CN113673811B - 一种基于session的在线学习绩效评估方法及装置 - Google Patents
一种基于session的在线学习绩效评估方法及装置 Download PDFInfo
- Publication number
- CN113673811B CN113673811B CN202110758711.5A CN202110758711A CN113673811B CN 113673811 B CN113673811 B CN 113673811B CN 202110758711 A CN202110758711 A CN 202110758711A CN 113673811 B CN113673811 B CN 113673811B
- Authority
- CN
- China
- Prior art keywords
- session
- learning
- sequence
- log
- feature
- 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
Links
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供一种基于session的在线学习绩效评估方法及装置,该方法包括:获取待评估用户的在线学习日志;按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列;提取用户session序列中各session的session特征和session序列特征指标;根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。上述方案提供的方法,通过根据用户的在线学习日志对应的session特征和session序列特征指标,对用户的学习绩效进行全面地评估,提高学习评估结果的有效性和可靠性。
Description
技术领域
本申请涉及网络技术领域,尤其涉及一种基于session的在线学习绩效评估方法及装置。
背景技术
目前,在线学习正日益成为一种不可或缺的学习方式。与传统的线下学习方式相比,在线学习能够打破教学双方在时间和空间等方面受到的限制,为学习教育提供了便利。在线学习平台为了更好地为用户提供在线学习服务,可以根据用户的在线学习情况,为其提供具备针对性的服务。
现有技术通常只简单地根据用户在整个学习项目中各类任务的参与情况和完成比例来评价用户的学习绩效,但是这种评价方式忽略了在线学习的其他行为特征及其动态特征中隐含的学习绩效信息,也未能充分发挥在线学习数据在支持精准教学方面的作用。因此,迫切需要探索如何基于更丰富的过程性学习数据动态评价和预测学习绩效,以支持对学习的实时测评、有效诊断与及时预警,进而提供科学有效的个性化教学干预和学习支持。
Session是在线学习者登录教学或学习平台后投入一系列相关或相似活动而不被其他活动打断的一段时间。通常session以学习者登录在线教学或学习平台后,在合法或非法离线前的这段时间来表征。在线学习情境中,session是学生学习的基本时间单元,学生如何组织和安排其session的学习活动与任务量,以及学生在每个session的具体学习投入表现,成为评估与预测学生学习绩效的重要依据。
发明内容
本申请提供一种基于session的在线学习绩效评估方法及装置,以解决现有技术的评估结果的可靠性较低等缺陷。
本申请第一个方面提供一种基于session的在线学习绩效评估方法,包括:
获取待评估用户的在线学习日志;
按照session间隔阈值,对所述在线学习日志进行session划分,以得到用户session序列;
提取用户session序列的session特征和session序列特征指标;其中,所述session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,所述session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;
根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果。
可选的,所述方法还包括:
获取日志样本集;其中,所述日志样本集包括多个日志样本;
检测所述日志样本集中各日志样本对应的操作间隔;
根据各日志样本的操作间隔,剔除所述日志样本集中的异常日志样本,得到目标日志样本集;
根据所述目标日志样本集中各日志样本的操作间隔,确定session间隔阈值。
可选的,所述根据各日志样本的操作间隔,剔除所述日志样本集中的异常日志样本,得到目标日志样本集,包括:
基于如下公式,根据各日志样本的操作间隔,计算日志样本的累计间隔差值:
其中,Xi-Xj表示日志样本中第i个操作与第j个操作之间的间隔时长;
根据各日志样本的累计间隔差值,判断各日志样本是否为异常样本。
可选的,所述根据各日志样本的累计间隔差值,判断各日志样本是否为异常样本,包括:
基于如下公式,根据各日志样本的累计间隔差值,确定各日志样本的间隔变化程度Z:
判断各日志样本的间隔变化程度Z是否超出预设的正常区间;
若所述日志样本的间隔变化程度Z超出所述正常区间,则确定所述日志样本为异常样本。
可选的,所述根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果,包括:
将所述session特征和session序列特征指标输入至预设的神经网络模型;其中,所述神经网络模型的神经元至少包括重置门、session特征更新门和session序列特征指标更新门;
根据所述session特征,确定所述session特征对应的特征评价权重;
根据所述session序列特征指标,确定所述session序列特征指标对应的序列特征指标评价权重;
