CN115034935A - 学习特性的评估方法、装置、设备及介质 - Google Patents

Abstract

本公开提供一种学习特性的评估方法、装置、设备及介质，其中该方法包括：首先获取学生在虚拟课堂中的学习过程数据，其中，学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录，然后获取学生在虚拟课堂中的学习结果数据，根据学习过程数据和学习结果数据，评估学生的学习特性。本公开能够较为准确客观地反映出学生的学习特性。

Description

学习特性的评估方法、装置、设备及介质

技术领域

本公开涉及在线教育技术领域，尤其涉及学习特性的评估方法、装置、设备及介质。

背景技术

随着计算机网络的飞速发展及智能终端的普及，在线教育已成为教育行业发展的新趋势，因其无需受到空间距离的限制，位于不同地理区域的学生及老师都可以通过网络实现线上教学，极大提升了教育灵活性和便捷性。为了较好地了解学生学习情况，以进一步提升学生的学习效果，学生特性的评估显得尤为重要。相关技术中，通常使用如在线学习时间、答题正确率等基础的结果性数据对学生进行特性评估，可靠性较差。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种学习特性的评估方法、装置、设备及介质。

根据本公开的一方面，提供了一种学习特性的评估方法，所述方法包括：获取学生在虚拟课堂中的学习过程数据；虚拟课堂基于虚拟三维场景构建，学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录；获取学生在虚拟课堂中的学习结果数据；根据学习过程数据和学习结果数据，评估学生的学习特性。

根据本公开的另一方面，提供了一种学习特性的评估装置，所述装置包括：过程数据获取模块，用于获取学生在虚拟课堂中的学习过程数据；所述虚拟课堂基于虚拟三维场景构建，所述学习过程数据包括所述学生的虚拟代表对象在所述虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录；结果数据获取模块，用于获取所述学生在所述虚拟课堂中的学习结果数据；学习特性评估模块，用于根据所述学习过程数据和所述学习结果数据，评估所述学生的学习特性。

根据本公开的另一方面，提供了一种电子设备，包括：处理器；以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述学习特性的评估方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述学习特性的评估方法。

根据本公开的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述学习特性的评估方法。

本公开实施例中提供的上述技术方案，能够获取学生在虚拟课堂(基于虚拟三维场景构建)中的学习过程数据，且学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录，以及获取学生在虚拟课堂中的学习结果数据，根据学习过程数据和学习结果数据，评估学生的学习特性。上述方式不仅采用学习结果数据对学生的学习特性进行评估，而且还会结合学生的学习过程数据进行综合分析，且该学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的行为过程记录，这种方式有助于更为客观准确地反映出学生特性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的一种学习特性的评估方法的流程示意图；

图2为本公开实施例提供的一种学习特性的评估方法示意图；

图3为本公开实施例提供的一种学习特性的评估装置的结构示意图；

图4为本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本公开使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在传统的在线教育课堂大多只是老师在线上直播教学内容，学生在线上听课以及与老师沟通交流，诸如在线回答老师提出的问题、完成老师布置的作业并在线提交等方式实现在线教学。由于老师无法面对面观测学生状态，为了了解学生的学习特性，以便后续可以基于学生的学习特性有针对性地进行教学或辅导，需要较为准确地获取学生的学习特性。在相关技术中，通常会获取一些指定数据，基于指定数据确定学生的学习特性，该指定数据诸如为学生的在线时长、习题的完成率及正确率等，发明人经研究发现，由于此类数据均属于结果性数据，仅凭借结果性数据评估得到的学生的学习特性与学生的真实学习特性在很多情况下存在较大差异，也即相关技术中大多难以准确客观地评估学生的学习特性。

应当说明的是，针对相关技术中的学生特性的评估方案所存在的缺陷是申请人在经过实践并仔细研究后得出的结果，因此，上述缺陷的发现过程以及在下文中本申请实施例针对上述缺陷所提出的解决方案，都应该被认定为申请人对本申请做出的贡献。

为改善以上问题，本公开实施例提供了一种学习特性的评估方法、装置、设备及介质，为便于理解，以下进行阐述说明。

图1为本公开实施例提供的一种学习特性的评估方法的流程示意图，该方法可以由学习特性的评估装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中，因此也可称为该方法可由电子设备执行(或者可应用于电子设备)，电子设备诸如可以是手机、电脑、可穿戴电子设备、服务器、机器人等具有数据处理能力的设备，本公开实施例不进行限制。如图1所示，该方法主要包括如下步骤S102～步骤S106：

步骤S102，获取学生在虚拟课堂中的学习过程数据。虚拟课堂基于虚拟三维场景构建，学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录。应当说明的是，获取学生在虚拟课堂中的学习过程数据可以是获取学生在指定场次的虚拟课堂中的学习过程数据，也可以是获取学生在指定时间段内(诸如最近一个月、最近半年等)参与的虚拟课堂中的学习过程数据，具体可根据实际需求选择获取一次或多次虚拟课堂的学习过程数据，本公开实施例不进行限制。

其中，虚拟课堂是指通过网络等形式进行的线上教学课堂，学生可以在虚拟课堂中学习、与他人(老师、同学等)互动或完成老师指定的学习任务等。为了进一步提升学生的学习兴趣以及更清楚地了解学生的学习情况，在本公开实施例中，该虚拟课堂基于虚拟三维场景构建，虚拟三维场景是一种仿真技术，能够基于三维模型创建虚拟世界，使参与者通过人机交互界面、AR(Augmented Reality，增强现实)或VR(Virtual Reality，虚拟现实)设备感受虚拟三维场景，并能够实时处理虚拟三维场景中的各种信息。示例性地，本公开实施例可以在虚拟三维场景中布设有多种虚拟教学道具，不同虚拟教学道具的用途和/或所属知识类型不同，该虚拟教学道具为教学过程中所需的道具，不同知识类型都可对应有不同的道具，且道具用途可不相同。示例性地，属于自然知识类型的虚拟教学道具可以包括各种虚拟动植物等；属于历史知识领域的虚拟教学道具可以包括诸如古钱币、陶瓷花瓶等各种虚拟的历史文物；属于宇宙知识领域的虚拟教学道具可以包括虚拟的望远镜、各种星球等；属于消防知识领域的虚拟教学道具可以包括虚拟的灭火器、消防车、喷水枪等。虚拟教学道具可作为教师的知识讲解道具，诸如，老师可围绕虚拟动植物进行相关知识讲解，虚拟教学道具也可作为学生在执行指定任务时所需收集的道具，诸如，学生执行虚拟消防任务时，则需要收集灭火器道具。以上均为便于理解的示例，不应当被视为限制。

