基于高校教学大数据的学习行为评价方法及系统与流程

本申请涉及学习数据分析领域，尤其涉及一种基于高校教学大数据的学习行为评价方法及系统。

背景技术：

随着互联网技术的发展，出现了多种新型的“互联网+教育”的教育形式，例如，mooc(massiveopenonlinecourse，大型开放式网络课程)和spoc(smallprivateonlinecourse，小规模限制性在线课程)，对传统教学产生了巨大的冲击，全世界的学习者们可以不受时间和地域的限制，通过互联网，随时随地的进行学习、讨论和评测，更轻松的获取知识。互联网教育数据的分析对对互联网教育的推动具有重大的影响。

现有的教育数据分析大多借助各种通用的调查网站或者人工进行问卷调查，对调查结果进行综合分析，从而对教师在教学内容、教学手段和教学效果等方面做出评价。

然而，现有技术中通过调查网站或者人工进行问卷调查获得的数据其数据比较零散，且获取数据耗时长，难以进行数据积累，进行大数据分析，同时没有针对教育培训的各阶段进行单独的分析，降低了教育数据分析的效率和分析结果的可靠性。

技术实现要素：

为克服相关技术中存在的问题，公开了如下技术方案：

本申请实施例提供的基于高校教学大数据的学习行为评价方法，包括：

获取全体预设题号正确率以及全体预设题号通过率；

根据所述全体预设题号正确率和全体预设题号通过率计算预设题号难易度；

获取用户预设题量的提交次数，根据所述提交次数以及与预设题量相对应的预设题号难易度，计算用户的做题坚持度；

根据所述做题坚持度确定用户的学习性格；

获取个人正确率，根据所述个人正确率、做题坚持度以及学习性格确定用户学习状态，其中，所述个人正确率包括个人全部题号正确率和个人预设题号正确率；

根据所述学习状态、个人全部题号正确率做题坚持度以及学习性格确定用户未来发展趋势。

可选地，还包括：

获取用户预设时间内提交答案的类型，根据所述类型计算用户的题型比例；

根据所述题型比例确定用户做题偏向。

可选地，还包括：

获取用户预设时间内各时间段提交答案的次数，根据所述次数计算个人时间段正确率；

根据所述个人时间段正确率、做题坚持度计算用户的最佳做题时间。

可选地，获取全体预设题号通过率包括：

获取预设题号的正确提交次数以及提交总次数；

根据所述正确提交次数以及提交总次数计算全体预设题号通过率。

可选地，所述根据所述全体预设题号正确率和全体预设题号通过率计算预设题号难易度包括：

计算所述全体预设题号正确率的均值，将所述均值作为总体正确率；

根据所述题号通过率和总体正确率计算题号难易度。

可选地，所述获取个人正确率包括：

获取用户预设题号通过次数以及提交总次数；

根据所述预设题号通过次数以及提交总次数计算个人预设题号正确率；

获取用户全部题号通过次数以及提交总次数；

根据所述全部题号通过次数以及提交总次数计算个人全部题号正确率。

可选地，所述根据所述做题坚持度确定用户的学习性格包括：

当做题坚持度大于0小于或等于10％时，确定学习性格为一挫即折型；

当做题坚持度大于11％小于或等于35％时，确定学习性格为懈怠犯懒型；

当做题坚持度大于36％小于或等于70％时，确定学习性格为循序渐进型；

当做题坚持度大于71％小于或等于90％时，确定学习性格为认真努力型；

当做题坚持度大于91％小于或等于100％时，确定学习性格为坚忍不拔型。

本申请实施例提供的基于高校教学大数据的学习行为评价系统，包括：

采集模块，用于采集用户的学习信息；

分析模块，用于根据所述学习数据进行分析；

显示模块，用于将分析结果进行显示；

用户信息模块，用于存储用户编号、用户账号、用户名、密码以及学习性格；

问题模块，用于存储题号编号、通过率、难易度以及题号类型；

学生状态模块，用于存储学生编号、提交题号数、正确率、学生性格以及起始时间；

提交记录模块，用于存储提交者账号、问题编号、提交时间、提交结果；

学生信息模块，用于存储学生账号、已解决题数、未解决题数、提交总数、准确率、正确题数、答案错误题数、时间超限题数；

所述采集模块与在线学习平台或学校教务系统连接，所述用户信息模块、问题模块、学生状态模块、提交记录模块以及学生信息模块均分别与采集模块和分析模块连接，所述采集模块和分析模块分别与显示模块连接。

