CN117390522B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117390522B CN117390522B CN202311694738.8A CN202311694738A CN117390522B CN 117390522 B CN117390522 B CN 117390522B CN 202311694738 A CN202311694738 A CN 202311694738A CN 117390522 B CN117390522 B CN 117390522B
- Authority
- CN
- China
- Prior art keywords
- learning
- learner
- result
- deep
- level
- 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 229
- 230000008569 process Effects 0.000 title claims abstract description 165
- 238000013135 deep learning Methods 0.000 title claims abstract description 90
- 230000004927 fusion Effects 0.000 title claims abstract description 56
- 230000006399 behavior Effects 0.000 claims abstract description 93
- 238000013210 evaluation model Methods 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 8
- 230000005012 migration Effects 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000019771 cognition Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000589562 Brucella Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008133 cognitive development Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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,所述方法包括:获取并分析周期时间内学习者的学习行为轨迹数据和学习结果数据;将学习行为轨迹数据和学习结果数据输入到预训练的在线深度学习等级预测模型,获得学习者的学习过程层次和学习结果层次;基于学习者深度层次类别,对学习者进行归类。本发明能够从过程与结果两个层次全面地刻画学习者情况,实现学生在线深度学习等级的预测。
Description
技术领域
本发明属于计算机技术领域,特别涉及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。
背景技术
深度学习主要聚焦于对知识的深度理解、问题的解决和高阶思维的达成。随着技术的发展,当前在线学习广泛开展,在线学习的质量倍受关注。在e-Learning环境下,深度学习不仅强调高阶思维能力和元认知的发展,同时也注重学习过程的高情感投入和行为投入,即:深度学习分析框架模型应包括过程与结果两个维度;学习者的在线学习行为与学习结果具有高度相关性,通过在线学习行为分析能够有效改善在线教学过程。
在线深度学习主要是学生在学习过程中认知、行为和情感的参与程度。深度学习评价不仅重视结果,更重视过程。
当前主要从在线学习行为过程和在线学习行为结果两个方面对在线学习绩效进行评价。在学习过程方面,学习具有表层过程和深层过程,而且这两种过程是一种互补关系,因此,学生的学习过程必须作为更加主动的认识过程加以展开。学习过程的评价主要为过程性评价,过程性评价主要是针对学习方法、学习参与状态的量化评价,其中学习参与状态的评价以学习分析的形式实现,表现为对学习过程轨迹的提取,数据主要来源于在线课程平台的日志、视频、音频等。在学习结果方面,深度学习的结果性评价主要基于认知深度。布鲁姆认知目标分类理论被视为认知发展的重要工具,尤其是在促进高阶思维方面具有深远的影响,布鲁姆认知目标分类理论奠定了深度学习测量的理论基础,其认知过程依据认知复杂程度由低到高分别为记忆、理解、应用、分析、评价和创造共六个维度,对知识的记忆、理解、应用属于初步的浅层认知,分析、评价、创造属于较高级别的深层认知。
然而,目前大多数在线学习行为分析方法通常将学习过程割裂成独立的行为操作单元,不利于从整体分析把握在线学习活动的过程与规律,不能有效对在线深度学习进行有效评估;而学习又是一个随着时间而发生的过程,新知识建立在现有知识的基础上,通常随着时间的推进,知识也会同比上升,即挖掘在预测在线深度学习等级时应纳入一个时间维度,关注学习者群体与个体在线学习行为轨迹的演化。
