学习行为分析

摘要： 本文通过文献研究和内容分析的方法,探索将学习行为分析技术应用到高中信息技术课堂教学中的途径和方法,认为在学习行为分析技术的支持下,可通过个性化学习监控助力课堂教学实践、个性化学习诊断促进课堂分层教学、个性化学习推荐推动个体多元化发展和个性化学习预测实现课堂趣味评价等方法,解决目前高中信息技术课堂教学存在的问题,提升高中信息技术教学质量。

摘要： 学习行为直接影响学习效果,有效运用学习分析技术可以适时提醒学习进度并发出学习预警,评估预测影响学生成功的因素。以某SPOC课程为期4个月的网络学习日志和文本数据为分析对象,采用逻辑回归、散点图等R和SPSS的统计分析方法深入挖掘在线学习者的行为特征,探究学习行为与学习效果之间的相关性。研究发现,作业量适度、获得正向作业批语的学习者学习效果更好;首次学习成就激励学习信心,期中考试成绩映射学习能力;讨论区的参与程度与学习者的角色相关;视频观看时长映射了学习态度和学习能力。同时,从教师、学习者与在线学习平台等方面提出了改进SPOC学习效果的建议。

摘要： 本研究针对在线环境下教与学时空分离,致使在线学习过程不易掌握的问题,分析了不同阶段的学习行为变化,阐释了优秀群体与中等群体间的差异化行为模式,展示在线学习过程全景,以期为掌握在线教学规律、优化教学策略、提升教学效率等提供依据。

摘要： 因支持向量机算法对在线课程平台的学习行为分析有误差,提出了一种基于大数据的随机森林模型的特征加权支持向量机RFG-SVM算法,该算法是在传统支持向量机算法上做完善、修改。利用Gini指数对特征变量计算,再计算RF模型分类识别的准确度,获得特征设定权重值,完成权重值在支持向量机的核函数中的计算。实验结果表明,通过对不同学习行为的学生的学习效果的预测,发现该方法能有效帮助教育者通过在线平台分析学习者的学习行为,预测学习效果,具有更高的准确率和稳定性。

摘要： 随着信息化教学建设,线上教学得到广泛推广,同时也推进了“三教”改革。线上教学与传统线下教学相比,对于课堂的管理更加困难。提出了基于学习行为分析,对在线课堂进行智慧型管理的思路,依托学习通平台进行学生学习数据的收集和处理,把控课堂管理、督查学生学习行为。

摘要： 互联网的快速发展带动了教育领域的发展,促使在线学习迅速兴起并深受教育人士认可。因此各种在线学习平台中的教学数据飞速递增,对于如何充分利用、深度分析平台存储数据的价值,引起了教育从事人员的关注。应用机器学习技术,对学习者在线学习行为与学习结果之间的相关性进行了一系列学习分析。通过收集在线平台上学生学习时的数据,对收集到的数据进行预处理。基于K-means聚类算法对学习者聚类建模,将学生聚类成不同的类型。教师给予不同群体的学生相应的资料,有效地提高学生的学习效率。基于线性回归算法分析学生学习行为,确定学习行为对于学生最终成绩影响程度,教师在众多在线平台学生活动中筛选出对学生最终成绩影响较大的活动,完善教学方式。

摘要： 线上培训成为高职教师学习能力提升的新路径,如何评价其培训效果正是文章的关注点。文章从学习行为分析的视角出发,借鉴教育领域成熟的量化学习行为分析方法—弗兰德课堂分析法,从分析高职教师线上培训学习行为特征入手,以高职教师线上培训平台的功能特征为切入点,梳理出高职教师线上培训常见的18个行为,按照OCCP层次模型对其进行分类,制定了量化编码的分析机制,总结出学习行为视角下高职教师线上培训效果评价指标体系的应用方法,以期为高职教师线上培训评价体系的构建提供新的思路。

摘要： 本文利用网络教学平台上记录的学习者行为数据,分析学生的网上学习行为,探索课程通过率与学习者行为之间的关系.使用K-means算法对学习行为数据进行聚类分析,确定每名学生的学习者类型,总结网络课程学习者行为特点,并提出优化学习建议.

