一种行为数据收集分析方法与流程

本发明涉及数据分析技术领域，具体而言，涉及一种行为数据收集分析方法。

背景技术

随着教育事业的不断发展，家长们越来越重视教育，在学习过程中，学生一般依据老师的评价来改进提高。但是目前，老师对学生评价大部分仅仅通过学业成绩来判断学生好坏，或是一般仅仅描述学生的优点缺点，这样很难做到评价的客观性，进而使得学生无法得到全面发展。当今社会，不再只是看重学业成绩，对学生的综合素质越来越看重，包括思想品德、学业成绩、身心素质、情感态度等的发展过程和状况都是衡量学生成长的重要方面，因此，需要对这些方面做出综合客观的评价。虽然目前也有对学生的综合素质进行评价，但仅仅是对各项进行定性打分，这样使得评价局限于单一指标，无法充分利用各项的影响因素来综合评价，进而导致最后的综合评分无法准确客观，使得结果缺乏可信度。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种行为数据收集分析方法，全面考虑了参与评价的各个影响因素，使得评分结果更为客观可靠。

本发明提供了一种行为数据收集分析方法，包括：

步骤1，通过统一的数据访问接口，收集学生的行为数据；

其中，行为数据包括：老师录入的学业成绩，以及学生和老师提交的记录及对应的图片；

步骤2，对老师录入的学业成绩以及学生和老师提交的记录内容进行数据处理，获取用于对学生进行综合评价的综评数据，并对提交的记录内的图片进行原图存储和压缩后的图片存储；

其中，综评数据包括：表征学生学业成绩的数据，以及提交记录中表征学生其他素质的数据；

步骤3，将学生和老师提交的记录及对应的图片进行展示；

步骤4，对一段时间内提交的所有行为数据进行综评数据的统计分析，获取每个学生的综评得分情况，并生成每个学生的综评报告单；

其中，统计分析的方法为：

步骤s1，确定综评数据中参与综评的一级影响因素，构建综评的一级影响因素集x＝{x1,x2,…,xi，…,xm}，其中，xi表示一级影响因素，i＝1,2,…,m；

步骤s2，确定综评数据中参与综评的各个一级影响因素所对应的二级影响因素，针对各个一级影响因素分别构建其对应的二级影响因素集xi＝{xi1,xi2,…,xij,…,xini}，其中，xij表示一级影响因素对应的二级影响因素，j＝1,2,…,ni；

步骤s3，构建综评的评价指标集y＝{y1,y2,…,yk,…,yn}，其中，yk表示评价等级，k＝1,2,…,n；

步骤s4，对每个一级影响因素进行评价，得出单个一级影响因素的评价矩阵式中，ni表示xi中的元素个数，rijk表示二级影响因素xij对评价等级yk的隶属度，i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n；

步骤s5，确定各个一级影响因素对应的权重向量w＝{w1,w2,…,wi,…,wm}，且其中，分量wi表示各个一级影响因素对应的权重；

同时，确定各个二级影响因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，且其中，分量wij表示各个二级影响因素对应的权重；

步骤s6，得出单个一级影响因素的最终评价矩阵为bi＝wiri＝{bi1,bi2,…bij,…,bini}，其中，i＝1,2,…,m，j＝1,2,…,ni；

其中，

步骤s7，将每个一级影响因素xi作为单独元素，bi作为xi的评价向量，构建综评的总评价矩阵r＝{b1,b2,…,bi,…,bm}^t，进而得到总评价向量b＝wr＝{b1,b2,…,bi,…,bm}；

其中，bi＝wibi，i＝1,2,…,m；

步骤s8，将总评价向量中bi对应的分值yi代入计算，得到该学生最终的综评总得分其中，i＝1,2,…,m。

作为本发明进一步的改进，步骤3中，在展示记录内容时，根据需求展示各种不同组合下的记录统计信息，展示方式有饼图、柱状图、蛛网图或表格。

作为本发明进一步的改进，步骤3中，在展示图片时，根据需求展示原图或压缩后的图片。

作为本发明进一步的改进，步骤3中，学生和老师对展示的记录内容和图片进行评论和互动，当有虚假记录和图片时，删除该条记录及对应的图片。

作为本发明进一步的改进，步骤4中，学生的综评报告单包括：学生的基本信息，提交的记录，学生在时间轴上提交记录的频次走势图，以及综评总得分。

作为本发明进一步的改进，步骤s5中，一级影响因素对应权重的确定方法为：

步骤a，将若干个一级影响因素采用1-9标度法两两比较，构造一个m阶矩阵a，其中，p＝1,2,…,m，q＝1,2,…,m；

步骤b，计算m阶矩阵a的特征向量并归一化处理，得到归一化后的特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m；

