CN112732784A - 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 - Google Patents
基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 Download PDFInfo
- Publication number
- CN112732784A CN112732784A CN202011631190.9A CN202011631190A CN112732784A CN 112732784 A CN112732784 A CN 112732784A CN 202011631190 A CN202011631190 A CN 202011631190A CN 112732784 A CN112732784 A CN 112732784A
- Authority
- CN
- China
- Prior art keywords
- behavior
- data
- cognitive
- online
- student
- 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 381
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000005065 mining Methods 0.000 title claims abstract description 47
- 230000001149 cognitive effect Effects 0.000 claims abstract description 168
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 5
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000007405 data analysis Methods 0.000 abstract description 6
- 230000007704 transition Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 235000015927 pasta Nutrition 0.000 description 1
Images
Classifications
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- 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
- G06F16/2455—Query execution
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法,包括:数据分组模块,把学生的在线行为数据按学生成绩分为优、良、中、差四组;两层事件日志生成模块,根据已知的在线行为与认知行为的映射关系,分别获取优、良、中、差每组学生认知行为事件日志及其中每个认知行为的具体在线行为事件日志,即两层事件日志;两层行为模型生成模块,以两层事件日志为输入,利用过程挖掘算法生成两层行为过程模型。本发明为发现学生行为过程模型供了新系统和方法。将两层行为过程模型作为教育数据分析中学生行为分析的有效手段,能更精确的发现有效的在线学习方式,对在线教育行业的发展具有指导意义。
Description
技术领域
本发明涉及在线教育数据分析的技术领域,尤其是指一种基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法。
背景技术
随着知识经济的到来,人们的学习模式受到了前所未有的冲击,各种新的学习模式如潮水般涌现,在所有学习模式中,最具有冲击力的便是随着网络技术发展而出现的网络化学习,又称在线学习,它是通过在网上建立教育平台,学员应用网络进行在线学习的一种全新方式。这种在线学习方式是由多媒体网络学习资源、网上学习社区及网络技术平台构成的全新的学习环境。相对于其他的学习模式来说,它具有无可比拟的优势。
目前学习行为分析的大部分研究是对在线平台中的多种学习数据进行分析,如登录时间、在线时长、视频评论数、视频观看数和论坛发帖数等。当前工作大多建立数据挖掘模型进行预测和分析,研究不同学习行为与学习效果之间的关系,但没有具体的学习行为过程分析,因此迫切需要一种技术发现学生行为过程模型,对指导在线学习具有重要意义。
发明内容
本发明的目的在于克服现有教育数据分析技术缺乏对具体的学习行为过程模型的分析,提出了一种基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法,对教育数据分析领域的发展具有指导意义。
为实现上述目的,本发明所提供的技术方案为:基于过程挖掘的在线学习行为模型挖掘系统,包括:
数据分组模块,把学生的在线行为数据按学生成绩分为优、良、中、差四组;其中,所述在线行为数据包含属性:学生编号、在线行为、课程信息和发生时间,在线行为是指学生对在线学习平台的操作,发生时间是指在线行为发生的时刻,该在线行为数据能够通过在线学习平台来获取;
