[发明专利]一种结合业务规则的在线学习停滞预测系统

说明书

本发明涉及一种结合业务规则的在线学习停滞预测系统，包括：数据加载模块、数据标记模块、特征工程模块、模型训练模块和结果预测模块；数据加载模块：从数据库中读取学生数据；从规则库中读取学习停滞判定规则；数据标记模块：依据学习停滞判定规则标记学生数据，符合学习停滞判定规则的，标记为停滞生；否则，标记为非停滞生；特征工程模块：对学生数据进行特征工程处理，包括特征选择、特征处理和特征归一化；模型训练模块：选择机器学习模型对特征工程处理后的学生数据进行训练，然后根据模型评价指标，选择性能最优的机器学习模型作为学习停滞预测模型；结果预测模块：将待预测学生数据输入到学习停滞预测模型中进行计算，得到预测结果。

技术领域

本发明涉及一种结合业务规则的在线学习停滞预测系统，属于软件技术领域。

背景技术

在线学习借助互联网技术突破了传统教学在时间和空间上的限制，使学生可以自由、合理安排学习时间，从而使学习效能最大化。然而，在线学习模式以学生的主观能动性为主要驱动力，对学习活动缺乏必要的监督和监管，学生往往容易产生怠学情绪，最终演变成辍学的严重后果。如何对学生的学习行为进行及时评估，提前发现学习趋于停滞的迹象并及时预警，对于提升在线学习效能、推动在线学习模式健康发展具有重要意义。

关于在线学习停滞预测问题的研究可大体分为两类，一类是研究预测模型，如Amnueypornsakul等人使用学习者的点击流数据预测学生是否会停滞学习，采用SVM模型对活跃、弃学、不活跃三种类型的学习者分别进行预测，取得较高的预测准确率(参见文献：Amnueypornsakul B,Bhat S,Chinprutthiwong P.Predicting Attrition Along theWay:The UIUC Model[C]//EMNLP 2014 Workshop on Analysis of Large Scale SocialInteraction in Moocs.2014:55-59.)。卢晓航等人通过构建滑动窗口模型，在SVM和LSTM方法上取得较好效果(参见文献：卢晓航,王胜清,黄俊杰,等.一种基于滑动窗口模型的MOOCs辍学率预测方法[J].数据分析与知识发现,2017,1(4):67-75.)。另一类是研究预测特征，如Sharkey等人详细描述了使用机器学习技术预测学习停滞的迭代过程，并通过研究得出带有预测性的特征以及它们的相对权重(参见文献：Sharkey M,Sanders R.A Processfor Predicting MOOC Attrition[C]//EMNLP 2014 Workshop on Analysis of LargeScale Social Interaction in Moocs.2014:50-54.)。Taylor等人采用多种机器学习方法预测学习停滞，发现合作社交相关的特征如wiki和论坛等在预测中十分重要(参见文献：Taylor C,Veeramachaneni K,O'Reilly U M.Likely to stop？Predicting Stopout inMassive Open Online Courses[J].Computer Science,2014.)。

上述方法大多单纯依据学生的学习行为进行预测，当观测到学习行为有所衰减并达到一定阈值后，即判定该学生将大概率产生学习停滞现象。但关于学习行为衰减到哪种程度可判定为停滞并没有公认有效的方法，一定程度上影响了这些方法的适用性和扩展性。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种结合业务规则的在线学习停滞预测系统，利用业务规则明确定义学习停滞人群，进而采用有监督学习算法更准确的学习停滞人群和非停滞人群的特征；并且，以业务规则而非传统方法中学习行为衰减来定义学习停滞人群，能够有效避免由于特殊原因造成学习行为暂时停滞的“假停滞”，提高系统预测的准确性。

本发明的技术解决方案：结合业务规则的在线学习停滞预测系统，如图1所示，包括：

数据加载模块：从数据库中读取学生数据，包括学生的在线学习行为数据和基本属性数据；从规则库中读取学习停滞判定规则。