doloris 1.0.2

Detection Of Learning Obstacles via Risk-aware Interaction Signals

Doloris

中山大学 2025 年《模式识别》课程大作业项目

组员：许睿林、傅小桐

Doloris（Detection Of Learning Obstacles via Risk-aware Interaction Signals）是一款用于基于交互信号分析学习障碍的检测系统。它支持用户友好的命令行界面、可视化面板以及灵活的机器学习模型配置，适用于教育行为数据分析与预测任务。

在线演示 Demo 链接 https://doloris.tokisakix.cn/

🔧 安装方式

用户安装（推荐）

使用 pip 一键安装：

pip install doloris

开发者模式安装

若你正在开发或调试本项目，建议使用源码安装：

pip install .

安装完成后可通过下列命令验证版本：

doloris version

🚀 快速开始

启动可视化面板

运行以下命令以启动 Doloris 的交互式面板（默认缓存路径为 .doloris/）：

doloris panel --cache-path <缓存目录路径>

可选参数：

• --cache-path：指定缓存数据的目录路径（默认 .doloris/）
• --share：是否开启公网访问链接（默认 False）

运行模型算法

Doloris 提供命令行方式运行学习障碍检测算法，算法运行可视化结果保存在缓存路径下的 algorithm_output 文件夹：

doloris algorithm --cache-path <缓存目录路径> \
                  --label-type <binary|multiclass> \
                  --feature-cols <特征列1,特征列2,...> \
                  --model-name <模型名称>

可用参数说明：

• --cache-path：指定缓存数据的目录路径（默认 .doloris/）

• --label-type：指定标签类型（默认：binary），可选值：binary, multiclass

• --feature-cols：用逗号分隔的特征列名（默认为预设特征）

• --model-name：选择的模型名称，支持如下几种：

  • logistic_regression
  • naive_bayes
  • knn
  • svm
  • sgd
  • mlp

示例命令：

doloris algorithm --label-type binary --model-name naive_bayes

🧠 默认特征说明

默认使用以下交互特征进行建模：

• age_band
• highest_education
• imd_band
• num_of_prev_attempts
• studied_credits
• total_n_days
• avg_total_sum_clicks
• n_days_oucontent
• avg_sum_clicks_quiz
• avg_sum_clicks_forumng
• avg_sum_clicks_homepage

你也可以通过 --feature-cols 参数自定义特征列表。

性能评估指标说明

Doloris 在训练与测试阶段均自动计算以下性能指标：

准确率（Accuracy）

$$ \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} $$

表示模型在所有样本中的总体正确预测比例。

精确率（Precision）

对于某一类别 $c$，精确率定义为：

$$ \text{Precision}_c = \frac{TP_c}{TP_c + FP_c} $$

衡量模型预测为该类别时，实际为该类别的比例。

召回率（Recall）

$$ \text{Recall}_c = \frac{TP_c}{TP_c + FN_c} $$

衡量模型成功识别出该类别样本的比例。

F1 分数（F1-score）

F1-score 是精确率与召回率的调和平均：

$$ \text{F1}_c = \frac{2 \cdot \text{Precision}_c \cdot \text{Recall}_c}{\text{Precision}_c + \text{Recall}_c} $$

同时计算宏平均（Macro Average）与加权平均（Weighted Average）：

宏平均（Macro） 为各类 F1-score 的算术平均：

$$ \text{Macro-F1} = \frac{1}{C} \sum_{c=1}^{C} \text{F1}_c $$

加权平均（Weighted） 根据每类样本数量加权：

$$ \text{Weighted-F1} = \frac{1}{N} \sum_{c=1}^{C} n_c \cdot \text{F1}_c $$

其中 $n_c$ 表示第 $c$ 类样本数，$N$ 为总样本数。