根据所述特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型的当前细胞状态值;
根据所述神经网络模型的当前细胞状态值,确定所述待评估用户的学习绩效评估结果。
可选的,所述根据所述特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型的当前细胞状态值,包括:
根据所述session特征、session序列特征指标、特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型未输出的候选细胞状态值;
根据所述神经网络模型未输出的候选细胞状态值、特征评价权重和所述序列特征指标评价权重,确定所述当前细胞状态值。
可选的,所述根据所述session序列特征指标,确定所述session序列特征指标对应的序列特征指标评价权重,包括:
根据如下公式计算序列特征指标评价权重:
it=σ(Wi·[ht-1,St])
其中,Wi表示当前神经网络模型的更新权重,ht-1表示所述神经网络模型上一时刻的细胞状态值,St表示session序列特征指标;
所述根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果,包括:
根据如下公式计算神经网络模型未输出的候选细胞状态值:
其中,rt表示输入数据的比率,Ft表示输入的session特征,St表示输入的session序列特征指标;
基于如下公式,根据神经网络模型未输出的候选细胞状态值,计算当前细胞状态值:
其中,zt表示session特征评价权重。
本申请第二个方面提供一种基于session的在线学习绩效评估方法装置,包括:
获取模块,用于获取待评估用户的在线学习日志;
session划分模块,用于按照session间隔阈值,对所述在线学习日志进行session划分,以得到用户session序列;
特征提取模块,用于提取用户session序列的session特征和session序列特征指标;其中,所述session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,所述session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;
评估模块,用于根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果。
本申请第三个方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请技术方案,具有如下优点:
本申请提供的基于session的在线学习绩效评估方法及装置,通过获取待评估用户的在线学习日志;按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列;提取用户session序列的session特征和session序列特征指标;其中,session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。上述方案提供的方法,通过根据用户的在线学习日志对应的session特征和session序列特征指标,对用户的学习情况进行全面地评估,提高了评估结果的可靠性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的在线学习绩效评估系统的结构示意图;
图2为本申请实施例提供的基于session的在线学习绩效评估方法的流程示意图;
图3为本申请实施例提供的GRU网络模型的结构示意图;
图4为现有技术中的GRU网络模型的结构示意图;
图5为本申请实施例提供的基于session的在线学习绩效评估装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
现有技术通常只简单地根据用户在整个学习项目中各类任务的参与情况和完成比例来评价用户的学习绩效,但是这种评价方式忽略了在线学习的其他行为特征及其动态特征中隐含学习绩效信息,也未能充分发挥在线学习数据在支持精准教学方面的作用。因此,迫切需要探索如何基于更丰富的过程性学习数据动态评价和预测学习绩效,以支持对学习的实时测评、有效诊断与及时预警,进而提供的科学有效的个性化教学干预和学习支持。
针对上述问题,本申请实施例提供的基于session的在线学习绩效评估方法及装置,通过获取待评估用户的在线学习日志;按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列;提取用户session序列的session特征和session序列特征指标;其中,session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。上述方案提供的方法,通过根据用户的在线学习日志对应的session特征和session序列特征指标,对用户的学习情况进行全面地评估,提高了评估结果的可靠性。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明实施例进行描述。
首先,对本申请所基于的在线学习评估系统的结构进行说明:
本申请实施例提供的基于session的在线学习绩效评估方法及装置,适用于对线学习平台用户的在线学习情况进行评估。如图1所示,为本申请实施例基于的在线学习绩效评估系统的结构示意图,主要包括在线学习平台后台数据库和用于进行在线学习绩效评估的基于session的在线学习绩效评估装置。其中,在线学习平台后台数据库中存储有各用户的在线学习日志。具体地,基于session的在线学习绩效评估装置从在线学习平台后台数据库获取待评估用户的在线学习日志,根据其在线学习日志,生成对应的在线学习绩效评估结果。
