一种学生能力评估方法、系统、介质、设备及终端与流程

1.本发明属于智能教育技术领域，尤其涉及一种学生能力评估方法、系统、介质、设备及终端。


背景技术：

2.近年来，学校教育正面临着由规模化向个性化、信息化到智能化的过渡和转变，智能教育得到国家和教育行业的高度关注。随着教育信息化的发展，在线智慧教育已经得到了广泛应用，例如目前在线智能教育的平台，2022年使用人数达到约2.6亿人，学习通平台的注册用户已经超过6400万。
3.在此平台，用户可以在线观看网课视频，完成视频课后测验、章节测验、课程作业、期中期末考试，在线发起讨论，发表评论，回复话题和评论等功能，老师也可以通过学生的这些数据，掌握学生的学习情况，大多基于学生的章节测验成绩，视频观看时长成绩，作业成绩和期末考试成绩，最终得出学生的课程总成绩。但单纯的由平时成绩和期末考试成绩作为最终课程总成绩，无法获取到更多关于学生对于这门课程的信息，只能掌握到知识技能的成绩，而且无法做出阶梯式的能力评估。而在线教育平台，目前没有做出阶梯式能力评估的功能，一些关于学生能力雷达图的研究也只是使用excel等软件来实现。
4.通过上述分析，现有技术存在的问题及缺陷为：
5.(1)线下教育课堂和目前线上教育平台都是由平时成绩和期末考试成绩作为最终课程总成绩无法获取到更多关于学生对于课程的信息，只能掌握知识技能的成绩，无法做出学生对于该课程的阶梯式能力评估。
6.(2)现有在线教育平台目前没有做出阶梯式能力评估的功能，一些教育工作者只是对中学生的数据集进行标准化，只是使用excel等软件来实现能力雷达图。某些计算机工作者使用较新的改进算法对中学生考试成绩做出了预测，并不是针对某个具体课程下，做出学生的课程能力评估。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种学生能力评估方法、系统、介质、设备及终端，尤其涉及一种基于在线教育平台的学生能力评估方法、系统、介质、设备及终端。
8.本发明是这样实现的，从数据库拿出某课堂学生学习行为数据，将其进行无监督聚类算法打标签，再通过深度学习算法建立模型，用于在线教育平台。一种学生能力评估方法，学生能力评估方法包括：提取某课程学生学习行为特征，由于各特征的变量之间有量纲关系，故先将数据进行标准化；再将各个特征维度的数据分出类别进行层次聚类，得到10个类别，再计算每个类别的平均分，对10个类别的平均分排序，平均分最高分赋予9分，最低分赋予0分，作为个位数字；再对每个类别进行第二次层次聚类，每个类别又得到10个类别，再次计算每个类别的平均分，按平均分排序和赋值，作为十分位数字，得到每个学生在该课程下的学习情况能力评估分数；利用原数据集和聚类得到的分数进行深度神经网络训练，设
置2个隐藏层，大小为128和64，使用relu激活函数，最后连接一个全连接层，训练出基于在线教育平台构建学生能力评估模型；利用学生能力评估模型对用户活跃度分析，确定用户活跃度分数并生成学生的课程能力雷达图。
9.进一步，学生能力评估方法包括以下步骤：
10.步骤一，利用聚类算法进行阶梯式分数聚类。
11.步骤二，基于rfm模型聚类进行用户活跃度分析。
12.进一步，步骤一中的阶梯式分数聚类包括：进行学生学习行为特征提取；对学生学习行为数据进行标准化后，对特征进行分类别的选择，再用来聚类。期间将层次聚类分10类，再计算每个类别的平均分，对10个类别的平均分排序，平均分最高分赋予9分，最低分赋予0分，作为个位数字；再对每个类别进行第二次层次聚类，每个类别又得到10个类别，再次计算每个类别的平均分，按平均分排序和赋值，作为十分位数字，得到每个学生在该课程下的学习情况能力评估分数；利用学习态度分数、知识技能分数和课程兴趣分数进行深度神经网络训练，得到学习态度分数模型、知识技能分数模型和课程兴趣分数模型。
13.其中，学生学习行为特征包括任务点完成百分比、视频课程进度、章节测验进度、章节学习次数、课程音视频成绩、章节测验成绩、作业成绩、考试成绩、视频观看时长、参与讨论数、视频反刍比、回复话题个数和提问个数等。
14.进一步，步骤一中的阶梯式分数聚类还包括：视频观看时长，任务点完成百分比，课程视频进度，章节测验进度等特征聚类构建学习态度分数；课程音视频成绩，章节测验成绩，作业成绩，考试成绩等特征聚类构建知识技能分数；讨论数，章节学习次数，回复话题个数，视频反刍比等特征聚类构建课程兴趣分数，达到特征融合效果，而对各个特征维度分别进行层次聚类，分成十个类别0～9；对每个类别进行平均分排序，分数高的赋予9分，依次递减，得到各个能力得分的个位分数；再对各个类别进行第二次层次聚类，得到各个能力得分的十分位分数，最终得到各个学生各能力的聚类分数，将聚类分数作为标签；将原数据集和标签进入深度神经网络进行训练，设置2个隐藏层，大小为128和64，使用relu激活函数，最后连接一个全连接层，得到学生能力评估模型。
15.进一步，步骤二中的rfm模型中，r表示最近一次使用平台时间间隔，是指顾客最近一次使用距离现在的时间，考察客户的黏性，r值越小的客户是粘性越高的客户；f表示考察期内登陆的频率，是指顾客在考察期内消费的次数，考察客户的忠诚度，f值越高客户忠诚度越高；m表示考察期内登陆总时间，是指顾客在考察期内花费的时间，考察客户的价值，时间越高客户价值越高。
16.根据r、f、m值进行二分类，分为以下8类用户：重要价值客户、一般价值客户、重要发展客户、一般发展客户、重要保持客户、一般保持客户、重要挽留客户以及一般挽留客户。
17.进一步，步骤二中的基于rfm模型聚类的用户活跃度分析包括：在线教育平台课程的学生包括登录、登出和点击消息的不同用户操作。进行学生登录行为特征提取，并给用户操作赋值：购买课程赋5分，加入课程赋4分，学习课程赋3分，点击消息赋2分，登录赋2分，登出赋1分，用于区分不同操作的重要度；将最近一次的登录时间与现在的差值作为r，用户登录次数作为f，用户操作值作为m，对所有r、f、m计算平均分，每个用户的r、f、m与平均分相比，进行0和1赋值，f和m高于平均分赋值1，r低于平均分赋值1。最后将r、f、m这三个特征通过k-means聚类分成8类，最终给用户打0～5分，例如rfm为011的用户打5分，rfm为100的用
户打0分，得到用户活跃度分数；将用户活跃度分数加入到学生能力雷达图中，共同构建学习者画像。
18.本发明的另一目的在于提供一种应用所述的学生能力评估方法的学生能力评估系统，学生能力评估系统包括：
19.阶梯式分数聚类模块，用于进行学生学习行为特征提取，通过层次聚类确定聚类分数，再通过深度神经网络训练得到学生能力评估模型；
20.用户活跃度分析模块，用于进行学生登录行为特征提取并给用户操作赋值，通过k-means聚类分成8类并给用户打0～5分，得到用户活跃度分数。
21.本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的学生能力评估方法的步骤。
22.本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的学生能力评估方法的步骤。
23.本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的学生能力评估系统。
24.结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
25.第一，针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
26.本发明提供了一种基于在线教育平台的学生能力评估模型，能够通过学生在平台的学习情况数据，得到学生的各个学习情况能力评估，并生成该学生的课程能力雷达图。本发明通过学生能力评估模型能快速准确地评估学生在该门课程的学习情况；通过学生能力评估模型能生成能力雷达图，展示学生的学习能力分数。目前各大高校的老师需要更多的学生参与自己的科研项目，一方面为自己和学校增添科研项目，另一方面能够提升学生的科研和创新能力，而学生能力评估模型能够帮助高校的老师，更快速、清晰地掌握学生的各科学生的学习能力情况，方便老师挑选适合自己科研项目的学生参与到项目中来，此外学生也能对自己和课程有更深的学习情况的了解。
27.第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
28.本发明通过二次层次聚类得到了学生的能力评估分数，再通过深度学习算法训练出回归模型，与excel等软件做出的雷达图相比，更具有智能化，融合特征更多，特征信息不易丢失。实验结果表明，本发明利用深度神经网络做回归的评价指标中mae、mse、rmse均优于机器学习的回归算法，最高降低损失高达55％，r2分数高达0.984，而机器学习的支持向量回归最高只有0.921，提升效果明显。本发明提供的rfm模型在电商领域已经有了非常好的效果，本次对rfm进行融合改进，引入教育领域打分成绩中，具有创新性。