在本公开实施例中，通过采用基于虚拟三维场景构建的虚拟课堂的形式进行在线教学，使学生能够在虚拟三维场景中沉浸式学习，与相关技术中学生只是面对计算机观看网课的形式相比，本公开实施例提供的上述方式极大提升了学生的学习效果，且可以清楚获知学生在虚拟三维场景中的动态表现，该动态表现有助于进一步反映学生的学习情况。

学习过程数据是指学生在虚拟课堂学习过程中产生的数据，本公开实施例可基于学生在虚拟三维场景中的学习行为得到学习过程数据，也即学习过程数据可包含学生在虚拟三维场景中的行为过程记录，诸如可记录学生在虚拟三维场景中自由学习、执行学习任务、跟随老师学习的过程。在一些实施示例中，每个学生在虚拟三维场景中都有一个代表自身的虚拟对象，每个虚拟代表对象都具有唯一标识，该标识可以为学生的身份标识。例如学生A在虚拟课堂中对应虚拟代表对象A，虚拟代表对象A在虚拟三维场景中的行为过程记录即可反映学生A在虚拟课堂中的学习行为。

上述行为过程记录可以理解为学生的虚拟代表对象在虚拟三维场景中的一系列操作而产生的行为记录，用于反映学生在虚拟课堂中的学习过程。在一些实施示例中，学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录。

在一些具体实施方式中，上述行为过程记录包括以下至少之一：学生的虚拟代表对象的行走路径、针对虚拟教学道具的处理行为、与他人的交流行为。可以理解的是，虚拟代表对象在三维虚拟场景中可以自由行走，三维虚拟场景中可以布设一些虚拟教学道具，还可以固定设置一些道路，不同道路上布设的虚拟教学道具可能不同。虚拟代表对象可以根据需求自由行走，也可以从三维虚拟场景中的多条道路中选择感兴趣的道路行走，在此不进行限制。或者，行走路径也可理解为知识点学习的解锁路径，行走路径上可能会涉及多个知识点，不同行走路径对应的知识领域不同，基于学生选择的行走路径可以在一定程度上反映学生对于各知识类型的感兴趣程度。在实际应用中，可以通过记录虚拟代表对象的行走轨迹、或者虚拟代表对象行走路径对应的路径标识、或者行走路径沿途中涉及的知识点顺序等数据表征学生的行走路径。上述针对虚拟教学道具的处理行为包括但不限于查看行为、收集行为、丢弃行为、在道具前的停留行为等，在实际应用中，可以通过记录经学生处理的教学道具类型、停留查看时长、道具收集时间、不同教学道具的先后处理顺序、道具处理次数等数据表征处理行为。与他人的交流行为可以是学生与老师或者其他同学之间的交流行为，且可通过记录交流次数、交流方式、交流时间、交流内容、对于老师发布任务的响应方式等数据表征该交流行为。应当说明的是，以上均为示例性说明，不应当被视为限制。

步骤S104，获取学生在虚拟课堂中的学习结果数据。同样应当说明的是，获取学生在虚拟课堂中的学习结果数据可以是获取学生在指定场次的虚拟课堂中的学习结果数据，也可以是获取学生在指定时间段内(诸如最近一个月、最近半年等)参与的虚拟课堂中的学习结果数据，具体可根据实际需求选择获取一次或多次虚拟课堂的学习结果数据，本公开实施例不进行限制。

其中，学习结果数据是指学生在虚拟课堂中学习所得的结果性数据，在一些实施方式中，学习结果数据包括以下一种或多种：指定学习任务的执行结果、学生在虚拟课堂的学习时间数据、学生在虚拟课堂中与他人的交流行为结果、学生的虚拟代表对象在跟随教师学习过程中的行走路径与教师的行走路径的匹配结果。

为便于理解，以下进行示例性说明：诸如学生获得的最终奖励分值、任务执行完毕时最终获取的道具类型和/或道具数量、任务完成度、任务完成的准确率、任务完成时长等均可作为指定学习任务的执行结果；诸如学生进入虚拟课堂的时间、退出虚拟课堂的时间、在虚拟课堂中的学习时长等均可作为学生在虚拟课堂的学习时间数据；诸如学生在虚拟课堂中与他人(教师或学生)的交流次数、交流时长等均可作为交流行为结果；诸如学生的虚拟代表对象在跟随教师学习过程中的行走路径与教师的行走路径之间的重合程度、学生在行走路径中的前进速度与教师在行走路径中的前进速度之间的差异性均可作为路径匹配结果。以上均为便于理解的示例性说明，不应当被视为限制。

另外，应当说明的是，本公开实施例不限定步骤S102和步骤S104的执行顺序，诸如步骤S102和步骤S104可以同时执行，也可以先执行步骤S102再执行步骤S104，或者先执行步骤S104再执行步骤S102。

步骤S106，根据学习过程数据和学习结果数据，评估学生的学习特性。学习特性包括但不限于兴趣偏好、思考模式及学习习惯中的一种或多种。可以理解的是，每个学生都有各自独有的学习特性，学生的学习特性不同，在课堂中的表现则会不同，换言之，学生的学习特性会在学习过程数据和学习结果数据中都有体现，因此可以基于学生在虚拟课堂中的学习过程数据和学习结果数据对学生的学习特性进行客观有效地评估。

本公开提供的上述学习特性的评估方法，不仅采用学习结果数据对学生的学习特性进行评估，而且还会结合学生的学习过程数据进行综合分析，且该学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的行为过程记录，这种方式有助于更为客观准确地反映出学生特性。

实际应用中，本公开实施例提供的上述方法可应用于3D沉浸环境下的直播课堂中，能够收集3D沉浸环境下(也即虚拟三维场景)学生的行为数据(也即学习过程数据)，还可以与结果性数据相结合，可以通过预先构建的数据模型进行分析，对学生的学习特性进行评估，还可以将学生的学习过程数据以及学习结果数据都呈现在用于展示数据的看板中，以便教师能够更为清楚直观地获知每个学生的学习情况。

进一步，本公开实施例提供了获取学习过程数据和学习结果数据的具体实施示例，在技术层面上，可以为学生在虚拟课堂中的待获取数据创建埋点，也即，采用埋点技术收集学生在上课期间的行为数据，其中，所收集的数据可以为实时数据。示例性地，可以参见下表1所示学生行为数据埋点表：