本申请实施例提供了一种基于session的在线学习绩效评估方法,用于评估在线学习平台用户的学习情况。本申请实施例的执行主体为电子设备,比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于进行在线学习绩效评估的电子设备。
如图2所示,为本申请实施例提供的基于session的在线学习绩效评估方法的流程示意图,该方法包括:
步骤201,获取待评估用户的在线学习日志。
具体地,用户在使用在线学习平台学习的过程中,在线学习平台的后台数据库将记录用户的所有应用操作,并生成对应的在线学习日志。
步骤202,按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列。
需要说明的是,一个session代表用户在某时间段内进行的某种操作对应的日志记录,一个日志中包括多个session,session的划分主要以时间间隔为基准。
具体地,按照合理的session间隔阈值,将该在线学习日志划分为多个用户session序列,以供后续进行特征提取和评估。
步骤203,提取用户session序列的session特征和session序列特征指标。
其中,session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态。
需要说明的是,从同一日志中提取的多个session,构成该日志对应的session序列。
具体地,在得到各用户session序列的session特征之后,进一步统计各session特征对应的session序列特征指标。其中,session序列特征指标更能全面体现待评估对应的整体学习情况。
步骤204,根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。
其中,评估结果也可以是待评估用户的辍学率、学习能力和自觉性等,具体可以根据实际评估需求,管理最终的评估结果生成目标,具体本申请实施例不做限定。
在上述实施例的基础上,由于目前的智能评估结果通常由神经网络等机器学习模型来确定,而现有技术中的神经网络模型一般仅对单一类型的特征进行识别和分析,即不适用于本申请实施例提供的基于session的在线学习绩效评估方法。
为了解决上述问题,本申请实施例对现有的神经网络模型进行了改进,以使其可以同时针对两种不同类型的特征进行分析,作为一种可实施的方式,在上述实施例的基础上,在一实施例中,根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果,包括:
步骤2041,将session特征和session序列特征指标输入至预设的神经网络模型;其中,所述神经网络模型的神经元至少包括重置门、session特征更新门和session序列特征指标更新门;
步骤2042,根据session特征,确定session特征对应的特征评价权重;
步骤2043,根据session序列特征指标,确定session序列特征指标对应的序列特征指标评价权重;
步骤2044,根据特征评价权重和序列特征指标评价权重,确定神经网络模型的当前细胞状态值;
步骤2045,根据神经网络模型的当前细胞状态值,确定待评估用户的学习绩效评估结果。
需要说明的是,在将session特征和session序列特征指标输入到神经网络模型之前,首先将session特征和session序列特征指标对应的两种特征向量进行拼接,得到整合后的特征向量Xt=[Ft,St]。
具体地,对于本申请实施例所应用的神经网络模型,可以分别计算session特征和session序列特征指标对应的特征评价权重和序列特征指标评价权重,进而确定对应的当前细胞状态值。其中,神经网络模型的当前细胞状态值反映了当前时刻的记忆情况,也反映了神经网络的当前状态,神经网络模型可以根据当前细胞状态值确定对应的评估结果。
具体地,在一实施例中,可以根据session特征、session序列特征指标、特征评价权重和序列特征指标评价权重,确定神经网络模型未输出的候选细胞状态值;根据神经网络模型未输出的候选细胞状态值、特征评价权重和序列特征指标评价权重,确定当前细胞状态值。
需要说明的是,未输出的候选细胞状态值是指将输入到神经网络的可以利用的记忆。
其中,本申请实施例所采用的神经网络模型具体可以是GRU网络模型,如图3所示,为本申请实施例提供的GRU网络模型的结构示意图,原GRU的未输出的候选细胞状态值的计算中,Xt为经过过滤全都纳入/>的计算,基于本申请实施例的输入包括session特征输入Ft和session序列特征指标St的输入两部分的特性,对St使用序列更新门it筛选,只允许一部分的序列特征指标参与当前状态的计算,session特征Ft依然全量输入,神经网络模型未输出的候选细胞状态值的计算公式如下:
其中,图3中的rt为GRU重置门,rt表示输入数据的比率,即输入的数据中有多少的数据需要保留下来,具体可以根据如下公式计算:
rt=σ(Wr·[ht-1,Ft,St])
为了便于本领域技术人员更好地了解本申请实施例所提供的GRU网络模型,如图4所示,为现有技术中的GRU网络模型的结构示意图。经图3和图4的对比,可以看出,session序列特征指标更新门it是原GRU中没有的,是特别为序列特征指标设计的序列更新门,用于后续细胞状态时计算时的合并计算,仅允许当前的session特征,t和上一刻的细胞状态ht-1参与计算。
具体地,在一实施例中,可以根据如下公式计算序列特征指标评价权重:
it=σ(Wi·[ht-1,St])
其中,wi表示当前神经网络模型的更新权重,ht-1表示神经网络模型上一时刻的细胞状态值,St表示session序列特征指标。
相应地,图3中的zt为GRU的更新门,在GRU中将命名为session更新门,用于后续细胞状态时计算时的合并计算,此处经过优化,仅允许当前的session特征Ft和上一刻的细胞状态ht-1参与计算,具体可以根据如下公式计算session特征评价权重:
