[发明专利]一种数据驱动的大学生个性化学习行为预测与干预方法

说明书

本发明公开了一种数据驱动的大学生个性化学习行为预测与干预方法，包括：采集大学生日常校园活动数据，形成反应大学生日常学习行为过程的标准数据集，通过时空图神经网络模型，以自适应学习方法获取日常学习行为习惯；应用习惯模型进行日常学习行为预测，建立习惯与学习行为活动的参数关系；开展持续性的日常学习活动行为监测，根据数据实测与模型预测结果，构建多元回归分析模型，优化习惯模型；设置习惯关联行为强度阈值，构建三级行为干预模式，通过数据实测与回归分析干预过程，形成数据驱动的持续性回归干预机制。本发明通过量化干预行为参数，实现数据驱动的精准干预，持续确保干预能有效地、更好地帮助学生养成良好学习习惯。

技术领域

本发明属于教育技术学与计算机科学、地理信息科学的交叉技术领域，具体涉及一种数据驱动的大学生个性化学习行为预测与干预方法。

背景技术

自古以来，不论是国内还是国外，教育家们对于习惯的重要性有着统一的认识，习惯对人极为重要，心理学家威廉·詹姆斯提出过关于行为习惯的可塑性理论，即学习习惯是一个可以慢慢形成的过程，并且最终会形成一个平衡稳定的状态。养成与干预是在心理学和教育学有关理论指导下，对个体或群体的问题行为施加策略性影响，使之发生指向预期目标的变化。因而，对良好习惯的养成，实质是一个行为的变化过程。

教育信息化基础设施建设的不断完善，为采集大学生校园生活的大数据奠定了基础，进而为全面认识大学生行为习惯特点、全面发挥习惯作用提供了可能性。现有对大学生行为习惯干预的研究多采用针对习惯行为的分类干预，通过特定的模型来设置干预的内容与实施策略，但现有干预方法缺少一种对行为量化表达及其干预后，习惯变化的回归与分析过程，进而无法实现对大学生行为习惯的持续干预，难以有效改变大学生的不良学习生活习惯。

因此研究一种习惯变化所发生行为的干预方法是十分必要的，不仅需要对大学生所产生的日常学习行为习惯数据进行实时采集，还需要对不同强度的学习行为习惯采取数据驱动下的持续性干预，持续确保干预能有效更好的帮助学生养成良好学习习惯。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种数据驱动的大学生个性化学习行为预测与干预方法。本发明技术方案的方法，针对现有行为习惯干预方法与策略缺少行为量化表达并缺乏对行为持续性干预的现象，量化干预行为参数，设计多阶段监测、预测，构建干预后的回归分析方法，实现数据驱动的精准干预，持续确保干预能有效地、更好地帮助学生养成良好学习习惯。

为实现上述目的，本发明提供了如下方案：本发明提供一种数据驱动的大学生个性化学习行为预测与干预方法，其特征在于，包括如下步骤：

采集大学生的各种校园活动数据并进行预处理，进而形成标准数据集，应用时空图神经网络模型对所述标准数据集进行处理，生成日常学习行为习惯；

根据所述日常学习行为习惯，构建习惯模型，并建立习惯与学习行为活动的参数关系；

开展持续性的日常学习行为变化监测并对大学生日常学习行为进行习惯模型预测，根据监测结果及预测结果，构建多元回归分析模型，对所述习惯模型进行优化；

基于所述多元回归分析模型，设置习惯关联行为强度阈值，构建三级行为干预模式，进行整体到局部的分层干预，通过所述多元回归模型对干预后的学习行为的实测数据进行回归分析，形成数据驱动的持续性回归干预机制。

优选地，所述标准数据集的获取方法为，通过对不同来源数据进行不同的预处理，得到大学生外显行为活动参数数据，将处理后的数据存储于非关系型数据库中，进而形成标准数据集。

优选地，所述时空图神经网络模型选取校园活动的行为活动要素为输入数据，将每一时刻或每一周期所采集的数据构建一个层次的图网络模型，对校园活动数据进行自动分类，再对分类得到的学习行为构建序列，生成学习行为习惯。

优选地，所述习惯模型以所述学习行为习惯为因变量，以所述校园活动的行为活动要素为自变量，模型表达如下：