[发明专利]基于在线学习全过程的绩效考核的方法

权利要求书

1.一种基于在线学习全过程的绩效考核的方法，其特征在于，该方法包括对在线学习时间、课程讨论、课堂作业和自测考试四个部分的绩效考核；各部分的具体考核方法分别是：

（一）在线学习时间的绩效考核

假设学习者A共有N个资源，当N=0时，他的在线学习时间绩效为0；当N≥1设每个资源的预学习时间分别为S₁,S₂,…,S_N，学习者A对这些资源的实际学习时长分别为T₁,T₂,…,T_N，则A的在线学习时间绩效T的计算方法为：

（1）A的平均在线学习时长为：T‾=T1S1+T2S2+...+TNSNN=Σi=0NTiSiN]]>；

（2）A学习第i个资源与平均值的偏差为：bi=TiSi-T‾T‾]]>

（3）A学习第i个资源的学习绩效为：ei=1bi2+1]]>

（4）A通过学习自己拥有的N个资源得到的在线学习时间绩效总值为：eA=Σi=0Nei]]>

其中，N整数和i是整数，且N≥0，且N≥ i ≥1；

然后通过下列方法将其转化成百分制；

（a）假设所有学习者中在线学习时间绩效总值最高者为学习者B，其在线学习时间绩效总值为e_B；

（b）将该学习者B的在线学习时间绩效定为100，即T_B=100；

（c）A的在线学习时间绩效转成百分制后为TA=eAeB×100]]>；

（二）课程讨论的绩效考核

每门课都有若干课程主题，假设每门课有M个关于课程介绍的小文章，分别为C₁,C₂,…,C_M，M是整数且M≥1；某学习者A该课程共发表N篇博文，N是整数且N≥0；当N=0时，他的课程讨论绩效为0；当N≥1时，设N篇博文分别是B₁,B₂,…,B_N，则学习者A的课程讨论绩效的计算方法如下：

（1）将这M个课程介绍文章及N篇博文进行分词，即将一篇文章分割成一个个的词，这样一篇文章变成了大量词语的列表；然后去除停用词，停用词是指常用的没实际含义的功能词；

（2）将所有分词结果排序整理成词汇列表，假设共有W个词； W是整数且W≥1；

（3）由M个文章及N篇博文的分词结果，分别根据它们在词汇列表中出现的顺序及次数将它们写成向量的形式，共有M+N个向量，且每个向量都有W个元素，若词汇列表中第 w个元素在某个文章或博文中的词汇中出现过m次，则该文章或博文所表示的向量的第w个元素为m；w=1…W，m是整数且m≥0；

（4）分别计算该学习者A的N篇博文与第i（i=1…M）个文章的相似程度，通过计算它们词汇向量的余弦相似度实现，公式为：

sim(x,y)=x→·y→||x||·||y||]]>

其中x，y是两个元素个数相等的向量，通过该公式可知第j（j=1…N）篇博文与第i个文章的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则所有N篇博文的总相似度为，记为b_i；

（5）计算学习者A的N篇博文与M篇课程介绍文章的平均相似度，也就是A的课程讨论绩效，即；

（6）将A的平均相似度转化成百分制的课程讨论绩效，方法如下：

（a）假设所有学习者中平均相似度最高者为学习者B，且其平均相似度为b_B；

（b）将该学习者B的课程讨论绩效定为100，即B_B=100；

（c）A的课程讨论绩效转成百分制后为BA=bAbB×100]]>；

（三）课堂作业的绩效考核

假设一次作业提交过程中共有N个学习者提交了作业，提交内容分别为hw₁,hw₂,…,hw_N，N是整数且N≥1；则其中某学习者A的课堂作业绩效H的计算方法如下：

（1）将这N个学习者的作业进行分词，然后去除停用词；

（2）将所有分词结果排序整理成词汇列表，假设共有W个词，W是整数且W≥1；

（3）将N个作业根据在词汇列表中出现的顺序及次数写成向量的形式，共有N个向量，且每个向量都有W个元素，即若词汇列表第 w（w=1…W）个元素在某作业的词汇中出现过m次，则该作业所表示的向量的第i个元素为m；

（4）分别计算某一学习者A的作业i（i=1…N）与其他所有学习者的作业j（j=1…N，且j≠i）的相似度，也通过计算它们词汇向量的余弦相似度实现，作业i和j之间的相似度为它们各自的词汇向量之间余弦相似度，即sim(j,i)，则他们之间的逆相似度cp(j,i)=1-sim(j,i)，学习者A作业总逆相似度为，记为h_A；

（5）将学习者A的总逆相似度转化成百分制的课堂作业绩效，方法如下：

（a）假设该次作业提交过程中总逆相似度最高者为学习者B，其总逆相似度为h_B

（b）将该学习者B的课堂作业绩效定为100，即H_S=100

（c）A的课堂作业绩效转成百分制后为HA=hAhB×100]]>

（四）自测考试的绩效考核

假设某个自测题共有N道题，学习者A在该次自测中答对了M道题， M是整数且N、M≥0；则其该次自测考试的绩效Q的计算方法为：

Q=MN×100]]>。

2.根据权利要求1所述的方法，其特征在于，该方法还包括：在每一部分绩效考核所占的权重未知的情况下，通过线性回归模型对系统运行过程中产生的数据进行训练得到每一部分所占的权重，进而用这四部分的加权值对系统中学习者进行全过程的学习绩效考核；具体的训练方法为：

假设训练过程中共有N个学习者，N是整数且N≥1；他们的四部分绩效分别为(T_i,B_i,H_i,Q_i),i=1…N，该线性回归模型中输入为N个学习者四部分绩效的成绩，输出为N位学习者的期末考试成绩，则模型权重的训练方法如下：

y=w0+Σj=14wjxj=Σj=04wjxj=wTxi]]>

其中y=(y₁,y₂,…,y_i,…,y_N)^T是一个列向量，每个元素y_i表示第i（i=1…N）位学习者的期末考试成绩，w₀是平衡参数，x_j=(x_1j,x_2j,…,x_ij,…,x_Nj)^T,j=0,1,2,3,4是一个列向量，x_j表示所有学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；x_i=(x_i0,x_i1,x_i2,x_i3,x_i4)^T,i=1…N也是一个列向量，其中x_i0=1,x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；w=(w₀,w₁,w₂,w₃,w₄)^T，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重；矩阵X为：

X=1x11x12x13x141x21x22x23x24..........1xN1xN2xN3xN4]]>

它的第i行代表学习者i的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效，而第i行的每个元素x_i1,x_i2,x_i3,x_i4分别表示第i位学习者的在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效；通过最大似然估计法求得权重向量

w_ml=(X^TX)^-1X^Ty；

将N位学习者的四部分绩效及期末考试成绩用上述的权重训练方法进行训练，记训练得到的权重向量为w_ml=(w₀,w₁,w₂,w₃,w₄)，其中w₀是线性回归模型的平衡参数，w₁,w₂,w₃,w₄分别是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重，最后将权值做归一化处理，即：

wi*=wiw1+w2+w3+w4,i=1,2,3,4]]>，

最终即为归一化之后的权重，该权重即是在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重；

得到w₀及在线学习时间绩效、课程讨论绩效、课堂作业绩效及自测考试绩效的权重w₁,w₂,w₃,w₄之后，便用来计算某一学习者全过程的学习绩效；假设该学习者四部分绩效分别为T，B，H和Q，则该学习者全过程的绩效Y的计算公式如下：

Y=w₀+w₁×T+w₂×B+w₃×H+w₄×Q。