zt=σ(Wz·[ht-1,Ft])
进一步地,图3中的ht代表输出的细胞状态,可以利用zt和it对ht-1和进行加权结合,最终得到当前适合的细胞状态。相比图4所示的原GRU,ht-1的权重加入了序列更新门it,放大了原数据中历史序列特征指标对评估结果的影响。具体可以根据如下公式计算当前细胞状态值:
其中,本申请实施例提供的GRU网络模型在投入使用之前,需要对其进行相应的模型训练。具体可以根据损失函数反向传播更新模型参数,以得到训练好的GRU网络模型(在线学习绩效评估模型)。其中,具体的模型训练过程可以参考现有技术,本申请实施例不做限定。
在上述实施例的基础上,由于session的划分情况直接影响后续的评估结果,为了进一步提高评估结果的可靠性,作为一种可实施的方式,在上述实施例的基础上,在一实施例中,该方法还包括:
步骤301,获取日志样本集;其中,日志样本集包括多个日志样本;
步骤302,检测日志样本集中各日志样本对应的操作间隔;
步骤303,根据各日志样本的操作间隔,剔除日志样本集中的异常日志样本,得到目标日志样本集;
步骤304,根据目标日志样本集中各日志样本的操作间隔,确定session间隔阈值。
需要说明的是,上述步骤301-304是为了确定合理的session间隔阈值,为后续的session划分操作提供数据基础。
具体地,可以从在线学习平台后台数据库随机采集多个用户的在线学习日志,并将所提取的日志作为日志样本,从而得到日志样本集。
具体地,在一实施例中,可以基于如下公式,根据各日志样本的操作间隔,计算日志样本的累计间隔差值:
其中,Xi-Xj表示日志样本中第i个操作与第j个操作之间的间隔时长。然后根据各日志样本的累计间隔差值,判断各日志样本是否为异常样本。
需要说明的是,本申请实施例采用改良的mk算法(使用sigmoid代替sign),筛选得到趋势不显著的样本的操作间隔,进而剔除操作间隔变化异常的样本。sigmoid相比原来sign函数是将原来差值按照大小基于sigmoid进行放缩后,加入累计值的计算,避免出现因趋势的改变过小导致显著性过大的情况。
具体地,在一实施例中,为了提高异常样本判断结果的可靠性,本申请实施例提供了一种量化的判断方式,具体可以基于如下公式,根据各日志样本的累计间隔差值,确定各日志样本的间隔变化程度Z:
进一步地,判断各日志样本的间隔变化程度Z是否超出预设的正常区间;若日志样本的间隔变化程度Z超出正常区间,则确定日志样本为异常样本。
具体地,正常区间可以设置为[-1.96,1.96],然后采用孤立森林算法剔除异常间隔变化程度Z对应的异常样本。
进一步地,计算目标日志样本集中各日志样本的操作间隔的上下四分位数,然后取比上四分位数高1.5个四分位间距的点作为session间隔阈值T。
其中,本申请实施例所提出的session特征和session序列特征指标主要包括如下内容:
其中,趋势指的是单一session特征在session序列中呈现的趋势,节奏指的是单一session特征在session序列中呈现的某种周期性的特征,状态指的是单一session特征在session序列中程序出的某种特有的模式(状态)。
其中,上述九个维度的session特征的示例性细化特征如下:
注:①本表中“未做习题”是指session所在周学习任务要求/建议做的习题中那些未作的习题;②本表中“未观看视频”是指session所在周学习任务要求/建议观看的视频中那些未作的习题;
session序列指标特征细化
本申请实施例提供的基于session的在线学习绩效评估方法,通过获取待评估用户的在线学习日志;按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列;提取用户session序列的session特征和session序列特征指标;其中,session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。上述方案提供的方法,通过根据用户的在线学习日志对应的session特征和session序列特征指标,对用户的学习情况进行全面地评估,提高了评估结果的可靠性。并且,本申请实施例还对确定了合理的session间隔阈值,改善了session划分效果,为进一步提高评估结果的可靠性奠定了基础。并且,本申请实施例还提供了改进的GRU网络模型,提高了模型的泛化能力和鲁棒性,进而提高了评估结果的准确性。
本申请实施例提供了一种基于session的在线学习绩效评估装置,用于执行上述实施例提供的基于session的在线学习绩效评估方法。
如图5所示,为本申请实施例提供的基于session的在线学习绩效评估装置的结构示意图。该基于session的在线学习绩效评估装置50包括获取模块501、session划分模块502、特征提取模块503和评估模块504。
其中,获取模块,用于获取待评估用户的在线学习日志;session划分模块,用于按照session间隔阈值,对在线学习日志进行session划分,以得到用户session序列;特征提取模块,用于提取用户session序列的session特征和session序列特征指标;其中,session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;评估模块,用于根据session特征和session序列特征指标,确定待评估用户的学习绩效评估结果。
关于本实施例中的基于session的在线学习绩效评估装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的基于session的在线学习绩效评估装置,用于执行上述实施例提供的基于session的在线学习绩效评估方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种电子设备,用于执行上述实施例提供的基于session的在线学习绩效评估方法。