综上,当前缺乏针对全周期、全过程学习数据进行在线深度学习等级的评价与预测。主要表现在过程与结果指标体系的缺乏与自动化评价技术的不足,从而导致学习者在线深度学习等级预测缺失的问题。
发明内容
本发明提供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,旨在至少解决现有技术中存在的技术问题之一。
本发明的技术方案涉及基于过程与结果融合的在线深度学习等级预测方法,所述方法包括以下步骤:
S100、获取并分析周期时间内学习者的学习行为轨迹数据和学习结果数据,所述学习行为轨迹数据包括浅层学习行为和深度学习行为,所述学习结果数据包括浅层学习结果和深度学习结果;
S200、将学习行为轨迹数据和学习结果数据输入到预训练的在线深度学习等级预测模型,获得学习者的学习过程层次和学习结果层次,所述学习过程层次包括过程浅层学习者、过程中度学习者和过程深度学习者,所述学习结果层次包括结果浅层学习者、结果中度学习者和结果深度学习者;
S300、基于学习者深度层次类别,对学习者进行归类,所述对学习者进行归类包括对学习者的学习过程层次和学习结果层次进行融合计算,得到融合计算结果,根据融合计算结果把学习者归类为被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者之一。
进一步,所述步骤S200中,所述在线深度学习等级预测模型的预训练过程包括:
S210、获取学习者的学习行为轨迹数据和学习结果数据;
S220、分别对学习行为轨迹数据和学习结果数据进行清洗、筛选和编码,得到学习过程模型训练集和学习结果模型训练集;
S230、基于学习过程数据、学习结果数据和学习的深度情况,确定在线深度学习等级分类指标集;
S240、构建学习过程深度自动化评价模型和学习结果深度自动化评价模型;
S250、将学习结果数据输入到所述学习结果深度自动化评价模型,得到每一个学习者的学习结果层次,将学习过程数据输入到所述学习过程深度自动化评价模型,得到每一个学习者的学习过程层次;
S260、融合计算所述学习结果层次和所述学习过程层次,得到融合学习者群体中单个学习者的在线深度学习层次;
S270、统计每个学习者群体,基于学习者深度层次类别,对学习者进行归类。
进一步,所述步骤S210包括:
所述学习行为轨迹数据包括浅层学习行为和深度学习行为,
所述浅层学习行为包括学习准备模块和知识获取模块,所述学习准备模块包括参与考勤、查看学习报表和浏览课程,所述知识获取模块包括查看学习目标、资源下载和自主标记;
所述深度学习行为包括知识建构与内化模块和知识迁移与应用模块,所述知识建构与内化模块包括查看讨论问题、查看话题、发表讨论内容或评价、修改讨论内容、查看会议和参与会议,所述知识迁移与应用模块包括查看作业要求、完成作业和查看作业反馈;
所述学习结果数据包括浅层学习结果和深度学习结果,
所述浅层学习结果包括记忆与理解模块和应用模块,所述记忆与理解模块包括任务完成数、浏览课程频次、自主标记频次、资源学习频次和查看学习报表频次,所述应用模块包括查看作业频次、完成作业频次和查看作业反馈频次;
所述深度学习结果包括分析模块和评价与创造模块,所述分析模块包括发表贴文频次、浏览主题贴子频次和参与会议频次,所述评价与创造模块包括章节成绩、考试成绩和综合成绩,其中,所述综合成绩为所述章节成绩和所述考试成绩之和的平均值。
进一步,所述学习行为轨迹数据为包含时间戳的行为编码集合,所述行为编码集合为:
;
其中,b为所述行为编码集合,LP1为参与考勤的量化值,LP2为查看学习报表的量化值,LP3为浏览课程的量化值,KA1为查看学习目标的量化值,KA2为资源下载的量化值,KA3为自主标记的量化值,KI1为查看讨论问题的量化值、KI2为查看话题的量化值、KI3为发表讨论内容或评价的量化值、KI4为修改讨论内容的量化值、KI5为查看会议的量化值、KI6为参与会议的量化值。
进一步,所述学习过程深度自动化评价模型基于DTW算法为内核,计算两个学习者学习行为轨迹数据之间的相似性,采用K-Medoide算法构建学习过程深度自动化评价模型,所述学习过程深度自动化评价模型的聚类数量为3个;
所述学习结果深度自动化评价模型采用k-means算法建模,所述学习结果深度自动化评价模型聚类数量为3个,其中k-means算法采用欧式距离计算两个学习者学习结果的距离。
进一步,所述学习结果层次为集合A={结果浅层学习者,结果中度学习者,结果深度学习者};
所述学习过程层次为集合B={过程浅层学习者,过程中度学习者,过程深度学习者}。
进一步,所述融合计算学习结果层次和学习过程层次为对所述学习结果层次集合A与所述学习过程层次集合B作笛卡尔积运算:
C={(A×B={(x,y)|x∈A∧y∈B})},
则C={(结果深度学习者,过程浅层学习者),(结果深度学习者,过程中度学习者),(结果深度学习者,过程深度学习者),(结果中度学习者,过程浅层学习者),(结果中度学习者,过程中度学习者),(结果中度学习者,过程深度学习者),(结果浅层学习者,过程浅层学习者),(结果浅层学习者,过程中度学习者),(结果浅层学习者,过程中度学习者)}。
进一步,所述学习者深度层次类别包括被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者,
其中,
所述被动学习者为C=(结果浅层学习者,过程浅层学习者),
