本發(fā)明涉及學習干預，具體為基于大數據的青少年數字媒體素養(yǎng)干預系統及方法。

背景技術：

1、在線學習平臺是一個集成了多樣化教育資源和學習工具的數字化學習環(huán)境，充分利用互聯網技術的優(yōu)勢，打破了傳統教育在時間和空間上的限制。在這個平臺上，學習者可以隨時隨地訪問到來自世界各地的豐富課程內容，包括高質量的視頻講座、生動有趣的互動教程、實時更新的在線測試與習題集等。在線學習平臺還提供了便捷的學習管理工具，如學習進度跟蹤、成績分析、在線討論等，以促進學習者之間的交流與合作，提升學習效果。通過在線學習平臺，人們可以更加靈活高效地獲取知識和技能，推動知識的廣泛傳播與終身學習的發(fā)展。

2、學習干預是一種基于在線學習平臺深度分析學生學習行為數據，進而采取個性化、精準化的教學策略，通過定制學習計劃、智能推薦學習資源、提供針對性學習技巧培訓和實時學習進度跟蹤與反饋等多元化手段，旨在有效識別并解決學生在學習過程中遇到的難點與挑戰(zhàn)，全面激發(fā)學生的內在學習動力，提升學習效率與質量，促進學生的全面發(fā)展與個性化成長。

3、在授權公告號為cn109635869b的中國發(fā)明專利中，公開了一種在線學習干預系統，該系統包括數據收集模塊、群體劃分模塊、策略庫形成模塊，數據收集模塊用于收集若干份歷史數據；群體劃分模塊用于將所述歷史數據劃分為多個分類群體，以及生成各個學習階段的分類模型；策略庫形成模塊用于抽象出每個分類群體的群體特征和干預措施規(guī)則，得到每個分類群體的策略集，所有的分類群體的策略集構成學習者策略庫。采用生成的策略庫，借助了以往同門課程相同學習階段所有學習者的經驗，不易造成評估偏差。

4、結合以上申請和現有技術中的內容；

5、在學生處于自學狀態(tài)或者居家學習狀態(tài)時，通常需要借助于在線學習平臺，但是考慮到自主學習缺少監(jiān)督，學生可能難以達到預期的學習目標，因此需要經常采集學習反饋數據，依據學習反饋數據對學生狀態(tài)進行評估，以便于及時進行調整當前的學習狀態(tài)。

6、現有的青少年數字媒體素養(yǎng)干預方法中，在學生通過在線學習平臺進行自主學習時，通常會引入大數據和新媒體，利用新媒體和大數據推薦向學生匹配相應的學習資源，實現學習資源的個性化定制，以此提高學習效率，改善學習反饋；但在學生自主學習時，現有的干預方法中，對學生學習的干預路徑通常由學生當前的學習反饋數據確定，在學生學習狀態(tài)存在較大轉變時，預先構建的干預路徑及干預方式的轉變會存在較大的滯后性，在學習資源個性化定制策略和推送的內容產生偏差時，也不能快速地進行調整，這就容易導致現有的干預方法難以起到預期的改善效果。

7、為此，本發(fā)明提供了基于大數據的青少年數字媒體素養(yǎng)干預系統及方法。

技術實現思路

1、（一）解決的技術問題

2、針對現有技術的不足，本發(fā)明提供了基于大數據的青少年數字媒體素養(yǎng)干預系統及方法，通過為學生推薦相應的學習資源，采集學習狀態(tài)數據生成提醒值，在提醒值低于預期時向外部發(fā)出學習提醒，由接收學習提醒的狀態(tài)數據生成提醒密集度，在提醒密集度高于預期時，對成績反饋數據進行數據分析，由對學生學習過程進行干預前后的學習反饋值生成目標完成度，若目標完成度不超過預先設置的完成度閾值，由主成分分析獲取影響目標完成度的影響因子，對學習資源推送策略進行優(yōu)化，執(zhí)行即時激勵反饋措施或者輸出對干預路徑優(yōu)化的優(yōu)化建議。為學生的個性化定制學習資源，使學生在當前的學習路徑上獲取更匹配的學習資源；從而解決了背景技術中記載的技術問題。

3、（二）技術方案

4、為實現以上目的，本發(fā)明通過以下技術方案予以實現：

5、基于大數據的青少年數字媒體素養(yǎng)干預方法，包括，采集學生學習反饋數據后生成學生的學習反饋值，對學習反饋值進行預測和趨勢分析，若其變化趨勢和預期不一致，由學生的學習過程數據及學習目標生成學生學習檔案；

6、由學生學習檔案生成學習干預路徑，依據學習資源推送策略為學生推薦相應的學習資源，采集學習狀態(tài)數據生成提醒值，在提醒值低于預期時向外部發(fā)出學習提醒，在其未被在預定時間內確認時切換提醒方式；

