法律状态公告日
法律状态信息
法律状态
2022-06-24
公开
发明专利申请公布
技术领域
本申请涉及人工智能领域，具体涉及一种基于人工智能的在线学习效果评估方法及系统。
背景技术
在线教育网络跨越了空间距离的限制，使学校的教育成为可以超出校园向更广泛的地区辐射的开放式教育。通过在线教育的方式，学校可以充分发挥自己的学科优势和教育资源优势，把最优秀的教师、最好的教学成果通过网络传播给四面八方的学习者。在线教育系统通过计算机对学生的提问类型、人数、次数等进行统计分析，能够使教师了解学生在学习中遇到的疑点、难点和主要问题，从而更加有针对性地指导学生。
在线教育系统对每个网络学员的个性资料、学习过程和阶段情况等可以实现完整的系统跟踪记录，但发明人在实现本发明实施例的过程中，发现现有在线教育系统中至少存在以下缺陷：在实际应用过程中，现有的终端设备无法对学习者的学习状态进行评估，这种情况下，学习者及教学者均无法直观的了解到学习者的实时学习状态，从而不便于教学者根据学习者的学习状态进行教学内容或方案的调整。
发明内容
针对上述技术问题，本发明提供了一种基于人工智能的在线学习效果评估方法及系统，能够对各学习者进行更为精确地划分，使得学习者及教学者能够直观的了解到学习者的实时学习状态，从而便于教学者根据学习者的学习状态进行教学内容或方案的调整。
第一方面，本文发明实施例提出了一种基于人工智能的在线学习效果评估方法，包括：
分别获得各在线学习者的学习时长、登录次数以及对各学习资源的访问及下载情况。
获得学习者对各类学习资源中访问次数最多的学习资源，将该学习资源的访问次数占比作为学习者的学习倾向指标。
根据学习者的登录次数以及学习时长，获得学习者的耐学程度指标，并根据学习者的登录次数以及对各学习资源的访问及下载情况，获得学习者的投入程度指标。
将学习者的学习倾向指标、耐学程度指标以及投入程度指标组成学习情况向量，从所有学习情况向量中随机抽取预设数量个学习情况向量作为初始聚类中心，并将学习情况向量划分至与其相似度最大的初始聚类中心所属的类别中。
根据学习情况向量的类间距离及类内距离，判断学习情况向量与当前所属类别是否匹配，若判断结果为是，则对下一个学习情况向量进行判断，若判断结果为否，则该学习情况向量划分至其他类别，进行迭代，直至所有学习情况向量被划分至相匹配的类别。
根据各类别中学习情况向量的学习时长平均值，对各类别进行排序以分别获得各学习者对应的标签，其中，不同标签对应不同的学习效果。
在一个可行的实施例中，根据学习情况向量的类间距离及类内距离，判断学习情况向量与当前所属类别是否匹配，包括：
获得当前所属类别中学习倾向指标、耐学程度指标以及投入程度指标的方差，将学习倾向指标、耐学程度指标以及投入程度指标的方差中最大的方差作为该类别的类内距离。
计算学习情况向量与其他任一类别中各向量的距离均值，并将与其他类别的距离均值中的最小值作为该学习情况向量对应的类间距离。
判断学习情况向量对应的类间距离是否大于类内距离，若判断结果为是，则学习情况向量与当前所属类别相匹配，否则学习情况向量与当前所属类别不匹配。
在一个可行的实施例中，学习情况向量划分至与初始聚类中心的相似度的获得包括：
计算学习情况向量与初始聚类中心分别在学习倾向指标、耐学程度指标以及投入程度指标分量上平方差，将各平方差的均值作为学习情况向量划分至与初始聚类中心的相似度。
在一个可行的实施例中，根据学习者的登录次数以及对各学习资源的访问及下载情况，获得学习者的投入程度指标，包括：
其中，
在一个可行的实施例中，获得学习者的投入程度指标后，所述方法还包括：
根据所有学习者的学习时长，对学习时长进行等级划分，分别获得各学习时长范围下对应的学习时长等级，所述学习时长等级为数字，且学习时长越大对应的学习时长等级越大。
将学习者的学习时长对应的学习时长等级与学习者的投入程度指标相乘，将相乘后的结果作为学习者新的投入程度指标。
在一个可行的实施例中，分别获得各在线学习者的学习时长、登录次数以及对各学习资源的访问及下载情况后，所述方法还包括：
对在线学习者的学习时长、登录次数以及对各学习资源的访问及下载情况进行数据清洗，删除其中存在的异常数据。
