本发明涉及在线教育评估与人工智能领域，具体的说是一种针对网络慕课教学中学习者能力引导的方法。
背景技术：
近年来随着互联网的发展，教学方式也发生着很大的变革。“互联网+”模式的网络慕课教育的成为一种趋势，网络慕课的教学方式也逐渐在学校的教育中占据地位，部分学校专门设置有一定课时的网络慕课课程。
在这种趋势下，网络慕课将作为未来学习者学习新知识的一个重要平台。传统的网络慕课教学的形式较为单一，仅在学习平台为学习者提供相应的学习资料，缺少对学习者的在学习平台里的各项行为数据的收集；同时传统的慕课教学，不注重学习者在学习过程中情感状态的采集，缺少对学习者学习时心理状态的学习；最后，传统慕课学习方式缺少基本反馈干预机制，无论学习者学习效果的好坏，默认学习者已掌握了知识点。这种情况下，学习者的学习效果得不到准确的评估，学习者的学习能力得不到及时引导提升，后期无法通过相应的课程考试。
技术实现要素：
本发明是为避免上述现有技术所存在的不足之处，提供一种更优的慕课教学能力引导方法，以期能从不同的角度，采集不同的评价参数值，更加全面的评估学习者的学习效果，从而制定一套更好、更加高效的能力引导方案，有利于提升学习者的学习能力，更好地帮助于学习者通过相应的课程考试，同时也为教学工作者减轻一定的教学负担。
本发明为解决技术问题采用如下技术方案：
本发明一种针对慕课教育能力引导方法的特点包括以下步骤：
步骤一、学习内容定制：
步骤1.1、根据当前阶段的教学内容和教学目的拆分知识点，并为每个知识点制作单独的教学视频；
步骤1.2、根据所拆分的知识点，获取相关的引申教学视频，且每个引申教学视频对应一个知识点；
步骤1.3、按照所拆分的知识点定制相应的练习题；
步骤二、综合学习效果评价：
步骤2.1、学习者在线学习状况评价的获取：
步骤2.1.1、获取学习者的基本学习行为数据k1：
所述学习者的基本学习行为数据k1是由行为数据k11决定，且k11包括：在线学习平台的登录次数评价值c11，登录时间点评价值c12，在线学习总时长评价值c13；
步骤2.1.2、获取学习者的所有知识点视频资源浏览行为数据k2：
所有知识点视频资源浏览行为数据k2是由学习者在观看每个知识点时产生的视频资源浏览行为数据共同决定；
其中，第i个知识点的视频资源浏览行为数据k2i，包括：相应知识点视频浏览时长评价值c2i1，视频浏学习完成度评价值c2i2，第i个知识点视频浏览频次评价值c2i3，第i个知识点视进度条拖动频次评价值c2i4，相关引申视频资源浏览次数评价值c2i5，相关引申视频资源浏览个数评价值c2i6，相关引申视频资源浏览时长评价值c2i7；
步骤2.1.3、获取学习者的所有知识点在线课后测评行为数据k3：
所有知识点在线课后测评行为数据k3是由学习者在完成每个知识点定制习题后的在线课后测行为数据共同决定；
其中，第i个知识点的在线课后测评行为数据k3i，包括：相关知识点习题完成数量评价值c3i1，相关知识点课后习题练习正确率评价值c3i2；
步骤2.1.4、获取学习者在学习所有知识点的其他行为数据k4：
所有知识点的其他行为数据k4是由学习者学习每个知识点的其他行为数据共同决定；
其中，第i个知识点的其他评行为数据k4i，包括：错题回顾频次评价值c4i1，错题再次回顾时的正确率评价值c4i2；
步骤2.2、学习者在线情感行为评价的获取：
步骤2.2.1、获取学习者在线情感行为数据k5：
学习者的线情感行为数据k5是由学习者学习每个知识点时的在线情感行为数据k5i共同决定；
步骤2.2.2、采集学习者观看第i个知识点视频时的在线情感行为数据k5i，包括：抬头率评价值c5i1和眨眼频次情感评价值c5i2；
步骤2.2.3、通过摄像头获取第i个知识点视频段播放过程中，学习者的头部图像数据，再利用面部识别算法提取头部图像数据中学习者的面部特征数据，用于计算学习者的抬头次数，并对抬头次数进行处理后得到抬头率评价值c5i1；
步骤2.2.4、根据所述面部特征数据确认学习者是否抬头观看知识点视频，并在确认抬头时采集学习者的眨眼频次；再根据所述眨眼频次，推测学习者的情感状态，包括：正向情感状态、负向情感状态；
对处于负向情感状态的学习者，利用贝叶斯网络的联合树推理算法推断学习者对知识点的负向理解程度；从而得到学习者眨眼频次情感评价值c5i2；
