CN112686462A - 基于学生画像的异常检测方法、装置、设备及存储介质 - Google Patents
基于学生画像的异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112686462A CN112686462A CN202110012757.2A CN202110012757A CN112686462A CN 112686462 A CN112686462 A CN 112686462A CN 202110012757 A CN202110012757 A CN 202110012757A CN 112686462 A CN112686462 A CN 112686462A
- Authority
- CN
- China
- Prior art keywords
- student
- portrait
- portraits
- analyzing
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000005856 abnormality Effects 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007786 learning performance Effects 0.000 abstract description 15
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于学生画像的异常检测方法、装置、设备及存储介质，方法步骤包括：构建多个学生画像，以分析单个学生画像与其他学生画像的偏离程度；所述学生画像包括至少两个学习评估维度，所述分析单个学生画像与其他学生画像的偏离程度具体包括：分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。本发明的方法以学生集体的学习表现检测其中单个学生的异常情况，不依赖外部的主观标准，更准确客观地评估学生的学习表现，综合评估每个学生的学习表现，检测出异常学生的同时提供其异常的原因，可助老师作出针对性的施教，亦有助于学生本身了解自身不足作出相应的改进。
Description
技术领域
本发明涉及数字化教育领域，更具体地，涉及基于学生画像的异常检测方法、装置、设备及存储介质。
背景技术
随着在线教育的发展，越来越多人通过在线***进行学习。相比于线下教育，线上教育可以便捷地采集大量的数据，包括学生在学习过程中的交互行为、学习结果等，可以完整地记录学生的学习过程。但由于老师数量有限，精力有限，再加上数据的复杂性，线上学习的监控问题一直是一个备受关注的点。只有合理地监管学生在线上的表现，在有异常情况发生时及时对学生进行提醒或干预，让学生及时调整自己的行为，才能让线上教育发挥更大的价值，让学生得到更多的进步。
当前监测学生学习行为或表现的方法主要三类。第一类是通过可穿戴设备或摄像头监控学生的生理指标或微表情，以得到学生当前的专注度、情绪波动或姿势是否正确，这种方式能精细地监测到学生的外在表现或心理波动，但没有直接关联到学生的学习行为和学习效果，而且这种生理表现与学习效果的关系还有待进一步的证明研究。第二类是直接对学生的学习成绩进行预测，例如预测本学期各科的得分情况，对于预测为低分的学科加强辅导或练习，这种方式是根据学习效果反过来推进学习过程的改善，但无法得知是学习过程中的哪一个环节出现了问题，无法给出针对性的指导意见。第三类是直接构建学习指标，如学习时长、完课率，再根据阈值筛选出表现异常的学生，调整其学习安排，但这种方式只能对单维度的指标进行评估，无法有效发现多维度指标综合异常的学生，且没有对于未来时刻可能发生异常的学生的预警。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供基于学生画像的异常检测方法、装置、设备及存储介质，用于客观、全面地评估学生的学习表现并作出异常检测。
本发明采取的技术方案为：
一种基于学生画像的异常检测方法，所述方法包括：构建多个学生画像，以分析单个学生画像与其他学生画像的偏离程度；所述学生画像包括至少两个学习评估维度，所述分析单个学生画像与其他学生画像的偏离程度具体包括：分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。
