CN116701774A - 基于学生行为分析的教学方案推荐方法及装置 - Google Patents

基于学生行为分析的教学方案推荐方法及装置 Download PDF

Info

Publication number
CN116701774A
CN116701774A CN202310976293.6A CN202310976293A CN116701774A CN 116701774 A CN116701774 A CN 116701774A CN 202310976293 A CN202310976293 A CN 202310976293A CN 116701774 A CN116701774 A CN 116701774A
Authority
CN
China
Prior art keywords
teaching
student
students
cognitive
preset
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.)
Granted
Application number
CN202310976293.6A
Other languages
English (en)
Other versions
CN116701774B (zh
Inventor
李岳学
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.)
Nanjing Yixiang Health Technology Co ltd
Original Assignee
Guangdong Yuexue Technology Co ltd
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 Guangdong Yuexue Technology Co ltd filed Critical Guangdong Yuexue Technology Co ltd
Priority to CN202310976293.6A priority Critical patent/CN116701774B/zh
Publication of CN116701774A publication Critical patent/CN116701774A/zh
Application granted granted Critical
Publication of CN116701774B publication Critical patent/CN116701774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General 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)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于学生行为分析的教学方案推荐方法及装置，属于计算机技术领域，该方法包括：获取在采用预设教学课件教学时采集到的学生的行为反馈数据；将行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取学生的认知负荷水平指数；根据预设教学课件中包括的预设情境教学内容的分布情况与认知负荷水平指数，将学生分为不同的认知层级，确定学生人数最多的目标认知层级；对目标认知层级的学生身份信息进行计算，根据推荐结果推荐目标教学方案。实现分层、多元化教学，从而根据学生的认知能力逐步引导学生完成学习任务，通过推荐合适的教学方案，且结合情境教学，能够有效提高认知能力和技能水平，提高学生的学习效果。

