CN111476495B - 一种提升学习效率的评价及优化方法及其系统 - Google Patents
一种提升学习效率的评价及优化方法及其系统 Download PDFInfo
- Publication number
- CN111476495B CN111476495B CN202010285513.7A CN202010285513A CN111476495B CN 111476495 B CN111476495 B CN 111476495B CN 202010285513 A CN202010285513 A CN 202010285513A CN 111476495 B CN111476495 B CN 111476495B
- Authority
- CN
- China
- Prior art keywords
- score
- students
- data
- knowledge point
- subject
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 13
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000002245 particle Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种提升学习效率的评价及优化方法及其系统，该方法:首先，用于根据学生单科课程考试的成绩数据，对学生按照成绩进行聚类分析，其次利用主成分分析法分析得出针对该学生单科的不同知识点的重要程度以及在试卷上的位置的知识点划分及位置识别步骤；得到不同类别的学生对于不同知识点的掌握情况的知识点得分统计及稳定性分析步骤，对未知每个试题的得分及总分的预测结果的成绩预测步骤和根据知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，对学生进行学习效率评价和学习效率提升优化的评价及优化步骤。该方法能针对学生与教师提供个性化、现实可行的高价值辅助决策信息，提高自己的学习效率。
Description
技术领域
本发明涉及教育学领域，尤其涉及一种基于大数据技术对学生测验试卷进行分析进而对学生了解知识点掌握情况与教师调整教学方法提供参考的提升学习效率的评价及优化方法及其系统。
背景技术
全面提高高等教育质量已经成为学界共识、社会需求和国家教育改革发展的核心任务，在信息化时代，大数据的出现为新时代教育发展打开了一扇新大门。本课题研究目的为促进大数据和学校教育的深度融合，构建基于大数据的教育环境，改变教学教育活动的各项要素，在教学理念、教学模式、教学过程、教学内容、管理方式等方面进行全面创新，最终达到提升学校教育质量目标，助力国家人才战略实施。
当前，我国人数上万的大学数量较多，在校学生的全过程管理、教师教学安排、课件和视频上传、远程教育课程等过程中均会产生大量数据，且随着更多的信息设备使用，学校可获取的数据将会爆炸式增长，但对大数据概念、大数据如何提升教学质量多数学校理解比较模糊，对数据利用效率低，通过本课题研究，可以进一步明确大数据和教育融合概念“是什么”、需要“做什么”、“怎么做”和“做后效果”等一系列问题，让大数据从概念走向实际，让数据中蕴含的有价值信息真正为学生、教师、学院、学校等分处不同层级的人所用，从而最终达到提高教育质量的目的。此外，本课题进行的探索也将开启高校工作与大数据技术结合的先河，对于大数据在教育领域的推广和应用具有积极作用和较高的研究价值。
发明内容
本发明公开了一种提升学习效率的评价及优化方法，以解决现有技术的上述以及其他潜在问题中任一问题。
为实现以上目的，本发明采取以下技术方案：一种提升学习效率的评价及优化方法，该方法将学生按照学科课程考试的各小题成绩数据进行聚类，然后将聚类后的数据利用主成分分析法进行处理，得到所述学科的不同知识点对于学生的重要程度、在试卷上的位置和掌握情况，并结合未知每个试题的得分及总分的预测结果，建立知识点图谱，根据得到知识点图谱依据不同类别的学生进行提升学习效率的评价及优化。
进一步，所述方法具体包括以下步骤：
聚类分析步骤，所述步骤用于选取学生的学科课程考试的各小题成绩数据，进行标准化处理，再将学生按照学科课程考试的各小题成绩数据进行聚类；
知识点划分及位置识别步骤，所述步骤根据聚类后的数据，利用主成分分析法分析，得出在所述学科的不同知识点对于学生的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析步骤，所述步骤得到不同类别的学生对于所述学科的不同知识点的掌握情况；
成绩预测步骤，所述步骤得出对未知每个试题的得分及总分的预测结果；
评价及优化步骤，所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，对学生进行学习效率评价和学习效率提升优化。