两层事件日志生成模块,根据已知的在线行为与认知行为的映射关系,分别获取优、良、中、差每组学生认知行为事件日志及其中每个认知行为的具体在线行为事件日志,即两层事件日志;其中,所述事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成行为的有序序列为一条案例即轨迹,事件日志由多个学生即多条案例组成,事件日志在csv格式中是以二维表的形式存在;
两层行为模型生成模块,以两层事件日志为输入,利用过程挖掘算法生成两层行为过程模型。
进一步,所述数据分组模块包括数据预处理模块、获取学生成绩模块、生成分组数据模块;
所述数据预处理模块的功能是除去数据中冗余的信息,简化关键信息,需要用SQL组件进行数据预处理;
所述获取学生成绩模块的功能是调用SQL组件中子查询功能获取学生每个小结成绩的累加和,并生成以学生编号、学生成绩为两列属性的数据表,即每个学生的总成绩;
所述生成分组数据模块的功能是基于获取学生成绩模块中生成的数据表与学生的在线行为数据用SQL组件中提供的功能进行“自然连接”,并按照总成绩分成“优”[92-100]、“良”[73-91]、“中”[61-72]、“差”[0-60],把“自然连接”后的数据表分为“优”、“良”、“中”、“差”四组并且只保留在线行为数据中包含的属性列。
进一步,所述两层事件日志生成模块包括事件日志生成模块、映射对照模块、认知行为事件日志生成模块、认知行为的具体在线行为提取模块;
所述事件日志生成模块是把原先只按照发生时间排序的数据表,用学生编号、发生时间两列属性对数据表进行排序,使得同一个学生的在线行为数据在数据表中连续,且按照发生时间增序排序,并且保留所需属性,删除冗余数据;将“优”、“良”、“中”、“差”四组数据输入事件日志生成模块,生成“优”、“良”、“中”、“差”四组在线行为事件日志;
所述映射对照模块存储了对在线行为学习平台的操作与获取到的知识所作的主观行为的对应关系,即在线行为与认知行为的对应关系,认知行为包括:执行(executing)、查找(search)、学习(learning)、提升(promoting)、评估(evaluating)和分析(analysis);
所述认知行为事件日志生成模块的功能是将在线行为事件日志,根据映射对照模块所存储的在线行为与认知行为的对应关系,将在线行为事件日志映射为认知行为事件日志,将在线行为事件日志中的在线行为替换为认知行为,其中在线行为与认知行为存在多对一的关系,认知行为事件日志起到简化学生在线行为日志的作用;
所述认知行为的具体在线行为提取模块的功能是用SQL组件的查询功能,把认知行为事件日志中相同认知行为的数据记录提取出来生成新的认知行为事件日志,每个新的认知行为事件日志中每条记录只有同一个认知行为,数据记录是认知行为事件日志在csv格式中的一行,然后根据学生编号、认知行为、发生时间与映射对照模块存储的映射关系,将每个新的认知行为事件日志中认知行为映射成在线行为,生成每个认知行为的具体在线行为事件日志;
数据经过两层事件日志生成模块处理后,生成“优”、“良”、“中”、“差”四组认知行为事件日志,以及每组学生每个认知行为的具体在线行为事件日志这两层事件日志。
进一步,所述两层行为模型生成模块功能是:输入认知行为事件日志生,生成认知行为过程模型;输入每个认知行为的具体在线行为日志,生成个认知行为的具体在线行为过程模型;
所述程序接口用于实现过程挖掘算法Inductive Miner,该过程挖掘算法Inductive Miner以事件日志为输入,输出表示过程模型的Petri网。
本发明也提供了上述基于过程挖掘的在线学习行为模型挖掘系统的挖掘方法,包括以下步骤:
S1、获取学生的基本信息数据及在线行为数据,所述基本信息数据包含属性:学生编号、姓名和每小节成绩;
S2、把学生的基本信息数据及在线行为数据导入数据预处理模块,除去数据中冗余的信息,简化关键信息,学生的基本信息数据仅保留学生编号、姓名和每小节成绩,且在线行为数据仅保留学生编号、在线行为、发生时间,再把学生的基本信息数据输入获取学生成绩模块,获取记录学生总成绩信息的数据表,再将记录学生总成绩信息的数据表与处理后的在线行为数据导入生成分组数据模块,生成“优”、“良”、“中”、“差”四组学生数据;
S3、将生成分组数据模块生成的“优”、“良”、“中”、“差”四组学生数据导入两层事件日志生成模块,分别获取“优”、“良”、“中”、“差”四组学生认知行为事件日志及四组数据中每个认知行为的具体在线行为事件日志,具体如下:
首先,将四组学生数据分别导入事件日志生成模块,生成四组在线行为事件日志,事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成的行为的有序序列为一条案例即轨迹,事件日志同时由多个学生即多条案例组成;
然后,将四组在线行为事件日志分别输入认知行为事件日志生成模块,认知行为事件日志生成模块与映射对照模块协作,输出四组中每个认知行为的认知行为事件日志,再将四组每个认知为的认知行为事件日志输入认知行为的具体在线行为提取模块,认知行为的具体在线行为提取模块与映射对照模块协作,输出每组学生每个认知行为的具体在线行为事件日志,即生成描述“优”、“良”、“中”、“差”不同类型学生每个认知行为的具体在线行为事件日志,每个认知行为对应一个描述该认知行为的具体在线行为事件日志;