表1

在上述表1中，示例性说明了学生的多种行为，并将学生行为数据大致划分为主动探索数据、被动接收数据和主动表达数据三类，并清楚示意出获取每种行为数据所需的埋点方式。诸如，以判断学生是否查看知识卡片为例，通过对学生是否点击知识卡片，以及点击知识卡片的次数进行埋点，即可得到学生查看知识卡片的行为数据。以行走路径获取为例，可以通过在每一个知识点上设置热点以及学生触发热点的先后顺序和次数上设置埋点，通过学生触发热点的先后顺序和次数，判断学生的行走路径，且上表仅为示例性说明，在实际应用中，还可以根据学生选择的路径标识等获取学生的行走路径，具体可根据需求而灵活设置，在此不进行限制。另外，由表1可知，不同数据所采用的埋点方式可以相同，也可以不同，埋点技术具体可参照相关技术实现，在此不再赘述。通过埋点技术，便可获知学生的学习行为数据，且可以进一步获取结果性数据，诸如根据学生的进出课堂时间获知学生的课堂学习时长；上述任务完成度可视为行为结果数据，因此也可归为结果性数据。上述划分方式均为示例性说明，在实际应用中还可以采用其它划分方式，诸如按照行为过程及行为结果进行划分。上表旨在体现学生的部分行为及对应的埋点方式，以及给出通过埋点获取相关数据的示例性说明，而且只是体现了部分数据，在实际应用中可灵活设置所需获取的学习过程数据和学习结果数据。

在获取到学习过程数据和学习结果数据之后，便可基于学习过程数据和学习结果数据评估学生的学习特性。在一些实施方式中，可以参照如下步骤A～步骤C实现学习特性的评估：

步骤A，获取预先设置的至少一种评估模型，不同的评估模型用于评估的学习特性不同，学习特性包括兴趣偏好、思考类型或学习习惯。

也即，上述至少一种评估模型可以包括兴趣评估模型、思考类型评估模型和学习习惯评估模型中的至少一种，其中，兴趣评估模型用于评估学生的兴趣偏好，思考类型评估模型用于评估学生的思考类型，学习习惯评估模型用于评估学生的学习习惯。在实际应用中，可以预先构建不同的评估模型，以此来分别评估不同类型的学习特性。其中，评估模型可以基于数学算法构建，因此评估模型也为算法模型。

步骤B，从学习过程数据和学习结果数据中获取每种评估模型所需的目标数据。

由于不同的评估模型用于评估的学习特性不同，所采用的算法不同，算法所需的数据也不相同，因此可基于学习过程数据和学习结果数据中选取各自所需的数据(也即目标数据)，以便采用各自对应的目标数据进行有针对性地分析。

步骤C，根据每种评估模型和每种评估模型所需的目标数据，得到每种评估模型对应的学习特性评估结果。

在实际应用中，对于每种评估模型，可以将该评估模型所需的目标数据代入该评估模型中，得到该评估模型输出的学习特性评估结果。为便于理解，可参考图2所示的一种学习特性的评估示意图，在图2中同时示意出三种模型，从学生的学习过程数据和学习结果数据中分别提取兴趣评估模型所需的第一目标数据、思考类型评估模型所需的第二目标数据、以及学习习惯评估模型所需的第三目标数据，并分别输入至各自对应的模型，从而得到各个模型输出的学生的兴趣偏好、思考类型及学习习惯。本公开实施例利用预先构建的评估模型对数据进行分析以评估学生学习特性的方式，与采用人为主观评判相比，更为高效准确。

为方便理解，下面将对上述三种模型进行具体阐述：

(一)兴趣评估模型

兴趣评估模型用于评估学生的兴趣偏好，具体地，兴趣评估模型所需的目标数据(也即上述第一目标数据)可以包括学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为。

可以理解的是，学生在自主学习过程(也即在虚拟三维场景中自由探索的过程)可以充分体现出学生个人的兴趣偏好，诸如学生选择的行为路径上布设的知识点大多为感兴趣的知识点，或者，学生多次收集或停留查看的虚拟教学道具所属的知识类型大多为学生较为感兴趣的知识类型。通过学生的自主路径选择以及针对教学道具的自主处理行为，可以客观准确地体现出学生对于不同类型的知识点的兴趣偏好。为了能够更为客观地评估学生的兴趣偏好，可以采用获取学生对每种知识类型的兴趣度的方式进行量化处理，在一些实施方式中，可以采用兴趣评估模型执行如下操作：基于学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为，确定学生对每种知识类型的兴趣度，基于每种知识类型的兴趣度得到学生的兴趣评估结果。其中，上述知识类型诸如可以为人文知识类型、科学知识类型、艺术知识类型等，每种知识类型还可进一步划分为多个子类，诸如人文知识类型可进一步划分为历史文物子类、自然植物子类、建筑子类等，每个子类还可以进一步划分，诸如自然植物子类可以划分为多种植物类型等，以上仅为示例性说明，具体可根据实际情况设置及划分不同知识类型。在实际应用中，通过学生在自主学习过程中的行为来确定学生对每种知识类型的兴趣度，以此可以较好地评判学生对哪种知识类型感兴趣，知识类型的兴趣度可以采用分值的形式体现，也可以采用等级的形式体现。

在实际应用中，基于学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为确定每种知识类型的兴趣度的方式可以有多种，本公开实施例给出以下两种实施示例。

在确定兴趣度的一种实施示例中，可以获取学生的虚拟代表对象在自主学习过程中针对每种知识类型对应的虚拟教学道具的操作次数，统计虚拟代表对象在自主学习过程中针对虚拟三维场景中所有虚拟教学道具的操作总次数，基于每种知识类型对应的虚拟教学道具的操作次数和操作总次数，确定学生对每种知识类型的兴趣度。

诸如，虚拟道具的操作次数可为道具收集次数，对应的虚拟教学道具的操作总次数可为道具收集总次数。以上仅为示例，在实际应用中还可以将道具捡拾次数或者道具查看次数作为操作次数。

本公开实施例中，分别获取学生的虚拟代表对象在自主学习过程中针对每种知识类型对应的虚拟教学道具的收集次数，及针对虚拟三维场景中所有虚拟教学道具的收集总次数，并计算每种知识类型对应的道具收集次数在道具收集总次数的占比，占比越大，则说明学生对该知识类型的兴趣度较大。

