一种在线学习投入动态评价方法及系统与流程

[0001]
本发明涉及在线学习数据分析技术领域，具体涉及一种在线学习投入动态评价方法及系统。


背景技术：

[0002]
在线教学越来越成为教学重要的方式，在线教育快速发展的同时，提升在线学习投入与在线教学个性化服务质量始终是大部分在线教育课程面临的主要挑战。
[0003]
学生在线学习过程中，学习平台会存储大量丰富的的学习者数据信息，从这些数据中提取有价值的数据对其分析，可以从多角度更好的了解学习者的学习状态、学习的偏好、学习资源利用情况等等。目前对学习者在线学习投入进行的数据分析和评价方面，研究缺乏对课程层面的有效投入与评测框架、缺乏揭示在线课程学习投入质量和过程的自动化方法，不能有效的对在线学习投入进行动态评价。


技术实现要素：

[0004]
因此，本发明要解决的技术问题在于克服现有技术中不能有效的对线学习投入动态评价的缺陷，因此提供一种在线学习投入动态评价方法及系统。
[0005]
为达到上述目的，本发明提供如下技术方案：
[0006]
第一方面，本发明实施例提供一种在线学习投入动态评价方法，包括如下步骤：
[0007]
将获取的在线学习数据划分为不同粒度的学习空间投入特征及不同维度的学习时间投入特征，计算每一种空间粒度投入和时间维度投入的组合的特征；
[0008]
基于空间粒度建立空间评价模型，每个空间评价模型的输入特征为该空间粒度下各个时间维度的特征，以预设表征学生学习绩效表现的特征作为预测指标；
[0009]
基于时间维度建立时间评价模型，每个时间评价模型的输入特征为该时间维度下各个空间粒度下的特征，以预设表征学生学习绩效表现的特征作为预测指标；
[0010]
以每个空间粒度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的空间投入综合模型；
[0011]
以每个时间维度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的时间投入综合模型；
[0012]
定期采集学生的实时在线学习数据进行特征计算，形成投入空间粒度和时间维度下的各个指标，并分别对应输入到空间评价模型和时间评价模型中，生成空间维度的预测指标和时间维度的预测指标，最后将空间粒度的预测指标输入到空间投入综合模型，以及将时间维度的预测指标输入到时间投入综合模型，进行最终的动态评价预测，形成空间粒度的综合预测指标和时间维度的综合预测指标。
[0013]
在一实施例中，学习空间的粒度包括：课程粒度、学习任务粒度、学习页面粒度，对应的空间评价模型包括：课程模型、任务模型和页面模型。
[0014]
在一实施例中，学习时间的维度包括：时长、间隔、时刻、时序、动态趋势，对应的时
间评价模型包括：时长模型、间隔模型、时刻模型、时序模型和趋势模型。
[0015]
在一实施例中，每一种空间粒度投入和时间维度投入的组合的特征包括：
[0016]
课程投入分别和时长、间隔、时刻、时序、动态趋势投入的组合特征；
[0017]
任务投入分别和时长、间隔、时刻、时序、动态趋势投入的组合特征；
[0018]
页面投入分别和时长、时序、动态趋势投入的组合特征。
[0019]
在一实施例中，课程投入和时长投入的组合特征包括：课程投入总量、课程学习专注度、课程学习分配、课程学习速度；课程投入和间隔投入的组合特征包括：课程学习节奏、课程学习强度分布；课程投入和时刻投入的组合特征包括：学习拖延；课程投入和时序投入的组合特征包括：课程学习模式、活动丰富性；课程投入和动态趋势投入的组合特征包括：课程专注度变化趋势、课程节奏变化趋势、课程分配变化趋势、课程学习速度变化趋势；
[0020]
任务投入和时长投入的组合特征包括：任务学习投入总量、任务学习专注度、任务投入分配、任务学习速度；任务投入和间隔投入的组合特征包括：任务学习节奏、任务学习强度分布；任务投入和时刻投入的组合特征包括：任务拖延；任务投入和时序投入的组合特征包括：任务参与模型、行为多样性；任务投入和动态趋势投入的组合特征包括：专注度的变化趋势、任务节奏变化趋势、任务分配变化趋势、任务速度变化趋势；
[0021]
