CN116308935B - 基于多特征建模和多层次评价的学习预警方法及装置 - Google Patents
基于多特征建模和多层次评价的学习预警方法及装置 Download PDFInfo
- Publication number
- CN116308935B CN116308935B CN202310569374.4A CN202310569374A CN116308935B CN 116308935 B CN116308935 B CN 116308935B CN 202310569374 A CN202310569374 A CN 202310569374A CN 116308935 B CN116308935 B CN 116308935B
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- performance
- early warning
- students
- 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
- 238000000034 method Methods 0.000 title claims abstract description 156
- 238000011156 evaluation Methods 0.000 title claims abstract description 130
- 230000007786 learning performance Effects 0.000 claims abstract description 237
- 230000008569 process Effects 0.000 claims abstract description 110
- 238000004458 analytical method Methods 0.000 claims abstract description 44
- 230000014509 gene expression Effects 0.000 claims abstract description 24
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 180
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多特征建模和多层次评价的学习预警方法及装置,包括:获取各学生的当前课程的学习过程数据和历史表现数据;基于学习过程数据应用深度知识追踪模型进行知识状态诊断,得到所有学生的知识点掌握程度集合;根据知识点掌握程度集合和学习过程数据、历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果;据此进行学习表现预测,获取各学生的学习表现集合;基于学习表现集合进行学习预警分析,获取各学生的学习预警程度;将各学生的学习表现集合和学习预警程度反馈至各学生及教师。该方法结合多个特征维度和多层次评价综合建模学生的学习过程,可提供差别化、个性化的学习表现预测和动态学习预警。
Description
技术领域
本发明属于智慧教育技术领域,具体涉及一种基于多特征建模和多层次评价的学习预警方法及装置。
背景技术
近年来,在线教育发展迅速,但与此同时也存在着一些明显的问题和不足,如何提升学生的在线学习质量和改进在线教学的整体效果,一直备受广大教育领域工作者和研究者们关注。在线上教学过程中,教师和学生缺少实际的接触和交流,学生注意力不集中,导致学习效果难以得到保障,同时线上学习过程中,学生也易出现厌学、挫败、迷茫等情绪状态,从而导致学习成绩呈现下滑、中途退课等现象。因此,建立一种能够动态反馈学生真实学习状态的综合性学习预警模型,对提高学生学习质量和帮助教师实现精准施教具有重要意义。学习预警是指按照一定的标准对学生的学习背景、学习行为以及测验成绩等相关数据进行分析,根据分析结果向教学人员和学生发出提示信号。根据学习预警目标的不同,可以分为学习结果预警和学习过程预警,学习结果预警模型主要分为预测网络课程中学习者是否会在课程完成之前离开课程的辍学预警和预测学生在考核中是否会出现挂科、延期毕业等学习危机的风险预警;学习过程预警旨在通过分析学生在学习过程中所产生的学习数据,预测学生的学习路径、知识掌握度以及某一阶段学业表现的变化等,更多的关注于学生的学习行为与其学习表现之间的关系。
现有学习预警方法所使用的数据大致分为学生信息、学习行为和生活行为三类,忽略了从知识点层面对学习内容数据的利用和挖掘,仅利用学生信息、学习行为和生活行为三类数据而不与知识点相关数据结合,难以准确刻画学生在认知状态上变化,难以全面建模学生的学习特征,限制了学习预警的效果。并且,现有研究中使用的学习预警算法和模型所给出的预警结果,只考虑了预警/不预警的二元预警情况,预警粒度过粗,预警结果较为简单,未实现面向全体学生的差别化、个性化的学习预警,导致无法为不同层次的学生提供细粒度、多级别的预警反馈,不利于提升全体学生的学习质量和改善教师的教学效果。
发明内容
本发明的目的就是要解决现有技术的不足,提供一种基于多特征建模和多层次评价的学习预警方法及装置,解决现有技术中学习预警的学习数据分析不够全面和预警粒度过粗的问题。
为实现上述目的,基于本发明一方面,提供一种基于多特征建模和多层次评价的学习预警方法,包括:
获取各学生的当前课程的学习过程数据和历史表现数据;
基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合;
根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果;
根据所述学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合;
基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度;
将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。
在其中一实施例中,所述学习过程数据至少包括学生在当前课程各学习阶段中每次测试对应的答题记录数据,所述基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,包括:针对任一学生,
根据预存的当前课程的试题与知识点关联信息,构建试题知识点关联矩阵;
基于所述试题知识点关联矩阵和学生的所述答题记录数据构建学生的第一答题序列,所述第一答题序列包括学生编号、测试编号、试题编号、知识点编号及答题正误结果;
将存在缺失值或异常值的所述第一答题序列删除,将包含多个知识点的所述第一答题序列转化为多条只包含单个知识点的第二答题序列;
使用独热编码将只包含单个知识点的所述第一答题序列和所述第二答题序列转换为固定长度的0-1编码形式的向量,并输入到长短期记忆网络中,输出所述学生的知识点掌握程度信息;
将所述学生对各知识点的知识点掌握程度信息组合形成所述学生的知识点掌握程度矩阵,所述知识点掌握程度矩阵表征所述学生对所述答题记录数据中各知识点的掌握程度。
在其中一实施例中,所述测试包括章节测试和自我测试,所述学习过程数据还包括所述学生在当前课程的各学习阶段的阶段测试成绩,所述根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果,包括:
根据所述章节测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的章节测试数除以章节测试总数的百分比得到章节测试完成率,计算任一所述学生在完成的章节测试中答对的试题数除以试题总数的百分比得到章节测试平均正答率,计算任一所述学生对章节测试中考察的所有知识点的平均掌握程度得到章节测试知识点平均掌握程度,组合得到所有学生的学习效率特征评价结果,所述学习效率特征评价结果中,任一所述学生对应一个学习效率特征评价值;
根据所述自我测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的自我测试的总数得到自我测试总次数,计算任一所述学生在完成的自我测试中答对的试题数除以试题总数的百分比得到自我测试正答率,计算任一所述学生对自我测试中考察的所有知识点的平均掌握程度得到自我测试知识点平均掌握程度,组合得到所有学生的学习自主性特征评价结果,所述学习自主性特征评价结果中,任一所述学生对应一个学习自主性特征评价值;
