一种学生作业行为画像方法、装置及电子设备

摘要

本发明提供了一种学生作业行为画像方法、装置、电子设备及计算机可读存储介质，该方法包括：将获取的学生作业行为画像特征样本转化为特征向量；根据轮廓系数确定最佳聚类个数，随机抽取数量为最佳聚类个数的特征样本作为初始的类内中心点；依次抽取其余的每条特征样本，将该特征样本划分进距离该特征样本最近欧几里得距离的类内中心点对应的类别，并更新类内中心点；根据类别内的成绩指标平均值，获取每个分类行为的平均值进行排序解读。本发明实施例将学生作业行为指标及学生学习成绩指标用于学生个体和学生群体的画像刻画，可对学生群体进行标签化画像，方便教师实行分层教学、分层指导。

说明书

技术领域

本发明涉及教育技术领域，具体而言，涉及一种学生作业行为画 像方法、装置、电子设备及计算机可读存储介质。

背景技术

作业是教学过程中非常重要的一环，是连接学生课堂内与课堂外 学习的关键环节，是学生巩固学习效果、老师跟踪学生学习状态的最 直接最有效的方式和手段。因此，对学生、家长和各教学相关方来说， 如何记录学生作业行为，形成学生作业行为画像，同时根据画像结果 对学生群体进行聚类分析进行监测、预警和分层教学，是十分重要的。 在已有的作业数据研究中，主要存在如下问题：第一，作业数据往往 仅作为一个研究课题的某一子模块作为辅助分析，并不深入；第二， 缺乏大量级受众群体作为作业平台，即数据源上较为稀疏；第三，作 业数据的刻画指标较为简单，停留在作业参与、作业完成和作业成绩 等浅层角度，数据的下掘力度不够。基于以上的学生画像和聚类研究， 由于指标不系统、特征不丰富等原因，在研究精度上也有所欠缺。

发明内容

为解决现有存在的技术问题，本发明实施例提供一种学生作业行 为画像方法、装置、电子设备及计算机可读存储介质。

第一方面，本发明实施例提供了一种学生作业行为画像方法，包 括：

将获取的学生作业行为画像特征样本转化为特征训练聚类模型 的样本特征空间中的特征向量；

根据学生作业行为画像特征样本的轮廓系数确定最佳聚类个数， 随机抽取数量为最佳聚类个数的所述学生作业行为画像特征样本作为 初始的类内中心点；

依次抽取其余的每条学生作业行为画像特征样本，将该特征样本 划分进距离该特征样本最近欧几里得距离的类内中心点对应的类别， 并更新类内中心点；

根据类别内的成绩指标平均值，获取每个分类行为的平均值进行 排序解读。

第二方面，本发明实施例提供了一种学生作业行为画像装置，包 括：

特征转化模块，用于将获取的学生作业行为画像特征样本转化为 特征训练聚类模型的样本特征空间中的特征向量；

特征抽取模块，用于根据学生作业行为画像特征样本的轮廓系数 确定最佳聚类个数，随机抽取数量为最佳聚类个数的学生作业行为画 像特征样本作为初始的类内中心点；

特征划分模块，用于依次抽取其余的每条学生作业行为画像特征 样本，将该特征样本划分进距离该特征样本最近欧几里得距离的类内 中心点对应的类别，并更新类内中心点；

分类获取模块，用于根据类别内的成绩指标平均值，获取每个分 类行为的平均值进行排序解读。

第三方面，本发明实施例提供了一种电子设备，包括总线、收发 器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机 程序，收发器、存储器和所述处理器通过总线相连，计算机程序被处 理器执行时实现上述学生作业行为画像方法中的步骤。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上 存储有计算机程序，计算机程序被处理器执行时实现上述学生作业行 为画像方法中的步骤。

本发明实施例提供的方法、装置、电子设备及计算机可读存储介 质，通过建立学生作业行为画像，画像下将分为两个大类，分别为学 生作业行为指标及学生学习成绩指标，这两大类指标可用于学生个体 和学生群体的画像刻画，基于这两类指标所做的学生群体聚类结果， 可对学生群体进行标签化画像，方便教师实行分层教学、分层指导。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面 将对本发明实施例或背景技术中所需要使用的附图进行说明。

图1示出了本发明实施例所提供的一种学生作业行为画像方法的 流程图；

图2示出了本发明实施例所提供的另一种学生作业行为画像方法 的流程图；

图3示出了本发明实施例所提供的另一种学生作业行为画像方法 的流程图；

图4示出了本发明实施例所提供的一种学生作业行为画像装置的 结构示意图；

图5示出了本发明实施例所提供的学生作业行为画像装置中，特 征抽取模块的具体结构示意图；

图6示出了本发明实施例所提供的一种学生作业行为画像电子设 备的结构示意图。

具体实施方式

为了本发明实施例的描述清楚简洁，首先给出相关概念或技术的 简要介绍：

所属技术领域的技术人员应当知道，本发明实施例可以实现为方 法、装置、电子设备及计算机可读存储介质。因此，本发明实施例可 以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留 软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中， 本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计 算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储 介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红 外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读 存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存 储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、 闪存(FlashMemory)、光纤、光盘只读存储器(CD-ROM)、光存储 器件、磁存储器件或以上任意组合。在本发明实施例中，计算机可读 存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令 执行系统、装置、器件使用或与其结合使用。

