CN116739858B - 基于时间序列分析的在线学习行为监测系统 - Google Patents
基于时间序列分析的在线学习行为监测系统 Download PDFInfo
- Publication number
- CN116739858B CN116739858B CN202311020329.XA CN202311020329A CN116739858B CN 116739858 B CN116739858 B CN 116739858B CN 202311020329 A CN202311020329 A CN 202311020329A CN 116739858 B CN116739858 B CN 116739858B
- Authority
- CN
- China
- Prior art keywords
- learning
- time
- student
- video
- watching
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 22
- 238000012731 temporal analysis Methods 0.000 claims description 15
- 238000000700 time series analysis Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
Abstract
本发明涉及数据处理技术领域,尤其涉及一种基于时间序列分析的在线学习行为监测系统。通过分析不同学生对同一学习视频的学习行为数据,获取学习视频内每个时间节点为重要知识点的可能性;并基于时间序列数据获取学生对学习视频内各个时间节点的所蕴含知识点的掌握程度,以及基于时间序列数据得到学生对学习视频的观看程度指标;然后构建学生对每个学习视频的学习效果,并进一步构建观看学习视频的人工度指标;基于人工度指标和学习效果等完成在线学习行为监测。利用时间序列分析方法,揭示每个学生学习行为中的模式、趋势和周期性变化,从而提供个性化的学习指导、发现学习困难和挑战、支持教育决策等,进而以优化学习效果和教学质量。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于时间序列分析的在线学习行为监测系统。
背景技术
在线学习是通过计算机互联网或是通过手机无线网络,在一个网络虚拟教室与教师进行网络授课、学习的方式。
目前,对学生的在线学习进行监测时,往往是基于学生观看视频的时长以及习题是否完成,判断学生是否完成了在线学习,无法有效地分辨出学生是否采用刷视频软件等操作规避检查,同时也无法反映出学生对视频内知识点的学习情况,进而无法对学生的学习提供一个较好的辅助效果。
发明内容
本发明要解决的技术问题在于,现有技术无法对学生的在线学习进行有效监测。针对现有技术中的缺陷,提供一种基于时间序列分析的在线学习行为监测系统。
为了解决上述技术问题,本发明提供了一种基于时间序列分析的在线学习行为监测系统,采用如下监测方法:
采集当前学生的在线学习行为的时间序列数据;其中,每个所述时间序列数据单独对应一个学习视频;
对各个所述时间序列数据进行在线学习行为分析,得到当前学生对每个所述学习视频的观看程度指标;
基于课后习题从每个所述学习视频中提取关联时间节点,并计算当前学生对各个所述关联时间节点的掌握程度;
获取各个参考学生的参考时间序列数据,基于所述参考时间序列数据计算每个所述学习视频中各个时间节点的重要知识点可能性;
基于当前学生对每个所述学习视频的所述观看程度指标、各个所述关联时间节点的所述掌握程度、各个时间节点的所述重要知识点可能性,计算当前学生对每个所述学习视频的学习效果;
基于当前学生对每个所述学习视频的所述学习效果和所述时间序列数据,计算当前学生观看每个所述学习视频的人工度指标;
根据所述人工度指标、所述学习效果和所述时间序列数据完成当前学生的在线学习行为监测。
可选地,采集当前学生的在线学习行为的时间序列数据,包括:
采集当前学生的在线学习行为数据;
将所述在线学习行为数据转化为时间序列数据。
可选地,对各个所述时间序列数据进行在线学习行为分析,得到当前学生对每个所述学习视频的观看程度指标,包括:
从当前学生的所述时间序列数据中,获取各个所述学习视频的长度、结合时长阈值统计每个所述学习视频的观看次数,提取每个所述学习视频的观看时间节点、统计每个所述观看时间节点的重复浏览次数和播放速度;
基于所述学习视频的长度和观看次数、所述观看时间节点、所述观看时间节点对应的重复浏览次数和播放速度,计算当前学生对每个所述学习视频的观看程度指标。
可选地,根据以下公式计算所述观看程度指标:
;
式中,是当前学生观看第/>个所述学习视频的所述观看程度指标,/>是当前学生观看第/>个所述学习视频的观看次数,/>是当前学生第/>次观看第/>个所述学习视频时的所述观看时间节点的个数,/>是当前学生观看的第/>个所述学习视频的时间节点的个数,/>是当前学生第/>次观看第/>个所述学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生在第/>次观看第/>个所述学习视频时在第/>个所述观看时间节点处的播放速度,是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值,/>是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值。
可选地,基于课后习题从每个所述学习视频中提取关联时间节点,并计算当前学生对各个所述关联时间节点的掌握程度,包括:
获取课后习题与所述学习视频中知识点之间的关联性指标;
根据所述关联性指标获取知识点对应的关联时间节点;
从所述时间序列数据中获取当前学生对课后习题的解答结果和解答时间;
基于当前学生对课后习题的解答结果和解答时间、对每个所述关联时间节点的重复浏览次数,计算当前学生对各个所述关联时间节点的掌握程度。
可选地,所述掌握程度表示为:
;
式中,是当前学生对所述关联时间节点的所述掌握程度,/>是当前学生各次观看时对所述关联时间节点的重复浏览次数之和,/>是当前学生在解答课后习题时花费的解答时间。
可选地,获取各个参考学生的参考时间序列数据,基于所述参考时间序列数据计算每个所述学习视频中各个时间节点的重要知识点可能性,包括:
结合时长阈值统计获取各个参考学生对每个所述学习视频的观看次数,提取各个参考学生观看每个所述学习视频的观看时间节点,统计各个参考学生对每个所述观看时间节点的重复浏览次数和播放速度;
