【技术实现步骤摘要】
本专利技术涉及教育分析，具体为一种智能化学习行为监测与异常预警方法及装置。
技术介绍
1、根据中国公开号为“cn118246638a”公开的一种学生教学学习行为分析评价方法、系统及存储介质，包括步骤如下：s1.出勤率检测；s2.出勤率分析；s3.学生兴趣检测；s4学生兴趣分析；s5.学习进度监测；s6.学习效率分析；s7学习行为分析，本专利技术根据各监测周期各学生的出勤数据分析得到各监测周期学生的出勤率，根据各监测周期各学生在课堂上的学习兴趣数据分析得到各监测周期学生的学习兴趣系数，根据各监测周期各学生的学习进度数据分析得到各监测周期学生的学习效率，进而综合分析得到各监测周期学生的学习行为评价指数，可以帮助学校和教师更好地优化教学管理，及时发现学生问题，采取有效措施，提升教学质量和学生学习动力。
2、根据中国公开号为“cn104463746b”公开了一种监测学生学习行为的方法，用于对在校学生课堂内的学习行为的监测，包括对每个学生在课堂上处于站立、正常听课坐姿、保持写字状态坐姿以及趴伏于课桌上坐姿出现的次数；并根据上述姿势出现的次数对其学习行为进行自动分析获得评定结果，之后通过无线网络将每个学生的评定结果发送给家长，使学校和家长之间能更好的进行交流，提高家长对学生课堂期间的表现的了解。本专利技术还提供了一种应用监测学生学习行为的方法家校通系统，具有结构简单，易于实现，成本低，只需在原有监控设备上进行简单改装，即可投入使用，能够实现对在校学生课堂内的学习行为进行实时监测。
3、上述专利文件及现有技术在使用时存
4、问题一，上述文件中及现有技术中，现有技术往往仅依赖单一或有限的数据源来监测学生学习行为，单一的平台参数记录难以判断学生操作齿环是因为知识理解困难还是受到外界环境干扰或自身生理不适的影响，从而影响后续对学习行为的精准分析和有效干预；
5、问题二，上述文件中及现有技术中，针对学习行为的监测大都按照学习时间进行直接分析，无法针对学生的学习习惯个性化生成针对性的学习行为模型，对学生的个体差异无法考虑，导致学习同质化严重，针对性不足；
6、问题三，传统的学习行为异常预警机制多采用固定阈值，未充分考虑学生个体学习进度、课程难度差异以及行为数据的动态变化，使得预警系统容易出现误报或漏报情况，不能及时准确地识别真正的异常行为；
7、问题四，现有技术在面对学生学习行为异常时，处理策略往往缺乏跨学科的综合考量和个性化定制，通常只是基于单一学科知识或通用经验给出一般性建议，未能深入结合心理学、教育学和神经科学等多学科理论来分析问题根源并制定针对性方案，使得处理措施效果不佳，难以从根本上解决学生的学习困境，无法有效提升学生的学习动力和学习效果。
技术实现思路
1、解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种智能化学习行为监测与异常预警方法及装置，解决了以下问题：
3、1、针对数据采集单一片面性，导致对学习行为的分析不够精准的问题；
4、2、针对的学习行为的分析无法满足学生个体差异的个性化和针对性的要求；
5、3、针对异常预警缺乏灵活性与精准性的问题；
6、4、针对用户学习行为的处理策略缺乏处理策略缺乏系统性与针对性的问题。
7、技术方案
8、为实现以上目的，本专利技术通过以下技术方案予以实现：一种智能化学习行为监测与异常预警方法及装置，所述装置架构包括多模态数据采集模块、行为分析模块、动态异常分级预警模块和处理措施模块，其中：
9、所述多模态数据采集模块，用于采集学生学习过程中的多模态数据和情境感知数据，包括多模态数据采集单元和情景感知数据采集单元，所述多模态数据采集单元使用多种数据采集与处理算法用于获取学生在学习平台的操作记录、面部表情数据和生理数据，所述情景感知数据采集单元用于收集环境因素数据和情境信息并与其他数据关联；
10、所述行为分析模块，用于深入分析采集到的数据以构建准确的行为分析模型，包括行为学习轨迹和微观特征提取单元以及长时监测与个性化模型构建单元，所述行为学习轨迹和微观特征提取单元用于从多模态数据中提取短期和微观层面的行为特征并构建学习轨迹，所述长时监测与个性化模型构建单元用于依据长期数据挖掘学生行为规律并构建个性化模型；
11、所述动态异常分级预警模块，用于灵活设置并实施动态异常分级预警机制，包括动态阈值设定单元和分级预警策略单元，所述动态阈值设定单元用于根据学生学习进展和课程情况动态调整多模态数据的异常判断阈值，所述分级预警策略单元用于依据异常严重程度和影响划分等级并向相关人员传递不同等级的预警信息；
