本发明涉及远程教育技术领域，具体涉及一种多线程在线教育评价方法。
背景技术：
随着信息技术的发展，越来越多针对个人学习的个性化学习系统和课程得到了开发。在线学习在不同阶段的学校教育以及各类成人教育的教学过程中逐渐发挥出了重要的作用。涉及各个学科的在线学习资源，甚至是同一科目的在线课程资源大量地出现在网络上，虽然大量的学习资源为学习者提供了更多的选择，但这也使得学习者在如何选择适合于自己的在线课程方面出现了新的困惑。
即相当于在网络上针对同一知识点甚至同一本教材，有不同授课讲师进行授课。每个讲师的授课风格均存在差异。而且每个学生的学习风格也不相同。在一定程度上，如果能够让讲师的授课风格与学生的学习风格尽可能的相匹配，那么也能够极大的提升学生的学习效果。但是在现有的在线教育方式中，这种针对学习风格和授课风格的匹配方法还是行业内正在研究的。
如在中国专利公开号为cn106408475a的文献中，公开了一种在线课程适用性评价方法，该方法在统计分析学习者个人学习特点、在线课程教学策略的基础上，通过对大量学习者的个人学习特点和对在线课程的学习效果进行统计计算，建立学习者个人特点与学习效果之间的关联模型，然后采用所述关联模型对学习者在待选课程中的学习效果进行预测，根据预测结果帮助学习者挑选出最适合的课程进行学习，即挑选预测结果最佳的课程进行学习。
在实际使用过程中，发明人发现了该方法的最终效果过于依赖关联模型，忽略了社会发展、时代进步以及学习者自身改变等因素对最后预测结果的影响。在关联模型建立的初期，该方法还能推荐最佳的课程，但是后面随着一些客观因素的变化，导致最后结果会缓慢的出现偏差。即该模型没有一个修正机制，在后面整个系统会逐渐偏离最初的结果。而且在上述评价方法中，评价的维度比较单一，属于一种单线程的评价方法，这样的方式存在评价结果与学习者(学生)的实际匹配度不够高的问题。
针对上述问题，现在急需一种具有修正机制，能够进行多维度评价的在线教育评价方法。
技术实现要素：
本发明解决的技术问题在于提供一种具有修正机制，能够进行多维度评价的多线程在线教育评价方法。
本发明提供的基础方案为：多线程在线教育评价方法，包括如下步骤：
s1基础信息获取：获取学习者需要学习的课程类别信息和个人基础信息，其中所述个人基础信息包括学习者提供的第一个人标签信息；
s2试听课程推送：根据学习者提供的课程类别信息选择在线课程的类别，将学习者提供的第一个人标签信息与在线课程的初始标签信息进行匹配，选择匹配度高的在线课程作为试听课程向学习者推送；
s3试听结果反馈：获取学习者对该试听课程的学习效果信息，并获取学习者对该试听课程添加的第一课程标签信息；
s4授课推荐：根据学习效果信息结合该试听课程信息向学习者推送预测模型预测的学习结果信息和建议信息，其中建议信息包括适合和更换，若学习者选择适合，则将第一课程标签信息添加至该课程的待确认标签中，并初步确定该学习者适合具有该类初始标签信息的在线课程，若学习者选择更换，则对第一课程标签信息进行分析，若无敏感词汇则将第一课程标签信息添加至该课程的初始标签信息中，若有敏感词汇则屏蔽该第一课程标签信息；
s5授课标签优化：在学习者学习完在线课程后，获取该学习者对该在线课程的第二课程标签信息，若待确认标签与第二课程标签信息相同，则待确认标签添加至初始标签信息，若待确认标签与第二课程标签信息不同，则提醒学习者选择待确认标签与第二课程标签信息的权重信息，然后添加至初始标签信息中；
s6预测模型优化：获取学习者的学习结果并发送至预测模型，预测模型根据学习结果进行自学习。
本发明的工作原理及优点在于：在s1基础信息获取中，可以得到学习者的课程类别信息和个人基础信息，课程类别信息具体而言就是学习者想要学习的课程，个人基础信息包括第一个人标签信息，类似学习者的自我评价。然后确定学习要学习的在线课程的类别，接下来将第一个人标签信息和在线课程的初始标签信息进行第一次匹配，选择具体的在线课程作为试听课程提供给学习者。