Description

基于学生行为分析的教学方案推荐方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于学生行为分析的教学方案推荐方法及装置。
背景技术
课堂教学除了常规性的教学，还有一种是知名教师被邀请以讲座或短期教学的形式参加教育教学活动，在这种场景中，因为无法判别被邀请来参加的学生的水平，因此很难精准的把控备课内容，难以判断学生的认知水平和接受程度，如果给予过多的知识内容，可能导致大部分人不理解，如果给太浅，又会让学生没有收获。在现代教育中，教师不再是单方面的知识传授者，而是应该充分考虑学生的认知负荷水平和兴趣特点，采用不同的教学方案和方法。
发明内容
本发明提供一种基于学生行为分析的教学方案推荐方法及装置，用以解决现有技术中难以根据学生认知水平和接收程度提供教学的缺陷，实现根据学生认知负荷水平推荐不同的教学方案，以提高学生的学习效果。
本发明提供一种基于学生行为分析的教学方案推荐方法，包括：
获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
在一些实施例中，所述行为反馈数据包括所述学生进行N-back记忆训练测试任务和记忆重现测试任务的眼动数据、脑电数据；
所述将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数，包括：
对所述眼动数据进行眼动分析，获取所述学生的注视次数、注视偏向和注视密度信息；
对所述脑电数据进行脑电信号频谱分析和事件相关电位分析，获取所述学生的神经活动模式和反应时间；
对所述脑电数据进行源分析、相干性分析和时间频域分析，获取各脑电波的频率带；
将所述注视次数、所述注视偏向、所述注视密度信息、所述神经活动模式、所述反应时间和所述各脑电波的频率带输入到所述预设认知负荷计算模型进行计算，获取计算结果以得到所述认知负荷水平指数。
在一些实施例中，所述方法还包括：
结合所述N-back记忆训练测试任务和所述记忆重现测试任务的任务复杂度、任务变化、任务目标以及所述学生的在进行任务中的心理需求、身体需求、时间需求、任务需求、努力和绩效，优化所述认知负荷水平指数。
在一些实施例中，所述预设认知负荷计算模型是基于任务负荷指数量表、主观负荷评估技术量表、和情绪自我评定量表所构建的模型。
在一些实施例中，所述利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案，包括：
将所述学生身份信息确定为用户属性，将每个待推荐教学方案的方案信息确定为物品属性；
根据所述用户属性和所述物品属性，基于用户-物品矩阵构建学生-教学方案矩阵；
对所述学生-教学方案矩阵进行特征提取，获取每个认知层级的学生的偏好向量和所述每个待推荐教学方案的属性向量；其中，所述偏好向量表示学生对教学方案的喜好程度，所述属性向量包括教学方案的难度、主题、类别；
根据所述偏好向量计算所述学生之间的第一相似度，以及根据所述属性向量计算所述每个待推荐教学方案的第二相似度；
根据所述偏好向量、所述第一相似度以及第二相似度，生成所述学生的兴趣相似学生和教学方案推荐列表；
根据所述兴趣相似学生和教学方案推荐列表，推荐所述目标认知层级对应的所述目标教学方案。
在一些实施例中，所述方法还包括：
获取在采用所述预设教学课件教学时所述学生的学习状态相关信息，其中，所述学习状态相关信息包括出勤率、课堂参与度、测试完成情况、测试得分情况、学习风格和兴趣爱好；
采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态；
根据所述学习状态，确定是否启动教学预案。
在一些实施例中，所述采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态，包括：
计算所述学习状态相关信息中每个分类属性的信息增益，获取第一最优分类属性；
将所述第一最优分类属性作为决策树的第一个节点，将所述学生在所述第一最优分类属性下分为两个第一最优分类属性子集；
基于所述两个第一最优分类属性子集，算剩余分类属性的信息增益，获取第二最优分类属性，并以所述第二最优分类属性决策树的下一个节点，将所述学生在所述第二最优分类属性下分为两个第二最优分类属性子集，直到所有分类属性都被分类；
根据所述决策树的计算结果确定所述学生的学习状态。
在一些实施例中，所述方法还包括：
响应于确定启动教学预案，根据所述学生的知识结构、专注程度、课堂互动和做题能力，确定所述学生的认知水平；
从所述预设教学课件中找到超出所述学生的认知水平的教学内容；
将所述超出所述学生的认知水平的教学内容替换成对应的教学预案内容。
在一些实施例中，所述方法还包括：
对所述预设教学课件进行文本分析和时间分布分析，获取所述预设情境教学内容在所述预设教学课件中的段落信息和时间信息；
根据所述段落信息和时间信息，发出情境教学提示信息。
本发明还提供一种基于学生行为分析的教学方案推荐装置，包括：
第一获取模块，用于获取在采用预设教学课件教学后进行测试时采集到的学生的第一行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
第二获取模块，用于将所述第一行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
处理模块，用于根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
推荐模块，用于利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
本发明还提供一种电子设备，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如上述任一种所述基于学生行为分析的教学方案推荐方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于学生行为分析的教学方案推荐方法。
本发明提供的一种基于学生行为分析的教学方案推荐方法及装置，在教师对学生采用基于学生的认知能力程度所确定的教学课件教时，采集教学过程中学生的行为反馈数据。通过本发明提供的方法对学生的行为反馈数据进行数据分析，并通过使用认知负荷计算模型，有效地评估出学生的认知负荷水平。结合教学课件中情境教学内容的分布情况，对不同认知负荷水平指数的学生分为不同的认知层级，选择具有代表性的学生人数最多的认知层级，利用预设推荐算法对该认知层级的学生身份信息进行计算，以确定该认知层级的教学方案的难度和方向，从而推荐该认知层级所合适的教学方案，该教学方案能够适合大部分学生，实现分层、多元化教学，从而根据学生的认知能力逐步引导学生完成学习任务，并且结合了情境教学，通过模拟真实情境，能够有效提高认知能力和技能水平，提高学生的学习效果。
附图说明
为了更清楚地说明本发明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是本发明提供的基于学生行为分析的教学方案推荐方法的流程示意图；
图2是本发明提供的基于学生行为分析的教学方案推荐装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，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。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