基于每个参考学生对各个所述学习视频的观看次数、每个所述观看时间节点的重复浏览次数和播放速度,计算每个所述学习视频中各个时间节点的重要知识点可能性。
可选地,根据以下公式计算所述重要知识点可能性:
;
式中,是时间节点/>的所述重要知识点可能性,/>是参考学生的个数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频的观看次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的重复浏览次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的播放速度,/>是时间节点/>与其所在的所述学习视频的第一个时间节点和最后一个时间节点的节点值距离中的最小值。
可选地,根据以下公式计算所述学习效果:
;
式中,是当前学生对第/>个所述学习视频的所述学习效果,/>是当前学生对第/>个所述学习视频的所述观看程度指标,/>是第/>个所述学习视频内第/>个时间节点的所述重要知识点可能性,/>是当前学生对第/>个所述学习视频第/>个时间节点的所述掌握程度,是第/>个所述学习视频中时间节点的个数,exp()是归一化函数。
可选地,根据以下公式计算所述人工度指标:
;
;
;
式中,是当前学生观看第/>个所述学习视频的所述人工度指标,/>是当前学生观看的所有所述学习视频的所述学习效果中的最大值,/>当前学生观看的所有所述学习视频的所述学习效果中的最小值,/>是当前学生观看的所有所述学习视频的所述学习效果的熵值,/>是参考学生的个数,/>是当前学生需要观看的所述学习视频的个数,/>是第/>个所述学习视频的时间节点的个数,/>是第/>个参考学生在观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数,/>是当前学生观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数。
可选地,根据所述人工度指标、所述学习效果和所述时间序列数据完成当前学生的在线学习行为监测,包括:
当所述人工度指标小于人工度阈值时,提醒当前学生对所述人工度指标对应的所述学习视频重新进行学习并完成课后习题;
当所述人工度指标大于等于人工度阈值时,获取当前学生对各个所述学习视频的所述学习效果,提取所述学习效果小于效果阈值的所述学习视频,获取当前学生对该学习视频中所述关联时间节点的所述掌握程度,基于当前学生的观看次数、对观看时间节点的重复浏览次数和播放速度计算当前学生对所述观看时间节点的所述掌握程度,对所述掌握程度进行归一化处理后小于掌握阈值的所述关联时间节点或所述观看时间节点进行标记。
可选地,根据以下公式计算当前学生对所述观看时间节点的所述掌握程度:
;
式中,是当前学生对第/>个所述观看时间节点的所述掌握程度,/>是当前学生对该学习视频的观看次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的播放速度;
效果阈值为0.75。
实施本发明的基于时间序列分析的在线学习行为监测系统,具有以下有益效果:
通过分析不同学生对同一学习视频的学习行为数据,获取学习视频内每个时间节点为重要知识点的可能性;并基于时间序列数据获取学生对学习视频内所蕴含知识点的掌握程度,以及基于时间序列数据得到学生对学习视频的观看程度指标;然后构建学生对每个学习视频的学习效果,有效地反映出学生的学习状况,同时基于学习效果构建人工度指标,确保学生为自主学习并完成习题,同时基于掌握程度能够为学生提供个性化的学习建议,提高学生的学习效率。此外,利用时间序列来追踪、记录和分析学生的在线学习行为,通过收集和分析每个学生在在线学习平台上的活动数据,并利用时间序列分析方法,揭示每个学生学习行为中的模式、趋势和周期性变化,从而提供个性化的学习指导、发现学习困难和挑战、支持教育决策等,进而很好地帮助教学机构和教师更好地理解学生的学习行为,并提供个性化的学习指导和支持,以优化学习效果和教学质量。
附图说明
图1是本发明实施例的基于时间序列分析的在线学习行为监测系统的主要步骤的示意图;
图2是本发明实施例的基于时间序列分析的在线学习行为监测系统的整体逻辑的示意图;
图3是本发明一个可参考实施例的基于时间序列分析的在线学习行为监测系统的流程示意图;
图4是本发明实施例的基于时间序列分析的在线学习行为监测系统的主要模块的示意图。
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的一部分实施例,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。
如图1所示,本发明实施例提供的基于时间序列分析的在线学习行为监测系统所采用的监测方法主要包括如下步骤:
步骤101、采集当前学生的在线学习行为的时间序列数据。
本发明实施例利用时间序列来追踪、记录和分析学生的在线学习行为,通过收集和分析每个学生在在线学习平台上的活动数据,并应用时间序列分析方法,可以揭示每个学生学习行为中的模式、趋势和周期性变化,从而提供个性化的学习指导、发现学习困难和挑战、支持教育决策等。时间序列(或称动态数列)是指将同一统计指标的数据按其发生的时间先后顺序排列而成的数列。其中,每个时间序列数据单独对应当前学生观看的一个学习视频,当前学生即正在被监测分析的学生。
在本发明实施例中,步骤101可以采用如下方式实现:采集当前学生的在线学习行为数据;将在线学习行为数据转化为时间序列数据。
本发明实施例的在线学习行为数据包括但不限于点击、倍速、停留时间、浏览记录等。对于学生在在线学习平台上的在线学习行为数据,将其转化为时间序列数据。其中,每个学生可能对应有多个时间序列数据,每个时间序列数据包含有其对应的点击次数、停留时间、浏览记录、播放速度等信息。
步骤102、对各个时间序列数据进行在线学习行为分析,得到当前学生对每个学习视频的观看程度指标。
每个学生可能对应有多个学习视频,每个学习视频均有对应的时间序列数据。因此,对当前学生的每个学习视频所对应的时间序列数据分别进行分析,可以得到当前学生对每个学习视频的观看程度指标。观看程度指标体现了学习视频的观看情况,通常,观看程度指标越大说明当前学生观看得越多越细致,而观看程度指标越小说明当前学生观看得越少越粗心。
在本发明实施例中,步骤102可以采用如下方式实现:从当前学生的时间序列数据中,获取各个学习视频的长度、结合时长阈值统计每个学习视频的观看次数,提取每个学习视频的观看时间节点、统计每个观看时间节点的重复浏览次数和播放速度;基于学习视频的长度和观看次数、观看时间节点、观看时间节点对应的重复浏览次数和播放速度,计算当前学生对每个学习视频的观看程度指标。
对时间序列数据进行在线学习行为分析时,对于观看次数,为防止因学生操作后退视频或前进视频而导致对观看次数的误判,可以先获取学习视频的长度,根据该长度设置用于统计视频观看次数的时长阈值,优选地设置时长阈值为学习视频的长度的2倍,时长阈值可以根据实际情况进行调节,在该时长阈值的时间段内仅会对学生观看学习视频的观看次数仅统计一次,而不会进行重复统计,以防止出现因学生在某一次观看视频拖动进度条而误统计为观看两次的现象。时间节点可以是时间计算单位,例如每个时间节点是1秒,则一个60秒的学习视频有60个时间节点,时间节点的节点值即为对应的秒数,学习视频的长度也可以表述为学习视频包含的时间节点的数量。对于重复浏览次数和播放速度,可以获取每次观看该学习视频的时间节点数据以及每个时间节点数据是否为快速播放记录值,统计每个时间节点的重复浏览次数和播放速度,重复浏览次数即该时间节点的播放次数,通常在线学习时,很多学生会将学习视频中非重点部分使用1.5倍速或2倍速播放,因此,若为正常播放则播放速度为1,若为0.5倍速播放则播放速度为0.5,若为2倍速播放则播放速度为2,依此类推,倍速的数值即为播放速度。
通过时间节点数据以及相应的重复浏览次数等信息能够反映出学生是否认真观看了学习视频,构建观看程度指标进行量化。
作为一种优选的实施方式,可以根据以下公式计算观看程度指标:
;
对于第个学习视频的观看程度指标的计算,/>是当前学生观看第/>个学习视频的观看程度指标,/>是当前学生观看第/>个学习视频的观看次数,/>是当前学生第/>次观看第/>个学习视频时的观看时间节点的个数,/>是当前学生观看的第/>个学习视频的时间节点的个数,/>是当前学生第/>次观看第/>个学习视频时对第/>个观看时间节点的重复浏览次数,/>是当前学生在第/>次观看第/>个学习视频时在第/>个观看时间节点处的播放速度,/>是当前学生第/>次观看第/>个学习视频时第/>个观看时间节点的节点值,/>是当前学生第/>次观看第/>个学习视频时第/>个观看时间节点的节点值。
其中,观看时间节点的个数越大,则说明学生观看得越完整,对应的观看程度指标应越大。重复浏览次数/>越大,则说明学生观看得越仔细认真。播放速度/>越大,则说明学生观看得越不细致,对应的观看程度指标应越小。第/>个时间节点的节点值与第/>个时间节点的节点值差异越大,则说明学生观看得越不连续,对应的观看程度指标应越小。
步骤103、基于课后习题从每个学习视频中提取关联时间节点,并计算当前学生对各个关联时间节点的掌握程度。
通常,在线学习平台的每个学习视频后往往都存在对应的课后习题,可以根据先验知识获取课后习题与对应学习视频中知识点的关联性指标,即对于课后习题所需要用到的某一知识点,其在学习视频内讲解时间所对应的时间节点与该课后习题的关联性指标为1,否则关联性指标为0。对所有课后习题均获取其相应的关联时间节点,关联时间节点即关联性为1的时间节点。先验知识是指在进行学习或推理之前,已经具备的关于问题领域的先前知识或经验。它是在之前的学习、实践或观察中获得的知识,可以是来自领域专家的专业知识、先前研究的结果、规则或常识性的知识等。
进一步地,可以通过学习视频对应的课后习题的解答是否正确(即解答结果)以及解答时间来构建学生对关联时间节点(对应于课后习题的知识点)的掌握程度。
在本发明实施例中,步骤103可以采用如下方式实现:获取课后习题与学习视频中知识点之间的关联性指标;根据关联性指标获取知识点对应的关联时间节点;从时间序列数据中获取当前学生对课后习题的解答结果和解答时间;基于当前学生对课后习题的解答结果和解答时间、对每个关联时间节点的重复浏览次数,计算当前学生对各个关联时间节点的掌握程度。
作为一种优选的实施方式,掌握程度可以表示为:
;
式中,是当前学生对关联时间节点的掌握程度,/>是当前学生各次观看时对关联时间节点的重复浏览次数之和,/>是当前学生在解答课后习题时花费的解答时间。
其中,重复浏览次数之和越大,则掌握程度也应该越大。解答时间/>越大,则说明掌握效果越差,计算时解答时间/>加1是为了防止分母为0。掌握程度/>越大,则说明当前学生对知识点的掌握越好,掌握程度/>越小,则说明当前学生对知识点的掌握越差。若时间节点/>为多个课后习题的知识点对应的关联时间节点,则时间节点/>的掌握程度取根据各个课后习题计算的/>的平均值。
步骤104、获取各个参考学生的参考时间序列数据,基于参考时间序列数据计算每个学习视频中各个时间节点的重要知识点可能性。
对于在线学习而言,有的学生可能会通过各种软件来完成学习视频的观看,故直接根据观看程度指标来监测学生的在线学习行为,不能有效地反映出学生是否实际完成了学习视频的观看学习,也不能精确反映学生对知识点的了解情况。为此,本发明实施例对其他参考学生的参考时间序列数据进行分析,通过不同参考学生对同一学习视频的观看行为相似度,以及参考学生的观看时间节点在学习视频中的位置信息来获取学习视频中各个时间节点对应的教学数据为重要知识点的可能性,进而结合评估当前学生的学习效果。
在本发明实施例中,步骤104可以采用如下方式实现:结合时长阈值统计获取各个参考学生对每个学习视频的观看次数,提取各个参考学生观看每个学习视频的观看时间节点,统计各个参考学生对每个观看时间节点的重复浏览次数和播放速度;基于每个参考学生对各个学习视频的观看次数、每个观看时间节点的重复浏览次数和播放速度,计算每个学习视频中各个时间节点的重要知识点可能性。
对于每个学习视频的时间节点均有其为重要知识点的可能性(即重要知识点可能性),重要知识点可能性越大,对应的时间节点越可能为重要知识点,重要知识点可能性越小,对应的时间节点数据越可能为非重要知识点。
通常,重要知识点往往是较为复杂繁琐的,很多学生在学习时无法一遍学会,需要反复地观看相关部分,从而对重要知识点有一个更深的理解,而对于大多数正常学习的学生来说,对重要知识点的观看行为更为相似,都会反复进行观看学习。同时基于学习视频本身的特性也可以分析出时间节点为重要知识点的可能性,对于学习视频而言,教学往往是一个循序渐进的过程,每个重要知识点的讲解,往往伴随着与其相关的一些简单知识点的讲解。基于此通过分析学习视频本身特性以及不同参考学生对该学习视频的学习行为数据来计算学习视频内不同时间节点所对应的数据为重要知识点的可能性(即重要知识点可能性)。
作为一种优选的实施方式,可以根据以下公式计算重要知识点可能性:
;
对于每个时间节点的重要知识点可能性的计算,是时间节点/>的重要知识点可能性,/>是参考学生的个数,/>是第/>个参考学生观看时间节点/>所在的学习视频的观看次数,是第/>个参考学生观看时间节点/>所在的学习视频时对时间节点/>的重复浏览次数,/>是第/>个参考学生观看时间节点/>所在的学习视频时对时间节点/>的播放速度,/>是时间节点/>与其所在的学习视频的第一个时间节点和最后一个时间节点的节点值距离中的最小值。
其中,参考学生可以从在线学习平台上随机选择,参考学生个数可以根据需要设定,优选为100。/>表示最小节点值距离,即分别获取时间节点/>与其所在的学习视频的第一个时间节点和最后一个时间节点的节点值距离即欧式距离,两者中最小的欧式距离即为,/>越大,则说明该时间节点的重要知识点可能性越大。
步骤105、基于当前学生对每个学习视频的观看程度指标、各个关联时间节点的掌握程度、各个时间节点的重要知识点可能性,计算当前学生对每个学习视频的学习效果。
本发明实施例将时间节点所对应的重要知识点可能性作为当前学生对每个学习视频的观看程度指标的权重,构建当前学生对该学习视频的知识点的学习效果,则对于当前学生所对应的每个学习视频而言,均有其对应的学习效果。学习效果可以有效地反映出学生对每个学习视频中相应知识点的学习情况,以及学生对于学习视频观看是否仔细认真,具体地,学习效果越大,则观看得越细致越好。
作为一种优选的实施方式,可以根据以下公式计算学习效果:
;
对于每个学习视频的学习效果的计算,是当前学生对第/>个学习视频的学习效果,/>是当前学生对第/>个学习视频的观看程度指标,/>是第/>个学习视频内第/>个时间节点的重要知识点可能性,/>是当前学生对第/>个学习视频第/>个时间节点的掌握程度, />是第/>个学习视频中时间节点的个数。
其中,对时间节点的掌握程度越大,说明学习效果越好。exp()是归一化函数。
步骤106、基于当前学生对每个学习视频的学习效果和时间序列数据,计算当前学生观看每个学习视频的人工度指标。
为了进一步区分当前学生是自己观看学习视频并完成课后习题、还是通过软件观看视频并抄答案完成课后习题,本发明实施例基于当前学生对不同学习视频的学习效果的差异以及不同参考学生之间的学习行为数据差异来构建当前学生的人工度指标。
作为一种优选的实施方式,可以根据以下公式计算人工度指标:
;
;
;
对于第个学习视频的人工度指标的计算,/>是当前学生观看第/>个学习视频的人工度指标,/>是当前学生观看的所有学习视频的学习效果中的最大值,/>当前学生观看的所有学习视频的学习效果中的最小值,/>是当前学生观看的所有学习视频的学习效果的熵值,/>是参考学生的个数,/>是当前学生需要观看的学习视频的个数,/>是第/>个学习视频的时间节点的个数,/>是第/>个参考学生在观看第/>个学习视频时对第/>个时间节点的重复浏览次数,/>是当前学生观看第/>个学习视频时对第/>个时间节点的重复浏览次数。
其中,为当前学生对学习视频的学习效果,/>为当前学生对应的学习效果的最大值,/>则为当前学生对应的学习效果的最小值,其差异反映了学习效果的波动范围。对于时间序列数据,熵用于衡量数据的稳定性,熵值越大,则系统越不稳定,意味着数据往往是上下震荡,不平稳变化的,熵值越小,则越稳定,意味着数据是平稳变化的。熵值反映了学习效果的波动性,熵值的具体计算可以参考现有的技术方案或利用已有计算机程序实现,本发明实施例不再赘述。/>和/>是计算人工度指标过程中的中间值。其中,/>值反映了当前学生对不同学习视频的学习效果的变化,其值越大则说明当前学生对于不同学习视频的学习效果越具有波动性,则当前学生越可能为自主完成学习。/>与/>表示了不同参考学生与当前学生在观看同一学习视频对相同时间节点的重复浏览次数差异,该差异越大,/>值越大,表示当前学生越可能为自主学习并完成习题,相应地人工度指标/>应越大。
步骤107、根据人工度指标、学习效果和时间序列数据完成当前学生的在线学习行为监测。
人工度指标越大,则说明当前学生越可能是自己学习并完成习题,人工度指标越小,则说明当前学生越可能通过软件观看视频并抄答案完成课后习题。本发明实施例综合考虑人工度指标、学习效果等来进行在线学习行为监测。
在本发明实施例中,步骤107可以采用如下方式实现:当人工度指标小于人工度阈值时,提醒当前学生对人工度指标对应的学习视频重新进行学习并完成课后习题;当人工度指标大于等于人工度阈值时,获取当前学生对各个学习视频的学习效果,提取学习效果小于效果阈值的学习视频,获取当前学生对该学习视频中关联时间节点的掌握程度,基于当前学生的观看次数、对观看时间节点的重复浏览次数和播放速度计算当前学生对观看时间节点的掌握程度,对掌握程度进行归一化处理后小于掌握阈值的关联时间节点或观看时间节点进行标记。
在线学习行为监测首先对人工度指标进行判断,将人工度指标与人工度阈值比较,当人工度指标大于等于人工度阈值时,认为当前学生为自己学习并完成习题,否则为未完成学习。其中,人工度阈值可以根据需要设定,优选为0.8。
此外,对于人工度大于等于人工度阈值的,则继续分析当前学生的每个学习视频的学习效果,对于学习效果小于效果阈值的学习视频,说明当前学生对该学习视频内的部分知识点的学习不到位,进一步对该学习视频进行分析,获取其掌握薄弱的知识点信息,以帮助其更好地学习相应知识点,前述步骤已经获取了当前学生对课后习题所对应的关联时间节点的掌握程度,而对当前学生所浏览的其它的观看时间节点,基于对该学习视频的观看次数、对观看时间节点的重复浏览次数和播放速度计算掌握程度,掌握程度越小,则说明当前学生对该学习视频内关联时间节点或观看时间节点所对应的知识点掌握效果越差,掌握程度越大,则说明当前学生对该学习视频内关联时间节点或观看时间节点所对应的知识点掌握效果越好。此外,对得到的掌握程度进行归一化处理,对归一化的掌握程度小于掌握阈值的关联时间节点或观看时间节点进行标记,以便于学生重新观看该学习视频时,拖动视频进度条到相应位置处对相应知识点进行再学习。其中,效果阈值和掌握阈值可以根据需要设定,效果阈值优选为0.75,效果阈值优选为0.5。
对于人工度小于人工度阈值的,可以提醒当前学生未完成学习,需要重新进行学习并完成相应习题。
作为一种优选的实施方式,可以根据以下公式计算当前学生对观看时间节点的掌握程度:
;
对于每个观看时间节点对应的掌握程度的计算,是当前学生对第/>个观看时间节点的掌握程度,/>是当前学生对该学习视频的观看次数,/>是当前学生第/>次观看该学习视频时对第/>个观看时间节点的重复浏览次数,/>是当前学生第/>次观看该学习视频时对第/>个观看时间节点的播放速度。
根据上述步骤,对学生的每个学习视频的学习行为数据,基于时间序列分析完成了学生在线学习行为监测,并完成了学生是否自主完成学习的判断以及获取了学生知识点的掌握情况,进一步可以基于不同学生的知识点掌握情况辅助学生对薄弱知识点进行进一步学习,提高了学生的学习效率。
如图2所示,本发明实施例的基于时间序列分析的在线学习行为监测系统的整体逻辑包括:
一、采集在线学习平台上当前学生的在线学习行为数据,对在线学习行为数据转化为时间序列数据。
收集当前学生在在线学习平台上的学习行为数据(如点击、停留时间、浏览记录、播放速度等),将其转化为时间序列数据,其中,当前学生可能对应朋多个时间序列数据,每个时间序列数据单独对应于一个学习视频,其内均有当前学生对应的点击次数、停留时间、浏览记录等数据信息。
二、对当前学生的时间序列数据进行分析。
首先,对当前学生的每个学习视频所对应的时间序列数据分别进行分析,可以得到当前学生对每个学习视频的观看程度指标;其次,获取课后习题对应的关联时间节点,通过学习视频对应的课后习题的解答结果以及解答时间来构建当前学生对关联时间节点的掌握程度;再次,通过分析学习视频本身特性以及不同参考学生对该学习视频的学习行为数据,计算学习视频内不同时间节点所对应的重要知识点可能性;然后,将时间节点所对应的重要知识点可能性作为当前学生对每个学习视频的观看程度指标的权重,构建当前学生对该学习视频的知识点的学习效果;最后,基于当前学生对不同学习视频的学习效果的差异以及不同参考学生之间的学习行为数据差异来构建当前学生的人工度指标。
三、基于时间序列分析完成在线学习行为监测。
当人工度指标小于人工度阈值时,提醒当前学生重新进行学习并完成课后习题;
当人工度指标大于等于人工度阈值时,获取当前学生对各个学习视频的学习效果,提取学习效果小于效果阈值的学习视频,获取当前学生对该学习视频中关联时间节点的掌握程度,基于当前学生的观看次数、对观看时间节点的重复浏览次数和播放速度计算当前学生对观看时间节点的掌握程度,对掌握程度进行归一化处理后小于掌握阈值的关联时间节点或观看时间节点进行标记。
如图3所示,在应用本发明实施例的基于时间序列分析的在线学习行为监测系统时,所采用的监测方法可参考以下流程:
301、采集当前学生的点击次数、停留时间、浏览记录、操作行为等在线学习行为数据;
302、将每个学习视频对应的在线学习行为数据单独转化为时间序列数据;
303、对时间序列数据进行分析,得到当前学生对各个学习视频的观看程度指标;
304、获取各个参考学生对每个学习视频的观看次数、浏览的观看时间节点、每个观看时间节点的重复观看次数和播放速度,从而计算各个观看时间节点的重要知识点可能性;
305、根据各个课后习题与学习视频之间知识点的关联性指标获取知识点的对应的关联时间节点;
306、基于课后习题的解答结果和每个学生对每个关联时间节点的重复观看次数,计算当前学生对各个关联时间节点的掌握程度;
307、基于观看程度指标、掌握程度、重要知识点可能性,计算当前学生对每个学习视频的学习效果;
308、基于当前学生对每个学习视频的学习效果和时间序列数据,计算当前学生观看每个学习视频的人工度指标;
当人工度指标大于等于人工度阈值时,执行步骤309;当人工度指标小于人工度阈值时,执行步骤310;
309、获取当前学生对各个学习视频的学习效果,提取学习效果小于效果阈值的学习视频,基于当前学生的观看视频次数、观看时间节点的重复观看次数和播放速度计算除了关联时间节点的观看时间节点的掌握程度,将掌握程度小于掌握阈值的关联时间节点或观看时间节点进行标记;
310、提醒当前学生未完成学习,需要重新进行学习并完成相应习题。
如图4所示,本发明实施例的基于时间序列分析的在线学习行为监测系统400包括:采集模块401、分析模块402、第一计算模块403、第二计算模块404、第三计算模块405、第四计算模块406、监测模块407。
其中:
所述采集模块401用于,采集当前学生的在线学习行为的时间序列数据;其中,每个所述时间序列数据单独对应一个学习视频;
所述分析模块402用于,对各个所述时间序列数据进行在线学习行为分析,得到当前学生对每个所述学习视频的观看程度指标;
所述第一计算模块403用于,基于课后习题从每个所述学习视频中提取关联时间节点,并计算当前学生对各个所述关联时间节点的掌握程度;
所述第二计算模块404用于,获取各个参考学生的参考时间序列数据,基于所述参考时间序列数据计算每个所述学习视频中各个时间节点的重要知识点可能性;
所述第三计算模块405用于,基于当前学生对每个所述学习视频的所述观看程度指标、各个所述关联时间节点的所述掌握程度、各个时间节点的所述重要知识点可能性,计算当前学生对每个所述学习视频的学习效果;
所述第四计算模块406用于,基于当前学生对每个所述学习视频的所述学习效果和所述时间序列数据,计算当前学生观看每个所述学习视频的人工度指标;
所述监测模块407用于,根据所述人工度指标、所述学习效果和所述时间序列数据完成当前学生的在线学习行为监测。
在本发明实施例中,所述采集模块401可以进一步用于:
采集当前学生的在线学习行为数据;
将所述在线学习行为数据转化为时间序列数据。
在本发明实施例中,所述分析模块402可以进一步用于:
从当前学生的所述时间序列数据中,获取各个所述学习视频的长度、结合时长阈值统计每个所述学习视频的观看次数,提取每个所述学习视频的观看时间节点、统计每个所述观看时间节点的重复浏览次数和播放速度;
基于所述学习视频的长度和观看次数、所述观看时间节点、所述观看时间节点对应的重复浏览次数和播放速度,计算当前学生对每个所述学习视频的观看程度指标。
此外,可以根据以下公式计算所述观看程度指标:
;
式中,是当前学生观看第/>个所述学习视频的所述观看程度指标,/>是当前学生观看第/>个所述学习视频的观看次数,/>是当前学生第/>次观看第/>个所述学习视频时的所述观看时间节点的个数,/>是当前学生观看的第/>个所述学习视频的时间节点的个数,/>是当前学生第/>次观看第/>个所述学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生在第/>次观看第/>个所述学习视频时在第/>个所述观看时间节点处的播放速度,是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值,/>是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值。
在本发明实施例中,所述第一计算模块403可以进一步用于:
获取课后习题与所述学习视频中知识点之间的关联性指标;
根据所述关联性指标获取知识点对应的关联时间节点;
从所述时间序列数据中获取当前学生对课后习题的解答结果和解答时间;
基于当前学生对课后习题的解答结果和解答时间、对每个所述关联时间节点的重复浏览次数,计算当前学生对各个所述关联时间节点的掌握程度。
此外,所述掌握程度可以表示为:
;
式中,是当前学生对所述关联时间节点的所述掌握程度,/>是当前学生各次观看时对所述关联时间节点的重复浏览次数之和,/>是当前学生在解答课后习题时花费的解答时间。
在本发明实施例中,所述第二计算模块404可以进一步用于:
结合时长阈值统计获取各个参考学生对每个所述学习视频的观看次数,提取各个参考学生观看每个所述学习视频的观看时间节点,统计各个参考学生对每个所述观看时间节点的重复浏览次数和播放速度;
基于每个参考学生对各个所述学习视频的观看次数、每个所述观看时间节点的重复浏览次数和播放速度,计算每个所述学习视频中各个时间节点的重要知识点可能性。
此外,可以根据以下公式计算所述重要知识点可能性:
;/>
式中,是时间节点/>的所述重要知识点可能性,/>是参考学生的个数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频的观看次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的重复浏览次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的播放速度,/>是时间节点/>与其所在的所述学习视频的第一个时间节点和最后一个时间节点的节点值距离中的最小值。
此外,可以根据以下公式计算所述学习效果:
;
式中,是当前学生对第/>个所述学习视频的所述学习效果,/>是当前学生对第/>个所述学习视频的所述观看程度指标,/>是第/>个所述学习视频内第/>个时间节点的所述重要知识点可能性,/>是当前学生对第/>个所述学习视频第/>个时间节点的所述掌握程度,是第/>个所述学习视频中时间节点的个数,exp()是归一化函数。
此外,可以根据以下公式计算所述人工度指标:
;
;
;
式中,是当前学生观看第/>个所述学习视频的所述人工度指标,/>是当前学生观看的所有所述学习视频的所述学习效果中的最大值,/>当前学生观看的所有所述学习视频的所述学习效果中的最小值,/>是当前学生观看的所有所述学习视频的所述学习效果的熵值,/>是参考学生的个数,/>是当前学生需要观看的所述学习视频的个数,/>是第/>个所述学习视频的时间节点的个数,/>是第/>个参考学生在观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数,/>是当前学生观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数。
在本发明实施例中,所述监测模块407可以进一步用于:
当所述人工度指标小于人工度阈值时,提醒当前学生对所述人工度指标对应的所述学习视频重新进行学习并完成课后习题;
当所述人工度指标大于等于人工度阈值时,获取当前学生对各个所述学习视频的所述学习效果,提取所述学习效果小于效果阈值的所述学习视频,获取当前学生对该学习视频中所述关联时间节点的所述掌握程度,基于当前学生的观看次数、对所述观看时间节点的重复浏览次数和播放速度计算当前学生对所述观看时间节点的所述掌握程度,对所述掌握程度进行归一化处理后小于掌握阈值的所述关联时间节点或所述观看时间节点进行标记。
此外,可以根据以下公式计算当前学生对所述观看时间节点的所述掌握程度:
;
式中,是当前学生对第/>个所述观看时间节点的所述掌握程度,/>是当前学生对该学习视频的观看次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的播放速度。
此外,效果阈值为0.75。
综上所述,本发明实施例的基于时间序列分析的在线学习行为监测系统,通过分析不同学生对同一学习视频的学习行为数据,获取学习视频内每个时间节点为重要知识点的可能性;并基于时间序列数据获取学生对学习视频内所蕴含知识点的掌握程度,以及基于时间序列数据得到学生对学习视频的观看程度指标;然后构建学生对每个学习视频的学习效果,有效地反映出学生的学习状况,同时基于学习效果构建人工度指标,确保学生为自主学习并完成习题,同时基于掌握程度能够为学生提供个性化的学习建议,提高学生的学习效率。此外,利用时间序列来追踪、记录和分析学生的在线学习行为,通过收集和分析每个学生在在线学习平台上的活动数据,并利用时间序列分析方法,揭示每个学生学习行为中的模式、趋势和周期性变化,从而提供个性化的学习指导、发现学习困难和挑战、支持教育决策等,进而很好地帮助教学机构和教师更好地理解学生的学习行为,并提供个性化的学习指导和支持,以优化学习效果和教学质量。
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 (8)
1.一种基于时间序列分析的在线学习行为监测系统,其特征在于,采用如下监测方法:
采集当前学生的在线学习行为的时间序列数据;其中,每个所述时间序列数据单独对应一个学习视频;
对各个所述时间序列数据进行在线学习行为分析,得到当前学生对每个所述学习视频的观看程度指标;
基于课后习题从每个所述学习视频中提取关联时间节点,并计算当前学生对各个所述关联时间节点的掌握程度;
获取各个参考学生的参考时间序列数据,基于所述参考时间序列数据计算每个所述学习视频中各个时间节点的重要知识点可能性;
基于当前学生对每个所述学习视频的所述观看程度指标、各个所述关联时间节点的所述掌握程度、各个时间节点的所述重要知识点可能性,计算当前学生对每个所述学习视频的学习效果;
基于当前学生对每个所述学习视频的所述学习效果和所述时间序列数据,计算当前学生观看每个所述学习视频的人工度指标;
根据所述人工度指标、所述学习效果和所述时间序列数据完成当前学生的在线学习行为监测;
根据以下公式计算所述人工度指标:
式中,是当前学生观看第/>个所述学习视频的所述人工度指标,/>是当前学生观看的所有所述学习视频的所述学习效果中的最大值,/>当前学生观看的所有所述学习视频的所述学习效果中的最小值,/>是当前学生观看的所有所述学习视频的所述学习效果的熵值,/>是参考学生的个数,/>是当前学生需要观看的所述学习视频的个数,/>是第/>个所述学习视频的时间节点的个数,/>是第/>个参考学生在观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数,/>是当前学生观看第/>个所述学习视频时对第/>个时间节点的重复浏览次数;
根据所述人工度指标、所述学习效果和所述时间序列数据完成当前学生的在线学习行为监测,包括:
当所述人工度指标小于人工度阈值时,提醒当前学生对所述人工度指标对应的所述学习视频重新进行学习并完成课后习题;