根据所述答题记录数据获取任一所述学生的答题时长矩阵和知识状态矩阵,将所述答题时长矩阵和知识状态矩阵经过卷积神经网络和长短期记忆网络组成的特征提取器处理后,得到任一所述学生的内在学习状态特征评价值,组合得到所有学生的内在学习状态特征评价结果,其中,学生的所述答题时长矩阵中的任一项表示学生作答第次章节测试的第道试题所耗费的时间,学生的所述知识状态矩阵中的任一项表示学生对第次章节测试涉及的知识点的掌握程度;
根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现,组合得到所有学生的历史学习表现特征评价结果,所述历史学习表现特征评价结果中,任一所述学生对应一个历史学习表现特征评价值,其中,所述前序学习表现和所述总体学习表现的取值为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级;
融合所述学习效率特征评价结果、学习自主性特征评价结果、内在学习状态特征评价结果和历史学习表现特征评价结果,得到各学生的学习过程特征评价结果。
在其中一实施例中,所述根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现,包括:针对任一学生,
根据预设的分数区间与排名区间划分规则,确定所述学生最近一次的所述阶段测试成绩所处的分数区间和排名区间,根据预设的第一权重系数和所述分数区间、所述排名区间计算所述学生的前序学习表现;
确定所述学生当前所处的学习阶段,如果所述学生所处的当前学习阶段为当前课程的第一学习阶段,则根据预设的分数区间与排名区间划分规则计算所有所述考核成绩数据的平均值所处的分数区间和排名区间,根据预设的第二权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现,如果所述学生所处的当前学习阶段为当前课程第一学习阶段之后的任一学习阶段,则根据预设的分数区间与排名区间划分规则计算所述学生完成的所有所述阶段测试成绩的平均值所处的分数区间和排名区间,根据预设的第三权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现。
在其中一实施例中,所述根据所述学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合,包括:
将所述学习过程特征评价结果输入梯度提升决策树分类器,通过所述梯度提升决策树分类器对各所述学生的学习表现进行分类,梯度提升决策树分类器返回各所述学生在下一学习阶段的当前学习表现预测结果,所述当前学习表现预测结果表示为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级,所述等级A、B、C、D、F分别表示优、良、中、及格、不及格;
获取各学生的历史学习表现特征评价结果,得到各学生对应的学习表现集合,所述学习表现集合包括当前学习表现预测结果和历史学习表现特征评价结果。
在其中一实施例中,所述基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度,包括;针对任一学生,
获取所述学生的所述当前学习表现预测结果、所述前序学习表现和所述总体学习表现;
计算所述当前学习表现预测结果减去所述前序学习表现的差值得到学生的学习表现跨度;
根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度。
在其中一实施例中,所述根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度,包括:
如果所述当前学习表现预测结果为A或B且所述学习表现跨度小于0,则确定预警程度为最佳状态;
如果所述当前学习表现预测结果为A或B且所述学习表现跨度等于0,则确定预警程度为正常状态;
如果所述当前学习表现预测结果为B且所述学习表现跨度等于1,则确定预警程度为轻度预警;
如果所述当前学习表现预测结果为C或D,则结合所述总体学习表现和所述学习表现跨度进行预警分析;
所述当前学习表现预测结果为F时,如果所述总体学习表现的等级为F,则确定预警程度为中度预警;否则确定预警程度为重度预警。
在其中一实施例中,所述结合所述总体学习表现和所述学习表现跨度进行预警分析,包括:
如果所述总体学习表现为A/B且所述学习表现跨度大于等于1,则确定预警程度为中度预警;
如果所述总体学习表现为A/B且所述学习表现跨度等于0,则确定预警程度为轻度预警;
如果所述总体学习表现的等级为A/B且所述学习表现跨度小于0,则确定预警程度为正常状态;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度大于等于2,则确定预警程度为中度预警;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于1,则确定预警程度为轻度预警;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于0,则确定预警程度为正常状态;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度小于0,则确定预警程度为最佳状态。
基于同一个发明构思,本发明还提供一种基于多特征建模和多层次评价的学习预警装置,包括:
数据获取模块,用于获取各学生的当前课程的学习过程数据和历史表现数据;
知识状态诊断模块,用于基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合;
学习过程特征分析模块,用于根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果;
学习表现预测模块,用于根据所述学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合;
学习预警分析模块,用于基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度;
学习预警反馈模块,用于将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。
基于同一个发明构思,本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的基于多特征建模和多层次评价的学习预警方法。
基于同一个发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机指令,所述计算机指令用于使计算机执行如实现上述任一项所述的基于多特征建模和多层次评价的学习预警方法。
本发明提供的基于多特征建模和多层次评价的学习预警方法,针对现有学习预警模型忽略了从知识点层面对学生认知特征进行利用和挖掘的问题,收集学生的多源学习过程相关数据进行分析,应用深度知识追踪模型建模学生的知识状态,基于学生的知识点掌握程度和学习过程相关数据从学习效率、学习自主性、内在学习状态以及历史学习表现等四个特征对学生的学习过程进行综合建模,与现有技术相比,从多个特征维度综合建模学生的学习过程,能更准确刻画学习者的学习特征,有利于实现高效、准确的学习表现预测和动态学习预警。本发明考虑到不同课程难度不同、不同学生学习情况不同等因素,为实现面向不同层次学生的差别化、精准化的学习表现预测和动态学习预警,通过综合分析学生的考核分数和班级排名等情况来评估学生的历史学习表现特征,能够更精准、差别化的反映学生学习情况,应用梯度提升决策树(Gradient Boosting Decision Tree, GBDT)分类器算法将学生的当前学习表现预测结果分为优、良、中、及格和不及格等五个类别,基于该五个类别的学习表现,结合学生的总体学习表现和学习表现跨度进行预警分析,可支持重度预警、中度预警、轻度预警、正常状态和最佳状态等五个程度的预警,提供了细粒度、多级别的预警反馈,不仅可以解决现有技术中由于预警粒度过粗导致的预警效果不佳的问题,而且能面向全体学生提供差别化、个性化学习表现预测和动态学习预警,从而更好的帮助教师和学生改善教学工作,提升学习预警的效果。