29.第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
30.(1)本发明的技术方案转化后的预期收益和商业价值为：
31.本发明在在线教育平台实现后，许多高校纷纷引进该在线教育平台，预计可引入
10万用户。
32.(2)本发明的技术方案填补了国内外业内技术空白：国内外对于某个课程下，学生们的能力评估还未有这样的技术，本技术填补了在某个课程下，评估学生能力的技术。
33.(3)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：许多高校的老师，都在要求在线教育平台实现此方法，本发明已经达到了企业级要求，可以直接为企业服务。
附图说明
34.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
35.图1是本发明实施例提供的学生能力评估方法流程图；
36.图2是本发明实施例提供的阶梯式分数聚类技术流程图；
37.图3是本发明实施例提供的基于rfm模型聚类的用户活跃度分析流程图。
具体实施方式
38.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
39.针对现有技术存在的问题，本发明提供了一种学生能力评估方法、系统、介质、设备及终端，下面结合附图对本发明作详细的描述。
40.一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
41.如图1所示，本发明实施例提供的学生能力评估方法包括以下步骤：
42.s101，提取学生学习行为特征；将各个特征维度分别进行层次聚类，通过二次层次聚类得到学生各个课程的学习情况能力评估分数；
43.s102，将聚类分数作为标签，将数据集和标签进入深度神经网络进行训练，基于在线教育平台构建学生能力评估模型；
44.s103，利用学生能力评估模型对用户活跃度进行分析，确定用户活跃度分数并生成学生的课程能力雷达图，构建学习者画像。
45.如图2所示，提取某课程学生学习行为特征，由于各特征的变量之间有量纲关系，故先将数据进行标准化；再将各个特征维度的数据分出类别进行层次聚类，得到10个类别，再计算每个类别的平均分，对10个类别的平均分排序，平均分最高分赋予9分，最低分赋予0分，作为个位数字；再对每个类别进行第二次层次聚类，每个类别又得到10个类别，再次计算每个类别的平均分，按平均分排序和赋值，作为十分位数字，得到每个学生在该课程下的学习情况能力评估分数；利用原数据集和聚类得到的分数进行深度神经网络训练，设置2个隐藏层，大小为128和64，使用relu激活函数，最后连接一个全连接层，训练出基于在线教育平台构建学生能力评估模型。
46.如图3所示，在线教育平台课程的学生，有登录，登出，点击消息等不同用户操作，给这些操作赋值，来区分不同操作的重要度，最近一次的登录时间与现在的差值作为r，用户登录次数作为f，用户操作值作为m，对所有r、f、m计算平均分，每个用户的r、f、m与平均分相比，进行0和1赋值，f和m高于平均分赋值1，r低于平均分赋值1。最后将r、f、m这三个特征通过k-means聚类分成8类。通过聚类分成8类，最终给用户打0～5分，得到用户活跃度分数，加入到用户能力雷达图中，构建学习者画像，生成学生的课程能力雷达图。
47.作为优选实施例，本发明实施例提供的学生能力评估方法包括以下步骤：
48.(1)阶梯式分数聚类技术：
49.学生的学习行为特征的数据，是无标签的数据，需要先进行聚类算法分类来打标签。层次聚类算法是一种聚类算法，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树，不同类别的原始数据点是树的最低层，树的顶层是一个聚类的根节点。层次聚类算法在一开始就将每个数据点视为一个单一的聚类，然后依次合并类，直到所有类合并成一个包含所有数据点的单一聚类。