上述计算机可读存储介质包含的计算机程序代码可以用任意适 当的介质传输，包括：无线、电线、光缆、射频(Radio Frequency， RF)或者以上任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发 明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的 程序设计语言，例如：Java、Smalltalk、C++，还包括常规的过程式程 序设计语言，例如：C语言或类似的程序设计语言。计算机程序代码 可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为 一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执 行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形 中，远程计算机可以通过任意种类的网络，包括：局域网(LAN)或 广域网(WAN)，可以连接到用户计算机，也可以连接到外部计算机。

下面将参照本发明实施例的方法、装置、电子设备及计算机可读 存储介质的流程图和/或方框图描述本发明实施例。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框 图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机 可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据 处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令 通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/ 或方框图中的方框中规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他 可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样， 存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和 /或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处 理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其 他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得 在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程 图和/或方框图中的方框规定的功能/操作的过程。

下面结合本发明实施例中的附图对本发明实施例进行描述。

图1示出了本发明实施例所提供的一种学生作业行为画像方法的 流程图。在数据源采集端上，主要是通过APP埋点技术，记录学生在 作业平台上的做题、订正和报告查看等行为信息。

如图1所示，该方法包括：

步骤S101，作业平台上埋点，跟踪记录学生作业和模考信息；

学生在作业平台上执行作业操作时，若相应界面区域下有埋点， 则记录下学生一系列的行为数据，并录入数据库。可记录的数据类型 包括开启/提交时间点、做题类型、做题时长等等。

步骤S102，分类采集和存放原始数据。

对于埋点取得的数据，分为教师端、学生端、家长端和模考端存 放。教师端主要存放教师个人信息及其作业布置信息。教师个人信息 主要包括：学校、学科、年级及班级等信息；作业布置信息包括：作 业类型、作业发布及截止提交的时间、题目信息、题目数量、是否检 查作业、是否催完成、是否催订正等信息。

学生端存放学生个人信息和学生作业行为信息。学生个人信息包 括：学校、年级、班级、年龄等信息。学生作业行为信息以题目为关 键点，主要包括：(1)作业基本信息，如作业科目、作业发布及关闭 时间、作业形式、题目数量等；(2)题目基本信息，如题目对应的教材、单元、知识点、类型、难度、标准分等；(3)作答情况记录，如 作业开始及提交时间、每题作答时长、完成情况、得分、错题是否订 正、订正的次数及结果等；(4)错误报告查看行为数据，记录错误报 告被查看的时间及次数等信息。

家长端存放家长和学生的关联信息及家长给学生布置的作业信 息，如家长关联的学生信息、家长布置作业的时间、布置作业的题目 信息等。

模考端存放学生个人信息、考试信息和学生作答信息，同样以题 目为关键点，包括：(1)考试基本信息，如考试科目、开启及结束时 间、等级等；(2)题目的基本信息，如知识点、难度、标准分等；(3) 作答情况记录，如作答时长、完成情况、成绩等。

图2示出了本发明实施例所提供的另一种学生作业行为画像方法 的流程图。首先建立学生作业行为画像体系，进而在画像体系中预设 学生作业行为画像特征指标。预设的学生作业行为画像特征指标并不 一定能成为最终的画像特征指标，还需要经过后续的缺失值分析和显 著性检验，生成的学生作业行为画像具有多方面的使用用途。

如图2所示，该方法包括：

步骤S201，构建学生作业行为画像体系，预设学生作为行为画像 特征指标；

在本步骤中，将根据采集到的原始数据构建学生作业行为画像特 征指标，同时在文献研究的基础上，将指标分成6类，详情可参考表 1。

初步构建的学生作业行为画像特征指标并不是最终的结果，需要 对分组后的学生作业行为画像特征指标进行显著性检验，筛选出满足 要求的指标。例如，人们一般会关心一个指标是否能够区分出不同成 绩的人群，因此显著性检验就是将样本人群分组后，检验一个指标在 这些不同组间的表现是否有显著性差异。通常教师会关心学生在成绩、 年级和学科上的情况。因此，指标需要经过这三层的检验，详细的分 组和检验步骤可参考S202和S203。

学生作业行为画像的主要维度，对应的分析子维度和相关作业平 台指标示例如表1所示，表1仅展示部分作业平台指标，具体使用的 平台指标可以根据不同需求修改或添加。

表1

如表1所示，上述作业平台指标的计算方式如下：

1.作业平台使用次数

(1)定义

学生在平台上各科作业的使用次数。

(2)计算方式

学生在平台上有作业记录的次数分学科加总。

2.总作业时长的均值

(1)定义

在一次作业中，总作业时长表示学生从打开作业到提交作业的时 间长度，单位是分钟。

(2)计算方式

设T

T

设学生共完成n次作业，学生总作业时长均值为

该指标分学科统计。

3.总作业时长标准差

(1)定义

标准差通过各指标值距指标均值的距离，来刻画一个指标围绕均 值波动的离散程度。标准差越大，说明指标分布越分散，即指标表现 较为不稳定；标准差越小，说明指标分布越集中，即整体表现较为规 律稳定。