步骤c，对m阶矩阵a进行一致性检验，若检验通过，将步骤b中得到的归一化后的特征向量中的分量确定为一级影响因素的权重分量αi，i＝1,2,…,m；

步骤d，若干专家采用德尔菲法确定各个一级影响因素的权重，计算得到的权重的均值和标准差，再将计算结果返回专家，专家再次确定各个一级影响因素的权重，如此反复，直至各个一级影响因素的权重与其均值的离差不超过预先设定的阈值，此时，将各个一级影响因素的权重的均值作为一级影响因素的权重分量βi，i＝1,2,…,m；

步骤e，利用线性加权，确定各个一级影响因素的权重wi＝λαi+(1-λ)βi，i＝1,2,…,m；

步骤f，归一化权重向量，即得到一级影响因素对应的权重向量w＝{w1,w2,…,wi,…,wm}；

二级影响因素对应权重的确定方法为：

针对每个一级影响因素，对从属于该一级影响因素的所有二级影响因素，采用上述步骤a-步骤f得到二级影响因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}。

作为本发明进一步的改进，步骤a中，在两两比较时，m阶矩阵a中：

当元素p与元素q的重要性相同时，apq＝1；

当元素p与元素q略重要时，apq＝3，反之，apq＝1/3；

当元素p与元素q重要时，apq＝5，反之，apq＝1/5；

当元素p与元素q重要得多时，apq＝7，反之，apq＝1/7；

当元素p与元素q极其重要时，apq＝9，反之，apq＝1/9。

作为本发明进一步的改进，步骤b中，计算特征向量的具体方法为：

将m阶矩阵a各列求和；

对每一列进行归一化处理即用各列的元素除以列的和：得到一个新的m阶矩阵b，其中，∑apq为各列的和；

对m阶矩阵b中每一行求和即可得出特征向量；

对m阶矩阵b中的特征向量归一化处理，即可得到特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。

作为本发明进一步的改进，步骤c中，一致性检验的方法为：

计算m阶矩阵a的最大特征根

计算m阶矩阵a的一致性指标

计算m阶矩阵a的随机性一致比率其中，ri为常量；

当cr＜0.1时，一致性检验通过。

作为本发明进一步的改进，步骤d替换为：

将步骤a的m阶矩阵a中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将l个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的d；

其中，p＝1,2,…,m，q＝1,2,…,m；

计算新的m阶判断矩阵d中每一行一级评价因素的总和计算每个一级评价因素的平均分值得到权值并将该权值作为一级评价因素的权重分量βi，即i＝1,2,…,m。

作为本发明进一步的改进，λ＝0.5。

本发明的有益效果为：

1、参与综评的数据包括学生提交的记录数据以及老师提交的学业成绩数据，避免评价数据的单一化，也摒弃以往以学习成绩为评判标准，使得综评结果更为客观；同时，对提交的记录加入了判断机制，对于虚假的记录予以删除，这使得数据更为透明可信，提高了综评的可信度；

2、参与综评的数据涉及多个一级影响因素及从属的多个二级影响因素，可根据需求来动态调整这些影响因素，数据更加完善，使得综评更为多元化，更为客观也更为可靠；

3、对于一级影响因素和二级影响因素的权重，集中了主观的专家意见，增加了权威性，也通过数学算法进行了客观处理，减少了人为片面的影响，并将主观结果和客观结果进行加权处理，有效结合了主观性结果和客观性结果，能够合理的反映出评价专家的偏好，也能定性定量计算出合理的权重系数，使得综评的准确性和合理性得到很大的提高；

4、参与综评的数据涵盖了教学和课外的多种记录数据，完成了学生学习过程和课外发展的过程性评价，促进了学生的学习积极性和主动性，也为学生的提升和改进指明了方向，激励学生主动多方面发展自己。

附图说明

图1为本发明实施例所述的一种行为数据收集分析方法的流程示意图。

具体实施方式

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

如图1所示，本发明实施例的一种行为数据收集分析方法，包括：

步骤1，通过统一的数据访问接口，收集学生的行为数据。

其中，行为数据包括：老师录入的学业成绩，以及学生和老师提交的记录及对应的图片。

这个数据访问接口可以直接通过execl表格的方式批量导入行为数据，也可以对接到其他系统，直接将其他系统的数据直接批量导入。录入的学业成绩可以是百分制、五级制、二级制等等，以此满足不用考试形式的需求，能够多样化的记录下学生在学业成绩方面获得的成就。同时，录入的学业成绩还包括缺考和补考成绩，使得参与综评的数据更加完善，进而使后续的综评更为客观可信。