学生画像实质上是向量，即二维数据或多维数据，表征学生在学习上的整体表现，其包含两个或两个以上的维度。在学生进行线上学习时，会产生多个种类的数据，这些数据通常是以数值的形式存在的，如学习时长、习题完成率、答题成绩等，这些数据可用于评估学生的学习表现，而这些数据的种类则可为构建本发明的学生画像的维度，即学习评估维度。学习评估维度众多，表征学生在不同方面的表现。预设学生画像的维度数量，以及每个维度使用的何种评估学习维度；构建某一学生画像时，采集该学生在构成学生画像的维度上的数据，形成该学生的学生画像；重复此方式构建多个学生画像。构建完成后，检测学习表现异常的学生不依赖外部给出的评判标准，而是以学生集体的表现情况评判，对比单个学生是否与其他学生的表现接近或吻合，即通过学生画像的集合判断其中单个学生画像是否异常，单个学生画像与整体学生画像偏离程度越大，该单个学生画像的异常程度越大，具体通过对比单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布，从多个维度评估分析该学生画像与整体学生画像的相似性；所述数值大小分布包括学生画像在单个维度上的数值大小，和在维度组上的向量方向及大小；维度组可包含两个或两个以上的维度，且可从构成学生画像的多个学习评估维度中任意选择；通过数值大小分布可分析单个学生画像不同方面的异常，从而更全面的检测每个学生的异常程度，并从中得知学生异常的具体表现，由上述可见，学生画像包含的维度数量越多，异常检测越全面，高维的学生画像包含低维学生画像的信息。
由背景技术知，本发明的基于学生画像的异常检测方法区别于现有技术，以学生集体的学习表现检测其中单个学生的异常情况，不依赖外部的主观标准，如老师或教育专家制定的评判标准等，更准确客观地评估学生的学习表现；通过不同数量和种类的维度组合多方面分析，综合评估每个学生的学习表现，检测出异常学生的同时提供其异常的原因、方向，有助于老师作出针对性的施教，亦有助于学生本身了解自身不足作出相应的改进。
进一步，分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，具体包括：根据全部学习评估维度构建分析空间，每个学习评估维度作为分析空间的一个坐标轴；将每个学生画像映射至分析空间；分析单个学生画像与其他学生画像在分析空间中的位置分布情况，得出相似性。
将学生画像映射至分析空间，通过在分析空间的位置体现学生画像的数值大小分布。当预设学生画像包含两个维度时，构建的分析空间为平面，当预设学生画像包含三个维度时，构建的分析空间为立体，以此类推。一个维度为分析空间的一个坐标轴，单个学生画像根据每个维度上的数值大小映射至分析空间，成为分析空间中确定的点或向量，通过分析单个映射点与其他映射点的位置差异，可得出单个学生画像与其他学生画像的相似性。由上述可见，构建学生画像时包含的维度越多，分析空间的空间维度也越大，对学生画像的检测也越全面，如分析空间为三维立体时，分析空间的每两个坐标轴组成一个平面，可进行映射点在三条线、六个平面和一个立体的位置分布的分析，得出学生画像在单个维度和不同维度组上存在的异常。当构建学生画像使用的维度超过三个时，分析空间为高维时空，可引入孤立森林算法和LOF算法等无监督异常检测算法进行分析，通过将全部学生画像输入算法中，完成单个学生画像与其他学生画像在高维时空的分析空间的位置分布差异，得出相似性，以孤立森林算法为例，将全部学生画像输入算法中后，可得到每个学生的异常分值，异常分值存在范围，接近范围的下限表示相似性越高。
进一步，分析单个学生画像与其他学生画像在分析空间中的位置分布情况，得出相似性，具体包括：计算单个学生画像的邻近学生画像的数量，数量越小，相似性越低；所述邻近学生画像的定义为：在分析空间中，分布于单个学生画像预设距离范围内的学生画像为邻近学生画像。
通过计算单个学生画像的映射点在分析空间中附近的其他映射点数量，即该映射点所在的位置的映射点分布密度，可评估该映射点与其他映射点的相似性，分布密度越高，表征着该学生画像与更多的学生画像相近，相似性较高，异常程度越低。分布密度是学生画像在分析空间中的位置分布情况所包含的信息之一，分析单个学生画像所在分析空间位置的分布密度，可简单直观评估该学生画像与其他学生画像的相似性。
进一步，构建多个学生画像后，还包括：对全部学生画像进行归一化处理。
构成学生画像维度的学习评估维度当中，可能存在不同的量纲或不同的量纲单位，变化区间处在不同的数量级，若不进行归一化处理，对后续对分析单个学生画像的偏离程度有影响。而在使用分析空间进行分析的实施方式中，归一化处理提高分析空间的收敛速度，使分析单个学生画像的相似性时更容易得到最优解。
进一步，所述的基于学生画像的异常检测方法还包括：将学生画像输入时间序列模型，得到预测学生画像，以分析单个预测学生画像与其他预测学生画像的偏离程度。
本发明的基于学生画像的异常检测方法不仅能发现当前已经存在异常的学生，还能够发现未来潜在异常的学生，以便提前进行预警，具体做法为：将学生画像输入至训练好的时间序列模型，时间序列模型可根据时序特征得到预测学生画像，可使用LSTM模型、ARIMA模型、RNN模型等。
本发明采用的技术方案还为：
一种基于学生画像的异常检测装置，所述装置包括：学生画像构建模块，用于构建多个学生画像；所述学生画像包括多个预设的学习评估维度；异常学生检测模块，用于分析单个学生画像与其他学生画像的偏离程度；所述分析单个学生画像与其他学生画像的偏离程度具体包括：分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。