在一个可行的实施例中，学习者的学习时长、登录次数以及对各学习资源的访问及下载情况的获得是通过爬虫实现的。
在一个可行的实施例中，分别获得各学习者对应的标签后，所述方法还包括：分别获得各类标签的学习者所占的比例，并按照比例由低到高的顺序展示给授课者。
第二方面，本发明实施例提出了一种基于人工智能的在线学习效果评估系统，包括：存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中基于人工智能的在线学习效果评估方法。
本发明提供了一种基于人工智能的在线学习效果评估方法及系统，相比于现有技术，本发明实施例的有益效果在于：能够对各学习者进行更为精确地划分，使得学习者及教学者能够直观的了解到学习者的实时学习状态，从而便于教学者根据学习者的学习状态进行教学内容或方案的调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于人工智能的在线学习效果评估方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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，都属于本发明保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
目前，大量的网络学习、电子学习等多种在线学习方式均在学校中广泛应用。在线学习没有限制学习者的学习方式，也没有指定学习者对课程进修选择，充分尊重学习者的独特性。在线学习教育发展的同时，慢慢推动人们对在线学习效果评估的重视。在实际应用过程中，现有的终点设备无法对用户的学习效果进行评估预测，这样不便于辅助学习教师实时了解学习者的学习状况。
本发明实施例将结合在线学习平台数据信息，分析学习者的个性化学习风格、学习投入程度以及耐学程度，建立学习者的模型标签，通过聚类算法将学习者进行准确分类，进一步基于聚类结果预测学习者的在线学习效果，并获取个性化分析结果，以便为各用户提供合理的参考意见。
本发明实施例提供了一种基于人工智能的在线学习效果评估方法，如图1所示，包括：
步骤S101、采集学习者的学习数据。
本发明实施例中学习数据包括：在线学习者的学习时长、登录次数以及对各学习资源的访问及下载情况。
步骤S102、根据学习数据计算学习者的学习倾向指标。
获得学习者对各类学习资源中访问次数最多的学习资源，将该学习资源的访问次数占比作为学习者的学习倾向指标。
步骤S103、根据学习数据计算学习者的耐学程度指标以及投入程度指标。
根据学习者的登录次数以及学习时长，获得学习者的耐学程度指标，并根据学习者的登录次数以及对各学习资源的访问及下载情况，获得学习者的投入程度指标。
步骤S104、利用学习者的学习倾向指标、耐学程度指标以及投入程度指标对学习者进行初始分类。
将学习者的学习倾向指标、耐学程度指标以及投入程度指标组成学习情况向量，从所有学习情况向量中随机抽取预设数量个学习情况向量作为初始聚类中心，并将学习情况向量划分至与其相似度最大的初始聚类中心所属的类别中。
步骤S105、对学习者的初始分类结果进行调整，获得对学习者的最终分类结果。
根据学习情况向量的类间距离及类内距离，判断学习情况向量与当前所属类别是否匹配，若判断结果为是，则对下一个学习情况向量进行判断，若判断结果为否，则该学习情况向量划分至其他类别，进行迭代，直至所有学习情况向量被划分至相匹配的类别。
步骤S106、获得学习者的标签并进行学习效果评价。
根据各类别中学习情况向量的学习时长平均值，对各类别进行排序以分别获得各学习者对应的标签，其中，不同标签对应不同的学习效果。
本发明实施例主要目的是：对在线学习过程中学习者的个性化特征进行分析，以对学习效果进行评估。
本发明实施例的具体使用场景：主要针对学校的个性化在线学习系统，对学习者的学习效果进行实时评估、检测，进一步为学习者及教师提供相关参考，以便针对性的对学习者进行培养，避免传统单一的评价教育标准。
进一步的，步骤S101、采集学习者的学习数据。具体包括：