获取学习者在学习完试听课程后的学习效果和学习者对该试听课程的第一课程标签信息，具体而言，获得学习者对该试听课程的学习效率和对该试听课程的评价。然后根据学习者学习该试听课程的学习效果用预测模型进行预测，预计学习者学习完整个课程的效果。具体而言，可以是需要花费多少时间，需要做多少练习，可以掌握多少知识点。根据预测的学习结果信息，向学习者推荐确认或者更换。具体而言，是通过对比学习同类别的其他学习者实际的学习效果来向学习者推荐，比如，超过50％同类别的其他学习者，可以推荐适合，反之则推荐更换。这一步骤，是非常重要的，因为第一匹配主要是学习者自己提供的信息，在这个过程中，学习者可能存在不能准确认识自己的问题。因此会根据试听的结果进行优化。
如果学习者适合此在线课程，即推荐进行学习，并将第一课程标签信息转换为待确认标签，学习者在学习完毕后，可以对该在线课程进行二次评价(添加第二课程标签信息)，如果两次相同，则表示该学习者对该在线课程有着较为准确的认识，将待确认标签转化为该在线课程的初始标签信息。如果两次评价不同，可以将两次评价的信息按照权重添加到初始标签信息中。这样可以根据学习者的不同和学习者的进步，对在线课程的初始标签信息进行合理的优化。
如果学习者不适合，更换在线课程，进行重新推荐，以找到适合该学习者学习的在线课程。在学习者学习完成后，获取到学习结果然后反馈至预测模型，对预测模型进行优化。
本发明多线程在线教育评价方法，根据学习者的自评价推荐试听课程，然后收集学习效果，对学习者学习完整个在线课程进行预测，根据预测结果推荐学习者确认或者更换，并获取到学习者对试听课程的第一课程标签信息。这个过程为第一维度，或者说第一个线程的评价，即学习者的初步印象。然后在学习者学习完成后，获取第二课程标签信息，对初始课程标签进行再优化，此为第二维度，或者说第二线程的评价。在上述方式中，不断的有学习者参与进来，对在线课程进行多维度、多线程的评价，不断的修正初始课程标签信息保证对课程的评价，保证初始标签信息的准确性。达到了具有修正机制，能够对在线课程进行多维度评价的效果。
进一步，在s3试听结果反馈中，还包括，根据学校效果信息和个人基础信息重新定义第二个人标签信息。
通过上述方式，能够减小因学习者对自己的认识不准确而带来的误差。具体而言，根据学校效果信息和个人基础信息生成第二个人标签信息，修正第一个人标签的偏差。
进一步，还包括s7映射关系建立步骤：建立第一个人标签信息、第一课程标签信息、待确认标签以及初始标签信息的逐级映射模型，在学习者输入第一个人标签信息后逐级映射模型预测学习者后面提供的信息供学习者确认，其中，逐级映射模型为bp神经网络模型。
这样的设计，是一种预测功能，通过不断的优化，在用户填写前就能够通过预测提供合适的选项让用户选择，提高了学习者的使用体验。
进一步，在s4授课推荐中，预测模型为bp神经网络模型。
这样的设计是利用bp神经网络模型的自学习特性，不断的对预测模型进行优化。
进一步，第一个人标签信息包括注意力集中时间信息、易于接收的讲师的表达方式信息、自律性信息以及学习习惯信息。
这样的设计能够更加准确的收集第一个人标签信息。
进一步，初始标签信息包括讲师的表达方式信息、授课节奏信息以及重点知识点重复率。
这样的设计能够更好的向学习者展示初始标签信息。
附图说明
图1为本发明多线程在线教育评价方法实施例的流程图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例基本如附图1所示：
多线程在线教育评价方法，包括如下步骤：
s1基础信息获取：获取学习者需要学习的课程类别信息和个人基础信息，其中所述个人基础信息包括学习者提供的第一个人标签信息，第一个人标签信息包括注意力集中时间信息、易于接收的讲师的表达方式信息、自律性信息以及学习习惯信息；