学生画像构建模块可选定时间范围获取数据，例如一个月内或一个星期内，综合此时间段内的数据表现形成表征单个学生在此时间内的整体学习表现的学生画像，亦可选定需要构建学生画像的学生范围，可以是数据库的全部学生、一个年级的学生或一个班级的学生等。构建学生画像的规则如上述，预设学生画像包含多少个维度及每个维度采用哪个学习评估维度，预设完成后所有学生的数据都以此为准生成学生画像，即所有学生画像都包含相同的维度数量、相同的维度和相同的维度排序。由于不同班级的学习进度或学习任务具有差别，学生画像构建模块可选定在同一个班级或同一个任课老师所教的班级范围内构建需要进行异常检测的全部学生画像，以使异常学生检测模块进行检测，异常程度表征单个学生在集体中与大部分学生表现不一致的学生，客观地评估学生的学习表现，可参考性更高。
进一步，所述基于学生画像的异常检测装置还包括：异常学生预测模块，用于将学生画像输入时间序列模型，得到预测学生画像，并分析单个预测学生画像与其他预测学生画像的偏离程度。
进一步，所述基于学生画像的异常检测装置还包括：异常学生预测模块，用于将学生画像输入时间序列模型，得到预测学生画像，并分析单个预测学生画像与其他预测学生画像的偏离程度；自动提醒模块，用于根据每个学生画像和/或每个预测学生画像的偏离程度生成报告，并发送所述报告至预设的终端和/或设备。
本发明采用的技术方案还为：
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于学生画像的异常检测方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于学生画像的异常检测方法。
与现有技术相比，本发明的有益效果为：
(1)以学生集体的学习表现检测其中单个学生的异常情况，不依赖外部的主观标准，异常学生在本发明的定义为与大部分学生表现不一致的学生，将不同任教老师、不同任务进度等因素纳入考量范围，得到的结果更客观，更具有实际参考性。
(2)以多维度构建学生画像，通过不同数量和种类的维度组合多方面分析可综合评估每个学生的学习表现，检测出异常学生的同时提供其异常的原因、方向，有助于老师作出针对性的施教，亦有助于学生本身了解自身不足作出相应的改进。
附图说明
图1为本发明的方法整体流程图。
图2为本发明的学习评估维度汇总图。
图3为本发明的使用分析空间的流程图。
图4为本发明的分析映射点分布密度流程图。
图5本发明的得到预测学生画像的方法示意图。
图6为发明的分析结果热力图。
图7为发明的装置结构示意图。
标号说明：学术画像构建模块1；异常学生检测模块2；异常学生预测模块3；自动提醒模块4。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，本实施例提供一种基于学生画像的异常检测方法，步骤包括：
S1：构建多个学生画像；
预设学生包含维度的数量以及每个维度使用的何种评估学***均间隔时长、未认真完成的作业的比例、自主练***均耗时、非***均耗时、习题任务中断次数、非习题任务中断次数、课堂交互次数、提问次数、笔记次数、错题回顾的比例、错题产生到错题回顾的间隔时间、学习资源回顾次数、作业报告查看次数、重复完成的题目数量、答题正确率、答题准确率的变化值、答题准确率的变化速度、被老师/学生点赞的次数等学习评估维度中选择，以上维度可以从过程到结果对学生进行较全面的评估，计算这些指标所需要的数据包含学生答题记录，资源阅读记录，学生在答题、阅读中的交互行为，师生互动记录、老师布置任务的记录等，可从在线教育***中采集。采集使可选定时间范围，例如一个月内或一个星期内的数据；也可选定学生范围，例如全部学生、一个年级的学生或一个班级的学生等。选定采集的时间和学生范围后，构建的全部学生画像都包含相同的维度数量、相同的维度和相同的维度排序。具体地，本实施例提供的基于学生画像的异常检测方法预设学生画像包括如图2所示的23个维度，构建的每个学生画像维度都为二十三维的向量。
S2：分析单个学生画像与其他学生画像的偏离程度；
构建完成后，检测学习表现异常的学生不依赖外部给出的评判标准，而是以学生集体的表现情况评判，对比单个学生是否与其他学生的表现接近或吻合，即通过学生画像的集合判断其中单个学生画像是否异常，单个学生画像与整体学生画像偏离程度越大，该单个学生画像的异常程度越大，具体通过对比单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布，从多个维度评估分析该学生画像与整体学生画像的相似性；所述数值大小分布包括学生画像在单个维度上的数值大小，和在维度组上的向量方向及大小；维度组可包含两个或两个以上的维度，且可从构成学生画像维度的多个学习评估维度中任意选择。通过数值大小分布可分析单个学生画像不同方面的异常，从而更全面的检测每个学生的异常程度，并从中得知学生异常的具体表现，由上述可见，学生画像包含的维度数量越多，异常检测越全面，高维的学生画像包含低维学生画像的信息。
优选地，本实施例提供的基于学生画像的异常检测方法通过将学生画像的学习评估维度的数值大小分布转化成空间上的位置分布，如图3所示，S2所述的分析单个学生画像与其他学生画像的偏离程度具体步骤包括：
S21：构建分析空间；
S22：将每个学生画像映射至分析空间；
S23：分析单个学生画像与他学生画像在分析空间中的位置分布情况；
本实施例提供的基于学生画像的异常检测方法选择孤立森林算法进行分析。将所有学生画像输入孤立森林算法中，算法通过对分析空间中的映射点进行切分，形成二叉树，每一个节点即是一个切分条件，映射点在树中的深度即反应了该映射点与其他映射点的偏离程度，偏离程度越大的映射点越容易切分出来，也就是在树中的深度越小。该算法的输出可以给出每个学生画像的异常分值，范围在[0,1]之间，分指越接近于1表示异常程度越高。同时也能得出每个学生画像出现的异常的维度或维度组，以其中某一学生画像距离解释：单个维度上，以***均耗时和***均耗时和***均耗时和***面上与其他映射点位置差别较大，亦可被孤立森林算法检测出，通过分析看出该学生画像对应的学生完成习题任务的效率较低，存在异常；如此，通过孤立森林算法可对二十三维的学生画像进行单一维度和维度组的异常检测，从多角度检测学生画像的异常。
可选地，在其他实施方式中，通过将学生画像的学习评估维度的数值大小分布转化成空间上的位置分布后，区别本实施例，如图4，S23分析单个学生画像与他学生画像在分析空间中的位置分布情况具体包括：
S231：预设定义邻近学生画像的距离范围；
S232：计算每个映射点的邻近学生画像的数量，得出每个学生画像的异常程度；
通过计算单个学生画像的映射点在分析空间中附近的其他映射点数量，即该映射点所在的位置的映射点分布密度，可评估该映射点与其他映射点的相似性，分布密度越高，表征着该学生画像与更多的学生画像相近，相似性较高，异常程度越低。分布密度是学生画像在分析空间中的位置分布情况所包含的信息之一，分析单个学生画像所在分析空间位置的分布密度，可简单直观评估该学生画像与其他学生画像的相似性。
优选地，本实施例提供的基于学生画像的异常检测方法还对全部学生画像进行归一化处理，随后将归一化后的学生画像输入至孤立森林算法当中，具体归一化过程如下：每个学生画像的每一维度单独使用公式
进行归一化，其中d表示学生画像在该维度的值，dmax和dmin分别表示所有学生画像中在该维度的最大值和最小值，归一化后每一维度的值均处于[0,1]之间。
可选地，本实施例提供的基于学生画像的异常检测方法还包括：将学生画像输入时间序列模型，得到预测学生画像，以分析单个预测学生画像与其他预测学生画像的偏离程度，分析学生画像和分析预测学生画像为两个独立的过程，在完成构建全部的学生画像后可同时将学生画像输入孤立森林算法和时间序列模型，或先完成对学生画像的分析再进生成预测学生画像并对预测学生画像进行分析；其中，训练时间序列模型的方法如图5所示，具体如下：获取学生的历史学生画像，其中一学生t1时刻的历史画像特征为x1＝(a1，a2，...，a23)，则t个时刻的特征序列为(x1，x2，...，xt)，每个学生都有这样的一个特征序列，即构成了训练样本。h1，h2，...，ht为模型隐层，将该学生的历史画像特征输入，得到y1，y2，...，yt，即下一时刻该学生的画像特征，y1是x2的预测值，y2是x3的预测值，依此类推，因此训练的目标可表示为：
其中，M表示训练的样本数量，t表示时序序列的长度，l表示损失函数，可以根据实际情况选择，如负对数似然函数、Huber loss等。训练目标为尽可能的降低Loss。本实施例使用的LSTM模型可考虑多个不同维度之间的交互影响，有较强的非线性的拟合能力，具有良好的预测效果，在实际应用中，还可使用ARIMA、RNN等预测模型作为时间序列模型，另训练模型的方法不作限制，本领域技术人员可使用惯用手段对上述训练时间序列模型的方法进行替换，较优地，训练时间序列模型的样本从集中同一地域内的学生(学生画像)构成，并且样本需要达到一定数量，以使输出的预测学生画像更加准确，符合学生的学习表现。
优选地，本实施例提供的基于学生画像的异常检测方法还包括对学生画像的分析结果生成可视化的展示图表：孤立森林算法得出单个学生画像的每个单一维度的异常分值，根据异常分值形成热力图，如图6示例，颜色越深代表该学生在该维度上的异常程度越大。进一步地，还可将各维度异常程度较高的学生画像对应的学生生成重点关注名单，连同热力图推送至预设的设备或终端，有利于老师清晰且及时地了解学生的学习表现，尽早对存在异常表现的学生进行指导。
基于与上述基于学生画像的异常检测方法相同的思想，本实施例还提供基于学生画像的异常检测装置。
如图7所示，基于学生画像的异常检测装置包括学生画像构建模块1，用于构建多个学生画像；所述学生画像包括多个预设的学习评估维度；异常学生检测模块2，用于分析单个学生画像与其他学生画像的偏离程度；所述分析单个学生画像与其他学生画像的偏离程度具体包括：分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。
学生画像构建模块1可选定时间范围获取数据，例如一个月内或一个星期内，综合此时间段内的数据表现形成表征单个学生在此时间内的整体学习表现的学生画像，亦可选定需要构建学生画像的学生范围，可以是数据库的全部学生、一个年级的学生或一个班级的学生等。构建学生画像的规则如上述，预设学生画像包含多少个维度及每个维度采用哪个学习评估维度，预设完成后所有学生的数据都以此为准生成学生画像，即所有学生画像都包含相同的维度数量、相同的维度和相同的维度排序。由于不同班级的学习进度或学习任务具有差别，学生画像构建模块1可选定在同一个班级或同一个任课老师所教的班级范围内构建需要进行异常检测的全部学生画像，以使异常学生检测模块2进行检测，异常程度表征单个学生在集体中与大部分学生表现不一致的学生，客观地评估学生的学习表现，可参考性更高。
