一种基于深度学习模型的学生学习行为异常检测方法
本申请涉及行为检测,特别涉及一种基于深度学习模型的学生学习行为异常检测方法。
背景技术:
1、随着教育数字化进程的全面深化,学生的学习行为已深度融入“线下课堂”与“线上自主”交织的混合式环境。在这一背景下,学生学习行为异常检测作为教育数据挖掘与学习分析的核心领域,其目标已从传统的成绩滞后预警,前移至对学习过程本身进行实时监测、动态诊断与早期风险识别。
2、当前多数学业预警相关研究与实践仍存在明显局限,如,感知维度单一,大多仅聚焦于线上学习平台数据或孤立的课堂记录,未能建立贯穿“课内-课外”的双模态协同感知体系,难以刻画“学-习”联动的完整行为图谱。
3、因此,需要提供一种针对上述现有技术不足的改进技术方案。
技术实现思路
1、本申请的目的在于提供一种基于深度学习模型的学生学习行为异常检测方法,以解决或缓解上述现有技术中存在的问题。
2、为了实现上述目的,本申请提供如下技术方案:
3、一种基于深度学习模型的学生学习行为异常检测方法,所述异常检测方法包括:
4、步骤s1:采集学生个体课堂学习数据、线上学习数据,对课堂学习数据、线上学习数据进行时序对齐、切片处理,形成当前特定时间跨度的数据单元;
5、步骤s2:对数据单元进行特征提取、统计聚合,形成数值型特征向量;所述特征向量包括课堂模态特征向量、线上模态特征向量;
6、步骤s3,对特征向量进行偏差分析,包括:
7、步骤s31:对特征向量进行标准化处理;
8、步骤s32:基于课堂模态、线上模态间的相互预测关系,分别对标准化后的课堂模态特征向量、线上模态特征向量的预测值与观测值进行偏差分析;
9、步骤s4:根据预设判定规则,结合偏差分析结果,确定学生异常行为类型。
10、优选地,所述步骤s32包括:
11、步骤s321:基于课堂模态、线上模态间的相互预测关系,分别计算标准化后的课堂模态特征向量、线上模态特征向量的偏差向量;
12、步骤s322:对于偏差向量中每个特征维度,根据其设置含义,进行风险筛查,并通过单向处理,计算风险调整偏差;
13、步骤s323:对多个特征维度的风险调整偏差按照模态划分进行聚合计算,得到课堂-线上模态预测异常值、线上-课堂模态预测异常值。
14、优选地,所述步骤s3还包括:
15、步骤s33:基于课堂模态、线上模态内部的自预测关系,对标准化后的课堂模态特征向量、线上模态特征向量的预测值与观测值进行偏差分析。
16、优选地,所述步骤s33包括:
17、步骤s331:基于课堂模态、线上模态内部的自预测关系,分别计算标准化后的课堂模态特征向量、线上模态特征向量的偏差向量;
18、步骤s332:对于偏差向量中每个特征维度,根据其设置含义,进行风险筛查,并通过单向处理,计算风险调整偏差;
19、步骤s333:对多个特征维度的风险调整偏差按照模态划分进行聚合计算,得到课堂模态自预测异常值、线上模态自预测异常值。
20、优选地,所述步骤s3还包括:
21、步骤s34:通过统计分析方法,评估标准化前的个体特征向量与其所在群体的同期偏差程度。
22、优选地,所述步骤s34包括:
23、步骤s341:对于特征向量中每个特征维度,获取个体所在群体中全部成员在该特征维度的同期观测值并进行聚合计算,得到对应特征维度的群体基准;
24、步骤s342:计算标准化前的个体特征向量在每个特征维度上与群体基准的偏差;
25、步骤s343:根据特征维度的设置含义,进行风险筛查,并通过单向处理,计算风险调整偏差;
26、步骤s344:对多个特征维度的风险调整偏差按照模态划分进行聚合计算,得到课堂群体对比异常值、线上群体对比异常值。
27、优选地,所述步骤s3还包括:
28、步骤s35:基于课堂模态、线上模态内部的自预测关系,对标准化后的特征向量的预测值与观测值进行偏差分析,通过统计分析方法,评估其与预设个体偏差基准的累积偏差程度。
29、优选地,步骤s35包括:
30、步骤s351:基于课堂模态、线上模态内部的自预测关系,计算标准化后的特征向量的偏差向量;
31、步骤s352:对于偏差向量中每个特征维度,根据其设置含义,进行风险筛查,并通过单向处理,计算风险调整偏差;
32、步骤s353:对多个特征维度的风险调整偏差进行聚合计算,评估其与预设个体偏差基准的偏差,进行风险筛查,计算时序累积偏差值。
33、优选地,在步骤s35中,所述预设个体偏差基准的建立方法为:基于课堂模态、线上模态内部的自预测关系,对选定的基线期内的多个特征向量,进行滚动预测与偏差分析。
34、优选地,所述步骤s3还包括:
35、步骤s36:对标准化后的课堂模态特征向量、线上模态特征向量进行无监督重构误差计算。
36、与最接近的现有技术相比,本申请实施例的技术方案具有如下有益效果:
37、本申请通过跨模态的学习行为相互预测分析,对课堂与线上学习建立协同感知,能够深入识别两者间动态、双向的关联与影响,从而实现对学生个体学业状态更深层的检测分析。
1.一种基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述异常检测方法包括:
2.如权利要求1所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s32包括:
3.如权利要求1所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s3还包括:
4.如权利要求3所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s33包括:
5.如权利要求1所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s3还包括:
6.如权利要求5所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s34包括:
7.如权利要求1所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s3还包括:
8.如权利要求7所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,步骤s35包括:
9.如权利要求7所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,在步骤s35中,所述预设个体偏差基准的建立方法为:基于课堂模态、线上模态内部的自预测关系,对选定的基线期内的多个特征向量,进行滚动预测与偏差分析。
10.如权利要求1-9任一所述的基于深度学习模型的学生学习行为异常检测方法,其特征在于,所述步骤s3还包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com