如图1所示，本发明提供一种基于学生行为分析的教学方案推荐方法，具体包括以下步骤：
步骤110，获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
步骤120，将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
步骤130，根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
步骤140，利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
本发明提供的一种基于学生行为分析的教学方案推荐方法，在教师对学生采用基于学生的认知能力程度所确定的教学课件教学后进行测试，采集测试过程中学生的行为反馈数据。通过本发明提供的方法对学生的行为反馈数据进行数据分析，并通过使用认知负荷计算模型，有效地评估出学生的认知负荷水平。结合教学课件中情境教学内容的分布情况，对不同认知负荷水平指数的学生分为不同的认知层级，选择具有代表性的学生人数最多的认知层级，利用预设推荐算法对该认知层级的学生身份信息进行计算，以确定该认知层级的教学方案的难度和方向，从而推荐该认知层级合适的教学方案，该教学方案能够适合大部分学生，实现分层、多元化教学，从而根据学生的认知能力逐步引导学生完成学习任务，并且结合了情境教学，通过模拟真实情境，能够有效提高认知能力和技能水平，提高学生的学习效果。
在步骤110中，教师采用预设教学课件对学生进行教学，在教学过程中，需要对学生的行为反馈数据进行采集，用以计算学生的认知负荷水平指数。
此外，还可以采集教学过程中学生的表现数据，例如，通过摄像头采集学生的视频数据，可以从视频数据获取到学生的提问、回答问题的速度和准确度、参与活动的积极性，可以判断学生是否理解了所学内容。
预设教学课件可以是教师根据教学大纲编制的课件。教师可以根据学校教学信息和学生学习信息初步确定即将授课的学生的认知能力程度，从而确定教学内容难度，根据教学内容难度对应的教学内容来编制教学课件。
预设教学课件还可以是本发明的基于学生行为分析的教学方案推荐装置所生成的。具体地，该装置可以根据基于学生的认知能力程度制定预设教学课件。
在一些实施例中，该预设教学课件的确定方式包括：
根据学校教学信息和学生学习信息，确定所述学生的认知能力程度；
根据所述学生的认知能力程度，确定教学内容难度；
基于所述教学内容难度确定对应的教学内容以及所述教学内容对应的教学课件；
基于教学大纲，确定所述教学课件中的教学难点；
在所述教学难点加入所述预设情境教学内容，更新后的教学课件确定为所述预设教学课件。
具体地，学校教学信息可以包括学校的历史、师资力量、学科设置、教学质量，课程的难度、知识点覆盖范围、教材使用版本、课程难度。学生学习信息可以包括学生的学习能力、学习习惯、学术背景和学生应变能力情况因素，还包括学习成绩、学习笔记、学习行为日志。结合学校教学信息和学生学习信息初步确定学生的认知能力程度。这个认知能力程度可以认为是学生基本可接受的认知负荷程度。
根据初步的认知能力程度，可以确定面向这些学生的教学内容难度，从而确定对应的教学内容以及教学课件。并且，还结合教学大纲，对教学大纲和初步确定的教学课件进行解析，将超出原始教学大纲的内容作为教学难点，在教学难点加入预设情境教学内容，更新后的教学课件则确定为预设教学课件。
例如，对于一所排名靠前的大学和一门难度较高的专业课程，可以推断该大学的学生认知负荷和对事物的接受程度，会相对于一所普通高中和一门较为简单的通识课程要高。例如，对于一名学习能力较强、有良好学习习惯、学术背景较好的学生来说，他对于一门认知负荷程度比较高的课程可能能够更好地适应，而对于一名学习能力较弱、学术背景较差、不记笔记、学习行为较少、成绩较差的学生来说，他可能需要更低的认知负荷程度才能适应。需要说明的是，这里认知能力程度的高低，只具有比较意义，不代表具体意义。
由此，通过根据学生的基本认知能力程度确定教学内容，并结合了教学大纲找出教学内容中涉及的教学难点，如超出原始教学大纲的内容作为教学难点，加入情境教学内容，以丰富教学课件，以使教师结合情境教学的方式进行课堂教学，降低教学难度，也能提高学生的学习效果。
在一些实施例中，该方法还包括：对所述预设教学课件进行文本分析和时间分布分析，获取所述预设情境教学内容在所述预设教学课件中的段落信息和时间信息；根据所述段落信息和时间信息，发出情境教学提示信息。
具体地，可以根据教学内容进行难度评估和分析，使用算法对每个超过原始教学大纲的知识点的难度级别进行评估，得到存在的难点。对教学课件进行文本匹配，判断存在难点的段落。对教学内容进行时间分布分析，判断可能存在难点的时间段。根据难度评估的结果、文本分析和时间分布分析的结果，作为参数，采用线性回归算法，计算出自动提醒教师需要采用情境教学的知识点、段落和时间段。在实际的教学过程中，通过弹窗、邮件或微信消息等方式提醒教师。教师根据系统提供的情境教学提示，采用情境教学的方式进行课堂教学，降低难度，提高学生的学习效果。
例如，获取课堂教学内容信息，例如通过教师提供的教学大纲和课程要求，系统获取课堂教学内容信息，例如包括“解析复杂句子结构”、“分析文本中的隐喻和比喻”等内容。有些时候课程内容涉及到数学公式和高级概念，系统评估结果显示有30%的知识点难度级别为高级，可能存在难点。
例如，在一篇物理论文中，文本分析发现存在难点所在的段落：“由于电磁波的传播速度始终不变，因此当光线通过介质时，会发生折射现象，其折射角度可以通过折射定律计算得出。”比如，时间分布分析发现，在课程的第二节课中，可能存在难点的时间段是30分钟到50分钟。例如，系统提醒教师在第二节课的30分钟到50分钟这个时间段，在讲解电磁波折射现象时，采用情境教学的方式，通过实验或案例演示来降低难度。
教师采用情境教学的方式，通过实验演示让学生亲身体验折射现象，降低难度，提高学生的学习效果。例如，学生在实验后填写反馈表，表示更加理解电磁波折射现象，或者根据学生的反馈和成绩，评估情境教学的效果良好，可以在后续的教学过程中继续采用情境教学方式。
在步骤110中，行为反馈数据包括学生进行N-back记忆训练测试任务和记忆重现测试任务的眼动数据、脑电数据。具体地，N-back记忆训练测试任务和记忆重现测试任务可以是贯穿于预设教学课件中，例如，一个知识点之后的测试、课中的小结测试。其中，N-back记忆训练测试任务用于测量学生的工作记忆负荷，记忆重现测试任务用于测量学生的长期记忆负荷。
在一些实施例中，对于眼动数据、脑电数据的采集，可以采集该课堂的全体学生的数据，也可以选择该课堂上部分学生进行采集。例如，选择十分之一学生进行测试。
在一些实施例中，步骤120可以具体包括：
对所述眼动数据进行眼动分析，获取所述学生的注视次数、注视偏向和注视密度信息；
对所述脑电数据进行脑电信号频谱分析和事件相关电位分析，获取所述学生的神经活动模式和反应时间；
对所述脑电数据进行源分析、相干性分析和时间频域分析，获取各脑电波的频率带；
将所述注视次数、所述注视偏向、所述注视密度信息、所述神经活动模式、所述反应时间和所述各脑电波的频率带输入到所述预设认知负荷计算模型进行计算，获取计算结果以得到所述认知负荷水平指数。