进一步，所述知识点划分及位置识别步骤具体为：
对聚类后的各小题成绩数据进行检验，如果所述各小题成绩数据满足分析因子，则进行下一步，否则返回聚类分析步骤，
通过主成分分析方法分析满足分析因子的所述各小题成绩数据，分离出总方差积累贡献度值，选取总方差积累贡献度值达到平方和提取标准且方差累计值大于设定阈值的4％的各项主成分，将各项所述主成分作为反映学生该学科课程考试的学习指标值；
根据各项所述主成分得到成分矩阵，旋转成分矩阵，根据结果确定各项所述主成分所对应的各小题成绩数据在试卷卷面题目所代表所述学科的知识点；
根据各项所述主成分计算因子得分矩阵，通过对因子得分矩阵每列加和数据的大小的比较得出不同知识点的重要程度，对每行中各列的数据的大小比较得出知识点在试卷上的坐标。
进一步，所述知识点得分统计及稳定性分析步骤具体为：
将聚类分析步骤中得到的聚类数据与知识点划分及位置识别步骤中分离出的所述各项主成分中所确定的各小题权重相乘，根据得分得出不同类别学生在不同领域的知识点掌握的稳定性。
进一步，所述成绩预测步骤的具体为：
以已知的所述学科其他考试的试卷上各小题成绩作为训练样本的数据集；
将训练样本的数据集输入到采用粒子群优化算法优化的SVR模型中进行机器学习方法训练，得到针对不同未知题目成绩预测的输出数据预测模型；
将所述学科其他考试试卷部分已知小题成绩输入到针对不同未知题目成绩预测的输出数据预测模型，得到对该单科未知小题成绩的预测结果。
进一步，所述评价及优化步骤具体为：
所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，按照知识点在试卷上的分布建立知识点图谱，
根据得到知识点图谱依据不同类别的学生在不同知识点的得分以进行个性化的学习指导，照对比成绩预测的结果合理安排教学与复习。
进一步，所述检验方式为：KMO检验和Bartlett球形，如果KMO检验值大于0.5，同时Bartlett近似卡方统计值充分大且计量显著性概率小于0.01，则满足进行主成分分析的条件。
进一步，所述因子得分矩阵的横坐标为分离后的主成分，纵坐标为小题题号；矩阵的任一元素得出该行所代表的题目对该列所代表的主成分的贡献程度。
进一步，所述判断条件式：若主成分因子得分绝对值整体波动控制在0.1之内，则该类学生整体知识点掌握情况稳定，否则为不稳定。
一种实现上述的提升学习效率的评价及优化方法的计算机程序。
一种实现上述述的提升学习效率的评价及优化方法的信息处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的提升学习效率的评价及优化方法。
本发明的另一目的提供一种实现上述的方法的提升学习效率的评价及优化系统，其特征在于，所述系统包括：
聚类分析模块，所述模块用于根据学生单科课程考试的成绩数据，对学生按照成绩进行聚类分析；
知识点划分及位置识别模块，所述模块根据聚类分析后的成绩数据，利用主成分分析法分析得出针对该学生单科的不同知识点的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析模块，所述模块得到不同类别的学生对于不同知识点的掌握情况；
成绩预测模块，所述模块得出对未知每个试题的得分及总分的预测结果；
评价及优化模块，所述模块根据所述知识点划分及位置识别模块、知识点得分统计及稳定性分析模块、成绩预测模块的结果，对学生进行学习效率评价和学习效率提升优化。
本发明的有益效果是：采用上述技术方案，本发明的方法能针对学生与教师提供个性化、现实可行的高价值辅助决策信息；使学生逐步提高自己的学习效率、教师更好地建立针对性的知识网络构造与教学计划，从而提升高校教育质量。
附图说明
图1为本发明一种提升学习效率的评价及优化方法的流程框图。
图2为本发明的对学生进行聚类分析的谱系图。
图3为本发明中主成分分析碎石图。
图4为PSO优化的SVR模型算法流程图。
图5为PSO寻优过程三维可视化图。
图6为训练集、验证集、测试集和整体样本的主观分真实值与模型预测值的交会图。横坐标为目标值，纵坐标为预测值。
图7为主观分模型预测的绝对误差频数直方图，横坐标为目标值减去预测值的差值即误差值，纵坐标为其频数。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步说明。
如图1所示，本发明一种提升学习效率的评价及优化方法，所述方法具体包括以下步骤：
聚类分析步骤，所述步骤用于根据学生单科课程考试的各小题成绩数据，对学生按照该成绩数据进行聚类分析；
知识点划分及位置识别步骤，所述步骤根据聚类分析后的各小题成绩数据，利用主成分分析法分析得出针对学生在该学科的不同知识点的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析步骤，所述步骤得到不同类别的学生对于不同知识点的掌握情况；
