本发明实施例涉及数据处理技术领域，具体涉及一种基于行为数据的学习力指数模型构建方法、装置及设备。
背景技术：
随着学生家长对学生学习成绩的重视度越来越高，学生家长已经不仅仅将注意力放在学生成绩上，更多的是拓展到学生的学习能力、创造力、学习动力以及学习毅力等各个方面影响学生学习成绩的因素上。而学生也希望从不同的角度了解到自己的不足。教育行业的工作人员为了适应家长和学生的需求，也采取的一定的措施。
例如，精锐教育等一些教育机构实行了对学生的学习力进行测评，而且精锐教育是众多采用学习力模型对学生进行学习素质评估的公司中的典型代表。精锐教育由哈佛北大精英创立，致力于中小学学生的个性化教育。精锐学习力研究团队与华师大心理测量研究人员经过多年探索，参照国际权威的非智力因素、学习风格等经典测评量表，将学习力转化成各项可以用数据衡量的指标，构建了“学习力(powerlearning，简称pli)智能测评”模型。该模型围绕学习动力、学习能力、学习毅力三个维度设置了问题，学生需登录测评智能学习设备完成测评问卷方可获知测评结果。pli测评模型对于教师掌握学生学习素养，调整教学方案，实行个性化教育有一定的指导意义，但也存在三个方面的问题：
第一，数据来源单一，依赖于学生参与量表答题；每次获取学习力指数必须填写一次问卷，数据获取不便；
第二、客观性不足，不能真实反映学生学习状态；学生参与量表答题，存在一定的主观判断，答案填写存在随意性，不能准确客观的反映真实学习状态；
第三、过程性不足，不能实时动态的刻画学生的学习进展；pli测评注重周期性的阶段性的结果测评，无法做到细颗粒度的过程性跟踪与监控。
技术实现要素：
为此，本发明实施例提供一种基于行为数据的学习力指数模型构建方法、装置及设备，以解决现有技术中由于pli测评过程中，存在上述数据来源单一、客观性不足以及过程性不足等的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
在本发明的实施方式的第一方面中，提供了一种基于行为数据的学习力指数模型构建方法，该方法应用于一种智能学习设备，包括：
获取第一预设时间段内学生学习过程中的所有历史行为数据；
接收工作人员输入的多个候选学习力指标；
依据历史行为数据，采用降维方法对多个候选学习力指标进行降维，获取至少两个最终学习力指标，至少两个学习力指标为多个候选学习力指标中的部分学习力指标；
接收工作人员输入的与每一个最终学习力指标对应的权重值，每一个最终学习力指标对应的权重值均为工作人进行调研后获取的；
根据每一个最终学习力指标，以及与每一个最终学习力指标对应的权重值，构建基于行为数据的学习力指数模型。
在本发明的一个实施例中，多个候选学习力指标分为四大类：学习动力、学习能力、学习毅力和创新能力；
学习动力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备签到及时率、智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值，或者预定任务完成率；
学习能力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备时，预习笔记数量、笔记复习时间、笔记复习次数；在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备的签到次数、准时签到次数与所有签到次数之间的比值、连续签到次数的最高值、第二预设时间段内使用智能学习设备的时间长度与使用智能学习设备总时间长度之间的比值、预定任务未完成被提醒次数，或者课外使用智能学习设备的时长；
创新能力类至少包括如下中的一种或多种候选学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数、预设难度等级及以上等级的题目完成个数、提出质疑次数，或者超额完成任务次数。
在本发明的另一实施例中，至少两个最终学习力指标至少包括，学习动力类最终学习力指标：智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值或者预定任务完成率；
学习能力类最终学习力指标：预习笔记数量、笔记复习时间、在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类最终学习力指标：使用智能学习设备的签到次数、连续签到次数的最高值，或者课外使用智能学习设备的时长；
创新能力类最终学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数，或者预设难度等级及以上等级的题目完成个数。
在本发明的又一个实施例中，根据每一个最终学习力指标，以及与每一个最终学习力指标对应的权重值，构建基于行为数据的学习力指数模型之后，方法还包括：
利用基于行为数据的学习力指数模型，对学生的学习力进行测评，获取测评结果；
根据测评结果，对基于行为数据的学习力指数模型进行优化。
在本发明的实施方式的第二方面中，提供了一种基于行为数据的学习力指数模型构建装置，该装置应用于一种智能学习设备，包括：