具体地，可以通过眼动仪采集学生的眼动数据，并通过眼动分析软件进行分析，获取学生的注视次数、注视偏向和注视密度信息。眼动数据可以包括学生的注视点、注视时间和注视路径数据。在一些实施例中，眼动仪可以采用Tobii Pro Lab眼动仪，眼动分析软件可以采用Tobii Pro Lab软件。
脑电数据则可以通过脑电仪进行采集。在一些实施例中，可以采用Neuroscan脑电仪。获取到学生的脑电数据后，对脑电数据进行脑电信号频谱分析和事件相关电位（Event-Related Potentials，ERP）分析，以获取学生的神经活动模式和反应时间。
将眼动分析和脑电分析得到的分析结果，作为预设认知负荷计算模型的输入，计算学生的认知负荷水平指数。
在一些实施例中，预设认知负荷计算模型是基于任务负荷指数量表（NASA-TLX，National Aeronautics and Space Administration- Task Load Index）、主观负荷评估技术量表（SWAT，Subjective Workload Assessment Technique）和情绪自我评定量表（SAM，Self-Assessment-Manikin）所构建的模型。
在N-back记忆训练测试任务中，学生需要判断当前知识点是否与上一个知识点相同。例如，使用眼动仪采集任务过程中学生的眼动数据，发现学生注视了其中一个知识点17次，注视时间总计为15秒，注视路径呈现弧形，表示学生的注意力主要集中在知识点的左上方和右下方。使用眼动分析软件对这些数据进行分析，可以得到学生的注视密度为13注视/秒，注视偏向系数为62（介于-1和1之间，表示注意力偏向左侧或右侧），注视点分布在黑板的左上方和右下方。使用脑电仪采集任务过程中学生的脑电数据，进行脑电信号频谱分析和ERP分析，发现学生在反应正确的情况下，脑电信号的P300成分峰值延迟为400ms，振幅为5μV。在记忆重现任务同理采集眼动数据和脑电数据进行分析，得到相应的分析结果。
此外，还对脑电数据，进行源分析、相干性分析和时间频域分析，发现学生在学习过程中，脑电信号的α波频率带（8-12Hz）和θ波频率带（4-7Hz）活动增强，表明学生在学习过程中处于放松状态。在重现过程中，脑电信号的β波频率带（13-30Hz）和γ波频率带（30-100Hz）活动增强，表明学生在重现过程中处于紧张状态。这些数据都将作为下一步计算认知负荷水平指数的输入。
在使用基于NASA-TLX、SWAT和SAM的认知负荷计算模型时，评估学生在N-back任务和记忆重现任务中的认知负荷水平。例如使用NASA-TLX算法来计算教学内容的认知负荷，并使用Cronbach'salpha（克罗恩巴赫α系数）进行可靠性评估。例如，根据SMOG算法计算得出教学内容的难度为12级，复杂度为8级，学生在CAT测试中得分为120，根据QUIS评估得出教学材料适宜程度为70分，根据NASA-TLX算法计算得出教学内容的认知负荷为60，Cronbach'salpha系数为85。
在一些实施例中，步骤120还包括：
结合所述N-back记忆训练测试任务和所述记忆重现测试任务的任务复杂度、任务变化、任务目标以及所述学生的在进行任务中的心理需求、身体需求、时间需求、任务需求、努力和绩效，优化所述认知负荷水平指数。
例如，在N-back任务中，我们根据任务复杂度、任务变化等因素，将学生的认知负荷水平评分为7（介于0和100之间）。
在记忆重现任务中，我们根据任务复杂度、时间需求等因素，将学生的认知负荷水平评分为5（介于0和100之间）。
同时，结合上述眼动数据和脑电数据的分析结果，发现学生在N-back任务中的注视次数和脑电信号的P300成分峰值延迟与振幅等指标与任务难度呈正相关；在记忆重现任务中，学生在重现过程中的注视密度和脑电信号的β波频率带和γ波频率带活动与任务难度呈正相关。
在步骤130中，结合了预设教学课件中的预设情境教学内容的分布情况，对获取的学生的认知负荷水平指数进行分级，从而将学生分为不同的认知层级。可以理解的是，需要情境教学的内容和学生越多，表明认知层级越初级的越多。
在一些实施例中，还可以通过课堂表现、互动、测验方式，收集学生的表现数据，进行数据分析和分类，得到更加精确的不同认知层级的学生分布。
从得到的认知层级的学生分布中，可以确定TOP-N认知层级。根据人数统计学生的认知层级分布，选出人数最多的前N个认知层级作为重点关注的认知层级。针对不同认知层级的学生，通过预设推荐算法进行自动推荐，采用不同的教学方案。
在步骤140中，利用预设推荐算法对目标认知层级的学生身份信息进行计算，获取推荐结果，根据推荐结果推荐目标教学方案。具体地，目标教学方案可以包括教学策略、教学资源、测试题目。
在一些实施例中，步骤140可以具体包括：
将所述学生身份信息确定为用户属性，将每个待推荐教学方案的方案信息确定为物品属性；
根据所述用户属性和所述物品属性，基于用户-物品矩阵构建学生-教学方案矩阵；
对所述学生-教学方案矩阵进行特征提取，获取每个认知层级的学生的偏好向量和所述每个待推荐教学方案的属性向量；其中，所述偏好向量表示学生对教学方案的喜好程度，所述属性向量包括教学方案的难度、主题、类别；
根据所述偏好向量计算所述学生之间的第一相似度，以及根据所述属性向量计算所述每个待推荐教学方案的第二相似度；
根据所述偏好向量、所述第一相似度以及第二相似度，生成所述学生的兴趣相似学生和教学方案推荐列表；
根据所述兴趣相似学生和教学方案推荐列表，推荐所述目标认知层级对应的目标教学方案。
具体地，将学生-教学方案矩阵转换为用户-物品矩阵，其中用户表示学生，物品表示教学方案。
教学方案可以包括教学策略、教学资源、测试题目。分别对教学策略、教学资源、测试题目，构建学生-教学策略矩阵、学生-教学资源矩阵、学生-测试题目矩阵。
具体地，将数据转换为适合算法处理的形式，将学生-教学策略矩阵转换为用户-物品矩阵，其中用户表示学生，物品表示认知层级。确定TOP-N认知层级根据人数统计学生的认知层级分布，选出人数最多的前N个认知层级作为重点关注的认知层级。针对重点关注的认知层级的学生，系统自动推荐，采用不同的教学策略和教学资源。例如，对于记忆和理解能力较差的学生，推荐使用图表、动画辅助教学资源，加强知识的可视化和直观性。
将学生-教学资源矩阵转换为用户-物品矩阵，其中用户表示学生，物品表示教学资源。自动推荐不同难度的测试题目，检测学生的知识掌握情况和认知层级。
根据测试题目的属性，获取难度、类型和知识点覆盖面信息，构建学生-测试题目矩阵，作为特征，为学生提供个性化的测试题目。
对学生-教学方案矩阵进行特征提取，获取目标认知层级的学生的偏好向量和每个待推荐教学方案的属性向量；其中，偏好向量表示学生对教学方案的喜好程度，属性向量包括教学方案的难度、主题、类别。
有了上面定义好的矩阵特征后，进行相似度计算：根据用户和物品的特征，计算它们之间的相似度。
具体地，可以采用余弦相似度、皮尔逊相似度、欧几里德距离方法。根据用户的历史行为和计算出的相似度，对候选物品进行排序，选出排名靠前的物品进行推荐。所述的物品，可以选择上面的教学策略、教学资源、测试题目的内容。
根据偏好向量计算每个学生之间的第一相似度，以及根据属性向量计算每个待推荐教学方案的第二相似度；根据偏好向量、第一相似度以及第二相似度，生成每个学生的兴趣相似学生和教学方案推荐列表；以根据推荐列表推荐目标教学方案。