为便于理解，给出一种具体的应用示例，首先可参见表2所示的一种场内道具标签分类示例表，虚拟三维场景中的每种虚拟教学道具都具有相应的类型标签，且还可以按照层级为虚拟教学道具贴附子类标签和大类标签，诸如某个花瓶道具可以贴附有陶瓷花瓶标签(三级标签)、历史文物标签(二级标签)以及人文标签(一级标签)；当然，也可以只贴附最小子类标签(诸如只贴附三级标签)，然后模型可根据预先设置的各种层级分类关系确定相应的知识大类。

表2

表2仅为示例性说明不应当被视为限制，通过划分诸如人文、科学等知识类型，可有助于获知用户对哪种知识大类感兴趣，通过将每个知识大类进一步划分为多个子类，有助于进一步细致了解用户对该知识大类中的哪些知识子类感兴趣，以便得到更为细致准确的兴趣偏好分析结果。

为便于理解，在一些实施示例中，兴趣评估模型的算法原理可以参照如下所述：

学生每次针对三级详情物品(虚拟教学道具)执行收集操作，则将收集操作次数记录为1，学生对三级详情物品进行的所有操作之和记为二级知识子类对应的收集操作之和，诸如，历史文物子类对应的收集次数＝X1，自然动植物子类对应的收集次数＝X2…；二级知识子类对应的收集操作之和即为一级知识大类对应的收集总次数，诸如，人文知识类型对应的收集总次数X＝X1+X2+……；假设科学知识类型对应的收集总次数为Y，则学生针对虚拟三维场景中所有知识类别对应的收集总次数SUM＝X+Y+Z+……；其中，Z为诸如艺术知识类别等其它知识大类，在此不进行限制。之后便可采用X/SUM表征学生对于人文知识类别的兴趣度，采用Y/SUM表征学生对于科学知识类别的兴趣度，依次类推。此外，还可以通过X1/X表征学生对于历史文物子类的兴趣度，通过这种方式可以进一步更为细致精确地获取学生的兴趣偏好。基于此，可以将兴趣评估模型进一步划分为宏观兴趣偏好模型和具体兴趣偏好模型，诸如宏观兴趣偏好模型只是通过计算知识大类的兴趣度得出学生感兴趣的知识大类，具体兴趣偏好模型可以通过计算知识子类的兴趣度得出学生感兴趣的知识子类。以上仅为示例性说明，还可以根据操作次数确定相应的分数(诸如分数与操作次数呈正比)，基于各知识类别对应的分值以及总分值确定兴趣度，在实际应用中可以灵活处理，在此不进行限制。

在确定兴趣度的另一种实施示例中，可以基于学生的虚拟代表对象在自主学习过程中的行走路径，获取行走路径的沿途知识点，根据行走路径的沿途知识点的类型分布以及学生的虚拟代表对象在每种沿途知识点的停留时长，确定学生对每种知识类型的兴趣度。

其中，行走路径是指学生的虚拟代表对象在自主学习过程中所选取的知识点路线，沿途知识点是指学生的虚拟代表对象在行走路径途中所遍历的知识点。在实际应用中，不同的行走路径所途经的知识点类型分布不同，诸如有的行走路径的沿途知识点主要是科学类知识点，有的行走路径的沿途知识点主要是艺术类知识点等，通过学生自主选择的行走路径中知识点的类型分布，便可获知学生对哪种知识类型感兴趣。另外，根据学生在每种沿途知识点的停留时长便可获知学生是否对该知识点感兴趣，可以理解的是，学长在某沿途知识点的停留时间越长，则说明学生对该种沿途知识点的兴趣度越大。因此可基于学生在每个知识点的停留时长以及学生的停留总时长来判别学生对各知识类型的兴趣度。

综上，本公开实施例提供的上述兴趣评估模型可以采用获取学生对每种知识类型的兴趣度的方式进行量化处理，以此更为客观准确地进行兴趣偏好评估。

(二)思考类型评估模型

思考类型评估模型用于评估学生的思考类型，具体地，思考类型评估模型所需的目标数据(也即上述第二目标数据)可以包括学生的虚拟代表对象在执行指定学习任务之前的第一道具处理行为，以及，学生的虚拟代表对象在执行指定学习任务的过程中的第二道具处理行为。

其中，第一道具处理行为和第二道具处理行为主要用于区分学生在不同阶段(执行任务之前的阶段和执行任务的阶段)中的行为，不应当理解为具体行为的划分。第一道具处理行为是指学生的虚拟代表对象在执行指定学习任务之前的道具处理行为，第二道具处理行为是指学生的虚拟代表对象在执行指定学习任务的过程中的道具处理行为，第一道具处理行为和第二道具处理行为可以相同，也可以不同。

本公开实施例中，思考类型评估模型可以基于第一道具处理行为及第二道具处理行为确定学生的思考类型。可以理解的是，通过学生在执行任务之前针对道具的自主处理行为以及在指定任务的过程中针对道具的处理行为，可以获知学生的知识储备情况、学生分析问题的切入点或学生解决问题的方式，以此可较为准确地评估学生的思考类型。学生的思考类型。

为了更为客观准确地评估学生的思考类型，可以基于第一道具处理行为和第二道具处理行为进行量化处理，在一些实施方式中，思考类型评估模型可以首先根据第一道具处理行为和第二道具处理行为获取学生的行为总分值，再根据预先设置的多个分值区间，确定行为总分所属的目标分值区间(也即，将学生的行为总分值所在的分值区间作为目标分值区间)，不同的分值区间对应的思考类型不同，将目标分值区间对应的思考类型作为学生的思考类型。

示例性地，可以参照表3提供的一种道具收集情况表：

表3

如表3所示，NPC(Non-Player Character，非玩家角色)为村口老人发布的开放式任务为完成春季景色特征的描述时，学生在触发该NPC任务之前已收集的道具为X₁，X₂，Y₁，Z₃，A₁(对应第一道具处理行为)，在触发该NPC任务之后再去进行收集的道具为X₄，X₆(对应第二道具处理行为)，NPC为路人甲发布的开放式任务为场景中哪些物品代表了春季时，学生在触发该NPC任务之前已收集的道具为Y₁，Z₃，A₁，X₄，X₆，Y₂，Z₁，A₃(对应第一道具处理行为)，在触发该NPC任务之后再去进行收集的道具为X₁，X₂(对应第二道具处理行为)；NPC发布的开放式任务为侦探为什么做出这样的判断时，学生在触发该NPC任务之前已收集的道具为X₁，X₂，Y₁，Z₃，A₁(对应第一道具处理行为)，在触发该NPC任务之后未收集道具，也即没有第二道具处理行为。在实际应用中，可以根据执行任务之前的道具收集行为以及执行任务时的道具收集行为对学生的思考类型进行判别，诸如，对于同一道具而言，如果学生在执行任务之前(诸如在自主探索阶段)就已收集该道具，说明该学生具有一定的主动思考能力，能够预期该道具的作用所以提前收集道具，该学生属于主动思考类型；而如果学生在执行任务期间才在任务的指引下收集该道具，则说明该学生属于被动思考类型。

