一种自主学习行为模式挖掘方法、装置、设备及存储介质

本发明涉及自主学习，具体涉及一种自主学习行为模式挖掘方法、装置、设备及存储介质。

背景技术：

1、自主学习是指学习者通过自己的努力和体验，探索与发现学习内容之间的关系，并且通过这个探索过程提高自己的学习能力。自主学习是一种高效且有效的学习方式，其核心思想是学习者的主动性和积极性，相较于传统的教育方式，自主学习更能满足学习者的需求，适应社会的快速发展。

2、自主学习在当今信息时代中日益受到重视，因其能够促进个体自我发展和适应多变环境的能力，成为教育、培训和个人发展领域的关键议题。然而，目前的自主学习研究仍存在一系列缺陷，尤其是对自主学习的行为模式进行挖掘时，因对数据的利用不足，导致行为模式挖掘准确性受到影响。

技术实现思路

1、有鉴于此，本发明提供了一种自主学习行为模式挖掘方法、装置、设备及存储介质，以解决当前因对数据的利用不足导致行为模式挖掘准确性受到影响的问题。

2、第一方面，本发明提供了一种自主学习行为模式挖掘方法，方法包括：获取自主学习数据；采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，得到自主学习行为序列；采用基于时间和情境优化的序列图变换算法提取自主学习行为序列的特征向量；对特征向量进行频繁模式挖掘，得到自主学习行为模式挖掘结果。

3、本发明实施例提供的自主学习行为模式挖掘方法，通过采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，从而全面丰富了数据维度，使得学习行为的表征更为全面和精准。同时基于情境和时间因素对序列图变换算法优化，采用优化后算法进行特征向量提取，有效提高了后续挖掘的准确性和效率，使得挖掘结果更具实用性和个性化。由此该方法弥补了现有自主学习研究的不足，为推动自主学习的深入发展提供了有力的技术支持。

4、在一种可选的实施方式中，采用基于时间和情境优化的序列图变换算法提取自主学习行为序列的特征向量之前，方法还包括：基于点序列拆分和段序列拆分对自主学习行为序列进行处理，得到处理后的序列。

5、本实施例中，通过采用点序列拆分和段序列拆分对自主学习行为序列进行处理，可以实现序列的拆分，避免了序列的并列或序列中元素无法辨别，从而导致序列的特征提取无效的问题。

6、在一种可选的实施方式中，采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，得到自主学习行为序列，包括：采用体验式应用程序编程接口学习标准确定自主学习数据对应的基本陈述语句，陈述语句包括操作者、动词和对象；基于自主学习数据，采用情境注意力元数据规范确定基本陈述语句的属性，得到自主学习行为序列，属性包括动词的属性、对象的属性以及会话属性。

7、本实施例中，通过先采用体验式应用程序编程接口学习标准确定自主学习数据对应的基本陈述语句，再采用情境注意力元数据规范确定基本陈述语句的属性，由此使得学习行为的表征更为全面和精准。

8、在一种可选的实施方式中，采用基于时间和情境优化的序列图变换算法提取自主学习行为序列的特征向量，包括：基于自主学习行为序列的时间因素对序列图变换算法的超参数进行第一动态赋值；基于自主学习行为序列的情境因素对序列图变换算法的超参数进行第二动态赋值；采用第一动态赋值和第二动态赋值对序列图变换算法的距离度量函数中的超参数进行优化，得到优化后的序列图变换算法；基于优化后的序列图变换算法提取自主学习行为序列的特征向量。

9、本实施例中，采用优化的序列图变换算法进行特征向量提取，其中在对序列图变换算法进行优化时，基于自主学习行为序列的时间因素和情境因素对其超参数进行动态赋值，由此，相较于原始的算法优化的序列图变换算法考量了更多除序列元素相对位置信息之外的要素，对自主学习行为序列而言包含了会话时间因素以及情境因素，以提髙行为序列特征提取的精确度。