优选地，本实施例提供的基于学生画像的异常检测装置还包括：异常学生预测模块3，用于将学生画像输入时间序列模型，得到预测学生画像，并分析单个预测学生画像与其他预测学生画像的偏离程度。
优选地，本实施例提供的基于学生画像的异常检测装置还包括：自动提醒模块4，用于根据每个学生画像和/或每个预测学生画像的偏离程度生成报告，并发送所述报告至预设的终端和/或设备。报告内容可包括上述的热力图和重点关注名单。
基于与上述基于学生画像的异常检测方法相同的思想，本实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的基于学生画像的异常检测方法。
基于与上述基于学生画像的异常检测方法相同的思想，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于学生画像的异常检测方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于学生画像的异常检测方法，其特征在于，所述方法包括：
构建多个学生画像，以分析单个学生画像与其他学生画像的偏离程度；
所述学生画像包括至少两个学习评估维度，所述分析单个学生画像与其他学生画像的偏离程度具体包括：
分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。
2.根据权利要求1所述的基于学生画像的异常检测方法，其特征在于，分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，具体包括：
根据全部学习评估维度构建分析空间，每个学习评估维度作为分析空间的一个坐标轴；
将每个学生画像映射至分析空间；
分析单个学生画像与其他学生画像在分析空间中的位置分布情况，得出相似性。
3.根据权利要求2所述的基于学生画像的异常检测方法，其特征在于，分析单个学生画像与其他学生画像在分析空间中的位置分布情况，得出相似性，具体包括：
计算单个学生画像的邻近学生画像的数量，数量越小，相似性越低；
所述邻近学生画像的定义为：在分析空间中，分布于单个学生画像预设距离范围内的学生画像为邻近学生画像。
4.根据权利要求1～3任一项所述的基于学生画像的异常检测方法，其特征在于，构建多个学生画像后，还包括：
对全部学生画像进行归一化处理。
5.根据权利要求1所述的基于学生画像的异常检测方法，其特征在于，所述方法还包括：
将学生画像输入时间序列模型，得到预测学生画像，以分析单个预测学生画像与其他预测学生画像的偏离程度。
6.一种基于学生画像的异常检测装置，其特征在于，所述装置包括：
学生画像构建模块，用于构建多个学生画像；所述学生画像包括至少两个学习评估维度；
异常学生检测模块，用于分析单个学生画像与其他学生画像的偏离程度；所述分析单个学生画像与其他学生画像的偏离程度具体包括：
分析单个学生画像的学习评估维度的数值大小分布与其他学生画像的学习评估维度的数值大小分布的相似性，相似性越低，偏离程度越大。
7.根据权利要求6所述的基于学生画像的异常检测装置，其特征在于，所述装置还包括：
异常学生预测模块，用于将学生画像输入时间序列模型，得到预测学生画像，并分析单个预测学生画像与其他预测学生画像的偏离程度。
8.根据权利要求6所述的基于学生画像的异常检测装置，其特征在于，所述装置还包括：
异常学生预测模块，用于将学生画像输入时间序列模型，得到预测学生画像，并分析单个预测学生画像与其他预测学生画像的偏离程度；
自动提醒模块，用于根据每个学生画像和/或每个预测学生画像的偏离程度生成报告，并发送所述报告至预设的终端和/或设备。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，
所述处理器执行所述计算机程序时实现权利要求1～5任一项所述的基于学生画像的异常检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，
所述计算机程序被处理器执行时实现权利要求1～5任一项所述的基于学生画像的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012757.2A CN112686462A (zh) | 2021-01-06 | 2021-01-06 | 基于学生画像的异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110012757.2A CN112686462A (zh) | 2021-01-06 | 2021-01-06 | 基于学生画像的异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686462A true CN112686462A (zh) | 2021-04-20 |
Family