摘要： 在教育信息化的背景下,"互联网+"在教育教学中的应用越来越广泛,"线上+线下"的混合教学模式受到普遍关注,而如何有效挖掘学生的学习行为则成为影响评学和导学的难点和瓶颈。本文通过对"线上教学、线下教学、学习行为大数据分析"有机融合的教学模式重构,提出了一种基于学习行为大数据分析的混合教学模式,为实现精准评价与精准指导提供了可能。实践表明,基于学习行为大数据分析的混合教学模式打通了线上和线下教学的壁垒,实现了"以学生为主体、以教师为主导"为目标进行知识建构和能力培养。

摘要： 信息技术发展使课堂面授教学模式和互联网线上教学模式互相融合,这就使混合式教学全面运用到教学中,大学商务英语教学适合混合式课程体系,在应用该体系过程中,需注意构建相应的教学环境,提升学生学习的开阔度,把线上资源有效融入线下教学内容,建立特色化教学.

摘要： 网络学习已经成为当前一种主要的学习形式,对学习者的网络学习行为进行分析与评价,可以更好地提高、优化网络学习的效果.本文采用行为理论的观点,对网络学习行为的国内外研究现状及其存在的问题进行了梳理,概括了网络学习行为的概念、特征及其影响因素.本文基于学习行为的多样性,对学习者在网络环境中进行的信息检索、加工、发布以及交流和问题解决等学习行为做出了分析;以面向学习结果、学习方式和学习平台三个目标构建一套网络学习行为评价体系,旨在更为科学、合理地评价学习者的学习过程,以此为学习者提供具有针对性的学习建议或指导,更好地提高学习者的网络学习效率.

摘要： 本发明提供一种机器学习自动化行为分析的行为威胁分析方法，接管系统内核所有程序执行管道；监控用户指令序列并交由通过机器学习建立的用户指令序列库进行比对；将用户指令序列分为长度较短的序列组合并得出判决值，若其低于阈值则系统告警，在操作系统内部通道捕获进程和内核的行为信息，通过捕捉用户指令序列，由机器学习的方式分析其行为可疑程度，从而达到检测高级持续性威胁，检测效率高，能够较全面地分析攻击在系统层面的行为情况。

摘要： 本发明公开了一种基于深度学习与内存镜像分析的虚机行为分析系统，该系统通过获取内存镜像数据，进行delta编码，再对编码后的内存图谱提取图谱特征点信息，利用所得到的特征信息训练神经网络得到一个分类器，最后运行神经网络，利用得到的分类器分析未知的虚拟机行为。本发明操作简单，容易实现，便于模块化；本发明适用范围广，可用于检测已知攻击、未知攻击等多种攻击方式，即使攻击者潜伏一段时间后再发起攻击，也不会影响本发明的检测性能；此外，本发明在不同系统平台，都具有较好的鲁棒性、可靠性、可用性。

摘要： 本发明提供一种机器学习自动化行为分析的行为威胁分析方法，接管系统内核所有程序执行管道；监控用户指令序列并交由通过机器学习建立的用户指令序列库进行比对；将用户指令序列分为长度较短的序列组合并得出判决值，若其低于阈值则系统告警，在操作系统内部通道捕获进程和内核的行为信息，通过捕捉用户指令序列，由机器学习的方式分析其行为可疑程度，从而达到检测高级持续性威胁，检测效率高，能够较全面地分析攻击在系统层面的行为情况。

摘要： 本发明公开基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法，通过对在线教育平台上的教育课程基本参数进行获取，并对各教育课程下的各学生在学习时长中的精神状态系数、学习关联度系数、学习互动度系数、学习专注度系数和学习成果优异度系数进行统计，并根据以上统计结果计算学生的综合学习力系数，进而反馈给学生自身和任课教师，实现了根据学生学习行为对学生在线学习力的综合可靠性评估，弥补了目前在线教育平台对学生在线学习力的评估方式存在的评估指标过于单一化、评估结果过于片面化的步骤，完善了评估指标范围，提高了评估结果的可靠度，满足了现在对学生在线学习力的综合可靠度高的评估需求。