当所述人工度指标大于等于人工度阈值时,获取当前学生对各个所述学习视频的所述学习效果,提取所述学习效果小于效果阈值的所述学习视频,获取当前学生对该学习视频中所述关联时间节点的所述掌握程度,基于当前学生的观看次数、对观看时间节点的重复浏览次数和播放速度计算当前学生对所述观看时间节点的所述掌握程度,对所述掌握程度进行归一化处理后小于掌握阈值的所述关联时间节点或所述观看时间节点进行标记;
其中,根据以下公式计算当前学生对所述观看时间节点的所述掌握程度:
式中,是当前学生对第/>个所述观看时间节点的所述掌握程度,/>是当前学生对该学习视频的观看次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生第/>次观看该学习视频时对第/>个所述观看时间节点的播放速度;
效果阈值为0.75。
2.根据权利要求1所述的基于时间序列分析的在线学习行为监测系统,其特征在于,采集当前学生的在线学习行为的时间序列数据,包括:
采集当前学生的在线学习行为数据;
将所述在线学习行为数据转化为时间序列数据。
3.根据权利要求1所述的基于时间序列分析的在线学习行为监测系统,其特征在于,对各个所述时间序列数据进行在线学习行为分析,得到当前学生对每个所述学习视频的观看程度指标,包括:
从当前学生的所述时间序列数据中,获取各个所述学习视频的长度、结合时长阈值统计每个所述学习视频的观看次数,提取每个所述学习视频的观看时间节点、统计每个所述观看时间节点的重复浏览次数和播放速度;
基于所述学习视频的长度和观看次数、所述观看时间节点、所述观看时间节点对应的重复浏览次数和播放速度,计算当前学生对每个所述学习视频的观看程度指标。
4.根据权利要求3所述的基于时间序列分析的在线学习行为监测系统,其特征在于,根据以下公式计算所述观看程度指标:
式中,是当前学生观看第/>个所述学习视频的所述观看程度指标,/>是当前学生观看第/>个所述学习视频的观看次数,/>是当前学生第/>次观看第/>个所述学习视频时的所述观看时间节点的个数,/>是当前学生观看的第/>个所述学习视频的时间节点的个数,/>是当前学生第/>次观看第/>个所述学习视频时对第/>个所述观看时间节点的重复浏览次数,/>是当前学生在第/>次观看第/>个所述学习视频时在第/>个所述观看时间节点处的播放速度,/>是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值,/>是当前学生第/>次观看第/>个所述学习视频时第/>个所述观看时间节点的节点值。
5.根据权利要求1所述的基于时间序列分析的在线学习行为监测系统,其特征在于,基于课后习题从每个所述学习视频中提取关联时间节点,并计算当前学生对各个所述关联时间节点的掌握程度,包括:
获取课后习题与所述学习视频中知识点之间的关联性指标;
根据所述关联性指标获取知识点对应的关联时间节点;
从所述时间序列数据中获取当前学生对课后习题的解答结果和解答时间;
基于当前学生对课后习题的解答结果和解答时间、对每个所述关联时间节点的重复浏览次数,计算当前学生对各个所述关联时间节点的掌握程度;
其中,所述掌握程度表示为:
式中,是当前学生对所述关联时间节点的所述掌握程度,/>是当前学生各次观看时对所述关联时间节点的重复浏览次数之和,/>是当前学生在解答课后习题时花费的解答时间。
6.根据权利要求1所述的基于时间序列分析的在线学习行为监测系统,其特征在于,获取各个参考学生的参考时间序列数据,基于所述参考时间序列数据计算每个所述学习视频中各个时间节点的重要知识点可能性,包括:
结合时长阈值统计获取各个参考学生对每个所述学习视频的观看次数,提取各个参考学生观看每个所述学习视频的观看时间节点,统计各个参考学生对每个所述观看时间节点的重复浏览次数和播放速度;
基于每个参考学生对各个所述学习视频的观看次数、每个所述观看时间节点的重复浏览次数和播放速度,计算每个所述学习视频中各个时间节点的重要知识点可能性。
7.根据权利要求5所述的基于时间序列分析的在线学习行为监测系统,其特征在于,根据以下公式计算所述重要知识点可能性:
式中,是时间节点/>的所述重要知识点可能性,/>是参考学生的个数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频的观看次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的重复浏览次数,/>是第/>个参考学生观看时间节点/>所在的所述学习视频时对时间节点/>的播放速度,/>是时间节点/>与其所在的所述学习视频的第一个时间节点和最后一个时间节点的节点值距离中的最小值。
8.根据权利要求1所述的基于时间序列分析的在线学习行为监测系统,其特征在于,根据以下公式计算所述学习效果:
式中,是当前学生对第/>个所述学习视频的所述学习效果,/>是当前学生对第/>个所述学习视频的所述观看程度指标,/>是第/>个所述学习视频内第/>个时间节点的所述重要知识点可能性,/>是当前学生对第/>个所述学习视频第/>个时间节点的所述掌握程度, />是第/>个所述学习视频中时间节点的个数,exp()是归一化函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020329.XA CN116739858B (zh) | 2023-08-15 | 2023-08-15 | 基于时间序列分析的在线学习行为监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311020329.XA CN116739858B (zh) | 2023-08-15 | 2023-08-15 | 基于时间序列分析的在线学习行为监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739858A CN116739858A (zh) | 2023-09-12 |
CN116739858B true CN116739858B (zh) | 2023-11-07 |
Family
ID=87910121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311020329.XA Active CN116739858B (zh) | 2023-08-15 | 2023-08-15 | 基于时间序列分析的在线学习行为监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739858B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095447A1 (zh) * | 2017-11-17 | 2019-05-23 | 深圳市鹰硕技术有限公司 | 一种具有远程评价功能的跟随教学方法 |