(2)计算方式

设总作业时长标准差为ST，学生总作业时长均值为

4.总作业时长最大值和最小值

(1)定义

分学科看，学生总作业时长中的最大值和最小值。

(2)计算方式

T

T

5.提前提交作业时长的均值

(1)定义

提前提交作业时间指的是学生实际提交作业的时间与老师要求提 交作业的时间的差值，单位是分钟。老师布置作业时，一般可以将完 成时间范围设定在1天或者1天以上，因此会出现学生提前1天甚至 1天以上完成作业的情况。

(2)计算方式

设AC

PC

若改值为负数则说明学生延迟提交了作业。

设

该指标分学科计算。

6.作业完成次数，作业未完成次数，作业完成率

(1)定义

作业完成次数为学生在平台上有提交记录的作业次数。

作业未完成次数为学生在平台上有开始记录但无提交记录的作业 次数。

作业完成率＝作业完成次数/作业总次数

(2)计算方式

计算方式见上述定义，该指标分学科计算。

7.有效做题时长的均值和标准差

(1)定义

有效做题时长指的是学生在一次作业中实际花在做题上的时间， 学生单次作业的有效做题时间为该次作业下每一题的答题时间 (duration)加总取得。学生在使用平台做题时，会出现如下三种情 况：

(a)题和题切换之间有网络请求，产生等待时间。

(b)学生在做题时中途退出，此时会暂停统计该题的解题时间， 直到学生再次进入时再继续统计。

(c)有的作业中，学生做完一题提交后，可以选择是否进入下一 题(而不是系统自动跳到下一题)。在以上三种情况下，使得学生有效 做题时长和学生总作业时长不相等。

(2)计算方式

设学生单次作业的有效做题时长为E

该指标分学科进行计算

标准差基于均值结果得出，计算方式可参考上述其余指标标准差 计算，这里略去不述。

8.整体作业效率

(1)定义

作业效率指学生在作业过程中，实际投入在做题上的时间比例， 可以用于刻画学生的专注度。

(2)计算方式

设学生单次作业的作业效率为WE

WE

设学生共完成n次作业，平均作业效率为

该指标分学科计算。

9.学生作业效率在整体学生中的位置

(1)定义

该指标可以理解为作业效率的评价指标，其为某名学生的作业效 率和学生整体作业效率的比值。当该指标大于等于1时，说明该名学 生的作业效率不差于总体；该指标小于1时，说明该名学生的作业效 率差于总体。指标越大说明学生在总体中的表现越好。

(2)计算方式

设对总体学生来说，共完成n

10.有效做题时长的最大值和最小值

(1)定义

分学科看，学生在所有作业中有效做题时间的最大值和最小值。

(2)计算方式

计算方式可参考上文，此处略。

11.不同难度的题目的有效做题时间均值

(1)定义

在平台上，针对本次数据分析，语文有0-5个难度等级，数学和 英语有1-5个难度等级。根据分析，语文难度为0的数据情况表现有 异常，因此三门学科都取难度1-5的题目进行分析。

(2)计算方式

设对于题目难度为i的题目，学生一共做了n题，每一题的做题 时间为DT

则有：

12.不同难度题目得分均值

可参考“不同难度的题目的有效做题时间均值”。

13.不同难度题目得分在群体中位置

可参考“整体作业效率在整体学生中的位置”。

14.学生完成作业的难度系数均值与标准差

(1)定义

学生作业难度系数均值指的是学生所做过的所有作业题目的难度 均值，标准差定义同理，该指标分学科计算。

(2)计算方式

设学生共完成n道题，每题的难度系数为D

标准差计算同理。

15.学生作业得分的均值和标准差

(1)定义

分学科看，学生在各个学科作业中得分的均值和标准差。

(2)计算方式

设学生工作过n份作业，每份作业的得分为S

作业标准差计算方式同理。

16.作业报告查看周频次

(1)定义

在指定周期内，学生平均每周查看作业报告的次数。

本次统计中，横跨3-7月(共5个月)，经历周数按照20周进行 计算。

由于原始数据中作业报告查看不区分学科，因此该指标不区分学 科。

(2)计算方式

设学生在统计周期(20周)内查看报告次数为CR(Checking Report)，作业报告查看周频次为CR_Week,则有：

CR_Week＝CR/20

17.错题订正率

(1)定义

错题订正率指学生对自己做错的题目采取订正的概率。因原始数 据不区分学科的原因，该指标也不区分学科。

(2)计算方式

错题订正率＝订正的错题数/错题总数

18.错题订正正确率

(1)定义

在订正过的题目中，订正正确的题目比例，该指标同样不区分学 科。

(2)计算方式

错题订正正确率＝订正正确的错题数/错题总数

19.单次作业提交间隔的均值和标准差

(1)定义

单次作业提交间隔指，若学生若一天内完成若干份作业，将这些 作业按开始时间排序后，作业和作业间时间间隔的平均值和标准差。

(2)计算方式

设学生作业的时间间隔为T

该指标不区分学科，标准差定义和计算方式略，可参考其余指标。

遵循以下准则对原始数据和预设指标进行处理和分析：(1)剔除 缺失值在75％以上的指标；(2)剔除拥有考试成绩数据，但相应预 设指标缺失率在80％以上的学生数据；(3)对剩余学生数据中的缺 失值，根据实际情况采用平均数或中位数进行填充；(4)分析指标间 的相关性，剔除与其他指标相关性高且与成绩相关性较低的指标；(5) 在进行聚类分析时，将各指标进行数据标准化处理，转化为Z值，使 得各指标之间无量纲化，降低聚类分析过程中因指标分布差异较大而 产生的偏差性。

