[发明专利]一种基于在线学习行为分析的个性化学习推荐方法

说明书

一种基于在线学习行为分析的个性化学习推荐方法，包括以下步骤：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据，学生性格数据；步骤2，特征提取与挖掘；步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度；步骤4，利用训练好的模型，对新的学习者进行成绩预测；步骤5，向学习者发放调查问卷，并收集问卷数据；步骤6，对问卷数据进行k‑means聚类分析；步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐。本发明提供一种预测精度较高、较为全面分析学习者线上学习时间规律性的BP神经网络预测方法。并且能够对学习者进行性格分析，为学习者做出个性化学习方法推荐。

技术领域

本发明涉及数据分析领域，尤其涉及基于大数据在线学习行为的评价和对学习者的性格进行分析并进行个性化学习推荐方法。

背景技术

随着在线课程的广泛使用和线上学习的普及，在线学习在当代学生的学习生活中的比例日益增大，在线学习系统如MOOC(Massive Open Online Course，大型开放式网络课程)和SPOC(Small PrivateOnline Course，小规模限制性在线课程)使学习者不受时间和空间的限制，通过互联网可以随时随地进行线上学习，线上讨论，以及线上测评等。再者，学习者登录上线学习的时间规律性能从侧面反映出学习者的自律性，客观评价学习时间规律性特征能够增强模型对于学习者学习成效的预测。同时，不同学习者所拥有的性格是不同的，固然也会有适应不同性格的学习方法。因此，就如何利用数据挖掘技术对积累的大量在线学习行为数据进行分析，并挖掘学习者的性格特征与学习效率的关系，已经成为新的研究重点。

近年来在线数据挖掘工作广泛展开，但是关于学习者的在线成绩预测分析的研究工作仍不够充分，且目前的学习效果评估方法都是进行简单等级划分，另外应用更精确的回归预测方法较少，没有考虑到学习者的个性化学习方法对学习效果的影响。Kloos等人提出了一个精确的有效性策略(PES)，在一个案例研究中，它计算了在Khan Academy平台上使用的四种小规模限制性在线课程(SPOC)的学生在观看视频演讲和解决参数练习时的有效性，将不同的可视化方法和不同的教学方法结合在一起，便于学生能够同自己的同学进行全面的比较，并快速找到自己的优点和缺点。吕海燕等人采用Microsoft SQL ServerAnalysis Services提供的微软决策树算法，通过对学员的登录行为影响因素和课程相应资源模块的浏览日志记录进行统计分析，找出影响学员的浏览因素。并指出不同层次，专业，性别对于登陆学习的天数是有影响的。I.P.Ratnapala等人通过对学生与电子学习系统的互动进行定量分析，分析了一组412名学生在电子学习系统中的访问行为，并根据他们的课程访问日志记录使用K-means聚类方法将它们分组成簇。该研究主要分析学习环境的差异可能会改变学生群体的在线访问行为。该方法只简单从学习者访问平台学习数量进行分析，存在一定局限性。

发明内容

为了克服已有的对学习者在线行为数据挖掘不充分，没有考虑到登录学习时间规律性对学习效果的影响，不能准确对学习者的测试成绩进行回归预测的情况，本发明提供一种预测精度较高、较为全面分析学习者线上学习时间规律性的BP神经网络预测方法。并且能够对学习者进行性格分析，为学习者做出个性化学习方法推荐。

本发明解决其技术问题所采用的技术方案是：

一种基于在线学习行为分析的个性化学习推荐方法，包括：

步骤1收集数据，获取在线学习平台的学习者日志数据、学生成绩数据和学生性格数据，所述日志数据包括本学期产生的前n周在线课程日志数据和往届前n周课程日志数据；学生成绩数据包括本学期学生已取得的GPA数据和往届学生的GPA数据；学生性格数据为通过线上或线下向学生发放性格调查问卷，收集到的调查问卷数据；n为正整数，GPA为平均成绩点数；