基于画像的混合式教学服务方法、装置及可读介质

1.本发明涉及计算机领域，具体涉及了一种基于画像的混合式教学服务方法、装置及可读介质。


背景技术：

2.大数据画像是指利用大数据技术对目标实体的历史数据进行提取、分析和挖掘，采用数据化、语义化的标签对目标实体的行为特征进行刻画，从而全面概括目标实体的信息。
3.而现有技术对于小规模全日制教学班的混合式教学环境下的学习者画像分析的研究较少，并且当前在众多高校开展线上+线下的混合式教学已经成为了常态，由于混合式教学全过程中教学环节较多，教师自身很难用人工方式追踪建立每一位学生在课程学习的各个环节中的学情档案，以至于在具体实施教学时很难做到“因材施教”，导致在教和学的过程中学习者和教师均存在懈怠状况。高校扩招背景下学生生源的多样性决定了学生学习水平参差不齐，在教学上采用一刀切的传统教学模式难以满足不同层次学生的学习需求，不利于实现分层分类人才培养目标。


技术实现要素：

4.本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于画像的混合式教学服务方法、装置及可读介质，提高了教学质量。
5.本发明的技术方案包括一种基于画像的混合式教学服务方法，其特征在于，所述方法包括：从多个目标数据源获取学情数据，所述目标数据源包括线下数据和线上数据；对所述学情数据执行预处理，并将所述线上数据和所述线下进行合并，所述预处理包括数据清洗和去重；根据所述学情数据执行画像标签提取；根据所述画像标签对学生个体特征、班级集体特征及课程教学情境特征执行画像建模并执行可视化处理；根据所述画像标签对高风险学情预警、分层分类教学和教学难点提取中的至少一项执行生成。
6.根据所述的基于画像的混合式教学服务方法，其中从多个目标数据源获取学情数据包括：通过python读取教学日志文件，得到线下学情数据，教学日志文件为表格文件；对第三方教育平台的线上数据进行直接采集或者爬取，得到线上数据的表格文件，通过python对线上数据的表格文件执行读取，得到线上学情数据；汇总所述线下学情数据和线上学情数据得到所述学情数据。
7.根据所述的基于画像的混合式教学服务方法，其中对所述学情数据执行预处理，并将所述线上数据和所述线下进行合并包括：对所述学情数据中的缺失值、异常值、重复值及干扰值进行清洗，并去重补缺、删除异常值和干扰值；根据唯一标识对所述线上数据及所述线下数据执行关联，并执行标准化处理，以及，根据对所述线上数据及所述线下数据的采集在不同周期采集到的相同数据项，通过统计聚合的方式进行合并规约处理。
8.根据所述的基于画像的混合式教学服务方法，其中根据所述学情数据执行画像标
签提取包括：获取所述学情数据的学情数据项，将学情数据项中同一维度的数据项采用求和或求均值等方式将其合并，得到构成学习偏好、学习活跃度和学习效果三个维度的画像标签体系，其中学习活跃度维度用于表征学生的学习态度和学习行为特征，学习效果维度用于表征学生的学习水平和认知能力特征，学习偏好维度用于表征不同学生对学习资源的偏好差异。
9.根据所述的基于画像的混合式教学服务方法，其中根据所述画像标签对学生个体特征、班级集体特征及课程教学执行画像建模并执行可视化处理包括：通过定量分析方法和定性分析方法，对学生个体特征、班级群体特征以及课程教学情境特征进行画像建模；所述定量分析采通过描述性统计方法，根据画像标签中数据构成，采用频数分析、均值分析和离散程度分析中的至少之一，对标签数据进行概括性计算，利用统计图表可视化呈现画像的多维标签特征；所述定性分析采用推断性统计方法，对画像不同维度的标签因子进行因子权重分析，得到画像在多因子作用下的总体特征，采用聚类分析的方法得到不同画像群体之间的特征差异。
10.根据所述的基于画像的混合式教学服务方法，其中高风险学情预警的生成包括：对学生在学习活跃度维度和学习效果维度进行因子权重分析，对每位学生活跃度维度和学习效果维度的对应多项指标的数值按权重进行加权求和得出学生在学习活跃度和学习效果维度的定量分析结果，将两项结果中有低于预设值的学生设定为高风险预警人群。
11.根据所述的基于画像的混合式教学服务方法，其中分层分类教学的生成包括：为向学生传递作业文件的设置等级参数，使用python在数据库中为每位学生查找难度相匹配的分层作业，调用邮件生成接口将匹配的作业以邮件附件的形式自动发送至学生邮箱，完成分层作业推送功能，同时根据学生对线上学习资源的偏好画像分类推荐其更感兴趣的学习资料。
12.根据所述的基于画像的混合式教学服务方法，其中教学难点提取的生成包括：实时采集每个教学周的全过程所述学情数据，动态监测班级学生在每个知识点及每个章节的学习情况，对得分率低于预设值的知识点或单元测验进行预警。
