CN114510617A - 在线课程学习行为确定方法及装置 - Google Patents

在线课程学习行为确定方法及装置 Download PDF

Info

Publication number
CN114510617A
CN114510617A CN202210098102.6A CN202210098102A CN114510617A CN 114510617 A CN114510617 A CN 114510617A CN 202210098102 A CN202210098102 A CN 202210098102A CN 114510617 A CN114510617 A CN 114510617A
Authority
CN
China
Prior art keywords
target
learning
online course
students
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.)
Pending
Application number
CN202210098102.6A
Other languages
English (en)
Inventor
韩佳航
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202210098102.6A priority Critical patent/CN114510617A/zh
Publication of CN114510617A publication Critical patent/CN114510617A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种在线课程学习行为确定方法及装置，其中方法包括：获取与目标在线课程相关的历史数据；根据历史数据在学习目标在线课程的学生中，确定对目标在线课程的学习行为可被参考的目标学生；确定任意两个目标学生学习目标在线课程时的相对距离；根据任意两个目标学生学习目标在线课程时的相对距离，对学习目标在线课程的学习行为进行聚类，得到学习目标在线课程所对应多个种类的学习行为；根据得到的多个种类的学习行为，确定适合目标在线课程的学习行为。本方案，能够针对每一个目标在线课程均能够确定出适合的学习行为，进而能够利用确定出的学习行为给学习对应目标在线课程的学生进行提示，以对学生学习起到辅助学习的作用。

Description

在线课程学习行为确定方法及装置
技术领域
本发明实施例涉及数据处理技术领域，特别涉及一种在线课程学习行为确定方法及装置。
背景技术
随着信息技术的创新，大规模在线开放课程(Massive Open Online Courses，MOOC)平台逐渐成为了流行的教学模式。其优势在于在线教育资源相对于传统的实体教育而言有着更加自由，更加容易获取的特点。越来越多的人开始使用MOOC平台来进行教学与学习。不容忽视的是，MOOC既是在线教育发展的产物，更是大数据时代的产物。MOOC的实现依赖于网络平台，也正是这个特点，使得其拥有采集数据容易的特点，相对于传统教育而言，其数据的丰富度和数据量都有着明显的优势。随着数据技术与MOOC平台的发展与深度融合，数据管理与分析技术应用到了MOOC平台的各个部分中，包括课程内容，课后作业，课后的讨论以及答疑交流等多方面的内容，蕴含了海量的教师与学生群体的行为数据。
目前，大部分研究主要集中在利用这些数据对行学生期末成绩的预测，尚未有对课程学习行为的分析，本发明提供一种在线课程学习行为的确定方法。
发明内容
本发明实施例提供了一种在线课程学习行为确定方法及装置，能够针对每一个在线课程确定合适的学习行为，对学生学习起到辅助学习的作用。
第一方面，本发明实施例提供了一种在线课程学习行为确定方法，包括：
获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
优选地，所述确定对所述目标在线课程的学习行为可被参考的目标学生，包括：
若确定学生对所述目标在线课程的考试成绩满足预设级别，和/或，确定学生对所述目标在线课程的学习活跃度满足预设活跃度，则将该学生确定为所述目标学生。
优选地，所述确定任意两个所述目标学生学习所述目标在线课程时的相对距离，包括：
确定所述目标在线课程包含的各个章节视频；
将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列；
根据每一个所述目标学生学习每一个章节视频时对应的时间序列，利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点；
根据任意两个所述目标学生学习相同章节视频时对齐后的目标散点，计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离。
优选地，所述将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列，包括：
根据每一个所述目标学生分别对该章节视频的行为信息，确定每一个所述目标学生分别对该章节视频在每一个观看时间点对应的观看次数；所述观看时间点为不小于0，且不大于该章节视频的最大播放时间点；
将观看时间点和对应的观看次数抽象为一个散点，则针对每一个所述目标学生，得到学习该章节视频时的时间序列。