步骤2.3、综合评价机制：
步骤2.3.1、依据教学目标与能力培养要求，为每个行为数据设置达标阈值和权重值，其中，第n个行为数据的达标阈值记为kn′，第n个行为数据的的权重值记为ωn；
步骤2.3.2、利用式(1)建立回归模型，计算学习者第i个知识点的第n个行为数据kni：
式(1)中：ji表示第i个知识点的第n个行为数据kni中评价值的个数，xj为第i个知识点的第n个行为数据kni中第j个评价值和相对应的权值wj的乘积；
步骤2.3.3、利用式(2)得到所有知识点的第n个行为数据kn：
式(2)中，n表示所拆分的知识点的总个数；
步骤2.3.4、利用式(3)获得教学目标期望评价参数e0：
步骤2.3.5、利用式(4)获得综合评价参数e1：
步骤三、干预引导机制：
步骤3.1、比较教学目标期望评价参数e0与综合评价参数e1，若e0≤e1，则表示学习者知识点掌握情况以及学习者的能力要求达标，并执行步骤3.2；否则，执行步骤3.3；
步骤3.2、安排下一阶段知识点的学习，并返回步骤1；
步骤3.3、将采取干预引导机制：
步骤3.3.1、提取所述第i个知识点视频浏览频次评价值c2i3，第i个知识点视进度条拖动频次评价值c2i4；
提取所述第i个相关知识点习题完成数量评价值c3i1，相关知识点课后习题练习正确率评价值c3i2；
提取所述第i个处于负向理解程度状态的知识点；
以处于负向理解程度状态为前提条件，结合条件一或者条件二生成学习者薄弱知识点的记录日志，根据所述记录日志所对应的薄弱知识点，获取相关学习视频以及练习题重新推送给学习者后，返回步骤二；
条件一：当c2i3≥3以及c3i1≤δ时；
条件二：当c2i4≥4以及c3i2≤ω时；
其中，阈值δ的取值为第i个知识点习题数量的65％-75％，阈值ω的取值在50％-60％之间。
与现有技术相比，本发明的有益效果在于：
1、本发明不同与传统的网络慕课教育，只关注教学内容的指定，不关注学生的学习效果反馈，能力培养。为此，本发明通过定制学习内容、采集学生学习行为数据、设置学习能力引导机制的方式，全面的评估学习者的学习效果，及时地对学习能力未达标的学习者，设置干预引导机制，帮助该部分学习者再次学习，引导能力的提升，更好地帮助学习者通过相应的课程考试。
2、在学习内容的定制上，本发明根据当前阶段的教学内容和教学目的拆分知识点，并为每个知识点制作单独的教学视频；同时为加强学习者对知识点的进一步理解，为每个知识点获取相关的引申教学视频,最后，为学习者学习完成的知识点定制相应的练习题。这样的定制内容，学习者在知识点的基础理解上，通过引申教学，提高了学生举一反三的能力，达到了更好地将知识点与其他相关相结合的效果，定制相应的习题也方便学生进行自我检测。
3、在采集学生学习行为数据上，本发明通过采集学习者在线学习状况数据以及学习者在线情感行数据，并建立综合评价机制，评估学习者的学习效果。不同的行为数据，反应了学习者的不同学习效果，这些数据以一个多维的角度去衡量一个学习者的基本学习效果；在线情感评价数据，则又从学习者的自身角度出发，挖掘学习者学习时的心理状态来研究学习者对知识点的理解程度，因此学习者的学习效果评价更加地全面，准确度将会更高。
4、本发明学习能力引导机制克服了传统慕课教育缺少基本反馈干预机制的缺点，导致学习者学习效果的好坏，默认学习者已掌握了知识点，从而无法通过后期的课程测试。本发明的干预引导机制在结合学习者综合评价结果的基础上，能制定一套更好、更加高效的能力引导方案，从而利于提升学习者的学习能力，更好地帮助于学习者通过相应的课程考试。
具体实施方式
本实施例中，一种慕课教学能力引导方法的具体步骤如下：
步骤一、学习内容定制：
步骤1.1、教学工作者或教师根据当前阶段的教学内容和教学目的拆分知识点，并为每个知识点制作单独的教学视频；
步骤1.2、根据所拆分的知识点，从网上搜寻与教学知识点相关的引申教学视频，且每个引申教学视频对应一个知识点；
步骤1.3、按照所拆分的知识点，从网络上、本校题库中搜索一定数量的练习题。
步骤二、综合学习效果评价：
步骤2.1、学习者在线学习状况评价的获取：
步骤2.1.1、获取学习者的基本学习行为数据k1：
学习者的基本学习行为数据k1是由行为数据k11决定，且k11包括：在线学习平台的登录次数评价值c11，登录时间点评价值c12，在线学习总时长评价值c13；