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,下面描述中的附图仅仅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为本发明实施例的一种基于多特征建模和多层次评价的学习预警方法的流程示意图;
图2为本发明实施例的一种基于多特征建模和多层次评价的学习预警装置的结构示意图;
图3为本发明实施例的一种电子设备的结构示意图。
具体实施方式
为使本发明所要解决的技术问题、技术方案及有益效果更为清楚明白,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。
如图1所示,本发明一实施例提供一种基于多特征建模和多层次评价的学习预警方法,具体包括以下步骤:
S1:获取各学生的当前课程的学习过程数据和历史表现数据。
在本实施例中,学习预警是针对单个课程在线学习的预警,进行学习预警的当前课程的学习过程划分为若干个学习阶段,预警分析所基于的多源数据包括学习过程数据和历史表现数据,学习过程数据从“在线课程辅助教学系统”中采集,包括学生在当前课程的各学习阶段的阶段测试成绩以及学生在当前课程的各学习阶段中每次章节测试和每次自我测试对应的答题记录数据,其中,章节测试是由教师统一发布的学习任务,要求全体学生主动完成,自我测试是系统根据学生薄弱知识点为学生提供的推荐试题,由学生根据自身需要自主选择完成,答题记录数据包括当次测试中每道试题的答题时长、答题结果、答题得分;历史表现数据从“教务管理系统”中采集,包括与学生的当前课程关联的相关课程的考核成绩数据,其中,相关课程为与当前课程关联的并对学生学习当前课程的知识点起到影响的已修课程,是学生在此之前已经学习完成的课程,相关课程的考核成绩数据,采集方式可以是在准备展开学习预警之前进行采集,也可以是根据预设的采集周期定期采集,只需确保进行学习预警之时,当前的历史表现数据已更新。在采集到学习过程数据和历史表现数据时,先将这些学习过程数据和历史表现数据转换为统一的标准格式,然后存储为学习历史数据。在其他的实施例中,作为与当前课程关联的并对学生学习当前课程的知识点起到影响的相关课程,也可以是学生当前正在学习的其他课程。
假设为班级全体学生的集合,为学生总数,表示学生在当前课程的学习历史数据,班级中任一学生在当前课程各个学习阶段的答题记录数据、阶段测试成绩以及相关课程的考核成绩数据均作为学习历史数据存入学习历史数据库中。
S2:基于学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合。
假设当前课程的学习过程划分为个学习阶段,各个学习阶段按顺序依次编号为1、2、……、,以学生处于当前课程的第学习阶段为例进行说明。
首先,获取学生关于当前课程的学习过程数据和历史表现数据,学习过程数据包括学生在当前课程的前个学习阶段的阶段测试成绩以及学生在当前课程的前个学习阶段中每次章节测试和每次自我测试对应的答题记录数据,历史表现数据包括与当前课程关联的相关课程的考核成绩数据。
然后,基于获取的答题记录数据,应用深度知识追踪模型对学生进行知识状态诊断,动态建模学生在章节测试和自我测试所考察的知识点上的掌握程度,知识点掌握程度被量化为之间的数值。
具体的,应用深度知识追踪模型对学生进行知识状态诊断,包括:
(1)根据预存的当前课程的试题与知识点关联信息构建试题知识点关联矩阵;(2)基于该试题知识点关联矩阵和学生的答题记录数据构建学生的答题序列,任一答题序列包括学生编号、测试编号、试题编号、知识点编号及答题正误结果;(3)将存在缺失值或异常值的答题序列作为无效数据删除,然后把任一包含多个知识点的答题序列转化为多条只包含单个知识点的答题序列;(4)使用独热编码将学生的包含单个知识点的任一答题序列转换为固定长度的0-1编码形式的向量,以便长短期记忆网络(Long Short Term Memory,LSTM)更好的处理学生的答题记录数据;(5)将学生答题序列对应的向量输入到LSTM中,即可输出学生的知识点掌握程度矩阵,该知识点掌握程度矩阵表征学生对章节测试和自我测试所考察的任一知识点的掌握程度信息,每个知识点掌握程度被量化为之间的数值。
同样的,对于班级全体学生,只需将每位学生答题序列对应的向量输入到LSTM中,即可得到每位学生对应的知识点掌握程度矩阵,全体学生的知识点掌握程度矩阵集合表示为。
S3:根据知识点掌握程度集合和学习过程数据、历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果。
学习过程特征包括学习效率、学习自主性、内在学习状态、历史学习表现等四个属性的特征,基于这四个特征对学生在当前课程的学习过程进行综合分析。分析学生的学习过程特征所基于的数据包括经知识状态诊断得到的学生的知识点掌握程度矩阵、学生在当前课程的前个学习阶段的答题记录数据、学生在当前课程的前个学习阶段的阶段测试成绩以及学生的与当前课程关联的相关课程的考核成绩数据。
学生当前处于第学习阶段,结合学生在当前课程的前个学习阶段的答题记录数据、阶段测试成绩和历史表现数据以及知识点掌握程度矩阵,可以综合预测学生在学习阶段时的学习表现,进而评估学生的预警程度。考虑到与内在学习状态这一特征相关的数据为时序数据,本实施例中采用卷积神经网络和长短期记忆网络相结合的神经网络结构(简称为CNN-LSTM)进行特征提取和评价。
在本实施例中,基于学生的知识点掌握程度矩阵、答题记录数据、阶段测试成绩以及相关课程的考核成绩数据,分别从学习效率特征、学习自主性特征、内在学习状态特征和历史学习表现特征四个维度对学生在当前课程的学习过程进行分析,所述四个特征的具体评价方法如下:
(1)学习效率特征的评价:学习效率特征包括章节测试完成率、章节测试平均正答率、章节测试知识点平均掌握程度这三个子特征,章节测试完成率为学生完成的章节测试数除以章节测试总数的百分比,章节测试平均正答率为学生完成的章节测试中答对试题数除以试题总数的百分比,章节测试知识点平均掌握程度为学生对章节测试中所考察的知识点的平均掌握程度,由学生对完成的章节测试中考察的所有知识点的掌握程度总和除以考察的知识点总数求得(知识点掌握程度矩阵中每个知识点掌握程度被量化为之间的数值),基于此,学生的学习效率特征评价值。
(2)学习自主性特征的评价:学习自主性特征包括自我测试总次数、自我测试正答率、自我测试知识点平均掌握程度这三个子特征,自我测试总次数为学生完成的自我测试的总数,自我测试正答率为学生完成的自我测试中答对试题数除以试题总数的百分比,自我测试知识点平均掌握程度为学生对自我测试中所考察的知识点的平均掌握程度,由学生对完成的自我测试中考察的所有知识点的掌握程度总和除以考察的知识点总数求得,基于此,学生的学习自主性特征的评价值。
(3)内在学习状态特征的评价:内在学习状态特征通过对学生的答题记录数据中的时序数据转换得到,所应用的时序数据具体为学生在章节测试试题上的答题时长矩阵和知识状态矩阵。答题记录数据包括了当次测试中每道试题的答题时长、答题结果、答题得分,因此,基于学生在章节测试的答题记录数据可得学生的答题时长矩阵;基于学生的在章节测试的答题记录数据可得到对应的答题序列、知识点掌握程度等数据,任一答题序列包括学生编号、测试编号、试题编号、知识点编号及答题正误结果,因此可进一步得到学生的知识状态矩阵。
假设学生共完成了次章节测试,学生的答题时长矩阵为,其中,表示学生作答第次章节测试的第道试题所耗时长;学生的知识状态矩阵为,其中,表示学生对第次章节测试涉及的知识点的掌握程度,具体表示如下:
,
然后,将学生的答题时长矩阵和知识状态矩阵提交到卷积神经网络和长短期记忆网络(简称为CNN-LSTM)组成的特征提取器中,答题时长矩阵和知识状态矩阵中的数据分别经历卷积、序列预测和全连接降维后,合并输出作为学生的内在学习状态特征的评价值。
具体的,任一学生的内在学习状态特征的评价值的计算公式如下:
,
,
,
。
其中,为卷积层,为输入矩阵( 或),为卷积核,卷积核的大小为,为输入矩阵的列的数量;为非线性激活函数ReLU(Rectified LinearUnit);LSTM(Long Short Term Memory)为长短期记忆网络层;FC为全连接层(FullConnection)。
(4)历史学习表现特征的评价:历史学习表现特征包括前序学习表现和总体学习表现这两个子特征。前序学习表现根据学生在当前学习阶段的阶段测试成绩来计算;总体学习表现根据学生当前课程关联的相关课程的考核成绩数据或学生在当前课程已完成的各学习阶段的阶段测试成绩来计算,具体的,当学生所处的当前学习阶段为当前课程的第1个学习阶段时,总体学习表现根据学生当前课程关联的相关课程的所有考核成绩数据的平均值来计算,当学生所处的当前学习阶段为当前课程第1个学习阶段之后的任一学习阶段时,总体学习表现根据学生在当前课程已完成的所有阶段测试成绩的平均值来计算。