s2试听课程推送：根据学习者提供的课程类别信息选择在线课程的类别，将学习者提供的第一个人标签信息与在线课程的初始标签信息进行匹配，选择匹配度高的在线课程作为试听课程向学习者推送，初始标签信息包括讲师的表达方式信息、授课节奏信息以及重点知识点重复率。；
s3试听结果反馈：获取学习者对该试听课程的学习效果信息，并获取学习者对该试听课程添加的第一课程标签信息，根据学校效果信息和个人基础信息重新定义第二个人标签信息；
s4授课推荐：根据学习效果信息结合该试听课程信息向学习者推送预测模型预测的学习结果信息和建议信息，其中建议信息包括适合和更换，若学习者选择适合，则将第一课程标签信息添加至该课程的待确认标签中，并初步确定该学习者适合具有该类初始标签信息的在线课程，若学习者选择更换，则对第一课程标签信息进行分析，若无敏感词汇则将第一课程标签信息添加至该课程的初始标签信息中，若有敏感词汇则屏蔽该第一课程标签信息，其中预测模型为bp神经网络模型；
s5授课标签优化：在学习者学习完在线课程后，获取该学习者对该在线课程的第二课程标签信息，若待确认标签与第二课程标签信息相同，则待确认标签添加至初始标签信息，若待确认标签与第二课程标签信息不同，则提醒学习者选择待确认标签与第二课程标签信息的权重信息，然后添加至初始标签信息中；
s6预测模型优化：获取学习者的学习结果并发送至预测模型，预测模型根据学习结果进行自学习；
s7映射关系建立步骤：建立第一个人标签信息、第一课程标签信息、待确认标签以及初始标签信息的逐级映射模型，在学习者输入第一个人标签信息后逐级映射模型预测学习者后面提供的信息供学习者确认，其中，逐级映射模型为bp神经网络模型。
具体应用时：通过s1基础信息获取，让学习者提供课程类别信息和个人基础信息，课程类别信息具体而言就是学习者想要学习的课程，个人基础信息包括第一个人标签信息，类似学习者的自我评价。获取学习者在学习完试听课程后的学习效果和学习者对该试听课程的第一课程标签信息，具体而言，获得学习者对该试听课程的学习效率和对该试听课程的评价。然后根据学习者学习该试听课程的学习效果用预测模型进行预测，预计学习者学习完整个课程的效果。
具体而言，可以是需要花费多少时间，需要做多少练习，可以掌握多少知识点。根据预测的学习结果信息，向学习者推荐确认或者更换。具体而言，是通过对比学习同类别的其他学习者实际的学习效果来向学习者推荐，在本实施中，超过60％同类别的其他学习者，可以推荐适合，反之则推荐更换。这一步骤，是非常重要的，因为第一匹配主要是学习者自己提供的信息，在这个过程中，学习者可能存在不能准确认识自己的问题。因此会根据试听的结果进行优化。
本实施例根据学习者的自评价推荐试听课程，然后收集学习效果，对学习者学习完整个在线课程进行预测，根据预测结果推荐学习者确认或者更换，并获取到学习者对试听课程的第一课程标签信息。这个过程为第一维度，或者说第一个线程的评价，即学习者的初步印象。然后在学习者学习完成后，获取第二课程标签信息，对初始课程标签进行再优化，此为第二维度，或者说第二线程的评价。在上述方式中，不断的有学习者参与进来，对在线课程进行多维度、多线程的评价，不断的修正初始课程标签信息保证对课程的评价，保证初始标签信息的准确性。
为实现上述方法，本实施例还公开了一种多线程在线教育评价，包括：
基础信息获取模块，用于获取学习者需要学习的课程类别信息和个人基础信息，其中所述个人基础信息包括学习者提供的第一个人标签信息，第一个人标签信息包括注意力集中时间信息、易于接收的讲师的表达方式信息、自律性信息以及学习习惯信息。具体而言，基础信息获取模块的硬件支撑可以是鼠标、键盘、触摸屏以及麦克风等信息输入设备。在本实施例中，基础信息获取模块选用的是一台pc电脑，学习者通过pc电脑，在网页内提交xml格式的文档，文档中包括了个人基础信息和第一个人标签信息，其中第一个人标签信息包括注意力集中时间信息、易于接收的讲师的表达方式信息、自律性信息以及学习习惯信息。个人基础信息包括了姓名、年龄、毕业院校、出生地以及在校成绩。