成绩预测步骤，所述步骤得出对未知每个试题的得分及总分的预测结果；
评价及优化步骤，所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，对学生进行学习效率评价和学习效率提升优化。
所述聚类分析步骤具体为：
首先，利用z-score标准化对学生单科课程考试的各小题成绩数据进行标准化处理，
其次，根据标准化处理后的成绩数据对学生进行聚类分析。
所述知识点划分及位置识别步骤具体为：
对聚类分析后的各小题成绩数据进行检验，如果所述各小题成绩数据满足分析因子，则进行下一步，否则返回聚类分析步骤，
通过主成分分析方法分析满足分析因子的所述各小题成绩数据，并分离出总方差积累贡献度达到平方和提取标准的方差累计值大于设定阈值的4％的各项主成分，并确定各项主成分中各小题权重，将所述主成分作为反映学生该学科课程考试的学习指标值；
根据所述主成分得到成分矩阵，根据旋转成分矩阵结果确定各主成分所对应的所述各小题成绩数据的试卷卷面题目所代表该科的知识点；
根据各项所述主成分计算因子得分矩阵，通过对因子得分矩阵每列加和数据的大小的比较得出不同知识点的重要程度(加和结果越大，重要程度越高)，对每行中各列的数据的大小比较得出知识点在试卷上的坐标(每行代表一个题目，每列代表一个知识点，每行之中的最大值代表该知识点的坐标为该行所对应题目的坐标)。
所述知识点得分统计及稳定性分析步骤具体为：
将聚类分析步骤中得到的聚类数据与知识点划分及位置识别步骤中分离出的所述各项主成分中所确定的各小题权重相乘，根据得分得出不同类别学生在不同领域的知识点掌握的稳定性。
所述成绩预测步骤的具体为：
以已知的该单科考试的试卷上各小题成绩作为训练样本的数据集；
将得到数据集输入到采用粒子群优化算法优化的SVR模型中进行机器学习方法训练，得到针对不同未知题目成绩预测的输出数据预测模型；
将所述学科其他考试试卷部分已知小题成绩输入到针对不同未知题目成绩预测的输出数据预测模型，得到对该单科未知小题成绩的预测结果。
所述评价及优化步骤具体为：
所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，按照知识点在试卷上的分布建立知识点图谱，
根据得到知识点图谱依据不同类别的学生在不同知识点的得分以进行个性化的学习指导，照对比成绩预测的结果合理安排教学与复习。
所述检验方式为：KMO检验和Bartlett球形，如果KMO检验值大于0.5，同时Bartlett近似卡方统计值充分大且计量显著性概率小于0.01，则满足进行主成分分析的条件。
所述因子得分矩阵的横坐标为分离后的主成分，纵坐标为小题题号；矩阵的任一元素得出该行所代表的题目对该列所代表的主成分的贡献程度。
所述判断条件式：若主成分因子得分绝对值整体波动控制在0.1之内，则该类学生整体知识点掌握情况稳定，否则为不稳定。
本发明的另一目的提供一种实现上述的方法的提升学习效率的评价及优化系统，其特征在于，所述系统包括：
聚类分析模块，所述模块用于根据学生单科课程考试的成绩数据，对学生按照成绩进行聚类分析；
知识点划分及位置识别模块，所述模块根据聚类分析后的成绩数据，利用主成分分析法分析得出针对该学生单科的不同知识点的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析模块，所述模块得到不同类别的学生对于不同知识点的掌握情况；
成绩预测模块，所述模块得出对未知每个试题的得分及总分的预测结果；
评价及优化模块，所述模块根据所述知识点划分及位置识别模块、知识点得分统计及稳定性分析模块、成绩预测模块的结果，对学生进行学习效率评价和学习效率提升优化。
本发明的原理是：
利用支持向量回归(SVR)建立分数预测的模型。支持向量回归机(SVR)属于支持向量机在回归分析问题上的应用，具有鲁棒性强、实用性强以及有效性高等特点。在解决实际应用问题上，SVR相较于其他的人工智能网络方法占优。SVR的核心思想就是基于已知的训练集数据，实现数据集由低维向高维空间的非线性映射，进而达到低维非线性空间问题转化为高维线性问题的目的，随后在高维空间完成线性回归，最后经过逆映射将回归结果返回到输入空间直至完成整个数据集的回归。SVR的实现过程依托于核函数完成，其决策函数为：
式中，ji(x)为输入空间到高维空间的非线性特征变量，wi为权系数，b为偏置值。
为求解权系数和偏置值，引入最小化式如下：
式中，Le为损失函数，c为惩罚因子，不敏感损失函数e作为结构最小化风险的估计问题。此外，引入Lagrange算子，通过对相关参数做偏导数处理后得到SVR的回归估计函数如下：
式中，αi，αi*≥0(i＝1，2，…，N)为Lagrange乘子，K(xi,x)为核函数，N为输入参数的数目。