步骤S202，在不同维度上对学生作业行为画像特征指标进行分 组；

在该步骤中，按照实际情况需求，将学生作业行为画像特征指标 按学生成绩、学生年级及学科进行分组(可以基于多种维度分组)。对 于学生、家长、教师和其余教学利益相关者来说，学生成绩是追踪学 习情况最首要关注的指标。对于教育研究者来说，作业行为画像特征 指标是其首要关注指标，不同类别的分组结果可满足不同人群需求。

步骤S203，对分组后的学生作业行为画像特征指标进行差异化 评估；

学生作业行为画像特征指标进行差异化评估的目的是为了验证学 生作业行为画像特征指标对成绩分组的显著性，具体步骤包括：

(1)根据不同需求，将学生按若干次模考的成绩进行分组，例如 分为“高分组、中分组、低分组”或分为“A级组、B级组……”，等 等。

(2)对一个学生作业行为画像特征指标来说，采用方差检验(例 如ANOVA方差检验)，验证其在不同组别间差异的显著性。

首先，对于一个学生作业行为画像特征指标，假设其对某个分组 (例如成绩)没有显著性，则形成如下统计学假设：

原假设H0:μA＝μB＝...＝μN

μi表示的是该学生作业行为画像特征指标在第i组中的平均值， 当假设该学生作业行为画像特征指标对分组没有显著性时，理论上该 学生作业行为画像特征指标在各组的平均值相等。

备择假设H1:μA≠μB≠...≠μN

备择假设中，该学生作业行为画像特征指标在各组的平均值不相 等，即该学生作业行为画像特征指标对分组具有显著性。

其次，计算该学生作业行为画像特征指标的组内均方差(MSE)， 即每个分组中自身的均方差，和组间均方差(MSB)，即每个分组相 对于总体的均方差，计算公式如下：

(其中μ表示该指标整体的均值)

设

其中，x表示F值，那n1＝样本数量-组数，n2＝组数-1， f(x,n1,n2)即相关概率值。概率值(p和α)和F值的换算都可用 该公式。

此时，有两种办法来判定是否要拒绝原假设：

(a)若F’

(b)根据F计算其在F分布中的p值，当p值足够小时，例如 小于0.001，则说明我们有理由拒绝原假设，做出这一决定犯错的概 率小于0.001。拒绝原假设，即是拒绝“该指标在不同分组间无显著 性差异”这一假设，即认为指标具有显著性。

做完显著性差异分析之后，可得到最终的学生作业行为画像。学 生作业行为画像的查询，是在差异化评估筛选出显著指标的基础上， 根据教师的不同需求，对学生作业情况进行查询，具体包括：

(1)详单查询。可查询学生个体在作业上的各项指标明细，能 明确知道学生在各个行为维度上的表现，精准定位学生学习状态。例 如，若想知道某个学生在某个具体周期内作业效率情况，即可从画像 中查询到其有效做题时长、总作业时长和作业效率等指标的详细数据， 可具体了解在该周期内，学生平均在作业上的投入和专注程度。再如， 通过查询学生的错题订正率，可以了解学生在该时间周期内是否具有 积极的反思性等。

(2)报告查询。可查询不同分组(成绩、年级、班级、学校等) 下某项指标的情况，并将其可视化。例如对于作业效率指标，可查询 其在不同成绩分组或不同年级中的表现情况，方便需求者了解不同组 间群体的差异，特别是找出一些特殊群体，例如作业效率较高但成绩 不好的学生，或者作业效率较低但成绩较好的学生，对于前者可给予 一定的学业指导，对于后者可触发一定的行为习惯预警。

(3)成绩查询。成绩是各教学利益相关者最关注的指标之一， 通过画像可以查询到学生在各学科的考试上的成绩平均水平与排名位 置，直接定位学生的学习成果。

图3示出了本发明实施例所提供的另一种学生作业行为画像方法 的流程图，如图3所示，该方法包括：

步骤S301，将获取的学生作业行为画像特征样本转化为特征训练 聚类模型的样本特征空间中的特征向量；

在本步骤中，将最终生成的学生作业行为画像特征(即表1中的 各维度指标)当作是特征训练聚类模型中的模型特征，最终达成“使 用学生行为画像，将学生群体进行分类”的目的。

步骤S302，为减少特征量纲不一致引起的特征模型偏差，对模型 特征进行标准化/Z值化处理；

此时，一条样本(即一个学生)转换为“某个学生|处理后的特征 A|处理后的特征B|...”，此时该样本即为样本特征空间中的一条向 量(样本点)。

采用轮廓系数法，确定最佳聚类个数，具体操作如下：

某个学生作业行为画像特征样本的轮廓系数为：

其中，a是该样本与同类别其他样本的平均距离，b是该样本与 最近类别中所有样本的平均距离。求出所有样本的轮廓系数后再求平 均值即得到样本的整体轮廓系数，遍历求取不同类别数(k)下的轮 廓系数，并做出轮廓系数分布曲线，找出使轮廓系数最大的k值，作 为最后的分类个数。

求取最佳分类个数k后，随机抽取k个样本作为初始的类内中心 点。对于其余的学生作业行为画像特征样本，每次抽取一条，将其划 分进离该条特征样本最近欧几里得距离的类内中心点对应的类别。同 时对于这一类，更新其类内中心点(取其类内特征向量的均值)。以此 类推，直到所有特征样本归属到相应的类别中。

步骤S303，根据所述类别内的成绩指标平均值，获得每个分类行 为的平均值进行排序解读；

分类完成后，求取每个类别内成绩指标的平均值，同时求取每个 类别内各个行为指标的平均值，根据求取结果进行排序，解读每个分 类的含义。

优秀发展类学生，成绩优异，学习行为指标整体表现高。

一般发展类学生，成绩平均，学习行为指标表现次高。

预警位置类学生，成绩较差，学习行为指标表现较差。

尾部位置类学生，成绩差，学习行为指标表现差。

以上分类结果，可用于步骤S304的各个场景中。

步骤S304，基于学生作业行为的聚类结果输出多维度报告；

基于已有的聚类结果所提供的服务有：

(1)学习反馈服务。向教学利益相关者提供学生所属的聚类人群， 聚类人群解读说明和聚类人群特征分析。在本发明实施例中，将学生 聚类人群分为四类：优秀发展类学生、一般发展类学生、预警位置类 学生和尾部位置类学生。优秀发展类学生，学习成绩高，学习习惯好； 一般发展类学生，学习成绩中高，学习习惯中好；预警位置类学生， 学习成绩中低，学习习惯中低；尾部位置类学生，学习成绩低，学习 习惯低。根据以上聚类人群，教师可以更好的对学生的情况进行综合 评估。

(2)教育策略建议服务。对于不同聚类人群的学生，提供分层教 学的教育策略建议。在后台中，将会给出每一类学生的详细指标解读， 供教师自行指定相关教育策略。例如，对预警位置类学生，需要特别 关注其作业行为中表现中低的指标，防止其成绩进一步下滑。同时， 也可以对个别学生进行单独分析。例如，对于成绩不高，但因作业习 惯良好而被分入优秀发展类的学生，可以从学习方法上进行指导。最 后，可以对教师上阶段教育策略的有效性进行综合评估。例如，上阶 段采取督促策略后，是否已使学生在本阶段的表现得到显著提升。

(3)个性化作业推荐服务。综合学生作业行为画像和学生聚类结 果，可对学生的作业实现个性化推荐，例如题目类型、作业量、做题 量和重点关注的知识点等，更精准的对学生进行作业习惯上的训练。 举例来说，对于优秀发展类学生或者在画像特征指标中“难题做题时 间”和“难题得分率”都比较高的学生，会推荐难度挑战性较高的题 目，例如历史难度均值在4以上的题目。再如对于“作业完成率”指 标较低的学生，会推荐一些难度较低、趣味性较强的题目，促使学生 更好的完成作业。

步骤S305，根据各方需求，生成综合报告。

将步骤S304中的信息进行整合，根据学生和教师等各方的需求， 生成综合报告，供各方查阅。

综上，以上图1至图3实施例的学生作业行为画像方法，通过建 立学生作业行为画像，画像下将分为两个大类，分别为学生作业行为 指标及学生学习成绩指标，这两大类指标可用于学生个体和学生群体 的画像刻画，基于这两类指标所做的学生群体聚类结果，可对学生群 体进行标签化画像，方便教师实行分层教学、分层指导。

其中，学生作业行为指标包括以下五个类别：参与、坚持、专注、 学术挑战和自我调控，将从更科学全面的角度刻画学生的作业行为， 为教师提供信息决策支持。

其中，“参与”指学生参与作业活动的情况，包括作业平台使用频 率、交流讨论情况、提前和延迟提交情况、对教师评语的反馈等。“坚 持”指学生作业情况的规律性，包括作业集中时间段规律、单次作业 时间间隔、作业学科顺序和作业完成率等。“专注”指学生的投入程度， 包括作业效率，有效做题时间，单次答题时间间隔等。“学术挑战”刻 画学生应对困难时的表现，包括不同难度题目的得分、用时和完成比 例、不同类型题目的作答结果等。“自我调控”用于描述学生的反思性， 包括错题订正率、做题订正正确率、作业报告查看频率等。

同时，通过对学生进行成绩、年级和学科的分组，采用方差检验 等技术手段，从统计学意义上验证了上述画像指标维度对群体区分的 显著性。基于此进行学生群体画像建模，将学生群体聚类为四类，使 教师、家长等群体可以从学生作业行为和学生学习成绩等方面综合评 估学生个体表现和学生群体表现，实现对学生学习情况的监督、预警 和指导。同时，上述学生画像指标为动态指标，可根据实际需求，选 择指标更新周期，对学生的动态发展进行持续跟踪。

上文结合图1至图3，详细描述了根据本发明实施例的学生作业 行为画像方法，下面将结合图4至图5，详细描述根据本发明实施例 的学生作业行为画像装置。

图4示出了本发明实施例所提供的一种学生作业行为画像装置的 结构示意图。如图4所示，该学生作业行为画像装置包括：

特征转化模块10，用于将获取的学生作业行为画像特征样本转化 为特征训练聚类模型的样本特征空间中的特征向量；

特征抽取模块20，用于根据学生作业行为画像特征样本的轮廓系 数确定最佳聚类个数，随机抽取数量为最佳聚类个数的学生作业行为 画像特征样本作为初始的类内中心点；

特征划分模块30，用于依次抽取其余的每条学生作业行为画像特 征样本，将该特征样本划分进距离该特征样本最近欧几里得距离的类 内中心点对应的类别，并更新类内中心点；

分类获取模块40，用于根据类别内的成绩指标平均值，获取每个 分类行为的平均值进行排序解读。

在特征抽取模块中，特征样本的轮廓系数S包括：

其中，a表示该学生作业行为画像特征样本与其他学生作业行为 画像特征样本的平均距离，b表示该学生作业行为画像特征样本与最 近类别中所有学生作业行为画像特征样本的平均距离。

在本发明实施例中，可选地，如图5所示，特征抽取模块20具体 包括：

系数计算子模块21，用于计算所有学生作业行为画像特征样本的 轮廓系数，将得到的结果取算数平均值得到学生作业行为画像特征样 本整体的轮廓系数；

系数遍历子模块22，用于遍历计算不同类别下的轮廓系数，得到 轮廓系数分布曲线；

个数确定子模块23，用于根据轮廓系数分布曲线确定最佳聚类个 数。

可选地，在本发明实施例中，学生作业行为画像装置还包括模型 构建模块，模型构建模块包括：

指标预设子模块，用于根据构建的学生作业行为画像体系预设学 生作业行为画像特征指标；

特征分组子模块，用于对学生作业行为画像特征指标进行分组；

特征差异化子模块，用于对分组后的学生作业行为画像特征指标 进行差异化处理。

在本发明实施例中，特征差异化子模块包括：

成绩分组单元，用于根据需求将学生的多次模考成绩进行分组处 理；

检验验证单元，用于对学生的学生作业行为画像特征指标采用方 差检验，验证学生作业行为画像特征指标在不同组别间差异的显著性。

因此，本发明实施例的学生作业行为画像装置，通过建立学生作 业行为画像，画像下将分为两个大类，分别为学生作业行为指标及学 生学习成绩指标，这两大类指标可用于学生个体和学生群体的画像刻 画，基于这两类指标所做的学生群体聚类结果，可对学生群体进行标 签化画像，方便教师实行分层教学、分层指导。

其中，学生作业行为指标包括以下五个类别：参与、坚持、专注、 学术挑战和自我调控，将从更科学全面的角度刻画学生的作业行为， 为教师提供信息决策支持。

其中，“参与”指学生参与作业活动的情况，包括作业平台使用频 率、交流讨论情况、提前和延迟提交情况、对教师评语的反馈等。“坚 持”指学生作业情况的规律性，包括作业集中时间段规律、单次作业 时间间隔、作业学科顺序和作业完成率等。“专注”指学生的投入程度， 包括作业效率，有效做题时间，单次答题时间间隔等。“学术挑战”刻 画学生应对困难时的表现，包括不同难度题目的得分、用时和完成比 例、不同类型题目的作答结果等。“自我调控”用于描述学生的反思性， 包括错题订正率、做题订正正确率、作业报告查看频率等。

同时，通过对学生进行成绩、年级和学科的分组，采用方差检验 等技术手段，从统计学意义上验证了上述画像指标维度对群体区分的 显著性。基于此进行学生群体画像建模，将学生群体聚类为四类，使 教师、家长等群体可以从学生作业行为和学生学习成绩等方面综合评 估学生个体表现和学生群体表现，实现对学生学习情况的监督、预警 和指导。同时，上述学生画像指标为动态指标，可根据实际需求，选 择指标更新周期，对学生的动态发展进行持续跟踪。

应理解，在本发明实施例中，“与A相应的B”表示B与A相关 联，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/ 或其他信息确定B。

此外，本发明实施例还提供了一种电子设备，包括总线、收发器、 存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序， 该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理 器执行时实现上述学生作业行为画像方法实施例的各个过程，且能达 到相同的技术效果，为避免重复，这里不再赘述。

具体的，参见图6所示，本发明实施例还提供了一种电子设备， 该电子设备包括总线71、处理器72、收发器73、总线接口74、存储 器75和用户接口76。

在本发明实施例中，该电子设备还包括：存储在存储器75上并可 在处理器72上运行的计算机程序，计算机程序被处理器72执行时实 现以下步骤：

将获取的学生作业行为画像特征样本转化为特征训练聚类模型 的样本特征空间中的特征向量；

根据学生作业行为画像特征样本的轮廓系数确定最佳聚类个数， 随机抽取数量为最佳聚类个数的学生作业行为画像特征样本作为初始 的类内中心点；

依次抽取其余的每条学生作业行为画像特征样本，将该特征样本 划分进距离该特征样本最近欧几里得距离的类内中心点对应的类别， 并更新类内中心点；

根据类别内的成绩指标平均值，获取每个分类行为的平均值进行 排序解读。

特征样本的轮廓系数S包括：

其中，a表示该学生作业行为画像特征样本与其他学生作业行为 画像特征样本的平均距离，b表示该学生作业行为画像特征样本与最 近类别中所有学生作业行为画像特征样本的平均距离。

