[發(fā)明專利]基于MOOC日志數(shù)據(jù)中用戶行為因果關(guān)系的學(xué)習(xí)效果優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 202010415168.4
• 申請日: 2020-05-15
• 公開（公告）號: CN111723973B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計）人: 魏筆凡;郭敏;劉均;鄭慶華;郝子琛;卜德蕊;鄧婷
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06N5/04;G06N20/00
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 姚詠華

本發(fā)明公開基于MOOC日志數(shù)據(jù)中用戶行為因果關(guān)系的學(xué)習(xí)效果優(yōu)化方法，基于MOOC平臺用戶的日志數(shù)據(jù)，利用用戶傾向性計算和匹配，通過依照反事實的因果推理框架來選取生成因果網(wǎng)絡(luò)中的因果自變量，在不同數(shù)據(jù)規(guī)模下根據(jù)生成網(wǎng)絡(luò)的平均馬爾可夫毯長度，在其長度趨于平穩(wěn)時獲取最小數(shù)據(jù)規(guī)模；得到因果網(wǎng)絡(luò)群組；使用專家精確度算法來篩選網(wǎng)絡(luò)節(jié)點間的邊，將篩選好的網(wǎng)絡(luò)群組，使用Bagging投票機制綜合生成最終因果網(wǎng)絡(luò)，得到用戶行為和學(xué)習(xí)效果的因果關(guān)系，基于所述因果關(guān)系，根據(jù)原因變量節(jié)點和結(jié)果變量節(jié)點對用戶學(xué)習(xí)路徑做出合理規(guī)劃，改變用戶操作行為或者用戶的學(xué)習(xí)時間來影響用戶是否完成這門課程的概率，提高了變量之間關(guān)系判定的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，具體涉及基于MOOC日志數(shù)據(jù)中用戶行為因果關(guān)系的學(xué)習(xí)效果優(yōu)化方法。

背景技術(shù)

MOOC(Massive Open Online Course，慕課)是大型開放式的在線學(xué)習(xí)平臺，MOOC的出現(xiàn)打破了教育資源分配的不均衡，通過互聯(lián)網(wǎng)實現(xiàn)教育資源的網(wǎng)絡(luò)化，讓大學(xué)當(dāng)中的教育更具有開放性、共享性、及時性，使得全民都可以觸及到優(yōu)質(zhì)的學(xué)習(xí)資源。由于MOOC學(xué)習(xí)平臺中包含大量的在線課程及學(xué)習(xí)用戶學(xué)習(xí)過程中產(chǎn)生的海量數(shù)據(jù)，這就使得可以在保持規(guī)模的前提下，及時觀測到每個學(xué)習(xí)用戶的學(xué)習(xí)模式及路徑，為用戶優(yōu)化學(xué)習(xí)過程，提高課程教學(xué)質(zhì)量及學(xué)習(xí)效果。所以，隨著MOOC平臺中聚集的海量數(shù)據(jù)在國內(nèi)外越來越受到關(guān)注，許多研究者競相對其進(jìn)行數(shù)據(jù)挖掘與建模分析。

基于MOOC平臺的教學(xué)過程會產(chǎn)生大量學(xué)習(xí)過程中的交互數(shù)據(jù)與信息反饋，學(xué)習(xí)用戶在平臺中會產(chǎn)生海量的操作行為數(shù)據(jù)(如觀看視頻的次數(shù)、參與問題討論的次數(shù)等)、平臺課程的質(zhì)量信息(如課程的受歡迎程度、課程發(fā)放相關(guān)資料的時間等)、學(xué)習(xí)效果(是否按時完成課程、完成課程作業(yè)等)。同時,還可以從平臺的相關(guān)日志信息中獲得學(xué)習(xí)用戶的基本信息情況(如年齡、性別等)，對這些數(shù)據(jù)的挖掘與處理可以用來分析學(xué)習(xí)用戶在學(xué)習(xí)過程中的行為，改善課程質(zhì)量，完善MOOC平臺的體系建設(shè)以提升用戶學(xué)習(xí)效果。

目前，國內(nèi)外的研究大多數(shù)都集中在學(xué)習(xí)用戶的學(xué)習(xí)行為與課程效果方面，得到的通常是具有普遍性的變量相關(guān)性結(jié)論。然而事實上相關(guān)性與因果性確是截然不同，首先相關(guān)性并不代表因果性，其次相關(guān)性是對稱的，然而因果性卻不是對稱的。對于缺乏對稱性的研究我們還缺少有利的方法工具。同時，大部分研究只關(guān)心預(yù)測結(jié)果的情況從而忽略了因果因素，從而導(dǎo)致對干預(yù)后實驗結(jié)果的探索只依靠相關(guān)性探索，得到結(jié)論的真實性大打折扣。因此，對于MOOC平臺中改善用戶學(xué)習(xí)行為、增強課程質(zhì)量、提高學(xué)習(xí)效果等方面，當(dāng)前所研究的預(yù)測工具，只是其數(shù)據(jù)關(guān)系的冰山一角。為了能夠更好的解決智能教育平臺中的學(xué)習(xí)效果方面的問題，基于因果關(guān)系改善用戶學(xué)習(xí)行為、增強課程質(zhì)量、提高學(xué)習(xí)效果等方面成為了一個十分必要的手段。

發(fā)明內(nèi)容

為了解決MOOC平臺中用戶行為與學(xué)習(xí)效果間因果關(guān)系挖掘存在的問題，本發(fā)明公開了基于MOOC日志數(shù)據(jù)中用戶行為因果關(guān)系的學(xué)習(xí)效果優(yōu)化方法，旨在可以快速、準(zhǔn)確的推理出用戶行為與學(xué)習(xí)效果間的因果關(guān)系，基于所述因果關(guān)系為用戶提升學(xué)習(xí)效率、改善學(xué)習(xí)效果，提供智能學(xué)習(xí)規(guī)劃，定制學(xué)習(xí)方案提供的決策與干預(yù)依據(jù)。

為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是，基于MOOC日志數(shù)據(jù)中用戶行為因果關(guān)系的學(xué)習(xí)效果優(yōu)化方法，包括以下步驟：

步驟100，對MOOC用戶學(xué)習(xí)日志數(shù)據(jù)去除異常值、補充缺失值并對連續(xù)數(shù)據(jù)進(jìn)行離散化處理，得到處理后的數(shù)據(jù)集；

步驟200，從步驟100得到的數(shù)據(jù)集中篩選協(xié)變量，通過probit回歸模型對篩選出的協(xié)變量進(jìn)行傾向性匹配計算，通過檢驗所述協(xié)變量是否滿足模型的平衡性，若滿足則選取為因果自變量；

步驟300，基于步驟200所選取的因果自變量，依次在不同數(shù)據(jù)規(guī)模下通過貝葉斯網(wǎng)絡(luò)生成算法得到網(wǎng)絡(luò)群組，觀測對于不同網(wǎng)絡(luò)規(guī)模數(shù)據(jù)集獲得因果網(wǎng)絡(luò)的平均馬爾可夫毯長度趨勢，獲取代表數(shù)據(jù)集整體特性最小數(shù)據(jù)集對應(yīng)的規(guī)模，采用啟發(fā)式搜索算法，增加每次保存的路徑數(shù)，生成因果網(wǎng)絡(luò)群組；