本发明涉及在线学习,具体为在线学习环境中的学习中断行为分析方法。
背景技术:
1、随着互联网技术的发展,在线学习已成为现代教育体系的重要组成部分。现有的在线学习平台通常提供视频直播、录播教学、互动讨论和在线测验等功能,以便于学生随时随地进行学习。这些平台能够记录学生的登录时间、观看时长、作业提交情况等数据,从而对学生的学习进度和效果进行基本评估。
2、尽管现有技术在在线学习监控和管理方面取得了一定的进展,但在分析学习中断行为方面仍存在明显不足。首先,许多在线学习平台要求学生登录系统进行实时上课,这在网络不稳定的情况下成为某些学生拒绝参加在线课程的理由。这种情况下,学习中断往往与技术问题相混淆,导致真实的学习中断行为难以被准确识别。其次,尤其在直播教学中,学生的特征表现(如面部表情、注意力分散等)难以被在线系统准确捕捉,这限制了教师对学生是否真正参与学习过程的判断。因此,现有技术在识别和分析学习中断行为方面仍然需要进一步的改进和优化。
技术实现思路
1、针对现有技术的不足,本发明提供了在线学习环境中的学习中断行为分析方法,解决了背景技术中的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:在线学习环境中的学习中断行为分析方法,包括:
3、第一步:在线学习环境中,首先获取学习中断行为的具体表现,根据这些具体的表现来判定用户是否存在学习中断的行为,其中具体表现的行为包括:频繁退出和重新登录课程平台、在线直播课程中用户表现的特征、长时间不活跃或未参与课程活动这主要的三种行为;
4、第二步:对第一步的具体表现中的频繁退出和重新登录课程平台的行为进行合理的分析,分析的过程首先收集关键的网络性能指标的数据,然后计算出综合网络性能指标,接着规定间隔时间段,通过划分多个时刻,得到每个时刻的频繁退出和重新登录课程的频率和每个时刻的网络性能指标,在分别计算出规定间隔时间段的频繁退出和重新登录课程的平均频率和网络性能指标的平均值,综合这些数值计算得到一个判定值,根据这个判定值的范围判定是否存在学习中断行为,其中,对于频繁退出和重新登录课程平台的行为中的频繁退出的定义包括账号退出和用户在其他网站或应用上有活动被检测到时视为一次退出;
5、第三步:对第一步的具体表现中的在线直播课程中用户表现的特征的行为进行合理的分析,分析的过程首先通过设定多个不同的特征来描述学生的行为,每个特征用进行标记,然后对每个特征进行标准化处理,接着设定逻辑回归模型对每个特征进行标准化处理的结果通过逻辑回归模型预测,通过回归模型预测的结果判定是否存在学习中断行为;
6、第四步:对第一步的具体表现中的长时间不活跃或未参与课程活动的行为进行合理的分析,分析的过程首先定义多个判断的条件,以及判断条件的阈值,然后通过指示函数来判定是否满足阈值条件,综合判定的结果,判断是否存在学习中断行为。
7、优选的,所述第二步中对于频繁退出和重新登录课程平台的具体分析方式为:
8、
9、s1:进行数据的收集,收集关键网络性能指标的数据,关键网络性能指标的数据包括:网络延迟l、丢包率p和带宽m,然后定义一个综合网络性能指标k,其中综合网络性能指标k根据关键网络性能指标的数据计算确定,通过公式:
10、k=ω1*l+ω2*p+ω3*m
11、其中ω1、ω2和ω3是权重,需专业人员根据具体情况设定;
12、s2:规定间隔时间段t1,然后将这个时间段分为n个时刻,在这个时间段获取第i-1个时刻到第i时刻区间的频繁退出和重新登录课程的频率yi,获取第i个时刻的网络性能指标ki,然后得到这个间隔时间段内的网络性能指标的平均值kp i和频繁退出和重新登录课程的平均频率yp i,其中1≤i≤n,通过皮尔逊相关系数公式:
13、
14、得出的r,通过取r的绝对值|r|来判断相关性的强度:|r|的值越接近1,相关性越强,当|r|>0.5时被认为是强相关;
15、s3:对|r|的范围判定是否存在学习中断行为。
16、优选的,s3中具体的判定是否存在学习中断行为的方式为:
17、当计算出来的|r|>0.5时,这表明频繁退出和重新登录课程平台的行为与网络性能之间存在强相关,当|r|≤0.5时,这频繁退出和重新登录课程平台的行为与网络性能之间存在弱相关性,同时排出在线系统故障的影响,由此得到频繁退出和重新登录课程平台的行为与个人因素存在关系,进一步确定为学习中断行为。