所述低效学习者为C=(结果浅层学习者,过程中度学习者),
所述合作学习者为C=(结果中度学习者,过程中度学习者),
所述高效学习者为C=(结果深度学习者,过程中度学习者),
所述完全深度学习者为C=(结果深度学习者,过程深度学习者)。
本发明还提出基于过程与结果融合的在线深度学习等级预测装置,用于实现上述的基于过程与结果融合的在线深度学习等级预测方法,所述基于过程与结果融合的在线深度学习等级预测装置包括:
数据采集单元,用于采集学习者的学习行为轨迹数据和学习结果数据;
数据处理单元,用于处理采集学习者的学习行为轨迹数据和学习结果数据,得到学习者的学习过程层次,所述数据处理单元与所述数据采集单元连接;
双向聚类融合单元,用于计算不同学习者的笛卡尔积,以对学习者类型进行归类,所述双向聚类融合单元与所述数据处理单元连接。
本发明还提出一种计算机可读存储介质,其上储存有程序指令,所述程序指令被处理器执行时实施基于过程与结果融合的在线深度学习等级预测方法。
与现有的技术相比,本发明具有以下的特点。
本发明能够从过程与结果两个层次全面地刻画学习者情况,实现学生在线深度学习等级的预测。
附图说明
图1为基于过程与结果融合的在线深度学习等级预测方法的流程图。
图2基于过程与结果融合的在线深度学习等级预测方法中所述在线深度学习等级预测模型的预训练的流程图。
图3为基于过程与结果融合的在线深度学习等级预测方法中的整体步骤的示意图。
图4为基于过程与结果融合的在线深度学习等级预测方法中在线课程平台数据分类图。
图5为基于过程与结果融合的在线深度学习等级预测方法中学习者过程数据分类处理。
图6为基于过程与结果融合的在线深度学习等级预测方法中学习者过程行为分析图。
图7为基于过程与结果融合的在线深度学习等级预测方法中两个学习者的时间序列的相似性示意图。
图8为基于过程与结果融合的在线深度学习等级预测方法中被动学习者活动路径的分析图。
图9为基于过程与结果融合的在线深度学习等级预测方法中被动学习者行为模式的分析图。
图10为基于过程与结果融合的在线深度学习等级预测方法中完全深度学习者活动路径的分析图。
图11为基于过程与结果融合的在线深度学习等级预测方法中完全深度学习者行为模式的分析图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。本文所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。此外,本文所采用的行业术语“位姿”是指某个元件相对于空间坐标系的位置和姿态。
参照图1至图11,本发明实施例提供了基于过程与结果融合的在线深度学习等级预测方法,基于过程与结果融合的在线深度学习等级预测方法,参照图1,所述方法包括以下步骤:
S100、获取并分析周期时间内学习者的学习行为轨迹数据和学习结果数据,所述学习行为轨迹数据包括浅层学习行为和深度学习行为,所述学习结果数据包括浅层学习结果和深度学习结果;
S200、将学习行为轨迹数据和学习结果数据输入到预训练的在线深度学习等级预测模型,获得学习者的学习过程层次和学习结果层次,所述学习过程层次包括过程浅层学习者、过程中度学习者和过程深度学习者,所述学习结果层次包括结果浅层学习者、结果中度学习者和结果深度学习者;
S300、基于学习者深度层次类别,对学习者进行归类,所述对学习者进行归类包括对学习者的学习过程层次和学习结果层次进行融合计算,得到融合计算结果,根据融合计算结果把学习者归类为被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者之一。
具体的,所述的基于过程与结果融合的在线深度学习等级预测方法,获取学习周期内的学习行为指标与学习者认知质量,输入到预训练好的预测在线深度学习等级模型中,获取学习者的在线深度学习等级,其中,所述的预训练好的在线深度学习评价模型的获取包括如下步骤:获取包括全周期学习过程的行为点击流,以及学习结果认知数据作为训练集,其中,所述训练样本集中的每个样本均包括行为指标点击流和对应的认知结果数据,所述的行为指标包括讨论行为中的查看、发言、上传资料、下载、删除等指标;基于所述训练样本集对所述在线深度学习等级预测模型进行训练,通过多轮学习,获得所述预训练好的在线深度学习等级预测模型。本发明实现基于DTW算法,挖掘在线深度学习行为模式,得到被动学习者、低效学习者、合格学习者、高效学习者,以及完全深度学习者等5类学习者群体,在学习过程的学习深度和学习结果两个维度上进行全面评价。
与现有的技术相比,本发明具有以下的特点。
本发明能够从过程与结果两个层次全面地刻画学习者情况,实现学生在线深度学习等级的预测。
进一步,参照图2和图3,所述步骤S200中,所述在线深度学习等级预测模型的预训练过程包括:
S210、获取学习者的学习行为轨迹数据和学习结果数据;
S220、分别对学习行为轨迹数据和学习结果数据进行清洗、筛选和编码,得到学习过程模型训练集和学习结果模型训练集;
S230、基于学习过程数据、学习结果数据和学习的深度情况,确定在线深度学习等级分类指标集;
S240、构建学习过程深度自动化评价模型和学习结果深度自动化评价模型;
S250、将学习结果数据输入到所述学习结果深度自动化评价模型,得到每一个学习者的学习结果层次,将学习过程数据输入到所述学习过程深度自动化评价模型,得到每一个学习者的学习过程层次;