为了更加客观的获取学生的行为总分值，在一些实施方式中，思考类型评估模型可以获取第一道具处理行为涉及的每个虚拟教学道具对应的第一分值(也可以为奖励值)，并基于第一分值的总和，得到第一道具处理行为对应的第一总分值，以及获取第二道具处理行为涉及的每个虚拟教学道具对应的第二分值，并基于第二分值的总和，得到第二道具处理行为对应的第二总分值，按照预设的第一权重和第二权重，对第一总分值和第二总分值进行加权处理，得到学生的行为总分值。在实际应用中，可以令第一道具处理行为涉及的虚拟教学道具对应的第一分值高于第二道具处理行为涉及的虚拟教学道具对应的第二分值，和/或，令第一权重高于第二权重，有助于加大对学生主动思考的奖励力度。实际应用中，还可以基于道具处理的先后顺序来对学生进行分值奖励，诸如学生较早收集某道具的奖励分值高于较晚收集该道具的奖励分值。

通过上述加权方式得到的行为总分值，在一定程度上也是学生的思考结果的体现，从而可以基于此确定学生的思考类型，诸如学生的行为总分值越高，说明该学生属于主动思考类型，而学生的行为总分值越低，则说明该学生属于被动思考类型。

为便于理解，示例性地，思考类型评估模型的算法原理可以参照如下所述：

假设学生每次针对虚拟教学道具执行收集操作，无论是任务之前收集道具，还是执行任务过程中收集道具，均可将每次收集操作对应的分数记录为1，在触发NPC任务之前已收集的道具(即第一道具处理行为)系数为m，在触发NPC任务之后再去进行收集的道具(即第二道具处理行为)系数为n，其计算公式为：

学生的行为总分值T＝m*第一总分值+n*第二总分值

其中，m和n可以根据需求而灵活设置，诸如m＝2；n＝-1。换言之，学生的行为总分值可以参照如下公式得到：

T＝2*触发任务之前已收集的道具的得分之和(也即第一总分值)+(-1)*执行任务所收集的道具的得分之和(也即第二总分值)。

根据上述计算公式进行计算后，可以参考表4提供的思考类型表来判断学生的思考类型。

行为总分值	思考类型
		T>0	前置性主动型思考
T＝0	引导性主动型思考
		T<0	引导性被动型思考

表4

如表4所示，根据行为总分数值确定思考类型，不同思考类型对应的分值区间不同；且在表4中将主动思考类型进一步划分为前置性主动型思考及引导性主动型思考。当行为总分值T>0时，确定学生的思考类型为前置性主动型思考，当行为总分值T＝0时，确定学生的思考类型为引导性主动型思考，当行为总分值T<0时，确定学生的思考类型为引导性被动型思考。以上仅为示例性说明，在实际应用中可以灵活划分思考类型以及每种思考类型对应的分值区间，在此不进行限定。

综上，本公开实施例提供的上述思考类型评估模型，可以基于学生在执行任务之前针对道具的自主处理行为以及在指定任务的过程中针对道具的处理行为较为客观准确地评估学生的思考类型。

(三)学习习惯评估模型

学习习惯评估模型用于评估学生的学习习惯，具体地，学习习惯评估模型所需的目标数据(也即上述第三目标数据)可以包括学习结果数据。

在一些实施方式中，学习结果数据包括以下一种或多种：指定学习任务的执行结果(诸如任务完成度、任务完成准确率、任务完成时长等)、学生在虚拟课堂的学习时间数据(诸如进出课堂的时间、学习总时长等)、学生在虚拟课堂中与他人的交流行为结果(诸如交流次数、交流时长等)、学生的虚拟代表对象在跟随教师学习过程中的行走路径与教师的行走路径的匹配结果(诸如路径重合程度、行走速度的差异程度等)。学习习惯评估模型可以基于上述学习结果数据评估学生的学习习惯(活跃探索型或被动接受型)。

为了可以相对客观地评估学生的学习习惯，在一些实施方式中，学习习惯评估模型可以获取学生的学习结果数据对应的标准结果数据，然后根据学习结果数据与标准结果数据的比较结果评估学生的学习习惯。其中，标准结果数据包括教师预设的结果数据或虚拟课堂中所有学生的平均结果数据。

示例性地，参考下表5，为本公开实施例提供的一种学习习惯模型数据维度表：

老师发布任务总次数	N
		标准答题时长	T
标准答题时长总和	N*T
		任务开启按钮点击总次数	N1
任务结束按钮点击总次数	N2
		N1和N2间隔时长总和	T1
语音消息发布总时长	V
		语音消息发布总时长	T2
文字消息发布次数	W
		场次学生平均语音发布次数	AV
场次学生平均语音发布时长	AT2
		场次学生平均文字发布次数	AW

表5

在表5中，诸如N*T即为教师预设的结果数据，也即完成任务的标准时长；而T1则为学生的学习结果数据(用于表征学生的任务完成时长)。又诸如，V、T2和W都是学生的交流结果数据，AV、AT2和AW均为虚拟课堂中所有学生的平均结果数据。应当说明的是，表5仅为示例，不应当被视为限制。

在获取学生的学习结果数据以及标准结果数据之后，便可基于学习结果数据以及标准结果数据之间的比较结果确定学生的学习习惯，在本公开实施例中可以预先划分学习习惯的类别，诸如，学习习惯包括主动探索型和被动接收型。在此基础上，在一些实施方式中，在学习结果数据优于或等于标准结果数据的情况下，确认学生的学习习惯的类型为主动探索型，在学习结果数据差于标准结果数据的情况下，确认学生的学习习惯的类型为被动接受型。

示例性地，在被评估的学生的学习结果数据优于或等于标准结果数据时，表明该学生的自主学习能力较强或者该学生的学习主动性较强，诸如该学生的交流次数或时长高于平均交流次数或平均时长，可以认为该学生的学习习惯的类型为主动探索型；在被评估的学生的学习结果数据差于标准结果数据时，表明该学生自主学习能力较弱，在课堂中主要为被动学习，可能需要老师或家长进行督促，因此可以认为该学生的学习习惯的类型为被动接受型。