18、优选的,所述第三步中对于在线直播课程中用户表现的特征的具体分析方式为:
19、p1:通过设定s个不同的特征来描述学生的行为,每个特征用fb来表示,其中b=1,2,3,……,s;其中s个不同的特征由专业人员进行选定,这些特征包括:
20、f1:直播课程的屏幕在线率
21、f2:直播课程视线移动频率
22、f3:直播课程互动次数
23、……
24、p2:对每个特征进行标准化处理,以消除量纲的影响,标准化后的特征表示为ei,计算方法为:
25、其中,μb、δb分别是特征fb的均值和标准差;
26、p3:接着设定逻辑回归模型,其预测公式为:
27、
28、其中,p(y=1|e)是给定特征z时预测学习中断(y=1)的概率,β0,β1,…,βb是模型参数,具体由专业人员设定;
29、对于每个学生,得到学习中断的概率p(y=1|e),根据这个概率和预设的阈值u进行判定是否存在学习中断行为。
30、优选的,p2中计算fb、μb和δb的具体方式为:
31、具体的fb、μb和δb计算方式根据不同的特征属性进行计算得到,其中f1、μ1和δ1的计算方式如下:
32、首先通过在线学习系统的追踪功能收集z个直播课程代表性样本,包含z个直播总时间tp(1≤p≤z)和需要上这个直播课程的用户在屏幕前的各个时间tp_bj(1<j≤h),其中h代表总的用户,确保所有数据都以相同的单位记录,通过计算tp_bj与tp的比值,得到每个用户在第p个直播课程的屏幕在线率wp_bj,其中b=1,即为f1,接着计算到所有用户参加z个直播课程代表性样本的平均屏幕在线率μ1,然后通过标准差公式获得每个用户屏幕在线率的标准差δ1;
33、其他的fb、μb和δb通过计算得到μb和δb的逻辑进行获得,具体的由专业人员进行计算得到。
34、优选的,p3中具体的判定是否存在学习中断行为的方式为:
35、当p(y=1|e)>u时,则判断为学习中断行为;
36、当p(y=1|e)≤u时,则判断为正常学习行为。
37、优选的,所述第四步中对于长时间不活跃或未参与课程活动的具体分析方式为:
38、as1:定义lj(t)表示第j个用户在第t天的登录次数;
39、定义pj(ψ)表示第j个用户在第ψ周的互动次数;
40、定义vj(ψ)表示第j个用户在第ψ周的内容访问时长;
41、接着设定阈值,登录阈值lth:表示连续天数内没有登录的阈值;
42、互动阈值pth:表示一定时间内最低互动次数;
43、内容访问阈值vth:表示一定时间内的最低内容访问时长;
44、as2:接着使用指示函数判定是否满足阈值条件;
45、as3:综合指示函数判定是否满足阈值条件的结果,判断用户是否存在学习中断的行为。
46、优选的,as2中具体的指示函数判定包括:
47、登录指示函数:
48、
49、当表示用户j在过去lth天内没有登录
50、互动指示函数:
51、
52、当表示用户j在过去ψ周内互动次数低于阈值pth
53、内容访问指示函数:
54、
55、当表示用户j在过去ψ周内内容访问时长低于阈值vth。
56、优选的,as3中具体的指示函数判定包括:
57、对于每个用户j,当满足登录指示函数的值为1时,判定该用户为学习中断行为,当满足登录指示函数的值为0,互动指示函数为1和内容访问指示函数为1时,判定该用户为学习中断行为,其他情况下判定该用户为正常学习情况。
58、本发明提供了在线学习环境中的学习中断行为分析方法。与现有技术相比具备以下有益效果:
59、(1)本发明,通过精准地收集和分析数据,显著提升了识别学习中断行为的准确性。通过分析频繁退出和重新登录行为时,通过网络性能指标的综合考量,可以有效区分网络问题和学生主动中断学习的情况。同时,通过对在线直播课程中用户表现的特征进行深入分析,如屏幕在线率、视线移动频率等,使得教师能更准确地识别出学生是否真正在学习,这种方法减少了误判的可能性。
60、(2)本发明,通过分析学生的登录情况、互动频率和内容访问时长,教师可以及时发现那些可能失去兴趣或遇到学习障碍的学生。这使得系统可以更快地提供个性化的支持和指导。此外,这种方法还有助于创建一个更加包容和支持的学习环境,其中学生的个别需求被认识到并得到满足,从而提高学生的整体学习效果和满意度。