[0001] 本发明属于人工智能技术领域，涉及一种智能教学应用的教学行为分析方法。

[0002] 随着智能技术不断发展，其在各行业中不断发挥作用，在教育中的应用也在不断推进，与教育结合更加紧密。当前各类人工智能企业相继开发如智能系统等智能教学应用，赋能智能教育的发展与变革。随着智能教学应用在课堂教学中的普及与应用，打破了教师原有教学习惯，教学模式也发生了变革。与之相适应的教学模式与课堂教学行为分析等研究，得到了更多的关注。教学行为分析通过对教学过程中产生的各种教师行为数据进行解读和分析，以评估教师教学开展情况并指导教师改进教学。课堂教学行为分析有助于教师进行教学反思与优化，优化教学工作流程，创新教育教学，探索智能教学应用成效，提升教学效能。

[0003] 申请号为201210446546.0的发明所述的课堂教学模式分析方法，通过对教学音频、视频、实地计数个方式对课堂教学行为进行采用与分析。使用的分析方法较为传统，未能关注教学过程中复杂交互行为中的交叉依赖关系，也未能有效对不同教师的行为模式进行识别分类，对在当前人工智能与大数据技术发展的背景下，难以适应当前智能教学的实际需求。

[0004] 申请号为202210829198.9的发明所述的基于知识库的教学特征融合与建模的教学行为分析系统，通过采集并融合课堂教学数据与教学资源数据，提取课堂教学特征数据，对课堂教学进行建模分析。主要侧重于融合不同来源课堂教学数据进行分析，未结合教师教学使用智能教学应用产生的实际日志数据，实现难度较大。

[0034] 下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

[0035] 如图1‑图4所示，本发明公开了一种智能教学应用的教学行为分析方法，包括下列步骤：

[0036] S1、首先调用教师行为数据采集模块采集得到教师行为数据。

[0037] 操作人员需要从智能教学应用的后端数据记录平台中，获取教师行为数据。在数据采集模块采集教师行为数据后，对教师行为数据进行清洗与预处理，使其达到符合数据分析与挖掘的要求。

[0038] 所述教师行为数据包括教师通过智能教学应用及应用产生的各种具体教学行为，具体包括点击操作、批改操作、备课操作等行为产生的数据，这些数据常常在智能教学应用以日志数据形式储存，因此又可将具体教学行为称为教学日志行为数据。

[0039] S2、依据具体教学行为的多样性与频率将教师行为数据分为若干类教学模式，所述教学模式的种类具体包括密集使用、非专门使用、专门使用和有限使用四类。

[0040] 该步骤是基于使用扩散理论模型对步骤S1预处理后的教师行为数据进行分类，分类所得的教学模式是从教师行为数据中具体教学行为的多样性和使用频率两个维度上进行划分。

[0041] 使用具体教学行为的多样性维度上，采用信息熵数值对多样性维度指标进行量化。信息熵被用于描述系统信息的不确定性，是分析系统复杂性和多样性的量化指标。该步骤中通过计算教师各种具体教学行为的信息熵，用以衡量对应教师行为数据使用具体教学行为的多样性。该步骤中教师行为数据的多样性维度指标的计算公式为：E(x)＝‑∑P(xi)log2(P(xi))(i＝1，2，...，m)，该公式借用信息熵得到，其中xi表示第x位教师的i种具体教学行为，m为具体教学行为的种类总数，P(xi)表示xi的概率函数，E(x)表示量化的多样性维度指标。

[0042] 在使用频率维度上，采用具体教学行为发生的频次对使用频率维度指标进行量化。该步骤中通过计算教师在一段时间各种具体教学行为的发生次数用以衡量对应教师的各种具体教学行为的使用频率。当具体教学行为中存在对教学作用明显大于其他行为的特定行为时，所述特定行为被称为关键行为。该步骤中教师行为数据的使用频率能只计算关键行为发生的频率，从而减少计算量，并让分类结果更加合理。

[0043] 如图4所示，所述的四大类型教学模式通过分别设置多样性阈值和使用频率阈值，将教师行为数据在多样性与使用频率两个维度上依据相应指标的高低进行分类。四类教学模式的分类方式如下：密集使用为使用频率维度指标和多样性维度指标均高于相应阈值的教学模式，有限使用为使用频率维度指标和多样性维度指标均低于相应阈值的教学模式，非专门使用为多样性维度指标高于多样性阈值而使用频率维度指标低于使用频率阈值的教学模式，专门使用为使用频率维度指标高于使用频率阈值而多样性维度指标低于多样性阈值的教学模式