本发明实施例中学习数据包括：在线学习者的学习时长、登录次数以及对各学习资源的访问及下载情况。
对于数据的采集现有技术方法很多，包括传感器采集、爬虫、录入、导入、接口等方式，本发明实施例采用网络爬虫的方式，实现对学习者在线学习数据的采集。该步骤对学习者在线学习数据进行采集，便于后续分析学习者的学习状态。
需要说明的是，网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。
网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：通用网络爬虫（General Purpose Web Crawler）、聚焦网络爬虫（Focused Web Crawler）、增量式网络爬虫（Incremental Web Crawler）、深层网络爬虫（Deep Web Crawler）。实际的网络爬虫系统通常是几种爬虫技术相结合实现的。爬虫从一个或若干初始网页的URL(UniversalResource Locator，统一资源定位符)开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
本发明实施例中所采集的学习者的学习数据为预设时长内的，例如，当前时刻以往三个月内的数据。
可选的，可以对采集的数据进行预处理，以防止数据不完整、数据中存在错误孤立的噪声点以及产生数据冗余、数据错误等异常现象，从而避免数据异常现象。
需要说明的是，数据处理的方法很多，为了尽可能保证数据的完整性，对于空值本发明实施例采用零值填充的方法进行处理。同时考虑到多个维度在进行学习效果评估时，不在同一个数据衡量范围上，为防止不同量纲之间带来的误差，本发明实施例将对数据进行转换处理，对数据进行归一化处理，将原始数据均映射到（0,1）区间内，获取无量纲的因素数据，从而提高后续学习效果评估结果的准确性。
进一步的，步骤S102、根据学习数据计算学习者的学习倾向指标。具体包括：
获得学习者对各类学习资源中访问次数最多的学习资源，将该学习资源的访问次数占比作为学习者的学习倾向指标，所获得的学习倾向指标能够作为学习者的一种特征，用于表征学习者对访问频率最高的学习资源的占比。
进一步的，步骤S103、根据学习数据计算学习者的耐学程度指标以及投入程度指标。具体包括：
首先，根据学习者的登录次数以及学习时长，获得学习者的耐学程度指标。
进一步的，对于学习者的耐学程度，本发明实施例将基于学习者登录次数以及总学习时长两个指标构建耐学程度分析模型，用于检测学习者的在线学习过程中的耐学程度：
作为一个示例，本发明实施例中
最后，对学习者在线学习过程中的投入程度进行分析，本发明实施例将从时间投入和行为投入进行双重分析，并建立相应的投入程度检测模型，分析每个学习者在线学习过程中的最终投入程度。
其次，根据学习者的登录次数以及对各学习资源的访问及下载情况，获得学习者的投入程度指标
作为一个示例，本发明实施例中，
可选的，可以根据所有学习者的学习时长，对学习时长进行等级划分，分别获得各学习时长范围下对应的学习时长等级，所述学习时长等级为数字，且学习时长越大对应的学习时长等级越大；将学习者的学习时长对应的学习时长等级与学习者的投入程度指标相乘，将相乘后的结果作为学习者新的投入程度指标。
示例性的，可以将学习者的学习时长分为三类：若在线学习时长为大于等于80小时，认为其为高学习时长，在线学习时间处于
进一步的，步骤S104、利用学习者的学习倾向指标、耐学程度指标以及投入程度指标对学习者进行初始分类。具体包括：
将学习者的学习倾向指标、耐学程度指标以及投入程度指标组成学习情况向量，从所有学习情况向量中随机抽取预设数量个学习情况向量作为初始聚类中心，并将学习情况向量划分至与其相似度最大的初始聚类中心所属的类别中。
作为一个示例，本发明实施例中预设数量为5，具体所划分的类别数量可以根据实施者自身的需求进行确定。例如，当对学习者所划分的类别数为5时，可以将相对应的标签分别设置为优秀，良好，一般，较差，极差共五种。
