[发明专利]基于行为模式的学生异常学习表现预测方法

说明书

技术领域

本发明涉及用户行为建模与教育数据挖掘技术领域，尤其涉及一种基于行为模式的学生异常学习表现预测方法。

背景技术

随着教育的信息化，数字校园应运而生。对于学生而言，校园作为主要的生活范围，扮演着一个微型社会的角色，不仅包含学习环境，也提供了基础生活设施如餐厅、宿舍、超市、健身房、校医院等。校园中记录着丰富的多源数据，主要包括：1.基本信息系统，记录学生的基本信息；2.选课系统与成绩查询系统，记录学生的选课与成绩信息；3.消费系统，记录学生日常活动以及与相关消费信息；4.门禁与身份认证系统，提供学生身份认证与位置信息的记录。目前对学生的行为数据进行挖掘的工作较少，数据采集方式有限，应用成本较高。

学习表现是衡量一个学校教学水平最关键的指标，有效与及时的预测学习表现既有利于提高学校监督工作的效率，也有利于学生养成良好的学习习惯。随着教育数据挖掘(EDM)的发展，已有越来越多的工作将数据挖掘方法应用于预测学习表现。近年来对学生学习表现预测的相关工作主要存在两方面的问题：1.采用的预测因子主要包括CGPA、中期评测、人口信息、高校背景信息等，较少有工作根据学生的校园行为对学习表现进行建模与分析。然而在看似无差异的教学环境下，学生的学习表现不仅与教学环境、教学方法以及学生固有的能力有关，与其行为模式存在着很大程度的相关性。2.目前工作通常以学生的综合绩点作为预测目标，采用回归或者分类的方法预测学生的学习表现。但其忽略了课程之间的差异性，预测粒度较为粗糙，指导意义不强。

发明内容

针对现有的学习表现预测方法存在着预测因子不全面、预测粒度较为粗糙等不足之处，本发明的目的是提供一种基于行为模式的学生异常学习表现预测方法，从丰富的校园记录中挖掘与刻画学生的校园行为模式，并对学生在不同课程上的异常学习表现进行有效的预测。

本发明的目的是通过以下技术方案实现的：

一种基于行为模式的学生异常学习表现预测方法，包括：

基于原始的校园记录获取行为序列，并构建隐马尔可夫模型；

从隐马尔可夫模型中提取行为统计特征及行为关联特征；

基于提取的行为统计特征及行为关联特征，应用正则化的多任务模型对异常学习表现进行预测。

由上述本发明提供的技术方案可以看出，基于丰富的校园数据，获取学生的行为序列，构建行为模型，并从统计特征与关联特征两个角度对学生的个体行为模式进行更加直观与有效的刻画。同时，多任务学习模型的采用可以更细粒度的对学生在不同课程上的异常学习表现进行预测，为学生提供监督和指导，优化教学效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种基于行为模式的学生异常学习表现预测方法的流程图；

图2为本发明实施例提供的一种基于行为模式的学生异常学习表现预测方法的框架图；

图3为本发明实施例提供的隐马尔可夫模型示意图

图4为本发明实施例提供的多任务模型示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。

本发明实施例提供一种基于行为模式的学生异常学习表现预测方法，如图1所示，主要包括如下步骤：

步骤11、基于原始的校园记录获取行为序列，并构建隐马尔可夫模型。

步骤12、从隐马尔可夫模型中提取行为统计特征及行为关联特征。

步骤13、基于提取的行为统计特征及行为关联特征，应用正则化的多任务模型对异常学习表现进行预测。

本发明实施例提供的一种基于行为模式的学生异常学习表现预测方法的框架图如图2所示，各个步骤的具体实现过程如下：

一、基于原始的校园记录构建学生行为模式。