[发明专利]一种基于多模态的网络化教学数据分析方法及系统

权利要求书

1.一种基于多模态的网络化教学数据分析方法，其特征在于，所述基于多模态的网络化教学数据分析方法包括以下步骤：

第一步，采用最大信息系数MIC进行特征筛选，去除无关因素；逐列计算特征空间X与成绩空间S的相关系数，将相关系数的最大值对应的特征选为第一个特征；计算特征f₁与其他特征之间的MIC值，将L_max对应的特征选出来作为第二个特征f₂；去除第一个特征，重复以上步骤，直到得到最够的特征数量；

第二步，在利用MIC分析进行特征筛选之后，将筛选出的特征重新组成特征空间，利用随机森林进行回归，得到最终的评估模型；

第三步，采用学习分析技术与数据挖掘算法相结合的方法，对学生在理论课程在线学习平台学习所产生的学习能力数据、生理数据和学习行为数据进行整合分析，建立理论在线课程学习效果评价模型，对学生的学习效果进行评价，并应用可视化技术将评价结果，通过图表、数字形式输出；

所述基于多模态的网络化教学数据分析方法采用最大信息系数MIC进行特征筛选，去除无关因素，具体步骤如下：首先逐列计算特征空间X与成绩空间S的相关系数P＝(p₁，p₂，...，p_n)，将相关系数的最大值P_max对应的特征选为第一个特征，假设为f₁＝X_k；然后计算特征f₁与其他特征之间的MIC值M＝(m₁，...，m_k-1，m_k+1，...，m_n)，令L＝0.5*P(i≠k)+0.5*(1-M)，将L_max对应的特征选出来作为第二个特征f₂；去除第一个特征，重复以上步骤，直到得到最够的特征数量，或者当前MIC的最大值小于某一阈值。

2.如权利要求1所述的基于多模态的网络化教学数据分析方法，其特征在于，所述基于多模态的网络化教学数据分析方法的多模态数据特征筛选包括：

学生理论课程在线学习成绩通过每次课程结束前的在线实操和在线测试给出具体量化数据，生理信号数据通过智能手环完成采集和数据传输，将信号序列采集平均值和方差作为特征x_bio；学习行为数据(x_bah)通过理论课程在线学习平台完成采集；学习能力数据(x_iq)于首次理论课程开始前，以电子问卷形式可全部获取；每个学生的特征向量表示为X_i＝(x_bio，x_bah，x_iq)，所有学生的特征空间表示为X＝(X₁，X₂，...，X_n)^T，其中n为学生数量，对应的成绩空间表示为S＝(S₁，S₂，...，S_n)^T，首先将所有的特征均进行方差归一化，然后分析各项因素与理论课程学习成绩之间的关系。

3.如权利要求1所述的基于多模态的网络化教学数据分析方法，其特征在于，所述基于多模态的网络化教学数据分析方法的多模态数据初始评价模型建立包括：随机森林由N棵决策树构成，在训练时，N棵决策树循环训练，每一棵决策树的训练样本都是从原始训练集中进行Bootstrap抽样得到的，在训练决策树的每个节点时所用的特征也是从新的特征空间X随机抽样得到的，每一棵决策树根据判定准则进行递归分裂，N棵决策树训练完成之后，每个学生所在叶子节点的均值为最终回归的成绩；

Bootstrap抽样是在n个样本的集合中有放回的抽取n个样本形成一个数据集。

4.如权利要求3所述的基于多模态的网络化教学数据分析方法，其特征在于，单棵决策树采用递归分裂过程实现方法如下：抽取的样本集D构成根节点，根据判定准则，将样本集分裂成D1和D2两部分；用样本集D1递归建立左子树，用样本集D2建立右子树；设定停止分裂的条件，当不能继续进行分裂时，将节点标记为叶子节点，同时赋值。