核函数是构建SVR系统的关键要素，选取的核函数不同，SVR不同，常见的核函数有线性核函数、多项式核函数、径向基核函数以及两层感知核函数，其中本模型所采取的径向基核函数受数据集维度、样本量大小等因素的影响较小，具有稳定良好的适应能力和收敛性。
将SVR算法应用于成绩预测建模时，对于学生卷面成绩的输入数据，我们取每小题得分作为SVR模型的一个维度，从而建立学生各小题卷面分预测的预测模型。利用输入已知的卷面各小题成绩作为训练样本，通过SVR算法进行机器学习方法训练，并使用训练好的模型，在输入部分已知小题得分数据的情况下实现对卷面其他小题成绩以及总成绩的预测。通过调整不同的输入数据与输出数据进行训练，可得到适用于不同输出数据预测的机器学习模型。
采用粒子群优化算法(PSO)优化模型参数。
由4.1所述，我们已知SVR(支持向量回归机)适用于处理高维数据且其预测效果依赖参数的合理选取，而SVR系统中两个核心参数c(惩罚因子)和g(高斯核函数宽度)通常是人为设定，并不能保证赋予的数值最优，从而影响SVR的性能和精度。考虑到PSO(粒子群)算法的特点就是针对最优化问题寻找最优解，为此，本研究将PSO和SVR进行联合建模，通过PSO算法的寻优能力为SVR系统寻找到最佳的核参数值，进而使得最终建立的SVR系统性能达到最优化。粒子群算法(PSO)是一种仿生类的算法，其对于优化问题的求解非常有效，粒子群由有限数目的粒子构成，其中每一个粒子代表着优化问题的一个潜在解，算法迭代过程中通过不断的调整和改变粒子属性(粒子的速度和位置)来寻找最优解，进而实现可解空间中的寻优。
假设有一个D维解空间问题，种群X＝(X1,X2,L,Xn)由n个粒子构成，其中第i个粒子代表这个D维优化问题的一个解向量Xi＝(xi1,xi2,L,xiD)T，代表一个潜在解，将其代入目标函数即可计算出该粒子Xi对应的适应度值。第i个粒子的速度为Vi＝(Vi1,Vi2,L,ViD)T，对应的个体极值为Pi＝(Pi1,Pi2,L,PiD)T，群体极值为Pg＝(Pg1,Pg2,L,PgD)T。在每一次种群更新迭代中，粒子基于个体极值和群体极值来更新自身的速度和位置值，更新过程中遵循下列公式：
式中，w为惯性权重，i＝1,2,L,n；j＝1,2,L D；k为当前迭代次数，Vij为粒子速度，c1、c2为位置更新中的步长，r1、r2为[0,1]间的随机数。为使粒子在迭代过程中能够完成有效的搜索，通常要对粒子的位置和速度分别设置限制域，分别为[-Xmax,Xmax]、[-Vmax,Vmax]。
在本模型中，我们通过寻求SVR模型最优的参数，即惩罚因子c与高斯核函数宽度g，使SVR算法得到了优化。该参数最优化问题的本质是一个二维解空间问题。通过设置两参数的初始值以及粒子群大小、初始速度等模型参数后，可通过PSO算法多次迭代得出两参数的最优解，即SVR模型的最优参数。
本发明公开了一种利用针对学生个体的聚类分析，试卷成绩的主成分分析和PSO-SVM模型对成绩的预测，我们实现了对学生学习和老师教学的个性化指导。结合针对学生个体的聚类分析和PSO-SVM模型，我们通过对总分预测值的进行分析。利用PSO优化后的SVR我们可以通过快速的客观题测试来对其主观题总分进行预测，相加得到总分可以在期末考试前进行选择题小测，通过模型预测来快速准确的了解课程掌握情况。并实现对下一阶段将学习的知识点掌握情况的预测，我们希望通过对前一阶段测试分数的分析，预测出接下一阶段学生的学习状况，及其知识点可能的掌握情况。从而实现对老师：了解学生对课程掌握情况，在随后的复习中根据此预测来修正教学方案；通过小测，期中考试等阶段性测试的成绩来预测学生在接下来的学习中对某一知识点的题目的得分从而得到对该知识点的掌握情况，从而更好地指导教学。对学生：期末考试前通过选择题测试后的预测分数来更加确切的了解自身学习状况；通过小测、期中考试等阶段性测试成绩来预测接下来的学习中对某一知识点的掌握情况，帮助学生确立学习重点，更加合理高效的学习。
实施例：
1)收集来自北京科技大学线性代数成绩数据，并利用z-score标准化对线性代数成绩进行标准化处理。
2)使用系统聚类法对学生进行分类，结果见图3。简单来看，第一类学生总分其均值为80左右，可以看出这类学生对线性代数这门课具有很好的学习成果；第二类学生总分其均值在50分左右，说明这类学生并没有达到线性代数的教学要求；第三类学生总分其均值在63左右，说明这类学生基本达到教学要求，对基础知识掌握良好。
3)对标准化后的线性代数成绩进行因子分析以便找到不同类学生的特点：
3.1)KMO和Bartlett的检验：我们首先对其进行KMO和Bartlett的检验来保证其满足因子分析分条件。其中KMO＝0.739>0.5，为适合因子分析。Barlett球型检验近似卡方统计值为979.913，足够大，统计量显著性概率p<0.01，适合因子分析。