7、由接收學習提醒的狀態(tài)數據生成提醒密集度，在提醒密集度高于預期時，對成績反饋數據進行數據分析并生成學習反饋報告；

8、由對學生學習過程進行干預前后的學習反饋值生成目標完成度，若目標完成度不超過預先設置的完成度閾值，由主成分分析獲取影響目標完成度的影響因子，對學習資源推送策略進行優(yōu)化；

9、引導學生通過新媒體途徑創(chuàng)建學習分享內容并采集分享反饋數據，由分享反饋數據生成分享系數，其中，對支持率、互動率及分享率做線性歸一化處理，依照如下方式：

10、；

11、式中：及為權重系數，，，且。

12、依據分享系數執(zhí)行即時激勵反饋措施，或者由學習干預路徑優(yōu)化知識圖譜輸出對干預路徑優(yōu)化的優(yōu)化建議。

13、進一步的，采集學生學習反饋數據，包括學習時間分布、考試成績、作業(yè)成績及學科進度目標達成數據，匯總生成學習反饋數據集合；以反饋數據作為輸入，使用訓練后的反饋評價模型進行反饋評價，獲取學生學習反饋值。

14、進一步的，對學習反饋值進行預測并獲取相應的預測值，沿著時間排列并構建相應的趨勢圖；將獲取的趨勢圖與預期趨勢圖之間進行相似性分析，若獲取的趨勢相似度低于相似度閾值，收集學生的學習過程數據，引導學生使用smart原則設定學習目標。

15、進一步的，對學生學習檔案進行特征提取后獲取相應的學習特征，由預訓練的路徑規(guī)劃算法依據學習特征為學生生成相應的學習干預路徑；

16、采集學生學習資源后匯總生成學習資源庫；依據學習干預路徑與學習資源間的對應性，由基于內容的推薦算法生成學習資源推送策略。

17、進一步的，在預先設置的學習觀察周期內采集和記錄學生的學習進度和學習目標達成率等學習狀態(tài)數據，由學習狀態(tài)數據生成提醒值；

18、若提醒值低于預設的提醒閾值時，向外部發(fā)出學習提醒；預先收集和設置若干個提醒方式，匯總生成提醒方式庫；采集學生對學習提醒的反饋數據及偏好數據，由預訓練的推薦算法在提醒方式庫內選擇提醒方式。

19、進一步的，由學習狀態(tài)數據生成提醒值的方式如下：

20、；

21、式中：及為權重系數，，，且；

22、為時間t上的學習進度，為目標進度值，為t時刻上的學習成績，為目標成績；為觀察周期上的任一時間節(jié)點。

23、進一步的，若當前提醒周期內發(fā)出學習提醒的次數超過預期，將提醒值超出提醒閾值的比例作為提醒比，由接收到學習提醒間的時間間隔及提醒比生成提醒密集度，若提醒密集度高于預先設置的密集度閾值，向外部發(fā)出成績分析指令；其中，生成提醒密集度的方式如下：

24、；

25、式中：為第 i次與第 j次學習提醒之間的提醒比差值，為差值的均值，為大于0的極小數，為次數閾值，為提醒次數；為提醒周期的長度，為時間衰減系數，為時間t上學習提醒的間隔；權重系數，，，，且。

26、進一步的，采集學生成績反饋數據，接收到成績分析指令后，使用訓練后的成績識別模型對學生的成績反饋數據進行分析，獲取學生當前階段的學習弱項數據，由學習反饋數據、學習狀態(tài)數據及學習弱項數據生成學習反饋報告。

27、進一步的，將對學生學習過程進行干預前后的若干個反饋節(jié)點進行對齊后，由反饋節(jié)點上的學習反饋值生成目標完成度，若目標完成度不超過預先設置的完成度閾值，向外部發(fā)出優(yōu)化指令；

28、進一步的，由反饋節(jié)點上的學習反饋值生成目標完成度的方式如下：

29、；

30、其中，及分別為干預前后第 i個反饋節(jié)點上的學習反饋值，及為相應的均值， i為反饋節(jié)點序號，， n為反饋節(jié)點的個數，為第 i個反饋節(jié)點的完成度中間值，為相應的均值。

31、進一步的，接收到優(yōu)化指令后，收集學生的干預反饋數據，對干預反饋數據進行主成分分析，獲取影響目標完成度的影響因子；

32、以預訓練的遺傳算法依據影響因子對學習資源推送策略進行優(yōu)化，獲取優(yōu)化后的學習資源推送策略。

33、進一步的，通過新媒體途徑創(chuàng)建學習分享內容并添加主題標簽，采集分享反饋數據，包括支持率、互動率及分享率，匯總后生成分享反饋數據集合；由分享反饋數據集合內的分享反饋數據生成分享系數；

