[发明专利]一种基于在线学习行为分析的个性化学习推荐方法

摘要

一种基于在线学习行为分析的个性化学习推荐方法，包括以下步骤：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据，学生性格数据；步骤2，特征提取与挖掘；步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度；步骤4，利用训练好的模型，对新的学习者进行成绩预测；步骤5，向学习者发放调查问卷，并收集问卷数据；步骤6，对问卷数据进行k‑means聚类分析；步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐。本发明提供一种预测精度较高、较为全面分析学习者线上学习时间规律性的BP神经网络预测方法。并且能够对学习者进行性格分析，为学习者做出个性化学习方法推荐。

主权项

1.一种基于在线学习行为分析的个性化学习推荐方法，其特征在于，包括：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据和学生性格数据，在线平台日志数据包括本学期产生的前n周在线课程日志数据和往届前n周课程日志数据；学生成绩数据包括本学期学生已取得的GPA数据和往届学生的GPA数据；n为正整数，GPA为平均成绩点数；步骤2，特征提取与挖掘，对每位学生前n周的在线课程日志数据提取一个特征向量，特征向量包括学生用户的登录时间，浏览学习时长数据，参与论坛讨论数据，在线笔记数据，课后作业完成情况数据，以及在线测试数据，对这些在线特征进行挖掘，得到学生学习的勤奋；对学生登录时间的挖掘，并通过实际熵函数和登录时间差散点模型进行评价得到学生的自律性评价数据；步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度，将收集到的每位学生特征信息整合成二维数据表的形式，乱序后按照9:1的比例划分训练数据集和测试数据集，并将学生的GPA数据作为类标，进行有监督训练；经过训练集训练后的模型通过测试集进行测试，在测试集准确率达到标准阈值ε后，模型训练完成；步骤4，利用训练好的模型，对新的学习者进行成绩预测，将新的学习者按照步骤2进行学习特征的提取与数据挖掘，将提取好的特征输入模型，模型将会自动给出期末的预测GPA；步骤5，向学习者发放调查问卷，并收集问卷数据，采用Felder‑Silverman性格分类法，并制定线上和线下调查问卷，收集学习者的性格特征数据；步骤6，对问卷数据进行k‑means聚类分析，通过对收集到的不同学习者的性格特征，通过K‑means聚成不同的类簇，确定聚类个数，当簇间距离最大，簇内距离最小时，确定每类中的学生，分析出每类的学生性格共性特征；步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐，筛选出每类中成绩好的学生，并将其在线学习特征结合该类性格的性格表现特征进行相关学习方法的推荐。