优选地，所述利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点，包括：
针对任意两个所述目标学生学习相同章节视频时分别对应的时间序列构建n×m的矩阵网格；其中，n和m为该两个所述目标学生学习该相同章节视频时分别对应的时间序列包含散点的数量；所述矩阵网格中的第(i，j)个矩阵元素为其中一个所述目标学生对应时间序列中第i个散点与另一个所述目标学生对应时间序列中第j个散点的距离；
针对所述矩阵网格，确定从第(1，1)个矩阵元素至第(n，m)个矩阵元素所通过矩阵元素的最短路径；
将所述最短路径上包含的每一个矩阵元素所对应两个学习序列的散点，确定为对齐后的目标散点。
优选地，所述计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离，包括：
利用如下公式计算任意两个所述目标学生学习所述目标在线课程时的相对距离：
Figure BDA0003491322770000031
其中，D(A，B)为目标学生A与目标学生B学习所述目标在线课程时的相对距离，取函数F[·]中的最小值；P为所述目标在线课程包含章节视频的数量；w(p)为目标学生A和目标学生B学习第p个章节视频时对齐后的目标散点；a(p)、b(p)分别为目标学生A、目标学生B学习第p个章节视频的观看时长；d(a(p)，b(p))为目标学生A、目标学生B学习第p个章节视频时观看时长的差距。
优选地，所述根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为，包括：
确定自适应的K值；
以每一个目标学生分别为中心，将其他目标学生与该中心的目标学生之间的相对距离按照大小进行排序，选择前K个最小相对距离所对应的其他目标学生与该中心的目标学生确定为一个种类；
根据出现次数最多的种类，确定对所有目标学生进行分类的结果，得到每一个种类下所包含目标学生分别学习所述目标在线课程的学习行为；
和/或，
所述根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为，包括：
根据每一个种类的学习行为，确定所述目标在线课程对应每一个观看时间点对应的观看次数，将所述目标在线课程对应每一个观看时间点对应的观看次数确定为适合所述目标在线课程的学习行为；
和/或，
在所述确定适合所述目标在线课程的学习行为之后，还包括：根据适合所述目标在线课程的学习行为提示给学习所述目标在线课程的学生。
第二方面，本发明实施例还提供了一种在线课程学习行为确定装置，包括：
历史数据获取单元，用于获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
目标学生确定单元，用于根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
相对距离确定单元，用于根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
聚类单元，用于根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
学习行为确定单元，用于根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
第三方面，本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本说明书任一实施例所述的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行本说明书任一实施例所述的方法。
本发明实施例提供了一种在线课程学习行为确定方法及装置，通过确定出对目标在线课程的学习行为可被参考的目标学生之后，可以对这些目标学生对目标在线课程的学习行为进行聚类，但是学习行为是具有时序特征的行为信息，因此，需要确定出任意两个目标学生学习目标在线课程时的相对距离，利用相对距离进行聚类，从而可以得到学习该目标在线课程所对应多个种类的学习行为，最后根据多个种类的学习行为，确定适合目标在线课程的学习行为。可见，本方案能够针对每一个目标在线课程均能够确定出适合的学习行为，进而能够利用确定出的学习行为给学习对应目标在线课程的学生进行提示，以对学生学习起到辅助学习的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种在线课程学习行为确定方法流程图；
图2是本发明一实施例提供的相对距离求解过程的流程图；
图3是本发明一实施例提供的一种计算设备的硬件架构图；
图4是本发明一实施例提供的一种在线课程学习行为确定装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
不同课程的重点难点不同，如果能够对每一个课程的学习行为进行分析，得出每一个课程合适的学习行为，为后续学习该门课程的学生提供该门课程学习行为的指导，提到辅助学习的作用。为了能够确定每一个课程合适的学习行为，可以考虑使用已完成学习该门课程且成绩优秀的多个学生对该门课程的学习行为进行分析，通过聚类等方式确定合适的学习行为。
下面描述以上构思的具体实现方式。
请参考图1，本发明实施例提供了一种在线课程学习行为确定方法，该方法包括：
步骤100，获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
步骤102，根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
步骤104，根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
步骤106，根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
步骤108，根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
本发明实施例中，通过确定出对目标在线课程的学习行为可被参考的目标学生之后，可以对这些目标学生对目标在线课程的学习行为进行聚类，但是学习行为是具有时序特征的行为信息，因此，需要确定出任意两个目标学生学习目标在线课程时的相对距离，利用相对距离进行聚类，从而可以得到学习该目标在线课程所对应多个种类的学习行为，最后根据多个种类的学习行为，确定适合目标在线课程的学习行为。可见，本方案能够针对每一个目标在线课程均能够确定出适合的学习行为，进而能够利用确定出的学习行为给学习对应目标在线课程的学生进行提示，以对学生学习起到辅助学习的作用。
下面描述图1所示的各个步骤的执行方式。
首先，针对步骤100“获取与目标在线课程相关的历史数据”和步骤102“根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生”同时进行说明。
由于需要获取与目标在线课程相关的历史数据，对目标在线课程的学习行为进行分析，因此，目标在线课程是具有历史数据且存在学习行为的行为信息的课程。比如，目标在线课程是MOOC平台上提供的多个在线课程中的任一课程。
获取的历史数据需要包含以下内容：1、历史数据中至少包含学习该目标在线课程的学生信息；2、历史数据中包含每一个学生学习该目标在线课程相关过程的行为信息。
其中，学生在学习目标在线课程时，需要登录账号，而账号与学生的真实身份相关联，因此，可以获取到学习该目标在线课程的学生信息。而获取学生信息是为了将学习行为与学生进行关联，便于学习行为的确认。
另外，为了分析学习目标在线课程的学习行为，还需要包含学生学习过程中的行为信息，该行为信息可以包括学生学习该目标在线课程的章节视频、观看时间点、每一个观看时间点的观看次数、观看时长、学习时间等信息。其中，观看时间点是指章节视频中的时间点(比如，章节视频总时长为60分钟，观看时间点为第0～10分钟的每一个时间点)，学习时间是指自然时间(比如，2022年1月1日08:00)。
本发明一个实施例中，在获取与目标在线课程相关的历史数据之后，可以对历史数据进行清洗，以删除重复无效数据、对空缺数据进行赋值、合并相关信息等。一个实现方式中，可以利用Python语言执行对历史数据的清洗。
本发明一个实施例中，为了能够确定适合目标在线课程的学习行为，需要从学习目标在线课程的学生中筛选出对目标在线课程的学习行为可被参考的目标学生。由于学习行为可以用来指引其他学生对该目标在线课程进行学习，因此，成绩优秀的学生对目标在线课程的学习行为可被参考。具体地，所述确定对所述目标在线课程的学习行为可被参考的目标学生，包括：若确定学生对所述目标在线课程的考试成绩满足预设级别，和/或，确定学生对所述目标在线课程的学习活跃度满足预设活跃度，则将该学生确定为所述目标学生。
预设级别可以为本实施例中预先设定的优秀级别或分数，比如，该预设级别为不小于满分与80％的乘积。若满分为100分，则考试成绩不小于80分的学生可以被确定为目标学生。
预设活跃度可以为本实施例中预先设定的登录次数、学习目标在线课程的学习次数、学习目标在线课程的学习时长等。比如，学生在连续的设定天数内每天均登录并学习该目标在线课程，且每天的学习时长不小于设定时长，则确定该学生对目标在线课程的学习活跃度满足预设活跃度。
然后针对步骤104，根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离。
根据步骤100可知，该行为信息可以包括学生学习该目标在线课程的章节视频、观看时间点、每一个观看时间点的观看次数、观看时长、学习时间等信息。因此，目标学生学习目标在线课程的学习行为属于时序数据，若需要对时序数据进行聚类，则需要确定时序数据的相对距离。
本发明一个实施例中，可以使用动态时间规整算法(DTW)将时序数据进行对齐处理，具体地，所述确定任意两个所述目标学生学习所述目标在线课程时的相对距离，包括如下步骤S1～S4：
S1：确定所述目标在线课程包含的各个章节视频。
需要说明的是，一个在线课程中可以由多个章节视频组成。比如目标在线课程包含10个章节视频。
S2：将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列。
具体地，本步骤S2可以通过如下一种方式实现：根据每一个所述目标学生分别对该章节视频的行为信息，确定每一个所述目标学生分别对该章节视频在每一个观看时间点对应的观看次数；所述观看时间点为不小于0，且不大于该章节视频的最大播放时间点；将观看时间点和对应的观看次数抽象为一个散点，则针对每一个所述目标学生，得到学习该章节视频时的时间序列。
举例来说，目标学生A学习第1个章节视频时的时间序列包括如下散点：(00:01，1次)、(00:02，1次)、(00:03，1次)、(00:04，2次)、(00:05，2次)、(00:06，1次)……
通过将行为信息抽象为散点，便于相对距离的计算，提高聚类的准确性。
需要说明的是，除上述一种实现方式以外，还可以使用其他方式实现，比如，采用分段线性表示法进行拟合，使用线段来拟合这些离散的散点，具体地，横轴表示该目标在线课程的章节视频，纵轴表示目标学生学习该章节视频的观看时长。那么每一个目标学生均可以得到利用线段拟合的散点。
S3：根据每一个所述目标学生学习每一个章节视频时对应的时间序列，利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点。
其中，动态时间规整算法用于衡量两个长度不同的时间序列的相似度。把未知量伸长或缩短(压扩)，直到与参考模板的长度一致，在这一过程中，未知序列会产生扭曲或弯折，以便其特征量与标准模式对应。
本发明一个实施例中，在利用动态时间规整算法进行对齐处理时，本步骤S3具体包括：针对任意两个所述目标学生学习相同章节视频时分别对应的时间序列构建n×m的矩阵网格；其中，n和m为该两个所述目标学生学习该相同章节视频时分别对应的时间序列包含散点的数量；所述矩阵网格中的第(i,j)个矩阵元素为其中一个所述目标学生对应时间序列中第i个散点与另一个所述目标学生对应时间序列中第j个散点的距离；针对所述矩阵网格，确定从第(1,1)个矩阵元素至第(n,m)个矩阵元素所通过矩阵元素的最短路径；将所述最短路径上包含的每一个矩阵元素所对应两个学习序列的散点，确定为对齐后的目标散点。
举例来说，目标学生A和目标学生B分别对第1个章节视频的时间序列A和时间序列B，时间序列A包含n个散点，时间序列B包含m个散点，n、m均为大于0的整数。矩阵网格中第(i,j)个矩阵元素为时间序列A中第i个散点与时间序列B中第j个散点间的距离，该距离用于表征该两个散点的相似度，距离越小，则相似度越高。一个实现方式中，距离采用欧式距离来计算，该欧式距离通过如下公式计算得到：
d(Ai，Bj)＝(Ai-Bj)2
其中，Ai为时间序列A中第i个散点的坐标，Bj为时间序列B中第j个散点的坐标。
矩阵网格中每一个矩阵元素表示散点Ai与散点Bj的对齐。
为了确定对齐处理后的各个目标散点，可以采用DP算法进行归结。具体地，在得到的矩阵网格中，从第(1，1)个矩阵元素至第(n，m)个矩阵元素的路径包括多条，计算每一条路径所通过矩阵元素之和，将最小和对应的路径确定为最短路径。其中，该最短路径上包含的每一个矩阵元素所对应两个学习序列的散点为对齐后的目标散点。这条最短路径定义为warping path规整路径，并用w来表示，w的第p个元素定义为w(p)＝(i，j)p，w(p)用于表征目标学生A和目标学生B学习第p个章节视频时对齐后的目标散点，即定义了时间序列A和时间序列B的映射。
S4：根据任意两个所述目标学生学习相同章节视频时对齐后的目标散点，计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离。
进一步地，本步骤S4可以利用如下公式计算任意两个所述目标学生学习所述目标在线课程时的相对距离：
Figure BDA0003491322770000101
其中，D(A，B)为目标学生A与目标学生B学习所述目标在线课程时的相对距离，取函数F[·]中的最小值；P为所述目标在线课程包含章节视频的数量；w(p)为目标学生A和目标学生B学习第p个章节视频时对齐后的目标散点；a(p)、b(p)分别为目标学生A、目标学生B学习第p个章节视频的观看时长；d(a(p)，b(p))为目标学生A、目标学生B学习第p个章节视频时观看时长的差距。
为了对上述公式进行求解，可以设置初始条件g(1，1)＝2d(1，1)，其中，g(i，j)＝min[g(i，j-1)+d(i，j)，g(i-1，j-1)+2d(i，j)，g(i-1，j)+d(i，j)]，其中，窗口限制条件为：j-r≤i≤j+r，r为中间参数。那么相对距离D(A,B)＝g(i,j)/(i+j)。该求解过程的流程图请参考图2。其中图2中的I为i取值的最大值，J为j取值的最大值。
接下来针对步骤106，根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为。
在得到任意两个目标学生学习目标在线课程的相对距离之后，可以利用K近邻算法(KNN)进行聚类，得到优秀学生的几类模范的学习行为。本实施例中，可以使用自动迭代的方式让机器根据误差值自动选取合适的K值。具体地，该步骤106可以包括如下步骤R1～R3：
R1：确定自适应的K值。
R2：以每一个目标学生分别为中心，将其他目标学生与该中心的目标学生之间的相对距离按照大小进行排序，选择前K个最小相对距离所对应的其他目标学生与该中心的目标学生确定为一个种类；
R3：根据出现次数最多的种类，确定对所有目标学生进行分类的结果，得到每一个种类下所包含目标学生分别学习所述目标在线课程的学习行为。
在确定K值时，可以初始化K值为1，然后利用上述步骤进行自动迭代聚类，选取误差值最小的K值作为自适应的K值，利用自适应的K值进行聚类后得到最终的分类结果。
假设可以得到5个种类的学习行为，第一种类的学习行为在第1个章节视频的第3～5分钟观看时间点上重复的观看次数较多，第二种类的学习行为在第1个章节视频的第10～15分钟观看时间点上重复的观看次数较多……。
进一步地，由于同一个种类的学习行为中包含多个目标学生的学习行为，由于相似度较高，但依然存在不同，因此，可以选择其中一个目标学生的学习行为作为该种类的学习行为，也可以计算均值的方式确定该种类的学习行为，更优选地，可以选择该种类中聚类中心点的目标学生对应的学习行为确定为该种类的学习行为。
最后针对步骤108，根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
由于多个种类的学习行为均是基于优秀学生的学习行为得来的，因此在确定适合目标在线课程的学习行为时，可以将任意一个种类的学习行为确定为适合目标在线课程的学习行为。但是考虑到不同种类的学习行为对该目标在线课程的关注点不同，因此，为了能够给学生提供更全面的学习行为的指引，一个实施例中，可以通过如下方式确定适合目标在线课程的学习行为：根据每一个种类的学习行为，确定所述目标在线课程对应每一个观看时间点对应的观看次数，将所述目标在线课程对应每一个观看时间点对应的观看次数确定为适合所述目标在线课程的学习行为。
继续以上述第一种类的学习行为和第二种类的学习行为为例，由于第一种类的学习行为在第1个章节视频的第3～5分钟观看时间点上重复的观看次数较多，第二种类的学习行为在第1个章节视频的第10～15分钟观看时间点上重复的观看次数较多，那么可以将两种学习行为取并集，即将第1个章节视频的第3～5分钟观看时间点、第10～15分钟观看时间点均确定课程关键点，以提示学生这两部分的课程片段需要重点关注，可反复观看。如此，能够保证确定的学习行为更加全面，能够给出后续学习该课程的学生更多的提示，辅助学生对该目标在线课程的学习情况。
在本发明一个实施例中，在确定适合所述目标在线课程的学习行为之后，还可以包括：根据适合所述目标在线课程的学习行为提示给学习所述目标在线课程的学生。比如，学习过程中的实时提示，学习前的提醒等。也可以反馈给教育工作者，使其了解学生学习中的问题与困难所在，作为后续课程改进的依据。
下面基于某个MOOC平台所提供的数据，利用本方案进行实验分析和验证，利用其中三个真实在线课程的数据作为检测依据，进行了多次实验评估该方案的误差率、运算时间和可用性等参数。其中，实验是在64位4核2.1GHz AMD(R)Ryzen 5 3500u CPU和8GB内存的Windows机器上进行的，算法采用Pyhton实现。
误差率：对三个在线课程进行学习行为的确定时，误差率均低于百分之10，分别为9.6％，4.7％，8.2％，可以看出，最终的KNN算法的误差率是相当低的。
运算时间：三个在线课程所对应数据条数分别为324351、195398、85462，最终运算时间分别为9.82s、6.73s、2.54s，可见，其可以满足实时提供学业指导的基本要求。
可用性：经过测试，使用该方案确定的学习行为作为学习辅助的同学在学习过程中的完成率与平均成绩均远超过未使用的学生，证明该方案有提高学习热情，提升学生成绩的作用。
如图3、图4所示，本发明实施例提供了一种在线课程学习行为确定装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图3所示，为本发明实施例提供的一种在线课程学习行为确定装置所在计算设备的一种硬件架构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的计算设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图4所示，作为一个逻辑意义上的装置，是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种在线课程学习行为确定装置，包括：
历史数据获取单元401，用于获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
目标学生确定单元402，用于根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
相对距离确定单元403，用于根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
聚类单元404，用于根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
学习行为确定单元405，用于根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
在本发明一个实施例中，所述目标学生确定单元402，具体用于若确定学生对所述目标在线课程的考试成绩满足预设级别，和/或，确定学生对所述目标在线课程的学习活跃度满足预设活跃度，则将该学生确定为所述目标学生。
在本发明一个实施例中，所述相对距离确定单元403，具体用于确定所述目标在线课程包含的各个章节视频；将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列；根据每一个所述目标学生学习每一个章节视频时对应的时间序列，利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点；根据任意两个所述目标学生学习相同章节视频时对齐后的目标散点，计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离。
在本发明一个实施例中，所述相对距离确定单元403在执行所述将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列时，具体包括：根据每一个所述目标学生分别对该章节视频的行为信息，确定每一个所述目标学生分别对该章节视频在每一个观看时间点对应的观看次数；所述观看时间点为不小于0，且不大于该章节视频的最大播放时间点；将观看时间点和对应的观看次数抽象为一个散点，则针对每一个所述目标学生，得到学习该章节视频时的时间序列。
在本发明一个实施例中，所述相对距离确定单元403在执行所述利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点时，具体包括：针对任意两个所述目标学生学习相同章节视频时分别对应的时间序列构建n×m的矩阵网格；其中，n和m为该两个所述目标学生学习该相同章节视频时分别对应的时间序列包含散点的数量；所述矩阵网格中的第(i,j)个矩阵元素为其中一个所述目标学生对应时间序列中第i个散点与另一个所述目标学生对应时间序列中第j个散点的距离；针对所述矩阵网格，确定从第(1,1)个矩阵元素至第(n,m)个矩阵元素所通过矩阵元素的最短路径；将所述最短路径上包含的每一个矩阵元素所对应两个学习序列的散点，确定为对齐后的目标散点。
在本发明一个实施例中，所述相对距离确定单元403在执行所述计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离时，具体包括：利用如下公式计算任意两个所述目标学生学习所述目标在线课程时的相对距离：
Figure BDA0003491322770000151
其中，D(A，B)为目标学生A与目标学生B学习所述目标在线课程时的相对距离，取函数F[·]中的最小值；P为所述目标在线课程包含章节视频的数量；w(p)为目标学生A和目标学生B学习第p个章节视频时对齐后的目标散点；a(p)、b(p)分别为目标学生A、目标学生B学习第p个章节视频的观看时长；d(a(p)，b(p))为目标学生A、目标学生B学习第p个章节视频时观看时长的差距。
在本发明一个实施例中，所述聚类单元，具体用于确定自适应的K值；以每一个目标学生分别为中心，将其他目标学生与该中心的目标学生之间的相对距离按照大小进行排序，选择前K个最小相对距离所对应的其他目标学生与该中心的目标学生确定为一个种类；根据出现次数最多的种类，确定对所有目标学生进行分类的结果，得到每一个种类下所包含目标学生分别学习所述目标在线课程的学习行为。
在本发明一个实施例中，所述学习行为确定单元，具体用于：根据每一个种类的学习行为，确定所述目标在线课程对应每一个观看时间点对应的观看次数，将所述目标在线课程对应每一个观看时间点对应的观看次数确定为适合所述目标在线课程的学习行为；
在本发明一个实施例中，所述学习行为确定单元，还用于根据适合所述目标在线课程的学习行为提示给学习所述目标在线课程的学生。
可以理解的是，本发明实施例示意的结构并不构成对一种在线课程学习行为确定装置的具体限定。在本发明的另一些实施例中，一种在线课程学习行为确定装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本发明实施例还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现本发明任一实施例中的一种在线课程学习行为确定方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在被处理器执行时，使所述处理器执行本发明任一实施例中的一种在线课程学习行为确定方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种在线课程学习行为确定方法，其特征在于，包括：
获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
2.根据权利要求1所述的方法，其特征在于，所述确定对所述目标在线课程的学习行为可被参考的目标学生，包括：
若确定学生对所述目标在线课程的考试成绩满足预设级别，和/或，确定学生对所述目标在线课程的学习活跃度满足预设活跃度，则将该学生确定为所述目标学生。
3.根据权利要求1所述的方法，其特征在于，所述确定任意两个所述目标学生学习所述目标在线课程时的相对距离，包括：
确定所述目标在线课程包含的各个章节视频；
将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列；
根据每一个所述目标学生学习每一个章节视频时对应的时间序列，利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点；
根据任意两个所述目标学生学习相同章节视频时对齐后的目标散点，计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离。
4.根据权利要求3所述的方法，其特征在于，所述将每一个所述目标学生学习每一个章节视频的行为信息抽象为离散的散点，并根据抽象得到的散点生成对应的时间序列，包括：
根据每一个所述目标学生分别对该章节视频的行为信息，确定每一个所述目标学生分别对该章节视频在每一个观看时间点对应的观看次数；所述观看时间点为不小于0，且不大于该章节视频的最大播放时间点；
将观看时间点和对应的观看次数抽象为一个散点，则针对每一个所述目标学生，得到学习该章节视频时的时间序列。
5.根据权利要求3所述的方法，其特征在于，所述利用动态时间规整算法将任意两个所述目标学生学习相同章节视频时分别对应的时间序列进行对齐处理，得到任意两个所述目标学生学习相同章节视频时对齐后的目标散点，包括：
针对任意两个所述目标学生学习相同章节视频时分别对应的时间序列构建n×m的矩阵网格；其中，n和m为该两个所述目标学生学习该相同章节视频时分别对应的时间序列包含散点的数量；所述矩阵网格中的第(i,j)个矩阵元素为其中一个所述目标学生对应时间序列中第i个散点与另一个所述目标学生对应时间序列中第j个散点的距离；
针对所述矩阵网格，确定从第(1,1)个矩阵元素至第(n,m)个矩阵元素所通过矩阵元素的最短路径；
将所述最短路径上包含的每一个矩阵元素所对应两个学习序列的散点，确定为对齐后的目标散点。
6.根据权利要求3所述的方法，其特征在于，所述计算得到任意两个所述目标学生学习所述目标在线课程时的相对距离，包括：
利用如下公式计算任意两个所述目标学生学习所述目标在线课程时的相对距离：
Figure FDA0003491322760000021
其中，D(A,B)为目标学生A与目标学生B学习所述目标在线课程时的相对距离，取函数F[·]中的最小值；P为所述目标在线课程包含章节视频的数量；w(p)为目标学生A和目标学生B学习第p个章节视频时对齐后的目标散点；a(p)、b(p)分别为目标学生A、目标学生B学习第p个章节视频的观看时长；d(a(p),b(p))为目标学生A、目标学生B学习第p个章节视频时观看时长的差距。
7.根据权利要求1-6中任一所述的方法，其特征在于，
所述根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为，包括：
确定自适应的K值；
以每一个目标学生分别为中心，将其他目标学生与该中心的目标学生之间的相对距离按照大小进行排序，选择前K个最小相对距离所对应的其他目标学生与该中心的目标学生确定为一个种类；
根据出现次数最多的种类，确定对所有目标学生进行分类的结果，得到每一个种类下所包含目标学生分别学习所述目标在线课程的学习行为；
和/或，
所述根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为，包括：
根据每一个种类的学习行为，确定所述目标在线课程对应每一个观看时间点对应的观看次数，将所述目标在线课程对应每一个观看时间点对应的观看次数确定为适合所述目标在线课程的学习行为；
和/或，
在所述确定适合所述目标在线课程的学习行为之后，还包括：根据适合所述目标在线课程的学习行为提示给学习所述目标在线课程的学生。
8.一种在线课程学习行为确定装置，其特征在于，包括：
历史数据获取单元，用于获取与目标在线课程相关的历史数据；所述历史数据至少包含学习所述目标在线课程的学生信息和学生学习所述目标在线课程相关过程的行为信息；
目标学生确定单元，用于根据所述历史数据在学习所述目标在线课程的学生中，确定对所述目标在线课程的学习行为可被参考的目标学生；
相对距离确定单元，用于根据每一个所述目标学生学习所述目标在线课程相关过程的行为信息，确定任意两个所述目标学生学习所述目标在线课程时的相对距离；
聚类单元，用于根据任意两个所述目标学生学习所述目标在线课程时的相对距离，对学习所述目标在线课程的学习行为进行聚类，得到学习所述目标在线课程所对应多个种类的学习行为；
学习行为确定单元，用于根据得到的多个种类的学习行为，确定适合所述目标在线课程的学习行为。
9.一种计算设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-7中任一项所述的方法。
CN202210098102.6A 2022-01-27 2022-01-27 在线课程学习行为确定方法及装置 Pending CN114510617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210098102.6A CN114510617A (zh) 2022-01-27 2022-01-27 在线课程学习行为确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210098102.6A CN114510617A (zh) 2022-01-27 2022-01-27 在线课程学习行为确定方法及装置

Publications (1)

Publication Number Publication Date
CN114510617A true CN114510617A (zh) 2022-05-17

Family

ID=81550013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210098102.6A Pending CN114510617A (zh) 2022-01-27 2022-01-27 在线课程学习行为确定方法及装置

Country Status (1)

Country Link
CN (1) CN114510617A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167726A (zh) * 2022-07-08 2022-10-11 上海百家云科技有限公司 一种基于直播学习平台的辅导方式确定方法和确定装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934748A (zh) * 2019-03-25 2019-06-25 京工博创（北京）科技有限公司 一种基于大数据条件下的个性化课程定制方法
CN109978030A (zh) * 2019-03-15 2019-07-05 北京和弦佳佳人工智能科技有限公司 应用于演奏的序列对齐方法和装置
CN110047340A (zh) * 2019-03-29 2019-07-23 广州恒智教育科技有限公司 一种个性化的考试培训方法及系统
CN110795630A (zh) * 2019-10-29 2020-02-14 龙马智芯（珠海横琴）科技有限公司 一种学习方案推荐方法及装置
CN110990691A (zh) * 2019-11-14 2020-04-10 泰康保险集团股份有限公司 一种在线课程推荐方法、装置及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978030A (zh) * 2019-03-15 2019-07-05 北京和弦佳佳人工智能科技有限公司 应用于演奏的序列对齐方法和装置
CN109934748A (zh) * 2019-03-25 2019-06-25 京工博创（北京）科技有限公司 一种基于大数据条件下的个性化课程定制方法
CN110047340A (zh) * 2019-03-29 2019-07-23 广州恒智教育科技有限公司 一种个性化的考试培训方法及系统
CN110795630A (zh) * 2019-10-29 2020-02-14 龙马智芯（珠海横琴）科技有限公司 一种学习方案推荐方法及装置
CN110990691A (zh) * 2019-11-14 2020-04-10 泰康保险集团股份有限公司 一种在线课程推荐方法、装置及计算机存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167726A (zh) * 2022-07-08 2022-10-11 上海百家云科技有限公司 一种基于直播学习平台的辅导方式确定方法和确定装置

Similar Documents

Publication Publication Date Title
CN1457041B (zh) 为一个自然语言理解系统用来自动注解训练数据的一个系统
CN111177359A (zh) 多轮对话方法和装置
CN113377200B (zh) 基于vr技术的交互式培训方法及装置、存储介质
CN112685550B (zh) 智能问答方法、装置、服务器及计算机可读存储介质
CN102184654A (zh) 诵读监督方法及装置
CN114885216A (zh) 习题推送方法、系统、电子设备和存储介质
CN114510617A (zh) 在线课程学习行为确定方法及装置
CN111427990A (zh) 一种智慧校园教学辅助的智能考试控制系统及方法
CN110349567A (zh) 语音信号的识别方法和装置、存储介质及电子装置
Pazdera et al. Modality effects in free recall: A retrieved-context account.
CN112052686B (zh) 一种用户交互式教育的语音学习资源推送方法
CA3026936A1 (en) Systems and methods for performing automated interactive conversation with a user
US20230062127A1 (en) Method for collaborative knowledge base development
CN108664842B (zh) 一种唇动识别模型的构建方法及系统
CN114090733A (zh) 学习资源推荐方法、装置、存储介质和电子设备
CN114240705A (zh) 一种题库信息处理方法
US7899251B2 (en) Balancing out-of-dictionary and in-dictionary recognition scores
CN117520527B (zh) 答疑对话数据生成方法、系统、电子设备和可读存储介质
CN115083437B (zh) 一种确定学习者发音的不确定性的方法及装置
RU2807436C1 (ru) Система интерактивных речевых симуляций
Zhang et al. Using problem similarity-and orderbased weighting to model learner performance in introductory computer science problems
Alonso Algorithms and techniques for quality control
US11630896B1 (en) Behavior-based electronic essay assessment fraud detection
US20220398496A1 (en) Learning effect estimation apparatus, learning effect estimation method, and program
CN112767932A (zh) 语音测评系统、方法、装置、设备及计算机可读存储介质

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