一种基于用户鼠标行为辨识的在线学生评教识伪方法

摘要

一种基于用户鼠标行为辨识的在线学生评教识伪方法。本发明通过在学生在线评教页面中插入JavaScript代码，捕获用户的鼠标运行轨迹与时刻信息，提取鼠标子运动次数、鼠标停顿次数、鼠标平均停顿时间等三个特征值，并采用加权平均方法将三个特征值合并成一个特征值，根据该特征值的取值自动辨识用户所给出的评教数据是否为虚假数据。该方法实现简单、辨识正确率较高、不影响用户的评教体验、可与通过评教数据分析的辨识方法结合。该方法的辨识区间与评教页面相关，在正常使用前，需要进行一定规模的测试，获取相应的辨识区间。

说明书

技术领域

本发明涉及一种自动辨识学生在线评教数据有效性的方法，特别涉及了一种通过识别用户鼠标行为特征的自动辨识的学生在线评教数据有效性的方法，即通过获取学生在线评教时的鼠标行为特征，辨识学生在评教时的态度是否认真严谨，进而剔除由于敷衍、随意性的评教导致的“伪数据”，提高评教数据集的有效性。

背景技术

作为教学管理的重要手段之一，学生评教依据一定的标准体系，由学生对任课教师的教学工作如教学过程、教学成果、教学态度和水平等所进行的定性与定量的价值判断，在学校评教中有着重要的地位，是很多学校品评教师教学质量、晋升教师职称职务、提升教师津贴、选拔优秀教师的重要参考依据。随着网络技术的应用与普及，很多学生都采用了在线评教的方式。然后，一些学生在对教师进行评教时采取了敷衍而不是严肃认识的态度，这样得到的评教数据具有较大的失真性，并不能较好的反映实际情况，会严重影响评教的效果。一些研究或方法致力于对原始评教数据进行统计分析，期望从具有一定失真性的评教数据中尽可能的获得有价值的评教评价结果。如果能够有效辨识出这类“伪数据”，提升评教原始的可靠性与有效性，将能更好的提升评教评价的准确性与参考价值。

用户在评教页面进行在线评教时，会留下鼠标或光标的操作轨迹，根据这些轨迹，可以提取鼠标子运动、鼠标停顿次数、鼠标平均停顿时间的特征值。通过观察发现，若用户在评教时采取敷衍、随意的态度，这些特征值会偏少；而用户在严肃认识的评教时，这些特征值会较大。因此，通过辨识用户的鼠标操作行为，可以在一定程度上识别用户在进行评教时的态度是敷衍随意的，还是严肃认真的，进而可以剔除掉那些由于敷衍评教态度而导致的“伪数据”，或者要求用户重新提交评教数据。

发明内容

本发明主要针对学生评教时存在一定数量的敷衍、随意行为，影响了评教数据的有效性的问题，提出了一种基于用户鼠标行为辨识的在线学生评教识伪方法。主要涉及如下几个方面的内容：

(1)获取用户鼠标行为的鼠标子运动、鼠标停顿次数、鼠标平均停顿时间三个特征值。鼠标子运动是通过识别鼠标运行轨迹是否发生突变来识别的，附图3描述了其辨识流程；鼠标停顿次数是通过识别再次连续的鼠标动作之间的间隔时间来识别的，附图4描述了其辨识流程；通过记录每次鼠标停顿的时间并取平均值，可获得鼠标平均停顿时间。

(2)采用加权平均方法合并特征值。加权平均方法为：x＝w1*x1+w2*x2+w3*x3，其中，x1，x2，x3分别为鼠标子运动、鼠标停顿次数、鼠标平均停顿时间三个特征值，w1，w2，w3为三个特征值对应的权值，其取值应同时满足：w1+w2+w3＝1，其中，∑x1、∑x1、∑x1分别表示测试所获得的数据集中，子运动个数、停顿次数、平均停顿时间三个特征值各自之和。

(3)通过测试获取辨识区间。测试时，每个用户随机确认测试态度(认真或敷衍)，并按自己确认的测试态度进行请教测试。将测试得到的数据分为两个集体：T(采用认真的态度获得的数据)和F(采用敷衍的态度获得的数据)，每个集合的元素个数都应达到一定数量，否则应补充测试数据。设T_min为T中的最小值，F_max为F中的最大值。由此获得辨识区间(-∞,a)，[a,b]，(b,+∞)，其中a＝min(T_min，F_max)，b＝max(T_min，F_max)。

(4)在线辨识用户评教行为。在用户在线评教时，捕获用户的鼠标行为，提取相应的特征值并进行加权平均，设为y。当y<a时，可认为用户态度是敷衍随意的；当y>b时，可认识用户是严肃认真的；当a<y<b时可视具体情况而定，或者与其他方法相结合进行辨识。

本发明的优点在于：

(1)只需要在原有评价系统中插入相应的JavaScript代码，对原有评价系统的影响很小，便于实施。

(2)辨识区间可以通过测试获得的数据集提取，可以与页面本身相适应，普适性好，受人为因素干扰小。

(3)设计了有效的加权平均时权值确定方法，不必依赖于经验数据。

附图说明

图1是获取辨识区间流程。

图2是在线评教辨识流程。

图3是获取光标子运动流程。

图4是获取光标平均停顿时间流程。

图5是获取光标停顿次数流程。

具体实施方式

本发明是一种基于用户鼠标行为辨识的在线学生评教识伪方法。具体步骤如下：

(1)捕获用户的鼠标运行轨迹。通过在学生需要访问的评教页面中，插入相应的JavaScript代码，周期性的捕获用户鼠标停留在该页面时的时刻与位置，形成一系列数据对(x，y，t)，其中x，y对应鼠标位置，t对应时刻。

(2)提取鼠标操作的特征值。通过第一步获得的系列数据，分别计算鼠标操作的子运动个数x1(其获取流程如图3所示)、停顿次数x2(其获取流程如图4所示)、平均停顿时间x3(其获取流程如图5所示)，采用加权平均方法，将这三个特征值合并成一个特征值。加权平均方法为：x＝w1*x1+w2*x2+w3*x3，其中，w1，w2，w3应同时满足：w1+w2+w3＝1，其中，∑x1、∑x1、∑x1分别表示测试所获得的数据集中，子运动个数、停顿次数、平均停顿时间三个特征值各自之和。

(3)获取辨识区间。邀请一定数量的用户进行学生评教测试。测试时，每个用户随机确认测试态度(认真或敷衍)，并按自己确认的测试态度进行请教测试，通过(1)、(2)步的操作获得这些用户的鼠标行为特征值。将测试得到的数据分为两个集体：T(采用认真的态度获得的数据)和F(采用敷衍的态度获得的数据)，设T_min为T中的最小值，F_max为F中的最大值。由此获得辨识区间(-∞,a)，[a,b]，(b,+∞)，其中a＝min(T_min，F_max)，b＝max(T_min，F_max)。

(4)辨识用户评教行为。在评教页面中设定由(3)获得的辨识区间。当用户评教时，由步骤(1)、(2)获得用户评教时的鼠标操作特征值。若特征值小于a，则提示用户评教态度不认真，要求重新评教；若特征值大于b，则认为是有效评教数据并保存；若特征值位于a，b之间，可自行认定或与其它方法结合认定。

在以上步骤中，(1)、(3)、(4)用于获取辨识区间，其流程如图1所示；(1)、(2)、(4)用于辨识用户评教行为，其流程如图2所示。