12、所述处理措施模块，用于基于跨学科知识针对性生成处理策略并通过多种方式展示，包括基于跨学科知识的处理策略生成单元和处理方式的多模态展示单元，所述基于跨学科知识的处理策略生成单元用于依据心理学、教育学和神经科学知识生成处理建议，所述处理方式的多模态展示单元用于通过语音、视觉、听觉和情景模拟等多种形式向学生传达处理建议。
13、优选的，所述多模态数据采集单元中的学习平台操作记录获取算法，具体为通过定制化的sql查询语句从学习平台数据库的多个相关表中提取包括点击类型、浏览页面的详细路径、答题的具体步骤与时间等操作记录，同时对这些数据进行清洗，去除因系统故障或网络问题产生的异常值，然后按照学生id和时间顺序以哈希表形式进行高效存储，用于全面且准确地获取学生在学习平台的操作记录。
14、优选的，所述多模态数据采集单元中的面部表情数据采集时先运用dlib库中的人脸检测算法对摄像头获取的图像流进行人脸区域定位，再使用基于卷积神经网络cnn的多分类模型对人脸区域的表情特征进行分类，用于获取精确的面部表情数据，且生理数据采用基于峰值检测和带通滤波以及频谱分析的快速傅里叶变换的算法处理，所述多模态数据采集单元中的生理数据采集与处理算法，对于心率数据，先使用带通滤波算法去除因运动伪影等因素产生的高频和低频噪声，然后通过自适应峰值检测算法准确识别心率峰值，进而计算心率值，对于脑电波数据，运用小波变换算法进行滤波和特征提取，将脑电波信号分解到不同的频段，计算各频段的能量特征，同时采用滑动窗口平均算法减少信号波动，用于获取稳定且有意义的生理数据。
15、优选的，所述情景感知数据采集单元中利用环境传感器收集学习环境中的噪音、光线强度等数据，噪音数据通过对传感器采集的模拟信号进行模数转换后计算平均噪音强度，光线强度数据根据光线传感器读数转换为光照度值，同时从课程管理系统的数据库中查询课程安排信息，将课程类型和时间信息与相应数据进行关联，对于噪音数据，利用多个分布式噪音传感器组成的网络，每个传感器以一定的采样频率采集环境噪音信号，然后通过分布式数据融合算法将多个传感器的数据进行融合，减少测量误差，最终计算出平均噪音强度，对于光线强度数据，使用具有自动校准功能的光线传感器，通过对比已知光照强本文档来自技高网...
【技术保护点】
1.一种智能化学习行为监测与异常预警装置，其特征在于：所述装置架构包括多模态数据采集模块、行为分析模块、动态异常分级预警模块和处理措施模块，其中：
2.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述多模态数据采集单元中的学习平台操作记录获取算法，具体为通过定制化的SQL查询语句从学习平台数据库的多个相关表中提取包括点击类型、浏览页面的详细路径、答题的具体步骤与时间等操作记录，同时对这些数据进行清洗，去除因系统故障或网络问题产生的异常值，然后按照学生ID和时间顺序以哈希表形式进行高效存储，用于全面且准确地获取学生在学习平台的操作记录。
3.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述多模态数据采集单元中的面部表情数据采集时先运用Dlib库中的人脸检测算法对摄像头获取的图像流进行人脸区域定位，再使用基于卷积神经网络CNN的多分类模型对人脸区域的表情特征进行分类，用于获取精确的面部表情数据，且生理数据采用基于峰值检测和带通滤波以及频谱分析的快速傅里叶变换的算法处理。
4.根据权利要求1所述的一
5.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述行为学习轨迹和微观特征提取单元中在对多模态数据进行融合时，对于不同类型数据的时间戳对齐问题，采用基于插值的时间同步算法，确保不同模态数据在时间维度上的一致性；在融合过程中，使用自适应加权平均算法，根据各模态数据在反映学习行为方面的重要性动态调整权重，该权重通过对大量标注数据的分析和机器学习算法训练得到，用于更准确地从多模态数据中提取短期和微观层面的行为特征并构建学习轨迹。
6.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述长时监测与个性化模型构建单元中的数据挖掘算法，在聚类分析时，采用基于密度的空间聚类算法(DBSCAN)和层次聚类算法相结合的方式，对学生的长期学习行为数据进行聚类，可有效识别出不同类型的学习行为模式，在关联规则挖掘中，运用FP-Growth算法挖掘频繁项集和关联规则，以发现不同行为特征之间的隐藏关系，在构建个性化模型时，使用深度学习中的长短期记忆网络(LSTM)，其能够处理时间序列数据的特性可以更好地捕捉学生行为随时间的变化规律，同时结合注意力机制，使模型能够聚焦于对学生学习状态判断更关键的行为特征，用于更精准地依据长期数据挖掘学生行为规律并构建个性化模型。
7.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述动态阈值设定单元中的阈值调整中采用多项式回归模型，以学生的学习进度、课程难度、近期行为数据的统计特征作为自变量，以阈值调整量作为因变量进行训练，在使用模糊逻辑时，定义模糊集合和模糊规则，用于更合理地根据学生学习进展和课程情况动态调整多模态数据的异常判断阈值。
8.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述分级预警策略单元中的异常等级评估时，根据异常行为在时间维度上的持续时间，采用指数加权移动平均算法计算持续影响程度，对于异常严重程度，综合考虑多模态数据的异常程度，通过主成分分析PCA算法对多模态数据进行降维处理后，计算综合异常得分，依据异常行为对学习效果的潜在影响，结合教育专家制定的影响评估量表，通过模糊综合评价算法进行量化评估，最终根据这些量化结果和预设的等级划分阈值，利用决策树算法划分异常等级，并通过集成的消息推送服务、邮件服务器和短信网关等通信接口，以异步通信方式向相关人员传递不同等级的预警信息。
9.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述基于跨学科知识的处理策略生成单元在依据心理学知识生成处理建议时，采用贝叶斯网络推理算法，以学生的行为表现和心理状态作为节点，通过构建心理模型和学习大量心理学实验数据确定节点之间的条件概率关系，推理出可能的心理问题和相应的处理策略，在依据教育学知识时，基于教育知识图谱，运用图搜索算法寻找与当前学生学习问题相关的教育学理论和实践案例，生成教学方法调整建议，在依据神经科学知识时，通过构建神经网络模拟模型，模拟大脑在学习过程中的神经活动，根据模型输出和神经科学研究成果生成针对生理状态调整的处理建议。
1...
【技术特征摘要】
1.一种智能化学习行为监测与异常预警装置，其特征在于：所述装置架构包括多模态数据采集模块、行为分析模块、动态异常分级预警模块和处理措施模块，其中：
2.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述多模态数据采集单元中的学习平台操作记录获取算法，具体为通过定制化的sql查询语句从学习平台数据库的多个相关表中提取包括点击类型、浏览页面的详细路径、答题的具体步骤与时间等操作记录，同时对这些数据进行清洗，去除因系统故障或网络问题产生的异常值，然后按照学生id和时间顺序以哈希表形式进行高效存储，用于全面且准确地获取学生在学习平台的操作记录。
3.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述多模态数据采集单元中的面部表情数据采集时先运用dlib库中的人脸检测算法对摄像头获取的图像流进行人脸区域定位，再使用基于卷积神经网络cnn的多分类模型对人脸区域的表情特征进行分类，用于获取精确的面部表情数据，且生理数据采用基于峰值检测和带通滤波以及频谱分析的快速傅里叶变换的算法处理。
4.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述情景感知数据采集单元中利用环境传感器收集学习环境中的噪音、光线强度等数据，噪音数据通过对传感器采集的模拟信号进行模数转换后计算平均噪音强度，光线强度数据根据光线传感器读数转换为光照度值，同时从课程管理系统的数据库中查询课程安排信息，将课程类型和时间信息与相应数据进行关联。
5.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述行为学习轨迹和微观特征提取单元中在对多模态数据进行融合时，对于不同类型数据的时间戳对齐问题，采用基于插值的时间同步算法，确保不同模态数据在时间维度上的一致性；在融合过程中，使用自适应加权平均算法，根据各模态数据在反映学习行为方面的重要性动态调整权重，该权重通过对大量标注数据的分析和机器学习算法训练得到，用于更准确地从多模态数据中提取短期和微观层面的行为特征并构建学习轨迹。
6.根据权利要求1所述的一种智能化学习行为监测与异常预警装置，其特征在于：所述长时监测与个性化模型构建单元中的数据挖掘算法，在聚类分析时，采用基于密度的空间聚类算法(dbscan)和层次聚类算法相结合的方式，对学生的长期学习行为数据进行聚类，可有效...
【专利技术属性】
技术研发人员：贺德富，杨鹤，元帅，贺鹏升，杨莉，
申请(专利权)人：湖北第二师范学院，
类型：发明
国别省市：
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。