可选地，计算机程序被处理器72执行时还可实现以下步骤：

根据学生作业行为画像特征样本的轮廓系数确定最佳聚类个数 具体包括：

计算所有学生作业行为画像特征样本的轮廓系数，将得到的结果 取算数平均值得到学生作业行为画像特征样本整体的轮廓系数；

遍历计算不同类别下的所述轮廓系数，得到轮廓系数分布曲线；

根据所述轮廓系数分布曲线确定所述最佳聚类个数。

特征训练聚类模型的构建过程包括：

根据构建的学生作业行为画像体系预设学生作业行为画像特征 指标；

对学生作业行为画像特征指标进行分组；

对分组后的学生作业行为画像特征指标进行差异化处理。

所述对分组后的学生作业行为画像特征指标进行差异化处理具 体包括：

根据需求将学生的多次模考成绩进行分组处理；

对学生的学生作业行为画像特征指标采用方差检验，验证学生作 业行为画像特征指标在不同组别间差异的显著性。

验证学生作业行为画像特征指标在不同组别间差异的显著性具 体包括：

假设学生作业行为画像特征指标对某个组别没有显著性，形成统 计学假设；

计算学生作业行为画像特征指标的每个分组中本身的均方差 MSE和每个分组相对于总体的均方差MSB，得到F＝MSB/MSE；

根据F指标确定所述学生作业行为画像特征指标的显著性。

收发器73，用于在处理器72的控制下接收和发送数据。

在图6中，总线架构(用总线71来代表)，总线71可以包括任意 数量互联的总线和桥，总线71将包括由处理器72代表的一个或多个 处理器与存储器75代表的存储器的各种电路连接在一起。

总线71表示若干类型的总线结构中的任何一种总线结构中的一 个或多个，包括存储器总线以及存储器控制器、外围总线、加速图形 端口(Accelerate Graphical Port，AGP)、处理器或使用各种总线体系 结构中的任意总线结构的局域总线。作为示例而非限制，这样的体系 结构包括：工业标准体系结构(Industry Standard Architecture，ISA)总线、微通道体系结构(Micro Channel Architecture，MCA)总线、 扩展ISA(EnhancedISA，EISA)总线、视频电子标准协会(Video Electronics Standards Association，VESA)、外围部件互连 (Peripheral Component Interconnect，PCI)总线。

处理器72可以是一种集成电路芯片，具有信号处理能力。在实现 过程中，上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑 电路或软件形式的指令完成。上述的处理器包括：通用处理器、中央 处理器(Central Processing Unit，CPU)、网络处理器(Network Processor， NP)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编 程门阵列(FieldProgrammable Gate Array，FPGA)、复杂可编程逻 辑器件(Complex Programmable LogicDevice，CPLD)、可编程逻辑阵 列(Programmable Logic Array，PLA)、微控制单元(Microcontroller Unit， MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件 组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框 图。例如，处理器可以是单核处理器或多核处理器，处理器可以集成 于单颗芯片或位于多颗不同的芯片。

处理器72可以是微处理器或任何常规的处理器。结合本发明实施 例所公开的方法步骤可以直接由硬件译码处理器执行完成，或者由译 码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机 存取存储器(Random Access Memory，RAM)、闪存(Flash Memory)、 只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、寄存器等本领域公知的可读存储介质中。所述可 读存储介质位于存储器中，处理器读取存储器中的信息，结合其硬件 完成上述方法的步骤。

总线71还可以将，例如外围设备、稳压器或功率管理电路等各种 其他电路连接在一起，总线接口74在总线71和收发器73之间提供接 口，这些都是本领域所公知的。因此，本发明实施例不再对其进行进 一步描述。

收发器73可以是一个元件，也可以是多个元件，例如多个接收器 和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如： 收发器73从其他设备接收外部数据，收发器73用于将处理器72处理 后的数据发送给其他设备。取决于计算机系统的性质，还可以提供用 户接口76，例如：触摸屏、物理键盘、显示器、鼠标、扬声器、麦克 风、轨迹球、操纵杆、触控笔。

应理解，在本发明实施例中，存储器75可进一步包括相对于处理 器72远程设置的存储器，这些远程设置的存储器可以通过网络连接至 服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、 局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域 网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网 (PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、 无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如，蜂 窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址 (CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线 业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE) 系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先 进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动 宽带(Enhance Mobile Broadband，eMBB)系统、海量机器类通信 (massive Machine Type of Communication，mMTC)系统、超可靠低 时延通信(Ultra Reliable Low Latency Communications，uRLLC)系统 等。

应理解，本发明实施例中的存储器75可以是易失性存储器或非易 失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失 性存储器包括：只读存储器(Read-Only Memory，ROM)、可编程只 读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器 (Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存(Flash Memory)。

易失性存储器包括：随机存取存储器(Random Access Memory， RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多 形式的RAM可用，例如：静态随机存取存储器(Static RAM，SRAM)、 动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取 存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机 存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步 动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态 随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机 存取存储器(Direct Rambus RAM，DRRAM)。本发明实施例描述的 电子设备的存储器75包括但不限于上述和任意其他适合类型的存储 器。

在本发明实施例中，存储器75存储了操作系统751和应用程序 752的如下元素：可执行模块、数据结构，或者其子集，或者其扩展 集。

具体而言，操作系统751包含各种系统程序，例如：框架层、核 心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。 应用程序752包含各种应用程序，例如：媒体播放器(Media Player)、 浏览器(Browser)，用于实现各种应用业务。实现本发明实施例方法 的程序可以包含在应用程序752中。应用程序752包括：小程序、对 象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数 据类型的计算机系统可执行指令。