获取单元，用于获取第一预设时间段内学生学习过程中的所有历史行为数据；
接收单元，用于接收工作人员输入的多个候选学习力指标；
处理单元，用于依据历史行为数据，采用降维方法对多个候选学习力指标进行降维，获取至少两个最终学习力指标，至少两个学习力指标为多个候选学习力指标中的部分学习力指标；
接收单元还用于，接收工作人员输入的与每一个最终学习力指标对应的权重值，每一个最终学习力指标对应的权重值均为工作人进行调研后获取的；
处理单元还用于，根据每一个最终学习力指标，以及与每一个最终学习力指标对应的权重值，构建基于行为数据的学习力指数模型。
在本发明的一个实施例中，多个候选学习力指标分为四大类：学习动力、学习能力、学习毅力和创新能力；
学习动力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备签到及时率、智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值，或者预定任务完成率；
学习能力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备时，预习笔记数量、笔记复习时间、笔记复习次数；在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类至少包括如下中的一种或多种候选学习力指标：使用智能学习设备的签到次数、准时签到次数与所有签到次数之间的比值、连续签到次数的最高值、第二预设时间段内使用智能学习设备的时间长度与使用智能学习设备总时间长度之间的比值、预定任务未完成被提醒次数，或者课外使用智能学习设备的时长；
创新能力类至少包括如下中的一种或多种候选学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数、预设难度等级及以上等级的题目完成个数、提出质疑次数，或者超额完成任务次数。
在本发明的另一实施例中，至少两个最终学习力指标至少包括，学习动力类最终学习力指标：智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值或者预定任务完成率；
学习能力类最终学习力指标：预习笔记数量、笔记复习时间、在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类最终学习力指标：使用智能学习设备的签到次数、连续签到次数的最高值，或者课外使用智能学习设备的时长；
创新能力类最终学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数，或者预设难度等级及以上等级的题目完成个数。
在本发明的又一个实施例中，处理单元还用于：利用基于行为数据的学习力指数模型，对学生的学习力进行测评，获取测评结果；
根据测评结果，对基于行为数据的学习力指数模型进行优化。获取单元还用于，实时获取第二预设时间段内预设数量学生学习过程中的所有行为数据；
处理单元还用于，利用基于行为数据的学习力指数模型，对学生的学习力进行测评，获取测评结果；
根据测评结果，对基于行为数据的学习力指数模型进行优化。
在本发明的实施方式的第三方面中，提供了一种智能学习设备，包括：处理器和存储器；
存储器用于存储一个或多个程序指令；
一个或多个程序指令被处理器运行，用以执行如上一种基于行为数据的学习力指数模型构建方法中的任一方法步骤。
在本发明的实施方式的第四方面中，提供了一种计算机存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种智能学习设备执行如上一种基于行为数据的学习力指数模型构建方法中的任一方法步骤。
根据本发明的实施方式，获取学生所有的行为数据后，根据学生所有行为数据，对工作人员输入的候选学习力指标进行降维，从而得到最终学习力指标。根据工作人员通过调研获取每一个最终学习力指标的权重，然后根据最终学习力指标及其对应的权重值，构建一个基于行为数据的学习力指数模型。利用该学习力指数模型对学生的学习力进行测评时，需要首先获取学生所有行为数据，必然能够保证数据的多元化。而且，获取的数方式是从智能学习设备中直接调取，获取方式方便，客观，完全可以真实反映学生学习状态。另外，既然是获取学生所有行为数据，必然可以保证过程性。每一个阶段，学生的学习状态都不尽相同，通过实时获取数据，必然可以实时动态的刻画学生的学习进展，可以做到细颗粒度的过程性跟踪与监控。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明的一实施例提供的一种基于行为数据的学习力指数模型构建方法流程示意图；
图2为本发明提供的某一个学生的学习动力、学习能力、学习毅力、创新能力以及学习力指数总得分情况示例图；
图3为本发明提供的某一个学生各个科目对应的学习力指数得分情况示例图；
图4为本发明的另一实施例提供的一种基于行为数据的学习力指数模型构建装置结构示意图；
图5为本发明的另一实施例提供的一种基于行为数据的学习力指数模型构建系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
本发明实施例1提供了一种基于行为数据的学习力指数模型构建方法，该方法应用于一种智能学习设备，具体如图1所示，该方法包括：
步骤110，获取第一预设时间段内学生学习过程中的所有历史行为数据。
具体的，在获取学生学习过程中的所有历史行为数据时，实际是统计大量学生在使用智能学习设备时，智能学习设备中所记录的所有历史行为数据，例如使用学习设备签到次数、签到时间、阅读过的图书、每天阅读图书时间长度、上传至智能学习设备的笔记、自由创作的作品内容、作品字数、作品类型、通过智能学习设备复习笔记的时间、所做过的练习题、习题准确率或者阅读效率等等一系列的行为数据。这些数据可以真实反映学生的学习状态，而且这些数据都是智能学习设备实时记录并存储至后台数据库中的行为数据。因此，获取这些数据较为方便，而且这些数据进行量化后完全可以体现学生不同时刻的学习进展、学习状态、学习力指标等。
步骤120，接收工作人员输入的多个候选学习力指标。
具体的，工作人员输入的多个候选学习力指标，实际是通过大量学生使用智能学习设备时的操作行为，根据经验和已经公开的会对学生的学习有一定影响的候选学习力指标。而根据学习力的概念可知，学习力就是学习动力、学习毅力和学习能力三要素。然而，评价一个学生的综合学生素质时，还可以包括学生的创新能力。
因此，在本申请中，首先将多个候选学习力指标进行了分类，也即是分为4大类，包括：学习动力、学习能力、学习毅力和创新能力。
在这4大类的基础上，又对每一类分别进行细分，从而得到针对每一类对应的候选学习力指标。
例如，学习动力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备签到及时率、智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值、预定任务完成率、智能学习设备疑似被摔次数、笔记整洁度打分、整洁笔记数占比、笔记书写合格率或者复习及时率等等；
学习能力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备时，预习笔记数量、笔记复习时间、笔记复习次数；在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量、阅读题答题正确率、预习笔记合格率、复习笔记达标率、知识点合格学成平均耗时或者预设难度等级及以上等级答题正确率；
学习毅力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备的签到次数、准时签到次数与所有签到次数之间的比值、连续签到次数的最高值、第二预设时间段内使用智能学习设备的时间长度与使用智能学习设备总时间长度之间的比值、预定任务未完成被提醒次数、课外使用智能学习设备的时长、自动组卷测评次数、每日一题参与答题数或者连续两次使用平均间隔时长；
创新能力类包括但不限于如下中的一种或多种候选学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数、预设难度等级及以上等级的题目完成个数、提出质疑次数、超额完成任务次数、获取优秀笔记称号的数量、预设难度等级及以上等级的题目挑战次数或者合理化建议反馈次数。
步骤130，依据历史行为数据，采用降维方法对多个候选学习力指标进行降维，获取至少两个最终学习力指标。
具体的，降维方法可以是但不限于主成分分析(principalcomponentanalysis，简称pca)方法。pca方法主要是通过正交变换将一组可能存才相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。通过该方法，可以获取至少两个最终学习力指标。而这里的最终学习力指标，也就是如上所介绍的多个候选学习力指标中的部分学习力指标。
在一个具体例子中，至少两个最终学习力指标中每一个最终学习力指标包括，学习动力类的最终学习力指标，包括但不限于：智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值或者预定任务完成率；
学习能力类的最终学习力指标，包括但不限于：预习笔记数量、笔记复习时间、在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类的最终学习力指标，包括但不限于：使用智能学习设备的签到次数、连续签到次数的最高值，或者课外使用智能学习设备的时长；
创新能力类的最终学习力指标，包括但不限于：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数，或者预设难度等级及以上等级的题目完成个数。
需要说明的是，上文所列举的最终学习力指标并非是固定不变的，本申请中仅仅是为了示例性说明对多个学习力指标进行降维后会得到什么样的结果。而在实际应用中，具体得到的最终学习力指标需要以实际情况为准。同样的，候选学习力指标也并非如上文所列举的那些，还可以根据实际情况进行添加、删除等等。
步骤140，接收工作人员输入的与每一个最终学习力指标对应的权重值。
具体的，工作人员可以实现根据至少两个最终学习力指标，设定权重调研模板。再将权重调研模板分发到预设数量的学校老师和家人手上，通过收集老师和家长的意见，例如收集老师和家长共100人的意见后，统计每一个最终学习力指标占总选择数的比值，作为最终的权重。比如，包括a、b、c共3个最终学习力指标，100人中50人选择a指标，30人选择b指标，20人选择c指标。那么，a指标的权重将为0.5，b指标的权重为0.3，c指标的权重将为0.2。或者，如果每个人可以多选的话，则统计所有指标一共被选择的总次数，以及每一个指标被选择的总次数，二者之间的比值，确定每一个最终学习力指标的权重。
可选的，如果为了使得权重更加精确，也可以将专家的参考意见加入进来，也即是，找到一定数量的权威专家首先为每一个最终学习力指标分配初始权重值，同样根据类似上文的方式来确定每一个最终学习力指标的权重值，而专家定义的权重值份数可以占实际权重值分数的预定比例，例如80％；而民众选出的最终学习力指标的权重值占实际权重值分数的剩余比例，例如20％。
具体采用何种方法确定权重值，可以根据实际情况设定，这里不做过多限定。
步骤150，根据每一个最终学习力指标，以及与每一个最终学习力指标对应的权重值，构建基于行为数据的学习力指数模型。
即，在实际应用该基于行为数据的学习力指数模型时，可以在获取第二预设时间段内的学生行为数据后，将行为数据量化到每一个最终学习力指标上。按照预设规则，计算每一个最终学习力指标的得分情况，将每一个最终学习力指标的得分乘以权重后，得到每一个最终学习力指标的实际得分。而所有最终学习力指标的实际得分之和，则为学生的学习力得分。
具体的指标评分规则示例如表1所示，表1中示出了部分学习力指标的得分规则。
表1
可选的，获取每一个最终学习力指标的实际得分之后，还可以综合判断该学生的学习动力、学习能力、学习毅力和创新能力的分别得分情况，用以直观的展示学生的综合素质。
具体如图2所示，图2示出了某一个学生的学习动力、学习能力、学习毅力、创新能力以及学习力指数总得分情况。并且还示出了学习动力、学习能力、学习毅力以及创新能力中的标准得分情况，供学生、家长和老师等参考。
当然，图2示出的内容也可以以图表的形式体现。而且，以上内容体现的同时，还可以体现不同场景中学生的排名情况，例如全网中的排名，同年级中的排名情况等等。
进一步的，还可以根据该模型，得到学生不同科目的学习力指数，计算方式同上述方式类似，只不过在采集数据时需要分别针对每一个科目进行数据采集。具体如图3所示，图3示出了该学生的语文、数学、英语、化学以及其他各科目的学习力指数示意图。
在图2和图3中，外环为标准得分，而内环则为实际得分。
进一步可选的，为了使得该学习力指数模型更加精确，还可以包括如下方法步骤：
实时获取第二预设时间段内预设数量学生学习过程中的所有行为数据；
利用基于行为数据的学习力指数模型，对学生的学习力进行测评，获取测评结果；
根据测评结果，对基于行为数据的学习力指数模型进行优化，第二预设时间段发生顺序滞后于第一预设时间段。
也即是，通过在构建该模型后，实时采集第二预设时间段内预设数量学生学习过程中的所有行为数据。比如某一个学校中100名学生在一年内的所有学习过程中的行为数据。然后通过该模型对每一名学生的学习力进行测评，从而获取测评结果。然后，验证这些测评结果的准确性，并根据这些测评结果对学习力指数模型进行优化，例如调整候选学习力指标，或者调整每一个学习力指标的评分计算规则等等。实现对模型的调优。
本发明实施例提供的一种基于行为数据的学习力指数模型构建方法，获取学生所有的行为数据后，根据学生所有行为数据，对工作人员输入的候选学习力指标进行降维，从而得到最终学习力指标。根据工作人员通过调研获取每一个最终学习力指标的权重，然后根据最终学习力指标及其对应的权重值，构建一个基于行为数据的学习力指数模型。利用该学习力指数模型对学生的学习力进行测评时，需要首先获取学生所有行为数据，必然能够保证数据的多元化。而且，获取的数方式是从智能学习设备中直接调取，获取方式方便，客观，完全可以真实反映学生学习状态。另外，既然是获取学生所有行为数据，必然可以保证过程性。每一个阶段，学生的学习状态都不尽相同，通过实时获取数据，必然可以实时动态的刻画学生的学习进展，可以做到细颗粒度的过程性跟踪与监控。
与上述实施例1对应的，本发明实施例2还提供了一种基于行为数据的学习力指数模型构建装置，具体如图4所示，该装置包括：获取单元201、接收单元202以及处理单元203。
获取单元201，用于获取第一预设时间段内学生学习过程中的所有历史行为数据；
接收单元202，用于接收工作人员输入的多个候选学习力指标；
处理单元203，用于依据历史行为数据，采用降维方法对多个候选学习力指标进行降维，获取至少两个最终学习力指标，至少两个学习力指标为多个候选学习力指标中的部分学习力指标；
接收单元202还用于，接收工作人员输入的与每一个最终学习力指标对应的权重值，每一个最终学习力指标对应的权重值均为工作人进行调研后获取的；
处理单元203还用于，根据每一个最终学习力指标，以及与每一个最终学习力指标对应的权重值，构建基于行为数据的学习力指数模型。
可选的，多个候选学习力指标分为四大类：学习动力、学习能力、学习毅力和创新能力；
学习动力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备签到及时率、智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值、预定任务完成率、智能学习设备疑似被摔次数、笔记整洁度打分、整洁笔记数占比、笔记书写合格率或者复习及时率等等；
学习能力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备时，预习笔记数量、笔记复习时间、笔记复习次数；在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量、阅读题答题正确率、预习笔记合格率、复习笔记达标率、知识点合格学成平均耗时或者预设难度等级及以上等级答题正确率；
学习毅力类包括但不限于如下中的一种或多种候选学习力指标：使用智能学习设备的签到次数、准时签到次数与所有签到次数之间的比值、连续签到次数的最高值、第二预设时间段内使用智能学习设备的时间长度与使用智能学习设备总时间长度之间的比值、预定任务未完成被提醒次数、课外使用智能学习设备的时长、自动组卷测评次数、每日一题参与答题数或者连续两次使用平均间隔时长；
创新能力类包括但不限于如下中的一种或多种候选学习力指标：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数、预设难度等级及以上等级的题目完成个数、提出质疑次数、超额完成任务次数、获取优秀笔记称号的数量、预设难度等级及以上等级的题目挑战次数或者合理化建议反馈次数。
可选的，至少两个最终学习力指标至少包括，学习动力类最终学习力指标包括但不限于：智能学习设备利用率、使用智能学习设备时长超过预设时长的次数与使用智能学习设备总次数之间的比值或者预定任务完成率；
学习能力类最终学习力指标包括但不限于：预习笔记数量、笔记复习时间、在第一预设时间段内，平均每次使用智能学习设备答题时的单位时间答题个数、使用智能学习设备在单位时间内完成阅读量或者阅读题答题正确率；
学习毅力类最终学习力指标包括但不限于：使用智能学习设备的签到次数、连续签到次数的最高值，或者课外使用智能学习设备的时长；
创新能力类最终学习力指标包括但不限于：通过智能学习设备上传原创作品的个数、原创作品获取的点赞数，或者预设难度等级及以上等级的题目完成个数。
可选的，获取单元201还用于，实时获取第二预设时间段内预设数量学生学习过程中的所有行为数据；
处理单元203还用于，利用基于行为数据的学习力指数模型，对学生的学习力进行测评，获取测评结果；
根据测评结果，对基于行为数据的学习力指数模型进行优化。
本发明实施例提供的一种基于行为数据的学习力指数模型构建装置中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
本发明实施例提供的一种基于行为数据的学习力指数模型构建装置，获取学生所有的行为数据后，根据学生所有行为数据，对工作人员输入的候选学习力指标进行降维，从而得到最终学习力指标。根据工作人员通过调研获取每一个最终学习力指标的权重，然后根据最终学习力指标及其对应的权重值，构建一个基于行为数据的学习力指数模型。利用该学习力指数模型对学生的学习力进行测评时，需要首先获取学生所有行为数据，必然能够保证数据的多元化。而且，获取的数方式是从智能学习设备中直接调取，获取方式方便，客观，完全可以真实反映学生学习状态。另外，既然是获取学生所有行为数据，必然可以保证过程性。每一个阶段，学生的学习状态都不尽相同，通过实时获取数据，必然可以实时动态的刻画学生的学习进展，可以做到细颗粒度的过程性跟踪与监控。
与上述实施例相对应的，本发明实施例3还提供了一种智能学习设备，具体如图5所示，该智能学习设备包括：处理器301和存储器302。
存储器302用于存储一个或多个程序指令；
一个或多个程序指令被处理器301运行，用以执行如上实施例所介绍的一种基于行为数据的学习力指数模型构建方法中的任一方法步骤。
本发明实施例提供的一种智能学习设备，获取学生所有的行为数据后，根据学生所有行为数据，对工作人员输入的候选学习力指标进行降维，从而得到最终学习力指标。根据工作人员通过调研获取每一个最终学习力指标的权重，然后根据最终学习力指标及其对应的权重值，构建一个基于行为数据的学习力指数模型。利用该学习力指数模型对学生的学习力进行测评时，需要首先获取学生所有行为数据，必然能够保证数据的多元化。而且，获取的数方式是从智能学习设备中直接调取，获取方式方便，客观，完全可以真实反映学生学习状态。另外，既然是获取学生所有行为数据，必然可以保证过程性。每一个阶段，学生的学习状态都不尽相同，通过实时获取数据，必然可以实时动态的刻画学生的学习进展，可以做到细颗粒度的过程性跟踪与监控。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种智能学习设备执行如上所介绍的一种基于行为数据的学习力指数模型构建方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。