13.本发明的技术方案还包括基于画像的混合式教学服务装置，其特征在于，包括：学情数据采集模块，用于从多个目标数据源获取学情数据，所述目标数据源包括线下数据和线上数据；预处理模块，对所述学情数据执行预处理，并将所述线上数据和所述线下进行合并，所述预处理包括数据清洗和去重；画像标签提取模块，用于根据所述学情数据执行画像标签提取；可视化模块，用于根据所述画像标签对学生个体特征、班级集体特征及课程教学情境特征执行画像建模并执行可视化处理；混合教学服务模块，用于根据所述画像标签对高风险学情预警、分层分类教学和教学难点提取中的至少一项执行生成。
14.本发明的技术方案还包括一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如任一项所述的基于画像的混合式教学服务方法。
15.本发明的有益效果为：基于学习者画像的混合式教学精准服务系统是以线上线下全教学过程数据采集为支撑，运用数据统计方法和画像建模技术从多层次、多维度分析、解释学情数据，通过对学习行为、学习效果、教学盲点的诊断与分析，挖掘特定教学情境下的高风险学习者、分层分类群体特征、教学难点盲点信息。本发明的技术方案自动化挖掘学情
规律功能，几乎不需要任课教师手动参与分析学情；此外系统在挖掘学情规律的基础上提供的精准教学服务功能可以有效帮助教师提高教学质量。
附图说明
16.下面结合附图和实施例对本发明进一步地说明；
17.图1所示为根据本发明实施方式的基于画像的混合式教学服务方法流程图。
18.图2所示为根据本发明实施方式的一种混合式教学服务系统实现示意图。
19.图3所示为根据本发明实施方式的系统数据来源示意图。
20.图4所示为根据本发明实施方式的系统画像标签体系示意图。
21.图5所示为根据本发明实施方式的课程难点知识点画像示意图。
22.图6所示为根据本发明实施方式的课程成绩画像示意图。
23.图7所示为根据本发明实施方式的班级学习活跃度画像示意图。
24.图8a,8b所示为根据本发明实施方式的班级学习效果画像示意图。
25.图9a,9b所示为根据本发明实施方式的学生学习活跃度画像示意图。
26.图10a,10b所示为根据本发明实施方式的学生学习效果画像示意图。
27.图11所示为根据本发明实施方式的装置示意图。
具体实施方式
28.本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
29.在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
30.在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
31.本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
32.图1所示为根据本发明实施方式的基于画像的混合式教学服务方法流程图。该流程包括：
33.s100，从多个目标数据源获取学情数据，目标数据源包括线下数据和线上数据；
34.s200，对学情数据执行预处理，并将线上数据和线下进行合并，预处理包括数据清洗和去重；
35.s300，根据学情数据执行画像标签提取；
36.s400，根据画像标签对学生个体特征、班级集体特征及课程教学情境特征执行画像建模并执行可视化处理；
37.s500，根据画像标签对高风险学情预警、分层分类教学和教学难点提取中的至少一项执行生成。
38.图2所示为根据本发明实施方式的一种混合式教学服务系统实现示意图。其包括
数据获取、数据预处理、画像标签提取、画像可视化、精准教学服务等功能模块，其中数据获取包括基本学籍数据、线下学习教据和线上学习数据，其中线下学习教据包括课堂出勤数据、课堂互动数据、实训表现数据及线下考核数据，线上学习数据包括资源偏好数据、学习轨迹数据、发帖讨论数据、线上考核数据等。数据预处理包括数据抽取、数据清洗、数据整合、数据转化、数据规约、数据入库等流程。画像标签提取学习活跃度、学习效果及学习偏好。图像可视化包括学习个体画像、学生群体画像及课程知识画像。精准教学服务高风险学情预警、分层分类教学和教学难点提取等请。
39.在一些实施例中，参考图3，在混合式教学过程中，原始的学情数据来源于对教师线下教学日志数据的收集和线上平台学情数据的导出和爬取。系统利用python读取教师excel教学日志文件获得线下学情数据；对于线上学情数据，本系统选取的超星平台提供了部分统计数据集，可以直接将其导出为excel文件，再用python对其进行解析，对于超星平台没有直接给出来的数据，系统利用python爬虫程序进行采集。系统共采集了24项原始的学情数据。
40.在一些实施例中，预处理对采集到的24项原始学情数据项中的缺失值、异常值、重复值及干扰值进行清洗，去重补缺、删除异常值和干扰值。在清洗好的数据基础上，对线上线下数据进行整合操作，利用学生的学号信息将同一学生的线上和线下数据关联起来。由于数据中各项指标量纲不一，因此为了消除量纲不同对数据分析的影响，对整合后的数据进行标准化处理。同时对在不同周期采集到的相同数据项，通过统计聚合的方式进行合并规约处理。为了能够动态跟踪学生的学习变化情况，研究将每个周期内采集到的数据预处理好后存入mysql数据库。
41.在一些实施例中，参考图4，在数据预处理阶段清洗整理后共得到24项学情数据项，研究对线上和线下学情数据项中代表同一维度的数据项采用求和或求均值等方式将其合并，最终得到16个主因子标签用于构成学习偏好、学习活跃度和学习效果三个维度的画像标签体系。其中学习活跃度维度用于刻画学生的学习态度和学习行为特征，可辅助教师精准预警高风险学生；学习效果维度用于刻画学生的学习水平和认知能力特征，可辅助教师精准实施分层分类教学和提炼教学难点；学习偏好维度用于挖掘不同学生对学习资源的偏好差异，可辅助教师优化线上资源类型，精准投放资源。
42.在一些实施例中，系统从课程、班级、学生三个层次多维度进行画像刻画，挖掘了课程的难点知识点(图5)以及课程中所有学生的学习效果画像(图6)；每个班级的学生整体学习活跃度画像(图7)和学习效果画像(图8a和图8b)；每个学生的学习活跃度画像(图9a和图9b)和学习效果画像(图10a和图10b)。
43.利用定量分析和定性分析两种方法，对混合式教学过程中的学生个体特征、班级群体特征以及课程教学情境特征三个层次进行画像建模。定量分析采用描述性统计方法，根据标签成分数据的特点，采用频数分析、均值分析、离散程度分析等方法，对标签数据进行概括性计算，利用统计图表可视化呈现画像的多维标签特征。定性分析采用推断性统计方法，对画像不同维度的标签因子进行因子权重分析，推断画像在多因子作用下的总体特征，采用聚类分析的方法推断不同画像群体之间的特征差异。系统框架采用django web框架，通过python编程技术调用pyecharts库实现各层次画像的可视化呈现。
44.在一些实施方案中，高风险学情预警、分层分类教学和教学难点，实施方式如下：
45.高风险学生往往是学习参与度较低、学习效果偏差的学生。系统利用spss软件对每位学生在学习活跃度和学习效果两个维度共12项指标进行因子权重分析，然后在程序中对每位学生在这12项指标上的数值按权重进行加权求和得出学生在学习活跃度和学习效果维度的定量分析结果，将两项结果中有低于60分的学生设定为高风险预警人群。通过对每个学生在学习活跃度和学习效果两个维度的画像挖掘，辅助教师提前预判边缘学生，并进行有针对性的提醒和干预。
46.学生在学习过程中体现出来的个体差异，包括学习偏好、学习能力和学习态度上的多种差异。系统基于学习者画像特征研究，实现了智能化分层教学辅助功能。在每个知识点学习完毕之后，系统会根据每一位学生的学习效果为其自动匹配难易程度相当的课后拓展作业。实现技术是通过ajax传递作业文件的难度等级参数，使用python在数据库中为每位学生寻找难度相匹配的分层作业，最后调用python自带的smtplib库和email库实现将匹配好的作业以邮件附件的形式自动发送至学生邮箱，完成分层作业推送功能。同时系统会根据学生对线上学习资源的偏好画像分类推荐其更感兴趣的学习资料。
47.系统实时采集每个教学周的全过程学情数据，动态监测班级学生在每个知识点、每个章节上面的掌握情况，部分得分率偏低的知识点或单元测验，系统会给出预警，提醒教师重视。
48.如图10所示，本发明实施例还提供了一种餐饮数据分析分析装置，该装置包括了学情数据采集模块1101、预处理模块1102、画像标签提取模块1103、可视化模块1104及混合教学服务模块1105；
49.其中，学情数据采集模块，用于从多个目标数据源获取学情数据，目标数据源包括线下数据和线上数据；预处理模块，对学情数据执行预处理，并将线上数据和线下进行合并，预处理包括数据清洗和去重；画像标签提取模块，用于根据学情数据执行画像标签提取；可视化模块，用于根据画像标签对学生个体特征、班级集体特征及课程教学情境特征执行画像建模并执行可视化处理；混合教学服务模块，用于根据画像标签对高风险学情预警、分层分类教学和教学难点提取中的至少一项执行生成。本发明基于学习者画像的混合式教学精准服务系统是以线上线下全教学过程数据采集为支撑，运用数据统计方法和画像建模技术从多层次、多维度分析、解释学情数据，通过对学习行为、学习效果、教学盲点的诊断与分析，挖掘特定教学情境下的高风险学习者、分层分类群体特征、教学难点盲点信息。
50.本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的基于画像的混合式教学服务方法。
51.应当认识到，本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
52.此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组
合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
53.进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
54.上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。