一种在线教育平台的制作方法

1.本发明涉及在线教育领域，特别是涉及一种在线教育平台。


背景技术：

2.在线教育平台即在线培训系统是实施在线培训，在线教育的工具软件，一个运用网络技术与软件技术，可以定制和扩展的远程网上教育学院。它通过简单易用的课件、试题导入和制作功能帮助行业或企业快速组建自己专有的知识库体系，并提供培训需求调查、培训目标设定、课程体系设计、培训计划管理、培训过程监控及考核评估等功能帮助客户高效地实施员工培训和考核任务。
3.传统的在线教育平台具有账号管理、视频直播、视频回放、课件上传、试题导入、在线考试等传统功能。但是，传统的在线教育系统相对僵化，功能不够完全，不能满足在线教育需求。例如在进行在线考试时，不能进行反作弊检测和预警，不能针对学生综合能力推荐个性化学习方案、课后练习等。


技术实现要素：

4.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种在线教育平台，用于解决现有技术中在线教育平台相对僵化，功能单一，不能满足在线教育需求的问题。
5.本发明提供一种在线教育平台，所述在线教育平台包括反作弊检测系统和个性化学习推荐系统；
6.所述反作弊检测系统包括考试数据获取模块和反作弊检测模块；
7.所述考试数据获取模块使用elk分析工具实时获取学生考试的日志文件，并且提取学生考试行为数据；
8.所述反作弊检测模块将学生考试行为数据输入反作弊机器模型进行识别，检测是否存在作弊行为；
9.所述个性化学习推荐系统包括学习数据获取模块和学习推荐模块；
10.所述学习数据获取模块使用elk分析工具实时获取学生学习的日志文件，并且提取学生学习数据；
11.所述学习推荐模块对学生学习数据进行多维特征计算，获取个性化的学习推荐。
12.本发明通过采集学生在线学习的考试行为数据，并且将行为数据输入预先训练的反作弊机器模型进行识别，通过反作弊机器模型可以检测是否存在作弊行为；同时通过获取学生的学习数据，并且基于学习特征进行多维特征计算，得到学生与候选推荐习题之间的整体相关度，对所有候选推荐习题的整体相关度进行排名，输出个性化的学习推荐；既能实现反作弊检测和预警，同时能够根据学生综合能力推荐个性化学习方案，能够满足在线教育需求。
13.于本发明的一实施例中，所述反作弊机器模型在进行识别前，需要进行反作弊机器模型训练，所述反作弊机器模型训练流程为：
14.s1.1：获取学生历史考试数据，并且对历史考试数据进行特征处理，得到历史数据中的异常行为数据；
15.s1.2：根据特征处理的历史数据建立知识库，并且建立机器学习模型；
16.s1.3：将知识库中的异常行为数据和异常标签输入机器学习模块进行模型训练，计算异常行为数据的数量，如果异常行为数据的数量超过预设阀值，则输出异常作弊预警信号。
17.于本发明的一实施例中，所述学习推荐模块的工作流程为：
18.s2.1：获取学生历史学习数据，并且对历史学习数据进行特征处理，得到历史学习特征；
19.s2.2：根据习题与习题之间的知识相关度构建一个习题相关网络；
20.其中，所述习题相关网络中，一个节点表示一个习题，节点之间的连线表示习题与习题之间的关联性，连线的权重表示习题与习题之间知识相关度的高低，并且利用余弦相似度算法计算知识相关度；
21.s2.3：通过多维特征算法，将三个维度的因素进行线性综合，得到学生与候选推荐习题之间的整体相关度，对所有候选推荐习题的整体相关度进行排名，输出个性化的学习推荐。
22.发明的一实施例中，所述在线教育平台还包括教师管理系统；所述教师管理系统包括教师管理模块、教学管理模块以及习题管理模块；
23.所述教师管理模块用于教师账号信息管理、账号密码信息管理以及账号登录信息管理；
24.所述教学管理模块用于课程内容清单上传、在线视频播放、视频观看报表生成以及课程章节测评管理；