摘要： 使用神经语言编程和机器学习机制，基于行为驱动开发步骤定义和相似性分析，从行为驱动开发场景生成测试模型。本发明涉及一种用于在行为驱动开发（BDD）环境中自动验证软件程序的方法以及被配置为执行这样的方法的数据处理系统。首先匹配BDD测试场景的单独的测试步骤，然后将其分派给来自BDD框架的现有测试步骤定义。如果一对一的匹配是不可能的，则自然语言处理（NLP）被用来决定所述分派是否可能具有一定的匹配概率。所分派的测试步骤定义用于为测试场景生成图形测试模型，例如UML图。最后，生成可执行的测试脚本来测试软件程序。本发明特别是涉及行为驱动开发（BDD），并且将传统的BDD优点与基于模型的测试（MBT）相组合，以用于在复杂软件包的情况下的改进的便利性和自动化。自动化的步骤匹配允许BDD步骤短语到测试自动化框架的有效映射，并支持必要框架代码的结构化开发。图形测试模型增加了附加的抽象层，并提供了检查BDD场景的一致性和完整性的机会。

摘要： 本发明公开了基于HRNet深度学习的姿态、行为分析模块及分析方法，涉及人体姿态、行为分析技术领域。本发明包括视频流获取模块，人体侦测模块，人体图片处理模块，人体关键点侦测模块，关键点信息处理模块和姿态、行为分析模块，所述视频流获取模块进行视频流获取，利用所述人体侦测模块对视频流中的图像进行人体侦测，并由人体图片处理模块裁剪出符合要求的人体图片。本发明方法深度学习网络模型采用重复的多尺度融合方式，并行连接高分辨率到低分辨率的子网，利用相同深度和相似级别的低分辨率表示来提高高分辨率表示，使高分辨率表示对于姿态的估计也很充分，确保预测热图在空间上更精确，提高人体关键点检测算法的准确性、鲁棒性及适应性。

摘要： 本发明公开了一种基于深度学习与内存镜像分析的虚机行为分析系统，该系统通过获取内存镜像数据，进行delta编码，再对编码后的内存图谱提取图谱特征点信息，利用所得到的特征信息训练神经网络得到一个分类器，最后运行神经网络，利用得到的分类器分析未知的虚拟机行为。本发明操作简单，容易实现，便于模块化；本发明适用范围广，可用于检测已知攻击、未知攻击等多种攻击方式，即使攻击者潜伏一段时间后再发起攻击，也不会影响本发明的检测性能；此外，本发明在不同系统平台，都具有较好的鲁棒性、可靠性、可用性。

摘要： 一种基于在线学习行为分析的个性化学习推荐方法，包括以下步骤：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据，学生性格数据；步骤2，特征提取与挖掘；步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度；步骤4，利用训练好的模型，对新的学习者进行成绩预测；步骤5，向学习者发放调查问卷，并收集问卷数据；步骤6，对问卷数据进行k‑means聚类分析；步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐。本发明提供一种预测精度较高、较为全面分析学习者线上学习时间规律性的BP神经网络预测方法。并且能够对学习者进行性格分析，为学习者做出个性化学习方法推荐。

摘要： 本公开揭示一种深度学习(DNN)的课堂学习行为分析方法及装置，首先通过度量前景背景像素对的可信度重新计算透明度估计值以获得第一图像的第一透明度遮罩，然后通过叠加灰度信息来生成新图片并获得第一图像的第二透明度遮罩，并进一步修正第一图像的第一透明度遮罩，最后利用修正的所述第一透明度遮罩将视频中某一帧图像的前景目标提取出来，并进一步提取第一图像中的背景目标，并通过深度神经网络对提取后的前景目标和背景目标进行人脸的表情分析。本公开能够综合利用视频中某一帧图像中前景背景像素对的可信度和灰度信息，提供一种新的课堂行为分析的方案。

摘要： 一种基于在线学习行为分析的个性化学习推荐方法，包括以下步骤：步骤1，收集数据，获取在线学习平台的学习者日志数据、学生成绩数据，学生性格数据；步骤2，特征提取与挖掘；步骤3，准备数据集进行BP神经网络的训练和测试模型的准确度；步骤4，利用训练好的模型，对新的学习者进行成绩预测；步骤5，向学习者发放调查问卷，并收集问卷数据；步骤6，对问卷数据进行k‑means聚类分析；步骤7，结合不同学习者的性格特征，进行个性化学习方法的推荐。本发明提供一种预测精度较高、较为全面分析学习者线上学习时间规律性的BP神经网络预测方法。并且能够对学习者进行性格分析，为学习者做出个性化学习方法推荐。