在学习结果数据只有一种的情况下，可以直接对学习结果数据和相应的标准结果数据进行比较，诸如，学习结果数据为学生的交流次数，学生的交流次数高于标准交流次数，则表征学习结果数据优于标准结果数据；又诸如，学习结果数据为学生的任务完成时长，学生的任务完成时长低于教师设定的标准任务时长，则表征学习结果数据优于标准结果数据。以上仅为示例，不再逐一赘述。

在学习结果数据有多种的情况下，本公开实施例给出了确定学习结果数据是否优于标准结果数据的具体实施示例，在一些实施方式中，假设共有N种学习结果数据，每种学习结果数据分别与其对应的标准结果数据进行比较，如果N种学习结果数据中至少有m种学习结果数据优于其对应的标准结果数据，则认为学生的学习结果数据整体优于标准结果数据。在另一些实施方式中，还可以对学习结果数据进行指定，若指定的学习结果数据优于其对应的标准结果数据，则认为学生的学习结果数据优于标准结果数据。

在表5的基础上，本公开实施例进一步给出了如表6所示的学生学习习惯类型判断表，具体可参见下表6：

主动探索型	被动接受型
		T1<＝N*T	T1>N*T
T2>＝AT2	T2<AT2
		W>＝AW	W<AW

表6

如表6所示，将学生个人的学习结果数据(T1、T2、W)分别与所有学生的平均结果数据(AT2、AW)以及教师预设的标准结果数据(N*T)进行比较，根据比较结果判断学生的学习习惯，在一些具体示例中，当T1<＝N*T、T2>＝AT2以及W>＝AW均满足时，则可认为学生的学习习惯为主动探索型，反之则认为学生的学习习惯为被动接受型。在另一些实施示例中，当T1<＝N*T、T2>＝AT2以及W>＝AW中有一个或两个满足时，则可认为学生的学习习惯为主动探索型，反之则认为学生的学习习惯为被动接受型。以上均为示例性说明，在实际应用中还可根据需求而设置学习习惯的判别方式。

另外需要说明的是，表6中所采用的数据仅为部分数据的比较示例，不应当被视为限制。

综上，本公开实施例提供的上述学习习惯评估模型，可以基于学生个人的学习结果数据以及标准结果数据之间的比较结果较为客观准确地评估学生的学习习惯。

在获取到学生在每次虚拟课堂对应的学习特性后，本公开实施例提供的上述方法还包括：根据学生在每次虚拟课堂对应的学习特性，生成学生的学习特性分析结果，基于学习特性分析结果，执行如下操作至少之一：将学习特性分析结果提供给指定人员(诸如学生本人、学生家长或老师等学生的关联人员)、调整虚拟三维场景中的虚拟教学道具、调整待学生执行的指定学习任务。

其中，上述指定人员可以是学生本人、学生的家长或老师等学生的关联人员，具体可根据需求进行设置；上述虚拟三维场景中的虚拟教学道具的调整方式诸如可以为调整不同知识类型的虚拟教学道具在虚拟三维场景中的占比或者摆放位置等，诸如通过学习特性分析结果发现学生B偏科严重，主要擅长人文知识，而科学知识较为薄弱，则下次可适当提升虚拟三维场景中属于科学知识类别的虚拟教学道具的占比。另外，也可以根据学生的学习特性分析结果调整指定学习任务，诸如学生的学习特性指示该学生为主动探索型，则可以增加学习任务难度，通过布置学习任务指引学生进一步深入学习相关知识。

进一步，在本公开实施例可以生成每个学生在多场虚拟课堂分别对应的学习特性分析结果，并基于多个学习特性分析结果观测学生的兴趣偏好、思考问题的方式及学习习惯是否发生变化，例如学习习惯从被动学习变为主动学习，思考问题的方式由引导性被动型思考转变为前置性主动型思考等，并生成学习特性变化趋势图表，以便于指定人员清楚地掌握学生的学习情况、教学效果。

在实际应用中，为了使老师清楚直观地获知学生情况，本公开实施例提供的上述方法还包括：基于学生的学习过程数据和学习结果数据确定学生的行为等级。示例性地，可参考表7所示的一种学生行为等级划分表：

表7

如表7所示，行为等级可以划分为符合预期行为、和预期行为稍有偏差、和预期行为稍有偏差但可控制、不符合预期、完全不符合预期等，不同的行为标准对应的等级划分方式不同，示例性地，当行为标准为师生互动完成度时，师生互动完成度在90％及以上对应的行为等级为符合预期行为，师生互动完成度在80％-89％对应的行为等级为和预期行为稍有偏差，师生互动完成度在60％-79％对应的行为等级为和预期行为稍有偏差但可控制，师生互动完成度在50％-59％对应的行为等级为不符合预期，师生互动完成度在0-49％对应的行为等级为完全不符合预期。

基于上述行为等级划分方式，可以生成每个学生在每一场虚拟课堂中的表现图谱，不仅便于对单场次的学生表现情况进行简单记录，而且有助于老师快速且直观地了解学生的学习情况，以便进行有针对性地指导。示例性的，可参见表8，为本公开实施例提供的一种实操案例表：

表8

如表8所示，可以看出该学生在第一次进入课程时间、第一次退出课堂时间、最后一次退出课堂时间、师生互动完成度的行为等级均符合预期，行走路径匹配度的行为等级及生生互动(也即与其它学生之间的交流互动)的行为等级为有偏差但可控，道具互动完成度的行为等级为不符合预期。通过上述表8可以初步获知学生在虚拟课堂中基本能够跟上老师的行为路径，且被动接受知识的习惯高于主动探索的习惯。在学习的过程中与其他同学的交流情况不多，性格可能偏内敛。另外，表8也给出了老师的动作指引示例，也即给出了老师针对不符合预期或有偏差的行为指标可以采取的具体措施，上述图8仅为示例性说明，不应当被视为限制。

此外，本公开实施例提供的上述方法还包括：根据学习过程数据和学习结果数据，评估学生对指定知识的掌握程度，诸如，学生针对某个知识相关的任务的完成效果较好(任务完成准确率高于预设阈值)，则可以确定该学生对该知识的掌握程度较好。

综上所述，本公开实施例提供的上述学习特性的评估方法，不仅采用学习结果数据对学生的学习特性进行评估，而且还会结合学生的学习过程数据进行综合分析，且该学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的行为过程记录，这种方式有助于更为客观准确地反映出学生特性，有助于教师更为清楚地掌握学生的学习情况，便于有针对性地对学生进行指导，进一步提升学生的学习效果。