ID=75455987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110012757.2A Pending CN112686462A (zh) | 2021-01-06 | 2021-01-06 | 基于学生画像的异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686462A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626499A (zh) * | 2021-08-09 | 2021-11-09 | 青软创新科技集团股份有限公司 | 一种基于大数据数仓技术的学生画像挖掘实现方法 |
| CN114387657A (zh) * | 2022-01-15 | 2022-04-22 | 尚二朝 | 一种基于人工智能的个人孤单值检测方法 |
| CN117408847A (zh) * | 2023-12-15 | 2024-01-16 | 环球数科集团有限公司 | 基于5g核心网的校务智慧管理*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895026A (zh) * | 2017-11-17 | 2018-04-10 | 联奕科技有限公司 | 一种校园用户画像的实现方法 |
| CN109255998A (zh) * | 2018-10-25 | 2019-01-22 | 杭州数理大数据技术有限公司 | 一种学生成绩诊断提升*** |
| CN109600363A (zh) * | 2018-11-28 | 2019-04-09 | 南京财经大学 | 一种物联网终端网络画像及异常网络访问行为检测方法 |
| CN110598123A (zh) * | 2019-08-14 | 2019-12-20 | 平安科技（深圳）有限公司 | 基于画像相似性的信息检索推荐方法、装置及存储介质 |
| CN111652291A (zh) * | 2020-05-18 | 2020-09-11 | 温州医科大学 | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 |
-
2021
- 2021-01-06 CN CN202110012757.2A patent/CN112686462A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895026A (zh) * | 2017-11-17 | 2018-04-10 | 联奕科技有限公司 | 一种校园用户画像的实现方法 |
| CN109255998A (zh) * | 2018-10-25 | 2019-01-22 | 杭州数理大数据技术有限公司 | 一种学生成绩诊断提升*** |
| CN109600363A (zh) * | 2018-11-28 | 2019-04-09 | 南京财经大学 | 一种物联网终端网络画像及异常网络访问行为检测方法 |
| CN110598123A (zh) * | 2019-08-14 | 2019-12-20 | 平安科技（深圳）有限公司 | 基于画像相似性的信息检索推荐方法、装置及存储介质 |
| CN111652291A (zh) * | 2020-05-18 | 2020-09-11 | 温州医科大学 | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113626499A (zh) * | 2021-08-09 | 2021-11-09 | 青软创新科技集团股份有限公司 | 一种基于大数据数仓技术的学生画像挖掘实现方法 |
| CN113626499B (zh) * | 2021-08-09 | 2024-05-10 | 青软创新科技集团股份有限公司 | 一种基于大数据数仓技术的学生画像挖掘实现方法 |
| CN114387657A (zh) * | 2022-01-15 | 2022-04-22 | 尚二朝 | 一种基于人工智能的个人孤单值检测方法 |
| CN114387657B (zh) * | 2022-01-15 | 2023-09-22 | 河南创为科技有限公司 | 一种基于人工智能的个人孤单值检测方法 |
| CN117408847A (zh) * | 2023-12-15 | 2024-01-16 | 环球数科集团有限公司 | 基于5g核心网的校务智慧管理*** |
| CN117408847B (zh) * | 2023-12-15 | 2024-04-02 | 环球数科集团有限公司 | 基于5g核心网的校务智慧管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Buniyamin et al. | Educational data mining for prediction and classification of engineering students achievement | |
| CN112686462A (zh) | 基于学生画像的异常检测方法、装置、设备及存储介质 | |