10、在一种可选的实施方式中，对特征向量进行频繁模式挖掘，得到自主学习行为模式挖掘结果，包括：对特征向量进行聚类，得到聚类数据集；对聚类数据集进行频繁模式挖掘，得到自主学习行为模式挖掘结果。

11、本实施例，在进行频繁模式挖掘时，先对特征向量进行聚类，由此可以提高对特征向量进行频繁模式挖掘的效率。

12、在一种可选的实施方式中，获取自主学习数据，包括：基于社会认知自主学习过程模型、线上学习平台、线下课堂、自我报告和生理测量数据获取自主学习数据。

13、本实施例中，基于社会认知自主学习过程模型、线上学习平台、线下课堂、自我报告和生理测量数据获取自主学习数据，由此使得获取的自主学习数据包括多个来源的数据，全面丰富了数据维度。

14、在一种可选的实施方式中，基于社会认知自主学习过程模型、线上学习平台、线下课堂、自我报告和生理测量数据获取自主学习数据，包括：将自主学习行为划分为事先计划、执行和反思三个阶段；确定每个阶段对应的二级指标；基于社会认知自主学习过程模型、线上学习平台、线下课堂、自我报告和生理测量数据确定二级指标对应的数据类型以及数据类型对应的学习经历；根据学习经历确定自主学习数据。

15、本实施例中，在进行自主学习数据获取时先进行学习阶段的划分，然后根据划分的阶段确定每个阶段对应的二级指标以及每个二级指标对应的学习经历，从而确定自主学习数据，由此可以使得确定的自主学习数据更为全面和准确。

16、第二方面，本发明提供了一种自主学习行为模式挖掘装置，装置包括：数据获取模块，用于获取自主学习数据；标注模块，用于采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，得到自主学习行为序列；提取模块，用于采用基于时间和情境优化的序列图变换算法提取自主学习行为序列的特征向量；挖掘模块，用于对特征向量进行频繁模式挖掘，得到自主学习行为模式挖掘结果。

17、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的自主学习行为模式挖掘方法。

18、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的自主学习行为模式挖掘方法。

技术特征：

1.一种自主学习行为模式挖掘方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，采用基于时间和情境优化的序列图变换算法提取所述自主学习行为序列的特征向量之前，所述方法还包括：

3.根据权利要求1所述的方法，其特征在于，采用情境注意力元数据规范和体验式应用程序编程接口学习标准对所述自主学习数据进行标注，得到自主学习行为序列，包括：

4.根据权利要求1所述的方法，其特征在于，采用基于时间和情境优化的序列图变换算法提取所述自主学习行为序列的特征向量，包括：

5.根据权利要求1所述的方法，其特征在于，对所述特征向量进行频繁模式挖掘，得到自主学习行为模式挖掘结果，包括：

6.根据权利要求1所述的方法，其特征在于，获取自主学习数据，包括：

7.根据权利要求1所述的方法，其特征在于，基于社会认知自主学习过程模型、线上学习平台、线下课堂、自我报告和生理测量数据获取自主学习数据，包括：

8.一种自主学习行为模式挖掘装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的自主学习行为模式挖掘方法。

技术总结本发明涉及自主学习技术领域，具体涉及一种自主学习行为模式挖掘方法、装置、设备及存储介质。方法包括：获取自主学习数据；采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，得到自主学习行为序列；采用基于时间和情境优化的序列图变换算法提取自主学习行为序列的特征向量；对特征向量进行频繁模式挖掘，得到自主学习行为模式挖掘结果。本发明通过采用情境注意力元数据规范和体验式应用程序编程接口学习标准对自主学习数据进行标注，从而全面丰富了数据维度，使得学习行为的表征更为全面和精准。基于情境和时间因素对序列图变换算法优化，有效提高了后续挖掘的准确性和效率，使得挖掘结果更具实用性和个性化。技术研发人员：陈丽,郑勤华,吴瑶,朱迁踏,郭利明,杜君磊受保护的技术使用者：北京师范大学技术研发日：技术公布日：2024/7/29