S260、融合计算所述学习结果层次和所述学习过程层次,得到融合学习者群体中单个学习者的在线深度学习层次;
S270、统计每个学习者群体,基于学习者深度层次类别,对学习者进行归类。
进一步,参照图2至图4,所述步骤S210包括:
所述学习行为轨迹数据包括浅层学习行为和深度学习行为,
所述浅层学习行为包括学习准备模块和知识获取模块,所述学习准备模块包括参与考勤、查看学习报表和浏览课程,所述知识获取模块包括查看学习目标、资源下载和自主标记;
所述深度学习行为包括知识建构与内化模块和知识迁移与应用模块,所述知识建构与内化模块包括查看讨论问题、查看话题、发表讨论内容或评价、修改讨论内容、查看会议和参与会议,所述知识迁移与应用模块包括查看作业要求、完成作业和查看作业反馈;
所述学习结果数据包括浅层学习结果和深度学习结果,
所述浅层学习结果包括记忆与理解模块和应用模块,所述记忆与理解模块包括任务完成数、浏览课程频次、自主标记频次、资源学习频次和查看学习报表频次,所述应用模块包括查看作业频次、完成作业频次和查看作业反馈频次;
所述深度学习结果包括分析模块和评价与创造模块,所述分析模块包括发表贴文频次、浏览主题贴子频次和参与会议频次,所述评价与创造模块包括章节成绩、考试成绩和综合成绩,其中,所述综合成绩为所述章节成绩和所述考试成绩之和的平均值。
具体地,表1为基于在线深度学习行为轨迹的编码:
;
具体地,表2为基于在线学习行为结果的编码:
;
进一步,参照图2至图4,所述学习行为轨迹数据为包含时间戳的行为编码集合,所述行为编码集合为:
其中,b为所述行为编码集合,LP1为参与考勤的量化值,LP2为查看学习报表的量化值,LP3为浏览课程的量化值,KA1为查看学习目标的量化值,KA2为资源下载的量化值,KA3为自主标记的量化值,KI1为查看讨论问题的量化值、KI2为查看话题的量化值、KI3为发表讨论内容或评价的量化值、KI4为修改讨论内容的量化值、KI5为查看会议的量化值、KI6为参与会议的量化值,
由于在线学习的自主性,在线学习的行为数量可能因个体而异,对于不同的学习者,所述行为编码集合的长度不同。
具体地,每个学习者的行为轨迹是根据他们在课程学习时与任务交互的时间戳编制。即每个学习者的在线行为轨迹被描述为有序集合:
其中,是学习者交互的第行为的编码(见表1)。需要注意的是,由于在线学习的自主性,在线学习的行为数量可能因个体而异,因此对于不同的学习者来而言,集合的长度可能不同。
进一步,参照图5至图8,所述学习过程深度自动化评价模型基于DTW算法为内核,计算两个学习者学习行为轨迹数据之间的相似性,采用K-Medoide算法构建学习过程深度自动化评价模型,所述学习过程深度自动化评价模型的聚类数量为3个;
所述学习结果深度自动化评价模型采用k-means算法建模,所述学习结果深度自动化评价模型聚类数量为3个,其中k-means算法采用欧式距离计算两个学习者学习结果的距离。
进一步,参照图5至图8,所述学习结果层次为集合A={结果浅层学习者,结果中度学习者,结果深度学习者};
所述学习过程层次为集合B={过程浅层学习者,过程中度学习者,过程深度学习者}。
进一步,参照图5至图11,所述融合计算学习结果层次和学习过程层次为对所述学习结果层次集合A与所述学习过程层次集合B作笛卡尔积运算:
C={(A×B={(x,y)|x∈A∧y∈B})},
则C={(结果深度学习者,过程浅层学习者),(结果深度学习者,过程中度学习者),(结果深度学习者,过程深度学习者),(结果中度学习者,过程浅层学习者),(结果中度学习者,过程中度学习者),(结果中度学习者,过程深度学习者),(结果浅层学习者,过程浅层学习者),(结果浅层学习者,过程中度学习者),(结果浅层学习者,过程中度学习者)}。
进一步,参照图5至图8,所述学习者深度层次类别包括被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者,其中,
所述被动学习者为C=(结果浅层学习者,过程浅层学习者),
所述低效学习者为C=(结果浅层学习者,过程中度学习者),
所述合作学习者为C=(结果中度学习者,过程中度学习者),
所述高效学习者为C=(结果深度学习者,过程中度学习者),
所述完全深度学习者为C=(结果深度学习者,过程深度学习者)。
具体地,针对每个学习者群体进行统计,按占比数选择,(结果浅层学习者,过程浅层学习者)、(结果浅层学习者,过程中度学习者)、(结果中度学习者,过程中度学习者)、(结果深度学习者,过程中度学习者)、(结果深度学习者,过程深度学习者)等5个群体作为融合模型的最终结果,分别命名为:被动学习者,低效学习者,合作学习者,高效学习者,完全深度学习者。
具体地,表3为学习者深度层次:
;
参照图9,为被动学习者行为模式,节点代表学习行为,其中LP和KA分别代表浅层学习中的学习准备和知识获取行为,KI和KTA分别代表深度学习中知识建构与内化和知识迁移与应用。边上的数值代表每种行为向其他行为转换的频率,即调整后的残差值Z-score。
参照图11,为完全深度学习者行为模式,节点代表学习行为,其中LP和KA分别代表浅层学习中的学习准备和知识获取行为,KI和KTA分别代表深度学习中知识建构与内化和知识迁移与应用。边上的数值代表每种行为向其他行为转换的频率,即调整后的残差值Z-score。
