一种线上学习方式评估方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开一种线上学习方式评估方法、装置、设备及存储介质。该方法包括：根据预设的特征变量，获取各学生账号对应的特征值，特征变量包括一个处理变量、一个输出变量和至少一个混淆变量，处理变量为各学生是否使用线上学习方式，输出变量为各学生的学习水平，混淆变量为同时影响输出变量和处理变量的特征变量；将各学生的特征值进行汇总得到总样本数据，根据总样本数据构建因果森林，将总样本数据代入因果森林，确定混淆变量的异质处理效应；根据混淆变量的异质处理效应，评估对于混淆变量对应的学生群体，处理变量对输出变量的影响效果。采用上述技术手段，解决现有线上学习方式评估的处理效应没有考虑异质性问题，提高评估结果置信度。提高评估结果置信度。提高评估结果置信度。

【技术实现步骤摘要】
一种线上学习方式评估方法、装置、设备及存储介质


[0001]本申请实施例涉及网络教育
，尤其涉及一种线上学习方式评估方法、装置、设备及存储介质。

技术介绍

[0002]随着网络教育技术的快速发展，线上学习已成为一种普遍的学习方式。网络教育不仅有利于优质教学资源的共享，让不同地方的学生有机会接触到同等教育资源，而且拓展了学习环境边界，只需要一部可视的电子设备，学生即可随时随地开始学习。尽管线上学习存在很多优点，但线上学习相比于传统线下学习是否更有优势，哪种学习方式更有利于学生成绩的提高，这就需要对这两种学习方式的有效性进行评估，以便学生选择更适合的学习方式。
[0003]传统的线上学习方式评估方案是计算平均或个体因果效应，这类方案由学生自主选择某种方式进行学习，再基于一段时间的观测数据分析不同学习方式的影响。但专利技术人发现，这种评估方案只关注平均的因果效应，没有考虑异质性问题。因此传统的评估方案得到的评估结果准确度低，且无法根据评估结果对学习方式进行调整优化。

技术实现思路

[0004]本申请实施例提供一种线上学习方式评估方法、装置、设备及存储介质，解决现有线上学习方式评估的处理效应没有考虑异质性问题，提高评估结果置信度。
[0005]在第一方面，本申请实施例提供了一种线上学习方式评估方法，包括：
[0006]根据预设的特征变量，获取各学生账号对应的特征值，所述特征变量包括一个处理变量、一个输出变量和至少一个混淆变量，所述处理变量为各学生是否使用线上学习方式，所述输出变量为各学生的学习水平，所述混淆变量为同时影响所述输出变量和所述处理变量的特征变量；
[0007]将各学生的特征值进行汇总得到总样本数据，根据所述总样本数据构建因果森林，将所述总样本数据代入所述因果森林，确定所述混淆变量的异质处理效应；
[0008]根据所述混淆变量的异质处理效应，评估对于所述混淆变量对应的学生群体，所述处理变量对所述输出变量的影响效果。
[0009]在第二方面，本申请实施例提供了一种线上学习方式评估装置，包括：
[0010]特征获取模块，被配置为根据预设的特征变量，获取各学生账号对应的特征值，所述特征变量包括一个处理变量、一个输出变量和至少一个混淆变量，所述处理变量为各学生是否使用线上学习方式，所述输出变量为各学生的学习水平，所述混淆变量为同时影响所述输出变量和所述处理变量的特征变量；
[0011]森林构建模块，被配置为将各学生的特征值进行汇总得到总样本数据，根据所述总样本数据构建因果森林，将所述总样本数据代入所述因果森林，确定所述混淆变量的异质处理效应；
[0012]效果评估模块，被配置为根据所述混淆变量的异质处理效应，评估对于所述混淆变量对应的学生群体，所述处理变量对所述输出变量的影响效果。
[0013]在第三方面，本申请实施例提供了一种线上学习方式评估设备，包括：
[0014]一个或多个处理器；
[0015]存储器，用于存储一个或多个程序；
[0016]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的线上学习方式评估方法。
[0017]在第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的线上学习方式评估方法。
[0018]上述线上学习方式评估方法、装置、设备及存储介质，通过获取各学生账号对应的样本数据，样本数据包括预设的输出变量、处理变量和混淆变量的特征值，将各学生的样本数据汇总成总样本数据，根据总样本数据构建因果森林，以根据因果森林和总样本数据确定混淆变量的异质处理效应，从而根据异质处理效应，评估在具备相同混淆变量特征值的学生群体中，线上学习方式对学生水平产生的影响效果，便于后续根据各学生群体的混淆变量特征值和影响效果优化该线上学习方式。
附图说明
[0019]图1是本申请一个实施例提供的一种线上学习方式评估方法的流程图；
[0020]图2是本申请实施例提供的因果图；
[0021]图3是本申请实施例提供的决策树的结构图；
[0022]图4是本申请一个实施例提供的另一种线上学习方式评估方法的流程示意图；
[0023]图5是本申请一个实施例提供的另一种线上学习方式评估方法的流程示意图；
[0024]图6是本申请一个实施例提供的一种线上学习方式评估装置的结构示意图；
[0025]图7是本申请一个实施例提供的一种线上学习方式评估设备的结构示意图。
具体实施方式
[0026]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
[0027]需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或操作或对象与另一个实体或操作或对象区分开来，而不一定要求或者暗示这些实体或操作或对象之前存在任何这种实际的关系或顺序。例如，第一样本集和第二样本集的“第一”和“第二”用来区分不同的样本集合。
[0028]本申请实施例中提供的线上学习方式评估方法可以由线上学习方式评估设备执行，该线上学习方式评估设备可以通过软件和/或硬件的方式实现，该线上学习方式评估设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。例如，线上学习方式评估设备可以是电脑这一类智能设备。
[0029]线上学习方式评估设备安装有至少一类操作系统，其中，操作系统包括但不限定于安卓系统、Linux系统及Windows系统。线上学习方式评估设备可以基于操作系统安装至
少一个应用程序，应用程序可以为操作系统自带的应用程序，也可以为从第三方设备或者服务器中下载的应用程序，实施例中，线上学习方式评估设备至少按照有可以执行线上学习方式评估方法的应用程序，因此，线上学习方式评估设备也可以是应用程序本身。
[0030]为了便于理解，实施例中以电脑为线上学习方式评估设备进行示例性描述。
[0031]图1是本申请一个实施例提供的一种线上学习方式评估方法的流程图。参考图1，该线上学习方式评估方法包括：
[0032]S110、根据预设的特征变量，获取各学生账号对应的特征值，特征变量包括一个处理变量、一个输出变量和至少一个混淆变量。
[0033]其中，处理变量是指学生是否使用线上学习平台推出的线上学习方式，处理变量特征值包括学生使用该线上学习方式和学生没有使用该线上学习方式。例如，线上学习平台为适应各学生的学习习惯，推出各种线上学习方式，包括自主学习方式和家长监督式学习方式等。其中，输出变量是指学生的学习成绩等可以代表学生学习水平的数据。输出变量特征值为学习水平的具体数值，如学习成绩的分数。其中，混淆变量是指会同时影响处理变量和输出变量的特征变量，例如学生的年级、学习地区、平时量作业和作业表现等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种线上学习方式评估方法，其特征在于，包括：根据预设的特征变量，获取各学生账号对应的特征值，所述特征变量包括一个处理变量、一个输出变量和至少一个混淆变量，所述处理变量为各学生是否使用线上学习方式，所述输出变量为各学生的学习水平，所述混淆变量为同时影响所述输出变量和所述处理变量的特征变量；将各学生的特征值进行汇总得到总样本数据，根据所述总样本数据构建因果森林，将所述总样本数据代入所述因果森林，确定所述混淆变量的异质处理效应；根据所述混淆变量的异质处理效应，评估对于所述混淆变量对应的学生群体，所述处理变量对所述输出变量的影响效果。2.根据权利要求1所述的方法，其特征在于，所述根据所述总样本数据构建因果森林，将所述总样本数据代入所述因果森林，确定所述混淆变量的异质处理效应，包括：从所述总样本数据中无放回地随机抽取多个样本数据，并将抽取的样本数据分成第一样本集和第二样本集；根据所述第一样本集中第一样本数据的混淆变量特征值，从根节点开始自顶向下对所述第一样本集进行划分，生成双样本树；根据所述第二样本集中第二样本数据，计算所述双样本树叶子节点对应的混淆变量特征值的异质处理效应；重新从所述总样本数据中无放回地随机抽取新的第一样本集和第二样本集，并根据新的第一样本集构建新的双样本树，根据新的第二样本集计算新的叶子节点对应的异质处理效应，直至所述双样本树的数量等于预设第一数量阈值。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一样本集中混淆变量的特征值，从根节点开始自顶向下对所述第一样本集进行划分，生成双样本树，包括：根据父节点中第一样本数据的混淆变量特征值，确定对应父节点的分裂特征；根据所述分裂特征，将对应父节点分裂成左子节点和右子节点，并将所述父节点中的第一样本数据划入对应的子节点中；若子节点内的样本数量小于或等于预设第二数量阈值，则停止该子节点分裂。4.根据权利要求3所述的方法，其特征在于，所述根据父节点中第一样本数据的混淆变量特征值，确定对应父节点的分裂特征，包括：根据所述父节点中第一样本数据的混淆变量特征值，将所述父节点中的第一样本数据划分成第一数据组和第二数据组，计算所述第一数据组和所述第二数据组的异质效应方差；将所述异质效应方差最大的混淆变量特征值作为所述父节点的分裂特征。5.根据权利要求1所述的方法，其特征在于，根据所述总样本数据构建因果森林，将所述总样本数据代入所述因果森林，确定所述混淆变量对应于所述处理变量对所述输出变量的异质处理效应，包括：从所述总样本数据中无放回地随...

【专利技术属性】
技术研发人员：徐骄，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：