【技术实现步骤摘要】
本专利技术涉及教学管理技术，尤其涉及一种基于多元行为数据的云端教学质量评价方法及系统。
技术介绍
1、随着在线教育和云计算技术的发展，云端教学模式日益普及。教学质量评价是保障云端教学效果的重要手段，传统的教学质量评价主要依赖于学生的考试成绩和教师的主观评价，难以全面反映云端教学过程的多元性和复杂性。因此，亟需一种能够综合利用多源行为数据，客观量化云端教学质量的评价方法和系统。
2、现有的教学质量评价大多采用单一维度的评价指标，如考试成绩、学生满意度等，难以全面衡量云端教学的多元质量要素。同时，现有技术侧重于事后的总结性评价，缺乏对云端教学过程的实时监测和反馈改进机制。
3、因此，现有技术尚未提供一种适用于云端教学场景的、能够综合利用多元行为数据进行全方位质量评价与反馈优化的技术方案。针对上述技术问题，本专利技术提供了一种基于多元行为数据的云端教学质量评价方法及系统，通过采集教师教学行为数据、学生学习行为数据以及师生互动行为数据等多源异构数据，构建云端教学质量的多维度评价指标体系，实现云端教学全过程的客观化、精细化质量评价与诊断改进，以提升云端教学的整体质量和学习效果。
技术实现思路
1、本专利技术实施例提供一种基于多元行为数据的云端教学质量评价方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供一种基于多元行为数据的云端教学质量评价方法，包括：
4、收集学习者的学习风格数据，利用预先训练的学习
5、基于个性化教学质量评价指标体系，构建多任务学习评价模型，将不同学习风格的评价任务视为子任务模型，通过从云端学习平台收集学习者行为数据和结果数据并进行预处理，得到学习者的学习风格特征，根据学习者的学习风格特征动态调用相应子任务模型，生成个性化教学质量评价结果；
6、基于个性化教学质量评价结果，采用自然语言处理和计算机视觉技术提取学习资源的多维度特征，所诉多维度特征包括文本特征、图像特征和视频内容特征，采用本体建模方法对提取的学习资源的多维度特征进行语义化表示，形成由资源节点及其语义关联边构成的学习资源知识图谱；同时获取学习者的学习行为数据和个性化学习需求数据，构建学习者个性化学习特征画像，将教学方案设计优化任务建模为马尔可夫决策过程，通过求解所述马尔可夫决策过程生成最优的个性化学习资源推荐序列、个性化学习活动生成序列和个性化学习策略优化序列，将所生成的个性化学习资源推荐序列映射到构建的学习资源知识图谱中进行语义关联，筛选出最优个性化学习路径，基于最优个性化学习路径自动匹配教学方案，并将个性化教学质量评估结果与教学方案进行关联分析，为教师提供个性化教学方案设计优化建议。
7、在一种可选的实施例中，
8、收集学习者的学习风格数据，利用预先训练的学习风格分类模型对学习者进行学习风格分类包括：
9、收集学习者的多维度属性数据，利用编码方法将属性数据转换为向量表示，构建学习者属性特征节点；收集学习者在学习平台上的行为日志数据，利用时间序列建模方法对行为日志数据进行建模，提取行为特征向量，构建学习者行为特征节点；收集学习者在社交平台上的互动数据，利用社交网络分析方法对互动数据进行挖掘和表示学习，提取社交特征向量，构建学习者社交特征节点；
10、构建包含学习者属性特征节点、行为特征节点、社交特征节点以及学习资源节点的学习者学习风格图；
11、基于学习者学习风格图，设计层次化的学习风格分类模型，在底层利用不同的图神经网络模块分别提取学习者属性特征、行为特征和社交特征，并在中层进行特征融合，得到学习风格综合特征，在顶层基于学习风格综合特征对学习风格进行分类；
12、利用学习者学习风格图对学习风格分类模型进行训练，通过训练好的学习风格分类模型对学习者进行学习风格分类。
13、在一种可选的实施例中，
14、利用学习者学习风格图对学习风格分类模型进行训练，通过训练好的学习风格分类模型对学习者进行学习风格分类包括：