对应于前述学习特性的评估方法，本公开实施例还提供了一种学习特性的评估装置，图3为本公开实施例提供的一种学习特性的评估装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图3所示，学习特性的评估装置300包括：

过程数据获取模块302，用于获取学生在虚拟课堂中的学习过程数据；虚拟课堂基于虚拟三维场景构建，学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录；

结果数据获取模块304，用于获取学生在虚拟课堂中的学习结果数据；

学习特性评估模块306，用于根据学习过程数据和学习结果数据，评估学生的学习特性。

本公开实施例提供的上述学习特性的评估装置，不仅采用学习结果数据对学生的学习特性进行评估，而且还会结合学生的学习过程数据进行综合分析，且该学习过程数据包括学生的虚拟代表对象在虚拟三维场景中的行为过程记录，这种方式有助于更为客观准确地反映出学生特性。

在一些实施方式中，虚拟三维场景中布设有多种虚拟教学道具；不同虚拟教学道具的用途和/或所属知识类型不同；

行为过程记录包括以下至少之一：学生的虚拟代表对象的行走路径、针对虚拟教学道具的处理行为、与他人的交流行为。

在一些实施方式中，学习特性评估模块306具体用于：获取预先设置的至少一种评估模型；不同的评估模型用于评估的学习特性不同；学习特性包括兴趣偏好、思考类型或学习习惯；从学习过程数据和学习结果数据中获取每种评估模型所需的目标数据；根据每种评估模型和每种评估模型所需的目标数据，得到每种评估模型对应的学习特性评估结果。

在一些实施方式中，评估模型包括兴趣评估模型，兴趣评估模型所需的目标数据包括：学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为；学习特性评估模块306具体用于：采用兴趣评估模型执行如下操作：基于学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为，确定学生对每种知识类型的兴趣度；基于每种知识类型的兴趣度得到学生的兴趣评估结果。

在一些实施方式中，学习特性评估模块306具体用于：获取学生的虚拟代表对象在自主学习过程中针对每种知识类型对应的虚拟教学道具的操作次数；统计虚拟代表对象在自主学习过程中针对虚拟三维场景中所有虚拟教学道具的操作总次数；基于每种知识类型对应的虚拟教学道具的操作次数和操作总次数，确定学生对每种知识类型的兴趣度。

在一些实施方式中，学习特性评估模块306具体用于：基于学生的虚拟代表对象在自主学习过程中的行走路径，获取行走路径的沿途知识点；根据行走路径的沿途知识点的类型分布以及学生的虚拟代表对象在每种沿途知识点的停留时长，确定学生对每种知识类型的兴趣度。

在一些实施方式中，评估模型包括思考类型评估模型，思考类型评估模型所需的目标数据包括：学生的虚拟代表对象在执行指定学习任务之前的第一道具处理行为，以及，学生的虚拟代表对象在执行指定学习任务的过程中的第二道具处理行为。

在一些实施方式中，学习特性评估模块306具体用于：采用思考类型评估模型执行如下操作：根据第一道具处理行为和第二道具处理行为获取学生的行为总分值；根据预先设置的多个分值区间，确定行为总分所属的目标分值区间；不同的分值区间对应的思考类型不同；将目标分值区间对应的思考类型作为学生的思考类型。

在一些实施方式中，学习特性评估模块306具体用于：获取第一道具处理行为涉及的每个虚拟教学道具对应的第一分值，并基于第一分值的总和，得到第一道具处理行为对应的第一总分值；获取第二道具处理行为涉及的每个虚拟教学道具对应的第二分值，并基于第二分值的总和，得到第二道具处理行为对应的第二总分值；按照预设的第一权重和第二权重，对第一总分值和第二总分值进行加权处理，得到学生的行为总分值。

在一些实施方式中，评估模型包括学习习惯评估模型，学习习惯评估模型所需的目标数据包括学习结果数据；学习特性评估模块303具体用于：采用学习习惯评估模型执行如下操作：获取学生的学习结果数据对应的标准结果数据；其中，标准结果数据包括教师预设的结果数据或虚拟课堂中所有学生的平均结果数据；根据学习结果数据与标准结果数据的比较结果评估学生的学习习惯。

在一些实施方式中，学习特性评估模块306具体用于：在学习结果数据优于或等于标准结果数据的情况下，确认学生的学习习惯的类型为主动探索型；在学习结果数据差于标准结果数据的情况下，确认学生的学习习惯的类型为被动接受型。

在一些实施方式中，学习结果数据包括以下一种或多种：指定学习任务的执行结果、学生在虚拟课堂的学习时间数据、学生在虚拟课堂中与他人的交流行为结果、学生的虚拟代表对象在跟随教师学习过程中的行走路径与教师的行走路径的匹配结果。

在一些实施方式中，其中，所述装置还包括：

学习特性分析结果生成模块，用于根据学生在每次虚拟课堂对应的学习特性，生成学生的学习特性分析结果；

学习特性分析结果执行模块，用于基于学习特性分析结果，执行如下操作至少之一：将学习特性分析结果提供给指定人员、调整虚拟三维场景中的虚拟教学道具、调整待学生执行的指定学习任务。

本公开实施例所提供的学习特性的评估装置可执行本公开任意实施例所提供的学习特性的评估方法，具备执行方法相应的功能模块和有益效果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置实施例的具体工作过程，可以参考方法实施例中的对应过程，在此不再赘述。

本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。

本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的学习特性的评估方法。所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

参考图4，现将描述可以作为本公开的服务器或客户端的电子设备400的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

电子设备400中的多个部件连接至I/O接口405，包括：输入单元406、输出单元407、存储单元408以及通信单元409。输入单元406可以是能向电子设备400输入信息的任何类型的设备，输入单元406可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元407可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元408可以包括但不限于磁盘、光盘。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理。例如，在一些实施例中，学习特性的评估方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。在一些实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行学习特性的评估方法。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

需要说明的是，在本文中，诸如“第一”和“第二”等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要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (16)

1.一种学习特性的评估方法，包括：

获取学生在虚拟课堂中的学习过程数据；所述虚拟课堂基于虚拟三维场景构建，所述学习过程数据包括所述学生的虚拟代表对象在所述虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录；