本申请实施例提供的基于高校教学大数据的学习行为评价方法包括：获取全体预设题号正确率以及全体预设题号通过率；根据全体预设题号正确率和全体预设题号通过率计算预设题号难易度；获取用户预设题量的提交次数，根据提交次数以及与预设题量相对应的预设题号难易度，计算用户的做题坚持度；根据做题坚持度确定用户的学习性格；获取个人正确率，根据个人正确率、做题坚持度以及学习性格确定用户学习状态，其中，个人正确率包括个人全部题号正确率和个人预设题号正确率；根据学习状态、个人全部题号正确率做题坚持度以及学习性格确定用户未来发展趋势。通过从在线学习平台获取学生的学习数据能够降低数据获取的时间并能够保证获取的数据的准确性，有效提高教育数据分析的效率和分析结果的可靠性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的基于高校教学大数据的学习行为评价方法的流程示意图；

图2为本申请实施例提供的基于高校教学大数据的学习行为评价系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

参见图1为本申请实施例提供的基于高校教学大数据的学习行为评价方法的流程示意图，如图1所示，本申请实施例提供的基于高校教学大数据的学习行为评价方法，其特征在于，包括：

s10：获取全体预设题号正确率以及全体预设题号通过率。

全体预设题号正确率以及全体预设题号通过率可以从在线学习平台或者学校教务系统获得，在线学习平台在学生提交完答案之后会对答案进行统计，而学校的教务系统在对学生的考试情况进行统计时也会对每道题目的情况都进行统计，因此全体预设题号正确率以及全体预设题号通过率容易获得。

对于没有直接数据的情况可以根据一下步骤获得：

s11：获取预设题号的正确提交次数以及提交总次数。

s12：根据所述正确提交次数以及提交总次数计算全体预设题号正确率和全体预设题号通过率。

正确率公式为：pij＝pnij/snij，其中pnij表示第i个学生对第j个问题的正确提交次数；snij表示提交总数。

通过率公式：pi＝pni/sni，其中pni指全部学生对第i道题提交正确的总次数，sni指全部学生对第i道题提交的总次数。

现对正确率和通过率进行举例说明，设有10个学生对同一题目进行答案提价，除一名学生外其他学生均提交了正确答案，答案提交错误的学生在第4次提交时答案正确，则可以计算出这10名学生的通过率为100％(即在计算通过率时不考虑个别学生的提交次数)，而该学生对于该题目的正确率为25％，全体学生对于改题目的正确率为92.5％(全部学生正确率的平均值)。

s20：根据所述全体预设题号正确率和全体预设题号通过率计算预设题号难易度。

其中，根据所述全体预设题号正确率和全体预设题号通过率计算预设题号难易度包括：

s21：计算所述全体预设题号正确率的均值，将所述均值作为总体正确率。

s22：根据所述题号通过率和总体正确率计算题号难易度。

s30：获取用户预设题量的提交次数，根据所述提交次数以及与预设题量相对应的预设题号难易度，计算用户的做题坚持度。

随机获取某一学生100道题的提交信息，并获取这100道题对应的题号难易度，对学生对每一道题的坚持度进行计算，设坚持度变量为p，p取值为1～100，若该学生提交此题的最终结果为错，则设权值ra＝5，p＝ra*此题提交次数，若题目最终结果为对，则设权值rb＝1/题目难易程度(计算全体学生通过率)，p＝rb*此题提交次数，根据p值做出学生做题坚持度图，计算出全部100道题p值的平均值。需要说明的是，权值ra的具体数值由用户根据实际情况自行设置，这里仅为一示例性说明。

