一种面向网络教育的成绩不良学习者识别方法与流程

技术特征：

1.一种面向网络教育的成绩不良学习者识别方法，其特征在于：包括以下步骤：

1)特征抽取

根据网络教育学习者个体特质数据以及在线行为日志数据，通过分析确定与成绩不良学习者识别相关的个体特质特征和在线行为特征；

2)成绩不良学习者识别

将成绩不良学习者的识别抽象为对于网络教育学习者中成绩不良学习者和成绩合格学习者的分类问题，采用分类器对所述分类问题进行分类模型训练，训练采用的样本集由学习同一课程的不同网络教育学习者的特征样本以及课程成绩组成，每个网络教育学习者的特征样本包括课程特征、与成绩不良学习者识别相关的个体特质特征以及与成绩不良学习者识别相关的在线行为特征，其中，所述在线行为特征由给定的特征约束策略控制采样的时间范围及深度，通过所述训练得到对应时间范围下的成绩不良学习者识别模型；

所述个体特质特征表示为：

F_b＝(sex,semster,bg,sp,prov,marriage,lc)

其中：F_b表示所述个体特质特征的集合，sex表示性别，semster表示所处学期，bg表示学历背景，sp表示专业，prov表示所在省份，marriage表示婚姻状况，lc表示所在学习中心；

所述特征约束策略包括基于时间窗口划分的特征约束策略和基于学习时长阈值划分的特征约束策略；

基于时间窗口划分的特征约束策略通过将学期进行时间窗口划分，产生w个独立的时间窗口，并将在线行为特征的采样时间范围约束在对应时间窗口内，从而得到学期中与时间窗口对应的阶段内的在线行为特征；

基于学习时长阈值划分的特征约束策略通过设定短时长阈值c₁和长时长阈值c₂，将与学习频次相关的在线行为特征按照学习时长较短、学习时长中等和学习时长较长的约束条件进行细分，从而形成新的在线行为特征。

2.如权利要求1所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：所述分类模型表示为：

假设研究样本的大小为n，每个样本具有p个特征，则用X表示所有样本的特征矩阵：

X＝{X₁,...,X_p}∈R^n×p

用x_i表示第i个样本的特征向量：

x i = ( x i ( 1 ) , ... , x i ( j ) , ... , x i ( p ) ) ]]>

其中，表示第i个样本的第j个特征，j＝1,2,...,p；

预测值为：

Y＝f(X)∈Rⁿ，y∈{0,1}

其中，y＝1表示成绩不良学习者；y＝0表示成绩合格学习者。

3.如权利要求1所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：所述在线行为特征表示为：

F_o＝(lecTimes,lecNum,lecDur,lecCov,perlDur,pertDur,forumTimes,cforumTimes,downTime,upTime,downTimes,upTimes,loginTimes,obq,olbq,lastTime)

其中：F_o表示所述在线行为特征的集合，lecTimes表示视频课件学习的总次数，lecNum表示视频课件学习的总个数，lecDur表示视频课件的累计学习时长，lecCov表示视频课件学习的覆盖率，perlDur表示平均单个视频课件的学习时长，pertDur表示平均单次学习时长，forumTimes表示参与论坛的总次数，cforumTimes表示本门课程参与论坛的总次数，downTime表示下载作业时间，upTimes表示上传作业的时间，downTimes表示下载作业的次数，upTimes表示上传作业的次数，loginTimes表示登录学习平台的总次数，obq表示在线行为数量，olbq表示在线学习行为数量，lastTime表示最后一次在线行为的时间；

所述课程特征包括课程编号以及课程类型。

4.如权利要求1所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：所述阈值c₁和c₂采用三分位数方法确定。

5.如权利要求1所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：选取基于时间窗口划分和学习时长阈值划分的综合约束策略，采用随机森林方法进行分类模型训练，训练后得到针对学期过程中不同阶段的成绩不良学习者识别模型规则库。

6.如权利要求1或5所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：所述分类模型在训练中按照十折交叉验证对所述样本集进行训练样本和测试样本划分。

7.如权利要求5所述的一种面向网络教育的成绩不良学习者识别方法，其特征在于：所述识别模型规则库表示为：

当j＝1时，F_b+C+F′_j+F′_{j_T}+F′_{j_N}

当j>1时，

其中，F_b表示所述个体特质特征的集合，C表示课程特征集合，F_i表示第i个时间窗口下所述在线行为特征的集合，F′_j表示前j个时间窗口所辖时间范围内所述在线行为特征的集合，F′_{j_T}＝{lect_l,lect_m,lect_s}，lect_l、lect_m及lect_s分别表示前j个时间窗口所辖时间范围内视频课件单次学习时长较长、中等及较短的次数，F′_{j_N}＝{lecn_l,lecn_m,lecn_s}，lecn_l、lecn_m及lecn_s分别表示前j个时间窗口所辖时间范围内视频课件单次学习时长较长、中等及较短的视频个数。