具体地，可采用基于邻域的算法（如基于用户、基于物品、基于模型）或深度学习算法（如神经网络、自编码器）等方法生成推荐列表。
在一些实施例中，可以对推荐结果进行评估和优化，可以使用A/B测试、离线评估方法，不断优化算法的精度和效率。例如，针对分析和评价能力强的学生，推荐采用设计小组讨论和辩论的课堂活动，提高他们的思辨和表达能力。推荐利用小组合作和互动教学，激发学生的创造力和评价能力，培养学生的合作精神和团队合作能力。
以一个具体的实施例为例，假设有一门情景教学课程，共有100名学生参加。通过课堂表现、互动、测验方式收集数据并进行分类，得到以下结果：20名学生属于认知层级较低的初级阶段，50名学生属于认知层级中等的中级阶段，30名学生属于认知层级较高的高级阶段。
根据以上数据，可以判断出人数最多的TOP-N个认知层级的学生，比如是中级阶段的50名学生。
针对这50名学生进行推荐，以学生-教学资源矩阵的构建过程为例，具体包括：
先进行数据预处理：根据学生的身份信息，如姓名、学号等，获取用户属性；根据教学资源的相关信息，如名称、类别、主题、难度等，获取物品属性。将学生-教学资源矩阵转换为稀疏矩阵，并通过填充缺失值、处理异常值等方法进行预处理。从用户-物品矩阵中提取特征，获取学生的偏好和教学资源的属性信息。通过矩阵分解等方法，获取学生和教学资源的隐含特征向量。对于每个学生，提取其对不同类型教学资源的偏好向量，对于每个教学资源，可以提取其难度、主题、类别等属性向量。
通过计算不同学生或教学资源之间的相似度，获取学生或教学资源之间的相似度。通过计算学生之间的相似度，可为每个学生推荐与其兴趣相似的其他学生。通过计算教学资源之间的相似度，可为学生推荐与其喜好相似的其他教学资源。根据相似度计算结果，为学生生成推荐列表。
例如，针对记忆和理解能力较差的学生，推荐使用图表、动画辅助教学资源，加强知识的可视化和直观性。对于每个学生，可以根据其偏好向量和相似度计算结果，为其推荐与其兴趣相似的其他学生或教学资源。
最后，评估所生成的推荐结果的准确性和有效性。可以通过离线评估和在线评估两种方法进行评估。离线评估可以通过交叉验证等方法进行，评估所生成的推荐结果的准确性。在线评估可以通过使用A/B测试等方法进行，评估所生成的推荐结果的有效性。根据评估结果，调整推荐算法，提高推荐效果。
通过上述实施例，可以实现基于用户-物品矩阵的教学资源推荐系统。该系统可以根据学生的偏好和教学资源的属性信息，为学生推荐与其兴趣相似的其他学生或教学资源。
例如，根据学生的姓名、学号等，获取用户属性，如学生A的姓名为张三，学号为123456，性别为男；根据教学资源的名称、类别、主题、难度等信息，获取物品属性，如一份名为《线性代数》的教材，类别为数学，主题为线性代数，难度为中等。
将学生-教学资源矩阵转换为稀疏矩阵，并通过填充缺失值、处理异常值等方法进行预处理。
特征提取：例如，从学生-教学资源矩阵中提取特征，获取学生的偏好和教学资源的属性信息，如学生A对数学类教学资源的偏好向量为[8,2,0,0,5]，表示其对数学类教学资源的喜好程度；教学资源《线性代数》的属性向量为[3,5,7,6]，表示其难度、主题、类别等属性。
相似度计算：例如，通过计算学生或教学资源之间的相似度，获取学生或教学资源之间的相似性，如学生A和学生B之间的相似度为6，表示两者在学习兴趣上有一定的相似性；教学资源《线性代数》和教学资源《高等数学》之间的相似度为4，表示两者之间有一定的共性。推荐生成：例如，根据相似度计算结果，为学生生成推荐列表，如为学生A推荐学生C和学生D，因为他们的学习兴趣与学生A相似；为学生A推荐教学资源《高等数学》，因为其与其喜欢的教学资源《线性代数》有一定的共性。
推荐评估：例如，通过离线评估和在线评估两种方法进行评估，如通过交叉验证等方法评估生成的推荐结果的准确性，如准确率为85%；通过A/B测试等方法评估生成的推荐结果的有效性，如推荐结果的点击率为15%。根据评估结果，调整推荐算法，提高推荐效果。
以此类推，可以对其他相干特征的矩阵推荐更多的内容。例如，针对记忆和理解能力较差的学生，可以推荐使用图表、动画辅助教学资源，加强知识的可视化和直观性。
针对不同认知层级的学生，系统可以自动推荐不同的教学策略和教学资源。例如，对于初级阶段的学生，可以推荐使用图表、动画等辅助教学资源；对于高级阶段的学生，可以推荐采用设计小组讨论、辩论等课堂活动。
系统还自动推荐不同难度的测试题目，检测学生的知识掌握情况和认知层级。比如，针对中级阶段的学生，可以推荐一些中等难度的测试题目。
最后，根据教学方案的难度和方向，系统可以不断调整和改进教学策略和教学资源，以提高学生的学习效果和满足不同认知层级的学生的需求。
例如，通过认知评估测试，我们得出高、中、低三个认知层级的学生人数分别为30人、50人和20人。根据人数最多的三个认知层级的学生，我们可以确定中层级的学生数量最多。
针对中层级的学生，我们可以采用多媒体教学的方法，让学生更容易理解和掌握知识点。例如，制作一些短视频或动画，展示一些实例，以帮助学生更深入地理解知识点。
对于认知能力较高的学生，例如，加入更多的思考和探究性质的教学内容，以提高学生的思维能力。例如，在数学课上，给学生一些挑战性的数学问题，让他们自主探究和解决问题，以提高他们的思考能力和创造力。
针对学科特点，例如，在语文课上，我们可以采用小组合作学习的方法，让学生之间互相交流和分享，以提高他们的语言表达能力和阅读能力。
对于不同学习目标和学习风格的学生，例如，采用个性化教育的方法，根据学生的特点和需求，采用不同的教学方式和策略，以提高学生的学习效果。例如，在英语课上，我们可以让学生自主选择他们感兴趣的主题，然后通过听、说、读、写等多种方式学习相关的词汇和语法知识，以提高他们的学习兴趣和学习效果。通过多元化教学，对学生推荐相应的教学方案，以提高学生的学习效果。针对不同认知层级的学生，采用不同难度和方向的教学内容，以满足不同认知层级学生的学习需求和能力差异。
在一些实施例中，该方法还包括：
获取在采用所述预设教学课件教学时所述学生的学习状态相关信息，其中，所述学习状态相关信息包括出勤率、课堂参与度、测试完成情况、测试得分情况、学习风格和兴趣爱好；
采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态；
根据所述学习状态，确定是否启动教学预案。
在教学中，教学预案也是一项重要的备课工作，包括预先准备的教学内容和备选方案，可以在教学过程中及时进行调整和替换，提高教学效果。避免只有一种教学内容，导致课堂教学讲座超出学生认知负荷，完全听不懂的情况发生。
在本实施例中，可以根据教学过程中学生的学习状态相关信息，采用决策树算法进行计算，得到学生的学习状态，以确定是否启动教学方案。学习状态具体包括是否专注、是否分析。
在一些实施例中，所述采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态，包括：
计算所述学习状态相关信息中每个分类属性的信息增益，获取第一最优分类属性；
将所述第一最优分类属性作为决策树的第一个节点，将所述学生在所述第一最优分类属性下分为两个第一最优分类属性子集；