[0044] S3、采用滞后序列算法与Louvain算法分别进行行为路径分析和行为模式分析。

[0045] 滞后序列算法是分析行为模式的重要方法之一，该算法能够帮助人们探索和总结在复杂的交互行为序列中发生的交叉依赖关系，并将行为序列中重复发生的行为整理成一条关系链。该步骤使用滞后序列算法进行教师行为数据的路径分析，由于具体教学行为种类过多，频次也很高，如果直接作为节点计算不仅计算量很大，而且分析所得的行为路径过于细碎，难以总结出有效规律和特点，因此本方案实际利用智能教学应用中的功能点模块建立节点。所谓功能点模块，即智能教学应用设计时已按照行为逻辑和相关性设计形成的执行一系列相关的具体教学行为的功能模块，如果与备课行为相关的备课管理模块、与课堂互动行为相关的课堂互动模块。节点能对应该教师使用该功能点模块的一系列具体教学行为。

[0046] 滞后序列算法中的频率转换矩阵体现了具体教学行为中某一行为之后发生另外一种行为的频率。频率转换矩阵能记录上述两个行为时间节点的先后顺序，其方向是从上一步行为指向下一步行为，体现了行为发生频率及行为之间的关系。滞后序列算法中的残差矩阵用于体现具体教学行为中两个行为之间的前后转换关系的显著性，采用残差值标准分以衡量从一个行为到另一个行为之间转移的可能性。在本实施例中，当残差值标准分z‑score大于1.96时，表示对应的两个行为转换频次达到统计上的显著性水平。残差值标准分z‑score计算方式如下，

[0047]

[0048] 在残差值标准分的计算公式中，σ表示行为分布的观测值，表示行为分布的期望值，因此分子 表示实际的行为发生概率与根据样本正态分布情况推测的行为发生概率间的差距，即实际的行为发生概率越大则残差值标准分z‑score也越高；分母为所有教师的行为标准差，σi为教师i的行为标准差，同样反映了行为发生概率越大、残差值标准分z‑score也越高的结论。通过上述分析能够得到教师的各个节点之间的先后顺序和相关性，从而得到各个教师的行为路径。

[0049] 该步骤中采用Louvain算法对各个教师的行为模式进行进一步细化分类，并采用模块度评价行为模式细化分类的质量。

[0050] 本方法采用Louvain算法进行行为模式的细化分类，Louvain是一种用于划分识别大型网络中的社群的方法。本方案中，Louvain算法同样采用之前应用滞后序列算法时建立的节点和分析得到的节点之间的相关性建立网络，并对该网络中节点进行社群划分识别。同处于一个社群中的功能点模块，意味着它们可能在同一组用户行为中被多次使用，因此能通过观察组成社群的功能点模块以反映该教师的行为模式，体现了更细化的差别。

[0051] Louvain算法中，网络是由具体相关性的关联节点组成的一个加权网络。社群为根据节点间连接的紧密程度(相关性)形成的不同“簇”。社群的特点是社群内部的连边紧密而社群外部的连边稀疏，前述网络能够被视为由这些不同的“簇”组成的。Louvain算法中用模块度评价社群的质量，模块度表现在网络结构划分识别之后各个社群的紧密程度。一个好的划分识别结果其表现形式是：在社区内部的节点相似度较高，而在社区外部节点的相似度较低，因此能将计算划分识别后的社团网络与空模型进行比较，用以评价划分识别标准的好坏。基于上述构思，模块度被定义为网络的社群内部连边数Qreal与其相应的空模型Qnull的社群内部连边数之差占整个网络连边数的比例，即：

[0052]

[0053] 上式中，社群表示为C＝{C1，C2，...，Cn}，Ci是节点i所在社区，函数δ(Ci，Cj)表示当Ci等于Cj时，函数值为1，否则为0；Qreal表示该网络划分识别为多个社群后社群内部连边的总数，Qnull表示对于该网络对应的一个相同度序列的空模型使用相同社群划分识别后社群内部连边的总和期望值；M为网络中所有连边的总数，计算式为 其中Aij代表节点i和节点j之间边的权重，ki表示节点i的度，计算式为ki＝∑jAij，即所有连接到节点i的边权重之和；同理kj表示节点j的度。空模型为保留了网络的节点度序列的一阶空模型，空模型与对应网络具有相同数量的节点但随机连边，是一个随机网络。

[0054] 由于模块度反映了社群中行为的紧密性，数值越大表示社群的内聚力越强，内部各节点的联系也越紧密，因此模块度能反映社群是否能独立存在并区别于其他社群，描述了相应教师的行为模式是否独立、排他。

[0055] Louvain算法包括下列阶段：第一阶段，设定一个有N个节点的加权网络，首先将每个节点看作一个独立的社群，在初始划分识别中，社群数等于节点数。然后进行单个节点的划分识别。单个节点的划分识别方法包括：对一个节点i以及其邻居节点j，计算将节点i从其原来群体中移除并将其置于j的群体中所产生的模块度增益，然后将节点i放置在模块度增益最大的社群中；节点社群改变的前提是模块度增益为正数，如果没有正增益，则节点i就保持在它原来的社群中。单个节点的划分识别方法被重复地和顺序地应用于所有节点，直到不能取得进一步的改进，即实现了对社群划分识别，完成第一阶段。

