The invention discloses a behavior pattern of students based on abnormal learning performance prediction method, including: the original campus records to obtain the behavior and construct sequence based on Hidden Markov model; extracting behavior statistical characteristics and behavior associated features from hidden Markov model; statistical behavior characteristics and behavior based on feature extraction, multi task model based on regular the prediction of abnormal learning performance. Based on abundant campus data, the program obtains behavior sequence of students, builds behavioral models, and makes a more direct and effective description of students' individual behavior patterns from two angles: statistical characteristics and association characteristics. At the same time, the adoption of multi task learning model can predict the abnormal learning performance of students in different courses more finely, provide students with supervision and guidance, and optimize teaching effect.
【技术实现步骤摘要】
基于行为模式的学生异常学习表现预测方法
本专利技术涉及用户行为建模与教育数据挖掘
,尤其涉及一种基于行为模式的学生异常学习表现预测方法。
技术介绍
随着教育的信息化,数字校园应运而生。对于学生而言,校园作为主要的生活范围,扮演着一个微型社会的角色,不仅包含学习环境,也提供了基础生活设施如餐厅、宿舍、超市、健身房、校医院等。校园中记录着丰富的多源数据,主要包括:1.基本信息系统,记录学生的基本信息;2.选课系统与成绩查询系统,记录学生的选课与成绩信息;3.消费系统,记录学生日常活动以及与相关消费信息;4.门禁与身份认证系统,提供学生身份认证与位置信息的记录。目前对学生的行为数据进行挖掘的工作较少,数据采集方式有限,应用成本较高。学习表现是衡量一个学校教学水平最关键的指标,有效与及时的预测学习表现既有利于提高学校监督工作的效率,也有利于学生养成良好的学习习惯。随着教育数据挖掘(EDM)的发展,已有越来越多的工作将数据挖掘方法应用于预测学习表现。近年来对学生学习表现预测的相关工作主要存在两方面的问题:1.采用的预测因子主要包括CGPA、中期评测、人口信息、高校背景信息等,较少有工作根据学生的校园行为对学习表现进行建模与分析。然而在看似无差异的教学环境下,学生的学习表现不仅与教学环境、教学方法以及学生固有的能力有关,与其行为模式存在着很大程度的相关性。2.目前工作通常以学生的综合绩点作为预测目标,采用回归或者分类的方法预测学生的学习表现。但其忽略了课程之间的差异性,预测粒度较为粗糙,指导意义不强。
技术实现思路
针对现有的学习表现预测方法存在着预测因子不全面、预 ...
【技术保护点】
一种基于行为模式的学生异常学习表现预测方法,其特征在于,包括:基于原始的校园记录获取行为序列,并构建隐马尔可夫模型;从隐马尔可夫模型中提取行为统计特征及行为关联特征;基于提取的行为统计特征及行为关联特征,应用正则化的多任务模型对异常学习表现进行预测。
【技术特征摘要】
1.一种基于行为模式的学生异常学习表现预测方法,其特征在于,包括:基于原始的校园记录获取行为序列,并构建隐马尔可夫模型;从隐马尔可夫模型中提取行为统计特征及行为关联特征;基于提取的行为统计特征及行为关联特征,应用正则化的多任务模型对异常学习表现进行预测。2.根据权利要求1所述的一种基于行为模式的学生异常学习表现预测方法,其特征在于,所述基于原始的校园记录获取行为序列包括:将用户的每一条记录作为一个事件,用户u的一个事件定义为e=(t,p,c,m),e∈Eu;其中,t、p、c、m分别为事件时间戳、位置所属类别、交易类型、交易金额,Eu为事件集合;对于用户u在一定时间段δ内具有相同位置类别、相同交易类型的一组连续的事件序列(e1,e2,...,eG),合并为一个活动v=(tstart,tend,p,c,m),v∈Vu;其中,G为事件序列的总数,Vu为活动集合,tstart、tend分别为起始时间戳、结束时间戳,且tend-tstart≤δ;则根据时间顺序,用户u在指定周期T内的活动序列为Seq(u,t0)=(v1,v2,...,vS),其中t0为第一个活动v1的起始时间戳,S为事件序列的总数活动序列中活动的总数;对于用户第c个活动vc,其对应的行为为hc=f(vc),hc∈H,其中函数f为实际应用场景下预定义的确定映射,H为有效行为集;则活动序列Seq(u,t0)=(v1,v2,...,vS)对应的行为序列为Seq′(u,t0)=(h1,h2,...,hS)。3.根据权利要求2所述的一种基于行为模式的学生异常学习表现预测方法,其特征在于,所述构建隐马尔可夫模型包括:首先构造离散化的活动空间V′={v′1,v′2,...v′M}:将活动的时间以小时为单位进行划分,忽略交易金额,其中,M为V′中活动的总数;利用活动序列构造观测序列O=(v′1,v′2,...,v′S),vc'∈V′,提取活动序列对应的行为序列作为隐状态序列I=(h1,h2,...hS),h∈H,基于L个观测序列和对应的隐状态序列{(O1,I1),(O2,I2),...,(OL,IL)},构建隐马尔可夫模型λ=(π,A,B),通过极大似然估计法估计模型的参数;其中,π、A、B分别为初始概率分布、状态转移概率分布、观测概率分布。4.根据权利要求1或3所述的一种基于行为模式的学生异常学习表现预测方法,其特征在于,所述提取行为统计特征包括:对于每一个行为hc,包含其两类可度量属性:指定周期T内行为hc的累积频率hfre,以及指定周期T内行为hc的累积交易金额hamo,对于非交易类行为忽略本属性;对每个具体行为在上述的任一个属性,从行为水平、行为变化以及行为规律三个方面提取特征,假设行为hc的频率属性hfre在第p个单位周期内的均值为连续P个周期内的均值序列为对均值序列随周期t的波动情况做线性拟合其中,b为截距,则:行为水平:以均值衡量某一特定行为的平均水平;行为变化:对均值序列在连续多个周期上的线性拟合,以斜率a衡量某一特定行为的变化趋势;行为规律:对均值序列在连续多个周期上的线性拟合,以残差平方和衡量某一特定行为的规律性。5.根据权利要求1或3所述的一种基于行为模式的学生异常学习表现预测方法,其特征在于,所述提取行为关联特征包括:行为之间的转移隐含着用户内在的行为习惯,行为在不同活动上的分布也暗示着用户确定或不确定的生活状态...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。