[發明專利]一種數據驅動的大學生個性化學習行為預測與干預方法

有效

• 申請號: 202010798978.2
• 申請日: 2020-08-11
• 公開（公告）號: CN111950892B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 周東波;余雅瀅;喻宏偉;涂悅;王小梅
• 申請（專利權）人: 華中師范大學
• 主分類號: G06Q10/063
• 分類號: G06Q10/063;G06Q50/20;G16H20/70;G06F18/2415;G06F18/27;G06N3/042;G06N3/08
• 代理公司: 北京東方盛凡知識產權代理有限公司 11562
• 代理人: 張換君

1.一種數據驅動的大學生個性化學習行為預測與干預方法，其特征在于，包括如下步驟：

采集大學生的各種校園活動數據并進行預處理，進而形成標準數據集；應用時空圖神經網絡模型對所述標準數據集進行處理，生成日常學習行為習慣；

根據所述日常學習行為習慣，構建習慣模型，并建立所述日常學習行為習慣與日常學習行為活動的參數關系；

開展在確定時間、空間及頻次干預后的持續性學習行為活動變化監測，獲得大學生外顯行為變化的實測效果，并進行習慣模型預測，根據監測結果及所述習慣模型預測的預測結果，構建多元回歸分析模型，進而對所述習慣模型進行優化；

應用基于時空過程演化的多元回歸方法，建立學習行為習慣與外顯行為干預參數的量化關系：獲取大學生外顯行為干預參數，將所述行為干預參數作為自變量，將所述學習行為習慣作為因變量，構建多元回歸分析方程，用于反應習慣養成過程中習慣隨著行為量化參數變化的數理關系；

回歸模型建立后，回歸系數反應習慣養成過程中行為量化干預參數與習慣的結構關系，給定t時刻的自變量x值并代入多元回歸分析模型，得出學生在調節行為參數后的習慣特征變化以及外顯行為的變化，形成數據驅動下的行為干預量化回歸機制；

針對需要進行干預的大學生，采取持續的行為活動數據跟蹤，獲取當前大學生行為變化的時間、空間、時長以及頻次要素，分析實測的數據與習慣模型的預測結果，實現習慣模型的優化；

基于所述多元回歸分析模型，設置習慣關聯行為強度閾值，構建三級干預機制，進行整體到局部的分層干預，通過所述多元回歸分析模型對干預后的學習行為習慣的實測數據進行回歸分析，形成數據驅動的持續性回歸干預機制；

在所述習慣模型的基礎上，通過構建學習行為活動關聯要素對學習行為習慣變化相關性方向分析建立學習行為習慣與學習行為活動的參數關系，所述相關性方向分析公式為：

其中：為與習慣的關聯要素均值；r表達學習行為習慣y由其關聯要素的相關性方向判斷，其取值區間為[-1，1]，-1表示完全的負相關，+1表示完全的正相關；

通過行為量化的多元回歸分析模型，為不同習慣強度的習慣關聯行為分配閾值，從而對其進行精準分類，給定相對應的干預級別；將學習行為的干預方式分為自動干預、半自動干預以及人工干預，干預范圍分為群體干預和個體干預；

自動干預的實施主體主要為系統，以實測的學生行為習慣特征為基礎，為每種類型的學習行為習慣設計干預實施的規則，其中包括實施對象、實施時間、實施內容，實施內容是自動干預的核心，將實施內容的類型分為活動型、資源型、學習支持服務型以及形成性評價；

半自動干預主要有兩個實施主體，系統與教育者；在系統實施自動干預后，采取一定時期的持續監控手段，跟蹤學習者的學習行為習慣的變化趨勢，若習慣的變化波動較大，則通知教育者對學習者給予線下的幫助；

人工干預是由教育者直接實施的干預方式，首先系統會為教育者提供被干預學生的習慣行為特征報告，隨之教育者為其制定有針對性的干預方案，以最適合學習者本身特性的方式引導學生培養良好的學習習慣；

根據學習者學習行為習慣的強度大小，將干預的實施方式分為群體式和個體式；

群體式是對具有同質特征的群體提供相同的干預策略；

而個體式是為學習者個體提供一對一的個性化干預，根據學習行為習慣的成因提出干預策略。

2.根據權利要求1所述的數據驅動的大學生個性化學習行為預測與干預方法，其特征在于，所述標準數據集的獲取方法為，通過對不同來源數據進行不同的預處理，得到大學生外顯行為活動參數數據，將處理后的數據存儲于非關系型數據庫中，進而形成標準數據集。

3.根據權利要求1所述的數據驅動的大學生個性化學習行為預測與干預方法，其特征在于，所述時空圖神經網絡模型選取校園活動的行為活動要素為輸入數據，將每一時刻或每一周期所采集的數據構建一個層次的圖網絡模型，對校園活動數據進行自動分類，再對分類得到的學習行為構建序列，生成學習行為習慣。