如图6所示,为本申请实施例提供的电子设备的结构示意图。该电子设备60包括:至少一个处理器61和存储器62;
存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上实施例提供的基于session的在线学习绩效评估方法。
本申请实施例提供的一种电子设备,用于执行上述实施例提供的基于session的在线学习绩效评估方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的基于session的在线学习绩效评估方法。
本申请实施例的包含计算机可执行指令的存储介质,可用于存储前述实施例中提供的基于session的在线学习绩效评估方法的计算机执行指令,其实现方式与原理相同,不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种基于session的在线学习绩效评估方法,其特征在于,包括:
获取待评估用户的在线学习日志;
按照session间隔阈值,对所述在线学习日志进行session划分,以得到用户session序列;其中,session是待评估用户登录学习平台后投入一系列相关或相似活动而不被其他活动打断的一段时间;
提取用户session序列的session特征和session序列特征指标;其中,所述session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,所述session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;趋势指的是单一session特征在session序列中呈现的趋势,节奏指的是单一session特征在session序列中呈现的周期性的特征,状态指的是单一session特征在session序列中呈现出的特有的模式;
根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果;
所述根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果,包括:
将所述session特征和session序列特征指标输入至预设的神经网络模型;其中,所述神经网络模型的神经元至少包括重置门、session特征更新门和session序列特征指标更新门;
根据所述session特征,确定所述session特征对应的特征评价权重;
根据所述session序列特征指标,确定所述session序列特征指标对应的序列特征指标评价权重;
根据所述特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型的当前细胞状态值;
根据所述神经网络模型的当前细胞状态值,确定所述待评估用户的学习绩效评估结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取日志样本集;其中,所述日志样本集包括多个日志样本;
检测所述日志样本集中各日志样本对应的操作间隔;
根据各日志样本的操作间隔,剔除所述日志样本集中的异常日志样本,得到目标日志样本集;
根据所述目标日志样本集中各日志样本的操作间隔,确定session间隔阈值。
5.根据权利要求1所述的方法,其特征在于,根据所述特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型的当前细胞状态值,包括:
根据所述session特征、session序列特征指标、特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型未输出的候选细胞状态值;
根据所述神经网络模型未输出的候选细胞状态值、特征评价权重和所述序列特征指标评价权重,确定所述当前细胞状态值。
6.根据权利要求1所述的方法,其特征在于,根据所述session序列特征指标,确定所述session序列特征指标对应的序列特征指标评价权重,包括:根据如下公式计算序列特征指标评价权重:
it=σ(Wi·[ht-1,St])
其中,Wi表示当前神经网络模型的更新权重,ht-1表示所述神经网络模型上一时刻的细胞状态值,St表示session序列特征指标;
所述根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果,包括:
根据如下公式计算神经网络模型未输出的候选细胞状态值:
其中,rt表示输入数据的比率,Ft表示输入的session特征,St表示输入的session序列特征指标;
基于如下公式,根据神经网络模型未输出的候选细胞状态值,计算当前细胞状态值:
其中,zt表示session特征评价权重。
7.一种基于session的在线学习绩效评估装置,其特征在于,包括:
获取模块,用于获取待评估用户的在线学习日志;
session划分模块,用于按照session间隔阈值,对所述在线学习日志进行session划分,以得到用户session序列;其中,session是待评估用户登录学习平台后投入一系列相关或相似活动而不被其他活动打断的一段时间;
特征提取模块,用于提取用户session序列的session特征和session序列特征指标;其中,所述session特征至少包括学习总量、学习拖延程度、学习速度、学习强度、学习模式、学习负荷量、学习方式、任务学习分布和学习内容种类信息,所述session序列特征指标至少包括各session特征在session序列中呈现的趋势、节奏和状态;趋势指的是单一session特征在session序列中呈现的趋势,节奏指的是单一session特征在session序列中呈现的周期性的特征,状态指的是单一session特征在session序列中呈现出的特有的模式;
评估模块,用于根据所述session特征和session序列特征指标,确定所述待评估用户的学习绩效评估结果;
所述评估模块,具体用于:
将所述session特征和session序列特征指标输入至预设的神经网络模型;其中,所述神经网络模型的神经元至少包括重置门、session特征更新门和session序列特征指标更新门;
根据所述session特征,确定所述session特征对应的特征评价权重;
根据所述session序列特征指标,确定所述session序列特征指标对应的序列特征指标评价权重;
根据所述特征评价权重和所述序列特征指标评价权重,确定所述神经网络模型的当前细胞状态值;
根据所述神经网络模型的当前细胞状态值,确定所述待评估用户的学习绩效评估结果。
8.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758711.5A CN113673811B (zh) | 2021-07-05 | 2021-07-05 | 一种基于session的在线学习绩效评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758711.5A CN113673811B (zh) | 2021-07-05 | 2021-07-05 | 一种基于session的在线学习绩效评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673811A CN113673811A (zh) | 2021-11-19 |
CN113673811B true CN113673811B (zh) | 2023-06-27 |
Family
ID=78538763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758711.5A Active CN113673811B (zh) | 2021-07-05 | 2021-07-05 | 一种基于session的在线学习绩效评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673811B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971095B (zh) * | 2022-08-02 | 2022-11-08 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 在线教育效果预测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256751A (zh) * | 2017-12-30 | 2018-07-06 | 重庆楠桦生物科技有限公司 | 基于大数据的在线教学过程评价方法 |
CN108596804A (zh) * | 2018-04-28 | 2018-09-28 | 重庆玮宜电子科技有限公司 | 多线程在线教育评价方法 |
CN110600033A (zh) * | 2019-08-26 | 2019-12-20 | 北京大米科技有限公司 | 学习情况的评估方法、装置、存储介质及电子设备 |
CN112347162A (zh) * | 2020-11-18 | 2021-02-09 | 武汉大学 | 一种基于在线学习的多元时序数据规则挖掘方法 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN113139439A (zh) * | 2021-04-06 | 2021-07-20 | 广州大学 | 一种基于人脸识别的在线学习专注度评价方法及装置 |
CN113408852A (zh) * | 2021-05-18 | 2021-09-17 | 江西师范大学 | 基于在线学习行为和深度神经网络的元认知能力评估模型 |
CN113627816A (zh) * | 2021-08-19 | 2021-11-09 | 北京自如信息科技有限公司 | 一种评估管理方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8626684B2 (en) * | 2011-12-14 | 2014-01-07 | International Business Machines Corporation | Multi-modal neural network for universal, online learning |
-
2021
- 2021-07-05 CN CN202110758711.5A patent/CN113673811B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256751A (zh) * | 2017-12-30 | 2018-07-06 | 重庆楠桦生物科技有限公司 | 基于大数据的在线教学过程评价方法 |
CN108596804A (zh) * | 2018-04-28 | 2018-09-28 | 重庆玮宜电子科技有限公司 | 多线程在线教育评价方法 |
CN110600033A (zh) * | 2019-08-26 | 2019-12-20 | 北京大米科技有限公司 | 学习情况的评估方法、装置、存储介质及电子设备 |
CN112347162A (zh) * | 2020-11-18 | 2021-02-09 | 武汉大学 | 一种基于在线学习的多元时序数据规则挖掘方法 |
CN112883867A (zh) * | 2021-02-09 | 2021-06-01 | 广州汇才创智科技有限公司 | 一种基于图像情感分析的学生在线学习评估方法及系统 |
CN113139439A (zh) * | 2021-04-06 | 2021-07-20 | 广州大学 | 一种基于人脸识别的在线学习专注度评价方法及装置 |
CN113408852A (zh) * | 2021-05-18 | 2021-09-17 | 江西师范大学 | 基于在线学习行为和深度神经网络的元认知能力评估模型 |
CN113627816A (zh) * | 2021-08-19 | 2021-11-09 | 北京自如信息科技有限公司 | 一种评估管理方法、装置、电子设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Di Sun.Deep Learning for Dropout Prediction in MOOCs.《2019 Eighth International Conference on Educational Innovation through Technology (EITT)》.2019,87-90. * |
Shuang Li.The Relationship between Self-regulated Learning and Learning Behaviors of Chinese Middle School Students in a Smart Classroom.《 2021 Tenth International Conference of Educational Innovation through Technology (EITT)》.2022,350-355. * |
袁泉 .在线学习推荐机制的研究与实现.《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》.2021,(第5期),H127-95. * |
郑勤华.在线学习力:结构特征及影响因素.《开放教育研究》.2020,第26卷(第4期),77-85. * |
Also Published As
Publication number | Publication date |
---|---|
CN113673811A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417721B (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
US20210374027A1 (en) | Self-learning alerting and anomaly detection | |
CN104836781B (zh) | 区分访问用户身份的方法及装置 | |
CN107886243A (zh) | 风险识别模型构建和风险识别方法、装置及设备 | |
CN113179263A (zh) | 一种网络入侵检测方法、装置及设备 | |
CN110222195B (zh) | 题目作答结果与知识点关系的挖掘方法及电子装置 | |
þÿMBynarska et al. | Time series clustering of Moodle activity data | |
CN104915600A (zh) | 一种Android应用程序安全风险评估方法与装置 | |
CN115588161A (zh) | 一种基于数字孪生技术的数字化系统及其构建方法 | |
CN113673811B (zh) | 一种基于session的在线学习绩效评估方法及装置 | |
US11593648B2 (en) | Methods and systems for detection and isolation of bias in predictive models | |
CN110084291B (zh) | 一种基于大数据极限学习的学生行为分析方法及装置 | |
CN115203496A (zh) | 基于大数据的项目智能预测及评估方法、系统及可读存储介质 | |
JP4498666B2 (ja) | 予測装置、予測プログラム、および記録媒体 | |
Moon et al. | Rich representations for analyzing learning trajectories: Systematic review on sequential data analytics in game-based learning research | |
CN111241571B (zh) | 一种数据共享方法及模型系统、存储介质 | |
CN111382909A (zh) | 基于生存分析模型扩展坏样本的拒绝推断方法及相关设备 | |
CN116051320A (zh) | 用于在线学习平台的多任务注意力知识追踪方法及系统 | |
CN112200684B (zh) | 一种检测医保欺诈的方法、系统及存储介质 | |
CN114357297A (zh) | 学生画像构建及学习资源分发方法、计算机设备及存储介质 | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
Soussia et al. | Toward an early risk alert in a distance learning context | |
CN111221704A (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
JP2020166645A (ja) | 予測モデル評価システム、予測モデル評価方法 | |
CN111625720B (zh) | 数据决策项目执行策略的确定方法、装置、设备和介质 |
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 |