本发明还提出基于过程与结果融合的在线深度学习等级预测装置,用于实现上述的基于过程与结果融合的在线深度学习等级预测方法,所述基于过程与结果融合的在线深度学习等级预测装置包括:
数据采集单元,用于采集学习者的学习行为轨迹数据和学习结果数据;
数据处理单元,用于处理采集学习者的学习行为轨迹数据和学习结果数据,得到学习者的学习过程层次,所述数据处理单元与所述数据采集单元连接;
双向聚类融合单元,用于计算不同学习者的笛卡尔积,以对学习者类型进行归类,所述双向聚类融合单元与所述数据处理单元连接。
在一些实施例中,参照图3,还包括模式挖掘与可视化单元,所述模式挖掘与可视化单元与所述双向聚类融合单元连接。
本发明还提出一种计算机可读存储介质,其上储存有程序指令,所述程序指令被处理器执行时实施基于过程与结果融合的在线深度学习等级预测方法。
应当认识到,本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还可以包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (9)
1.基于过程与结果融合的在线深度学习等级预测方法,其特征在于,所述方法包括以下步骤:
S100、获取并分析周期时间内学习者的学习行为轨迹数据和学习结果数据,所述学习行为轨迹数据包括浅层学习行为和深度学习行为,所述学习结果数据包括浅层学习结果和深度学习结果;
S200、将学习行为轨迹数据和学习结果数据输入到预训练的在线深度学习等级预测模型,获得学习者的学习过程层次和学习结果层次,所述学习过程层次包括过程浅层学习者、过程中度学习者和过程深度学习者,所述学习结果层次包括结果浅层学习者、结果中度学习者和结果深度学习者;
所述步骤S200中,所述在线深度学习等级预测模型的预训练过程包括:
S210、获取学习者的学习行为轨迹数据和学习结果数据;
S220、分别对学习行为轨迹数据和学习结果数据进行清洗、筛选和编码,得到学习过程模型训练集和学习结果模型训练集;
S230、基于学习过程数据、学习结果数据和学习的深度情况,确定在线深度学习等级分类指标集;
S240、构建学习过程深度自动化评价模型和学习结果深度自动化评价模型;
S250、将学习结果数据输入到所述学习结果深度自动化评价模型,得到每一个学习者的学习结果层次,将学习过程数据输入到所述学习过程深度自动化评价模型,得到每一个学习者的学习过程层次;
S260、融合计算所述学习结果层次和所述学习过程层次,得到融合学习者群体中单个学习者的在线深度学习层次;
S270、统计每个学习者群体,基于学习者深度层次类别,对学习者进行归类;
S300、基于学习者深度层次类别,对学习者进行归类,所述对学习者进行归类包括对学习者的学习过程层次和学习结果层次进行融合计算,得到融合计算结果,根据融合计算结果把学习者归类为被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者之一。
2.根据权利要求1所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,所述步骤S210包括:
所述学习行为轨迹数据包括浅层学习行为和深度学习行为,
所述浅层学习行为包括学习准备模块和知识获取模块,所述学习准备模块包括参与考勤、查看学习报表和浏览课程,所述知识获取模块包括查看学习目标、资源下载和自主标记;
所述深度学习行为包括知识建构与内化模块和知识迁移与应用模块,所述知识建构与内化模块包括查看讨论问题、查看话题、发表讨论内容或评价、修改讨论内容、查看会议和参与会议,所述知识迁移与应用模块包括查看作业要求、完成作业和查看作业反馈;
所述学习结果数据包括浅层学习结果和深度学习结果,
所述浅层学习结果包括记忆与理解模块和应用模块,所述记忆与理解模块包括任务完成数、浏览课程频次、自主标记频次、资源学习频次和查看学习报表频次,所述应用模块包括查看作业频次、完成作业频次和查看作业反馈频次;
所述深度学习结果包括分析模块和评价与创造模块,所述分析模块包括发表贴文频次、浏览主题贴子频次和参与会议频次,所述评价与创造模块包括章节成绩、考试成绩和综合成绩,其中,所述综合成绩为所述章节成绩和所述考试成绩之和的平均值。
3.根据权利要求2所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,所述学习行为轨迹数据为包含时间戳的行为编码集合,所述行为编码集合为:
b∈{LP1,LP2,LP3,KA1,KA2,KA3,KI1,KI2,KI3,KI4,KI5,KI6,KTA1,KTA2,KTA3}
其中,b为所述行为编码集合,LP1为参与考勤的量化值,LP2为查看学习报表的量化值,LP3为浏览课程的量化值,KA1为查看学习目标的量化值,KA2为资源下载的量化值,KA3为自主标记的量化值,KI1为查看讨论问题的量化值、KI2为查看话题的量化值、KI3为发表讨论内容或评价的量化值、KI4为修改讨论内容的量化值、KI5为查看会议的量化值、KI6为参与会议的量化值。
4.根据权利要求1所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,
所述学习过程深度自动化评价模型基于DTW算法为内核,计算两个学习者学习行为轨迹数据之间的相似性,采用K-Medoide算法构建学习过程深度自动化评价模型,所述学习过程深度自动化评价模型的聚类数量为3个;