基于所述两个第一最优分类属性子集，算剩余分类属性的信息增益，获取第二最优分类属性，并以所述第二最优分类属性决策树的下一个节点，将所述学生在所述第二最优分类属性下分为两个第二最优分类属性子集，直到所有分类属性都被分类；
根据所述决策树的计算结果确定所述学生的学习状态。
具体地，获取学生的出勤率、课堂参与度、测试完成情况、得分情况、学习风格和兴趣爱好等学习状态相关信息，这些信息可以通过在课堂上、学生用手机操作与交互获得。接着，可以根据分类标准，即根据哪些属性进行分类，计算信息增益，找到最优的属性作为树的第一个节点。对于每个子节点，重复该步骤，直到所有属性都被用于分类。然后，根据决策树的分类规则，对学生的学习状态进行判断和分类，可以包括正常、需要关注、需要启动教学预案，通过这种方式，得到学生的学习状态。
例如，根据学生的出勤率、课堂参与度、测试完成情况和得分、学习风格和兴趣爱好等属性信息，计算信息增益，得出最优的属性为“测试完成情况和得分”。根据这个属性，将学生分为两个子集，一个是测试完成情况和得分良好的学生，另一个是测试完成情况和得分不佳的学生。对于每个子集，重复该步骤，直到所有属性都被用于分类。最终，可以得到学生的学习状态，例如学习良好、需要加强、需要启动教学预案等。
在一些实施例中，还可以通过摄像头获取学生的视频数据，结合视频数据判断学生的学习状态。
在一些实施例中，该方法还包括：
响应于确定启动教学预案，根据所述学生的知识结构、专注程度、课堂互动和做题能力，确定所述学生的认知水平；
从所述预设教学课件中找到超出所述学生的认知水平的教学内容；
将所述超出所述学生的认知水平的教学内容替换成对应的教学预案内容。
具体地，当确定需要启动教学预案，获取学生知识结构、专注程度、课堂互动和做题能力等，判断学生的认知水平。对原教学课件进行解析，判断其中是否包含超出学生认知水平的教学内容；如果是，则将该部分内容对应替换成对应的预设教学预案内容，以使教师根据教学预案内容进行教学。可见，可以实时地对教学课件进行调整，以提高课堂教学效果。
可以理解的是，系统根据教学内容可以预先设置不同的教学预案内容。根据反馈的超出学生认知水平的教学内容，找到对应的教学预案内容进行调整、替换。
在一些实施例中，该方法还包括：对预设教学预案内容进行评估，根据评估结果确定预设教学预案内容是否达到教学目标，以及调整预设教学预案内容。
例如，教学目标包括：了解太阳系中行星和卫星的形成和运动轨迹（知识目标），掌握自由落体运动规律（能力目标），培养学生对科学的兴趣和探究精神（情感目标），以及认识科学的重要性和价值（价值目标）。通过学生的课堂互动次数统计，发现学生的互动次数仅为平均值的一半，说明他们可能对课堂内容不够感兴趣或者存在认知负荷超过其能接受范围。通过分析错题率和知识点掌握情况，发现很多同学在某些基础知识点上存在薄弱。于是，启动了针对这些知识点的教学预案内容，经过讲解新的教学预案内容，重新统计该学生的课堂互动次数，发现已经恢复到了平均水平。又例如，在教授某一章节的时候，通过分析学生的考试成绩和做题表现，发现他们对其中某些概念掌握不够深入。于是，在原有的教学内容中，增加了一些案例分析和实例演示，帮助学生更加深入地理解这些概念。经过一段时间的教学实践后，重新进行考试和做题测评，发现学生的掌握程度有了明显提升例如，通过课前调查和课堂提问，了解学生对太阳系和自由落体等概念的理解程度，判断他们的认知水平虽然提高，但是是否跟原始的教学目标有冲突。再针对学生反馈和评估结果，调整教学预案中的实验内容、讲解重点等，以便更好地达到教学目标。
在一些实施例中，还可以根据学习状态制定教学预案。例如，对于作业完成情况和成绩不佳的学生，可以增加作业辅导和复习课程的数量和频率，以帮助他们提高作业完成情况和成绩如果一个学生在数学方面表现突出，系统会推荐更高难度的数学题目，例如，这些数学题目的难度系数为5。如果学生的学习状态不佳，系统会自动启动教学预案，例如，系统选择更简单的教学内容，例如，将数学题目的难度系数调整为0。
通过摄像头获取学生的学习状态，例如，如果学生在学习时分心了，系统判断出学生的学习状态不佳，并自动调整教学内容，向教师推荐应该讲解的内容。例如，系统会选择更有趣的教学活动，推荐给老师进行讲解，例如，给学生看一段小视频，以吸引他们的注意力。系统根据学生的学习情况和表现自动调整教学内容，例如，根据学生的成绩分析，如果学生在某一方面表现欠佳，系统会自动选择相关的教学内容，例如，如果学生在英语听力方面表现不佳，系统会自动选择英语听力练习题目，并根据学生的表现情况进行调整，例如，将题目难度系数适当调低。通过这些操作，可以帮助学生更好地理解和掌握知识，提高学习效果和成绩。
最后，根据学生的学习状态，制定相应的教学预案，包括课堂教学方式、课后辅导和学习计划等，以提高学生的学习效果。通过评估学生的学习状态和表现，判断当前的学习效果，并调整教学内容。如果系统判断当前的教学效果不佳，它会自动启动教学预案，并选择最适合的教学内容，以便提高学生的学习效果和成绩。系统的核心算法是启动教学预案的算法，该算法能够根据学生的学习状态和效果，自动判断是否需要启动教学预案，并选择最适合的教学内容。通过这种方式，系统可以根据学生的学习情况和表现，自动调整教学内容，以便更好地满足学生的学习需求。
下面对本发明提供的基于学生行为分析的教学方案推荐装置进行描述，下文描述的基于学生行为分析的教学方案推荐装置与上文描述的基于学生行为分析的教学方案推荐方法可相互对应参照。
如图2所示，本发明还提供一种基于学生行为分析的教学方案推荐装置，包括：
第一获取模块210，用于获取在采用预设教学课件教学后进行测试时采集到的学生的第一行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
第二获取模块220，用于将所述第一行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
处理模块230，用于根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
推荐模块240，用于利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（processor）310、通信接口（Communications Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器830通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于学生行为分析的教学方案推荐方法，该方法包括：获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供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，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于学生行为分析的教学方案推荐方法，该方法包括：获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于学生行为分析的教学方案推荐方法，该方法包括：获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
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)