[0056] 第二阶段，构建一个新网络，新网络中的新节点被更新为我们在第一阶段所发现的社群。此时，两个新节点之间连接的权重值是第一阶段对应的两个社群中节点之间权重之和。然后单个节点的划分识别方法重新应用于各个新节点进行社群划分识别的新一轮迭代。

[0057] 基于前一阶段获得的社群划分识别结果，重复第二阶段的方法实现社群划分识别的新一轮迭代的过程被称为“过渡”，通过每次“过渡”的不断建构实现社群划分识别的多次迭代，每次迭代使社群的数量不断减少，直至模块度达到最大值且不再改变。

[0058] S4、基于教学模式和分析结果进行可视化与互动输出，对教师提供行为描述、建议、预警。

[0059] 四种教学模式中，如果为密集使用表明使用过程中采用的应用中的具体教学行为频率高，应用较多，而有限使用则说明具体教学行为频率少，会建议增加使用各种具体教学行为的频率，提升对智能教学应用的使用。而专门使用则说明较少对智能教学应用的使用，多数操作被限制在有限的功能上，会建议教师对其他功能模块增加使用，提高智能教学方式的多样性，而非专门应用则说明教师对功能的应用范围较广，系统会给与较好的评价。

[0060] 而对教师的行为路径分析会得到该教师使用的功能点模块(即节点)以及使用功能点模块的先后顺序和各功能点模块使用中的相关性。该步骤中对于分析得到的行为路径，将节点之间残差值标准分度量大于设定阈值(本实施例为3.291)的先后顺序通过带有差值标准分数值的箭头连线进行表示，通过显示相应功能点模块以及所述箭头连线得到相应的行为路径示意图表示教师的行为路径，从而表现该教师的教学行为的特点。如图2为A类教师的行为路径图，表现A类教师主要形成了“主页、电子课本、备课管理”和“主页、电子课本、备课管理、课堂互动”等几种行为路径，表现了A类教师主要利用智能教学应用进行备课和互动教学的教学活动。如图3为B类教师的行为路径图，B类教师主要形成了“主页、电子课本、备课”和“主页、布置作业、练习”的等行为序列，表现了B类教师主要利用智能教学应用进行备课和布置作业和相关练习的教学活动。由此能够了解教师对智能教学应用各个功能的掌握情况和使用方式，从而能够针对教师的需求和不了解的功能进行进一步协助和指导。A类教师和B类教师仅为实验验证过程中基于实验设计采用不同行为模式的教师样本分组类别，与前述的教学模式分类或行为模式分类无关。

[0061] 经过上一步中对教师的行为模式进行社群划分识别后，能够得到教师行为模式的细化分类，本实施例中以表格形式展示如表1。

[0062] 表1：基于Louvain算法得到的教师行为模式分类表

[0063]

[0064] 表1展示了经过第一学期和第二学期两个阶段(即采集数据的时间段)使用后得到的A类和B类教师行为模式分类，行为模式对应于算法划分识别得到的社群，每个社群的模块度均超过相应的设定阈值，以功能点模块表示社群中的节点，对应到表格中[]内的功能点模块名称(单引号″中的内容)，上述社群的模块度均超过相应的设定阈值。而表1中的权重项目表示的是上述模块度超过设定阈值的行为模式对应的社群在所有分类结果社群中的占比，体现了相应教师的教学行为中有多少比例的行为形成了明显的行为模式。上述由表1可知，A类教师在第一学期就已经初步形成了“作业练习”、“备课准备”、“课堂授课”等三个独立的行为模式，而在第二学期又进一步分离出“课堂互动”行为模式。与之相比，B类教师在第一学期形成的最大社群包含了“课堂讲解”、“课堂互动”、“作业练习”等多种类型的行为未形成有明显偏向性的行为模式，而在第二学期“课堂互动”行为逐渐从该社群中分离、独立出来，形成特定的行为模式。上述社群划分识别的结果表明A类教师比B类教师更早地形成了独有的教学行为模式，其信息化应用能力起点更高，且还在不断提高。因此后续能够对A类教师给出较高评价，并对B类教师对其不擅长的行为模式给予引导和培训。

[0065] 除了智能教学应用的开发管理人员，教师自身也能通过基于上述方法给出的评价和建议，自己对使用智能教学应用的过程和目的进行总结反思，从而改良对智能教学应用的使用方式以及教学方法，使自身对智能教学应用进行信息化应用能力得以进一步提高。

[0066] 上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。