设置学习者登录的基准次数l1，以一个星期为一个时间单位进行采集，学习者在一周之内登录学习平台的次数超过标准次数l1时，评价值c11项记为满分1分，否则记为0分；
设置课堂学习登录时间点t1，c12项为满分1分。若学习者的登录次数超过标准次数l1，学习者每次登录的时间点都早于规定的时间点t1时，c12项记为满分1分；反之，按照迟到处理，每迟到一次c12项扣除0.2分，直至登录时间点评价值c12为0分；
设置学习时长t2，记录学习者的学习时长为t，学习者的总学习时长超过t2时，则评价值c13项记为满分1分，否则按照c13＝(t/t2)记录c13的值；
步骤2.1.2、获取学习者的所有知识点视频资源浏览行为数据k2：
所有知识点视频资源浏览行为数据k2是由学习者在观看每个知识点时产生的视频资源浏览行为数据共同决定；
其中，第i个知识点的视频资源浏览行为数据k2i，包括：相应知识点视频浏览时长评价值c2i1，视频浏学习完成度评价值c2i2，第i个知识点视频浏览频次评价值c2i3，第i个知识点视进度条拖动频次评价值c2i4，相关引申视频资源浏览次数评价值c2i5，相关引申视频资源浏览个数评价值c2i6，相关引申视频资源浏览时长评价值c2i7；
学习者在进行知识点视频学习时，记录学习者第i个知识点视频的浏览时长为t1，f1＝(t1/t)t为知识点视频的总时长，当f1≥96％时，评价值c2i1项记为满分1分；当50％≤f1＜96％时，c2i1＝f1；当0％≤f1＜50％时，c2i1＝f1×0.5；
获取第i个知识点视频学习完成度评价值c2i2时，当前阶段学习总的知识点定制视频总个数为total，学习者观看个数为t2，则c2i2＝(t2/total)；
学习者在学习过程中，第i个知识点视频观看频次越多，学习者对第i个知识点的掌握越是模糊，获取第i个知识点浏览频次评价值c2i3时，浏览次数f2≤2时，c2i3项记为满分1分；当f2＞2时，c2i3＝1/f2；
学习者在学习过程中，第i个知识点视频进度条拖动次数越多，学习者对该知识点的掌握越模糊，获取第i个知识点浏览频次评价值c2i4时，浏览次数f3＜2时，评价值c2i4项记为满分1分；当f3＞2时，c2i4＝1/f3；
学习者在学习过程中，对第i个知识点的相关引申知识点视频观看频次越多，学习者对该知识点的掌握是越模糊的，获取第i个知识点浏览频次评价值c2i5时，浏览次数f4＜3时，评价值c2i5项记为满分1分；当f4＞3时，c2i5＝1/f4；
获取第i个知识点引申视频学习完成个数评价值c2i6时，当前阶段学习的第i个知识点定制引申视频总个数为totaly，学习者观看个数为t3，则c2i6＝t3/totaly；
记录学习者第i个知识点引申视频的浏览时长t3，f5＝t3/t1其t1中知识点视频的总时长，当f5≥96％时，评价值c2i7数记为满分1分；当50％≤f5＜96％时，c2i7＝f4；当0％≤f5＜50％时，c2i7＝f5×0.5；
步骤2.1.3、获取学习者的所有知识点在线课后测评行为数据k3：
所有知识点在线课后测评行为数据k3是由学习者在完成每个知识点定制习题后的在线课后测行为数据共同决定；
其中，第i个知识点的在线课后测评行为数据k3i，包括：相关知识点习题完成数量评价值c3i1，相关知识点课后习题练习正确率评价值c3i2；
第i个知识点学习完成后，安排一定数量的练习题检验学习者对知识点的掌握程度，第i个知识点学习视频定制的练习题总量为x,学习者在规定时间内的完成数量记为x1，则c3i1＝x1/x；
学习者在完成习题练习后，正确习题数量记为x2，习题的正确率评价值c3i1＝x2/x1；
步骤2.1.4、获取学习者在学习所有知识点的其他行为数据k4：
所有知识点的其他行为数据k4是由学习者学习每个知识点的其他行为数据共同决定；
其中，第i个知识点的其他评行为数据k4i，包括：错题回顾频次评价值c4i1，错题再次回顾时的正确率评价值c4i2；
学习者在学习过程中，第i个知识点练习产生的错题的错题的回顾频次x3，反映了学习者对该知识点的程度，则知识点浏览频次评价值c4i1＝1/x3；
学习者在回顾错题时，需要对错题进行重新练习，记正确完成数量记为x4，习题的正确率评价值c4i2＝x4/(x1-x2)；
步骤2.2.1、获取学习者在线情感行为数据k5：
