基于互联网的学生数据溯源分析系统及方法

本技术涉及智能分析领域，且更为具体地，涉及一种基于互联网的学生数据溯源分析系统及方法。

背景技术：

1、随着互联网技术的发展，在线教育已经成为全球教育领域的重要组成部分，并且随着教育改革的深入，传统的教学模式已经无法满足个性化和终身教育的需求。

2、学生数据溯源分析是一种技术手段，它通过追踪和记录学生在在线教育平台上的活动数据，来分析学生的学习行为和模式，从而深入了解学生的学习行为、学习习惯、学习进展以及学习成果。这种分析可以帮助教育机构和教师更好地理解学生的学习习惯、偏好、强项和弱点，为个性化教学、教学改进和教育决策提供数据支持。

3、但传统的学生数据溯源分析方法倾向于对整体学生群体进行统一分析，缺乏个性化的学生数据分析和挖掘，无法有效识别学生的个性化需求和问题，限制了个性化教学和干预的实施。

4、因此，期望一种基于互联网的学生数据溯源分析系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于互联网的学生数据溯源分析系统及方法，其通过互联网技术获取学生对象于在线教育平台的活动数据的时间序列，并采用基于深度学习神经网络的语义分析和处理算法来进行所述活动数据的语义编码和理解，以此来根据所述活动数据的多尺度上下文语义特征来智能地判断该学生对象是否为风险学生。通过该方法，系统可以增强教育平台对学生行为的理解，为每个学生提供个性化的分析结果，以便提供更有针对性的教学支持，来减少学生辍学率或学习失败的风险，从而提高教育质量和学生的学习成果。

2、根据本技术的一个方面，提供了一种基于互联网的学生数据溯源分析系统，其包括：

3、学生活动数据获取模块，用于获取学生对象于在线教育平台的活动数据的时间序列；

4、活动数据低维嵌入编码模块，用于对所述活动数据的时间序列中的各个活动数据进行低维嵌入编码以得到活动数据低维嵌入编码向量的时间序列；

5、多尺度上下文语义编码模块，用于对所述活动数据低维嵌入编码向量的时间序列进行多尺度上下文语义编码以分别得到全域上下文活动数据语义编码特征向量和长短期上下文活动数据语义编码特征向量；

6、语义合成模块，用于使用特征颗粒级动态合成模块对所述全域上下文活动数据语义编码特征向量和所述长短期上下文活动数据语义编码特征向量进行语义合成以得到多尺度上下文活动数据语义编码特征向量作为多尺度上下文活动数据语义编码特征；

7、风险学生判断模块，用于基于所述多尺度上下文活动数据语义编码特征，确定学生对象是否为风险学生。

8、在上述基于互联网的学生数据溯源分析系统中，所述多尺度上下文语义编码模块，包括：全域上下文语义编码单元，用于将所述活动数据低维嵌入编码向量的时间序列进行全域上下文语义编码以得到所述全域上下文活动数据语义编码特征向量；以及，长短期上下文语义编码单元，用于将所述活动数据低维嵌入编码向量的时间序列进行长短期上下文语义编码以得到所述长短期上下文活动数据语义编码特征向量。

9、在上述基于互联网的学生数据溯源分析系统中，所述全域上下文语义编码单元，用于：将所述活动数据低维嵌入编码向量的时间序列通过基于transformer层的第一上下文语义编码器以得到所述全域上下文活动数据语义编码特征向量。

10、在上述基于互联网的学生数据溯源分析系统中，所述长短期上下文语义编码单元，用于：将所述活动数据低维嵌入编码向量的时间序列通过基于bi-lstm层的第二上下文语义编码器以得到所述长短期上下文活动数据语义编码特征向量。

11、在上述基于互联网的学生数据溯源分析系统中，所述语义合成模块，包括：门限向量计算单元，用于基于所述全域上下文活动数据语义编码特征向量和所述长短期上下文活动数据语义编码特征向量计算门限向量；以及，特征合成单元，用于基于所述门限向量中各个位置的门限值对所述全域上下文活动数据语义编码特征向量和所述长短期上下文活动数据语义编码特征向量中各个位置的特征值进行特征合成以得到所述多尺度上下文活动数据语义编码特征向量中各个位置的特征值。

12、在上述基于互联网的学生数据溯源分析系统中，所述门限向量计算单元，包括：特征级联子单元，用于将所述全域上下文活动数据语义编码特征向量和所述长短期上下文活动数据语义编码特征向量进行级联以得到数据语义编码级联特征向量；以及，激活子单元，用于将所述数据语义编码级联特征向量与变换矩阵相乘并与偏置向量相加后得到的特征向量输入sigmoid函数以得到所述门限向量。

13、在上述基于互联网的学生数据溯源分析系统中，所述特征合成单元，包括：全域上下文颗粒级特征计算子单元，用于一减去所述门限向量中各个位置的特征值的差值与所述全域上下文活动数据语义编码特征向量中各个位置的特征值相乘以得到由多个全域上下文活动数据颗粒级语义特征值组成的全域上下文活动数据颗粒级语义编码特征向量；长短期上下文颗粒级特征计算子单元，用于将所述门限向量中各个位置的特征值与所述长短期上下文活动数据语义编码特征向量中各个位置的特征值相乘以得到由多个长短期上下文活动数据语义特征值组成的长短期上下文活动数据颗粒级语义编码特征向量；以及，颗粒级特征相加子单元，用于将所述全域上下文活动数据颗粒级语义编码特征向量中各个位置的特征值与所述长短期上下文活动数据颗粒级语义编码特征向量中各个位置的特征值进行按位置相加以得到所述多尺度上下文活动数据语义编码特征向量。

14、在上述基于互联网的学生数据溯源分析系统中，所述门限向量中各个门限值的范围为大于等于零小于等于一。

15、在上述基于互联网的学生数据溯源分析系统中，所述风险学生判断模块，用于：将所述多尺度上下文活动数据语义编码特征向量通过基于分类器的学生行为预测器以得到预测结果，所述预测结果用于表示学生对象是否为风险学生。

16、根据本技术的另一方面，提供了一种基于互联网的学生数据溯源分析方法，其包括：

17、获取学生对象于在线教育平台的活动数据的时间序列；

18、对所述活动数据的时间序列中的各个活动数据进行低维嵌入编码以得到活动数据低维嵌入编码向量的时间序列；

19、对所述活动数据低维嵌入编码向量的时间序列进行多尺度上下文语义编码以分别得到全域上下文活动数据语义编码特征向量和长短期上下文活动数据语义编码特征向量；

20、使用特征颗粒级动态合成模块对所述全域上下文活动数据语义编码特征向量和所述长短期上下文活动数据语义编码特征向量进行语义合成以得到多尺度上下文活动数据语义编码特征向量作为多尺度上下文活动数据语义编码特征；

21、基于所述多尺度上下文活动数据语义编码特征，确定学生对象是否为风险学生。

22、与现有技术相比，本技术提供的一种基于互联网的学生数据溯源分析系统及方法，其通过互联网技术获取学生对象于在线教育平台的活动数据的时间序列，并采用基于深度学习神经网络的语义分析和处理算法来进行所述活动数据的语义编码和理解，以此来根据所述活动数据的多尺度上下文语义特征来智能地判断该学生对象是否为风险学生。通过该方法，系统可以增强教育平台对学生行为的理解，为每个学生提供个性化的分析结果，以便提供更有针对性的教学支持，来减少学生辍学率或学习失败的风险，从而提高教育质量和学生的学习成果。