50.在线教育平台课程的学生，有许多学习情况特征，将以下特征整合为3个维度特征：任务点完成百分比，课程视频进度，章节测验进度构建学习态度分数，课程音视频成绩，章节测验成绩，作业成绩构建知识技能分数，视频观看时长，讨论数，章节学习次数，回复话题个数构建课程兴趣分数，将各个特征维度分别进行层次聚类，分成十个类别0～9，对每个类别进行平均分排序，分数高的赋予9分，依次递减，得到各个能力得分的个位分数，再对各个类别进行第二次层次聚类，得到各个能力得分的十分位分数，最终得到各个学生各能力的聚类分数，将其作为标签。将数据集和标签进入深度神经网络进行训练，得到学生能力评估模型。阶梯式分数聚类技术流程图如图2所示。
51.(2)基于rfm模型聚类的用户活跃度分析技术：
52.rfm模型介绍：
53.r(recency)：最近一次使用平台时间间隔，就是指顾客最近一次使用离现在有多久了，考察客户的黏性，r值越小的客户是粘性越高的客户。
54.f(frequency)：考察期内登陆的频率，就是指顾客在考察期内消费了多少次数，考察客户的忠诚度，f值越高客户忠诚度越高。
55.m(monetary)：考察期内登陆总时间，就是指顾客在考察期内花了多少时间，考察客户的价值，时间越高客户价值越高。
56.根据r、f、m值进行二分类，可分为以下8类用户：重要价值客户、一般价值客户、重要发展客户、一般发展客户、重要保持客户、一般保持客户、重要挽留客户、一般挽留客户。
57.在线教育平台课程的学生，有登录，登出，点击消息等不同用户操作，给这些操作赋值，来区分不同操作的重要度，最近一次的登录时间与现在的差值作为r，用户登录次数作为f，用户操作值作为m，对所有r、f、m计算平均分，每个用户的r、f、m与平均分相比，进行0和1赋值，f和m高于平均分赋值1，r低于平均分赋值1。最后将r、f、m这三个特征通过k-means聚类分成8类。通过聚类分成8类，最终给用户打0～5分，得到用户活跃度分数，加入到用户能力雷达图中，构建学习者画像。基于rfm模型聚类的用户活跃度分析技术流程图如图3所示。
58.本发明实施例提供的学生能力评估系统包括：
59.阶梯式分数聚类模块，用于进行学生学习行为特征提取，通过层次聚类确定聚类分数，再通过深度神经网络训练得到学生能力评估模型；
60.用户活跃度分析模块，用于进行学生登录行为特征提取并给用户操作赋值，通过k-means聚类分成8类并给用户打0～5分，得到用户活跃度分数。
61.二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
62.本发明使用某在线教育平台老师提供的真实数据集，对152个学生关于大学计算机课程进行学生能力评估和学生活跃度分析。实验表明，深度神经网络做回归的评价指标中mae、mse、rmse均优于机器学习的回归算法，最后对模型进行预测，已基本符合真实数据集结果，可以部署于在线教育平台的应用实施。
63.三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
64.实验表明，k＝10下层次聚类效果最佳，基本达到企业级使用效果，具体评价指标如表1所示；深度神经网络做回归的评价指标中mae、mse、rmse均优于机器学习的回归算法，最高降低损失高达55％，r2分数高达0.984，而在机器学习算法中，支持向量回归的r2分数是最高只有0.921，具体评价指标如表2所示。在rfm模型k-meas聚类中的轮廓系数达到0.813。
65.表1k＝10下各聚类算法评价指标
[0066][0067]
表2深度神经网络与机器学习评价指标对比表
[0068][0069]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0070]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种学生能力评估方法，其特征在于，学生能力评估方法包括：提取学生学习行为特征；将各个特征维度分别进行层次聚类，通过二次层次聚类得到学生各个课程的学习情况能力评估分数；利用聚类分数进行深度神经网络训练，基于在线教育平台构建学生能力评估模型；利用学生能力评估模型对用户活跃度分析，确定用户活跃度分数并生成学生课程能力雷达图，构建学习者画像。2.如权利要求1所述学生能力评估方法，其特征在于，学生能力评估方法包括以下步骤：步骤一，利用聚类算法进行阶梯式分数聚类；步骤二，基于rfm模型聚类进行用户活跃度分析。3.