此外，本发明实施例还提供了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学生作业 行为画像方法实施例的各个过程，且能达到相同的技术效果，为避免 重复，这里不再赘述。

具体而言，计算机程序被处理器执行时可实现以下步骤：

将获取的学生作业行为画像特征样本转化为特征训练聚类模型 的样本特征空间中的特征向量；

根据学生作业行为画像特征样本的轮廓系数确定最佳聚类个数， 随机抽取数量为最佳聚类个数的所述学生作业行为画像特征样本作为 初始的类内中心点；

依次抽取其余的每条学生作业行为画像特征样本，将该特征样本 划分进距离该特征样本最近欧几里得距离的类内中心点对应的类别， 并更新所述类内中心点；

根据类别内的成绩指标平均值，获取每个分类行为的平均值进行 排序解读。

所述特征样本的轮廓系数S包括：

其中，a表示该学生作业行为画像特征样本与其他学生作业行为 画像特征样本的平均距离，b表示该学生作业行为画像特征样本与最 近类别中所有学生作业行为画像特征样本的平均距离。

可选地，计算机程序被处理器执行时还可实现以下步骤：

根据学生作业行为画像特征样本的轮廓系数确定最佳聚类个数 具体包括：

计算所有学生作业行为画像特征样本的轮廓系数，将得到的结果 取算数平均值得到学生作业行为画像特征样本整体的轮廓系数；

遍历计算不同类别下的所述轮廓系数，得到轮廓系数分布曲线；

根据轮廓系数分布曲线确定所述最佳聚类个数。

特征训练聚类模型的构建过程包括：

根据构建的学生作业行为画像体系预设所述学生作业行为画像 特征指标；

对学生作业行为画像特征指标进行分组；

对分组后的学生作业行为画像特征指标进行差异化处理。

对分组后的学生作业行为画像特征指标进行差异化处理具体包 括：

根据需求将学生的多次模考成绩进行分组处理；

对学生的学生作业行为画像特征指标采用方差检验，验证学生作 业行为画像特征指标在不同组别间差异的显著性。

验证学生作业行为画像特征指标在不同组别间差异的显著性具 体包括：

假设学生作业行为画像特征指标对某个组别没有显著性，形成统 计学假设；

计算学生作业行为画像特征指标的每个分组中本身的均方差 MSE和每个分组相对于总体的均方差MSB，得到F＝MSB/MSE；

根据F指标确定学生作业行为画像特征指标的显著性。

计算机可读存储介质包括：永久性和非永久性、可移动和非可移 动媒体，是可以保留和存储供指令执行设备所使用指令的有形设备。 计算机可读存储介质包括：电子存储设备、磁存储设备、光存储设备、 电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可 读存储介质包括：相变内存(PRAM)、静态随机存取存储器(SRAM)、 动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、 只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦 除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘 只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、 磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械 编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或 任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照 本发明实施例中的界定，计算机可读存储介质不包括暂时信号本身， 例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传 播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以意识到，结合本发明实施例中所公开的 实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软 件或二者的结合来实现，为了清楚说明硬件和软件的可互换性，在上 述说明中已经按照功能一般性地描述了各示例的组成及步骤。当使用 软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述 计算机程序产品包括一个或多个计算机程序指令。所述计算机程序指 令包括：汇编指令、指令集架构(ISA)指令、机器指令、机器相关 指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一 种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语 言包括面向对象的编程语言，例如：Smalltalk、C++以及过程式编程 语言，例如：C语言或类似的编程语言。

在计算机上加载和执行所述计算机程序指令时，全部或部分的产 生按照本发明实施例所述的流程或功能，所述计算机可以是通过计算 机、专用计算机、计算机网络或其他可编辑装置。所述计算机指令可 以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输，例如：所述计算机指令可以从一个 网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、 双绞线、光纤、数字用户线路(digital subscriber line，DSL))或无线 (例如：红外、无线、微波)方式向另一个网站站点、计算机、服务 器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够 存取的任何可用介质或包括一个或多个可用介质集成的服务器、数据 中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、 磁盘、磁带)、光介质(例如：光盘)或半导体介质(例如：固态硬盘 (Solid State Drive，SSD))等。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每 个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不 应认为超出本发明实施例的范围。

所属技术领域的技术人员可以清楚地了解到，为了描述的方便和 简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述 本发明方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所披露的装置、 电子设备和方法，可以通过其他的方式实现。例如，以上描述的装置 实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功 能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可 以结合或可以集成到另一个系统，或一些特征可以忽略，或不执行。 另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是 通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的、 机械的或其他的形式连接。

所述作为分离部件说明的单元可以是或也可以不是物理上分开 的，作为单元显示的部件可以是或也可以不是物理单元，既可以位于 一个位置，或者也可以分布到多个网络单元上。可以根据实际的需要 选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理 单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上 单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的 产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这 样的理解，本发明实施例的技术方案本质上或者说对现有技术作出贡 献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现 出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以 使得一台计算机设备(包括：个人计算机、服务器、数据中心或其他 网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上 述存储介质包括如前述所列举的各种可以存储程序代码的介质。

以上所述，仅为本发明实施例的具体实施方式，但本发明实施例 的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明 实施例披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发 明实施例的保护范围之内。因此，本发明实施例的保护范围应以权利 要求的保护范围为准。