3.2)总方差积累表及碎石图，结果见图4。利用主成分分析法分离9个主要因子，其方差积累贡献度达到预定要求，利用9个因子代替学生在线性代数上的学习指标。
3.3)成份矩阵及旋转成份矩阵。通过对成分得分矩阵的计算，从矩阵中每列的加和反映出不同因子对各个题目的贡献程度的差异第一因子到第九因子的贡献数据，分别为：0.3451、0.5911、1.2096、1.4339、0.7427、0.2988、0.5147、0.5553、0.6306，其中第四因子贡献最大，即第四因子对总分有的影响最大，第三因子其次；第一和第七因子得分较小我们可以认为其代表基础知识，从矩阵中每行数据反映出各个因子对不同题目的重要程度不同，其数值越大表明该因子在该题目上越重要：例如：第一题主要体现第八因子；第二题主要体现第三因子。
成份得分系数矩阵
提取方法:主成份。
旋转法:具有Kaiser标准化的正交旋转法。
构成得分。
表1
3.4)因子得分矩阵，结果见表1。通过对成分得分矩阵的计算，矩阵中每列之和反映不同因子对各个题目的贡献程度的差异。矩阵中每行数据反映各个因子对不同题目的重要程度不同，其数值越大表明该因子在该题目上越重要。通过对成分得分矩阵的计算，矩阵中每列之和反映不同因子对各个题目的贡献程度的差异。
3.5)在以上因子得分矩阵的基础上计算每个学生的各因子综合得分。通过不同学生在不同因子的表现情况来分析不同类别学生的差异性及同类别学生的共同性。
4)已知客观题各题得分实现对主观题得分及总分的预测：
4.1)利用PSO(粒子群算法)对c和g的最优进行求解
基于数据构建了PSO-SVR算法程序，流程见图5。其中PSO初始化参数分别为：维数为2；粒子种群大小为90；最大迭代次数为60；加速因子c1、c2分别为1.62、1.35；最大限制速度vmax为3；最终计算出SVR系统中两个核心参数c(惩罚因子)和g(高斯核函数宽度)分别为：3.0314 0.0625,验证后c和g同其最优解的MSE(均方误差)为0.0050666，说明和该c和g模型预测精度很高。
4.2)通过SVR(支持向量回归机)对成绩进行预测：
图5-7为PSO-SVR算法运行结果。由图6我们可以看到大部分散点均匀分布在Y＝T即预测值等于目标值这条曲线上，说明预测结果较为准确。图7显示，预测值同真实值的误差集中在中心即误差为零这条直线周围，代表着绝大多数数据预测值同真实值误差很小，预测效果良好。
表2
5)利用PSO优化SVR参数,以学生成绩数据为基础建立了成绩预测的PSO-SVR预测模型，对主观题、总分及6-2题的预测结果见表2.结合上面结论进行下一步分析，并对学生和老师进行指导。
5.1)本例中成绩预测结果，学生们整体成绩都不错，由于数据过多无法全部呈现，我们截取编号为1-26来进行说明。编号为1、2、14、15的学生预测总分较低，可在考试前可让编号为7、10、12、25这四位同学来对接辅导，督促学习。
5.2)预测模型所给出的结果可以用于了解自身学习状况，从而进行有针对性的复习与建立个性化的学习习惯。比如编号为1的学生，应当了解到自身知识掌握状况，从而督促自我学习，争取及格。因其预测分数同2中聚类分析中第二类学生相近，说明其并没有达到线性代数的教学要求，基础知识不够扎实导致考试成绩不理想；编号为23的学生，加强重难点的复习。因其预测总分同2中聚类分析中第三类学生相近，即对线性代数这门课具有很好的学习成果，并在特征值与特征向量的性质、行列式的性质上表现好。
5.3)我们希望通过对前一阶段测试分数的分析，预测出接下一阶段学生的学习状况，及其知识点可能的掌握情况。经过主成分分析，我们了解到知识点和考题之间的量化关系，对老师而言：经过PSO-SVR模型的预测，我们预测出大部分同学对该知识点掌握情况不错，但编号为6和23的同学稍差，应在随后的极大线性无关组的教学中加强对其关注，例如经常提问和及时反馈。
例如，结合表1可得，编号为6的同学可能会在极大先行无关组的学习上出现问题，而对于编号为21的同学，则会在相关学习上十分顺利。
本文虽然已经给出了本发明的最优实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
Claims (7)
1.一种提升学习效率的评价及优化方法，所述方法将学生按照学科课程考试的各小题成绩数据进行聚类，然后将聚类后的数据利用主成分分析法进行处理，得到所述学科的不同知识点对于学生的重要程度、在试卷上的位置和掌握情况，并结合未知每个试题的得分及总分的预测结果，建立知识点图谱，根据得到的知识点图谱依据不同类别的学生进行提升学习效率的评价及优化，其特征在于，所述方法具体包括以下步骤：
聚类分析步骤，所述步骤用于选取学生的学科课程考试的各小题成绩数据，进行标准化处理，再将学生按照学科课程考试的各小题成绩数据进行聚类；