学生的前序学习表现和总体学习表现按照分数范围和排名情况进行分类,分为A、B、C、D、F五个等级。具体的,分数区间以95分、85分、75分、65分为节点,将分数0-100划分为五个区间,排名以前15%名、前30%名、前50%名、前80%名为节点,将排名划分为五个区间。在实际应用中,分数和排名的划分节点可以按照实际的课程特点进行相应的调整。和的计算方法相同,以为例,其计算方法如下:
其中,为区间范围内的一个整数值,代表学生在学习阶段的阶段测试成绩所在的分数区间,例如,分数区间以95分、85分、75分、65分为节点时,表示学生在学习阶段的阶段测试成绩在95~100分这个范围内,表示学生在学习阶段的阶段测试成绩在85~94分这个范围内,表示学生在学习阶段的阶段测试成绩在75~84分这个范围内,表示学生在学习阶段的阶段测试成绩在65~74分这个范围内,表示学生在学习阶段的阶段测试成绩在0~64分这个范围内;为区间范围内的一个整数值,代表学生在学习阶段的阶段测试成绩所在的排名区间,例如,排名以前15%名、前30%名、前50%名、前80%名为节点时,,表示学生的排名在前15%这个范围内,表示学生的排名在前15%~30%这个范围内,表示学生的排名在前30%~50%这个范围内,表示学生的排名在前50%~80%这个范围内,表示学生的排名在倒数20%这个范围内;代表权重系数,为区间范围内的一个小数,默认取值为0.5,的取值范围为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级。本实施例中,等级A、B、C、D、F分别表示优、良、中、及格、不及格。
在本实施例中,的计算方法与的计算方式相同,需要注意的是,当学生所处的当前学习阶段为当前课程的第1个学习阶段时,是根据学生当前课程关联的相关课程的所有考核成绩数据的平均值来确定学生所在的分数区间和排名区间,进而根据分数区间和排名区间对应的整数值计算总体学习表现,当学生所处的当前学习阶段为当前课程第1个学习阶段之后的任一学习阶段时,是根据学生当前课程已完成的所有阶段测试成绩的平均值来确定学生所在的分数区间和排名区间,进而根据分数区间和排名区间对应的整数值计算总体学习表现。
基于此,学生的历史学习表现特征的评价值,表示学生的前序学习表现,表示学生的总体学习表现。
最后,融合学习效率特征、学习自主性特征、内在学习状态特征、历史学习表现特征的评价值,得到学生的学习过程特征评价结果。
在实际的学习预警过程中,既可以按照上述特征评价方法对单个学生进行学习过程特征分析,也可以是按照上述特征评价方法同时对班级全体学生进行学习过程特征分析。同时对班级全体学生进行学习过程特征分析时,先获取知识状态诊断所得的全体学生的知识点掌握程度矩阵集合和班级全体学生的学习过程数据和历史表现数据(包括每位学生对应的阶段测试成绩、每次章节测试和每次自我测试对应的答题记录数据、与当前课程关联的相关课程的考核成绩数据等),然后,分别从学习效率特征、学习自主性特征、内在学习状态特征和历史学习表现特征四个维度对每位学生在当前课程的学习过程进行综合分析,即可分别得到全体学生的学习效率特征评价值的集合,全体学生的学习自主性特征评价值的集合,全体学生的内在学习状态特征评价值的集合以及全体学生的历史学习表现特征评价值的集合。然后,对集合、、、进行融合,最终得到全体学生的学习过程特征评价结果集,,其中,表示学生的学习效率特征的评价值,表示学生的学习自主性特征的评价值,表示学生的内在学习状态特征的评价值,表示学生的历史学习表现特征的评价值。根据集合可对班级全体学生进行学习表现预测。
S4:根据学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合。
在本实施例中,根据全体学生的学习过程特征评价结果集进行学习表现预测,预测的是学生关于当前课程在学习阶段的学习表现,将该学习过程特征评价结果集输入应用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)分类器中进行学生学习表现的分类,分类的类别为A、B、C、D、F五个等级,等级A、B、C、D、F分别代表优、良、中、及格、不及格。GBDT分类器针对任一学生的学习过程特征评价结果输出的分类等级即为该学生在学习阶段的当前学习表现预测结果。
对班级全体学生进行学习表现预测时,先获取学习过程特征评价结果的集合,然后输入GBDT分类器中进行学习表现的分类,GBDT分类器返回全体学生在学习阶段的当前学习表现预测结果。以学生为例,学生在学习阶段的当前学习表现预测结果表示为。为之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级。
获取学生的历史学习表现特征的评价值,与组成学生的学习表现集合,基于学生的学习表现集合可进行学习预警分析。
S5:基于学习表现集合进行学习预警分析,获取各学生的学习预警程度。
在本实施例中,学习表现集合包括学生的当前学习表现预测结果、历史学习表现特征的评价值,基于学习表现集合进行学习预警分析,包括:先获取学生的历史学习表现特征的评价值中的总体学习表现和前序学习表现,然后,计算学生的当前学习表现预测结果和前序学习表现之间的差值以评估学生的学习表现跨度,然后,综合得到的当前学习表现预测结果、总体学习表现和学习表现跨度这三类数据,按照预设的学习预警规则,计算任一学生对应的预警程度。
具体的,以学生为例,学生的学习表现集合为,基于学生的历史学习表现特征的评价值( )和学生在学习阶段的当前学习表现预测结果,按照以下步骤进行预警分析:
步骤1:根据获取学生的前序学习表现和总体学习表现;
步骤2:计算学生的学习表现跨度,计算公式为:,其中,为学生在学习阶段的当前学习表现预测结果,为学生的前序学习表现,表示学生近期学习状态提升,学习表现变好,表示学生近期学习状态稳定,学习表现不变,表示学生近期学习状态轻微下滑,学习表现轻微下降,表示学生近期学习状态严重下滑,学习表现严重下降;
步骤3:根据当前学习表现预测结果的值,将学生的学习表现划分为良好(A)、中等(B、C、D)、差(F)三个层次,按照预设的学习预警规则计算学生的学习预警程度,在本实施例中,预设的学习预警规则为:
(1)当所在层次为良好(A)时,学生的学习表现存在变好和不变两种情况:表示学生近期学习状态提升,学习表现变好,预警程度为最佳状态;表示学生近期学习状态稳定,学习表现不变,预警程度为正常状态。
(2)当所在层次为中等(B/C/D)时,学生的学习表现存在变好、不变和下降三种情况:
1)当对应的等级为B时,表示学生近期学习表现轻微下降,预警程度为轻度预警,表示学生近期学习表现不变,预警程度为正常状态,表示学生近期学习表现变好,预警程度为最佳状态;
2)当对应的等级为C或D时,
a)如果学生的总体学习表现对应的等级为A或B,即表示学生的总体学习表现良好但近期呈现下滑趋势,表示学生总体表现下滑且近期学习表现严重下降,预警程度为中度预警,表示学生总体表现下滑但近期学习表现不变,预警程度为轻度预警,表示学生总体表现下滑但近期学习表现变好,预警程度为正常状态;
b)如果学生的总体学习表现对应的等级为C或D或F,即表示学生的总体学习表现中等且近期呈现稳定趋势,表示学生总体表现稳定但近期学习表现严重下降,预警程度为中度预警;表示学生总体表现稳定但近期学习表现轻微下降,预警程度为轻度预警;表示学生总体表现稳定且近期学习表现不变,预警程度为正常状态;表示学生总体表现稳定且近期学习表现变好,预警程度为最佳状态。
(3)当所在层次为差(F)时,学生的学习表现存在不变和下降两种情况:如果学生的总体学习表现对应的等级为A或B或C或D,表示学生的近期学习表现下滑严重,预警程度为重度预警,如果学生的总体学习表现对应的等级为F,表示学生的近期学习表现稳定但一直不佳,预警程度为中度预警。
S6:将各学生的学习表现集合和学习预警程度反馈至各学生及教师。
在本实施例中,进行学习预警反馈的具体做法是:
根据步骤S4得到的全体学生关于学习阶段的当前学习表现预测结果和步骤S5得到的班级全体学生的学习预警程度集合,将当前学习表现预测结果和对应的预警程度反馈给每位学生。此外,在每个学习阶段结束时,根据学习历史数据库中的答题记录数据和与当前课程关联的相关课程的考核成绩数据,生成学生的学习预警报告,该报告以折线图的形式呈现章节测试上学生的得分和排名的变化情况,以柱状图的形式呈现学生目前所有学习阶段的阶段测试成绩。同时,统计学生在该学习阶段中进行自我测试的次数和平均得分等信息,并统计分析整个班级中五类预警程度所占的人数和比例,以列表的形式汇总所有学生的预警信息,这些汇总的信息被整理成“班级预警学情报告”反馈给教师,该报告以扇形图的形式呈现各个预警等级所占的人数和比例,并以列表的形式汇总所有学生的预警信息,从而帮助教师掌握班级的预警学情和学生个人的预警情况。
基于本实施例的学习预警方法,进行如下实验:
本实验使用了采集自湖南师范大学软件工程专业辅助教学平台的真实数据集,该数据集收集了软件工程专业学生的真实学习数据。数据集包含《数据库系统原理》和《面向对象程序设计》两门课程,数据集中测试题分为章节测试和自我测试两类,其中,章节测试是由教师统一发布的学习任务,要求全体学生主动完成,自我测试是系统根据学生薄弱知识点为学生提供的推荐试题,由学生根据自身需要自主选择完成,该数据集中包含学生63人和答题记录2797条,涉及知识点443个、试题770道。以学生在一个学习阶段中所有章节测试成绩的平均值作为学生该学习阶段的阶段测试成绩。此外,实验使用63名学生在两门课程中的期末考核成绩作为验证学习预警方法有效性的真实标签。
该实验对本实施例使用的方法进行了实验对比分析,包括神经网络结构对比和机器学习算法对比两个对比实验,具体如下:
1、机器学习算法对比实验:选择线性支持向量机(简记为L_SVM)、径向基支持向量机(简记为RBF_SVM)、逻辑回归(简记为LR)、决策树(简记为DT)、随机森林(简记为RF)等5种方法与本发明所使用的GBDT方法进行实验对比。该实验中,内在学习状态特征模块统一采用CNN-LSTM结构。实验结果如表1所示。
表1 对比实验数据
在模型输出上,本发明选择将GBDT分类器添加到LSTM输出来增强最终的预测效果。GBDT将多个决策树组合起来进行预测,具有较高的准确率和稳定性。实验结果证明,GBDT的分类效果明显优于其他五种机器学习分类算法(即L_SVM、RBF_SVM、LR、DT、RF)。从实验数据看,本发明所使用的方法的F1值为0.743,说明该方法具有较好的预测效果;Kappa值为0.605表示该方法稳定性较好。
2、神经网络结构对比实验:为了证明本发明使用CNN-LSTM处理长期时间序列数据的有效性,增加了与“卷积神经网络和循环神经网络相结合的神经网络结构”(简记为CNN-RNN)、“卷积神经网络和门控循环单元相结合的神经网络结构”(简记为CNN-GRU)的两个比较实验。该实验中,机器学习算法统一采用GBDT算法,实验结果如表2所示。
表2 对比实验数据
在采用深度神经网络识别学生内在学习状态时,学生的学习数据为时间序列数据。考虑到循环神经网络(RNN)不适合处理长期数据,并且存在梯度爆炸问题,本发明使用LSTM网络来处理时间序列数据,并增加了与CNN-RNN和CNN-GRU的对比试验,实验结果证明,CNN-LSTM结构在提取特征和预测准确率上获得了更好的效果。
本发明的基于多特征建模和多层次评价的学习预警方法,针对现有学习预警模型忽略了从知识点层面对学生认知特征进行利用和挖掘的问题,收集学生的多源学习过程相关数据进行分析,应用深度知识追踪模型建模学生的知识状态,基于学生的知识状态和多源学习过程相关数据从学习效率、学习自主性、内在学习状态以及历史学习表现等四个特征对学生的学习过程进行综合建模,与现有技术相比,从多个特征维度综合建模学生的学习过程,能更准确刻画学习者的学习特征,有利于实现高效、准确的学习表现预测和动态学习预警。本发明考虑到不同课程难度不同、不同学生学习情况不同等因素,为实现面向不同层次学生的差别化、精准化的学习表现预测和动态学习预警,通过综合分析学生的考核分数和班级排名等情况来评估学生的历史学习表现特征,能够更精准、差别化的反映学生学习情况,应用GBDT分类器算法将学生的当前学习表现预测结果分为优、良、中、及格和不及格等五个类别,基于该五个类别的学习表现,结合学生的总体学习表现和学习表现跨度进行预警分析,可支持重度预警、中度预警、轻度预警、正常状态和最佳状态等五个程度的预警,提供了细粒度、多级别的预警反馈,不仅可以解决现有技术中由于预警粒度过粗导致的预警效果不佳的问题,而且能面向全体学生提供差别化、个性化学习表现预测和动态学习预警,从而更好的帮助教师和学生改善教学工作,提升学习预警的效果。
如图2所示,基于同一发明构思,与上述实施例方法相对应的,本发明一实施例还提供了基于多特征建模和多层次评价的学习预警装置,用于实现前述实施例中相应的方法,包括数据获取模块、知识状态诊断模块、学习过程特征分析模块、学习表现预测模块、学习预警分析模块和学习预警反馈模块等。
数据获取模块,用于获取各学生的当前课程的学习过程数据和历史表现数据。在本实施例中,数据获取模块包括数据采集模块、数据预处理模块和学习历史数据库。在其他实施例中,数据采集模块和数据预处理模块可以设计成独立于学习预警装置的数据获取模块之外的离线采集模块,以在学习预警装置离线状态时,也可以从“在线课程辅助教学装置”和“教务管理装置”采集最新的数据。
知识状态诊断模块,用于基于学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合。
学习过程特征分析模块,用于根据知识点掌握程度集合和学习过程数据、历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果。
学习表现预测模块,用于根据学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合。
学习预警分析模块,用于根基于学习表现集合进行学习预警分析,获取各学生的学习预警程度。
学习预警反馈模块,用于将各学生的学习表现集合和学习预警程度反馈至各学生及教师。
上述实施例的学习预警装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本发明一实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例所述的基于多特征建模和多层次评价的学习预警方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件示意图,该设备可以包括:处理器100、存储器200、输入/输出接口300、通信接口400和总线500。其中处理器100、存储器200、输入/输出接口300与通信接口400、总线500实现彼此之间在设备内部的通信连接。
处理器100可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit, ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本发明实施例所提供的技术方案。
存储器200可以采用ROM (Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备、动态存储设备等形式实现。存储器200可以存储操作系统和其他应用程序,在通过软件或者固件来实现本发明实施例所提供的技术方案时,相关的程序代码保存在存储器200中,并由处理器100来调用执行。
输入/输出接口300用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出) ,也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触控屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口400用于连接通信模块(图中未示出) ,以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线500包括一通路,在设备的各个组件(例如处理器100、存储器200,输入/输出接口300和通信接口400)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器100、存储器200、输入/输出接口300、通信接口400以及总线500,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