15、对学习者学习风格图中的每个节点，通过属性遮挡和行为序列重排的数据增强方法构建正样本对，其中，属性遮挡是将节点的属性特征随机遮挡，行为序列重排是对节点的行为序列进行随机重排；
16、基于聚类算法将各个节点划分为多个聚类，根据节点的连接数和属性特征计算节点之间的相似度，从不同聚类中选取相似度低于预设阈值的其他节点作为负样本节点，与原节点构成负样本对；
17、基于构建的正样本对和负样本对，通过最小化正样本对之间的表示差异和最大化正样本对与负样本对之间的表示差异，得到训练好的学习风格分类模型；
18、将学习者学习风格图输入训练好的学习风格分类模型中，通过前向传播获取每个学习者节点的学习风格表示向量；
19、根据学习者节点的学习风格表示向量，采用分类算法对其进行分类，得到每个学习者的学习风格类别。
20、在一种可选的实施例中，
21、基于所述个性化教学质量评价指标体系，构建多任务学习评价模型，将不同学习风格的评价任务视为子任务模型，通过从云端学习平台收集学习者行为数据和结果数据并进行预处理，得到学习者的学习风格特征，根据学习者的学习风格特征动态调用相应子任务模型，生成个性化教学质量评价结果包括：
22、基于个性化教学质量评价指标体系，构建多任务学习评价模型，所述多任务学习评价模型包括数据预处理模块、学习风格识别模块、共享网络层、任务特定层、动态路由机制和多任务学习优化器，其中，将学习效果预测、学习体验评估和学习投入分析作为子任务模型；
23、通过数据预处理模块，从云端学习平台收集学习者的行为数据和学习结果数据，并进行清洗、集成和标准化，形成规范化的学习日志和学习档案；通过学习风格识别模块，基于得到的规范化的学习日志和学习档案，采用机器学习方法自动识别学习者的学习风格特征，将所述学习风格特征映射到相应的学习风格类型；使用深度神经网络构建共享网络层，基于学习日志、学习档案和学习风格类型，学习不同子任务模型的共性特征表示；
24、针对不同子任务模型，设计对应的任务特定层，在共性特征表示的基础上学习每个子任务模型的特征模式，并基于每个子任务模型对应的损失函数优化其目标函数，根据学习者的学习风格类型，通过动态路由机制为每个学习者动态选择最佳匹配的子任务模型组合；
25、在多任务学习优化器中，基于不同子任务模型对应的损失函数构建综合损失函数，并通过梯度裁剪方法优化综合损失函数，得到训练好的多任务学习评价模型；
26、将训练好的多任务学习评价模型部署到云端学习平台，获取学习者实时产生的行为数据和学习结果数据，调用与学习者学习风格类型匹配的子任务模型组合，动态生成本文档来自技高网...
【技术保护点】
1.一种基于多元行为数据的云端教学质量评价方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，收集学习者的学习风格数据，利用预先训练的学习风格分类模型对学习者进行学习风格分类包括：
3.根据权利要求2所述的方法，其特征在于，利用学习者学习风格图对学习风格分类模型进行训练，通过训练好的学习风格分类模型对学习者进行学习风格分类包括：
4.根据权利要求1所述的方法，其特征在于，基于所述个性化教学质量评价指标体系，构建多任务学习评价模型，将不同学习风格的评价任务视为子任务模型，通过从云端学习平台收集学习者行为数据和结果数据并进行预处理，得到学习者的学习风格特征，根据学习者的学习风格特征动态调用相应子任务模型，生成个性化教学质量评价结果包括：
5.根据权利要求4所述的方法，其特征在于，基于不同子任务模型对应的损失函数构建综合损失函数的计算公式如下：
6.根据权利要求1所述的方法，其特征在于，通过求解所述马尔可夫决策过程生成最优的个性化学习资源推荐序列、个性化学习活动生成序列和个性化学习策略优化序列包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。