如权利要求2所述学生能力评估方法，其特征在于，步骤一中的阶梯式分数聚类包括：进行学生学习行为特征提取；将层次聚类分10类，平均分高的类别赋予高分数，得到学生能力分数的个位数；再次层次聚类分10类，平均分高的类别赋予高分数，得到学生能力分数的十分位数；利用学习态度分数、知识技能分数和课程兴趣分数进行深度神经网络训练，得到学习态度分数模型、知识技能分数模型和课程兴趣分数模型；其中，学生学习行为特征包括任务点完成百分比、视频课程进度、章节测验进度、章节学习次数、课程音视频成绩、章节测验成绩、作业成绩、考试成绩、视频观看时长、参与讨论数、回复话题个数和提问个数。4.如权利要求2所述学生能力评估方法，其特征在于，步骤一中的阶梯式分数聚类还包括：将任务点完成百分比、课程视频进度和章节测验进度构建学习态度分数，将课程音视频成绩、章节测验成绩和作业成绩构建知识技能分数，将视频观看时长、讨论数、章节学习次数和回复话题个数构建课程兴趣分数，将各个特征维度分别进行层次聚类，分成十个类别0～9；对每个类别进行平均分排序，分数高的赋予9分，依次递减，得到各个能力得分的个位分数；再对各个类别进行第二次层次聚类，得到各个能力得分的十分位分数，最终得到各个学生各能力的聚类分数，将聚类分数作为标签；将数据集和标签进入深度神经网络进行训练，得到学生能力评估模型。5.如权利要求2所述学生能力评估方法，其特征在于，步骤二中的rfm模型中，r表示最近一次使用平台时间间隔，是指顾客最近一次使用距离现在的时间，考察客户的黏性，r值越小的客户是粘性越高的客户；f表示考察期内登陆的频率，是指顾客在考察期内消费的次数，考察客户的忠诚度，f值越高客户忠诚度越高；m表示考察期内登陆总时间，是指顾客在考察期内花费的时间，考察客户的价值，时间越高客户价值越高；根据r、f、m值进行二分类，分为以下8类用户：重要价值客户、一般价值客户、重要发展客户、一般发展客户、重要保持客户、一般保持客户、重要挽留客户以及一般挽留客户。6.如权利要求2所述学生能力评估方法，其特征在于，步骤二中的基于rfm模型聚类的用户活跃度分析包括：在线教育平台课程的学生包括登录、登出和点击消息的不同用户操作；进行学生登录行为特征提取，并给用户操作赋值，用于区分不同操作的重要度；将最近一次的登录时间与现在的差值作为r，用户登录次数作为f，用户操作值作为m；通过k-means聚类分成8类，最终给用户打0～5分，得到用户活跃度分数；将用户活跃度分数加入到用户能力雷达图中，构建学习者画像。7.一种应用如权利要求1～6任意一项所述学生能力评估方法的学生能力评估系统，其
特征在于，学生能力评估系统包括：阶梯式分数聚类模块，用于进行学生学习行为特征提取，通过层次聚类确定聚类分数，再通过深度神经网络训练得到学生能力评估模型；用户活跃度分析模块，用于进行学生登录行为特征提取并给用户操作赋值，通过k-means聚类分成8类并给用户打0～5分，得到用户活跃度分数。8.一种计算机设备，其特征在于，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述学生能力评估方法的步骤。9.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行如权利要求1～6任意一项所述学生能力评估方法的步骤。10.一种信息数据处理终端，其特征在于，信息数据处理终端用于实现如权利要求7所述学生能力评估系统。

技术总结
本发明属于智能教育技术领域，公开了一种学生能力评估方法、系统、介质、设备及终端，提取学生学习行为特征；将各个特征维度分别进行层次聚类，通过二次层次聚类得到学生各个课程的学习情况能力评估分数；利用聚类分数进行深度神经网络训练，基于在线教育平台构建学生能力评估模型；利用学生能力评估模型对用户活跃度分析，确定用户活跃度分数并生成学生的课程能力雷达图。本发明通过二次层次聚类得到了学生的能力评估分数，再通过深度学习算法训练出回归模型，与Excel等软件做出的雷达图相比，更具有智能化，融合特征更多，特征信息不易丢失。本发明的RFM模型在电商领域已经有了非常好的效果，引入教育领域打分成绩中，具有创新性。具有创新性。具有创新性。


技术研发人员：满君丰 曾荣科 王威 肖前辉 邓再勇 彭昱 姜华 何向阳 张云贺 李倩倩 彭革刚 周文健
受保护的技术使用者：湖南智擎科技有限公司
技术研发日：2023.04.18
技术公布日：2023/8/24