基于同一发明构思,与上述任意实施例方法相对应的,本发明一实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行如上述实施例所述的基于多特征建模和多层次评价的学习预警方法。
本实施例的计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储;该信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算机设备访问的信息。
上述实施例的计算机存储介质存储的计算机指令用于使计算机执行如上实施例所述的基于多特征建模和多层次评价的学习预警方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的,不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入本发明的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多特征建模和多层次评价的学习预警方法,其特征在于,包括:
获取各学生的当前课程的学习过程数据和历史表现数据,所述学习过程数据至少包括学生在当前课程各学习阶段中每次测试对应的答题记录数据,所述历史表现数据包括与学生的当前课程关联的相关课程的考核成绩数据;
基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合,所述知识点掌握程度矩阵表征所述学生对所述答题记录数据中各知识点的掌握程度;
根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果;
所述测试包括章节测试和自我测试,所述学习过程数据还包括所述学生在当前课程的各学习阶段的阶段测试成绩,所述根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果,包括:
根据所述章节测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的章节测试数除以章节测试总数的百分比得到章节测试完成率,计算任一所述学生在完成的章节测试中答对的试题数除以试题总数的百分比得到章节测试平均正答率,计算任一所述学生对章节测试中考察的所有知识点的平均掌握程度得到章节测试知识点平均掌握程度,组合得到所有学生的学习效率特征评价结果,所述学习效率特征评价结果中,任一所述学生对应一个学习效率特征评价值;根据所述自我测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的自我测试的总数得到自我测试总次数,计算任一所述学生在完成的自我测试中答对的试题数除以试题总数的百分比得到自我测试正答率,计算任一所述学生对自我测试中考察的所有知识点的平均掌握程度得到自我测试知识点平均掌握程度,组合得到所有学生的学习自主性特征评价结果,所述学习自主性特征评价结果中,任一所述学生对应一个学习自主性特征评价值;根据所述答题记录数据获取任一所述学生的答题时长矩阵和知识状态矩阵,将所述答题时长矩阵和知识状态矩阵经过卷积神经网络和长短期记忆网络组成的特征提取器处理后,得到任一所述学生的内在学习状态特征评价值,组合得到所有学生的内在学习状态特征评价结果,其中,学生的所述答题时长矩阵中的任一项表示学生作答第次章节测试的第道试题所耗费的时间,学生的所述知识状态矩阵中的任一项表示学生对第次章节测试涉及的知识点的掌握程度;根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现,组合得到所有学生的历史学习表现特征评价结果,所述历史学习表现特征评价结果中,任一所述学生对应一个历史学习表现特征评价值,其中,所述前序学习表现和所述总体学习表现的取值为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级;融合所述学习效率特征评价结果、学习自主性特征评价结果、内在学习状态特征评价结果和历史学习表现特征评价结果,得到各学生的学习过程特征评价结果;
根据所述学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合,具体包括:将所述学习过程特征评价结果输入梯度提升决策树分类器,通过所述梯度提升决策树分类器对各所述学生的学习表现进行分类,梯度提升决策树分类器返回各所述学生在下一学习阶段的当前学习表现预测结果,所述当前学习表现预测结果表示为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级,所述等级A、B、C、D、F分别表示优、良、中、及格、不及格;获取各学生的历史学习表现特征评价结果,得到各学生对应的学习表现集合,所述学习表现集合包括当前学习表现预测结果和历史学习表现特征评价结果;
基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度;
将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。
2.如权利要求1所述的基于多特征建模和多层次评价的学习预警方法,其特征在于,所述基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,包括:针对任一学生,
根据预存的当前课程的试题与知识点关联信息,构建试题知识点关联矩阵;
基于所述试题知识点关联矩阵和学生的所述答题记录数据构建学生的第一答题序列,所述第一答题序列包括学生编号、测试编号、试题编号、知识点编号及答题正误结果;
将存在缺失值或异常值的所述第一答题序列删除,将包含多个知识点的所述第一答题序列转化为多条只包含单个知识点的第二答题序列;
使用独热编码将只包含单个知识点的所述第一答题序列和所述第二答题序列转换为固定长度的0-1编码形式的向量,并输入到长短期记忆网络中,输出所述学生的知识点掌握程度信息;
将所述学生对各知识点的知识点掌握程度信息组合形成所述学生的知识点掌握程度矩阵。
3.如权利要求2所述的基于多特征建模和多层次评价的学习预警方法,其特征在于,所述根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现,包括:针对任一学生,
根据预设的分数区间与排名区间划分规则,确定所述学生最近一次的所述阶段测试成绩所处的分数区间和排名区间,根据预设的第一权重系数和所述分数区间、所述排名区间计算所述学生的前序学习表现;
确定所述学生当前所处的学习阶段,如果所述学生所处的当前学习阶段为当前课程的第一学习阶段,则根据预设的分数区间与排名区间划分规则计算所有所述考核成绩数据的平均值所处的分数区间和排名区间,根据预设的第二权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现,如果所述学生所处的当前学习阶段为当前课程第一学习阶段之后的任一学习阶段,则根据预设的分数区间与排名区间划分规则计算所述学生完成的所有所述阶段测试成绩的平均值所处的分数区间和排名区间,根据预设的第三权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现。
4.如权利要求2所述的基于多特征建模和多层次评价的学习预警方法,其特征在于,所述基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度,包括;针对任一学生,
获取所述学生的所述当前学习表现预测结果、所述前序学习表现和所述总体学习表现;
计算所述当前学习表现预测结果减去所述前序学习表现的差值得到学生的学习表现跨度;
根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度。
5.如权利要求4所述的基于多特征建模和多层次评价的学习预警方法,其特征在于,所述根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度,包括:
如果所述当前学习表现预测结果为A或B且所述学习表现跨度小于0,则确定预警程度为最佳状态;
如果所述当前学习表现预测结果为A或B且所述学习表现跨度等于0,则确定预警程度为正常状态;
如果所述当前学习表现预测结果为B且所述学习表现跨度等于1,则确定预警程度为轻度预警;