s40：根据所述做题坚持度确定用户的学习性格。

学习状态分析通过和学生之前数据的进行纵向比较，来判断学生的当前学习状态是变的更好还是有所下滑还是趋于平稳

其中，根据所述做题坚持度确定用户的学习性格包括：

当做题坚持度大于0小于或等于10％时，确定学习性格为一挫即折型，

当做题坚持度大于11％小于或等于35％时，确定学习性格为懈怠犯懒型，

当做题坚持度大于36％小于或等于70％时，确定学习性格为循序渐进型，

当做题坚持度大于71％小于或等于90％时，确定学习性格为认真努力型，

当做题坚持度大于91％小于或等于100％时，确定学习性格为坚忍不拔型。

用户也可以根据实际情况对学习性格进行划分。

s50：获取个人正确率，根据所述个人正确率、做题坚持度以及学习性格确定用户学习状态，其中，所述个人正确率包括个人全部题号正确率和个人预设题号正确率。

其中，获取个人正确率包括：

s51：获取用户预设题号通过次数以及提交总次数。

s52：根据所述预设题号通过次数以及提交总次数计算个人预设题号正确率。

根据公式pij＝pnij/snij计算个人预设题号正确率。

s53：获取用户全部题号通过次数以及提交总次数。

s54：根据所述全部题号通过次数以及提交总次数计算个人全部题号正确率。

通过公式pij＝pnij/snij计算出各题号的正确率之后，对所有题号的正确率取平均值。

s60：根据所述学习状态、个人全部题号正确率做题坚持度以及学习性格确定用户未来发展趋势。

学习走向分析主要通过学习状态累说明说明学生最近的学习进度。

本申请实施例提供的基于高校教学大数据的学习行为评价方法包括：

s70：获取用户预设时间内提交答案的类型，根据所述类型计算用户的题型比例。

s71：根据所述题型比例确定用户做题偏向。

通过结合最近的学习状态和做题偏向可以反应该学生最近时间内正在钻研的领域，学习状态说明它在该领域前进的速度。

本申请实施例提供的基于高校教学大数据的学习行为评价方法还包括：

s80：获取用户预设时间内各时间段提交答案的次数，根据所述次数计算个人时间段正确率。

s81：根据所述个人时间段正确率、做题坚持度计算用户的最佳做题时间。

获取某一学生3周内各个时间段提交答案次数，并绘制图表，用纵轴表示周一至周日，横轴表示1时至24时，根据某个时间段提交答案次数的三周平均值，对相应位置块做颜色色深的增减。

获取该学生3周内各个时间段提交正确次数与总提交次数计算出个人时间段正确率并绘制图表，用纵轴表示周一至周日，横轴表示1时至24时，根据学生3周内在某个时间段提交答案正确率的三周平均值，对相应位置块做颜色色深的增减。

通过交叉对比得出该生的最佳做题时间。

本申请实施例提供的基于高校教学大数据的学习行为评价方法，通过从在线学习平台获取学生的学习数据能够降低数据获取的时间并能够保证获取的数据的准确性，有效提高教育数据分析的效率和分析结果的可靠性。

参见图2，为本申请实施例提供的基于高校教学大数据的学习行为评价系统的结构示意图，如图2所示，本申请实施例还提供了基于高校教学大数据的学习行为评价系统，包括：

采集模块，用于采集用户的学习信息；

分析模块，用于根据所述学习信息进行分析；

显示模块，用于将所述分析模块的分析结果进行显示；

用户信息模块，用于存储用户编号、用户账号、用户名、密码以及学习性格；

问题模块，用于存储题号编号、通过率、难易度以及题号类型；

学生状态模块，用于存储学生编号、提交题号数、正确率、学生性格以及起始时间；

提交记录模块，用于存储提交者账号、问题编号、提交时间、提交结果；

学生信息模块，用于存储学生账号、已解决题数、未解决题数、提交总数、准确率、正确题数、答案错误题数和时间超限题数；

所述采集模块与在线学习平台或学校教务系统连接，所述用户信息模块、问题模块、学生状态模块、提交记录模块以及学生信息模块均分别与采集模块和分析模块连接，所述采集模块和分析模块分别与显示模块连接。

本申请实施例提供的基于高校教学大数据的学习行为评价系统，通过直接与在线学习平台或者教务系统连接可以获得最准确的教学数据，降低了教学数据获取的时间，有效提高教育数据分析的效率和分析结果的可靠性。

需要说明的是，在本文中，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。

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

以上所述的本申请实施方式并不构成对本申请保护范围的限定。