S4、将两层事件日志输入两层行为模型生成模块生成两层行为过程模型,输入优”、“良”、“中”、“差”四组认知行为事件日志,生成每组学生的认知行为Petri过程模型,即表示认知行为过程模型的Petri网;输入每组学生每个认知行为的具体在线行事件日志,生成每组学生每个认知行为的具体在线行为Petri过程模型,即表示具体在线行为过程模型的Petri网。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明首次应用两层过程挖掘的方式,发现学生行为模型,对比分析优、良、中、差四组的学生行为过程模型特征,发现优秀学生的认知行为过程模型的特征,以及优秀学生中每个认知行为的具体在线行为过程模型特征,发现高效的在线学习方式,指导在线学习,进行学生行为分析,对在线教育行业的发展具有指导意义。
2、本发明首次把数量繁多的在线行为映射成认知行为,使得原先在过程挖掘中不够精确的一层“意大利面”(“意大利面”是不可识别的复杂过程的统称)在线行为过程模型转化为精确的两层行为过程模型,对用真实数据生成精确的过程模型有借鉴意义。
3、本发明考虑了每个认知行为的具体在线行为过程模型,对指导教学实践有首创意义和显著效果。
4、本发明首次根据不同学生的学习特点,为教师改进教学策略和学生改进学习方式提供切实可行的建议,对学生自我调节学习、教师个性化教学提供重要技术支持。
5、本发明在教育数据分析方面具有广泛的使用空间,操作简单、适应性强,在学生行为分析方面有广阔前景。
附图说明
图1为本发明方法逻辑过程示意图。
图2为获取学生成绩模块的输出。
图3为在线行为数据。
图4为优秀学生的部分在线行为事件日志。
图5为优秀学生部分认知行为事件日志。
图6为优秀学生认知行为learning的具体在线行为事件日志。
图7为优秀学生认知行为learning的具体在线行为事件日志在XES格式中的student3案例。
图8为两层模型生成步骤。
图9为优秀学生认知行为过程模型。
图10为优秀学生认知行为learning的具体在线行为模型。
图11为优秀学生认知行为executing的具体在线行为模型。
图12为差生认知行为过程模型。
图13为差生认知行为learning的具体在线行为模型。
图14为良生的认知行为过程模型。
图15为良生认知行为learning的具体在线行为模型。
图16为中生的认知行为过程模型。
图17为中生认知行为learning的具体在线行为模型。
图18为一个Petri网的简单例子。
图19为模块结构图。
图20为初次触发后的Petri网。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于过程挖掘的在线学习行为模型挖掘系统是使用SQL语言组件和ProM软件开发的,如图19所示,它包括有:
数据分组模块,把学生的在线行为数据按学生成绩分为优、良、中、差四组;如图3所示,所述在线行为数据包含属性:学生编号、在线行为、课程信息和发生时间,在线行为是指学生对在线学习平台的操作,发生时间是指在线行为发生的时刻,该在线行为数据能够通过在线学习平台来获取;
两层事件日志生成模块,根据已知的在线行为与认知行为的映射关系,分别获取优、良、中、差每组学生认知行为事件日志及其中每个认知行为的具体在线行为事件日志,即两层事件日志;其中,所述事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成行为的有序序列为一条案例(轨迹),事件日志由多个学生(多条案例)组成,如图7所示,事件日志在csv格式中是以二维表的形式存在;
两层行为模型生成模块,以两层事件日志为输入,利用过程挖掘算法生成两层行为过程模型。
所述数据分组模块包括数据预处理模块、获取学生成绩模块、生成分组数据模块;
所述数据预处理模块的功能是除去数据中冗余的信息,简化关键信息,需要用SQL组件进行数据预处理;
所述获取学生成绩模块的功能是调用SQL组件中子查询功能获取学生每个小结成绩的累加和,并生成以学生编号,学生成绩为两列属性的数据表,即每个学生的总成绩;
所述生成分组数据模块的功能是基于获取学生成绩模块中生成的数据表(见图2)与学生的在线行为数据用SQL组件中提供的功能进行自然连接,并按照总成绩分成“优”[92-100]、“良”[73-91]、“中”[61-72]、“差”[0-60],把自然连接后的数据表分为“优”、“良”、“中”、“差”四组并且只保留在线行为数据中包含的属性列。
所述两层事件日志生成模块包括事件日志生成模块、映射对照模块、认知行为事件日志生成模块、认知行为的具体在线行为提取模块;
所述事件日志生成模块是指把原先只按照发生时间排序的数据表,用学生编号、发生时间两列属性对数据表进行排序,使得同一个学生的在线行为数据在数据表中连续,且按照发生时间增序排序,并且保留所需属性,删除冗余数据。“优”、“良”、“中”、“差”四组数据数日该模块,并生成“优”、“良”、“中”、“差”四组在线行为事件日志,图4所示优秀学生在线行为事件日志;
所述映射对照模块存储了对在线行为学习平台的操作与获取到的知识所作的主观行为的对应关系,即在线行为与认知行为的对应关系,认知行为包括:执行(executing)、查找(search)、学习(learning)、提升(promoting)、评估(evaluating)和分析(analysis);
所述认知行为事件日志生成模块的功能是将在线行为事件日志,根据映射对照模块所存储的在线行为与认知行为的对应关系,将在线行为事件日志映射为认知行为事件日志,将在线行为事件日志中的在线行为替换为认知行为,其中在线行为与认知行为存在多对一的关系,如图5所示优秀学生在认知行为事件日志,其中在线行为与认知行为存在多对一的关系,认知行为事件日志主要是起到简化学生在线行为日志的作用;
所述认知行为的具体在线行为提取模块的功能是用SQL组件的查询功能,把认知行为事件日志中相同认知行为的数据记录提取出来生成新的认知行为事件日志,每个新的认知行为事件日志中每条记录只有同一个认知行为;数据记录是认知行为事件日志在csv格式中的一行,然后根据学生编号、认知行为、发生时间与映射对照模块存储的映射关系,将每个新的认知行为事件日志中认知行为映射成在线行为,生成每个认知行为的具体在线行为事件日志,如图6为优秀学生认知行为learning的具体在线行为事件日志;
数据经过两层事件日志生成模块处理后,生成“优”、“良”、“中”、“差”四组认知行为事件日志,以及每组学生每个认知行为的具体在线行为事件日志这两层事件日志。
所述两层行为模型生成模块功能是:输入认知行为事件日志生,生成认知行为过程模型;输入每个认知行为的具体在线行为日志,生成个认知行为的具体在线行为过程模型;
所述程序接口实现了过程挖掘算法Inductive Miner,该算法以事件日志为输入,输出表示过程模型的Petri网输出结果如图9-17所示。
本实施例也提供了上述在线学习行为模型挖掘系统的挖掘方法,如图1所示,包括以下步骤:
S1、获取学生的基本信息数据及在线行为数据,所述基本信息数据包含属性:学生编号、姓名和每小节成绩。
S2、把学生的基本信息数据及在线行为数据导入数据预处理模块,除去数据中冗余的信息,简化关键信息,学生的基本信息数据仅保留学生编号、姓名和每小节成绩,且在线行为数据仅保留学生编号、在线行为、发生时间,再把学生的基本信息数据输入获取学生成绩模块,获取记录学生总成绩信息的数据表,再将记录学生总成绩信息的数据表与处理后的在线行为数据导入生成分组数据模块,生成优”、“良”、“中”、“差”四组学生数据。
S3、将生成分组数据模块生成的优”、“良”、“中”、“差”四组学生数据导入两层事件日志生成模块,分别获取优”、“良”、“中”、“差”四组学生认知行为事件日志及四组数据中每个认知行为的具体在线行为事件日志,具体如下:
首先,将四组学生数据分别导入事件日志生成模块,生成四组在线行为事件日志,事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成的行为的有序序列为一条案例即轨迹,事件日志同时由多个学生即多条案例组成;
然后,将四组在线行为事件日志分别输入认知行为事件日志生成模块,认知行为事件日志生成模块与映射对照模块协作,输出四组中每个认知行为的认知行为事件日志,再将四组每个认知为的认知行为事件日志输入认知行为的具体在线行为提取模块,认知行为的具体在线行为提取模块与映射对照模块协作,输出每组学生每个认知行为的具体在线行为事件日志,即生成描述“优”、“良”、“中”、“差”不同类型学生每个认知行为的具体在线行为事件日志,每个认知行为对应一个描述该认知行为的具体在线行为事件日志;
S4、将两层事件日志输入两层行为模型生成模块生成两层行为过程模型,两层行为过程模型生成步骤如图8所示,输入优”、“良”、“中”、“差”四组认知行为事件日志,生成每组学生的认知行为Petri过程模型;输入每组学生每个认知行为的具体在线行事件日志,生成每组学生每个认知行为的具体在线行为Petri过程模型;为了清晰描述图9-17所示Petri网,引入图18所示petri网的一个例子,为了方便描述在petri网的每个节点,再节点下面加了标识。Petri网是一个4元组,记为:PN=(P,T,F,l),满足:其中P是库所集合,T是变迁集合;是流关系;l:T→Γ是变迁标记函数,其中Γ是标记集合,τ∈Γ表示不可见标记。Petri网的状态,记为标识(marking),是定义在库所集合上的多集,记为m∈B(P),描述每个库所中所包含token的数量,[source]是其初始标识B(source)=1。记:·x={y|y∈P∪T∧(y,x)∈F}是x的前集(pre-set),x·={y|y∈P∪T∧(x,y)∈F}是x的后集(post-set)。在一个标识(m)下使能的变迁(t)可以触发(firing)并产生新的标识,记为m′=m-·t+t·。如图20所示,变迁a在标识[source]使能,引发变迁a后产生新的标识[p1,p2],B(source)=0,B(p1)=1,B(p2)=1。
综上所述,在采用以上方案后,本发明为发现学生行为过程模型供了新系统和方法。将两层行为过程模型作为教育数据分析中学生行为分析的有效手段,能更精确的发现有效的在线学习方式。对在线教育行业的发展具有指导意义,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围。
Claims (5)
1.基于过程挖掘的在线学习行为模型挖掘系统,其特征在于,包括:
数据分组模块,把学生的在线行为数据按学生成绩分为优、良、中、差四组;其中,所述在线行为数据包含属性:学生编号、在线行为、课程信息和发生时间,在线行为是指学生对在线学习平台的操作,发生时间是指在线行为发生的时刻,该在线行为数据能够通过在线学习平台来获取;
两层事件日志生成模块,根据已知的在线行为与认知行为的映射关系,分别获取优、良、中、差每组学生认知行为事件日志及其中每个认知行为的具体在线行为事件日志,即两层事件日志;其中,所述事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成行为的有序序列为一条案例即轨迹,事件日志由多个学生即多条案例组成,事件日志在csv格式中是以二维表的形式存在;
两层行为模型生成模块,以两层事件日志为输入,利用过程挖掘算法生成两层行为过程模型。
2.根据权利要求1所述的基于过程挖掘的在线学习行为模型挖掘系统,其特征在于,所述数据分组模块包括数据预处理模块、获取学生成绩模块、生成分组数据模块;
所述数据预处理模块的功能是除去数据中冗余的信息,简化关键信息,需要用SQL组件进行数据预处理;
所述获取学生成绩模块的功能是调用SQL组件中子查询功能获取学生每个小结成绩的累加和,并生成以学生编号、学生成绩为两列属性的数据表,即每个学生的总成绩;
所述生成分组数据模块的功能是基于获取学生成绩模块中生成的数据表与学生的在线行为数据用SQL组件中提供的功能进行“自然连接”,并按照总成绩分成“优”[92-100]、“良”[73-91]、“中”[61-72]、“差”[0-60],把“自然连接”后的数据表分为“优”、“良”、“中”、“差”四组并且只保留在线行为数据中包含的属性列。
3.根据权利要求1所述的基于过程挖掘的在线学习行为模型挖掘系统,其特征在于,所述两层事件日志生成模块包括事件日志生成模块、映射对照模块、认知行为事件日志生成模块、认知行为的具体在线行为提取模块;
所述事件日志生成模块是把原先只按照发生时间排序的数据表,用学生编号、发生时间两列属性对数据表进行排序,使得同一个学生的在线行为数据在数据表中连续,且按照发生时间增序排序,并且保留所需属性,删除冗余数据;将“优”、“良”、“中”、“差”四组数据输入事件日志生成模块,生成“优”、“良”、“中”、“差”四组在线行为事件日志;
所述映射对照模块存储了对在线行为学习平台的操作与获取到的知识所作的主观行为的对应关系,即在线行为与认知行为的对应关系,认知行为包括:执行、查找、学习、提升、评估和分析;
所述认知行为事件日志生成模块的功能是将在线行为事件日志,根据映射对照模块所存储的在线行为与认知行为的对应关系,将在线行为事件日志映射为认知行为事件日志,将在线行为事件日志中的在线行为替换为认知行为,其中在线行为与认知行为存在多对一的关系,认知行为事件日志起到简化学生在线行为日志的作用;
所述认知行为的具体在线行为提取模块的功能是用SQL组件的查询功能,把认知行为事件日志中相同认知行为的数据记录提取出来生成新的认知行为事件日志,每个新的认知行为事件日志中每条记录只有同一个认知行为,数据记录是认知行为事件日志在csv格式中的一行,然后根据学生编号、认知行为、发生时间与映射对照模块存储的映射关系,将每个新的认知行为事件日志中认知行为映射成在线行为,生成每个认知行为的具体在线行为事件日志;
数据经过两层事件日志生成模块处理后,生成“优”、“良”、“中”、“差”四组认知行为事件日志,以及每组学生每个认知行为的具体在线行为事件日志这两层事件日志。
4.根据权利要求1所述的基于过程挖掘的在线学习行为模型挖掘系统,其特征在于,所述两层行为模型生成模块功能是:输入认知行为事件日志生,生成认知行为过程模型;输入每个认知行为的具体在线行为日志,生成个认知行为的具体在线行为过程模型;
所述程序接口用于实现过程挖掘算法Inductive Miner,该过程挖掘算法InductiveMiner以事件日志为输入,输出表示过程模型的Petri网。
5.一种权利要求1至4任意一项所述基于过程挖掘的在线学习行为模型挖掘系统的挖掘方法,其特征在于,包括以下步骤:
S1、获取学生的基本信息数据及在线行为数据,所述基本信息数据包含属性:学生编号、姓名和每小节成绩;
S2、把学生的基本信息数据及在线行为数据导入数据预处理模块,除去数据中冗余的信息,简化关键信息,学生的基本信息数据仅保留学生编号、姓名和每小节成绩,且在线行为数据仅保留学生编号、在线行为、发生时间,再把学生的基本信息数据输入获取学生成绩模块,获取记录学生总成绩信息的数据表,再将记录学生总成绩信息的数据表与处理后的在线行为数据导入生成分组数据模块,生成“优”、“良”、“中”、“差”四组学生数据;
S3、将生成分组数据模块生成的“优”、“良”、“中”、“差”四组学生数据导入两层事件日志生成模块,分别获取“优”、“良”、“中”、“差”四组学生认知行为事件日志及四组数据中每个认知行为的具体在线行为事件日志,具体如下:
首先,将四组学生数据分别导入事件日志生成模块,生成四组在线行为事件日志,事件日志是指以学生编号、行为、发生时间为单位数据的数据集合,一个学生的行为集合按照发生时间排序,所生成的行为的有序序列为一条案例即轨迹,事件日志同时由多个学生即多条案例组成;
然后,将四组在线行为事件日志分别输入认知行为事件日志生成模块,认知行为事件日志生成模块与映射对照模块协作,输出四组中每个认知行为的认知行为事件日志,再将四组每个认知为的认知行为事件日志输入认知行为的具体在线行为提取模块,认知行为的具体在线行为提取模块与映射对照模块协作,输出每组学生每个认知行为的具体在线行为事件日志,即生成描述“优”、“良”、“中”、“差”不同类型学生每个认知行为的具体在线行为事件日志,每个认知行为对应一个描述该认知行为的具体在线行为事件日志;
S4、将两层事件日志输入两层行为模型生成模块生成两层行为过程模型,输入“优”、“良”、“中”、“差”四组认知行为事件日志,生成每组学生的认知行为Petri过程模型,即表示认知行为过程模型的Petri网;输入每组学生每个认知行为的具体在线行事件日志,生成每组学生每个认知行为的具体在线行为Petri过程模型,即表示具体在线行为过程模型的Petri网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631190.9A CN112732784B (zh) | 2020-12-31 | 2020-12-31 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011631190.9A CN112732784B (zh) | 2020-12-31 | 2020-12-31 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732784A true CN112732784A (zh) | 2021-04-30 |
CN112732784B CN112732784B (zh) | 2022-05-10 |
Family
ID=75608376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011631190.9A Active CN112732784B (zh) | 2020-12-31 | 2020-12-31 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732784B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541347A (zh) * | 2023-06-29 | 2023-08-04 | 北京数场科技有限责任公司 | 获得文档认知的方法、装置以及计算设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
WO2017177048A1 (en) * | 2016-04-06 | 2017-10-12 | Omni Ai, Inc. | Methods and systems using cognitive artifical intelligence to implement adaptive linguistic models to process data |
CN107463691A (zh) * | 2017-08-11 | 2017-12-12 | 北京点易通科技有限公司 | 一种学习状态收集与识别的方法及系统 |
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 |
CN110502636A (zh) * | 2019-08-27 | 2019-11-26 | 华中师范大学 | 一种面向主客观试题的联合建模及挖掘方法及系统 |
CN111832524A (zh) * | 2020-07-23 | 2020-10-27 | 山东理工大学 | 一种基于时间维度的spoc环境下视频学习行为分析方法 |
-
2020
- 2020-12-31 CN CN202011631190.9A patent/CN112732784B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177048A1 (en) * | 2016-04-06 | 2017-10-12 | Omni Ai, Inc. | Methods and systems using cognitive artifical intelligence to implement adaptive linguistic models to process data |
CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
CN107463691A (zh) * | 2017-08-11 | 2017-12-12 | 北京点易通科技有限公司 | 一种学习状态收集与识别的方法及系统 |
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 |
CN110502636A (zh) * | 2019-08-27 | 2019-11-26 | 华中师范大学 | 一种面向主客观试题的联合建模及挖掘方法及系统 |
CN111832524A (zh) * | 2020-07-23 | 2020-10-27 | 山东理工大学 | 一种基于时间维度的spoc环境下视频学习行为分析方法 |
Non-Patent Citations (3)
Title |
---|
BAO YUNXIA,LU FAMING,WANG YANXIAO,ZENG QINGTIAN,LIU CONG: "Student Performance Prediction Based on Behavior Process Similarity", 《CHINESE JOURNAL OF ELECTRONICS》 * |
CONG LIU,JIANPENG ZHANG, GUANGMING LI: "A Two-Layered Framework for the Discovery of Software Behavior: A Case Study", 《IEICE TRANS.INF.&SYST》 * |
刘聪等: "基于Petri网的分层业务过程挖掘方法", 《计算机集成制造系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541347A (zh) * | 2023-06-29 | 2023-08-04 | 北京数场科技有限责任公司 | 获得文档认知的方法、装置以及计算设备 |
CN116541347B (zh) * | 2023-06-29 | 2023-12-01 | 北京数场科技有限责任公司 | 获得文档认知的方法、装置以及计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112732784B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghazal et al. | Educational process mining: A systematic literature review | |
Matsebula et al. | A big data architecture for learning analytics in higher education | |
CN110246228A (zh) | 一种基于虚拟现实技术的化学实验评价系统及其方法 | |
CN112732784B (zh) | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 | |
CN106203296A (zh) | 一种属性辅助的视频动作识别方法 | |
CN115640368A (zh) | 一种智能诊断推荐题库的方法及其系统 | |
CN110956142A (zh) | 一种智能交互培训系统 | |
CN111191935A (zh) | 一种测评评估系统及方法 | |
Thompson et al. | Capturing and analysing the processes and patterns of learning in collaborative learning environments | |
CN109240549B (zh) | 一种基于外接数位设备和大数据智能分析的书法矫正器 | |
Barracosa et al. | Anticipating teachers’ performance | |
Duggal et al. | Gamified approach to database normalization | |
Wang et al. | E-learning evaluation system based on data mining | |
H Zadeh et al. | Incorporating big data tools for social media analytics in a business analytics course | |
CN110378814A (zh) | 智能教学生态系统 | |
CN107978180A (zh) | 一种基于书写痕迹的智能教学方法及其系统 | |
Xiaohuan et al. | Visual exploration for time series data using multivariate analysis method | |
CN103164536A (zh) | 一种实现云教育平台数据搜索的方法及系统 | |
CN102867033A (zh) | 旨在实现科学教学的知识点间的定位系统及方法 | |
CN112183112A (zh) | 一种软件工程教学平台 | |
KR20040064681A (ko) | 프로그램 소스의 표절 탐색 방법 및 이를 이용한프로그래밍 과제의 채점 시스템 | |
Aggarwal et al. | Back Propagation Algorithm for Computerized Paper Evaluation using Neural Network | |
Chen | Analysis on the application of artificial intelligence technology in electronic music composition creation | |
CN112559728B (zh) | 五大属性整合汉字展示方法、系统、装置及可读存储介质 | |
Cao | Strengthening practical English teaching and improving college students' comprehensive English ability |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231030 Address after: No. 201, 2nd Floor, No. 31 Haidian Street, Haidian District, Beijing, 100080 Patentee after: Beijing Fande Technology Co.,Ltd. Address before: 266 Xincun West Road, Zhangdian District, Zibo City, Shandong Province Patentee before: Shandong University of Technology |