如果所述当前学习表现预测结果为C或D,则结合所述总体学习表现和所述学习表现跨度进行预警分析;
所述当前学习表现预测结果为F时,如果所述总体学习表现的等级为F,则确定预警程度为中度预警;否则确定预警程度为重度预警。
6.如权利要求5所述的基于多特征建模和多层次评价的学习预警方法,其特征在于,所述结合所述总体学习表现和所述学习表现跨度进行预警分析,包括:
如果所述总体学习表现为A/B且所述学习表现跨度大于等于1,则确定预警程度为中度预警;
如果所述总体学习表现为A/B且所述学习表现跨度等于0,则确定预警程度为轻度预警;
如果所述总体学习表现的等级为A/B且所述学习表现跨度小于0,则确定预警程度为正常状态;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度大于等于2,则确定预警程度为中度预警;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于1,则确定预警程度为轻度预警;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于0,则确定预警程度为正常状态;
如果所述总体学习表现的等级为C/D/F且所述学习表现跨度小于0,则确定预警程度为最佳状态。
7.一种基于多特征建模和多层次评价的学习预警装置,其特征在于,包括:
数据获取模块,用于获取各学生的当前课程的学习过程数据和历史表现数据,所述学习过程数据至少包括学生在当前课程各学习阶段中每次测试对应的答题记录数据,所述历史表现数据包括与学生的当前课程关联的相关课程的考核成绩数据;
知识状态诊断模块,用于基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断,得到各所述学生的知识点掌握程度矩阵,组成所有学生的知识点掌握程度集合,所述知识点掌握程度矩阵表征所述学生对所述答题记录数据中各知识点的掌握程度;
学习过程特征分析模块,用于根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果;所述测试包括章节测试和自我测试,所述学习过程数据还包括所述学生在当前课程的各学习阶段的阶段测试成绩,所述根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析,获取各学生的学习过程特征评价结果,包括:根据所述章节测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的章节测试数除以章节测试总数的百分比得到章节测试完成率,计算任一所述学生在完成的章节测试中答对的试题数除以试题总数的百分比得到章节测试平均正答率,计算任一所述学生对章节测试中考察的所有知识点的平均掌握程度得到章节测试知识点平均掌握程度,组合得到所有学生的学习效率特征评价结果,所述学习效率特征评价结果中,任一所述学生对应一个学习效率特征评价值;根据所述自我测试的答题记录数据和对应的所述知识点掌握程度矩阵,计算任一所述学生完成的自我测试的总数得到自我测试总次数,计算任一所述学生在完成的自我测试中答对的试题数除以试题总数的百分比得到自我测试正答率,计算任一所述学生对自我测试中考察的所有知识点的平均掌握程度得到自我测试知识点平均掌握程度,组合得到所有学生的学习自主性特征评价结果,所述学习自主性特征评价结果中,任一所述学生对应一个学习自主性特征评价值;根据所述答题记录数据获取任一所述学生的答题时长矩阵和知识状态矩阵,将所述答题时长矩阵和知识状态矩阵经过卷积神经网络和长短期记忆网络组成的特征提取器处理后,得到任一所述学生的内在学习状态特征评价值,组合得到所有学生的内在学习状态特征评价结果,其中,学生的所述答题时长矩阵中的任一项表示学生作答第次章节测试的第道试题所耗费的时间,学生的所述知识状态矩阵中的任一项表示学生对第次章节测试涉及的知识点的掌握程度;根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现,组合得到所有学生的历史学习表现特征评价结果,所述历史学习表现特征评价结果中,任一所述学生对应一个历史学习表现特征评价值,其中,所述前序学习表现和所述总体学习表现的取值为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级;融合所述学习效率特征评价结果、学习自主性特征评价结果、内在学习状态特征评价结果和历史学习表现特征评价结果,得到各学生的学习过程特征评价结果;
学习表现预测模块,用于根据所述学习过程特征评价结果进行学习表现预测,获取各学生的学习表现集合,具体包括:将所述学习过程特征评价结果输入梯度提升决策树分类器,通过所述梯度提升决策树分类器对各所述学生的学习表现进行分类,梯度提升决策树分类器返回各所述学生在下一学习阶段的当前学习表现预测结果,所述当前学习表现预测结果表示为1~5之间的整数,整数1、2、3、4、5分别代表A、B、C、D、F五个等级,所述等级A、B、C、D、F分别表示优、良、中、及格、不及格;获取各学生的历史学习表现特征评价结果,得到各学生对应的学习表现集合,所述学习表现集合包括当前学习表现预测结果和历史学习表现特征评价结果;
学习预警分析模块,用于基于所述学习表现集合进行学习预警分析,获取各学生的学习预警程度;
学习预警反馈模块,用于将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述的基于多特征建模和多层次评价的学习预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569374.4A CN116308935B (zh) | 2023-05-19 | 2023-05-19 | 基于多特征建模和多层次评价的学习预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310569374.4A CN116308935B (zh) | 2023-05-19 | 2023-05-19 | 基于多特征建模和多层次评价的学习预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308935A CN116308935A (zh) | 2023-06-23 |
CN116308935B true CN116308935B (zh) | 2023-08-08 |
Family
ID=86803579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310569374.4A Active CN116308935B (zh) | 2023-05-19 | 2023-05-19 | 基于多特征建模和多层次评价的学习预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308935B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777696B (zh) * | 2023-06-30 | 2024-04-30 | 黑龙江大学 | 法律知识自动化学习系统及方法 |
CN117390522B (zh) * | 2023-12-12 | 2024-03-29 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
CN117591944B (zh) * | 2024-01-19 | 2024-03-19 | 广东工业大学 | 一种针对于大数据分析的学习预警方法及系统 |
CN117670146B (zh) * | 2024-02-01 | 2024-04-30 | 青岛培诺教育科技股份有限公司 | 一种学习过程测评方法、装置、电子设备及介质 |
CN118378965A (zh) * | 2024-06-27 | 2024-07-23 | 成都博睿数加科技有限公司 | 一种基于边缘计算的数据协同处理分发系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851723A (zh) * | 2019-11-14 | 2020-02-28 | 上海钦文信息科技有限公司 | 一种基于大规模知识点标注结果的英语习题推荐方法 |