25.所述习题管理模块用于课后习题内容清单上传和课后习题上传。
26.发明的一实施例中，所述教学管理模块包括课程内容清单、在线视频播放器、视频观看报表单元、章节评测单元以及章节评测报表单元；
27.所述课程内容清单提供课程标题、章、节名称，并且提供各章、节名称到对应课程直播视频文件和录制视频文件的播放链接；
28.所述在线视频播放器根据学生的播放请求，播放对应章、节课程直播视频文件和录制视频文件；
29.所述视频观看报表单元监听学生播放各章、节课程直播视频文件和录制视频文件的播放时长，并且统计生成可视化报表；
30.所述章节评测单元监听学生播放各章、节课程直播视频文件和录制视频文件的播放情况，并且在每一章、节课程直播视频文件和录制视频文件播放完成后，以对话框的形式弹出该节课程对应的评测试题，供学生输入答案；
31.所述章节评测报表单元根据学生输入答案，统计答案正确率，并且生成可视化报表。
32.发明的一实施例中，所述在线教育平台还包括学生管理系统，所述学生管理系统包括学生管理模块、课程管理模块以及习题模块；
33.所述学生管理模块用于学生账号信息管理、账号密码信息管理以及账号登录信息
管理；
34.所述课程管理模块用于课程时间提醒、课程章节笔记存储以及课程章节测评结果存储；
35.所述习题模块用于课后习题内容清单获取、课后习题获取。
36.如上所述，本发明的一种在线教育平台，具有以下有益效果：本发明通过采集学生在线学习的考试行为数据，并且将行为数据输入预先训练的反作弊机器模型进行识别，通过反作弊机器模型可以检测是否存在作弊行为；同时通过获取学生的学习数据，基于学习特征进行多维特征计算，得到学生与候选推荐习题之间的整体相关度，对所有候选推荐习题的整体相关度进行排名，输出个性化的学习推荐；既能实现反作弊检测和预警，同时能够根据学生综合能力推荐个性化学习方案，能够满足在线教育需求。
附图说明
37.图1显示为本发明实施例中公开的在线教育平台的结构框图。
38.图2显示为本发明实施例中公开的教师管理系统的结构框图。
39.图3显示为本发明实施例中公开的学生管理系统的结构框图。
40.图4显示为本发明实施例中公开的反作弊检测系统的结构框图。
41.图5显示为本发明实施例中公开的反作弊机器模型训练流程图。
42.图6显示为本发明实施例中公开的个性化学习推荐系统的结构框图。
43.图7显示为本发明实施例中公开的学习推荐模块的工作流程图。
具体实施方式
44.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
45.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
46.请参阅图1，本发明提供一种在线教育平台，所述在线教育平台包括教师管理系统、学生管理系统、反作弊检测系统以及个性化学习推荐系统。
47.请参阅图2，所述教师管理系统包括教师管理模块、教学管理模块以及习题管理模块；
48.所述教师管理模块用于教师账号信息管理、账号密码信息管理以及账号登录信息管理；
49.所述教学管理模块用于课程内容清单上传、在线视频播放、视频观看报表生成以及课程章节测评管理；
50.其中，所述教学管理模块包括课程内容清单、在线视频播放器、视频观看报表单
元、章节评测单元以及章节评测报表单元；
51.所述课程内容清单提供课程标题、章、节名称，并且提供各章、节名称到对应课程直播视频文件和录制视频文件的播放链接；
52.所述在线视频播放器根据学生的播放请求，播放对应章、节课程直播视频文件和录制视频文件；
53.所述视频观看报表单元监听学生播放各章、节课程直播视频文件和录制视频文件的播放时长，并且统计生成可视化报表；
54.所述章节评测单元监听学生播放各章、节课程直播视频文件和录制视频文件的播放情况，并且在每一章、节课程直播视频文件和录制视频文件播放完成后，以对话框的形式弹出该节课程对应的评测试题，供学生输入答案；