CN112488527A (zh) * | 2020-12-01 | 2021-03-12 | 胡青业 | 一种基于区块链的学生学习状态分析共享系统 |
CN112990723A (zh) * | 2021-03-24 | 2021-06-18 | 武汉伽域信息科技有限公司 | 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法 |
CN115689571A (zh) * | 2022-09-27 | 2023-02-03 | 中国工商银行股份有限公司 | 异常用户行为监测方法、装置、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200258420A1 (en) * | 2019-02-11 | 2020-08-13 | Hetal B. Kurani | Personalized and adaptive math learning system |
-
2023
- 2023-08-15 CN CN202311020329.XA patent/CN116739858B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095447A1 (zh) * | 2017-11-17 | 2019-05-23 | 深圳市鹰硕技术有限公司 | 一种具有远程评价功能的跟随教学方法 |
CN112488527A (zh) * | 2020-12-01 | 2021-03-12 | 胡青业 | 一种基于区块链的学生学习状态分析共享系统 |
CN112990723A (zh) * | 2021-03-24 | 2021-06-18 | 武汉伽域信息科技有限公司 | 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法 |
CN115689571A (zh) * | 2022-09-27 | 2023-02-03 | 中国工商银行股份有限公司 | 异常用户行为监测方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
基于视频观看轨迹的难度感知诊断方法;闵秋莎;李文昊;陈雅婷;;现代教育技术(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116739858A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11138899B2 (en) | Cheating detection in remote assessment environments | |
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
O'donoghue | Research methods for sports performance analysis | |
Lan et al. | Behavior-Based Latent Variable Model for Learner Engagement. | |
CN113506624B (zh) | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预系统 | |
US11475788B2 (en) | Method and system for evaluating and monitoring compliance using emotion detection | |
CN110851723A (zh) | 一种基于大规模知识点标注结果的英语习题推荐方法 | |
Heilbron et al. | Collecting and annotating human activities in web videos | |
JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
CN112069329B (zh) | 文本语料的处理方法、装置、设备及存储介质 | |
CN114049240A (zh) | 基于学生在线学习数据智能推荐题目及学习路径的方法 | |
CN112507792B (zh) | 在线视频关键帧定位方法、定位系统、设备及存储介质 | |
CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
CN114254122A (zh) | 测试题的生成方法、装置、电子设备和可读存储介质 | |
CN116739858B (zh) | 基于时间序列分析的在线学习行为监测系统 | |
CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
CN111275591A (zh) | 一种用于在线教育的教学质量评估方法 | |
US20230105077A1 (en) | Method and system for evaluating and monitoring compliance, interactive and adaptive learning, and neurocognitive disorder diagnosis using pupillary response, face tracking emotion detection | |
CN114169808A (zh) | 计算机实施的学习力评估方法、计算设备、介质和系统 | |
CN112860983B (zh) | 一种学习内容推送的方法、系统、设备及可读存储介质 | |
CN113065757A (zh) | 线上课程授课质量的评价方法及装置 | |
CN117540108B (zh) | 基于考点数据分布式总结的智能推荐答题系统 | |
CN117076782B (zh) | 在线学习平台的课程推荐方法、装置、计算机设备及介质 | |
CN110046147A (zh) | 适用自适应系统的用户学习能力值获取方法及其应用 | |
CN111079002B (zh) | 一种基于隐式反馈数据的偏好计算方法及数据生成装置 |
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 |