页面投入和时长投入的组合特征包括：页面沉浸度、页面学习分配、页面学习速度；页面投入和时序投入的组合特征包括：注意力流转模式、认知负荷量；页面投入和动态趋势投入的组合特征包括：页面沉浸度变化趋势、页面分配变化趋势、页面学习速度变化趋势。
[0022]
在一实施例中，预设表征学生学习绩效表现的特征，包括：成绩、完成度、坚持度。
[0023]
在一实施例中，基于神经网络构建空间粒度和时间维度下的各个评价模型、空间投入综合模型及时间投入综合模型。
[0024]
第第方面，本发明实施例提供一种在线学习投入动态评价系统，包括：特征工程模块，用于将获取的在线学习数据划分为不同粒度的学习空间投入特征及不同维度的学习时间投入特征，计算每一种空间粒度投入和时间维度投入的组合的特征；
[0025]
模型建立模块，用于基于空间粒度建立空间评价模型，每个空间评价模型的输入特征为该空间粒度下各个时间维度的特征，以预设表征学生学习绩效表现的特征作为预测指标；基于时间维度建立时间评价模型，每个时间评价模型的输入特征为该时间维度下各个空间粒度下的特征，以预设表征学生学习绩效表现的特征作为预测指标；以每个空间粒度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的空间投入综合模型；以每个时间维度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的时间投入综合模型；
[0026]
动态指标获取模块，用于定期采集学生的实时在线学习数据进行特征计算，形成投入空间粒度和时间维度下的各个指标，并分别对应输入到空间评价模型和时间评价模型中，生成空间维度的预测指标和时间维度的预测指标，最后将空间粒度的预测指标输入到空间投入综合模型，以及将时间维度的预测指标输入到时间投入综合模型，进行最终的动态评价预测，形成空间粒度的综合预测指标和时间维度的综合预测指标。
[0027]
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面的在
线学习投入动态评价方法。
[0028]
第四方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例第一方面的在线学习投入动态评价方法。
[0029]
本发明技术方案，具有如下优点：
[0030]
本发明提供的一种在线学习投入动态评价方法及系统，将在线学习数据划为不同粒度的学习空间投入特征及不同维度的学习时间投入特征，计算每种空间粒度投入和时间维度投入的组合的特征，并构建不同空间粒度的空间评价模型及不同时间维度的时间评价模型，每个空间粒度模型的输出作为输入以预设表征学生学习绩效表现的特征作为预测指标构建空间投入综合模型，每个时间维度模型的输出作为输入以预设表征学生学习绩效表现的特征作为预测指标构建时间投入综合模型，以上的模型组成多粒度空间多维时间特征的在线学习投入动态评价模型，通过定期获取学生在线学习数据，基于动态评价模型对学生在线学习投入进行全面/深入的评价，了解学生在不同网络学习时空中的学习状态与动态演变，诊断学习问题，据此更好提供精准教学干预和个性化学习支持服务，为课程教学设计的学习设计优化提供依据。
附图说明
[0031]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
[0032]
图1本发明实施例中提供的在线学习投入动态评价方法的一个具体示例的工作流程图；
[0033]
图2为本发明实施例中提供的构建三层空间多维时间特征的在线学习投入动态评价模型的示意图；
[0034]
图3本发明实施例中提供的在线学习投入动态评价系统的一个具体示例的模块组成图；
[0035]
图4为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
[0036]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
[0037]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0038]
实施例1
[0039]
本发明实施例提供一种在线学习投入动态评价方法，如图1所示，该方法包括如下步骤：
[0040]
步骤s1：将获取的在线学习数据划分为不同粒度的学习空间投入特征及不同维度
的学习时间投入特征，计算每一种空间粒度投入和时间维度投入的组合的特征。
[0041]
在本发明实施例中，学习空间的粒度包括：课程粒度、学习任务粒度、学习页面粒度，学习时间的维度包括：时长、间隔、时刻、时序、动态趋势，每一种空间粒度投入和时间维度投入的组合的特征包括：课程投入分别和时长、间隔、时刻、时序、动态趋势投入的组合特征；任务投入分别和时长、间隔、时刻、时序、动态趋势投入的组合特征；页面投入分别和时长、时序、动态趋势投入的组合特征。
[0042]
每一种空间粒度的投入和时间维度的组合的特征通过以下表格表示：
[0043][0044]
需要说明的是，任务类型为常见任务，例如看视频、做测试、论坛讨论、做作业；其中在进行速度分析时，讨论任务难以判断其完成率，以发帖总字数代替完成率。页面类型中的页面根据媒体形式、页面交互性，页面联通性进行分类，具体来讲，媒体形式，包括视频页面，文本页面，多种媒体等，交互性，含有交互组件，属于交互性页面；联通性页面，含有超链接为联通性页面，可以根据页面在上述三个方面的特征情况给页面打标签。
[0045]
以上空间粒度和时间维度所包括的分析内容，以及上表中每一种空间粒度的投入和时间维度的组合的特征，仅作为举例说明，在实际应用中根据最终目标评价内容，进行合理设置，并采用相应的计算方法获取对应的特征，具体可以参考下列中的三维空间与多维时间特征计算表。
[0046]
[0047]
[0048]
[0049]
[0050]
[0051][0052]
步骤s2：基于空间粒度建立空间评价模型，每个空间评价模型的输入特征为该空间粒度下各个时间维度的特征，以预设表征学生学习绩效表现的特征作为预测指标。
[0053]
步骤s3：基于时间维度建立时间评价模型，每个时间评价模型的输入特征为该时间维度下各个空间粒度下的特征，以预设表征学生学习绩效表现的特征作为预测指标。
[0054]
本发明实施例，预设表征学生学习绩效表现的特征，包括：成绩、完成度、坚持度，实际中根据具体的绩效进行扩展设置。基于上述空间粒度和时间维度所要分析的内容，空间评价模型包括：课程模型、任务模型和页面模型。时间评价模型包括：时长模型、间隔模型、时刻模型、时序模型和趋势模型。
[0055]
空间评价模型中每个模型的输入特征为该空间粒度下各个时间维度的特征，一般以学生绩效作为预测指标。课程模型的输入为课程投入粒度下时长、间隔、时刻、时序和趋势的五类特征；任务模型的输入为任务投入粒度下时长、间隔、时刻、时序和趋势的五类特征；页面模型的输入为任务注意力投入粒度下时长、间隔、时刻、时序和趋势的五类特征。
[0056]
时间评价模型中每个模型的输入特征为该时间维度下各个空间粒度下的特征，一般以学生绩效作为预测指标。时长模型的输入为课程投入粒度，任务投入粒度和页面注意力投入粒度下的多个特征；间隔模型的输入为课程投入粒度，任务投入粒度和页面注意力投入粒度下的多个特征；时刻模型的输入为课程投入粒度，任务投入粒度和页面注意力投入粒度下的多个特征；时序模型的输入为课程投入粒度，任务投入粒度和页面注意力投入粒度下的多个特征；趋势模型的输入为课程投入粒度，任务投入粒度和页面注意力投入粒度下的多个特征。
[0057]
步骤s4：以每个空间粒度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的空间投入综合模型。
[0058]
步骤s5：以每个时间维度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的时间投入综合模型。
[0059]
本实施例中，基于神经网络构建空间粒度和时间维度下的各个评价模型、空间投入综合模型及时间投入综合模型，例如是基于lstm网络结构，仅作为举例不以此为限，在其他实施例中也可以为其他深度学习模型。本发明实施例以空间粒度三个模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的空间投入综合模型；以时间维度五个模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建时间投入综合模型。
[0060]
步骤s6：定期采集学生的实时在线学习数据进行特征计算，形成投入空间粒度和时间维度下的各个指标，并分别对应输入到空间评价模型和时间评价模型中，生成空间维度的预测指标和时间维度的预测指标，最后将空间粒度的预测指标输入到空间投入综合模型，以及将时间维度的预测指标输入到时间投入综合模型，进行最终的动态评价预测，形成空间粒度的综合预测指标和时间维度的综合预测指标。
[0061]
本发明实施例提供的在线学习投入动态评价方法，如图2所示，由空间维度的三个模型、时间维度的五个模型、时间投入综合评价模型和空间投入综合模型共十个模型组成基于三层空间多维时间特征的在线学习投入动态评价模型，通过获取学生在线的学习数据，基于动态评价模型可以全面的对学生的在线学习投入进行评价，有利于了解学生的学习状态，并根据学习状态能够优化学习内容，更好的为学生提供个性化的在线教学服务。
[0062]
实施例2
[0063]
本发明实施例提供一种在线学习投入动态评价系统，如图3所示，包括：
[0064]
特征工程模块1，用于将获取的在线学习数据划分为不同粒度的学习空间投入特征及不同维度的学习时间投入特征，计算每一种空间粒度投入和时间维度投入的组合的特征；此模块执行实施例1中的步骤s1所描述的方法，在此不在在述。
[0065]
模型建立模块2，用于基于空间粒度建立空间评价模型，每个空间评价模型的输入特征为该空间粒度下各个时间维度的特征，以预设表征学生学习绩效表现的特征作为预测指标；基于时间维度建立时间评价模型，每个时间评价模型的输入特征为该时间维度下各个空间粒度下的特征，以预设表征学生学习绩效表现的特征作为预测指标；以每个空间粒度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的空间投入综合模型；以每个时间维度模型的输出作为输入，以预设表征学生学习绩效表现的特征作为预测指标，构建的时间投入综合模型；此模块执行实施例1中的步骤s2-步骤s5所描述的方法，在此不在在述。
[0066]
动态指标获取模块3，用于定期采集学生的实时在线学习数据进行特征计算，形成投入空间粒度和时间维度下的各个指标，并分别对应输入到空间评价模型和时间评价模型中，生成空间维度的预测指标和时间维度的预测指标，最后将空间粒度的预测指标输入到空间投入综合模型，以及将时间维度的预测指标输入到时间投入综合模型，进行最终的动态评价预测，形成空间粒度的综合预测指标和时间维度的综合预测指标；此模块执行实施例1中的步骤s6所描述的方法，在此不在在述。
[0067]
本发明实施例提供的在线学习投入动态评价系统，由空间维度的三个模型、时间维度的五个模型、时间投入综合评价模型和空间投入综合模型共十个模型组成基于三层空间多维时间特征的在线学习投入动态评价模型，通过获取学生在线的学习数据，基于动态评价模型可以全面的对学生的在线学习投入进行评价，有利于了解学生的学习状态，并根据学习状态能够优化学习内容，更好的为学生提供个性化的在线教学服务。
[0068]
实施例3
[0069]
本发明实施例提供一种计算机设备，如图4所示，该设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图4以通过总线连接为例。
[0070]
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例1中的在线学习投入动态评价方法。
[0071]
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
[0072]
一个或者多个模块存储在存储器52中，当被处理器51执行时，执行实施例1中的在线学习投入动态评价方法。
[0073]
上述计算机设备具体细节可以对应参阅实施例1中对应的相关描述和效果进行理解，此处不在在述。
[0074]
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0075]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。