CN112232609A - 一种利用机器学习模型实时预估学生成绩的方法及系统 - Google Patents
一种利用机器学习模型实时预估学生成绩的方法及系统 Download PDFInfo
- Publication number
- CN112232609A CN112232609A CN202011505958.8A CN202011505958A CN112232609A CN 112232609 A CN112232609 A CN 112232609A CN 202011505958 A CN202011505958 A CN 202011505958A CN 112232609 A CN112232609 A CN 112232609A
- Authority
- CN
- China
- Prior art keywords
- student
- examination
- score
- students
- machine learning
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000006399 behavior Effects 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用机器学习模型实时预估学生成绩的方法及系统，该方法包括：获取学生的历史学习数据及考试成绩；将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果；本发明可以及时有效的将学生学习情况和分数反馈给老师或家长，节省线下考试、批卷等方式预估学生成绩的人工成本，提高成绩预估效率，促进学生学习兴趣及自信心。
Description
技术领域
本发明涉及互联网教育技术领域，尤指一种利用机器学习模型实时预估学生成绩的方法及系统。
背景技术
目前，要想检测学生的成绩一般只能通过线下考试、老师改卷的方式进行。这种传统的方式有众多弊端：例如，需要学生花时间准备考试，而且考试本身也需要2天左右的时间，耽误本来该学习其他知识的时间。需要老师来进行监考和批改试卷，占用老师很大一部分精力，减少老师的授课和讲解的时间。某一次的成绩有可能因为学生自己状态问题或者某些知识点没有在试卷上面体现等问题，导致考出来的成绩波动很大，成绩不够准确和置信。
由于考试需要出题、统一安排考试、老师统一批改试卷等周期很长，因此考试频率比较低，一般频率最快是月考，这样就会导致学生学习的问题有可能需要一个月以后的月考才能发现，因此必然导致老师无法更早的发现学生的问题并加以干预。
与此同时，有一些线上对学生预测分值的方法，基本都是基于学生做对一个题目或者学会一个知识点就加一定分数。这类方法加的分数，往往不够置信，无法客观衡量每个题目或者每个知识点对学生总分的影响价值，甚至可能出现学生的分数超过试卷总分的低级错误。
综上来看，亟需一种可以根据学生学习情况准确预估学生分数的技术方案。
发明内容
为克服现有技术存在的不足，本发明提出了一种利用机器学习模型实时预估学生成绩的方法及系统；该方法和系统可以针对每个学生在考试前的知识点学习情况，历史上做过的题目的特征，当前考卷主要考察的知识点及当前题目的分布等特征，将该学生当前的考试成绩作为目标，训练神经网络模型，并对待预估成绩的学生提取同样的特征，利用已训练的模型进行成绩预估计算，通过预估的成绩直观的体现学生学习的效果，简化线下考试、批卷等犯错的流程，促进学生的学习兴趣，提高学生的学习效率。
在本发明实施例的第一方面，提出了一种利用机器学习模型实时预估学生成绩的方法，该方法包括：
获取学生的历史学习数据及考试成绩；
将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
进一步的，该方法还包括：
当获取到新的考试成绩时，根据学生的历史学系数据及新的考试成绩，对机器学习模型进行迭代训练。
进一步的，获取的学生的历史学习数据至少包括：课后练习题的正确率、对知识点的复习程度及学生上课认真程度；
获取的学生的考试成绩至少包括：学生对每个科目的每次月考、期中考试及期末考试的考试成绩。
进一步的，该方法还包括：
将所述考试成绩进行归一化处理，将考试成绩对应的分数按照预设分数段进行划分；
将划分结果进行累加处理，根据累加处理结果将考试成绩分布在0~1范围内，得到成绩分布关系。
进一步的，当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，包括：
获取待预估成绩的学生的学习行为数据，其中，所述学习行为数据与所述机器学习模型训练时输入特征的种类相同；
根据学习行为数据，利用学生的成绩预估模型对学生的考试成绩进行实时预估，得到预估结果；
根据所述成绩分布关系及预估结果，计算得到预估分数，并将所述预估分数反馈给学生、家长及老师。
进一步的，该方法还包括：
获取学生的自身特征，其中，自身特征至少包括：学生做题速度及学生临场发挥的程度；
获取学生做题的题目特征至少包括：试卷考察的知识点及试卷的题目类型分布特征。
进一步的，将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型，包括：
将所述历史学习数据、学生的自身特征及学生做题的题目特征作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；其中，所述机器学习模型采用LR模型或DNN模型；
当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，还包括：
当获取到待预估成绩的学生的学习行为数据时，若还获取到学生的自身特征及学生做题的题目特征，根据学习行为数据、学生的自身特征及学生做题的题目特征，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果；其中，所述学习行为数据、学生的自身特征及学生做题的题目特征与所述机器学习模型训练时输入特征的种类相同。
在本发明实施例的第二方面，提出了一种利用机器学习模型实时预估学生成绩的系统，该系统包括：
数据获取模块，用于获取学生的历史学习数据及考试成绩；
机器学习模块，用于将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
成绩预估模块，用于当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现利用机器学习模型实时预估学生成绩的方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现利用机器学习模型实时预估学生成绩的方法。
本发明提出的利用机器学习模型实时预估学生成绩的方法及系统通过获取学生的历史学习数据及考试成绩；将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，及时有效的将学生学习情况和分数反馈给老师或家长，节省线下考试、批卷等方式预估学生成绩的人工成本，提高成绩预估效率，促进学生学习兴趣及自信心。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例的利用机器学习模型实时预估学生成绩的方法流程示意图。
图2是本发明另一实施例的利用机器学习模型实时预估学生成绩的方法流程示意图。
图3是本发明一具体实施例的机器学习模型训练的流程示意图。
图4是本发明一具体实施例的学生分数分布的柱状示意图。
图5是本发明一具体实施例的分值分布示意图。
图6是本发明一具体实施例的成绩预估的流程示意图。
图7是本发明一实施例的利用机器学习模型实时预估学生成绩的系统架构示意图。
图8是本发明另一实施例的利用机器学习模型实时预估学生成绩的系统架构示意图。
图9是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件（包括固件、驻留软件、微代码等），或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种利用机器学习模型实时预估学生成绩的方法及系统；该方法及系统可以利用尽可能多的学生特征（比如学生知识点掌握程度、当前科目、学生自己的临场发挥能力和稳定性等特征，甚至学生是否有例假等影响考试成绩的特征等），训练出可以实时且准确的预估学生成绩的机器学习模型，实时预估学生成绩，替代传统意义上通过线下考试、批卷等预估学生成绩，随着学生做完题目或学习完知识点进行成绩预估，并将成绩的提升或降低进行动态展示，大幅提高成绩预估效率，促进学生学习兴趣及自信心。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的利用机器学习模型实时预估学生成绩的方法流程示意图。如图1所示，该方法包括：
步骤S1，获取学生的历史学习数据及考试成绩；
步骤S2，将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
步骤S3，当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
随着学生每做完一道题、每学习完一个知识点，预估分数可以动态提升或降低，直观的将学习情况和分数反馈给学生、家长或老师，同时可以让学生在每次学习完某项知识点或做完某道题后，看到自己的预估分数，改善自己的学习计划，提升学习的成就感。
进一步的，参考图2，为本发明另一实施例的利用机器学习模型实时预估学生成绩的方法流程示意图。如图2所示，在步骤S3之后，该方法还包括：
步骤S4，当获取到新的考试成绩时，根据学生的历史学系数据及新的考试成绩，对机器学习模型进行迭代训练。
为了对上述利用机器学习模型实时预估学生成绩的方法进行更为清楚的解释，下面结合每一步进行详细说明。
步骤S1：
获取的学生的历史学习数据至少包括：课后练习题的正确率、对知识点的复习程度及学生上课认真程度；
获取的学生的考试成绩至少包括：学生对每个科目的每次月考、期中考试及期末考试的考试成绩。
在获取该些特征时，可以针对每个科目（数学、语文、英语等）分别获取相应的特征。
在获取考试成绩之后，需要针对考试成绩需要进行预处理，具体过程为：
步骤S01，将所述考试成绩进行归一化处理，将考试成绩对应的分数按照预设分数段进行划分；
步骤S02，将划分结果进行累加处理，根据累加处理结果将考试成绩分布在0~1范围内，得到成绩分布关系。该成绩分布关系中，每个分数段的学生成绩分布是均匀的。
步骤S2：
将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型。其中，所述机器学习模型采用LR模型或DNN模型，另外，也可以选取其它模型。
步骤S3：
当获取到待预估成绩的学生的学习行为数据时，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
具体过程为：
步骤S31，获取待预估成绩的学生的学习行为数据，其中，所述学习行为数据与所述机器学习模型训练时输入特征的种类相同。
步骤S32，利用学生的成绩预估模型对学生的考试成绩进行实时预估，得到预估结果。
步骤S33，根据所述成绩分布关系及预估结果，计算得到预估分数，并将所述预估分数反馈给学生、家长及老师。
在另一实施例中，为了体现学生的个性化情况，步骤S1还可以获取学生的自身特征，其中，自身特征至少包括：学生做题速度及学生临场发挥的程度。该些特征可以根据学生历史上的成绩进行计算和修正。
步骤S1还可以获取学生做题的题目特征，其中，题目特征至少包括：试卷考察的知识点及试卷的题目类型分布特征。
对此，步骤S2训练机器学习模型的过程为：
将所述历史学习数据、学生的自身特征及学生做题的题目特征作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型。特征越多，在进行成绩预估时的预估结果越准确。
相应的，步骤S3进行成绩预估的流程为：
当获取到待预估成绩的学生的学习行为数据时，若还获取到学生的自身特征及学生做题的题目特征，根据学习行为数据、学生的自身特征及学生做题的题目特征，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果；其中，所述学习行为数据、学生的自身特征及学生做题的题目特征与所述机器学习模型训练时输入特征的种类相同。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述利用机器学习模型实时预估学生成绩的方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
参考图3，为本发明一具体实施例的机器学习模型训练的流程示意图。如图3所示，机器学习模型训练的流程为：
步骤S301，获取学生对某科目（数学、语文或英语等）知识点的学习情况，包括课后练习题的对错、学生对知识点的复习情况、学生上课认真程度等，作为模型的输入特征。同时，获取该学生对数学科目每次月考、期中考试、期末考试等考试中的成绩，作为模型预估的目标。这里获取数据的数量越多，则训练效果越好。
步骤S302，将所有学生的成绩进行0~1的归一化处理，使得分数的分布尽量均匀。
具体的，参考图4，为学生分数分布的柱状示意图，如图4所示，将所有学生当前的分值的分布画出来，横轴是分数段，纵轴是在当前分数段的学生数。
对学生分数分布进行累加处理，得到如图5所示的分值分布示意图；其中，横轴是小于当前分值的意思，纵轴是小于当前分值的学生比例，将全部学生设置为1.0。这样，基于的假设是在每个分数段中的学生的成绩分布是均匀分布的。
根据图5，就可以把学生的成绩（目标）平均分布到0~1范围内。
步骤S303，利用机器学习模型，构建学生的成绩预估模型。
机器学习模型可以选 LR（Logistic Regression Model）或DNN模型，也可以选各种其它模型。
以LR模型为例，将每个用户自己的题目生成特征。例如，某个题目的编号是 T123，没做过记为 0，做错记为-1，做对记为1，用户做对了这个题目，那么就可以生成T123_1这个特征；或者学生历史上对这一个科目的成绩这个特征记为T532，在年级前20%记为02，在年级前40%记为04等，如果当前学生成绩是年级前20%，就可以生成T532_02。该些是比较常见的one_hot生成特征的过程。如果采用DNN模型，也可以将上面的one_hot类特征进行embedding向量化，生成向量特征，进行成绩预估。
步骤S304，在获取到新的考试成绩时，可以对成绩预估模型进行迭代训练，并将更新后的模型传送到服务器端，替换旧模型。
参考图6，为本发明一具体实施例的成绩预估的流程示意图。如图6所示，成绩预估的流程为：
步骤S401，当学生完成某个知识点的学习或者某个题目的解答，触发预估成绩流程。
获取待预估成绩的学生的历史上所有的题目的正确和错误，同时获取上课的时候学生对当前科目的认真程度、学生历史上对该科目的成绩和排名等特征。其中，特征种类和生成要与训练过程的特征一致。
步骤S402，利用训练好的成绩预估模型，对学生的总成绩进行预估，预估出来的值在0~1的范围内，因此，需要参考图5的分布示意图计算出学生实际的分值。
这个预估分是可以根据学生做对每个题目重新预估，可以实时展现给学生预估分值。
每当学生有做题行为、学习知识点行为等改变了模型特征的行为发生以后，可以返回至步骤S401，通过已经训练好的模型进行预估成绩。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图7至图8对本发明示例性实施方式的利用机器学习模型实时预估学生成绩的系统进行介绍。
利用机器学习模型实时预估学生成绩的系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种利用机器学习模型实时预估学生成绩的系统，如图7所示，该系统包括：
数据获取模块710，用于获取学生的历史学习数据及考试成绩；
机器学习模块720，用于将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
成绩预估模块730，用于当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
在一实施例中，参考图8，为本发明另一实施例的利用机器学习模型实时预估学生成绩的系统架构示意图。如图8所示，该系统还包括：
迭代训练模块740，用于当获取到新的考试成绩时，根据学生的历史学系数据及新的考试成绩，对机器学习模型进行迭代训练。
在一实施例中，获取的学生的历史学习数据至少包括：课后练习题的正确率、对知识点的复习程度及学生上课认真程度；
获取的学生的考试成绩至少包括：学生对每个科目的每次月考、期中考试及期末考试的考试成绩。
在一实施例中，参考图8，该系统还包括：
分数处理模块750，将所述考试成绩进行归一化处理，将考试成绩对应的分数按照预设分数段进行划分；
累加处理模块760，用于将划分结果进行累加处理，根据累加处理结果将考试成绩分布在0~1范围内，得到成绩分布关系。
在一实施例中，成绩预估模块730具体用于：
获取待预估成绩的学生的学习行为数据，其中，所述学习行为数据与所述机器学习模型训练时输入特征的种类相同；
根据学习行为数据，利用学生的成绩预估模型对学生的考试成绩进行实时预估，得到预估结果；
根据所述成绩分布关系及预估结果，计算得到预估分数，并将所述预估分数反馈给学生、家长及老师。
在一实施例中，数据获取模块710，还用于获取学生的自身特征，其中，自身特征至少包括：学生做题速度及学生临场发挥的程度；
数据获取模块710，还用于获取学生做题的题目特征至少包括：试卷考察的知识点及试卷的题目类型分布特征。
机器学习模块720，还用于将所述历史学习数据、学生的自身特征及学生做题的题目特征作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；其中，所述机器学习模型采用LR模型或DNN模型；
成绩预估模块730，还用于当获取到待预估成绩的学生的学习行为数据时，若还获取到学生的自身特征及学生做题的题目特征，根据学习行为数据、学生的自身特征及学生做题的题目特征，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果；其中，所述学习行为数据、学生的自身特征及学生做题的题目特征与所述机器学习模型训练时输入特征的种类相同。
应当注意，尽管在上文详细描述中提及了利用机器学习模型实时预估学生成绩的系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图9所示，本发明还提出了一种计算机设备900，包括存储器910、处理器920及存储在存储器910上并可在处理器920上运行的计算机程序930，所述处理器920执行所述计算机程序930时实现前述利用机器学习模型实时预估学生成绩的方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述利用机器学习模型实时预估学生成绩的方法。
本发明提出的利用机器学习模型实时预估学生成绩的方法及系统通过获取学生的历史学习数据及考试成绩；将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，及时有效的将学生学习情况和分数反馈给老师或家长，节省线下考试、批卷等方式预估学生成绩的人工成本，提高成绩预估效率，促进学生学习兴趣及自信心。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种利用机器学习模型实时预估学生成绩的方法，其特征在于，该方法包括：
获取学生的历史学习数据及考试成绩；
将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
2.根据权利要求1所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，该方法还包括：
当获取到新的考试成绩时，根据学生的历史学系数据及新的考试成绩，对机器学习模型进行迭代训练。
3.根据权利要求1所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，获取的学生的历史学习数据至少包括：课后练习题的正确率、对知识点的复习程度及学生上课认真程度；
获取的学生的考试成绩至少包括：学生对每个科目的每次月考、期中考试及期末考试的考试成绩。
4.根据权利要求3所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，该方法还包括：
将所述考试成绩进行归一化处理，将考试成绩对应的分数按照预设分数段进行划分；
将划分结果进行累加处理，根据累加处理结果将考试成绩分布在0~1范围内，得到成绩分布关系。
5.根据权利要求4所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，包括：
获取待预估成绩的学生的学习行为数据，其中，所述学习行为数据与所述机器学习模型训练时输入特征的种类相同；
根据学习行为数据，利用学生的成绩预估模型对学生的考试成绩进行实时预估，得到预估结果；
根据所述成绩分布关系及预估结果，计算得到预估分数，并将所述预估分数反馈给学生、家长及老师。
6.根据权利要求1所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，该方法还包括：
获取学生的自身特征，其中，自身特征至少包括：学生做题速度及学生临场发挥的程度；
获取学生做题的题目特征至少包括：试卷考察的知识点及试卷的题目类型分布特征。
7.根据权利要求6所述的利用机器学习模型实时预估学生成绩的方法，其特征在于，将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型，包括：
将所述历史学习数据、学生的自身特征及学生做题的题目特征作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；其中，所述机器学习模型采用LR模型或DNN模型；
当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果，还包括：
当获取到待预估成绩的学生的学习行为数据时，若还获取到学生的自身特征及学生做题的题目特征，根据学习行为数据、学生的自身特征及学生做题的题目特征，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果；其中，所述学习行为数据、学生的自身特征及学生做题的题目特征与所述机器学习模型训练时输入特征的种类相同。
8.一种利用机器学习模型实时预估学生成绩的系统，其特征在于，该系统包括：
数据获取模块，用于获取学生的历史学习数据及考试成绩；
机器学习模块，用于将所述历史学习数据作为输入特征，将考试成绩作为目标进行机器学习模型训练，训练输入特征与目标之间的关系，构建学生的成绩预估模型；
成绩预估模块，用于当获取到待预估成绩的学生的学习行为数据时，根据学习行为数据，利用学生的成绩预估模型进行考试成绩的实时预估，得到考试成绩预估结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述方法。
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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011505958.8A CN112232609A (zh) | 2020-12-18 | 2020-12-18 | 一种利用机器学习模型实时预估学生成绩的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011505958.8A CN112232609A (zh) | 2020-12-18 | 2020-12-18 | 一种利用机器学习模型实时预估学生成绩的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112232609A true CN112232609A (zh) | 2021-01-15 |
Family
ID=74124934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011505958.8A Pending CN112232609A (zh) | 2020-12-18 | 2020-12-18 | 一种利用机器学习模型实时预估学生成绩的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112232609A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320045A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生成绩预测方法和装置 |
| CN108763459A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于心理测试及dnn算法的专业倾向分析方法及系统 |
| CN111260514A (zh) * | 2020-01-14 | 2020-06-09 | 华中师范大学 | 一种基于校园大数据的学生成绩预测方法 |
| CN111861038A (zh) * | 2020-07-31 | 2020-10-30 | 浙江萃文科技有限公司 | 一种基于机器学习算法的高考分数预测方法及系统 |
-
2020
- 2020-12-18 CN CN202011505958.8A patent/CN112232609A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320045A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生成绩预测方法和装置 |
| CN108763459A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于心理测试及dnn算法的专业倾向分析方法及系统 |
| CN111260514A (zh) * | 2020-01-14 | 2020-06-09 | 华中师范大学 | 一种基于校园大数据的学生成绩预测方法 |
| CN111861038A (zh) * | 2020-07-31 | 2020-10-30 | 浙江萃文科技有限公司 | 一种基于机器学习算法的高考分数预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111858906B (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
| US20090325140A1 (en) | Method and system to adapt computer-based instruction based on heuristics | |
| CN105070130A (zh) | 水平测评方法和系统 | |
| WO2014134592A1 (en) | System and method for enhanced teaching and learning proficiency assessment and tracking | |
| JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
| CN112348725A (zh) | 基于大数据的知识点难度定级方法 | |
| CN109840867B (zh) | 一种智能教学的方法、设备及装置 | |
| US10248909B2 (en) | Assessment performance prediction | |
| CN114090839A (zh) | 用于学习者认知结构的处理方法、系统、装置及存储介质 | |
| KR101586715B1 (ko) | 학습자 테스트 결과에 기초하여 문제군 및 학습지를 생성하는 방법, 시스템, 서버 및 컴퓨터 판독 가능한 기록 매체 | |
| JP5437211B2 (ja) | 出題頻度と学習者の弱点を考慮した問題抽出機能を備えるｅ−ｌｅａｒｎｉｎｇシステム | |
| Romli et al. | Test data generation framework for Automatic Programming Assessment | |
| CN112232609A (zh) | 一种利用机器学习模型实时预估学生成绩的方法及系统 | |
| Tarek et al. | Review of programming assignments automated assessment systems | |
| JP2020134753A (ja) | 情報処理プログラム、情報処理方法及び情報処理装置 | |
| Ikhsananto et al. | The Effectiveness of Rapid Typing Software and Module for Improving 10-Finger Typing Skills | |
| Veerasamy et al. | Prediction of Student Final Exam Performance in an Introductory Programming Course: Development and Validation of the Use of a Support Vector Machine-Regression Model | |
| Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
| US11887506B2 (en) | Using a glicko-based algorithm to measure in-course learning | |
| JP6903177B1 (ja) | 学習効果推定装置、学習効果推定方法、プログラム | |
| US11922827B2 (en) | Learning management systems and methods therefor | |
| RU2649550C2 (ru) | Система критериально-ориентированного тестирования | |
| Handoko et al. | The Change of National Exam System from Paper-Based Test into Computer-Based Test | |
| US20230360552A1 (en) | Method, apparatus, device and medium for information updating | |
| US20240290212A1 (en) | Method and system for classification of student progress in solving a complex problem |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210115 |
|
| RJ01 | Rejection of invention patent application after publication |