试听课程推送模块，用于根据学习者提供的课程类别信息选择在线课程的类别，将学习者提供的第一个人标签信息与在线课程的初始标签信息进行匹配，选择匹配度高的在线课程作为试听课程向学习者推送，初始标签信息包括讲师的表达方式信息、授课节奏信息以及重点知识点重复率。具体而言，试听课程推送模块设置在云端服务器内，试听课程推送模块的硬件支撑是具有数据读写功能的云端数据库，在云端数据库内保存有在线课程以及与其对应的初始标签信息。在本实施例中，是我们公司租用的阿里云服务器。还有一点需要简单说明一下，将第一个人标签信息与初始标签信息进行匹配的算法我们采用的是word2vec的词向量技术来进行匹配运算，我们用benschmidt开发的版本。使用skip-gram方法来创建共现矩阵，搭载在阿里云服务器内，由于向量空间的维度非常少(即第一个人标签信息中的维度，和初始标签信息中的维度非常少)，基本上处理结果是秒出的。在其他优选的实施例中，第一个人标签信息和初始标签信息中的维度是可以增加的，在该实施例中选用的维度的数值为100，后面的维度由用户新增，在维度数满了之后，将最开始的评价维度信息删除，以这种方式进行迭代。
试听结果反馈模块，用于获取学习者对该试听课程的学习效果信息，并获取学习者对该试听课程添加的第一课程标签信息，根据学校效果信息和个人基础信息重新定义第二个人标签信息。试听结果反馈模块也是设置在阿里云服务器内的。具体而言学习效果信息，是通过试题的方式获得的，即试听课程完成后，向学习者发送试卷，百分制，包括20道选择题，每题5分。同理在最终学习完整个在线课程的学习成功信息也是通过考试的方式获取的。
授课推荐模块，用于根据学习效果信息结合该试听课程信息向学习者推送预测模型预测的学习结果信息和建议信息，其中建议信息包括适合和更换，若学习者选择适合，则将第一课程标签信息添加至该课程的待确认标签中，并初步确定该学习者适合具有该类初始标签信息的在线课程，若学习者选择更换，则对第一课程标签信息进行分析，若无敏感词汇则将第一课程标签信息添加至该课程的初始标签信息中，若有敏感词汇则屏蔽该第一课程标签信息，其中预测模型为bp神经网络模型。在本实施例中预测模型在输入层与输出层之间增加了三层神经元，每层神经元内设置的是10个节点。主要原因是我们开发的这个系统目前而言还在内部测试中，考虑到运算速度的关系，并未复杂化这个预测模型。由于bp神经网络模型是一种现有技术，在此就不再赘述。
授课标签优化模块，用于在学习者学习完在线课程后，获取该学习者对该在线课程的第二课程标签信息，若待确认标签与第二课程标签信息相同，则待确认标签添加至初始标签信息，若待确认标签与第二课程标签信息不同，则提醒学习者选择待确认标签与第二课程标签信息的权重信息，然后添加至初始标签信息中。具体而言，实现的就是在学习者学习完整个在线课程后，有了充分的了解后对整个在线课程进行评价。并且与学习者最初对这个在线课程评价进行对比，这样通过学习前后的对比，获得更加客观的评价。
预测模型优化模块，用于获取学习者的学习结果并发送至预测模型，预测模型根据学习结果进行自学习；
映射关系建立模块，用于建立第一个人标签信息、第一课程标签信息、待确认标签以及初始标签信息的逐级映射模型，在学习者输入第一个人标签信息后逐级映射模型预测学习者后面提供的信息供学习者确认，其中，逐级映射模型为bp神经网络模型。
具体使用时：根据学习者的自评价推荐试听课程，然后收集学习效果，对学习者学习完整个在线课程进行预测，根据预测结果推荐学习者确认或者更换，并获取到学习者对试听课程的第一课程标签信息。这个过程为第一维度，或者说第一个线程的评价，即学习者的初步印象。然后在学习者学习完成后，获取第二课程标签信息，对初始课程标签进行再优化，保证评价的准确性。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。