CN113034058A - 一种基于教育数据挖掘与分析的教学测评方法及系统 - Google Patents

一种基于教育数据挖掘与分析的教学测评方法及系统 Download PDF

Info

Publication number
CN113034058A
CN113034058A CN202110506772.2A CN202110506772A CN113034058A CN 113034058 A CN113034058 A CN 113034058A CN 202110506772 A CN202110506772 A CN 202110506772A CN 113034058 A CN113034058 A CN 113034058A
Authority
CN
China
Prior art keywords
evaluation
data
value
representing
neural network
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
Application number
CN202110506772.2A
Other languages
English (en)
Inventor
张英俊
钱清清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Bailence Intelligent Technology Co Ltd
Original Assignee
Nanjing Bailence Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Bailence Intelligent Technology Co Ltd filed Critical Nanjing Bailence Intelligent Technology Co Ltd
Priority to CN202110506772.2A priority Critical patent/CN113034058A/zh
Publication of CN113034058A publication Critical patent/CN113034058A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于教育数据挖掘与分析的教学测评方法及系统，所述方法包括：步骤一、建立指标评价体系；步骤二、获取历史教学数据；步骤三、利用熵值法确定指标体系中的权重；步骤四、构建神经网络测评模型；步骤五、利用所述历史教学数据进行训练，并输出训练好的测评模型；步骤六、所述训练好的测评模型接收待进行测评的数据，并输出经过处理后的测评结果。本发明一方面通过利用计算出的熵值作为初始教学测评的结果，克服了主管赋值避免不了的随机性和主观性；另一方面，本发明通过优化神经网络测评模型初始权重和阈值的操作，降低神经网络测评模型受限于初始权重和阈值的影响。

Description

一种基于教育数据挖掘与分析的教学测评方法及系统
技术领域
本发明涉及一种基于教育数据挖掘与分析的教学测评方法及系统，特别是大数据处理分析技术领域。
背景技术
随着教育改革的逐渐深入，教学测评成了提高教学质量的重要指标。教学测评不但具有反映目前状态和政策的实现程度，还能及时反馈教学效果，为教务人员提供反馈信息，促进教学水平的提高。所谓教学测评是根据教学目标对教学活动的效率和质量进行评估，对教学价值进行估计和判断，体现教学效果，有效针对教务人员的培训，方便对教学管理的改进。
现有技术中，教学测评采用的评价模型和方法，存在较强的主观性和随机性，同时存在指标权重的设定难以确定、模型收敛速度慢、运算过程较长，以及易出现过拟合的问题，加上指标体系中较少考虑教学前的准备，使得教学测评还存在缺乏全面性的问题。
发明内容
发明目的：提出一种基于教育数据挖掘与分析的教学测评方法及系统，以解决现有技术存在的上述问题。
技术方案：第一方面，提出了一种基于教育数据挖掘与分析的教学测评方法，该方法具体包括以下步骤：
建立指标评价体系；
获取历史教学数据；
利用熵值法确定指标体系中的权重；
构建神经网络测评模型；
利用所述历史教学数据进行训练，并输出训练好的测评模型；
所述训练好的测评模型接收待进行测评的数据，并输出经过处理后的测评结果。
在第一方面的一些可实现方式中，所述历史教学数据划分为训练集和验证集。所述训练集用于来训练所述神经网络测评模型输出值的准确率。所述验证集用于判断神经网络测评模型数值的正确性。
验证集在所述神经网络测评模型训练过程中，根据实际输出值与期望输出值产生的误差，更新神经网络测评模型中的权重值和阈值。
在第一方面的一些可实现方式中，划分历史数据为训练集和验证集；所述验证集中期望输出值的获取方式为：
对获取到的历史教学数据进行标准化处理；
计算当前历史数据中的样本所占评价指标的比重；
计算评价指标的熵值；
根据所述评价指标的熵值，计算当前评价指标的差异系数；
归一化所述差异系数，计算当前评价指标的权重；
计算初始教学测评结果，并作为所述神经网络测评模型期望输出值。
在第一方面的一些可实现方式中，所述标准化处理进一步为：
Figure 100002_DEST_PATH_IMAGE002
式中，
Figure 100002_DEST_PATH_IMAGE004
表示标准化后的数据；
Figure 100002_DEST_PATH_IMAGE006
表示第i个样本数据在第j项指标的分数值；
Figure 100002_DEST_PATH_IMAGE008
表示第j项指标的平均值；
Figure 100002_DEST_PATH_IMAGE010
表示第j项指标的标准差。
所述评价指标的熵值的表达式为：
Figure 100002_DEST_PATH_IMAGE012
式中，
Figure 707363DEST_PATH_IMAGE004
表示标准化后的数据；
Figure 100002_DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量；L表示平移的长度；
Figure 100002_DEST_PATH_IMAGE016
表示第i个评价指标的熵值。
所述初始教学测评结果的表达式为：
Figure 100002_DEST_PATH_IMAGE018
式中，
Figure 100002_DEST_PATH_IMAGE020
表示第i个样本的初始教学测评结果；
Figure 14717DEST_PATH_IMAGE004
表示标准化后的数据；
Figure 122350DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量；L表示平移的长度；
Figure 251980DEST_PATH_IMAGE016
表示第i个评价指标的熵值；M表示采集到的历史数据样本数量。
在第一方面的一些可实现方式中，所述神经网络测评模型由输入层、隐含层和输出层构成。
当模型接收的输入维度为m，输出维度为1时，神经网络测评模型的映射表达方式为：
Figure 100002_DEST_PATH_IMAGE022
式中，
Figure 100002_DEST_PATH_IMAGE024
表示神经网络测评模型的输出值；
Figure 100002_DEST_PATH_IMAGE026
表示输出层的阈值；
Figure 100002_DEST_PATH_IMAGE028
表示隐含层到输出层的连接权重；k表示隐含层的个数；
Figure 100002_DEST_PATH_IMAGE030
表示隐含层节点的输出，即：
Figure 100002_DEST_PATH_IMAGE032
式中，
Figure 100002_DEST_PATH_IMAGE034
表示隐含层节点的阈值；
Figure 100002_DEST_PATH_IMAGE036
表示输入层到隐含层连接权重；p表示输入层节点的数目；
Figure 100002_DEST_PATH_IMAGE038
表示输入层的输入值。
在第一方面的一些可实现方式中，将优化后的权值和阈值作为所述神经网络测评模型的初始权值和阈值，具体实现步骤为：
步骤1、初始化神经网络测评模型，确定网络结构；
步骤2、采用实数编码的方式对权值和阈值进行整体编码；
步骤3、初始化神经网络测评模型中的相关参数，包括种群规模大小、最大的迭代次数、步长向量和个体的初始位置；所述种群为初始解的集合；
步骤4、将当前迭代次数设为1，输入训练集至所述神经网络测评模型，根据适应度函数计算出的数值进行排序，并记录当前的最优解；
步骤5、更新当前的参数数值；
步骤6、判断迭代次数是否满足终止条件，即当前迭代次数是否满足预设迭代次数；
步骤7、当满足终止条件时，保存当前的最优连接权值和阈值；反之，回到步骤4；
步骤8、将权值和阈值的最优解作为神经网络测评模型的初始连接权值和阈值。
根据实际输出值和期望输出值之间的误差值，采用前向传播的方式，将误差值向网络反向传播，同时修正各单元之间的权值和阈值。
调整后的权重表达式为：
Figure 100002_DEST_PATH_IMAGE040
Figure 100002_DEST_PATH_IMAGE042
式中，
Figure 100002_DEST_PATH_IMAGE044
表示学习速率；
Figure 96046DEST_PATH_IMAGE030
表示隐含层节点的输出；
Figure 100002_DEST_PATH_IMAGE046
表示输出层输出值与期望输出值的误差值；
Figure DEST_PATH_IMAGE048
表示隐含层输出值与该层期望输出值的误差值；
Figure 511984DEST_PATH_IMAGE036
表示输入层到隐含层连接权重；
Figure 310175DEST_PATH_IMAGE028
表示隐含层到输出层的连接权重；
Figure 40234DEST_PATH_IMAGE038
表示输入值。
第二方面，提出一种基于教育数据挖掘与分析的教学测评系统，该系统具体包括以下模块：
学生测评模块，被设置为根据账号密码进行对应的测评和测评查看；
教师测评模块，被设置为根据账号密码进行对应的测评、测评查看和学生信息录入；
管理员模块，被设置为根据账号密码进行对学生测评模块和教师测评模块进行管理；
数据处理模块，包括：数据增加模块、数据删除模块、数据修改模块和数据查询模块，所述数据增加模块被设置为根据数据增加需求进行数据添加；所述数据删除模块，被设置为根据数据增加需求进行数据删除；所述数据修改模块；被设置为根据数据增加需求进行数据修改；所述数据查询模块，被设置为根据数据增加需求进行数据查询；
数据库，被设置为按照数据需求进行数据存储。
在第二方面的一些可实现方式中，所述学生测评模块和所述教师测评模块，根据所述管理员模块设置的账号密码，进行对应的教学测评活动；
所述数据处理模块还包括神经网络测评模型，所述神经网络测评模型被设置为根据输入数据，输出对应的教学测评结果；
所述神经网络测评模型由输入层、隐含层和输出层构成；训练过程中根据实际输出值和期望输出值之间的误差值，采用前向传播的方式，将误差值向网络反向传播，从而修正各单元之间的权值和阈值。
有益效果：本发明提出了一种基于教育数据挖掘与分析的教学测评方法及系统，一方面，通过利用计算出的熵值作为初始教学测评的结果，克服了主管赋值避免不了的随机性和主观性。
另一方面，本发明通过优化神经网络测评模型初始权重和阈值的操作，降低神经网络测评模型受限于初始权重和阈值的影响。
附图说明
图1为本发明实施例的数据处理流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
在一个实施例中，提出一种基于教育数据挖掘与分析的教学测评方法，如图1所示，该方法具体包括以下步骤：
步骤一、建立指标评价体系；
步骤二、获取历史教学数据；
步骤三、利用熵值法确定指标体系中的权重；
步骤四、构建神经网络测评模型；
步骤五、利用所述历史教学数据进行训练，并输出训练好的测评模型；
步骤六、所述训练好的测评模型接收待进行测评的数据，并输出经过处理后的测评结果。
在进一步的实施例中，获取到历史数据后，将其按照预设比例划分为训练集和验证集，训练集用来训练神经网络测评模型输出值的准确率，验证集用来判断神经网络测评模型数值的正确性，同时，根据产生的误差，更新神经网络测评模型中的权重值和阈值。
在进一步的实施例中，利用熵值法确定指标体系中各个指标的权重，可以克服自主赋值时，呈现出的随机性和主观性。
具体的，首先，对获取到的历史数据进行数据标准化处理；其次，计算样本所占指标的比重大小；再次，计算指标的熵值；从次，计算指标的差异系数；最后，在对差异系数进行归一化处理后，计算获取初始教学测评结果。
其中，数据标准化处理的处理表达式为：
Figure DEST_PATH_IMAGE002A
式中，
Figure 320166DEST_PATH_IMAGE004
表示标准化后的数据；
Figure 844689DEST_PATH_IMAGE006
表示第i个样本数据在第j项指标的分数值；
Figure 130176DEST_PATH_IMAGE008
表示第j项指标的平均值；
Figure 398347DEST_PATH_IMAGE010
表示第j项指标的标准差。为满足熵值法的要求，标准化后的数值平移量为：
Figure DEST_PATH_IMAGE050
式中，
Figure 515207DEST_PATH_IMAGE014
表示平移后的数值；L表示平移的长度。
将指标体系中的评价指标同度量化后，计算第j项评价指标的熵值，即：
Figure DEST_PATH_IMAGE052
式中，
Figure 538527DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量。根据计算出的熵值，进一步获取第j项评价指标的差异系数，对差异系数归一化后，得到第j项评价指标权重为:
Figure DEST_PATH_IMAGE054
式中，
Figure 373628DEST_PATH_IMAGE016
表示第j项评价指标的熵值；M表示采集到的历史数据样本数量。
根据获取的权重数值，第i个样本的教学测评结果为：
Figure DEST_PATH_IMAGE056
式中，
Figure DEST_PATH_IMAGE058
表示第j项评价指标权重；
Figure 773385DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量。
在进一步的实施例中，神经网络测评模型由输入层、隐含层和输出层构成，当模型接收的输入维度为m，输出维度为1时，神经网络测评模型的映射表达方式为：
Figure DEST_PATH_IMAGE022A
式中，
Figure 10331DEST_PATH_IMAGE024
表示神经网络测评模型的输出值；
Figure 876656DEST_PATH_IMAGE026
表示输出层的阈值；
Figure 136736DEST_PATH_IMAGE028
表示隐含层到输出层的连接权重；k表示隐含层的个数；
Figure 746709DEST_PATH_IMAGE030
表示隐含层节点的输出，即：
Figure DEST_PATH_IMAGE032A
式中，
Figure 838162DEST_PATH_IMAGE034
表示隐含层节点的阈值；
Figure 140967DEST_PATH_IMAGE036
表示输入层到隐含层连接权重；p表示输入层节点的数目；
Figure 622764DEST_PATH_IMAGE038
表示输入层的输入值。
神经网络测评模型的预测结果受连接权值和阈值的影响，从而陷入局部极值的困境，通过采用优化连接权值和阈值方法，降低影响，具体实现步骤为：
步骤1、初始化神经网络测评模型，确定网络结构。
步骤2、采用实数编码的方式对连接权值和阈值进行整体编码。
步骤3、初始化神经网络测评模型中的相关参数，包括种群规模大小、最大的迭代次数、步长向量和个体的初始位置。其中，种群就是初始解的集合。
步骤4、将当前迭代次数设为1，将训练集输入神经网络测评模型，根据适应度函数计算出的数值进行排序，并记录当前的最优解。其中，适应度函数为：
Figure DEST_PATH_IMAGE060
式中，M表示采集到的历史数据样本数量；
Figure 98745DEST_PATH_IMAGE024
表示第i个样本的实际输出值；
Figure DEST_PATH_IMAGE062
表示期望输出值。
步骤5、更新当前相关的参数数值。
其中，更新相关参数通过以下表达式实现：
Figure DEST_PATH_IMAGE064
Figure DEST_PATH_IMAGE066
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE070
Figure DEST_PATH_IMAGE072
式中，
Figure DEST_PATH_IMAGE074
表示第i个个体分离行为过程中的位置向量；X表示种群中当前个体的位置；
Figure DEST_PATH_IMAGE076
表示第j个个体的位置；E表示当前个体相邻个体的数量；
Figure DEST_PATH_IMAGE078
表示第i个个体结对行为过程中的位置向量；
Figure DEST_PATH_IMAGE080
表示相邻个体之间在当前行为中的速度；
Figure DEST_PATH_IMAGE082
表示第i个个体聚集行为过程中的位置向量；
Figure DEST_PATH_IMAGE084
表示第i个个体觅食行为过程中的位置向量；
Figure DEST_PATH_IMAGE086
表示当前最优解；
Figure DEST_PATH_IMAGE088
表示第i个个体避敌行为过程中的位置向量；
Figure DEST_PATH_IMAGE090
表示当前最差解。
结合以上给出的更新表达式，种群中个体步长的更新方式为：
Figure DEST_PATH_IMAGE092
式中，s表示分离权重；a表示对齐权重；c表示凝聚权重；f表示目标权重因子；e表示避敌权重；g表示惯性权重；t表示当前迭代的次数。因此，个体位置的更新表达式为：
Figure DEST_PATH_IMAGE094
式中，
Figure DEST_PATH_IMAGE096
表示种群中个体更新的步长向量值。
步骤6、判断迭代次数是否满足终止条件，即当前迭代次数是否满足预设迭代次数。
步骤7、当满足终止条件时，保存当前的最优连接权值和阈值；反之，回到步骤4.
步骤8、将连接权值和阈值的最优解作为神经网络测评模型的初始连接权值和阈值。
在进一步的实施例中，为了提高神经网络测评模型的准确度，训练过程中，采用前向传播的方式修正神经网络测评模型中的权重值和阈值。根据实际输出值和期望输出值之间的误差值，将误差值向网络反向传播，同时不断的修正各单元之间的权值和阈值。
具体的，输出值与实际期望值之间的误差表达式为：
Figure DEST_PATH_IMAGE098
Figure DEST_PATH_IMAGE100
式中，
Figure 657421DEST_PATH_IMAGE024
表示第i个样本的实际输出值；
Figure 131127DEST_PATH_IMAGE062
表示期望输出值；
Figure 100221DEST_PATH_IMAGE028
表示隐含层到输出层的连接权重；
Figure 46137DEST_PATH_IMAGE030
表示隐含层节点的输出；p表示隐含层节点的数目。
调整后的权重表达式为：
Figure DEST_PATH_IMAGE040A
Figure DEST_PATH_IMAGE042A
式中，
Figure 174498DEST_PATH_IMAGE044
表示学习速率；
Figure 819106DEST_PATH_IMAGE030
表示隐含层节点的输出；
Figure 275496DEST_PATH_IMAGE046
表示输出层输出值与期望输出值的误差值；
Figure 30962DEST_PATH_IMAGE048
表示隐含层输出值与该层期望输出值的误差值；
Figure 623617DEST_PATH_IMAGE036
表示输入层到隐含层连接权重；
Figure 439127DEST_PATH_IMAGE028
表示隐含层到输出层的连接权重；
Figure 382812DEST_PATH_IMAGE038
表示输入值。通过修改网络模型中的权重和阈值，可以更好的提高神经网络测评模型的准确度。
在一个实施例中，提出一种基于教育数据挖掘与分析的教学测评系统，该系统具体包括以下模块：
学生测评模块，被设置为根据账号密码进行对应的测评和测评查看；
教师测评模块，被设置为根据账号密码进行对应的测评、测评查看和学生信息录入；
管理员模块，被设置为根据账号密码进行对学生测评模块和教师测评模块进行管理；
数据处理模块，包括：数据增加模块、数据删除模块、数据修改模块和数据查询模块，所述数据增加模块被设置为根据数据增加需求进行数据添加；所述数据删除模块，被设置为根据数据增加需求进行数据删除；所述数据修改模块；被设置为根据数据增加需求进行数据修改；所述数据查询模块，被设置为根据数据增加需求进行数据查询；
数据库，被设置为按照数据需求进行数据存储。
具体的，所述学生测评模块和所述教师测评模块，根据所述管理员模块设置的账号密码，进行对应的教学测评活动；
所述数据处理模块还包括神经网络测评模型，所述神经网络测评模型被设置为根据输入数据，输出对应的教学测评结果；
所述神经网络测评模型由输入层、隐含层和输出层构成；训练过程中根据实际输出值和期望输出值之间的误差值，采用前向传播的方式，将误差值向网络反向传播，从而修正各单元之间的权值和阈值。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

Claims (10)

1.一种基于教育数据挖掘与分析的教学测评方法，其特征在于，包括以下步骤：
建立指标评价体系；
获取历史教学数据；
利用熵值法确定指标体系中的权重；
构建神经网络测评模型；
利用所述历史教学数据进行训练，并输出训练好的测评模型；
所述训练好的测评模型接收待进行测评的数据，并输出经过处理后的测评结果。
2.根据权利要求1所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，所述历史教学数据划分为训练集和验证集；
所述训练集用于来训练所述神经网络测评模型输出值的准确率；
所述验证集用于判断神经网络测评模型数值的正确性；
验证集在所述神经网络测评模型训练过程中，根据实际输出值与期望输出值产生的误差，更新神经网络测评模型中的权重值和阈值。
3.根据权利要求1所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，划分历史数据为训练集和验证集；所述验证集中期望输出值的获取方式为：
对获取到的历史教学数据进行标准化处理；
计算当前历史数据中的样本所占评价指标的比重；
计算评价指标的熵值；
根据所述评价指标的熵值，计算当前评价指标的差异系数；
归一化所述差异系数，计算当前评价指标的权重；
计算初始教学测评结果，并作为所述神经网络测评模型期望输出值。
4.根据权利要求3所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，所述标准化处理进一步为：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
表示标准化后的数据；
Figure DEST_PATH_IMAGE006
表示第i个样本数据在第j项指标的分数值；
Figure DEST_PATH_IMAGE008
表示第j项指标的平均值；
Figure DEST_PATH_IMAGE010
表示第j项指标的标准差；
所述评价指标的熵值的表达式为：
Figure DEST_PATH_IMAGE012
式中，
Figure 322417DEST_PATH_IMAGE004
表示标准化后的数据；
Figure DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量；L表示平移的长度；
Figure DEST_PATH_IMAGE016
表示第i个评价指标的熵值。
5.根据权利要求3所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，所述初始教学测评结果的表达式为：
Figure DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE020
表示第i个样本的初始教学测评结果；
Figure 222108DEST_PATH_IMAGE004
表示标准化后的数据；
Figure 942940DEST_PATH_IMAGE014
表示平移后的数值；N表示指标体系中的评价指标数量；L表示平移的长度；
Figure 170659DEST_PATH_IMAGE016
表示第i个评价指标的熵值；M表示采集到的历史数据样本数量。
6.根据权利要求1所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，
所述神经网络测评模型由输入层、隐含层和输出层构成；
当模型接收的输入维度为m，输出维度为1时，神经网络测评模型的映射表达方式为：
Figure DEST_PATH_IMAGE022
式中，表示神经网络测评模型的输出值；
Figure DEST_PATH_IMAGE024
表示输出层的阈值；
Figure DEST_PATH_IMAGE026
表示隐含层到输出层的连接权重；k表示隐含层的个数；
Figure DEST_PATH_IMAGE028
表示隐含层节点的输出，即：
Figure DEST_PATH_IMAGE030
式中，
Figure DEST_PATH_IMAGE032
表示隐含层节点的阈值；
Figure DEST_PATH_IMAGE034
表示输入层到隐含层连接权重；p表示输入层节点的数目；
Figure DEST_PATH_IMAGE036
表示输入层的输入值。
7.根据权利要求1所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，
将优化后的权值和阈值作为所述神经网络测评模型的初始权值和阈值，具体实现步骤为：
步骤1、初始化神经网络测评模型，确定网络结构；
步骤2、采用实数编码的方式对权值和阈值进行整体编码；
步骤3、初始化神经网络测评模型中的相关参数，包括种群规模大小、最大的迭代次数、步长向量和个体的初始位置；所述种群为初始解的集合；
步骤4、将当前迭代次数设为1，输入训练集至所述神经网络测评模型，根据适应度函数计算出的数值进行排序，并记录当前的最优解；
步骤5、更新当前的参数数值；
步骤6、判断迭代次数是否满足终止条件，即当前迭代次数是否满足预设迭代次数；
步骤7、当满足终止条件时，保存当前的最优连接权值和阈值；反之，回到步骤4；
步骤8、将权值和阈值的最优解作为神经网络测评模型的初始连接权值和阈值。
8.根据权利要求1所述的一种基于教育数据挖掘与分析的教学测评方法，其特征在于，
根据实际输出值和期望输出值之间的误差值，采用前向传播的方式，将误差值向网络反向传播，同时修正各单元之间的权值和阈值；
调整后的权重表达式为：
Figure DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE040
式中，
Figure DEST_PATH_IMAGE042
表示学习速率；
Figure 569060DEST_PATH_IMAGE028
表示隐含层节点的输出；
Figure DEST_PATH_IMAGE044
表示输出层输出值与期望输出值的误差值；
Figure DEST_PATH_IMAGE046
表示隐含层输出值与该层期望输出值的误差值；
Figure 995362DEST_PATH_IMAGE034
表示输入层到隐含层连接权重；
Figure 887095DEST_PATH_IMAGE026
表示隐含层到输出层的连接权重；
Figure 805372DEST_PATH_IMAGE036
表示输入值。
9.一种基于教育数据挖掘与分析的教学测评系统，用于实现权利要求1~8任意一项方法，其特征在于，具体包括以下模块：
学生测评模块，被设置为根据账号密码进行对应的测评和测评查看；
教师测评模块，被设置为根据账号密码进行对应的测评、测评查看和学生信息录入；
管理员模块，被设置为根据账号密码进行对学生测评模块和教师测评模块进行管理；
数据处理模块，包括：数据增加模块、数据删除模块、数据修改模块和数据查询模块，所述数据增加模块被设置为根据数据增加需求进行数据添加；所述数据删除模块，被设置为根据数据增加需求进行数据删除；所述数据修改模块；被设置为根据数据增加需求进行数据修改；所述数据查询模块，被设置为根据数据增加需求进行数据查询；
数据库，被设置为按照数据需求进行数据存储。
10.根据权利要求9所述的一种基于教育数据挖掘与分析的教学测评系统，其特征在于，
所述学生测评模块和所述教师测评模块，根据所述管理员模块设置的账号密码，进行对应的教学测评活动；
所述数据处理模块还包括神经网络测评模型，所述神经网络测评模型被设置为根据输入数据，输出对应的教学测评结果；
所述神经网络测评模型由输入层、隐含层和输出层构成；训练过程中根据实际输出值和期望输出值之间的误差值，采用前向传播的方式，将误差值向网络反向传播，从而修正各单元之间的权值和阈值。
CN202110506772.2A 2021-05-10 2021-05-10 一种基于教育数据挖掘与分析的教学测评方法及系统 Pending CN113034058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110506772.2A CN113034058A (zh) 2021-05-10 2021-05-10 一种基于教育数据挖掘与分析的教学测评方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110506772.2A CN113034058A (zh) 2021-05-10 2021-05-10 一种基于教育数据挖掘与分析的教学测评方法及系统

Publications (1)

Publication Number Publication Date
CN113034058A true CN113034058A (zh) 2021-06-25

Family

ID=76455144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110506772.2A Pending CN113034058A (zh) 2021-05-10 2021-05-10 一种基于教育数据挖掘与分析的教学测评方法及系统

Country Status (1)

Country Link
CN (1) CN113034058A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600091A (zh) * 2015-10-16 2017-04-26 中国传媒大学 一种基于熵值法的节目评价系统及方法
CN106779383A (zh) * 2016-12-07 2017-05-31 江苏大学 一种用于工程训练的教学质量测评系统
CN107862970A (zh) * 2017-11-20 2018-03-30 无锡开放大学 一种用于翻转课堂的教学质量评价模型
CN109767622A (zh) * 2019-02-14 2019-05-17 重庆邮电大学 面向卡口相似性划分和循环神经网络的交通流量预测方法
CN110189020A (zh) * 2019-05-30 2019-08-30 重庆跃途科技有限公司 一种高校智慧校园建设水平评价方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600091A (zh) * 2015-10-16 2017-04-26 中国传媒大学 一种基于熵值法的节目评价系统及方法
CN106779383A (zh) * 2016-12-07 2017-05-31 江苏大学 一种用于工程训练的教学质量测评系统
CN107862970A (zh) * 2017-11-20 2018-03-30 无锡开放大学 一种用于翻转课堂的教学质量评价模型
CN109767622A (zh) * 2019-02-14 2019-05-17 重庆邮电大学 面向卡口相似性划分和循环神经网络的交通流量预测方法
CN110189020A (zh) * 2019-05-30 2019-08-30 重庆跃途科技有限公司 一种高校智慧校园建设水平评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温新: "基于改进遗传算法和BP神经网络的教学质量评价模型研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 *

Similar Documents

Publication Publication Date Title
CN113190688B (zh) 基于逻辑推理和图卷积的复杂网络链接预测方法及系统
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN113361685B (zh) 一种基于学习者知识状态演化表示的知识追踪方法及系统
CN110751289B (zh) 一种基于Bagging_BP算法的在线学习行为分析方法
CN112215446A (zh) 一种基于神经网络的单位动态火灾风险评估方法
CN113239699B (zh) 一种融合多特征的深度知识追踪方法及系统
CN112581264A (zh) 一种基于蝗虫算法优化mlp神经网络的信用风险预测方法
CN109582974A (zh) 一种基于深度学习的在校大学生信用评估方法及装置
CN115115389A (zh) 一种基于价值细分和集成预测的快递客户流失预测方法
CN111143533B (zh) 一种基于用户行为数据的客服方法及系统
CN108364098A (zh) 一种天气特征对用户签到影响的度量方法
CN110704627A (zh) 一种训练分类模型的方法及系统
CN112131587B (zh) 一种智能合约伪随机数安全检验方法、系统、介质和装置
Reddy et al. Neural networks for prediction of loan default using attribute relevance analysis
CN110321951B (zh) 一种vr模拟飞行器训练评价方法
CN112348656A (zh) 一种基于ba-wnn的个人贷款信用评分方法
CN113034058A (zh) 一种基于教育数据挖掘与分析的教学测评方法及系统
CN114023312B (zh) 基于元学习的语音声纹识别通用对抗扰动构建方法及系统
CN111461229A (zh) 一种基于目标传递和线搜索的深层神经网络优化及图像分类方法
US20230351153A1 (en) Knowledge graph reasoning model, system, and reasoning method based on bayesian few-shot learning
CN113392958B (zh) 一种模糊神经网络fnn的参数优化及应用方法与系统
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
CN113962295A (zh) 武器装备体系效能评估方法、系统及装置
CN113486952A (zh) 一种基因调控网络的多因素模型优化方法
Zheng Research on the evaluation model of educational management theory based on data mining from the perspective of neural network

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: 20210625

RJ01 Rejection of invention patent application after publication