CN112667776B - 一种智能教学评估与分析方法 - Google Patents

Abstract

本发明涉及智能教学技术领域，具体公开了一种智能教学评估与分析方法，该方法结合教师评价、课后作业及实验报告的无结构化文本和结构化信息并存的特点将实体整合到卷积塔之中以构建可感知实体卷积神经网络，而后将实体关系与权重相结合，以确保最后的整合成绩能够反映学生的综合表现，成绩可靠度高，并且能帮助教师及时准确地分析学生行为，以发现学生的问题与难点，以做出及时的预判与处理，有助于加快教学进度，减轻教师负担，促进学生个性发展；还能帮助教育管理者进行信息化管理与绩效评估，促进教师专业发展，提升教学质量与学校管理能力。

Description

一种智能教学评估与分析方法

技术领域

本发明涉及智能教学技术领域，尤其涉及一种智能教学评估与分析方法。

背景技术

智能教学技术是当前各种教学系统或各种教学应用软件的核心技术之一，其能够根据教学内容的类型和教学目标的要求，针对性地提供符合教育规律的自动化推送技术，是智能教学系统的真正智能所在。自然语言处理是人工智能的一个重要领域，它是指对自然语言进行语义理解，以理解和分析不同文本内容的技术。

通常教师在备课时，对于一定的教学内容所对应的教学目标的确定和教学策略的选项，都是依据个人的理解进行操作，难免陷入经验型的陷阱。这为如何对每一位学生的学习成果做出针对性评估与分析提出了一个难题。目前通常采用定性的方法，即教师主观地对学生进行评估与分析，判断其优良。但是这种方法因人而缺乏客观性，不能作为一种通用的质量评估方法。

发明内容

本发明提供一种智能教学评估与分析方法，解决的技术问题在于：如何提供一种对学生的学习成果进行客观评估与分析的方法。

为解决以上技术问题，本发明提供一种智能教学评估与分析方法，包括步骤：

(1)数据预处理

S1：收集整理教师评价数据、学生课后作业数据、学生实验报告数据及学生科目成绩数据，并对教师评价数据、学生课后作业数据、学生实验报告数据中不同类型的数据进行分组编号；

S2：分别采取不同的n-gram内核对分组编号后的数据进行预处理；

S3：通过基于自然语言处理及教学评估的知识图谱对预处理后的数据进行实体命名提取；

(2)构建可感知实体卷积神经网络

(3)定性定量评估与分析

1)关系提取

S4：将步骤S3中提取的教师评价的实体、学生课后作业的实体以及学生实验报告的实体放入所述可感知实体卷积神经网络中，提取到相应的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系；

2)关系权重评估

S5：将步骤S4中提取的所有的实体关系整合于一个多感知器中；

S6：为多感知器中每个实体关系添加权重，并归一化为相应的权重分析分数；

3)权重整合

S7：将学生科目成绩数据做正则归一化处理后，与所述步骤S6得到的权重分析分数做权重整合，得出学生的综合成绩。

进一步地，所述可感知实体卷积神经网络包括输入层、卷积层、池化层、Softmax层和输出层；

所述输入层用于读取所述步骤S3提取的实体，所述卷积层用于提取读取的实体的特征，所述池化层用于对所述卷积层提取的特征进行降维处理；所述Softmax层用于将所述池化层的输出值映射为相应的概率值，最终选择最大概率值所在的类别作为模型分类的结果，所述输出层用于输出提取的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系。

进一步地，所述池化层中每个实体对应一个卷积核，分别读取一个唯一的部分。

进一步地，所述卷积层包括浅层卷积层和深层卷积层，所述浅层卷积层用于提取低级的语义特征，所述深层卷积层用于提取高级的语义特征；

根据文本的复杂程度选择卷积层数，卷积层n中输出的新的词向量由以下公式计算得出：

其中，

代表上一层特征的第k个向量点，

代表对应的卷积核，*代表卷积运算，D为实体特征矩阵，

为对应的偏置，

为ReLu激活函数。

进一步地，所述池化层在卷积计算后得到的特征矩阵的基础上，加入最大池化处理，池化操作中每个神经元对应卷积层中每一个N₁*1位置，其公式为：

其中，u(n,1)是卷积操作的一个窗函数，a_i对应词向量区域

的最大值。

进一步地，在所述步骤S4中，在提取实体关系时，同时保留出现频率高于预设频率的配比对支持向量机，并对提取的实体关系进行审查，在添加到所述知识图谱之前，消除无效的提取关系。

进一步地，在所述步骤S6中，采用如下六个权重公式为每个学生课后作业实体关系添加权重：

权重公式1：

其中，n(i,j)表示实体i和正确答案j同时出现的次数，i＝1,2,…,N，N表示按概率排序的前top-N预测；

权重公式2：

其中，n_i表示给定数据样本中包含正确答案的实体i的数量；

权重公式3：

权重公式4：

其中，t_i表示整个训练语料中实体i出现的次数；

权重公式5：

其中，M、X、Y、Z和H是所有文件的数目、包含实体i并属于正确答案j的文件数目、包含i但不属于j的文件数目、属于j但不包含i的文件数目、不包含i并且不属于j的文件数目；

权重公式6：

对于教师评价实体关系和学生实验报告实体关系，采用与学生课后作业实体关系相同的权重公式添加权重；

将六个权重公式得到的权重值的平均值作为相应的权重分析分数。

进一步地，在所述步骤S7中，所述权重整合，具体包括步骤：

S71：计算教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系各自的概率占比：

其中，d代表步骤，Pr(d)指的是步骤d输出的先验概率，F⁺、F^-代表实体极性，“+”代表相关，“-”代表不相关，下标1、2、3分别对应教师评价实体、学生课后作业实体、学生实验报告实体，Pr(d_CNN)代表可感知实体卷积神经网络得到的先验概率，Pr(d_BN)代表贝叶斯网络上得到的后验概率；

S72：按照计算所得的概率占比对相应的权重分析分数加权处理，得到最后的综合成绩。

进一步地，在所述步骤S7中，对学生科目成绩数据做正则归一化处理，具体是指：对科目成绩与合成的评估与分析内容进行归一化处理，使合成的学生综合成绩统一到[0,100]之间，合成评估与分析样本中75％用于训练，25％用于测试。

本发明提供的一种智能教学评估与分析方法，结合教师评价、课后作业及实验报告的无结构化文本和结构化信息并存的特点将实体整合到卷积塔之中以构建可感知实体卷积神经网络，而后将实体关系与权重相结合，以确保最后的整合成绩能够反映学生的综合表现，成绩可靠度高，并且能帮助教师及时准确地分析学生行为，以发现学生的问题与难点，以做出及时的预判与处理，有助于加快教学进度，减轻教师负担，促进学生个性发展；还能帮助教育管理者进行信息化管理与绩效评估，促进教师专业发展，提升教学质量与学校管理能力。

附图说明

图1是本发明实施例提供的一种智能教学评估与分析方法的框架图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

本实施例提供一种基于可感知实体卷积神经网络的教学评估与分析方法，针对教师评价分析、课后作业评估、实验评估和成绩分析几个部分，所提出的方法基于评语实体词汇及学生答案、报告词汇S在所有客观要求及正确答案d∈D(d代表相应的步骤，D代表实体特征矩阵)上输出的概率分布Pr(d|S)，S对应教学文本内容，即S由部分文本和一些结构化数据组成，主要包含：教师评价、学生作业及实验报告。

在将教学相关数据抛入卷积网络之前，首先需要做的是本发明所提出框架的基本组成部分——实体命名识别(NER)。NER从文本句子中提取实体及其类型，对于捕获文本的关键信息非常重要。本实施例所述方法所使用的是改进的传统NER，是一种基于自然语言处理及教学评估的知识图谱，其集成了先进中文识别，从中提取出评语、作业及报告的实体，在其中添加实体的极性(“+”、“-”、或“？”，分别表示“相关”、“不相关”和“不明确”)来客观地表示给定的数据中是否存在所提取的实体，它可以与基于规则的方法一起使用，该方法使用带有否定中文单词的词汇表以及极性检测模型。知识图谱为数据预处理过程中自行构建的，相对于教学应用更具针对性，且采取关系提取与权重评估的方式将学生所有评价与作业及考试成绩进行综合性整合，以使智能时代下的成绩更具科学性与合理性。为确保其准确性，将NER系统做F1分数评估，并由专业教师对真实教学相关文档中的重复数据删除语句进行单独评估。在教学语料库的脱机处理中，将所有类型的Top-N最频繁实体保留为实体词汇。这里的Top-N做的是语料库的扩充，以构建自己的教学语料库，以将最频繁实体保留为实体词汇。

现实生活中，在进行一个工程项目的验收时，为了保证公正性与客观性，往往需要专业的第三方机构介入，并且以第三方机构的评估结果作为该项目的衡量标准。本发明中，借鉴了这种思想，引入了第三方评估的机制，即通过不同的分类模型，利用其分类准确率这一指标来反映样本质量。

具体来说，本发明实施例提供的一种智能教学评估与分析方法，如图1所示，包括步骤：

(1)数据预处理

S1：收集整理教师评价数据、学生课后作业数据、学生实验报告数据及学生科目成绩数据，并对教师评价数据、学生课后作业数据、学生实验报告数据中不同类型的数据进行分组编号。

本发明中需要进行质量评估的对象主要来自两个方向，学生和教师，其包含的样本数据为教师评价、学生课后作业、学生实验报告及学生科目成绩，这些数据都是由前期收集并整理而生成。

S2：分别采取不同的n-gram内核对分组编号后的数据进行预处理。

S3：通过基于自然语言处理及教学评估的知识图谱即本实施例采用的NER对预处理后的数据进行实体命名提取。

在进行训练之前对整理得出的数据集进行人工标注、实体命名提取等预处理操作，以使样本数据归一化，以为后面的模型评估能够顺利进行而做足准备。

(2)构建可感知实体卷积神经网络(DNN)

鉴于卷积神经网络识别分类的稳定性，本发明将评估的权重分析整合为可感知实体并引入到卷积神经网络中，以构成可感知实体卷积神经网络。该可感知实体卷积神经网络包括输入层、隐藏层、输出层，其中隐藏层包括卷积层、池化层和Softmax层。

1)输入层

输入层读取预处理好的文本数据(即步骤S3提取的实体)，主要分为三个部分：教师评价、课后作业、实验报告。

2)卷积-池化层

①卷积层

卷积层用于提取读取的实体的特征，包括浅层卷积层和深层卷积层，浅层卷积层用于提取低级的语义特征，深层卷积层用于提取高级的语义特征。

本实施例根据文本的复杂程度选择合适的卷积层数，卷积层n中输出的新的词向量由以下公式计算得出：

其中，

代表上一层特征的第k个向量点，

代表对应的卷积核，*代表卷积运算，D为实体特征矩阵，

为对应的偏置，

为ReLu激活函数。

②池化层

池化层用于对卷积层提取的特征进行降维处理。池化层中每个实体对应一个卷积核，分别读取一个唯一的部分。池化层在卷积计算后得到的特征矩阵的基础上，加入最大池化处理，池化操作中每个神经元对应卷积层中每一个N₁*1位置，其公式为：

其中，u(n,1)是卷积操作的一个窗函数，a_i对应词向量区域

的最大值。

3)Softmax层

Softmax层用于将池化层的输出值映射为相应的概率值，最终选择最大概率值所在的类别作为模型分类的结果。

4)输出层

输出层用于输出提取的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系。

还需说明，本实施例并不限制步骤(1)和(2)的先后顺序。

(3)定性定量评估与分析

1)关系提取

S4：将步骤S3中提取的教师评价的实体、学生课后作业的实体以及学生实验报告的实体放入可感知实体卷积神经网络中，提取到相应的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系。

在提取实体关系时，同时保留出现频率较高的配比对支持向量机，提取的关系将由执教多年的资深教师进行审查，再添加到教学知识图谱中之前，消除诸如NER对实体或极性的识别不正确以及二次匹配与一次不相对的问题而导致的无效提取关系。

2)关系权重评估

S5：将步骤S4中提取的所有的实体关系整合于一个多感知器(MLP)中；

S6：为多感知器中每个实体关系添加权重，并归一化为相应的权重分析分数。

在步骤S6中，采用如下六个权重公式为每个学生课后作业实体关系添加权重。

权重公式1：

其中，n(i,j)表示实体i和正确答案j同时出现的次数，i＝1,2,…,N，N表示按概率排序的前top-N预测；

权重公式2：

其中，n_i表示给定数据样本中包含正确答案的实体i的数量；

权重公式3：

权重公式4：

其中，t_i表示整个训练语料中实体i出现的次数；

权重公式5：

其中，M、X、Y、Z和H是所有文件的数目、包含实体i并属于正确答案j的文件数目、包含i但不属于j的文件数目、属于j但不包含i的文件数目、不包含i并且不属于j的文件数目；

权重公式6：

对于教师评价实体关系和学生实验报告实体关系，采用与学生课后作业实体关系相同的权重公式添加权重。

最后，在输入至全连接层前，默认将六个权重公式得到的权重值的平均值作为相应的权重分析分数。当然，其他实施例也可采用其他合理的取值方式得到权重分析分数。

3)权重整合

S7：将学生科目成绩数据做正则归一化处理后，与步骤S6得到的权重分析分数做权重整合，得出学生的综合成绩。

这里的正则归一化处理，具体是指：对科目成绩与合成的评估与分析内容进行归一化处理，使合成的学生综合成绩统一到[0,100]之间，合成评估与分析样本中75％用于训练，25％用于测试。

这里的权重整合，具体包括步骤：

S71：计算教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系各自的概率占比：

其中，d代表步骤，Pr(d)指的是步骤d输出的先验概率，F⁺、F^-代表实体极性，“+”代表相关，“-”代表不相关，下标1、2、3分别对应教师评价实体、学生课后作业实体、学生实验报告实体，Pr(d_CNN)代表可感知实体卷积神经网络得到的先验概率，Pr(d_BN)代表贝叶斯网络上得到的后验概率，后面式(8)和(9)的意思是指当前层的输入是前一层的输出，顺序呈现级联方法；

S72：按照计算所得的概率占比对相应的权重分析分数加权处理，得到最后的综合成绩。

本发明实施例提供的一种智能教学评估与分析方法，结合教师评价、课后作业及实验报告的无结构化文本和结构化信息并存的特点将实体整合到卷积塔之中以构建可感知实体卷积神经网络，而后将实体关系与权重相结合，以确保最后的整合成绩能够反映学生的综合表现，成绩可靠度高，并且能帮助教师及时准确地分析学生行为，以发现学生的问题与难点，以做出及时的预判与处理，有助于加快教学进度，减轻教师负担，促进学生个性发展；还能帮助教育管理者进行信息化管理与绩效评估，促进教师专业发展，提升教学质量与学校管理能力。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种智能教学评估与分析方法，其特征在于，包括步骤：

(1)数据预处理

S1：收集整理教师评价数据、学生课后作业数据、学生实验报告数据及学生科目成绩数据，并对教师评价数据、学生课后作业数据、学生实验报告数据中不同类型的数据进行分组编号；

S2：分别采取不同的n-gram内核对分组编号后的数据进行预处理；

S3：通过基于自然语言处理及教学评估的知识图谱对预处理后的数据进行实体命名提取；

(2)构建可感知实体卷积神经网络

(3)定性定量评估与分析

1)关系提取

S4：将所述步骤S3中提取的教师评价的实体、学生课后作业的实体以及学生实验报告的实体放入所述可感知实体卷积神经网络中，提取到相应的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系；

2)关系权重评估

S5：将所述步骤S4中提取的所有的实体关系整合于一个多感知器中；

S6：为所述多感知器中每个实体关系添加权重，并归一化为相应的权重分析分数；

3)权重整合

S7：将所述学生科目成绩数据做正则归一化处理后，与所述步骤S6得到的权重分析分数做权重整合，得出学生的综合成绩。

2.如权利要求1所述的一种智能教学评估与分析方法，其特征在于：所述可感知实体卷积神经网络包括输入层、卷积层、池化层、Softmax层和输出层；

所述输入层用于读取所述步骤S3提取的实体，所述卷积层用于提取读取的实体的特征，所述池化层用于对所述卷积层提取的特征进行降维处理；所述Softmax层用于将所述池化层的输出值映射为相应的概率值，最终选择最大概率值所在的类别作为模型分类的结果，所述输出层用于输出提取的教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系。

3.如权利要求2所述的一种智能教学评估与分析方法，其特征在于：所述池化层中每个实体对应一个卷积核，分别读取一个唯一的部分。

4.如权利要求2所述的一种智能教学评估与分析方法，其特征在于，所述卷积层包括浅层卷积层和深层卷积层，所述浅层卷积层用于提取低级的语义特征，所述深层卷积层用于提取高级的语义特征；

根据文本的复杂程度选择卷积层数，卷积层n中输出的新的词向量由以下公式计算得出：

其中，

代表上一层特征的第k个向量点，

代表对应的卷积核，*代表卷积运算，D为实体特征矩阵，

为对应的偏置，

为ReLu激活函数。

5.如权利要求4所述的一种智能教学评估与分析方法，其特征在于，所述池化层在卷积计算后得到的特征矩阵的基础上，加入最大池化处理，池化操作中每个神经元对应卷积层中每一个N₁*1位置，其公式为：

其中，u(n，1)是卷积操作的一个窗函数，a_i对应词向量区域

的最大值。

6.如权利要求5所述的一种智能教学评估与分析方法，其特征在于，在所述步骤S4中，在提取实体关系时，同时保留出现频率高于预设频率的配比对支持向量机，并对提取的实体关系进行审查，在添加到所述知识图谱之前，消除无效的提取关系。

7.如权利要求6所述的一种智能教学评估与分析方法，其特征在于，在所述步骤S6中，采用如下六个权重公式为每个学生课后作业实体关系添加权重：

权重公式1：

其中，n(i，j)表示实体i和正确答案j同时出现的次数，i＝1，2，...，N，N表示按概率排序的前top-N预测；

权重公式2：

其中，n_i表示给定数据样本中包含正确答案的实体i的数量；

权重公式3：

权重公式4：

其中，t_i表示整个训练语料中实体i出现的次数；

权重公式5：

其中，M、X、Y、Z和H是所有文件的数目、包含实体i并属于正确答案j的文件数目、包含i但不属于j的文件数目、属于j但不包含i的文件数目、不包含i并且不属于j的文件数目；

权重公式6：

对于教师评价实体关系和学生实验报告实体关系，采用与学生课后作业实体关系相同的权重公式添加权重；

将六个权重公式得到的权重值的平均值作为相应的权重分析分数。

8.如权利要求7所述的一种智能教学评估与分析方法，其特征在于，在所述步骤S7中，所述权重整合，具体包括步骤：

S71：计算教师评价实体关系、学生课后作业实体关系和学生实验报告实体关系各自的概率占比：

其中，d代表步骤，Pr(d)指的是步骤d输出的先验概率，F⁺、F^-代表实体极性，“+”代表相关，“-”代表不相关，下标1、2、3分别对应教师评价实体、学生课后作业实体、学生实验报告实体，Pr(d_CNN)代表可感知实体卷积神经网络得到的先验概率，Pr(d_BN)代表贝叶斯网络上得到的后验概率；

S72：按照计算所得的概率占比对相应的权重分析分数加权处理，得到最后的综合成绩。

9.如权利要求1～8任一项所述的一种智能教学评估与分析方法，其特征在于，在所述步骤S7中，对学生科目成绩数据做正则归一化处理，具体是指：对科目成绩与合成的评估与分析内容进行归一化处理，使合成的学生综合成绩统一到[0，100]之间，合成评估与分析样本中75％用于训练，25％用于测试。

Images