具体的，确定初始聚类中心之后，计算学习情况向量分别与各初始聚类中心的相似度，将学习情况向量划分至与其相似度最大的初始聚类中心所属的类别中，其中学习情况向量与初始聚类中心的相似度的获得包括：计算学习情况向量与初始聚类中心分别在学习倾向指标、耐学程度指标以及投入程度指标分量上平方差，将各平方差的均值作为学习情况向量划分至与初始聚类中心的相似度。
本发明实施例将采用K-means聚类算法对学习情况向量进行聚类，k-means算法是一种基于划分的聚类算法，把待聚类的对象分成多个类别，使类别内具有较高的相似度，而各类别间的相似度较低。
需要说明的是，聚类，即将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。在数据挖掘中，聚类也是很重要的一个概念。传统的聚类分析计算方法主要有划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法五种。
进一步的，步骤S105、对学习者的初始分类结果进行调整，获得对学习者的最终分类结果。具体包括：
根据学习情况向量的类间距离及类内距离，判断学习情况向量与当前所属类别是否匹配。包括：
获得学习情况向量当前所属类别中学习倾向指标、耐学程度指标以及投入程度指标的方差，将学习倾向指标、耐学程度指标以及投入程度指标的方差中最大的方差作为该类别的类内距离。
计算学习情况向量与其他任一类别中各向量的距离均值，并将与其他类别的距离均值中的最小值作为该学习情况向量对应的类间距离。
判断学习情况向量对应的类间距离是否大于类内距离，若判断结果为是，则学习情况向量与当前所属类别相匹配，否则学习情况向量与当前所属类别不匹配。
其次，若判定学习情况向量与当前所属类别匹配时，对下一个学习情况向量进行判断，否则，将该学习情况向量划分至其他类别，进行迭代，直至所有学习情况向量被划分至相匹配的类别。
如此，能够在对各学习者进行初始划分的基础上，进一步保证划分结果的准确性，以保证后续各学习者对应的标签的准确性，进而提高对学习者学习效果评估的准确性。
进一步的，步骤S106、获得学习者的标签并进行学习效果评价。具体包括：
根据各类别中学习情况向量的学习时长平均值，对各类别进行排序以分别获得各学习者对应的标签，其中，不同标签对应不同的学习效果。
例如，当对学习者所划分的类别数为5时，可以将相对应的标签分别设置为优秀，良好，一般，较差，极差共五种。
通过本发明实施例可实现对学习者个性化在线学习进行分析，得到每个学习者的学习习惯，以便针对性地为学习者提供学习建议，例如基于对学习者学习风格以及登录方式，得到每个学习者的画像标签，学习者之后再进行在线学习时，系统可根据其画像标签对其登录方式以及学习资源类型进行优选推荐，降低学习者的检索时间，针对性的建议，提高学习者学习效率，同时能够实现对在线学习效果的准确预测，降低人为评估的主观性，有效辅助教师直观了解学习者的整体学习情况。
可选的，分别获得各学习者对应的标签后，分别获得各类标签的学习者所占的比例，并按照比例由高到低的顺序展示给授课者。如此，能够帮助授课者了解到类型最多的学生类型，并根据不同标签的学生的占比适时调整教学或授课策略，例如，当占比较高的学生的标签类型为优秀时，说明当前批的学生对于教学资源的完成情况较好，可以在后续的学习资源的准备上，上传或者讲解更加深入的知识。
基于与上述方法相同的发明构思，本实施例还提供了一种基于人工智能的在线学习效果评估系统，本实施例中基于人工智能的在线学习效果评估系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于人工智能的在线学习效果评估方法实施例中所描述的对在线学习效果进行评估。
由于基于人工智能的在线学习效果评估方法实施例中已经对在线学习效果的评估的方法进行了说明，此处不再赘述。
综上所述，本发明实施例能够对各学习者进行更为精确地划分，使得学习者及教学者能够直观的了解到学习者的实时学习状态，从而便于教学者根据学习者的学习状态进行教学内容或方案的调整。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
