[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

说明书

本发明属于数据处理技术领域，公开了一种基于多模态的网络化教学数据分析方法及系统，采用最大信息系数MIC进行特征筛选，去除无关因素；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；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、数字等形式输出。本发明利用机器学习技术，建立多模态信息融合的理论课程评价体系，为在线课程学习过程提供理论和技术方法支撑。

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于多模态的网络化教学数据分析方法及系统。

背景技术

目前，最接近的现有技术：网络教学不同与传统的师生面对面教学模式，针对网络化课程构建有效的评价体系模型就具有重要意义。目前已有大量研究利用关联分析、回归分析、数据挖掘算法等学习分析技术，收集、测量、分析与报告学生的学习行为数据，理解与优化教学过程及情境，为教学决策、学业预警提供支持，提高教学效果。

但是现有技术主要涉及学生学习行为数据的获取和分析，同时建立的评价模型相对固定，在不同批次和环境下应用存在一定的评价预测误差。网络在线教育中师生处于准分离状态，学生在地理上多为单独学习，既缺乏教师的情感关注，也难以与其他学生深入交流，体会不到传统教育的课堂临场感和集体归属感，从而强化了学生的孤独感，容易导致学习倦怠；由于学生在学习过程中不能及时获得教师和同学的反馈、评价与激励，容易产生焦虑感；在此过程中伴随着机体生理信号指标的变化，也会影响学生的学习效果。此外，学生的学习能力，例如学生的智力因素、元学习能力、固有因素等，在整个学习过程中具有极其重要的作用。因此，单纯依靠学习行为数据或学习能力数据难以实现对理论课程学习效果的全面准确评价。除了评价标准过于单一这一问题，一般课程评价体系往往是整个教学过程全部结束后才能形成，具有滞后性，难以实现对学生学习过程的积极干预。

综上所述，现有技术存在的问题是：

(1)现有技术主要涉及学生学习行为数据的获取和分析，同时建立的评价模型相对固定，在不同批次和环境下应用存在一定的评价预测误差。

(2)现有网络在线教育中师生处于准分离状态，学生在地理上多为单独学习，既缺乏教师的情感关注，也难以与其他学生深入交流，体会不到传统教育的课堂临场感和集体归属感，强化了学生的孤独感，容易导致学习倦怠；影响学生的学习效果。

(3)现有技术主要涉及学生学习行为数据的获取和分析评价标准单一，具有滞后性，难以实现对学生学习过程的积极干预。

解决技术问题的难度：

我们以调查问卷的形式来获取学习者的学习能力数据，这就要求我们所建立的问卷所涉及的特征必须全面，又要考虑到被调查者的主观心理因素。

多模态数据涵盖的具体因素众多，根据这些特征建模，既要考虑模型的精准性，又要避免过度拟合的风险，这就要求我们建模过程中必须考虑一个严谨的研究框架，在筛选和量化各因素在学习评价过程中的重要程度时，既要保证标准的有效性，又不能设置太苛刻的标准，否则很容易过度拟合到样本内的数据，很多时候无法泛化到样本外。

没有哪个机器学习模型可以长胜，而我们也面临如何找到当前事件的最优解。一般来说，模型融合或多或少都可以提高最终的预测能力，且一般不会比最优子模型差。这就要求我们必须考虑使用机器学习的多种建模方法，并在这些模型的基础上建立最终用来预测的融合后的模型。