CN112527821A (zh) * | 2020-12-09 | 2021-03-19 | 大连东软教育科技集团有限公司 | 一种学生布鲁姆掌握度评估方法、系统及存储介质 |
CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
CN113724110A (zh) * | 2021-08-27 | 2021-11-30 | 中国海洋大学 | 一种可解释的深度知识追踪方法、系统及其应用 |
CN115455186A (zh) * | 2022-09-16 | 2022-12-09 | 北京师范大学 | 一种基于多模型的学情分析方法 |
CN116089710A (zh) * | 2022-12-23 | 2023-05-09 | 南京数问科技有限公司 | 自适应深度知识追踪个性化学习推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150010893A1 (en) * | 2013-07-08 | 2015-01-08 | Apollo Education Group, Inc. | Learning curve disaggregation by student mastery |
US10943497B2 (en) * | 2018-04-27 | 2021-03-09 | Adobe Inc. | Personalized e-learning using a deep-learning-based knowledge tracing and hint-taking propensity model |
-
2023
- 2023-05-19 CN CN202310569374.4A patent/CN116308935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851723A (zh) * | 2019-11-14 | 2020-02-28 | 上海钦文信息科技有限公司 | 一种基于大规模知识点标注结果的英语习题推荐方法 |
CN112527821A (zh) * | 2020-12-09 | 2021-03-19 | 大连东软教育科技集团有限公司 | 一种学生布鲁姆掌握度评估方法、系统及存储介质 |
CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
CN113724110A (zh) * | 2021-08-27 | 2021-11-30 | 中国海洋大学 | 一种可解释的深度知识追踪方法、系统及其应用 |
CN115455186A (zh) * | 2022-09-16 | 2022-12-09 | 北京师范大学 | 一种基于多模型的学情分析方法 |
CN116089710A (zh) * | 2022-12-23 | 2023-05-09 | 南京数问科技有限公司 | 自适应深度知识追踪个性化学习推荐方法 |
Non-Patent Citations (1)
Title |
---|
魏雨昂.面向学习分析的贝叶斯网络学生能力智能评价方法研究.《中国优秀硕士论文 社会科学Ⅱ辑》.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116308935A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116308935B (zh) | 基于多特征建模和多层次评价的学习预警方法及装置 | |
Nagy et al. | Predicting dropout in higher education based on secondary school performance | |
Shen et al. | Assessing student's dynamic knowledge state by exploring the question difficulty effect | |
CN109935337B (zh) | 一种基于相似性度量的病案查找方法及系统 | |
Kuzilek et al. | Student success prediction using student exam behaviour | |
Intisar et al. | Classification of online judge programmers based on rule extraction from self organizing feature map | |
CN111126552A (zh) | 一种智能学习内容推送方法及系统 | |
CN112069329A (zh) | 文本语料的处理方法、装置、设备及存储介质 | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
Zhang et al. | An interpretable online learner's performance prediction model based on learning analytics | |
Lu et al. | Student performance prediction model based on discriminative feature selection | |
CN116306863A (zh) | 基于对比学习的协同知识追踪建模方法及系统 | |
CN108932593B (zh) | 一种认知影响因素分析方法及装置 | |
Viswanathan | Study of students’ performance prediction models using machine learning | |
Kaensar et al. | Analysis and Prediction of Student Performance Based on Moodle Log Data using Machine Learning Techniques. | |
Miranda et al. | Understanding Arteriosclerotic Heart Disease Patients Using Electronic Health Records: A Machine Learning and Shapley Additive exPlanations Approach | |
CN114298299A (zh) | 基于课程学习的模型训练方法、装置、设备及存储介质 | |
Gambo et al. | Performance comparison of convolutional and multiclass neural network for learning style detection from facial images | |
Manek et al. | Educational data mining-a case study | |
CN115392769A (zh) | 一种评价模型训练方法、绩效评价方法及装置 | |
Emirtekin et al. | ONLINE COURSE SUCCESS PREDICTION OF STUDENTS WITH MACHINE LEARNING METHODS. | |
CN115392953A (zh) | 舆情风险预警方法、装置、计算机设备和存储介质 | |
Zhang et al. | Using Problem Similarity-and Order-based Weighting to Model Learner Performance in Introductory Computer Science Problems | |
Zhang et al. | Multiple classification models based student's phobia prediction study | |
Hidayat et al. | Sensitivity Analysis of Decision Support Systems for Selection of Achievement Students Using the TOPSIS Method |
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 |