一种在线教育多源数据实时分析调度方法与流程

本发明涉及在线教育，尤其涉及一种在线教育多源数据实时分析调度方法。

背景技术：

1、随着在线教育平台的规模化发展，单一课堂同时在线学习者数量可达数千甚至数万人，教学过程中持续产生海量、多模态、异构的教育数据，包括但不限于学习行为日志（点击、停留、答题、进度）、直播音视频流（教师讲授画面与语音）、学习者端眼动与生理信号（注意力相关神经生理数据）、文本反馈数据（课程评论、弹幕、作业评语）以及即时通信交互数据（群聊、答疑区讨论）。这些数据在采样频率、数据格式、时间粒度和语义层级上存在显著差异，构成典型的多源异构数据流。

2、现有在线教育数据分析系统主要存在以下技术缺陷：

3、其一，数据处理层面普遍采用“先全量采集、后离线批处理”的模式，将不同模态数据统一存入数据仓库后再通过离线计算任务进行学情分析，导致从数据产生到分析结果输出存在分钟级甚至小时级延迟，无法满足直播课堂中实时干预（如注意力下降提醒、知识点补强推送）的时效性需求；部分尝试流式处理的方案则对所有数据块不加区分地执行完整分析流水线，在高并发时段造成计算资源拥塞，关键学情任务的处理时延反而被拉长。

4、其二，特征提取层面多采用单模态或简单拼接的多模态特征，缺乏对不同模态数据质量差异的感知能力，当某一模态因网络抖动、设备故障或学习者行为异常而出现数据缺失或噪声时，系统仍将其与高质量模态等权融合，导致融合特征被低质量模态污染，下游学情分类准确率显著下降；同时，现有方案缺乏对分析结果置信度的显式建模，无法区分“高置信度可靠结论”与“低置信度待确认结论”，使得低质量数据驱动的误判直接进入教学决策环节。

5、其三，任务调度层面普遍采用静态优先级或固定资源分配策略，预先为学情分析、行为识别、情感分析、注意力评估等不同分析任务分配计算资源，无法根据实时学情状态的动态变化进行自适应调整，例如当课堂中出现大面积注意力下降时，注意力评估任务的计算需求激增，但静态调度无法及时将资源从低优先级任务（如常规进度统计）迁移过来，造成关键任务排队等待。

6、此外，不同分析任务对输入模态的依赖关系不同，现有调度器缺乏对任务-模态条件依赖关系的显式描述，导致任务被调度到不具备所需模态数据的计算节点上，引发重复数据传输和计算浪费。其四，分析结果输出层面多以单一维度的学情指标（如在线时长、答题正确率）为主，缺乏对学习者视听注意力资源分配、情感倾向变化、交互质量等多维学情的联合量化，且分析结果与教学调度环节之间缺乏闭环反馈机制，分析结论仅用于事后报表统计，无法反向驱动数据处理流水线的动态优化。

技术实现思路

1、本发明的目的是提供一种在线教育多源数据实时分析调度方法，解决上述技术问题。

2、为实现上述目的，本发明提供了一种在线教育多源数据实时分析调度方法，包括以下步骤：

3、s1、多源教育数据时空分块与统一编码：将接入的多源异构教育数据按固定时间窗口切分为数据块，并对各模态数据提取初级特征后标注任务标识符、条件掩码和位置类型，形成统一编码的数据块序列；

4、s2、基于置信度评估的分层特征提取与多模态融合：对统一编码数据块依次进行浅层基础特征提取和深层跨模态注意力加权融合，并基于数据质量、模态完整度和时序稳定性计算每个数据块的分析置信度，以置信度阈值为门控将数据块分流为高置信度实时流和低置信度延迟流，低置信度块经邻居投票修正后判断修正后置信度是否达标，达标则转入实时流；

5、s3、基于多智能体与条件掩码的实时任务动态调度：构建学情分析、行为识别、情感分析、注意力评估四个专用分析智能体，根据任务的条件依赖向量与数据块条件掩码的匹配度、学情状态转移矩阵驱动的动态优先级以及多目标优化策略，将分析任务自适应调度到可用计算节点并行执行；

6、s4、学情状态量化输出与自适应反馈调控：采用双重深度q网络（ddqn，dual deepq-network）对各智能体分析结果进行多维度学情状态量化，输出包含专注度、情感倾向、交互质量和视听注意力资源分配的联合学情指标，并将量化结果通过闭环反馈链路反向调整s1的分块参数和s3的调度策略。

7、优选的，s1中多源教育数据包括学习行为日志模态、音视频流模态、眼动与生理信号模态、文本反馈模态和交互通信模态共五类；时空分块采用固定时间窗口和相邻块重叠比例的滑动窗口机制；统一编码为每个模态特征附加任务标识符、条件掩码和位置类型，其中，为数据块编号，为模态序号，且，条件掩码通过数据完整性校验自动生成，标识该模态数据是否完整可用。

8、优选的，s2中深层跨模态注意力加权融合具体包括：

9、首先计算各模态的质量评分：

10、；

11、其中，为信噪比，为缺失率，为时序连续度，、、为质量评分权重，且++=1；

12、然后对质量评分进行softmax归一化得到融合权重；

13、最终融合特征为：

14、；

15、其中，为第个数据块第类模态的浅层提取特征经基础变换后的单模态深层特征。

16、优选的，s2中分析置信度计算公式为：

17、；

18、其中，为分析置信度得分，为数据质量综合指标，为模态完整度，即有效模态数占总模态数的比例，为时序稳定性，、、为分析置信度权重，且++=1；

19、置信度门控设定阈值，的高置信度块直接进入实时流水线，的低置信度块转入延迟队列；

20、邻居投票修正公式为：

21、；

22、其中，为修正后的分析置信度得分，为前后各个相邻数据块构成的邻居集合，为预设邻居窗口超参数，为邻居块总数量，为投票权重；

23、若修正后置信度，该数据块进入实时流。

24、优选的，s3中四个专用分析智能体均采用推理-行动-观察范式执行任务；每个分析任务用条件依赖向量描述对输入模态的条件依赖，调度时计算条件匹配度：

25、；

26、其中，为第个经s1编码后的完整多模态数据块，∈{0,1}，=1代表任务需要第类模态，=0代表无需该模态；

27、当匹配度不低于阈值时，将数据块分配给对应任务，避免任务调度到不具备所需模态的计算节点。

28、优选的，s3中学情状态空间包含高专注正常学习、中专注被动学习、低专注需干预、异常行为需告警四种状态，状态转移概率由状态转移矩阵描述；矩阵在运行中根据实时检测到的注意力骤降特征、交互激增特征和异常行为特征动态调整对应元素并逐行归一化；任务动态调度优先级计算公式为：

29、；

30、其中，为任务基础优先级，为当前状态向目标状态的转移概率，为当前学情状态，为待干预目标学情状态，为数据置信度，、、为调度权重，且++=1，按优先级从高到低调度任务。

31、优选的，s3中多目标优化调度的目标函数为：

32、；

33、其中，为平均处理时延，为平均资源消耗，为平均分析准确率，、、为多目标优化调度的权重，++=1；

34、约束条件为实时任务处理时延且计算资源利用率，当时延接近上限时临时提高权重，当资源利用率接近上限时提高权重。

35、优选的，s4中ddqn将学情量化建模为马尔可夫决策过程，以深层融合特征和各智能体中间结果拼接为状态，以专注度、情感倾向、交互质量三维度的联合离散取值为动作；奖励函数为：

36、；

37、其中，为指示函数，为模型预测学情标签，为真实学情标签，为正确预测奖励系数，为错误预测惩罚系数，为动作置信度；

38、采用经验回放机制训练，损失函数包含时序差分误差和回合级约束项。

39、优选的，s4中视听注意力资源分配分解采用前向编码模型与方差划分技术，将总注意力分离为视觉注意力贡献vac、听觉注意力贡献aac和共享视听注意力贡献sac三个正交成分，三者满足：

40、；

41、低置信度结果标注为待确认，并附带置信度数值，学情状态为低专注或异常时触发实时告警。

42、优选的，s4中闭环反馈调控包含两条链路：反馈链路一根据低置信度块比例动态调整s1的时间窗口、重叠比例和置信度阈值；反馈链路二将学情状态实时更新到s3的状态转移矩阵，并根据各智能体准确率统计动态调整任务基础优先级和调度权重、、，形成闭环自适应优化。

43、因此，本发明采用上述一种在线教育多源数据实时分析调度方法，具有的有益效果为：

44、1、本发明在数据接入层引入时空分块与统一编码机制，将异构多源数据按固定时间窗口切分为数据块并编码为携带任务标识符、条件掩码和位置类型的统一特征token序列，同时在特征层引入分析置信度评估与阈值判定机制，对高置信度数据块直接进入实时分析流水线，对低置信度数据块转入延迟队列并通过邻居投票修正后再处理，从而在保证关键数据实时性的同时，避免低质量数据占用实时计算资源，整体降低高并发时段的处理时延与计算拥塞。

45、2、本发明在特征提取层设计浅层基础特征提取与深层跨模态注意力加权融合的双层结构，各模态融合权重由模态质量评分经softmax归一化后动态确定，低质量模态自动获得较低权重；同时基于数据质量、模态完整度和时序稳定性三维度计算每个数据块的分析置信度，将置信度作为特征融合、任务调度和结果输出的统一质量门控信号，从机制上阻止低置信度结论直接进入教学决策。

46、3、本发明在调度层构建多智能体分析架构（学情分析、行为识别、情感分析、注意力评估四个专用智能体），并引入条件掩码与任务标识符显式描述每个任务对输入模态的条件依赖关系，使调度器仅将任务分配到具备所需模态的计算节点；同时设计基于学情状态转移矩阵的动态优先级调度策略，当实时学情检测到注意力下降或异常行为时，自动提升对应分析任务的调度优先级并迁移计算资源，实现调度策略对课堂状态变化的自适应响应。

47、4、本发明在输出层采用基于ddqn的多维度学情状态量化，输出包含专注度等级、视听注意力资源分配、情感倾向和交互质量的联合学情指标；并将学情量化结果反向反馈至调度层的状态转移矩阵和数据层的分块参数，形成"数据-特征-调度-输出-数据"的闭环优化链路，使系统在运行过程中持续自我调整。

48、5、本发明将数据质量感知、置信度门控、条件依赖调度和闭环反馈融合为一体化架构，四个环节上下层递进、数据与控制信号双向流动，相较于现有各环节独立设计的方案，在相同计算资源下可同时实现更低的关键任务时延、更高的学情分析准确率和更优的资源利用率，达到多技术融合的协同增益效果。

49、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。