所述学习结果深度自动化评价模型采用k-means算法建模,所述学习结果深度自动化评价模型聚类数量为3个,其中k-means算法采用欧式距离计算两个学习者学习结果的距离。
5.根据权利要求1所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,
所述学习结果层次为集合A={结果浅层学习者,结果中度学习者,结果深度学习者};
所述学习过程层次为集合B={过程浅层学习者,过程中度学习者,过程深度学习者}。
6.根据权利要求5所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,
所述融合计算学习结果层次和学习过程层次为对所述学习结果层次集合A与所述学习过程层次集合B作笛卡尔积运算:
C={(A×B={(x,y)|x∈A∧y∈B})},
则C={(结果深度学习者,过程浅层学习者),(结果深度学习者,过程中度学习者),(结果深度学习者,过程深度学习者),(结果中度学习者,过程浅层学习者),(结果中度学习者,过程中度学习者),(结果中度学习者,过程深度学习者),(结果浅层学习者,过程浅层学习者),(结果浅层学习者,过程中度学习者),(结果浅层学习者,过程中度学习者)}。
7.根据权利要求6所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,所述学习者深度层次类别包括被动学习者、低效学习者、合作学习者、高效学习者和完全深度学习者,
其中,
所述被动学习者为C=(结果浅层学习者,过程浅层学习者),
所述低效学习者为C=(结果浅层学习者,过程中度学习者),
所述合作学习者为C=(结果中度学习者,过程中度学习者),
所述高效学习者为C=(结果深度学习者,过程中度学习者),
所述完全深度学习者为C=(结果深度学习者,过程深度学习者)。
8.基于过程与结果融合的在线深度学习等级预测装置,用于实现如权利要求1至7任一项所述的基于过程与结果融合的在线深度学习等级预测方法,其特征在于,所述基于过程与结果融合的在线深度学习等级预测装置包括:
数据采集单元,用于采集学习者的学习行为轨迹数据和学习结果数据;
数据处理单元,用于处理采集学习者的学习行为轨迹数据和学习结果数据,得到学习者的学习过程层次,所述数据处理单元与所述数据采集单元连接;
双向聚类融合单元,用于计算不同学习者的笛卡尔积,以对学习者类型进行归类,所述双向聚类融合单元与所述数据处理单元连接。
9.一种计算机可读存储介质,其上储存有程序指令,所述程序指令被处理器执行时实施如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694738.8A CN117390522B (zh) | 2023-12-12 | 2023-12-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694738.8A CN117390522B (zh) | 2023-12-12 | 2023-12-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390522A CN117390522A (zh) | 2024-01-12 |
CN117390522B true CN117390522B (zh) | 2024-03-29 |
Family
ID=89468699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311694738.8A Active CN117390522B (zh) | 2023-12-12 | 2023-12-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390522B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203635A (zh) * | 2016-06-29 | 2016-12-07 | 北京师范大学 | 一种在线学习行为投入数据采集与分析系统及方法 |
CN106408475A (zh) * | 2016-09-30 | 2017-02-15 | 中国地质大学(北京) | 一种在线课程适用性评价方法 |
CN107180568A (zh) * | 2017-06-30 | 2017-09-19 | 楼志刚 | 一种基于过程控制和结果评价的交互式学习平台及方法 |
CN108874861A (zh) * | 2018-04-19 | 2018-11-23 | 华南师范大学 | 一种教学大数据可视化分析系统及方法 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
JP2019159835A (ja) * | 2018-03-13 | 2019-09-19 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
CN110648263A (zh) * | 2019-09-27 | 2020-01-03 | 世纪海航(厦门)科技有限公司 | 一种基于校园大数据的自适应学习方法、装置及设备 |
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 |
CN116308935A (zh) * | 2023-05-19 | 2023-06-23 | 湖南师范大学 | 基于多特征建模和多层次评价的学习预警方法及装置 |
CN116361744A (zh) * | 2023-03-29 | 2023-06-30 | 华中师范大学 | 一种面向学习过程性评价的学习者认知追踪方法及系统 |
CN116701618A (zh) * | 2023-04-24 | 2023-09-05 | 南京邮电大学 | 一种面向工业终端网络流量检测的图谱联邦学习隐私增强方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120019153A (ko) * | 2010-08-25 | 2012-03-06 | 에스케이 텔레콤주식회사 | 학습 플랜 분석 방법, 장치 및 시스템 |
JP7020156B2 (ja) * | 2018-02-06 | 2022-02-16 | オムロン株式会社 | 評価装置、動作制御装置、評価方法、及び評価プログラム |
-
2023
- 2023-12-12 CN CN202311694738.8A patent/CN117390522B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203635A (zh) * | 2016-06-29 | 2016-12-07 | 北京师范大学 | 一种在线学习行为投入数据采集与分析系统及方法 |
CN106408475A (zh) * | 2016-09-30 | 2017-02-15 | 中国地质大学(北京) | 一种在线课程适用性评价方法 |
CN107180568A (zh) * | 2017-06-30 | 2017-09-19 | 楼志刚 | 一种基于过程控制和结果评价的交互式学习平台及方法 |
JP2019159835A (ja) * | 2018-03-13 | 2019-09-19 | 富士通株式会社 | 学習プログラム、学習方法および学習装置 |
CN108874861A (zh) * | 2018-04-19 | 2018-11-23 | 华南师范大学 | 一种教学大数据可视化分析系统及方法 |
CN109213863A (zh) * | 2018-08-21 | 2019-01-15 | 北京航空航天大学 | 一种基于学习风格的自适应推荐方法及系统 |
CN110648263A (zh) * | 2019-09-27 | 2020-01-03 | 世纪海航(厦门)科技有限公司 | 一种基于校园大数据的自适应学习方法、装置及设备 |
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 |
CN116361744A (zh) * | 2023-03-29 | 2023-06-30 | 华中师范大学 | 一种面向学习过程性评价的学习者认知追踪方法及系统 |
CN116701618A (zh) * | 2023-04-24 | 2023-09-05 | 南京邮电大学 | 一种面向工业终端网络流量检测的图谱联邦学习隐私增强方法 |
CN116308935A (zh) * | 2023-05-19 | 2023-06-23 | 湖南师范大学 | 基于多特征建模和多层次评价的学习预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于全连接神经网络的在线学习行为分类判别;普运伟等;《现代电子技术》;20230731;第46卷(第17期);89-94 * |
智慧教室中的教学交互对大学生深度学习的影响研究;陈蓓蕾;《全国优秀博士学位论文全文数据库》;20210615;H127-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390522A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Troiano et al. | Replicating a trading strategy by means of LSTM for financial industry applications | |
Wang et al. | Learning to Represent Student Knowledge on Programming Exercises Using Deep Learning. | |
Scaradozzi et al. | Identification of the students learning process during education robotics activities | |
Arashpour et al. | Predicting individual learning performance using machine‐learning hybridized with the teaching‐learning‐based optimization | |