1.一种基于学生行为分析的教学方案推荐方法，其特征在于，包括：
获取在采用预设教学课件教学时采集到的学生的行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
2.根据权利要求1所述的基于学生行为分析的教学方案推荐方法，其特征在于，所述行为反馈数据包括所述学生进行N-back记忆训练测试任务和记忆重现测试任务的眼动数据、脑电数据；
所述将所述行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数，包括：
对所述眼动数据进行眼动分析，获取所述学生的注视次数、注视偏向和注视密度信息；
对所述脑电数据进行脑电信号频谱分析和事件相关电位分析，获取所述学生的神经活动模式和反应时间；
对所述脑电数据进行源分析、相干性分析和时间频域分析，获取各脑电波的频率带；
将所述注视次数、所述注视偏向、所述注视密度信息、所述神经活动模式、所述反应时间和所述各脑电波的频率带输入到所述预设认知负荷计算模型进行计算，获取计算结果以得到所述认知负荷水平指数。
3.根据权利要求2所述的基于学生行为分析的教学方案推荐方法，其特征在于，还包括：
结合所述N-back记忆训练测试任务和所述记忆重现测试任务的任务复杂度、任务变化、任务目标以及所述学生的在进行任务中的心理需求、身体需求、时间需求、任务需求、努力和绩效，优化所述认知负荷水平指数。
4.根据权利要求2所述的基于学生行为分析的教学方案推荐方法，其特征在于，所述预设认知负荷计算模型是基于任务负荷指数量表、主观负荷评估技术量表和情绪自我评定量表所构建的模型。
5.根据权利要求1所述的基于学生行为分析的教学方案推荐方法，其特征在于，所述利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案，包括：
将所述学生身份信息确定为用户属性，将每个待推荐教学方案的方案信息确定为物品属性；
根据所述用户属性和所述物品属性，基于用户-物品矩阵构建学生-教学方案矩阵；
对所述学生-教学方案矩阵进行特征提取，获取每个认知层级的学生的偏好向量和所述每个待推荐教学方案的属性向量；其中，所述偏好向量表示学生对教学方案的喜好程度，所述属性向量包括教学方案的难度、主题、类别；
根据所述偏好向量计算所述学生之间的第一相似度，以及根据所述属性向量计算所述每个待推荐教学方案的第二相似度；
根据所述偏好向量、所述第一相似度以及第二相似度，生成所述学生的兴趣相似学生和教学方案推荐列表；
根据所述兴趣相似学生和教学方案推荐列表，推荐所述目标认知层级对应的所述目标教学方案。
6.根据权利要求1所述的基于学生行为分析的教学方案推荐方法，其特征在于，还包括：
获取在采用所述预设教学课件教学时所述学生的学习状态相关信息，其中，所述学习状态相关信息包括出勤率、课堂参与度、测试完成情况、测试得分情况、学习风格和兴趣爱好；
采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态；
根据所述学习状态，确定是否启动教学预案。
7.根据权利要求6所述的基于学生行为分析的教学方案推荐方法，其特征在于，所述采用决策树算法对所述学习状态相关信息进行计算，根据计算结果确定所述学生的学习状态，包括：
计算所述学习状态相关信息中每个分类属性的信息增益，获取第一最优分类属性；
将所述第一最优分类属性作为决策树的第一个节点，将所述学生在所述第一最优分类属性下分为两个第一最优分类属性子集；
基于所述两个第一最优分类属性子集，算剩余分类属性的信息增益，获取第二最优分类属性，并以所述第二最优分类属性决策树的下一个节点，将所述学生在所述第二最优分类属性下分为两个第二最优分类属性子集，直到所有分类属性都被分类；
根据所述决策树的计算结果确定所述学生的学习状态。
8.根据权利要求6所述的基于学生行为分析的教学方案推荐方法，其特征在于，还包括：
响应于确定启动教学预案，根据所述学生的知识结构、专注程度、课堂互动和做题能力，确定所述学生的认知水平；
从所述预设教学课件中找到超出所述学生的认知水平的教学内容；
将所述超出所述学生的认知水平的教学内容替换成对应的教学预案内容。
9.根据权利要求1所述的基于学生行为分析的教学方案推荐方法，还包括：
对所述预设教学课件进行文本分析和时间分布分析，获取所述预设情境教学内容在所述预设教学课件中的段落信息和时间信息；
根据所述段落信息和时间信息，发出情境教学提示信息。
10.一种基于学生行为分析的教学方案推荐装置，其特征在于，包括：
第一获取模块，用于获取在采用预设教学课件教学时采集到的学生的第一行为反馈数据；其中，所述预设教学课件是基于所述学生的认知能力程度所确定的；
第二获取模块，用于将所述第一行为反馈数据进行数据分析，将分析结果输入到预设认知负荷计算模型，获取所述学生的认知负荷水平指数；
处理模块，用于根据所述预设教学课件中包括的预设情境教学内容的分布情况与所述认知负荷水平指数，将所述学生分为不同的认知层级，确定学生人数最多的目标认知层级；
推荐模块，用于利用预设推荐算法对所述目标认知层级的学生身份信息进行计算，获取推荐结果，根据所述推荐结果推荐目标教学方案；其中，所述目标教学方案包括以下至少一种：教学策略、教学资源、测试题目。
CN202310976293.6A 2023-08-04 2023-08-04 基于学生行为分析的教学方案推荐方法及装置 Active CN116701774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310976293.6A CN116701774B (zh) 2023-08-04 2023-08-04 基于学生行为分析的教学方案推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310976293.6A CN116701774B (zh) 2023-08-04 2023-08-04 基于学生行为分析的教学方案推荐方法及装置

