[发明专利]一种数据驱动的大学生个性化学习行为预测与干预方法

权利要求书

1.一种数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，包括如下步骤：

采集大学生的各种校园活动数据并进行预处理，进而形成标准数据集；应用时空图神经网络模型对所述标准数据集进行处理，生成日常学习行为习惯；

根据所述日常学习行为习惯，构建习惯模型，并建立所述日常学习行为习惯与日常学习行为活动的参数关系；

开展在确定时间、空间及频次干预后的持续性学习行为活动变化监测，获得大学生外显行为变化的实测效果，并进行习惯模型预测，根据监测结果及所述习惯模型预测的预测结果，构建多元回归分析模型，进而对所述习惯模型进行优化；

应用基于时空过程演化的多元回归方法，建立学习行为习惯与外显行为干预参数的量化关系：获取大学生外显行为干预参数，将所述行为干预参数作为自变量，将所述学习行为习惯作为因变量，构建多元回归分析方程，用于反应习惯养成过程中习惯随着行为量化参数变化的数理关系；

回归模型建立后，回归系数反应习惯养成过程中行为量化干预参数与习惯的结构关系，给定t时刻的自变量x值并代入多元回归分析模型，得出学生在调节行为参数后的习惯特征变化以及外显行为的变化，形成数据驱动下的行为干预量化回归机制；

针对需要进行干预的大学生，采取持续的行为活动数据跟踪，获取当前大学生行为变化的时间、空间、时长以及频次要素，分析实测的数据与习惯模型的预测结果，实现习惯模型的优化；

基于所述多元回归分析模型，设置习惯关联行为强度阈值，构建三级干预机制，进行整体到局部的分层干预，通过所述多元回归分析模型对干预后的学习行为习惯的实测数据进行回归分析，形成数据驱动的持续性回归干预机制；

在所述习惯模型的基础上，通过构建学习行为活动关联要素对学习行为习惯变化相关性方向分析建立学习行为习惯与学习行为活动的参数关系，所述相关性方向分析公式为：

其中：为与习惯的关联要素均值；r表达学习行为习惯y由其关联要素的相关性方向判断，其取值区间为[-1，1]，-1表示完全的负相关，+1表示完全的正相关；

通过行为量化的多元回归分析模型，为不同习惯强度的习惯关联行为分配阈值，从而对其进行精准分类，给定相对应的干预级别；将学习行为的干预方式分为自动干预、半自动干预以及人工干预，干预范围分为群体干预和个体干预；

自动干预的实施主体主要为系统，以实测的学生行为习惯特征为基础，为每种类型的学习行为习惯设计干预实施的规则，其中包括实施对象、实施时间、实施内容，实施内容是自动干预的核心，将实施内容的类型分为活动型、资源型、学习支持服务型以及形成性评价；

半自动干预主要有两个实施主体，系统与教育者；在系统实施自动干预后，采取一定时期的持续监控手段，跟踪学习者的学习行为习惯的变化趋势，若习惯的变化波动较大，则通知教育者对学习者给予线下的帮助；

人工干预是由教育者直接实施的干预方式，首先系统会为教育者提供被干预学生的习惯行为特征报告，随之教育者为其制定有针对性的干预方案，以最适合学习者本身特性的方式引导学生培养良好的学习习惯；

根据学习者学习行为习惯的强度大小，将干预的实施方式分为群体式和个体式；

群体式是对具有同质特征的群体提供相同的干预策略；

而个体式是为学习者个体提供一对一的个性化干预，根据学习行为习惯的成因提出干预策略。

2.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述标准数据集的获取方法为，通过对不同来源数据进行不同的预处理，得到大学生外显行为活动参数数据，将处理后的数据存储于非关系型数据库中，进而形成标准数据集。

3.根据权利要求1所述的数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，所述时空图神经网络模型选取校园活动的行为活动要素为输入数据，将每一时刻或每一周期所采集的数据构建一个层次的图网络模型，对校园活动数据进行自动分类，再对分类得到的学习行为构建序列，生成学习行为习惯。