[发明专利]基于用户在线学习行为模式预测学习效果的系统及预测方法

说明书

本发明提供一种基于用户在线学习行为模式预测学习效果的系统，包括学习行为信息采集模组、学习效率计算模组、学习行为模式计算模组、学习能力‑动机计算模组及学习效果预测模组。所述学习行为信息采集模组对应采集用户学习行为信息及用户基本信息。所述学习效率计算模组根据用户在不同类别的在线课程中的学习行为信息生成用户的学习效率矩阵。所述学习行为模式计算模组生成用户分类信息及用户的学习行为模式信息。所述学习能力‑动机计算模组生成用户在在线课程学习中的学习能力信息和学习动机信息。所述学习效果预测模组预测用户在在线课程学习中的学习效果。本发明还提供一种采用上述预测用户在不同类别在线课程中学习效果的系统的预测方法。

技术领域

本发明涉及在线学习技术领域，特别的，涉及一种基于用户在线学习行为模式预测学习效果的系统及预测方法。

背景技术

在当今技术飞速发展的时代，在线学习日趋盛行。现有技术中，基于大规模开放在线课程中用户的学习行为信息，分析和挖掘用户的学习行为模式的研究主要包括：识别用户的参与风格；对用户的参与风格进行分类；预测辍学率、预测是否获得证书以及识别需要帮助的用户。整体来说，已有的研究主要可分为二大类，一类是用户学习活动的定性分析，另一类是构建模型预测用户的学习效果。大量的行为和基本特征被用于分析用户的学习活动。

现有技术一：集中在用户学习行为信息的定性分析上；

Kizilcec等人整合了各种数据，包括学生的行为数据，人口统计数据，地理位置数据和课程注册数据，根据这些数据特征将用户分为了几种类型。

Seaton等人研究分析了影响学生获得证书的各种活动，如在任务上花费的时间、访问次数和被访问的课程内容的百分比。

Wen等人将用户的参与作为潜在变量，通过关注他们的社交行为，例如论坛发帖，课程内容的访问率以及作业完成率来分析用户的参与模式。

Anderson等人构建了用户参与风格的分类器，用于研究用户参与与他们成绩之间的关系。

现有技术二：构建模型预测用户的学习效果

Wilkowski等人研究了课程完成率与先决条件无关。

Qiu等人基于不同课程类别，构建学习行为预测模型。其是通过结合用户的人口统计、论坛活动和学习行为等数据，建立了一个潜在的动态因子模型来预测他们的学习效率。

Wang等人是构建一个非线性状态空间模型去预测用户对课程组件的访问顺序。

Ramesh等人提出了一种潜在的表示模型，抽象描述用户的参与类型，并根据观察到的行为序列预测学生的辍学情况。

Yang等人通过分析用户在讨论论坛中的发帖行为去评估这个社交因素对辍学率的影响，然后提出了一个预测辍学的模型。这些都是集中在预测用户的辍学率、课程完成度、课程成绩等方面。

Shi等人基于用户的学习行为信息构建了L2S模型将用户分为多个潜在群体，在课程完成率、辍学率以及课程满意度等方面进行预测用来评估用户群体模型的构建效果。

其中与本专利最接近的技术方案为Qiu等人于2016年在国际会议ACM《WSDM》上发表题为“Modeling and Predicting Learning BehaviorinMOOCs”的文章，文中是结合用户基本信息与学习行为信息构建一个潜在的动态因子模型来预测用户的学习效率。

从目前的研究现状来看，基于大规模开放在线课程中用户的学习行为信息，可了解用户的学习行为模式，以便改善用户的学习效率以及提高大规模开放在线课程的教育效果，但相关研究还只是集中在基于用户学习活动的定性分析、构建模型预测用户的学习效果；然而，现有学习行为模式相关研究尚未充分考虑和利用用户的学习动机和学习能力，也未考虑不同类别的课程学习效果之间的差异。