知识点划分及位置识别步骤，所述步骤根据聚类后的数据，利用主成分分析法分析，得出在所述学科的不同知识点对于学生的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析步骤，所述步骤得到不同类别的学生对于所述学科的不同知识点的掌握情况；
成绩预测步骤，所述步骤得出对未知每个试题的得分及总分的预测结果；
评价及优化步骤，所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，对学生进行学习效率评价和学习效率提升优化；
所述知识点划分及位置识别步骤具体为：
对聚类后的各小题成绩数据进行检验，如果所述各小题成绩数据满足分析因子，则进行下一步，否则返回聚类分析步骤，
通过主成分分析方法分析满足分析因子的所述各小题成绩数据，分离出总方差积累贡献度值，选取总方差积累贡献度值达到平方和提取标准且方差累计值大于设定阈值的4%的各项主成分，将各项所述主成分作为反映学生该学科课程考试的学习指标值；
根据各项所述主成分得到成分矩阵，旋转成分矩阵，根据结果确定各项所述主成分所对应的各小题成绩数据在试卷卷面题目所代表所述学科的知识点；
根据各项所述主成分计算因子得分矩阵，通过对因子得分矩阵每列加和数据的大小的比较得出不同知识点的重要程度，对每行中各列的数据的大小比较得出知识点在试卷上的坐标。
2.根据权利要求1所述的提升学习效率的评价及优化方法，其特征在于，所述知识点得分统计及稳定性分析步骤具体为：
将聚类分析步骤中得到的聚类数据与知识点划分及位置识别步骤中分离出的所述各项主成分中所确定的各小题权重相乘，根据得分得出不同类别学生在不同领域的知识点掌握的稳定性。
3.根据权利要求2所述的提升学习效率的评价及优化方法，其特征在于，所述成绩预测步骤的具体为：
以已知的所述学科其他考试的试卷上各小题成绩作为训练样本的数据集；
将训练样本的数据集输入到采用粒子群优化算法优化的SVR模型中进行机器学习方法训练，得到针对不同未知题目成绩预测的输出数据预测模型；
将所述学科其他考试试卷部分已知小题成绩输入到针对不同未知题目成绩预测的输出数据预测模型，得到对该学科未知小题成绩的预测结果。
4.根据权利要求3所述的提升学习效率的评价及优化方法，其特征在于，所述评价及优化步骤具体为：
所述步骤根据所述知识点划分及位置识别步骤、知识点得分统计及稳定性分析步骤、成绩预测步骤的结果，按照知识点在试卷上的分布建立知识点图谱，
根据得到知识点图谱依据不同类别的学生在不同知识点的得分以进行个性化的学习指导，照对比成绩预测的结果合理安排教学与复习。
5.一种实现根据权利要求1-4任一项所述的提升学习效率的评价及优化方法的提升学习效率的评价及优化的系统，其特征在于，所述系统包括：
聚类分析模块，所述模块用于根据学生单科课程考试的成绩数据，对学生按照成绩进行聚类分析；
知识点划分及位置识别模块，所述模块根据聚类分析后的成绩数据，利用主成分分析法分析得出针对该学生单科的不同知识点的重要程度以及在试卷上的位置；
知识点得分统计及稳定性分析模块，所述模块得到不同类别的学生对于不同知识点的掌握情况；
成绩预测模块，所述模块得出对未知每个试题的得分及总分的预测结果；
评价及优化模块，所述模块根据所述知识点划分及位置识别模块、知识点得分统计及稳定性分析模块、成绩预测模块的结果，对学生进行学习效率评价和学习效率提升优化。
6.一种实现如权利要求1-4任一项所述的提升学习效率的评价及优化方法的信息处理终端。
7.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-4任意一项所述的提升学习效率的评价及优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285513.7A CN111476495B (zh) | 2020-04-13 | 2020-04-13 | 一种提升学习效率的评价及优化方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010285513.7A CN111476495B (zh) | 2020-04-13 | 2020-04-13 | 一种提升学习效率的评价及优化方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476495A CN111476495A (zh) | 2020-07-31 |
| CN111476495B true CN111476495B (zh) | 2023-04-07 |
Family
