CN113065023B - 一种视频观看行为的在线异步教学反馈分析方法及系统 - Google Patents

一种视频观看行为的在线异步教学反馈分析方法及系统 Download PDF

Info

Publication number
CN113065023B
CN113065023B CN202110316228.1A CN202110316228A CN113065023B CN 113065023 B CN113065023 B CN 113065023B CN 202110316228 A CN202110316228 A CN 202110316228A CN 113065023 B CN113065023 B CN 113065023B
Authority
CN
China
Prior art keywords
data
video
watching
feedback
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.)
Active
Application number
CN202110316228.1A
Other languages
English (en)
Other versions
CN113065023A (zh
Inventor
吴江
贺超城
徐周灿
孙朴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110316228.1A priority Critical patent/CN113065023B/zh
Publication of CN113065023A publication Critical patent/CN113065023A/zh
Application granted granted Critical
Publication of CN113065023B publication Critical patent/CN113065023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06Q50/205—Education administration or guidance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了一种视频观看行为的在线异步教学反馈分析方法及系统，属于在线教育领域，包括以下步骤：对用户观看操作数据进行特征提取与融合，获取视频观看行为样本数据；利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；基于反馈信息，提供在线异步教学建议；其中，异常数据为用户对视频的观看行为不符合教育资源提供者预期的数据。本发明可以根据反馈信息，让教师掌握学生的学习情况，不断完善在线教学的不足，进而提高在线教学的质量，推动在线教育的发展。

Description

一种视频观看行为的在线异步教学反馈分析方法及系统
技术领域
本发明属于在线教育领域，更具体地，涉及一种视频观看行为的在线异步教学反馈分析方法及系统。
背景技术
在异步在线教育中，通常来说，由教育者(老师)预先上传录制好的教学视频到指定的网络教学平台中。随后，在课程开放期间，受教育者(学生)访问该网络教学平台，并观看预先上传的教学视频进行“听课”以及完成相应的学习内容。由于该类在线教育平台的异步特征，学生可以自由选择观看教学内容的时间，且不会有老师的陪同。而学生和老师之间的沟通常常也仅限于留言、邮件等非实时性的沟通方式。此时，传统课堂和实时在线教学中师生间的交互，转换成为了学生与视频资源之间的交互：如学生在观看教学视频时的暂停、回看、跳过等操作，反映了学生对流媒体内容片段的理解难度、重要性认知及兴趣。其中存在部分观看行为不符合教育资源提供者的预期，如因为内容难以理解而反复观看，或对内容不感兴趣而跳过。对这些学生观看行为的挖掘与分为，并为教师提供反馈，可以有助于了解学生的学习状况，帮助教师理解学生在观看教学视频时交互行为的具体含义，为异步教学视频的优化与迭代提供重要参考，对提高异步在线教育的质量具有重要的意义。
异步在线教育的主要目标是提升学生的学习成果以及提高学生满意度。研究表明，在线教育中，学生与视频内容，以及师生之间的交互行为是影响到教学成果及学生满意度的重要因素，而在异步在线教育中，学生与内容之间的交互往往以更隐性的方式表达(如回看，跳过等观看行为)，而师生之间互动的缺失也影响了学生满意度。对于视频资源的传统分析方法，如视频、图像质量评价，网络服务质量评价等，并不适用于在线教育中对学生观看行为动机的分析。目前缺乏一种技术手段对异步在线教学中的学生观看行为进行分析以获取学生的行为动机并为教师提供反馈。
发明内容
针对现有技术的缺陷，本发明的目的在于提供了一种视频观看行为的在线异步教学反馈分析方法及系统，旨在解决现有的异步在线教育领域师生之间缺乏沟通或沟通效率不高导致教师无法了解学生学习状况的问题。
为实现上述目的，一方面，本发明提供了一种基于视频观看行为的在线异步教学反馈分析方法，包括以下步骤：
对用户观看操作数据进行特征提取与融合，获取视频观看行为样本数据；
利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
基于反馈信息，提供在线异步教学建议；
其中，异常数据为用户对视频的观看行为不符合教育资源提供者预期的数据，如因为内容难以理解而反复观看，或对内容不感兴趣而跳过等。
优选地，视频观看行为数据的获取方法，包括以下步骤：
采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据。
优选地，提取的特征包括视频属性特征、统计型特征和变化特征。
优选地，反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考。
优选地，异常数据包括反复观看引起的数据和跳看引起的数据。
优选地，对视频中用户的异常观看行为进行人工标注，使用交叉验证的方法训练随机森林、XGBoost和神经网络。
另一方面，本发明提供了一种视频观看行为的在线异步教学反馈分析系统，包括样本数据获取模块、异常数据检测模块、行为分类模块和建议提供模块；
样本数据获取模块用于对用户观看操作数据进行特征提取与融合，获取视频观看行为样本数据；
异常数据检测模块用于利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
行为分类模块用于采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
建议提供模块用于基于反馈信息，提供在线异步教学建议；
其中，异常数据为用户对视频的观看行为不符合教育资源提供者预期的数据。
优选地，样本数据获取模块包括数据调度单元、数据填充单元和数据消噪单元；
数据调度单元用于采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
数据填充单元用于基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
数据消噪单元用于通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据。
优选地，反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考。
优选地，异常数据包括反复观看引起的数据和跳看引起的数据。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明对视频观看行为数据进行挖掘与分析；利用XGBoost方法，筛选出异常数据；采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；基于反馈信息，提供在线异步教学建议；相比于传统由于异步在线教育师生沟通不畅，无法准确获知学生状态，本发明可以根据学生的观看行为提供反馈信息，让教师掌握学生的学习情况，不断完善在线教学的不足，进而提高在线教学的质量，推动在线教育的发展。
附图说明
图1是本发明实施例提供的基于视频观看行为的在线异步教学反馈分析方法示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一方面，本发明提供了一种基于视频观看行为的在线异步教学反馈分析方法，包括以下步骤：
对用户观看操作数据进行特征提取与融合，获取视频观看行为样本数据；
利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
基于反馈信息，提供在线异步教学建议；
其中，异常数据为用户对视频的观看行为不符合教育资源提供者的预期的数据，如因为内容难以理解而反复观看，或对内容不感兴趣而跳过等。
优选地，视频观看行为数据的获取方法，包括以下步骤：
采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据。
优选地，提取的特征包括视频属性特征、统计型特征和变化特征。
优选地，反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考。
优选地，异常数据包括反复观看引起的数据和跳看引起的数据。
优选地，对视频中用户的异常观看行为进行人工标注，使用交叉验证的方法训练随机森林、XGBoost和神经网络。
另一方面，本发明提供了一种视频观看行为的在线异步教学反馈分析系统，包括样本数据获取模块、异常数据检测模块、行为分类模块和建议提供模块；
样本数据获取模块用于对用户观看操作数据进行特征提取与融合，获取视频观看行为样本数据；
异常数据检测模块用于利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
行为分类模块用于采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
建议提供模块用于基于反馈信息，提供在线异步教学建议；
其中，异常数据为用户对视频的观看行为不符合教育资源提供者预期的数据。
优选地，样本数据获取模块包括数据调度单元、数据填充单元和数据消噪单元；
数据调度单元用于采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
数据填充单元用于基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
数据消噪单元用于通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据。
优选地，反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考。
优选地，异常数据包括反复观看引起的数据和跳看引起的数据。
实施例
具体的介绍如下：
1.视频观看行为数据的具体情况
本实施例中基于异步在线教育系统中学生的视频观看行为数据，具体表现为两类：
观看操作数据：观看时通过拖拽、点击等方式在视频时间进度条上进行操作的数据；该数据粒度取决于视频平台的系统环境，最高支持秒级粒度。如：观看某视频的所有用户在该视频时间进度条2分11秒至2分12秒之间进行231次点击操作；
时间热度数据：视频某一段内容被观看次数的数据；该数据粒度同样取决于视频平台的系统环境，最高支持秒级粒度；如：某视频的2分11秒至2分12秒内容一共被用户观看了84637次。
这两类数据的采集依据视频平台的具体情况，可采用两种方式：
数据库调用：服务器端依据用户的HTTP/HTTPS请求记录观看操作，以相应的粒度存储在数据库中。采集时对数据库进行调用。
API接口调用：通过封装的API接口以相应的粒度进行数据记录或调用。
对采集的两类数据分别进行数据清洗，分为两步进行：
缺失值填充：基于贝叶斯推力对数据中的缺失值进行填充；
降噪：通过异常值检测消除数据中的噪音。
至此，异步在线教育视频的观看行为数据已采集并清洗完毕。数据将进入下一个步骤，进行特征提取及特征融合。
2.特征提取及特征融合
本发明对两类数据分别进行特征提取，并根据特征选择的结果进行融合，用于模式识别。对这两类数据提取的特征包括以下几个分类：
视频属性特征：如视频的类别、长度、总观看量、总观看点击数等；
统计型特征：如某个视频观看操作数据或时间热度数据的整体平均值、方差；某个时间点前后一定范围内的平均值、方差和中值等。
变化特征：根据数据绘制的时间曲线计算在某个时间点上的斜率和导数等；
两类数据分别提取的特征经过融合后，由特征选择模块依据Pearson相关系数过滤相关度高的特征，形成视频观看行为样本数据，进行下一步的模式识别。
3.模式识别
模式识别将对视频观看行为样本数据进行具体的分类。模式识别将分为异常检测和行为分类两个步骤进行。异常数据为用户对视频的观看行为不符合教育资源提供者的预期的数据。如用户因为不理解某段内容对其进行反复观看；用户因不喜欢或觉得不重要，跳过某段视频内容等。对检测出的异常行为，将在“行为分类”中进行具体的分类并给出反馈结果。
模式识别之前，需要对采用的随机森林、XGBoost和神经网络进行训练，训练过程为：训练过程基于对500个异步在线教育视频的人工标注数据。多位研究人员通过观看与分析，对500个视频中用户异常观看行为进行人工标注，并使用交叉验证的方法提升标注结果的准确性。标注后的数据经过特征提取及特征融合后，对异常检测和行为分类进行训练。
异常检测：利用XGBoost算法对视频观看行为样本数据中的异常数据段进行检测。返回的结果将显示视频样本中某个时间段内的观看行为不符合理想预期。结果将被送入“行为分类”模块对行为进行具体分类。
行为分类：利用随机森林和神经网络对异常行为进行分类，并且对两种算法的结果进行融合。最终的结果将显示某个时间段内学生的异常观看行为所代表的具体含义。
结果反馈：最终将提供针对异步在线教育视频某个时间段的三类反馈结果及一类参考结果，并根据结果为教师提供具体的建议。具体描述如下：
认知困难反馈：用户对视频中某个具体时间段(某分某秒至某分某秒)产生了认知困难，需要反复观看理解；建议教师在教学视频迭代中，将部分内容更加详细讲解，并结合具体实例。
内容跳过反馈：用户因不感兴趣或认为内容不重要，跳过了视频中的某个时间段，建议教师在教学视频迭代中，将内容变得更加紧凑，或者采用不同教学方式以吸引学生的兴趣。
课外因素反馈：用户在视频的某个时间段，被某些非教学因素吸引(如某些有趣、生动的内容，或是教师的口误等)而产生的异常观看行为。这种吸引有时是有益的，代表学生被课程的内容吸引。但有时可能由教师的失误等因素引起。建议教师根据课程具体内容进行判断，并以此进行课程迭代。
重点认知参考：用户在完成视频学习后，会对认知中的重点内容进行回看，以用来完成作业或复习考试。这类结果将为教师提供参考，以用来确定用户所认知的重点内容与教师想要传授的重点知识是否吻合，同时为教学视频迭代提供参考。
综上所述，本发明对视频观看行为数据进行特征提取与融合；利用XGBoost方法，筛选出异常数据；采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；基于反馈信息，提供在线异步教学建议；相比于传统由于异步在线教育师生沟通不畅，无法准确获知学生状态，本发明可以根据反馈信息，让教师掌握学生的学习情况，不断完善在线教学的不足，进而提高在线教学的质量，推动在线教育的发展。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种视频观看行为的在线异步教学反馈分析方法，其特征在于，包括以下步骤：
对视频观看行为数据进行特征提取与融合，获取视频观看行为样本数据；
利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
基于反馈信息，提供在线异步教学建议；
其中，所述异常数据包括反复观看引起的数据和跳看引起的数据；
所述视频观看行为数据的获取方法，包括以下步骤：
采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据；
提取的特征包括视频属性特征、统计型特征和变化特征；
所述视频属性特征包括视频的类别、长度、总观看量和总观看点击数；
所述统计型特征包括视频观看操作数据或时间热度数据的整体平均值、方差；
所述变化特征包括根据数据绘制的时间曲线计算在某个时间点上的斜率和导数；
所述反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考；
所述认知困难反馈为用户对视频中某分某秒至某分某秒需要反复观看理解；
所述内容跳过反馈为用户因不感兴趣或内容不重要，跳过视频中的某个时间段；
所述课外因素反馈为用户在视频的某个时间段，被非教学因素吸引而产生的异常观看行为；
所述重点认知参考为用户在完成视频学习后，对认知中的重点内容进行回看，以用来完成作业或复习考试。
2.根据权利要求1所述的在线异步教学反馈分析方法，其特征在于，对视频中用户的异常观看行为进行人工标注，使用交叉验证的方法训练随机森林、XGBoost和神经网络。
3.一种视频观看行为的在线异步教学反馈分析系统，其特征在于，包括样本数据获取模块、异常数据检测模块、行为分类模块和建议提供模块；
所述样本数据获取模块用于对视频观看行为数据进行特征提取与融合，获取视频观看行为样本数据；
所述异常数据检测模块用于利用XGBoost方法，在视频观看行为样本数据中筛选出异常数据；
所述行为分类模块用于采用随机森林和神经网络模型对异常数据进行行为分类，获取反馈信息；
所述建议提供模块用于基于反馈信息，提供在线异步教学建议；
其中，所述异常数据包括反复观看引起的数据和跳看引起的数据；
所述样本数据获取模块包括数据调度单元、数据填充单元和数据消噪单元；
所述数据调度单元用于采用数据库调用或API接口调用方式获取观看操作数据和时间热度数据；
所述数据填充单元用于基于贝叶斯推理对观看操作数据和时间热度数据的缺失值进行填充；
所述数据消噪单元用于通过异常值检测，对填充后的观看操作数据和时间热度数据消除噪音，获取视频观看行为数据；
其中，观看操作数据为用户观看时在视频时间进度条上的操作数据；时间热度数据为视频某一段内容被观看次数的数据；
提取的特征包括视频属性特征、统计型特征和变化特征；
所述视频属性特征包括视频的类别、长度、总观看量和总观看点击数；
所述统计型特征包括视频观看操作数据或时间热度数据的整体平均值、方差；
所述变化特征包括根据数据绘制的时间曲线计算在某个时间点上的斜率和导数；
所述反馈信息包括认知困难反馈、内容跳过反馈、课外因素反馈和重点认知参考；
所述认知困难反馈为用户对视频中某分某秒至某分某秒需要反复观看理解；
所述内容跳过反馈为用户因不感兴趣或内容不重要，跳过视频中的某个时间段；
所述课外因素反馈为用户在视频的某个时间段，被非教学因素吸引而产生的异常观看行为；
所述重点认知参考为用户在完成视频学习后，对认知中的重点内容进行回看，以用来完成作业或复习考试。
CN202110316228.1A 2021-03-24 2021-03-24 一种视频观看行为的在线异步教学反馈分析方法及系统 Active CN113065023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110316228.1A CN113065023B (zh) 2021-03-24 2021-03-24 一种视频观看行为的在线异步教学反馈分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110316228.1A CN113065023B (zh) 2021-03-24 2021-03-24 一种视频观看行为的在线异步教学反馈分析方法及系统

Publications (2)

Publication Number Publication Date
CN113065023A CN113065023A (zh) 2021-07-02
CN113065023B true CN113065023B (zh) 2023-06-23

Family

ID=76562291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110316228.1A Active CN113065023B (zh) 2021-03-24 2021-03-24 一种视频观看行为的在线异步教学反馈分析方法及系统

Country Status (1)

Country Link
CN (1) CN113065023B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869088A (zh) * 2016-04-18 2016-08-17 李隆帜 基于在线教育的教学质量评估系统
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
CN110675674A (zh) * 2019-10-11 2020-01-10 广州千睿信息科技有限公司 一种基于大数据分析的在线教育方法及在线教育平台

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615423A (zh) * 2018-06-21 2018-10-02 中山大学新华学院 一种基于深度学习的线上教育管理系统
EP3621022A1 (en) * 2018-09-07 2020-03-11 Delta Electronics, Inc. Data analysis method and data analysis system thereof
US20210004926A1 (en) * 2019-03-09 2021-01-07 Scott Foster System and method for integrating improved substitute teaching with targeted virtual learning
CN111325643A (zh) * 2020-02-17 2020-06-23 合肥工业大学 一种慕课教学能力引导方法
CN111444391B (zh) * 2020-04-09 2023-08-11 圆梦共享教育科技(深圳)有限公司 一种基于人工智能的视频学习成效评估方法
CN111949822B (zh) * 2020-08-20 2024-02-06 山东大学 一种基于云计算和移动终端的智能教育视频服务系统及其运行方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869088A (zh) * 2016-04-18 2016-08-17 李隆帜 基于在线教育的教学质量评估系统
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
CN110675674A (zh) * 2019-10-11 2020-01-10 广州千睿信息科技有限公司 一种基于大数据分析的在线教育方法及在线教育平台

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Alexandros Kleftodimos.Exploring Student Viewing Behaviors in Online Educational Videos.《2014 IEEE 14th International Conference on Advanced Learning Technologies》.2014,全文. *
张琪 ; 武法提 ; 许文静 ; .多模态数据支持的学习投入评测：现状、启示与研究趋向.远程教育杂志.2020,(第01期),全文. *
谢涛 ; 张领 ; 张可 ; .基于教育视频日志的多维情境模型构建.现代教育技术.2020,(第10期),全文. *

Also Published As

Publication number Publication date
CN113065023A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
Du et al. A systematic meta-review and analysis of learning analytics research
US20160063881A1 (en) Systems and methods to assist an instructor of a course
CN111274411A (zh) 课程推荐方法、装置、电子设备及可读存储介质
Kotsiantis et al. Using learning analytics to identify successful learners in a blended learning course
CN109214664B (zh) 一种基于人工智能的情绪行为综合分析系统
Veeramachaneni et al. Towards feature engineering at scale for data from massive open online courses
Nanda et al. Analyzing large collections of open-ended feedback from MOOC learners using LDA topic modeling and qualitative analysis
CN110782375B (zh) 基于数据的在线学习全过程动态分析方法及系统
Jansen et al. Exploring the link between self‐regulated learning and learner behaviour in a massive open online course
CN108984516B (zh) 一种基于弹幕评论云数据的在线课程内容测评方法及系统
Mirriahi et al. Analytics of learner video use
KR101629084B1 (ko) 사용자에 대한 학습 처방 결정 장치 및 방법
CN112530220A (zh) 一种用于职业教育的在线直播及考试系统
Rao et al. Assessing learning behavior and cognitive bias from web logs
CN116226410B (zh) 一种知识元联结学习者状态的教学评估与反馈方法及系统
CN113065023B (zh) 一种视频观看行为的在线异步教学反馈分析方法及系统
Sajja et al. Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education
CN117474353A (zh) 一种基于在线教育的决策自动生成方法和装置
Wu et al. A learning analytics system for cognition analysis in online learning community
CN113918588A (zh) 一种基于知识点的错题动态智能管理系统
CN114330943A (zh) 一种面试辅助方法及装置
Bennacer et al. A behavioral model to support teachers’ self-assessment and improve their LMS mastery
Wang et al. A study of interaction design for E-learning system based on distributed asynchronous communication
Moreno et al. Process Mining Model to visualize and analyze the Learning Process
CN113743495B (zh) 一种基于注意力机制的学习风格识别方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wu Jiang

Inventor after: He Chaocheng

Inventor after: Xu Zhoucan

Inventor after: Sun Pu

Inventor before: Wang Zibo

Inventor before: Wu Jiang

Inventor before: Xu Zhoucan

GR01 Patent grant
GR01 Patent grant