55.所述章节评测报表单元根据学生输入答案，统计答案正确率，并且生成可视化报表。
56.所述习题管理模块用于课后习题内容清单上传和课后习题上传。
57.请参阅图3，所述学生管理系统包括学生管理模块、课程管理模块以及习题模块；
58.所述学生管理模块用于学生账号信息管理、账号密码信息管理以及账号登录信息管理；
59.所述课程管理模块用于课程时间提醒、课程章节笔记存储以及课程章节测评结果存储；
60.所述习题模块用于课后习题内容清单获取、课后习题获取。
61.请参阅图4，所述反作弊检测系统包括考试数据获取模块和反作弊检测模块；
62.所述考试数据获取模块使用elk分析工具实时获取学生考试的日志文件，并且提取学生考试行为数据；
63.其中，所述日志文件用于存储学生的考试视频图像、章节测试以及考试的操作而产生不间断更新的数据；从日志文件中能够清楚准确的提取到考生的历史的学习行为数据以及当前的实时在线行为数据，便于后续对考生的考试行为进行综合预估和异常检测，提高了反作弊检测的准确性和及时性。
64.所述反作弊检测模块将学生考试行为数据输入反作弊机器模型进行识别，检测是否存在作弊行为；
65.请参阅图5，反作弊机器模型在进行识别前，需要进行反作弊机器模型训练，所述反作弊机器模型训练流程为：
66.s1.1：获取学生历史考试数据，并且对历史考试数据进行特征处理，得到历史数据中的异常行为数据；
67.s1.2：根据特征处理的历史数据建立知识库，并且建立机器学习模型；
68.s1.3：将知识库中的异常行为数据和异常标签输入机器学习模块进行模型训练，计算异常行为数据的数量，如果异常行为数据的数量超过预设阀值，则输出异常作弊预警信号。
69.请参阅图6，所述个性化学习推荐系统包括学习数据获取模块和学习推荐模块；
70.所述学习数据获取模块使用elk分析工具实时获取学生学习的日志文件，并且提取学生学习数据；
71.所述学习推荐模块对学生学习数据和候选推荐习题进行多维特征计算，获取个性化学习推荐。
72.请参阅图7，所述学习推荐模块的工作流程为：
73.s2.1：获取学生历史学习数据，并且对历史学习数据进行特征处理，得到历史学习特征；
74.s2.2：根据习题与习题之间的知识相关度构建一个习题相关网络；
75.其中，所述习题相关网络中，一个节点表示一个习题，节点之间的连线表示习题与习题之间的关联性，连线的权重表示习题与习题之间知识相关度的高低，并且利用余弦相似度算法计算知识相关度；
76.s2.3：通过多维特征算法，将三个维度的因素进行线性综合，得到学生与候选推荐习题之间的整体相关度，对所有候选推荐习题的整体相关度进行排名，输出性化的学习推荐。
77.学生l与候选推荐习题s之间的整体相关度cor(l,s)的公式如下：cor(l,s)＝a*nor(pop(s)) b*nor(ls(s)) c*nor(kr(l,s))其中，nor(x)＝x/max(x)，表示对某一维度进行归一化；对三个维度的值进行归一化处理，然后加权求和，通过反馈结果调整参数，使参数达到最优；最后对所有候选推荐习题进行排名，将最优的候选习题推荐给学生。
78.综上所述，本发明通过采集学生在线学习的考试行为数据，并且将行为数据输入预先训练的反作弊机器模型进行识别，通过反作弊机器模型可以检测是否存在作弊行为；同时通过获取学生的学习数据，并且基于学习特征进行多维特征计算，得到学生与候选推荐习题之间的整体相关度，对所有候选推荐习题的整体相关度进行排名，输出个性化的学习推荐；既能实现反作弊检测和预警，同时能够根据学生综合能力推荐个性化学习方案，能够满足在线教育需求。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
79.上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。