分别为1级、2级、3级和4级，从1级到4级对应学生的学生能力逐级降低。
甲学生的学习完成状态通过学生综合能力评价模型计算后，得到的结果是：学习能力2级、执行力1级、合作能力2级、组织能力4级。根据结果可判断出，甲学生的组织能力较差，但其执行能力较强，因此推送给甲学生的规划建议是“建议从事技术类工作；若想从事管理岗位，需提升组织能力”，如果设置有加权系数，通过加权系数即可得到甲学生的学习完成状态的成绩。
能够精准分析出不同学生的个人能力优缺点。针对优缺点推送相应的规划建议，使得学生能够实时了解自己的优缺点，提高自我认知，并且能够根据规划建议制定自己的学习计划、职业规划。
在另一实施例中，数据分析模块2还包括：睡眠分析单元21，用于根据该学生的作息时间中睡眠的体征参数确定睡眠指标数据；使用睡眠质量模型对所述睡眠指标数据进行计算获得睡眠信息；还用于根据睡眠信息检测所述学生是否在课程上睡觉；所述睡眠信息表征睡眠的质量信息，所述睡眠质量模型包括：睡眠程度、睡眠时长、睡眠规律和睡眠呼吸。
具体地，睡眠质量模型，是指一种用于评估睡眠质量的算法模型，也被称为睡眠质量评定模型，这里的睡眠质量模型包括四个维度，这四个维度分别为：睡眠程度、睡眠时长、睡眠规律和睡眠呼吸；其中，睡眠程度也被称为睡眠深浅，睡眠深浅占睡眠质量分的50％，睡眠时长占睡眠质量分的30％，睡眠规律占睡眠质量分的20％，睡眠呼吸又被称为呼吸监测，呼吸监测是睡眠质量分的扣分项；具体地，计算睡眠质量分例如：睡眠深浅的分数为33、睡眠时长的分数为22、睡眠规律的分数为11且睡眠呼吸的分数为10，那么睡眠质量分的计算方法为33+22+11-10＝56，那么这里的56则可以理解为睡眠质量分。
当然，在具体的实施过程中，还可以利用睡眠负债理论，这里的睡眠负债理论可以简单理解为，对于一般人来说理想睡眠时长为7.5小时，每周获得52.5小时睡眠最为理想；将“近7日理想睡眠数量”纳入单日睡眠评估体系中；另外，根据入睡用时和睡眠效率等睡眠指标数据来评估睡眠质量，使得评估睡眠质量更加地准确。通过对用户睡眠进行数据分析，以及对用户反馈的数据分析发现，每个人都有自己的睡眠类型和睡眠规律，统一以“24点后睡觉判定为熬夜”是不合理的，该睡眠评估方法采用慕尼黑大学睡眠类型测量表来确定用户是否熬夜，使得睡眠质量的评估结果更具合理性。
睡眠信息，是指表征睡眠的质量信息；这里的睡眠信息包括但不限于：睡眠质量分，睡眠质量分的获得方式如上面的图2中示出的方法，睡眠质量分的取值范围例如在0至100之间，获得的睡眠质量分可以是60分、80分或90分，具体的分数可以根据具体情况获得；这里的睡眠信息还可以包括睡眠等级；睡眠等级例如可以分为优、良、中和差四个等级；睡眠等级的计算方法将在下面说明。
睡眠改善建议，是指针对用户的睡眠问题提供的改善建议，具体例如：用户的睡眠问题为“睡眠时长过长”，那么可以提供的睡眠改善建议为“长时间的睡眠虽有助精力恢复，也要注意适度。睡太多，容易导致大脑细胞活性下降，损伤记忆力”等等。在上述的实现过程中，通过使用睡眠质量模型根据睡眠信息确定睡眠改善建议；从而有效地提高了获得睡眠改善建议的速度。
另外，通过在课程表或课程计划规定的课堂时间检测是否有学生在睡眠，一方面，可间接反映老师的教学质量或学生对科目课程的感兴趣程度，另一方面，当检测到该学生在课堂是超过预设规定时间内都处于睡眠状态时，则判定该学生属于厌学现象，生成警告信息发送该学生且将该事件发送管理员和/或家长进行批评教育；同时，发送补课链接给该学生账号(终端)。
在另一实施例中，数据分析模块2还包括：第一学习检测单元22，用于根据所述学生的课程表或课程计划实时检测该学生的运动轨迹是否满足时间与空间的合理性，根据检测结果判断该学生是否有旷课或早退现象；当检测到所述学生有旷课或早退现象时，生成警告信息发送该学生对应终端且将该事件发送管理员和/或家长进行批评教育；同时，发送补课链接给该学生对应终端。
在另一实施例中，数据分析模块2还包括：第二学习检测单元23，利用手环抓取联网终端在课程表或课程计划的相应课堂时间内的后台数据，检测学生是否在课堂之中玩终端，当检测到所述学生玩终端时，生成警告信息发送该学生对应终端且将该事件发送管理员和/或家长进行批评教育；同时，发送补课链接给该学生对应终端。
示例性地，由于高校课堂记录管理不严，而许多不爱学习的学生上课不是睡觉就是玩手机，管理员(辅导员)有不能实施监控学生，是否上课，是否发生早退，管理员、父母也无法了解子女在校的表现情况，只能通过期末考试偶尔得知，通过上述情况能够完美的克服学生早退或旷课现象，同时，利用手环采集的行为数据对睡眠分析情况，能够有效辨认学生是否打瞌睡，通过引进管理员和/或家长在课堂内形成鲢鱼效应，能够大大提高学生学习的动力；而将上述方式类似引入到课外活动等项目，也能督促学生的学习能力，提高学生的综合素质能力。
请参阅图3，本申请提供的一种高校学生行为分析方法流程图，详述如下：
步骤S1，获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
步骤S2，结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；
步骤S3，根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的。
其中，还需要说明的是，高校学生行为分析方法与高校学生行为分析系统为一一对应的关系，在此，流程步骤S1-S3与高校学生行为分析系统所涉及的技术细节与技术效果均相同，在此不一一赘述，请参照上述高校学生行为分析系统。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器6的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备6可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备6操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备6与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备6，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行图2中的步骤流程。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本实施例公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
综上所述，本申请通过分析学生的运动轨迹、语音数据与作息时间得到当前学生在校学习、活动与身体健康信息，通过多个维度检测所述学生在校表现状况生成成长分析报告，定时分享该成长分析报告至管理员和/或家长以达到引导与督促的目的，同时，也便于学生了解自己不足与优点，在有利于提高学习成绩的基础上，更有利于提高学生的综合素质能力。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (8)
1.一种高校学生行为分析系统，其特征在于，包括：
数据获取模块，用于获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
数据分析模块，用于结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；比较校内多个学生的运动轨迹有重合或交叉时，根据时空有效性确定运动轨迹相同的学生对应ID，结合位置信息与作息时间判断运动轨迹重合的学生之间的关系，利用误差判定法判定学生之间的关系；
成长分析模块，用于根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的；其中，采用神经网络算法构成成长分析模型实现成长分析的判定；该神经网络算法包括：1x1卷积核，用来控制生成的特征数据的数量；3x3卷积核，用来进行特征提取；BN模块表示Batch Normalization，用来对卷积层输出进行规范化，加快网络训练速度；Base-Block后的n表示此模块由n个Base-Block单元级联而成；width,height表示生成的特征图的尺寸为width x height即宽x高，depth生成的特征图的数量；级联1x1卷积核、3x3卷积核与Batch Normalization，同时，加上最大池化层；最后，加上用来进行分类的全局池化层和softmax层；其中，所述学习完成状态根据学科的作业发布次数、每次提交作业的时间、作业提交次数、每次作业的得分、课堂答题次数和课堂答题正确次数中的一项或多项加权计算所得；或，所述学习完成状态根据课外活动的组织能力、执行力、合作能力、沟通能力和逻辑分析中的一项或多项加权计算所得；
社交圈生成模块，利用Python抓取每个学生在校内不同时段不同场所的运动轨迹以构建用户画像，根据所述用户画像获取的每个学生的分类标签，利用Gephi构建每个学生的社交关系，根据所述社交关系与分类标签将所述学生分配至不同社交圈，每个社交圈至少为两个人。
2.根据权利要求1所述的高校学生行为分析系统，其特征在于，还包括：社交圈推荐模块，用于获取每个所述学生所属的至少一个社交圈分别对应的关注度；按照关注度从高到低的排列顺序，向该学生推荐所述至少一个社交圈。
3.根据权利要求1所述的高校学生行为分析系统，其特征在于，所述数据分析模块包括：第一学习检测单元，用于根据所述学生的课程表或课程计划实时检测该学生的运动轨迹是否满足时间与空间的合理性，根据检测结果判断该学生是否有旷课或早退现象；当检测到所述学生有旷课或早退现象时，生成警告信息发送该学生对应终端且将该事件发送管理员和/或家长进行批评教育；同时，发送补课链接给该学生对应终端。
4.根据权利要求1所述的高校学生行为分析系统，其特征在于，所述数据分析模块还包括：第二学习检测单元，利用手环抓取联网终端在课程表或课程计划的相应课堂时间内的后台数据，检测学生是否在课堂之中玩终端，当检测到所述学生玩终端时，生成警告信息发送该学生对应终端且将该事件发送管理员和/或家长进行批评教育；同时，发送补课链接给该学生对应终端。
5.根据权利要求1所述的高校学生行为分析系统，其特征在于，所述数据分析模块还包括：睡眠分析单元，用于根据该学生的作息时间中睡眠的体征参数确定睡眠指标数据；使用睡眠质量模型对所述睡眠指标数据进行计算获得睡眠信息；还用于根据睡眠信息检测所述学生是否在课程上睡觉；所述睡眠信息表征睡眠的质量信息，所述睡眠质量模型包括：睡眠程度、睡眠时长、睡眠规律和睡眠呼吸。
6.一种采用权利要求1所述的高校学生行为分析系统的行为分析方法，其特征在于，包括：
获取高校学生佩戴手环的行为数据，所述行为数据包括该学生的运动轨迹、语音数据与作息时间；
结合所述运动轨迹、语音数据与作息时间，分析每个所述学生的行为数据得到学生每天在校的学习时间、休息时间与课外活动时间，其中，所述语音数据协助运动轨迹与作息时间检测当前学生所处场所和所做事情；
根据所述学生的学习时间、休息时间、课外活动时间以及学习完成状态生成学生的成长分析报告，将所述成长分析报告发送管理员和/或家长以达到引导与督促的目的。
7.一种电子设备，其特征在于：包括：
一个或多个处理装置；
存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现权利要求6所述的高校学生行为分析方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序用于使所述计算机执行权利要求6所述的高校学生行为分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011223922.0A CN112328077B (zh) | 2020-11-05 | 2020-11-05 | 高校学生行为分析系统、方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011223922.0A CN112328077B (zh) | 2020-11-05 | 2020-11-05 | 高校学生行为分析系统、方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112328077A CN112328077A (zh) | 2021-02-05 |
| CN112328077B true CN112328077B (zh) | 2021-08-24 |
Family
ID=74315984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011223922.0A Expired - Fee Related CN112328077B (zh) | 2020-11-05 | 2020-11-05 | 高校学生行为分析系统、方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112328077B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113704610B (zh) * | 2021-08-27 | 2024-03-05 | 华中师范大学 | 一种基于学习成长数据的学习风格画像生成方法及系统 |
| CN114186890A (zh) * | 2021-12-17 | 2022-03-15 | 湖南惟楚有才教育科技有限公司 | 计算机教学管理系统、方法、计算机设备及存储介质 |
| CN115969314B (zh) * | 2022-11-17 | 2023-11-17 | 深圳市心流科技有限公司 | 一种自动调节穿戴式检测装置的伸缩量的方法 |
| CN117809808A (zh) * | 2024-02-26 | 2024-04-02 | 青岛杨辉大数据科技有限公司 | 一种个性化推荐运动计划的方法、系统、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818573A (zh) * | 2016-09-12 | 2018-03-20 | 杭州海康威视数字技术股份有限公司 | 一种目标跟踪方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101598567B1 (ko) * | 2013-07-29 | 2016-02-29 | 인하대학교 산학협력단 | 맞춤형 학습 동영상 제공을 위한 학습레벨 추론 서버, 장치, 시스템 및 방법 그리고 기록매체 |
| US20170358232A1 (en) * | 2016-06-08 | 2017-12-14 | Victoria L. Adams | Student engagement system, device, and method |
| CN111199491B (zh) * | 2018-10-31 | 2023-08-22 | 百度在线网络技术（北京）有限公司 | 社交圈的推荐方法和装置 |
| 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 |
| CN111325153B (zh) * | 2020-02-21 | 2023-05-12 | 青岛联合创智科技有限公司 | 一种基于多维数据的学生行为特征智能分析方法 |
-
2020
- 2020-11-05 CN CN202011223922.0A patent/CN112328077B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818573A (zh) * | 2016-09-12 | 2018-03-20 | 杭州海康威视数字技术股份有限公司 | 一种目标跟踪方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112328077A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112328077B (zh) | 高校学生行为分析系统、方法、设备及介质 | |
| Alam | Intelligence unleashed: An argument for AI-enabled learning ecologies with real world examples of today and a peek into the future | |
| CN102945624A (zh) | 基于云计算模型和表情信息反馈的智能化视频教学系统 | |
| Hieu et al. | Identifying learners’ behavior from videos affects teaching methods of lecturers in Universities | |
| Alshathri et al. | eLearning in Saudi Arabian Universities, Toward Blended Learning | |
| Glazunova et al. | Learning style identification system: Design and data analysis | |
| CN105139317A (zh) | 兴趣取向值测验的认知指标分析方法 | |
| Mouri et al. | Context-aware and personalization method based on ubiquitous learning analytics. | |
| CN117940941A (zh) | 基于注意力确定的会议会话控制 | |
| CN110276633A (zh) | 基于在线教育的广告投放方法、系统、设备及存储介质 | |
| Deniz et al. | Computer vision for attendance and emotion analysis in school settings | |
| Li et al. | Integrated infrared imaging techniques and multi-model information via convolution neural network for learning engagement evaluation | |
| KR20240083865A (ko) | 인공지능 기반의 교실 구조 최적화 장치, 방법 및 프로그램 | |
| CN111178263A (zh) | 一种实时表情分析方法及其装置 | |
| Mi | Student performance early warning based on data mining | |
| Spaulding et al. | Affect and inference in Bayesian knowledge tracing with a robot tutor | |
| Mohammadhossein et al. | Augmented reality in learning settings: a systematic analysis of its benefits and avenues for future studies | |
| Haridas et al. | Feature-Aware knowledge tracing for generation of concept-knowledge reports in an intelligent tutoring system | |
| CN116228476A (zh) | 一种实现一对一的客制化辅导方法及相关设备 | |
| CN115795015A (zh) | 一种试题难度增强的综合知识追踪方法 | |
| Symons et al. | Empowerment and Disempowerment in Peer Observation within Pre-Service Teacher, Technology-Assisted Integrated STEM Education | |
| CN111461153B (zh) | 人群特征深度学习方法 | |
| Yuanfei | A Personalized Recommendation System for English Teaching Resources Based on Learning Behavior Detection | |
| Davidoff et al. | Ethics and Learning for Teacher Trainees, Team-Based Simulations in Cases of Bullying in School | |
| Biehler et al. | Impacts of Digitalization on Content and Goals of Statistics Education |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210824 |