[发明专利]一种基于TextCNN的学生线上学习行为检测方法及系统

说明书

本发明提出一种基于TextCNN的学生线上学习行为检测方法及系统，所述检测方法及系统包括以下步骤；步骤S1、登入在线课堂，爬取学生的发言信息作为学习行为数据；步骤S2、对爬取所获数据预处理形成预处理数据；步骤S3、利用所述预处理数据预训练Skip‑gram模型；步骤S4、训练得到TextCNN分类模型；步骤S5、使用TextCNN分类模型对待测学生的线上学习行为进行识别；步骤S6、根据识别结果计算课程评论活跃指数以及每位学生的最终分数；本发明通过识别在线课堂评论区的有效与无效评论，设计新的课程讨论分数评定方法，为线上学习平台提供辅助评价工具，端正学生学习行为，培养学生独立思考的能力。

技术领域

本发明涉及行为检测技术领域，旨在为线上学习平台提供辅助评价工具，尤其是一种基于TextCNN的学生线上学习行为检测方法及系统。

背景技术

2020年伊始，线上网课成为学生继续接受教育的主要形式，许多优质课程发布在中国大学MOOC上。课程考核内容涉及单元测试、期末测试、视频学习时长以及课程讨论。课程讨论计入考核，本意是培养学生独立思考的能力，鼓励学生积极提问，与课程任课老师交流互动，帮助课程团队推进课程建设。但是，以参与评论次数作为评定课程讨论分数的唯一标准，导致学生以得到分数为目的，发表与课程无关的评论，使得课程讨论流于形式。不仅如此，为了提高老师与学生互动的效率，助教需要花费大量时间识别和删除无效评论。为了以有效评论数量来衡量课程讨论分数以及学生课程参与度，鼓励学生认真学习思考，提升学生学习效果，减少助教工作量，亟需一种方法及系统对学生评论进行分类，推进下课程建设。

文本分类是自然语言处理的领域，是指计算机将载有信息的句子或者文本映射到给定的某一类别或某几类别主题的过程。传统机器学习文本分类算法通常采用提取词频词袋的方法，然后进行模型的训练，如朴素贝叶斯、支持向量机等，这些方法对于文本特征提取不够充分，对于文本的语义、语序和上下文关联缺乏关注。深度学习文本分类有着良好的特征提取能力和文本表示能力，能呈现较好的结果。深度学习文本分类主要有基于上下文机制的、基于记忆存储机制的以及基于词向量的等。

基于上下文机制的深度学习文本分类模型。lai为解决传统模型忽略语序和上下文，结构复杂的问题，提出了一种循环卷积神经网络的模型(RCNN)。该模型和传统模型的不同点在于使用双向的循环神经网络，降低了噪声，关注于文本的上下文，保留了更大的词序范围，为提取文本的关键信息采用池化层进行捕捉。该方法融合了循环网络和卷积神经网络的特点，提高了模型的泛化的能力。

基于记忆存储机制的深度学习文本分类模型。学者们为了在处理长序列文本的时候，能够让信息传递到更深的层中，提出了长短期记忆网络(LSTM)和门控循环单元(GRU)。LSTM中，遗忘门用于决定数据的保留和丢弃，输入门用于处理输入信息，和前一时刻的记忆单元累加获得当前的记忆单元，输出门控制当前记忆单元信息可以传递到隐藏层的隐藏状，为下一次累加做准备。GRU与LSTM很相似，它比LSTM网络的结构更简单，参数更少、收敛更容易，只有更新和重置两个门。但在大规模数据集下，LSTM的性能更好。

基于词向量的深度学习分类模型。为了解决传统的向量空间模型假定特征项之间彼此独立的问题，采用文本词向量形式，类似图像和语音的数据，该方式考虑了词语的相似性，考虑了词语在文本中的位置信息。Word2vec预测词向量方法的提出引起大家的关注，构建了CBOW和Skip-gram两个模型结构。CBOW模型利用当前词的上下文来预测目标词语，而Skip-gram方法使用出现的词来预测其上下文的词。词向量运用于CNN，结构简单，分类的效果更好，速度更快，提高了准确率。

TextCNN是一种基于词向量的深度分类模型，可以有效捕获句子特征，提高文本分类准确率，且有较强的适应性。

发明内容

本发明提出一种基于TextCNN的学生线上学习行为检测方法，通过识别在线课堂评论区的有效与无效评论，设计新的课程讨论分数评定方法，为线上学习平台提供辅助评价工具，端正学生学习行为，培养学生独立思考的能力，推进课程建设。