34、若分享系數超過預設的分享閾值，執(zhí)行即時激勵反饋措施；

35、若獲取的分享系數不超過預設的分享閾值，由預訓練的lda算法學習反饋報告進行主題提取，獲取相應的反饋主題；以學習干預路徑優(yōu)化作為目標詞，預先構建學習干預路徑優(yōu)化知識圖譜。

36、進一步的，對優(yōu)化建議的輸出間隔進行約束，經過符合約束條件的輸出間隔后，將優(yōu)化建議輸出，其中，約束方式如下：

37、；

38、式中：為創(chuàng)建學習分享內容的次數，為第 i次的分享系數，為相應的均值，為時間節(jié)點與間目標完成度的差值，為目標完成度的差值的預期值，為相應的差值閾值；為指示函數，條件成立時取值為1，反之為0，權重系數，，，且。

39、基于大數據的青少年數字媒體素養(yǎng)干預系統，包括，反饋數據分析單元，采集學生學習反饋數據后生成學生的學習反饋值，對學習反饋值進行預測和趨勢分析，若其變化趨勢和預期不一致，由學生的學習過程數據及學習目標生成學生學習檔案；

40、進度提醒單元，由學生學習檔案生成學習干預路徑，依據學習資源推送策略為學生推薦相應的學習資源，采集學習狀態(tài)數據生成提醒值，在提醒值低于預期時向外部發(fā)出學習提醒，在其未被在預定時間內確認時切換提醒方式；

41、反饋報告生成單元，由接收學習提醒的狀態(tài)數據生成提醒密集度，在提醒密集度高于預期時，對成績反饋數據進行數據分析并生成學習反饋報告；

42、策略優(yōu)化單元，由對學生學習過程進行干預前后的學習反饋值生成目標完成度，若目標完成度不超過預先設置的完成度閾值，由主成分分析獲取影響目標完成度的影響因子，對學習資源推送策略進行優(yōu)化；

43、分享反饋單元，引導學生通過新媒體途徑創(chuàng)建學習分享內容并采集分享反饋數據，由分享反饋數據生成分享系數，依據分享系數執(zhí)行即時激勵反饋措施，或者由學習干預路徑優(yōu)化知識圖譜輸出對干預路徑優(yōu)化的優(yōu)化建議。

44、（三）有益效果

45、本發(fā)明提供了基于大數據的青少年數字媒體素養(yǎng)干預系統及方法，具備以下有益效果：

46、1、通過采集學習反饋數據生成學習反饋值，對學生當前的學習成果及學習狀態(tài)進行評價，可以在學習效果未能達到預期時及時對其進行調整；對學習成果進行綜合性的階段的評價，可以實現整體性評估和避免單一性評價的不穩(wěn)定性。

47、2、依據學習檔案為學生構建相應學習路徑及學習資源推送策略，對學生學習過程及消息目標的定制化干預；在學生學習檔案基礎上匹配和設置干預路徑，在學生在線學習平臺進行學習時，可以針對性地和定制化地對學生的學習素養(yǎng)進行輔助。

48、3、對學生的學習反饋效果及學習素養(yǎng)等進行持續(xù)性采集并生成提醒值，對學生當前的學習狀態(tài)及學習效果進行評價，在當前的學習效果未能達到預期時，向學生發(fā)出提醒，防止學生持續(xù)性低學習狀態(tài)。

49、4、以學生的提醒反饋數據及偏好數據作為引導，向學生適應性的選擇提醒方式，可以提高推送效率，提高學生的關注度；在當前階段接收到學習提醒的次數較多時，以學習提醒作為起點構建提醒密集度，實現對當前學習效果的二次評價，使學生或者干預人員可以據此做出進一步的響應處理。

50、5、通過數據分析和識別快速確定學生學習弱項，可以對其進行針對性的處理，通過定期地生成輸出學習反饋報告，對當前的學習狀態(tài)及學習結果等進行反饋，可以實現對學生學習的進度及學習進度形成跟蹤。

51、6、依據目標完成度可以對當前的干預效果形成有效的評價，驗證當前的學習干預是否取得了預期的效果，重新為學生的個性化定制學習資源，使學生在當前的學習路徑上，獲取更匹配的學習資源。

52、7、通過采集的分享反饋數據生成分享系數，以引入外部評價和新媒體途徑，對學生當前的學習結果進行綜合評價，評價的可靠性更高，通過以此采取激勵反饋措施，也可以對學生起到正向促進和激勵作用，增加學習的積極性。

53、8、確定當前的學習干預路徑后對其進行優(yōu)化和調整，在學生當前的學習狀態(tài)不能取得預期效果時，可以及時對其進行調整；通過對學習干預路徑的輸出間隔進行約束和調整，避免高頻率的調整對學生學習效果的影響；作為對學習內容及學習效果的展示，促進學生的新媒體素養(yǎng)的增長。