De Souza et al. | Data mining framework to analyze the evolution of computational thinking skills in game building workshops | |
WO2017041066A1 (en) | Flexible, personalized student success modeling for institutions with complex term structures and competency-based education | |
Wang et al. | A systematic review of empirical studies using log data from open‐ended learning environments to measure science and engineering practices | |
Krakowski et al. | Authentic integration of ethics and AI through sociotechnical, problem-based learning | |
Rafferty et al. | Estimating student knowledge from paired interaction data | |
Soomro et al. | A framework to analyse digital fabrication projects: The role of design creativity | |
Yang et al. | Student in-class behaviors detection and analysis system based on CBAM-YOLOv5 | |
Huizhong et al. | Research on the automation integration terminal of the education management platform based on big data analysis | |
CN117390522B (zh) | 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 | |
Rahul et al. | Deep auto encoder based on a transient search capsule network for student performance prediction | |
Ocak et al. | An AI-enhanced pattern recognition approach to temporal and spatial analysis of children's embodied interactions | |
Stathopoulos et al. | Deception detection in videos using robust facial features | |
Mousa et al. | Random walk generation and classification within an online learning platform. | |
Toivonen | Open machine intelligence in education | |
Nur | Developing temporal machine learning approaches to support modeling, explaining, and sensemaking of academic success and risk of undergraduate students | |
Bala et al. | Implementation of an adaptive E-learning platform with facial emotion recognition | |
Obukhov et al. | Methodology for the Development of Adaptive Training Systems Based on Neural Network Methods | |
Bueff et al. | Explainability in machine learning: a pedagogical perspective | |
Jang et al. | Machine Learning-Based Programming Analysis Model Proposal: Based on User Behavioral Analysis | |
Chaparro et al. | Learning Analytics in Computer Programming Courses. | |
RAJESH | What is Artificial Intelligence? |
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 |