获取所述学生在所述虚拟课堂中的学习结果数据；

根据所述学习过程数据和所述学习结果数据，评估所述学生的学习特性。

2.如权利要求1所述的学习特性的评估方法，其中，所述虚拟三维场景中布设有多种虚拟教学道具；不同虚拟教学道具的用途和/或所属知识类型不同；

所述行为过程记录包括以下至少之一：所述学生的虚拟代表对象的行走路径、针对所述虚拟教学道具的处理行为、与他人的交流行为。

3.如权利要求1或2所述的学习特性的评估方法，其中，根据所述学习过程数据和所述学习结果数据，评估所述学生的学习特性的步骤，包括：

获取预先设置的至少一种评估模型；不同的评估模型用于评估的学习特性不同；所述学习特性包括兴趣偏好、思考类型或学习习惯；

从所述学习过程数据和所述学习结果数据中获取每种所述评估模型所需的目标数据；

根据每种所述评估模型和每种所述评估模型所需的目标数据，得到每种所述评估模型对应的学习特性评估结果。

4.如权利要求3所述的学习特性的评估方法，所述评估模型包括兴趣评估模型，所述兴趣评估模型所需的目标数据包括：所述学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为；

根据每种所述评估模型和每种所述评估模型所需的目标数据，得到每种所述评估模型对应的学习特性评估结果的步骤，包括：

采用所述兴趣评估模型执行如下操作：基于所述学生的虚拟代表对象在自主学习过程中的行走路径和/或针对虚拟教学道具的处理行为，确定所述学生对每种知识类型的兴趣度；基于所述每种知识类型的兴趣度得到所述学生的兴趣评估结果。

5.如权利要求4所述的学习特性的评估方法，其中，基于所述学生的虚拟代表对象在自主学习过程中针对虚拟教学道具的处理行为，确定所述学生对每种知识类型的兴趣度的步骤，包括：

获取所述学生的虚拟代表对象在自主学习过程中针对每种知识类型对应的虚拟教学道具的操作次数；

统计所述虚拟代表对象在自主学习过程中针对所述虚拟三维场景中所有虚拟教学道具的操作总次数；

基于每种知识类型对应的虚拟教学道具的操作次数和所述操作总次数，确定所述学生对每种知识类型的兴趣度。

6.如权利要求4所述的学习特性的评估方法，其中，基于所述学生的虚拟代表对象在自主学习过程中的行走路径，确定所述学生对每种知识类型的兴趣度的步骤，包括：

基于所述学生的虚拟代表对象在自主学习过程中的行走路径，获取所述行走路径的沿途知识点；

根据所述行走路径的沿途知识点的类型分布以及所述学生的虚拟代表对象在每种所述沿途知识点的停留时长，确定学生对每种知识类型的兴趣度。

7.如权利要求3所述的学习特性的评估方法，其中，所述评估模型包括思考类型评估模型，所述思考类型评估模型所需的目标数据包括：所述学生的虚拟代表对象在执行指定学习任务之前的第一道具处理行为，以及，所述学生的虚拟代表对象在执行所述指定学习任务的过程中的第二道具处理行为。

8.如权利要求7所述的学习特性的评估方法，其中，根据每种所述评估模型和每种所述评估模型所需的目标数据，得到每种所述评估模型对应的学习特性评估结果的步骤，包括：

采用所述思考类型评估模型执行如下操作：

根据所述第一道具处理行为和所述第二道具处理行为获取所述学生的行为总分值；

根据预先设置的多个分值区间，确定所述行为总分所属的目标分值区间；不同的分值区间对应的思考类型不同；

将所述目标分值区间对应的思考类型作为所述学生的思考类型。

9.如权利要求8所述的学习特性的评估方法，其中，根据所述第一道具处理行为和所述第二道具处理行为获取所述学生的行为总分值的步骤，包括：

获取所述第一道具处理行为涉及的每个虚拟教学道具对应的第一分值，并基于所述第一分值的总和，得到所述第一道具处理行为对应的第一总分值；

获取所述第二道具处理行为涉及的每个虚拟教学道具对应的第二分值，并基于所述第二分值的总和，得到所述第二道具处理行为对应的第二总分值；

按照预设的第一权重和第二权重，对所述第一总分值和所述第二总分值进行加权处理，得到所述学生的行为总分值。

10.如权利要求3所述的学习特性的评估方法，其中，所述评估模型包括学习习惯评估模型，所述学习习惯评估模型所需的目标数据包括所述学习结果数据；

根据每种所述评估模型和每种所述评估模型所需的目标数据，得到每种所述评估模型对应的学习特性评估结果的步骤，包括：

采用所述学习习惯评估模型执行如下操作：

获取所述学生的学习结果数据对应的标准结果数据；其中，所述标准结果数据包括教师预设的结果数据或所述虚拟课堂中所有学生的平均结果数据；

根据所述学习结果数据与所述标准结果数据的比较结果评估所述学生的学习习惯。

11.如权利要求10所述的学习特性的评估方法，其中，根据所述学习结果数据与所述标准结果数据的比较结果评估所述学生的学习习惯的步骤，包括：

在所述学习结果数据优于或等于所述标准结果数据的情况下，确认所述学生的学习习惯的类型为主动探索型；

在所述学习结果数据差于所述标准结果数据的情况下，确认所述学生的学习习惯的类型为被动接受型。

12.如权利要求1所述的学习特性的评估方法，其中，所述学习结果数据包括以下一种或多种：

所述指定学习任务的执行结果、所述学生在所述虚拟课堂的学习时间数据、所述学生在所述虚拟课堂中与他人的交流行为结果、所述学生的虚拟代表对象在跟随教师学习过程中的行走路径与所述教师的行走路径的匹配结果。

13.如权利要求1所述的学习特性的评估方法，其中，所述方法还包括：

根据所述学生在每次虚拟课堂对应的学习特性，生成所述学生的学习特性分析结果；

基于所述学习特性分析结果，执行如下操作至少之一：将所述学习特性分析结果提供给指定人员、调整所述虚拟三维场景中的虚拟教学道具、调整待所述学生执行的指定学习任务。

14.一种学习特性的评估装置，包括：

过程数据获取模块，用于获取学生在虚拟课堂中的学习过程数据；所述虚拟课堂基于虚拟三维场景构建，所述学习过程数据包括所述学生的虚拟代表对象在所述虚拟三维场景中的如下行为过程记录的至少一种：执行指定学习任务的行为过程记录、自主学习的行为过程记录、跟随教师学习的行为过程记录；

结果数据获取模块，用于获取所述学生在所述虚拟课堂中的学习结果数据；

学习特性评估模块，用于根据所述学习过程数据和所述学习结果数据，评估所述学生的学习特性。

15.一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-13中任一项所述的学习特性的评估方法。

16.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-13中任一项所述的学习特性的评估方法。

Images