| Yu | Academic Performance Prediction Method of Online Education using Random Forest Algorithm and Artificial Intelligence Methods. | |
| Alshareef et al. | Educational data mining applications and techniques | |
| CN117591944B (zh) | 一种针对于大数据分析的学习预警方法及*** | |
| CN113408852B (zh) | 基于在线学习行为和深度神经网络的元认知能力评估模型 | |
| Shrestha et al. | Machine Learning algorithm in educational data | |
| CN111738044A (zh) | 一种基于深度学习行为识别的校园暴力评估方法 | |
| Hasan et al. | Modelling and predicting student's academic performance using classification data mining techniques | |
| Bujang et al. | A predictive analytics model for students grade prediction by supervised machine learning | |
| Masangu et al. | Predicting student academic performance using data mining techniques | |
| CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
| Wang et al. | Educational question mining at scale: Prediction, analysis and personalization | |
| CN114187640A (zh) | 一种基于线上课堂的学情观察方法、***、设备及介质 | |
| Shoaib et al. | AI student success predictor: Enhancing personalized learning in campus management systems | |
| Poudyal et al. | Data mining approach for determining student attention pattern | |
| Zheng et al. | A data-driven emotion model for english learners based on machine learning | |
| Alnasyan et al. | The Power of Deep Learning Techniques for Predicting Student Performance in Virtual Learning Environments: A Systematic Literature Review | |
| Sandhya et al. | Investigating Student Learning Process and Predicting Student Performance Using Machine Learning Approaches. | |
| Jasim et al. | Characteristics of data mining by classification educational dataset to improve student’s evaluation | |
| CN110189236A (zh) | 基于大数据的学习预警方法 | |
| Suresh et al. | Improvement of e-learning in Ontology using Machine Learning Techniques | |
| CN112288145B (zh) | 基于多视角认知诊断的学生成绩预测方法 | |
| Chamorro-Atalaya et al. | Machine learning model through ensemble bagged trees in predictive analysis of university teaching performance | |
| Su | Design of intelligent classroom teaching scheme using artificial intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |
|
| RJ01 | Rejection of invention patent application after publication |