步骤2，对老师录入的学业成绩以及学生和老师提交的记录内容进行数据处理，获取用于对学生进行综合评价的综评数据，并对提交的记录内的图片进行原图存储和压缩后的图片存储。

其中，综评数据包括：表征学生学业成绩的数据，以及提交记录中表征学生其他素质的数据，这些数据都是用来参与后续评价的数据。对提交的记录内的图片进行原图和压缩后图片分别存储，可以根据需求展示压缩后的图片，能够提高系统的加载和使用效率，在需要查看原图的时候才去调取原图。

步骤3，将学生和老师提交的记录及对应的图片进行展示。

学生和老师对展示的记录内容和图片进行评论和互动，当有虚假记录和图片时，删除该条记录及对应的图片，这使得数据更为透明可信，提高综评的可信度。在展示记录内容时，根据需求展示各种不同组合下的记录统计信息，展示方式有饼图、柱状图、蛛网图或表格，可以直观的展示批处理获得的统计信息。在展示图片时，根据需求展示原图或压缩后的图片。

步骤4，对一段时间内提交的所有行为数据进行综评数据的统计分析，获取每个学生的综评得分情况，并生成每个学生的综评报告单。

学生的综评报告单以学期和学年为时间段进行展示。学生的综评报告单包括：学生的基本信息，提交的记录，学生在时间轴上提交记录的频次走势图，以及综评总得分。在显示记录时，可分别显示对应一级影响因素的所有记录，以及从属于各个一级影响因素的二级影响因素对应的记录。

其中，统计分析的方法为：

步骤s1，确定综评数据中参与综评的一级影响因素，构建综评的一级影响因素集x＝{x1,x2,…,xi，…,xm}，其中，xi表示一级影响因素，i＝1,2,…,m。

本实施例中，可设定一级影响因素分别为：x1诚信道德，x2学业成绩，x3身心健康，x4艺术素养，x5组织协调能力，x6活动实践，x7个人成长，x8集体奖励，x9其他事项。

步骤s2，确定综评数据中参与综评的各个一级影响因素所对应的二级影响因素，针对各个一级影响因素分别构建其对应的二级影响因素集

xi＝{xi1,xi2,…,xij,…,xini}，其中，xij表示一级影响因素对应的二级影响因素，j＝1,2,…,ni。

本实施例中，从属于一级影响因素x1诚信道德的二级影响因素分别为x11道德奖励，x12纪律处分，x13社会公益及志愿服务，x14文明礼仪，x15集会表现；从属于一级影响因素x2学业成绩的二级影响因素分别为x21学业成绩百分制，x22学业成绩五级制，x23学业成绩二级制，x24作业表现，x25课堂表现，x26课堂考勤，x27学业奖励，x28会考成绩；从属于一级影响因素x3身心健康的二级影响因素分别为x31国家学生体质健康标准，x32体育奖励；从属于一级影响因素x4艺术素养的二级影响因素分别为x41才艺奖励；从属于一级影响因素x5组织协调能力的二级影响因素分别为x51班内任职，x52校团委学生会任职，x53学校社团任职；从属于一级影响因素x6活动实践的二级影响因素分别为x61活动实践奖励，x62党团活动，x63社团活动，x64军训，x65参观学习，x66社会调查；从属于一级影响因素x7个人成长的二级影响因素分别为x71学习志趣及偏好发展，x72艺术素养及特长培养，x73体质健康与体育锻炼，x74阶段小结及个人反思；从属于一级影响因素x8集体奖励的二级影响因素分别为x81班集体奖励，x82社团集体奖励；从属于一级影响因素x9其他事项的二级影响因素分别为x91好人好事。

由此可看，提交的记录分属与不同的一级影响因素及其对应的二级影响因素，在展示记录时，可通过饼图、柱状图、蛛网图或表格来展示，将记录动态量化，更为直观。当然，并不仅限于上述影响因素，这些影响因素可根据需求来动态调整，以适应不同地区不同学校的学生。另外，由此可看，参与综评的一级影响因素及从属的二级影响因素涉及多个，使得评价更为多元化，更为客观也更为可靠。

步骤s3，构建综评的评价指标集y＝{y1,y2,…,yk,…,yn}，其中，yk表示评价等级，k＝1,2,…,n。

本实施例中，评价等级分别为y1优秀、y2良好、y3一般、y4较差、y5差，对应的分值可设定为1、0.8、0.6、0.4、0.2。当然可以根据实际需求来调整评价等级及其对应的分值，以适应不同地区不同学校的学生。

步骤s4，对每个一级影响因素进行评价，得出单个一级影响因素的评价矩阵式中，ni表示xi中的元素个数，rijk表示二级影响因素xij对评价等级yk的隶属度，i＝1,2,…,m，j＝1,2,…,ni，k＝1,2,…,n。

其中，隶属度可以采用德尔菲法确定。

步骤s5，确定各个一级影响因素对应的权重向量w＝{w1,w2,…,wi,…,wm}，且其中，分量wi表示各个一级影响因素对应的权重；

同时，确定各个二级影响因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，且其中，分量wij表示各个二级影响因素对应的权重。

具体的，一级影响因素对应权重的确定方法包括：

步骤a，将若干个一级影响因素采用1-9标度法两两比较，构造一个m阶矩阵a，其中，p＝1,2,…,m，q＝1,2,…,m；

其中，在两两比较时，m阶矩阵a中：

当元素p与元素q的重要性相同时，apq＝1；

当元素p与元素q略重要时，apq＝3，反之，apq＝1/3；

当元素p与元素q重要时，apq＝5，反之，apq＝1/5；

当元素p与元素q重要得多时，apq＝7，反之，apq＝1/7；

当元素p与元素q极其重要时，apq＝9，反之，apq＝1/9。

步骤b，计算m阶矩阵a的特征向量并归一化处理，得到归一化后的特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。

具体的，计算特征向量的方法为：

将m阶矩阵a各列求和；

对每一列进行归一化处理即用各列的元素除以列的和：得到一个新的m阶矩阵b，其中，∑apq为各列的和；

对m阶矩阵b中每一行求和即可得出特征向量；

对m阶矩阵b中的特征向量归一化处理，即可得到特征向量α＝[α1α2…αi…αm]，i＝1,2,…,m。

步骤c，对m阶矩阵a进行一致性检验，若检验通过，将步骤b中得到的归一化后的特征向量中的分量确定为一级影响因素的权重分量αi，i＝1,2,…,m。

具体的，一致性检验的方法为：

计算m阶矩阵a的最大特征根

计算m阶矩阵a的一致性指标

计算m阶矩阵a的随机性一致比率其中，ri为常量；

当cr＜0.1时，一致性检验通过。

步骤d，若干专家采用德尔菲法确定各个一级影响因素的权重，计算得到的权重的均值和标准差，再将计算结果返回专家，专家再次确定各个一级影响因素的权重，如此反复，直至各个一级影响因素的权重与其均值的离差不超过预先设定的阈值，此时，将各个一级影响因素的权重的均值作为一级影响因素的权重分量βi，i＝1,2,…,m。

当然步骤d并不仅限于上述方法，还可以采用如下方法确定权重分量βi：

将步骤a的m阶矩阵a中的一级评价因素两两比较，将行元素与列元素相互对比，每个专家得出一个m阶判断矩阵，将l个专家得出的m阶判断矩阵中的对应元素加和，得到一个新的m阶判断矩阵的d；

其中，p＝1,2,…,m，q＝1,2,…,m；

计算新的m阶判断矩阵d中每一行一级评价因素的总和计算每个一级评价因素的平均分值得到权值并将该权值作为一级评价因素的权重分量βi，即

步骤e，利用线性加权，确定各个一级影响因素的权重wi＝λαi+(1-λ)βi，i＝1,2,…,m。

λ表示客观偏好系数，取值为0～1，1-λ表观主观偏好系数，具体选取时根据评价方的偏好来设定，优选的，λ＝0.5。

步骤f，归一化权重向量，即得到一级影响因素对应的权重向量w＝{w1,w2,…,wi,…,wm}。

二级影响因素对应权重的确定方法为：

针对每个一级影响因素，对从属于该一级影响因素的所有二级影响因素，采用上述步骤a-步骤f得到二级影响因素对应的权重向量wi＝{wi1,wi2,…,wij,…,wini}，这里不再详述。整个权重处理过程，既考虑了权威的专家意见，也通过数学处理对影响因素进行了量化计算，减少了片面的认为影响，同时加入了加权处理和多次归一化处理，确保了权重的准确性。

步骤s6，得出单个一级影响因素的最终评价矩阵为bi＝wiri＝{bi1,bi2,…bij,…,bini}，其中，i＝1,2,…,m，j＝1,2,…,ni；

其中，

步骤s7，将每个一级影响因素xi作为单独元素，bi作为xi的评价向量，构建综评的总评价矩阵r＝{b1,b2,…,bi,…,bm}^t，进而得到总评价向量b＝wr＝{b1,b2,…,bi,…,bm}；

其中，bi＝wibi，i＝1,2,…,m。

步骤s8，将总评价向量中bi对应的分值yi代入计算，得到该学生最终的综评总得分其中，i＝1,2,…,m。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。