【技术实现步骤摘要】
基于行为序列编码的在线资源学习行为分析与预测方法
[0001]本专利技术涉及在线资源学习行为分析与预测领域,尤其是涉及一种基于行为序列编码的在线资源学习行为分析与预测方法
。
技术介绍
[0002]通过分析学生在资源平台上的学习行为及演化规律,有助于了解学生学习的行为模式,为资源平台建设及资源更新提供指导建议
。
相比线下学习行为分析能够考虑音频
、
视频
、
生理等多模态数据,在线资源学习行为仅能通过点击流事件挖掘学生学习规律
。
[0003]目前,在线资源学习行为分析与预测存在的困难主要包括:
1)
点击事件对应的行为难以有效定义;
2)
在线资源学习行为的模式难以有效划分;
3)
在线资源学习行为模式的演化难以有效预测
。
技术实现思路
[0004]针对学生群体开展在线资源学习行为演化规律不明晰
、
行为模式难以预测的问题,本专利技术提出了一种基于行为序列编码的在线资源学习行为分析与预测方法,能够有效提高学生在线开展资源学习行为预测的准确率
。
[0005]本专利技术的目的是通过如下技术措施来实现的
。
[0006]一种基于行为序列编码的在线资源学习行为分析与预测方法,包括以下步骤:
[0007]步骤1,对学生在资源平台开展在线学习的各类行为进行编码,追踪学生在线上学习空间中的学习轨迹,并采用线性数据结构描述学生的 ...
【技术保护点】
【技术特征摘要】
1.
基于行为序列编码的在线资源学习行为分析与预测方法,其特征在于,包括以下步骤:对学生在资源平台开展在线学习的各类行为进行编码,追踪学生在线上学习空间中的学习轨迹,并采用线性数据结构描述学生的学习行为序列;从资源平台访问的日志数据中提取
12
个维度指标刻画学生的学习行为,反映学生的学习积极性
、
学习专注度
、
学习兴趣和学习效能,得到学生的时间特征序列后,利用秩相关系数
r
s
度量指标维度之间的相关性,对时间特征序列进行降维;根据用户行为时间特征序列进行群体分类,确定拟合度更高的聚类数量,分析不同用户群体的倾向性;统计单位周期内的用户群体分类,建立
ARIMAX
时间序列模型,预测学生群体分类演化趋势
。2.
根据权利要求1所述的基于行为序列编码的在线资源学习行为分析与预测方法,其特征在于:所述“对学生在资源平台开展在线学习的各类行为进行编码,追踪学生在线上学习空间中的学习轨迹,并采用线性数据结构描述学生的学习行为序列”包括以下子步骤,对学生在资源平台上的操作行为进行分解,具体分解为
Where、What、How
和
Status
四部分,“Where”即用户访问平台的哪个页面或是哪个模块,具体包括导航栏
、
搜索框
、
分类列表
、
课程列表或视频;“What”即用户在平台页面元素上面进行什么操作,具体元素内容包括链接
、
按钮或进度条;“How”即用户在平台上怎样进行操作,具体操作行为包括点击
、
拖拽行为;“Status”即用户观看视频的状态或页面访问状态,具体包括离开
、
开始
、
结束
、
暂停
、
快进;基于上述编码规则,将每个学生的一次操作行为转化为一条行为轨迹数据,每个学生的一系列操作行为转化为一组行为序列数据
。3.
根据权利要求1所述的基于行为序列编码的在线资源学习行为分析与预测方法,其特征在于:所述“从资源平台访问的日志数据中提取
12
个维度指标刻画学生的学习行为,反映学生的学习积极性
、
学习专注度
、
学习兴趣和学习效能,得到学生的时间特征序列后,利用秩相关系数
r
s
度量指标维度之间的相关性,对时间特征序列进行降维”包括以下子步骤,从资源平台访问的日志数据中提取
12
个维度指标刻画学生的学习行为,分别为:
C01
平台访问次数
、C02
离线次数
、C03
在线时长
、C04
页面最长停留时长
、C05
访问栏目个数
、C06
学习学科门数
、C07
课程学习数量
、C08
课程访问次数
、C09
视频观看次数
、C10
课后学习次数
、C11
行为序列长度
、C12IP
地址变更次数,其中
C01
和
C02
用于反映学习积极性...
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。