学习者的线情感行为数据k5是由学习者学习每个知识点时的在线情感行为数据k5i共同决定；
步骤2.2.2、采集学习者观看第个i知识点视频时的在线情感行为数据k5n。包括：抬头率评价值c5i1和眨眼频次情感评价值c5i2；
步骤2.2.3、通过摄像头获取第i个知识点视频段播放过程中，学习者的头部图像数据，再利用面部识别算法提取图像中学习者的面部特征数据，每隔5秒进行一次采集；
比较提取出来的面部特征数据和学习者的面部特征数据，若两者相同，则学习者抬头一次，视频学习完成时得到学习者的抬头次数n；
设置期望抬头次数为n，则学习者的抬头率评价值c5i1＝n/n；
步骤2.2.4、根据面部特征数据确认学习者是否抬头观看知识点视频，并在确认抬头时采集学习者的眨眼频次：
依据f帧和f+1帧图像数据分别为睁眼和闭眼的状态定位眼睛位置，动态生成学习者眼睛模板；依据每一位学习者在首次进入学习平台观看指定视频时，记录下学习者在平静状态时的眨眼次数，以此来作为眨眼频次检测的基准值pbf；学习者进入视频学习状态后，进行眨眼检测，并记录眨眼频次pb，比较pb与pbf，获取学习者的情感状态，包括：正向情感状态、负向情感状态；
当pb≤pbf时，学习者处于正向情感状态，反之学习者处于负向情感状态；
学习者处于正向情感状态时知识点的理解程度是一种正向理解程度，学习者处于负向情感状态时知识点的理解程度是一种负向理解程度；
正向理解程度p＝{flow,under}和负向理解程度n＝{con,frus,bore}，
其中这三个级别的值分别表示：困惑、无聊、完全不理解，分别对应取值为0.4、0.2、0.0；
推断处于正向情感状态的学习者，知识点学习与认知能力处于正向理解程度，达到教学目标期望的水平，学习者眨眼频次情感评价值c5i2记为满分1分；
推断处于负向情感状态的学习者，建立贝叶斯网络模型，利用该贝叶斯网络的联合树推理算法推理学习者的负向理解状态的级别，得出学习者眨眼频次情感评价值c5i2；
步骤2.3、综合评价机制：
步骤2.3.1、依据当前阶段教学目标与能力培养要求，为每个行为数据设置达标阈值和权重值，其中，第n个行为数据的达标阈值记为kn′，第n个行为数据的的权重值记为ωn；
步骤2.3.2、利用式(1)建立回归模型，计算学习者第i个知识点的第n个行为数据kni：
式(1)中：ji表示第i个知识点的第n个行为数据kni中评价值的个数，xj为第i个知识点的第n个行为数据kni中第j个评价值和相对应的权值wj的乘积；
步骤2.3.3、利用式(2)得到所有知识点的第n个行为数据kn：
式(2)中，n表示所拆分的知识点的总个数；
步骤2.3.4、利用式(3)获得教学目标期望评价参数e0：
步骤2.3.5、利用式(4)获得综合评价参数e1：
步骤三、干预引导机制：
步骤3.1、获取教学目标期望评价参数e0，以及学习者学习时的综合评价参数e1，对着两个进行比较两者值，决定是否对学习者采取能力引导干预；若e0≤e1，则表示学习者知识点掌握情况以及学习者的能力要求达标，并执行步骤3.2；否则，执行步骤3.3；
步骤3.2、对于e0≤e1的学习者，学习效果已达到教学目标中知识点理解、能力培养等相关要求，这部分学习者将安排下一阶段知识点的学习，并返回步骤1进行新一阶段知识点的评估；
步骤3.3、将采取干预引导机制：
步骤3.3.1、对于e0＞e1的学习者，学习效果并未达到教学目标中知识点理解、能力培养等相关要求，继续进行当前阶段新知识点的学习提高；
提取第i个知识点视频浏览频次评价值c2i3，第i个知识点视进度条拖动频次评价值c2i4；
提取第i个相关知识点习题完成数量评价值c3i1，相关知识点课后习题练习正确率评价值c3i2；
提取第i个处于负向理解程度状态的知识点；
以处于负向理解程度状态为前提条件，结合条件一或者条件二生成学习者薄弱知识点的记录日志，根据记录日志所对应的薄弱知识点，获取相关学习视频以及练习题重新推送给学习者；
条件一：当c2i3≥3以及c3i1≤δ时；
条件二：当c2i4≥4以及c3i2≤ω时；
其中，δ的取值为第i个知识点习题数量的65％-75％，ω的取值在50％-60％之间；
学习者将继续进入步骤2中进行学习行为评价，继续监督反馈和引导学习者的能力提升，直至让学习者的综合评价数据达到合格的状态。