ID=71752271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010285513.7A Active CN111476495B (zh) | 2020-04-13 | 2020-04-13 | 一种提升学习效率的评价及优化方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476495B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112113B (zh) * | 2021-02-24 | 2023-06-09 | 华南师范大学 | 一种学习策略生成方法、系统、装置及存储介质 |
| CN113761030A (zh) * | 2021-09-07 | 2021-12-07 | 辽宁铂阳科技集团有限公司 | 一种错题统计分析系统 |
| CN116109456B (zh) * | 2023-04-03 | 2023-07-28 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002215016A (ja) * | 2001-01-18 | 2002-07-31 | Eikoh Inc | 入試問題演習分析方法及びそのシステム用記憶媒体 |
| CN108053098A (zh) * | 2017-11-24 | 2018-05-18 | 河南大学 | 一种基于大数据的学习成绩分析方法 |
| CN109344261A (zh) * | 2018-10-30 | 2019-02-15 | 沈阳师范大学 | 一种基于共词和共引分析的中小学教育知识图谱分析系统 |
| CN110223204A (zh) * | 2019-05-23 | 2019-09-10 | 北京奥鹏远程教育中心有限公司 | 考试评阅方法、系统及考试管理系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150193699A1 (en) * | 2014-01-08 | 2015-07-09 | Civitas Learning, Inc. | Data-adaptive insight and action platform for higher education |
-
2020
- 2020-04-13 CN CN202010285513.7A patent/CN111476495B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002215016A (ja) * | 2001-01-18 | 2002-07-31 | Eikoh Inc | 入試問題演習分析方法及びそのシステム用記憶媒体 |
| CN108053098A (zh) * | 2017-11-24 | 2018-05-18 | 河南大学 | 一种基于大数据的学习成绩分析方法 |
| CN109344261A (zh) * | 2018-10-30 | 2019-02-15 | 沈阳师范大学 | 一种基于共词和共引分析的中小学教育知识图谱分析系统 |
| CN110223204A (zh) * | 2019-05-23 | 2019-09-10 | 北京奥鹏远程教育中心有限公司 | 考试评阅方法、系统及考试管理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 关键词共词分析法:高等教育研究的新方法;郭文斌等;《高教探索》(第09期);全文 * |
| 基于SPSS的教育技术专业学生成绩分析;蒋红星;《大学教育》(第18期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476495A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
| CN111476495B (zh) | 一种提升学习效率的评价及优化方法及其系统 | |
| CN107862970B (zh) | 一种用于翻转课堂的教学质量评价模型 | |
| Tunas Bangsa Pematangsiantar | Comparison of weighted sum model and multi attribute decision making weighted product methods in selecting the best elementary school in Indonesia | |
| CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
| Yun et al. | Analysis of the teaching quality on deep learning-based innovative ideological political education platform | |