Publications (2)

Publication Number Publication Date
CN116701774A true CN116701774A (zh) 2023-09-05
CN116701774B CN116701774B (zh) 2024-02-23

Family

ID=87837823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310976293.6A Active CN116701774B (zh) 2023-08-04 2023-08-04 基于学生行为分析的教学方案推荐方法及装置

Country Status (1)

Country Link
CN (1) CN116701774B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952072A (zh) * 2024-03-22 2024-04-30 浙江蓝鸽科技有限公司 Ai校本化英语教材编辑方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117731A (zh) * 2018-07-13 2019-01-01 华中师范大学 一种课堂教学认知负荷测量系统
CN109919810A (zh) * 2019-01-22 2019-06-21 山东科技大学 在线学习系统中的学生建模与个性化课程推荐方法
KR20200137484A (ko) * 2019-05-30 2020-12-09 이화여자대학교 산학협력단 인지 부하 지표 변수를 사용한 학업 성취도 예측 장치 및 그 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117731A (zh) * 2018-07-13 2019-01-01 华中师范大学 一种课堂教学认知负荷测量系统
CN109919810A (zh) * 2019-01-22 2019-06-21 山东科技大学 在线学习系统中的学生建模与个性化课程推荐方法
KR20200137484A (ko) * 2019-05-30 2020-12-09 이화여자대학교 산학협력단 인지 부하 지표 변수를 사용한 학업 성취도 예측 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王国华等: "多媒体学习中的认知负荷：测量方法与技术纵览", 《电化教育研究》, no. 4, pages 19 - 24 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952072A (zh) * 2024-03-22 2024-04-30 浙江蓝鸽科技有限公司 Ai校本化英语教材编辑方法及系统

Also Published As

Publication number Publication date
CN116701774B (zh) 2024-02-23

Similar Documents

Publication Publication Date Title
Rjosk et al. Classroom composition and language minority students’ motivation in language lessons.
Geden et al. Predictive student modeling in game-based learning environments with word embedding representations of reflection
Nokelainen et al. Investigating the influence of attribution styles on the development of mathematical talent
Gray A review of psychometric data analysis and applications in modelling of academic achievement in tertiary education
Wixon et al. The opportunities and limitations of scaling up sensor-free affect detection
Wachsmuth et al. Do biology students really hate math? Empirical insights into undergraduate life science majors’ emotions about mathematics
CN116701774B (zh) 基于学生行为分析的教学方案推荐方法及装置
Hung et al. Examining online learning patterns with data mining techniques in peer-moderated and teacher-moderated courses
Singh et al. [Retracted] Performance Evaluation of SeisTutor Using Cognitive Intelligence‐Based “Kirkpatrick Model”
Zhang et al. The evolution of metacognitive strategy use in an open-ended learning environment: Do prior domain knowledge and motivation play a role?
Schnitzius et al. Inside out: A scoping review on the physical education teacher’s personality
Alves Making diagnostic inferences about student performance on the Alberta education diagnostic mathematics project: An application of the Attribute Hierarchy Method
Ilić et al. Intelligent techniques in e-learning: a literature review
Martin et al. When a machine detects student reasoning: a review of machine learning-based formative assessment of mechanistic reasoning
Mohammad et al. Clustering of slow learners behavior for discovery of optimal patterns of learning
Lee et al. Joint trajectories of extrinsic motivation and competence beliefs: A parallel-process growth mixture modeling approach
Rishard et al. Adaptivo: A personalized adaptive e-learning system based on learning styles and prior knowledge
Thommen et al. Different levels of context-specificity of teacher self-efficacy and their relations with teaching quality
Williamson et al. Effects of Algorithmic Transparency in Bayesian Knowledge Tracing on Trust and Perceived Accuracy.
Yildirim et al. Interrelated analysis of interaction, sequential patterns and academic achievement in online learning
Crues et al. Who They Are and What They Want: Understanding the Reasons for MOOC Enrollment.
Godinez et al. A Gaussian-Bernoulli Mixed Naïve Bayes Approach to Predict Students’ Academic Procrastination Tendencies in Online Mathematics Learning
Mehenaoui et al. Learning behavior analysis to identify learner’s learning style based on machine learning techniques
Vahdat Learning analytics and educational data mining for inquiry-based learning
Genç et al. Öğretim kalitesinin matematik okuryazarlığı performansına etkilerinin öğrencilerin bakış açısından modellenmesi: PISA 2012 Türkiye örneklemi

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
TA01 Transfer of patent application right

Effective date of registration: 20240126

Address after: Building 4, No. 8 Longtai Road, Jiangbei New District, Nanjing, Jiangsu Province, 210000

Applicant after: Nanjing Yixiang Health Technology Co.,Ltd.

Country or region after: China

Address before: A309, Building A, Guangzhou International Business Incubator, No. 3 Juquan Road, Science City, Huangpu District, Guangzhou City, Guangdong Province, 510000

Applicant before: Guangdong Yuexue Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant