一种基于KPCA的教育特征数据采集分析方法技术

本发明专利技术公开了一种基于KPCA的教育特征数据采集分析方法，互联网线上教育和线下教学数据采集、融合，构建与仿真学习特征网络模型，将教育特征数据与教育个体间的相关联系抽象成复杂特征网络；基于KPCA进行数据挖掘，研究表征教育质量的群集特征；建立教育质量综合评价模型；建立阶梯分级模型，进行分层次个性化教育服务机制分析，对学生进行分级，提供个性化教育干预，提高教学质量。本发明专利技术针对线上和线下教学中的学生学习特征数据均进行采集，并通过数据融合技术实现了线上线下数据的融合，让学生学习特征数据更具有普遍性；构建教育资源复杂网络模型，将网络划分为不同的群集，了解群集对教育质量的影响，对学生个性化教育起到实质性帮助。实质性帮助。

【技术实现步骤摘要】
一种基于KPCA的教育特征数据采集分析方法


[0001]本专利技术涉及一种基于KPCA的教育特征数据采集分析方法,属于信息处理


技术介绍

[0002]国外针对教育资源特征数据的研究与应用较早，而我国针对高校教育特征数据的分析与研究相对较晚，主要集中在近二十年。从文献检索结果看，北京、上海、广州等地已应用新的数据信息处理手段为用户提供基本公共教育服务。如北京教育音像报刊总社开发了“名师在线”服务平台，并可提供后台数据分析报表。但是，综合国内外研究现状，教育资源特征数据的研究随着教育信息化的推进虽然己有一定发展和应用，但还不够成熟、完善。
[0003]比如申请号 201810048464.8一种远程教育学生学习状况评估方法，针对远程教育学生学习状况进行评估，包括：学生学习效果评估；学生学习活动评估；学生的学习特征评估；建立评估指标，将评估目标分解成具体的指标；采集有效数据：根据指标的建立，对评估对象选择合适的调研方法来收集科学有效的数据；构建数学模型。其中并未对如何采集有效数据进行设计。
[0004]相关研究主要围绕在线教育特征数据的挖掘与应用，缺乏对线上线下数据的融合。特别是线下教学中并未对学生学习特征数据进行采集分析，因此，对于学生的个性化教育研究并不能起到实质性的帮助，需要研发一种学生学习特征数据采集系统，能针对线上和线下均进行采集，实现线上线下数据的融合，让学生学习特征数据更具有普遍性。

技术实现思路

[0005]为解决现有技术存在的问题，本专利技术的目的在于提供一种基于KPCA的教育特征数据采集分析方法。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于KPCA的教育特征数据采集分析方法，步骤如下：步骤一、互联网线上教育和线下教学数据采集、融合，构建与仿真学习特征网络模型，将教育特征数据与教育个体间的相关联系抽象成复杂特征网络；步骤二、基于KPCA进行数据挖掘，研究表征教育质量的群集特征；步骤三、建立教育质量综合评价模型；步骤四、建立阶梯分级模型，进行分层次个性化教育服务机制分析，对学生进行分级，提供个性化教育干预，提高教学质量。
[0007]进一步的，所述互联网线上教育和线下教学数据采集、融合是指：利用线下学习特征采集单元，采集学生线下学习特征数据；利用线上学习特征采集单元，采集互联网教育平台的学生线上学习特征数据；利用数据融合技术，将线下学习特征数据和线上学习特征数据进行有效融合,形成的完整教育特征数据链。
[0008]更进一步的，所述数据融合中，采用数学变换来消除原始指标数据的差异影响。
[0009]进一步的，所述步骤二中，利用复杂网络的研究方法和理论模型，构建教育特征数据网络模型，采用非线性KPCA特征抽取算法提取出影响教育质量的群集特征。
[0010]更进一步的，通过仿真计算得到教育特征网络的各群集中的学习特征权值；选取权值大的节点，根据其实际含义标注得到重要的学习特征。
[0011]更进一步的，结合教育特征数据网络的复杂特性，利用复杂网络建模，并进行教育资源网络建模分析，构建面向教育资源共享的可用性度量模型。
[0012]进一步的，所述步骤三中的教育质量综合评价模型是指：针对教育质量、学生级别进行综合评价的评价模型。
[0013]进一步的，所述步骤三中，按照权值大小依次选取多级特征指标，形成教育质量评价综合指标体系，采用层次分析和综合评价模型计算教育质量评价值。
[0014]与现有技术相比，本专利技术的有益效果是：解决了现有相关研究主要围绕在线教育特征数据的挖掘与应用，缺乏对线上线下数据的融合问题，针对线上和线下教学中的学生学习特征数据均进行采集，并通过数据融合技术实现了线上线下数据的融合，让学生学习特征数据更具有普遍性，对学生的个性化教育研究起到实质性的帮助；创新地构建教育资源复杂网络模型，将网络划分为不同的群集，以群集为研究对象，了解群集对教育质量的影响，并对教育个体进行分级，提出个性化教育方案。
具体实施方式
[0015]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0016]一种基于KPCA的教育特征数据采集分析方法，步骤如下：步骤一、互联网线上教育和线下教学数据采集、融合，构建与仿真学习特征网络模型，将教育特征数据与教育个体间的相关联系抽象成复杂特征网络；步骤二、基于KPCA进行数据挖掘，研究表征教育质量的群集特征；步骤三、建立教育质量综合评价模型；步骤四、建立阶梯分级模型，进行分层次个性化教育服务机制分析，对学生进行分级，提供个性化教育干预，提高教学质量。
[0017]互联网+教育和传统教学的数据融合及学习特征网络模型构建与仿真采集传统课堂的监管辅助数据，例如点名、作业、实验、测试数据；抓取互联网+教育平台上教育个体的学习数据，如学习进度、时长、测试成绩等；通过数据融合技术将传统教学和互联网教育数据进行有效融合,形成的完整教育特征数据链；将教育特征数据与教育个体间的相关联系抽象成复杂特征网络。
[0018]利用核主成分分析等数据挖掘方法研究表征教育质量的群集特征。采用基于核的主成分分析算法，通过仿真计算,得到教育特征网络的各群集中的学习特征权值；选取权值大的节点，根据其实际含义标注得到重要的学习特征。
[0019]基于网络群集特征权值计算，建立教育质量综合评价模型。按照权值大小依次选取多级特征指标，形成教育质量评价综合指标体系，采用层次分析+综合评价模型计算教育
质量评价值。教育质量的评价值越高，个体级别数越小，反之亦然。
[0020]基于教育个体评价值，建立阶梯分级模型，进行分层次个性化教育服务机制。研究利用教育个体评价值，建立阶梯分级模型对教育个体进行分级，研究不同层次教育质量所对应的教育个体的不同学习行为，用来评估课程和机构，提供更为深入的教学分析。
[0021]对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本专利技术内。不应将权利要求中的任何标记视为限制所涉及的权利要求。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KPCA的教育特征数据采集分析方法，步骤如下：步骤一、互联网线上教育和线下教学数据采集、融合，构建与仿真学习特征网络模型，将教育特征数据与教育个体间的相关联系抽象成复杂特征网络；步骤二、基于KPCA进行数据挖掘，研究表征教育质量的群集特征；步骤三、建立教育质量综合评价模型；步骤四、建立阶梯分级模型，进行分层次个性化教育服务机制分析，对学生进行分级，提供个性化教育干预，提高教学质量。2.根据权利要求1所述的基于KPCA的教育特征数据采集分析方法，其特征在于：所述互联网线上教育和线下教学数据采集、融合是指：利用线下学习特征采集单元，采集学生线下学习特征数据；利用线上学习特征采集单元，采集互联网教育平台的学生线上学习特征数据；利用数据融合技术，将线下学习特征数据和线上学习特征数据进行有效融合,形成的完整教育特征数据链。3.根据权利要求2所述的基于KPCA的教育特征数据采集分析方法，其特征在于：所述数据融合中，采用数学变换来消除原始指标数据的差异影响。4.根据权利要求1所述的基于KPCA的教育特征数...

【专利技术属性】
技术研发人员：陈凤凤，沈丽，吴宇航，
申请(专利权)人：南昌大学共青学院，
类型：发明
国别省市：