| Shou et al. | On learning path planning algorithm based on collaborative analysis of learning behavior | |
| CN115310520A (zh) | 融合多特征的深度知识追踪方法及习题推荐方法 | |
| Zhang et al. | Formative evaluation of college students’ online English learning based on learning behavior analysis | |
| Huiji | Big data-assisted recommendation of personalized learning resources and teaching decision support | |
| Al-Sarem et al. | Mining concepts' relationship based on numeric grades | |
| Reddy et al. | Neural networks for prediction of loan default using attribute relevance analysis | |
| Luo | [Retracted] Optimization Algorithm for Ideological and Political Curriculum Environment in Colleges Using Data Analysis and Neighborhood Search Operator | |
| CN115409257A (zh) | 一种基于条件密度估计模型的成绩分布预测方法及系统 | |
| Zhou | Research on teaching resource recommendation algorithm based on deep learning and cognitive diagnosis | |
| Chen et al. | Study and construct online self-learning evaluation system model based on AHP method | |
| Abdulaziz et al. | A survey on Big Data Analytics for Education | |
| Miao et al. | Research on the Construction of English Teachers’ Classroom Teaching Ability System Based on Artificial Intelligence | |
| Yang | A feature extraction method of English learning behaviour data based on improved maximum expectation clustering | |
| CN117828377B (zh) | 一种基于公平加权因子的教育感知聚类方法及系统 | |
| Wang et al. | [Retracted] Design of Learning Environment for Undergraduate Comprehensive Literacy Education under Blended Learning Environment | |
| Cheng | Improvement of English Teaching Process Management Based on Intelligent Data Sampling | |
| Zheng et al. | Research on MOOC Curriculum Recommendation Model of Higher Vocational English based on Improved Intensive Learning Network | |
| Han et al. | Classified Evaluation Model of Online Teaching Quality in Colleges and Universities Based on Mobile Terminal | |
| Liu | Construction of computer-assisted English writing teaching model from the perspective of the Internet of Things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |