CN117763361B - 一种基于人工智能的学生成绩预测方法及系统 - Google Patents
一种基于人工智能的学生成绩预测方法及系统 Download PDFInfo
- Publication number
- CN117763361B CN117763361B CN202410196208.9A CN202410196208A CN117763361B CN 117763361 B CN117763361 B CN 117763361B CN 202410196208 A CN202410196208 A CN 202410196208A CN 117763361 B CN117763361 B CN 117763361B
- Authority
- CN
- China
- Prior art keywords
- student
- learning
- data
- performance prediction
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 230000001149 cognitive effect Effects 0.000 claims abstract description 71
- 230000004927 fusion Effects 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000007786 learning performance Effects 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 26
- 230000004044 response Effects 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000012512 characterization method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的学生成绩预测方法及系统，方法数据收集、认知参数集构建、学习表现预测、模型可解释性优化和学生成绩预测。本发明涉及学生成绩预测技术领域，具体是指一种基于人工智能的学生成绩预测方法及系统，本方案构造多通道认知参数集，提升了数据的维度和质量；构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度；采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性；从三个维度进行模型可解释性优化，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。
Description
技术领域
本发明涉及学生成绩预测技术领域，具体是指一种基于人工智能的学生成绩预测方法及系统。
背景技术
基于人工智能的学生成绩预测方法是利用机器学习和数据分析技术，通过对学生的历史数据、特征和学习行为进行建模和分析，来预测学生在未来考试或课程中可能取得的成绩，通过构建模型，可以利用学生的历史成绩、参与课堂讨论和作业完成情况等因素，预测学生未来的学习表现，为教育体系提供更深入、更客观的数据支持，从而更好地满足学生和教育的需求。
但是，在已有的学生成绩预测方法中，存在着学生成绩的预测未能既考虑学生历史成绩数据，也兼顾考题和参考答案的特征进行综合认知评估的技术问题；在已有的学生成绩预测方法中，存在着学生成绩预测未能针对学生个人和学习资源进行区分模拟特征提取，从而不能更好反应学生学习的实际情况的技术问题；在已有的学生成绩预测方法中，存在着学生成绩预测所需的深度学习特征复杂多样，需要对不同维度的特征数据进行深度融合，并进一步进行预测的技术问题；在已有的学生成绩预测方法中，存在着学生成绩预测的模型可解释性较差，不能体现出影响学生成绩的关键因素，并进而影响方法的整体实用价值的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于人工智能的学生成绩预测方法及系统，针对在已有的学生成绩预测方法中，存在着学生成绩的预测未能既考虑学生历史成绩数据，也兼顾考题和参考答案的特征进行综合认知评估的技术问题，本方案创造性地构造多通道认知参数集，通过综合分析学生个人的问答情况和问题本身的问答设置，提升了数据的维度和质量，为后续的成绩预测提供良好的数据支持；针对在已有的学生成绩预测方法中，存在着学生成绩预测未能针对学生个人和学习资源进行区分模拟特征提取，从而不能更好反应学生学习的实际情况的技术问题，本方案创造性地构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度，更好的反映了学生的学习情况，为后续的成绩预测提供了良好的特征数据基础；针对在已有的学生成绩预测方法中，存在着学生成绩预测所需的深度学习特征复杂多样，需要对不同维度的特征数据进行深度融合，并进一步进行预测的技术问题，本方案创造性地采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性；针对在已有的学生成绩预测方法中，存在着学生成绩预测的模型可解释性较差，不能体现出影响学生成绩的关键因素，并进而影响方法的整体实用价值的技术问题，本方案创造性地从三个维度进行模型可解释性优化，通过构建认知参数集结合认知理论和心理测量学理论，并通过构建学习资源响应模拟子网模拟交互，通过引入注意力机制处理学生本体特征数据和学习资源特征数据，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。
本发明采取的技术方案如下：本发明提供的一种基于人工智能的学生成绩预测方法，该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：认知参数集构建；
步骤S3：学习表现预测；
步骤S4：模型可解释性优化；
步骤S5：学生成绩预测。
进一步地，在步骤S1中，所述数据收集，用于收集学生成绩预测所需的原始数据集，具体为从智能教学系统中，通过数据采集，得到学生成绩预测原始数据。
进一步地，在步骤S2中，所述认知参数集构建，用于初始化学生成绩预测所需的参数数据集，具体为依据所述学生成绩预测原始数据，构建得到多通道认知参数集，所述多通道认知参数集，具体包括学习资源参数集和学生本体参数集，包括以下步骤：
步骤S21：构建学习资源参数集，计算公式为：
EC＝{PM1(R，Q)，PM2(R，Q)，...，PMN(R，Q)}；
式中，EC是学习资源参数集，PM1是第一心理测量模型，N是心理测量模型总数，R是答案数据集，Q是问题数据集；
步骤S22：构建学生本体参数集，计算公式为：
SC＝{PM1(Rs，Qs)，PM2(Rs，Qs)，...，PMN(Rs，Qs)}；
式中，SC是学生本体参数集，PM1是第一心理测量模型，N是心理测量模型总数，Rs是学生答案数据集，Qs是学生得分情况数据集；
步骤S23：构建多通道认知参数集，具体为通过所述构建学习资源参数集和所述构建学生本体参数集，构建得到多通道认知参数集。
进一步地，在步骤S3中，所述学习表现预测，用于采用人工智能方法进行学生的学习表现基本情况预测，具体为依据所述多通道认知参数集，采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据；
所述结合深浅学习特征融合的深度卷积神经网络，具体包括学生本体表示子网、学习资源表示子网、学习资源响应模拟子网、深浅学习特征融合子网和学习表现预测基本卷积子网；
所述学生本体表示子网，用于依据认知参数集中的学生本体参数集，挖掘学生本体的深度学习特征；
所述学习资源表示子网，用于依据认知参数集中的学习资源参数集，挖掘学习资源的深度学习特征；
所述学习资源响应模拟子网，用于模拟学生在学习过程中的问答过程并提取交互深层特征；
所述深浅学习特征融合子网，用于结合注意力机制融合深层特征和浅层特征；
所述学习表现预测基本卷积子网，用于构建进行学习表现预测的基本卷积神经网络结构；
所述采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据的步骤，包括：
步骤S31：构建学生本体表示子网，具体包括以下步骤：
步骤S311：学生本体参数预处理，具体为对所述学生本体参数集SC中的数据进行离散化和独热编码，得到一维学生本体向量数据；
步骤S312：构建学生本体自适应编码器，计算公式为：
式中，hs是学生本体编码特征，f(·)是编码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体编码器权重，/>是学生本体编码器偏置项；
步骤S313：构建学生本体自适应解码器，计算公式为：
式中，ys是学生本体解码特征，g(·)是解码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体解码器权重，/>是学生本体解码器偏置项；
步骤S314：学生本体特征编解码，具体为通过所述学生本体参数预处理、所述构建学生本体自适应编码器和所述构建学生本体自适应解码器，进行学生本体特征编解码，得到学生本体表征数据，所述学生本体表征数据，用于表示学生本体的深度学习特征；
步骤S32：构建学习资源表示子网，具体包括以下步骤：
步骤S321：学习资源参数预处理，具体为对所述学习资源参数集EC中的数据进行离散化和独热编码，得到一维学习资源向量数据；
步骤S322：构建学生本体自适应编码器，计算公式为：
式中，he是学习资源编码特征，f(·)是编码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源编码器权重，/>是学习资源编码器偏置项；
步骤S323：构建学习资源自适应解码器，计算公式为：
式中，ye是学习资源解码特征，g(·)是解码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源解码器权重，/>是学习资源解码器偏置项；
步骤S324：学习资源特征编解码，具体为通过所述学习资源参数预处理、所述构建学习资源自适应编码器和所述构建学习资源自适应解码器，进行学习资源特征编解码，得到学习资源表征数据，所述学习资源表征数据，用于表示学习资源的深度学习特征；
步骤S33：构建学习资源响应模拟子网，包括以下步骤：
步骤S331：特征连接，计算公式为：
fS＝concat(hs，he)；
式中，fS是连接学习数据特征，concat(·)是向量连接函数，hs是学生本体编码特征，he是学习资源编码特征；
步骤S332：计算深层特征，计算公式为：
式中，fD是深层特征，σ(·)是S型激活函数，是深层特征计算权重，fS是连接学习数据特征，/>是深层特征计算偏置项；
步骤S34：构建深浅学习特征融合子网，包括以下步骤：
步骤S341：计算深浅融合学习特征，计算公式为：
fF＝conf(fD,SC,EC)；
式中，fF是深浅融合学习特征，conf(·)是特征融合函数，fD是深层特征，SC是学生本体参数集，EC是学习资源参数集，所述学生本体参数集SC和学习资源参数集EC用于组合构成浅层特征；
步骤S342：构建注意力机制，计算所述深浅融合学习特征的维度权重，计算公式为：
Sim(Q,Ki)＝Q·Ki；
式中，Sim(·)是维度权重计算函数，Q是查询向量矩阵，K是键向量矩阵，i是深浅融合学习特征的数据维度索引，Ki是数据维度为i的深浅融合学习特征对应的键向量矩阵；
步骤S343：特征概率分布归一化，具体为通过softmax分类器将所述维度权重归一化整理成权重之和为1的概率分布，得到分布权值；
步骤S344：计算融合特征数据，计算公式为：
式中，fa是融合特征数据，i是深浅融合学习特征的数据维度索引，dF是深浅融合学习特征的数据总维度数，ai是分布权值集，Vi是数据维度为i的深浅融合学习特征对应的值向量矩阵；
步骤S35：构建学习表现预测基本卷积子网，具体为构建卷积层、池化层、全连接层和模型损失函数，构建得到所述学习表现预测基本卷积子网；
步骤S36：学习表现预测模型训练，具体为通过所述构建学生本体表示子网、所述构建学习资源表示子网、所述构建学习资源响应模拟子网、所述构建深浅学习特征融合子网和所述构建学习表现预测基本卷积子网进行模型训练，得到学生表现预测模型ModelPP；
步骤S37：学习表现预测，具体为采用所述学生表现预测模型ModelPP，进行学生表现预测，得到学习表现预测数据。
进一步地，在步骤S4中，所述模型可解释性优化，用于对学生表现预测模型的可解释性进行优化，具体为通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强，得到优化学生表现预测模型ModelBP；
所述通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强的步骤，包括：
步骤S41：认知参数可解释性增强，具体为结合认知理论和心理测量学理论对所述多通道认知参数集进行认知参数可解释性增强，具体包括对问题难度、问题区分度和学生能力进行心理测量学理论可解释性增强；
步骤S42：学习资源响应模拟子网可解释性增强，具体为通过结合所述学生本体表示子网和所述学习资源表示子网，通过特征连接模拟学生和学习资源的交互过程，并通过所述交互过程模拟学生针对问题的回答过程，进行学习资源响应模拟子网可解释性增强；
步骤S43：自注意力机制权重可解释性增强，具体为通过采用自注意力机制处理学生本体特征数据和学习资源特征数据，优化模型整体的预测结果的可解释性，并通过采用所述自注意力机制，得到学生表现预测综合关键特征，进行自注意力机制权重可解释性增强；
步骤S44：模型可解释性优化，具体为通过所述认知参数可解释性增强、所述学习资源响应模拟子网可解释性增强和所述自注意力机制权重可解释性增强，在步骤S3所述步骤中进行模型可解释性优化，得到优化学生表现预测模型ModelBP。
进一步地，在步骤S5中，所述学生成绩预测，用于进行学生成绩预测，具体为采用所述优化学生表现预测模型ModelBP，依据所述学生成绩预测原始数据，进行学生成绩预测，得到学生预测成绩数据。
本发明提供的一种基于人工智能的学生成绩预测系统，包括数据收集模块、认知参数集构建模块、学习表现预测模块、模型可解释性优化模块和学生成绩预测模块；
所述数据收集模块，用于数据收集，通过数据收集，得到学生成绩预测原始数据，并将所述学生成绩预测原始数据发送至认知参数集构建模块和学生成绩预测模块；
所述认知参数集构建模块，用于认知参数集构建，通过认知参数集构建，得到多通道认知参数集，并将所述多通道认知参数集发送至学习表现预测模块；
所述学习表现预测模块，用于学习表现预测，通过学习表现预测，得到学生表现预测模型和学生表现预测数据，并将所述学生表现预测模型发送至模型可解释性优化模块；
所述模型可解释性优化模块，用于模型可解释性优化，通过模型可解释性优化，得到优化学生表现预测模型，并将所述优化学生表现预测模型发送至学生成绩预测模块；
所述学生成绩预测模块，用于学生成绩预测，通过学生成绩预测，得到学生预测成绩数据。
采用上述方案本发明取得的有益效果如下：
(1)针对在已有的学生成绩预测方法中，存在着学生成绩的预测未能既考虑学生历史成绩数据，也兼顾考题和参考答案的特征进行综合认知评估的技术问题，本方案创造性地构造多通道认知参数集，通过综合分析学生个人的问答情况和问题本身的问答设置，提升了数据的维度和质量，为后续的成绩预测提供良好的数据支持；
(2)针对在已有的学生成绩预测方法中，存在着学生成绩预测未能针对学生个人和学习资源进行区分模拟特征提取，从而不能更好反应学生学习的实际情况的技术问题，本方案创造性地构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度，更好的反映了学生的学习情况，为后续的成绩预测提供了良好的特征数据基础；
(3)针对在已有的学生成绩预测方法中，存在着学生成绩预测所需的深度学习特征复杂多样，需要对不同维度的特征数据进行深度融合，并进一步进行预测的技术问题，本方案创造性地采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性；
(4)针对在已有的学生成绩预测方法中，存在着学生成绩预测的模型可解释性较差，不能体现出影响学生成绩的关键因素，并进而影响方法的整体实用价值的技术问题，本方案创造性地从三个维度进行模型可解释性优化，通过构建认知参数集结合认知理论和心理测量学理论，并通过构建学习资源响应模拟子网模拟交互，通过引入注意力机制处理学生本体特征数据和学习资源特征数据，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。
附图说明
图1为本发明提供的一种基于人工智能的学生成绩预测方法的流程示意图；
图2为本发明提供的一种基于人工智能的学生成绩预测系统的示意图；
图3为步骤S2认知参数集构建的流程示意图；
图4为步骤S3学习表现预测的流程示意图；
图5为步骤S4模型可解释性优化的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种基于人工智能的学生成绩预测方法，该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：认知参数集构建；
步骤S3：学习表现预测；
步骤S4：模型可解释性优化；
步骤S5：学生成绩预测。
实施例二，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S1中，所述数据收集，用于收集学生成绩预测所需的原始数据集，具体为从智能教学系统中，通过数据采集，得到学生成绩预测原始数据；
所述学生成绩预测原始数据，具体指数学科目数据，包括历史学习记录数据和学习资源信息数据，所述历史学习记录数据，具体指答题记录数据，包括问题、参考答案和学生个人答案，所述学习资源信息数据，具体指考试得分情况数据，包括考卷得分情况、题目得分情况和得分点明细。
实施例三，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S2中，所述认知参数集构建，用于初始化学生成绩预测所需的参数数据集，具体为依据所述学生成绩预测原始数据，构建得到多通道认知参数集，所述多通道认知参数集，具体包括学习资源参数集和学生本体参数集，包括以下步骤：
步骤S21：构建学习资源参数集，计算公式为：
EC＝{PM1(R，Q)，PM2(R，Q)，...，PMN(R，Q)}；
式中，EC是学习资源参数集，PM1是第一心理测量模型，N是心理测量模型总数，R是答案数据集，Q是问题数据集；
步骤S22：构建学生本体参数集，计算公式为：
SC＝{PM1(Rs，Qs)，PM2(Rs，Qs)，...，PMN(Rs，Qs)}；
式中，SC是学生本体参数集，PM1是第一心理测量模型，N是心理测量模型总数，Rs是学生答案数据集，Qs是学生得分情况数据集；
步骤S23：构建多通道认知参数集，具体为通过所述构建学习资源参数集和所述构建学生本体参数集，构建得到多通道认知参数集。
通过执行上述操作，针对在已有的学生成绩预测方法中，存在着学生成绩的预测未能既考虑学生历史成绩数据，也兼顾考题和参考答案的特征进行综合认知评估的技术问题，本方案创造性地构造多通道认知参数集，通过综合分析学生个人的问答情况和问题本身的问答设置，提升了数据的维度和质量，为后续的成绩预测提供良好的数据支持。
实施例四，参阅图1、图2和图4，该实施例基于上述实施例，在步骤S3中，所述学习表现预测，用于采用人工智能方法进行学生的学习表现基本情况预测，具体为依据所述多通道认知参数集，采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据；
所述结合深浅学习特征融合的深度卷积神经网络，具体包括学生本体表示子网、学习资源表示子网、学习资源响应模拟子网、深浅学习特征融合子网和学习表现预测基本卷积子网；
所述学生本体表示子网，用于依据认知参数集中的学生本体参数集，挖掘学生本体的深度学习特征；
所述学习资源表示子网，用于依据认知参数集中的学习资源参数集，挖掘学习资源的深度学习特征；
所述学习资源响应模拟子网，用于模拟学生在学习过程中的问答过程并提取交互深层特征；
所述深浅学习特征融合子网，用于结合注意力机制融合深层特征和浅层特征；
所述学习表现预测基本卷积子网，用于构建进行学习表现预测的基本卷积神经网络结构；
所述采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据的步骤，包括：
步骤S31：构建学生本体表示子网，具体包括以下步骤：
步骤S311：学生本体参数预处理，具体为对所述学生本体参数集SC中的数据进行离散化和独热编码，得到一维学生本体向量数据；
步骤S312：构建学生本体自适应编码器，计算公式为：
式中，hs是学生本体编码特征，f(·)是编码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体编码器权重，/>是学生本体编码器偏置项；
步骤S313：构建学生本体自适应解码器，计算公式为：
式中，ys是学生本体解码特征，g(·)是解码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体解码器权重，/>是学生本体解码器偏置项；
步骤S314：学生本体特征编解码，具体为通过所述学生本体参数预处理、所述构建学生本体自适应编码器和所述构建学生本体自适应解码器，进行学生本体特征编解码，得到学生本体表征数据，所述学生本体表征数据，用于表示学生本体的深度学习特征；
步骤S32：构建学习资源表示子网，具体包括以下步骤：
步骤S321：学习资源参数预处理，具体为对所述学习资源参数集EC中的数据进行离散化和独热编码，得到一维学习资源向量数据；
步骤S322：构建学生本体自适应编码器，计算公式为：
式中，he是学习资源编码特征，f(·)是编码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源编码器权重，/>是学习资源编码器偏置项；
步骤S323：构建学习资源自适应解码器，计算公式为：
式中，ye是学习资源解码特征，g(·)是解码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源解码器权重，/>是学习资源解码器偏置项；
步骤S324：学习资源特征编解码，具体为通过所述学习资源参数预处理、所述构建学习资源自适应编码器和所述构建学习资源自适应解码器，进行学习资源特征编解码，得到学习资源表征数据，所述学习资源表征数据，用于表示学习资源的深度学习特征；
步骤S33：构建学习资源响应模拟子网，包括以下步骤：
步骤S331：特征连接，计算公式为：
fS＝concat(hs，he)；
式中，fS是连接学习数据特征，concat(·)是向量连接函数，hs是学生本体编码特征，he是学习资源编码特征；
步骤S332：计算深层特征，计算公式为：
式中，fD是深层特征，σ(·)是S型激活函数，是深层特征计算权重，fS是连接学习数据特征，/>是深层特征计算偏置项；
步骤S34：构建深浅学习特征融合子网，包括以下步骤：
步骤S341：计算深浅融合学习特征，计算公式为：
fF＝conf(fD，SC，EC)；
式中，fF是深浅融合学习特征，conf(·)是特征融合函数，fD是深层特征，SC是学生本体参数集，EC是学习资源参数集，所述学生本体参数集SC和学习资源参数集EC用于组合构成浅层特征；
步骤S342：构建注意力机制，计算所述深浅融合学习特征的维度权重，计算公式为：
Sim(Q,Ki)＝Q·Ki；
式中，Sim(·)是维度权重计算函数，Q是查询向量矩阵，K是键向量矩阵，i是深浅融合学习特征的数据维度索引，Ki是数据维度为i的深浅融合学习特征对应的键向量矩阵；
步骤S343：特征概率分布归一化，具体为通过softmax分类器将所述维度权重归一化整理成权重之和为1的概率分布，得到分布权值；
所述分布权值的计算公式为：
式中，ai是分布权值集，i是深浅融合学习特征的数据维度索引，softmax(·)是分类器函数，Simi是维度权重集，e是自然底数，j是浅层特征维度索引，ds是浅层特征的维度总数，Simj是浅层特征维度为j对应的维度权重；
步骤S344：计算融合特征数据，计算公式为：
式中，fa是融合特征数据，i是深浅融合学习特征的数据维度索引，dF是深浅融合学习特征的数据总维度数，ai是分布权值集，Vi是数据维度为i的深浅融合学习特征对应的值向量矩阵；
步骤S35：构建学习表现预测基本卷积子网，具体为构建卷积层、池化层、全连接层和模型损失函数，构建得到所述学习表现预测基本卷积子网；
所述卷积层，具体将卷积核大小设为3，步长设为1，并采用ReLU激活函数激活；
所述池化层，具体采用最大池化层，用于降低特征维度；
所述全连接层，用于将学生表现预测数据连接至输出层；
所述模型损失函数，具体采用学生真实表现和预测表现之间的交叉熵损失函数作为模型损失函数；
步骤S36：学习表现预测模型训练，具体为通过所述构建学生本体表示子网、所述构建学习资源表示子网、所述构建学习资源响应模拟子网、所述构建深浅学习特征融合子网和所述构建学习表现预测基本卷积子网进行模型训练，得到学生表现预测模型ModelPP；
步骤S37：学习表现预测，具体为采用所述学生表现预测模型ModelPP，进行学生表现预测，得到学习表现预测数据。
通过执行上述操作，针对在已有的学生成绩预测方法中，存在着学生成绩预测未能针对学生个人和学习资源进行区分模拟特征提取，从而不能更好反应学生学习的实际情况的技术问题，本方案创造性地构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度，更好的反映了学生的学习情况，为后续的成绩预测提供了良好的特征数据基础；
针对在已有的学生成绩预测方法中，存在着学生成绩预测所需的深度学习特征复杂多样，需要对不同维度的特征数据进行深度融合，并进一步进行预测的技术问题，本方案创造性地采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性。
实施例五，参阅图1、图2和图5，该实施例基于上述实施例，在步骤S4中，所述模型可解释性优化，用于对学生表现预测模型的可解释性进行优化，具体为通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强，得到优化学生表现预测模型ModelBP；
所述通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强的步骤，包括：
步骤S41：认知参数可解释性增强，具体为结合认知理论和心理测量学理论对所述多通道认知参数集进行认知参数可解释性增强，具体包括对问题难度、问题区分度和学生能力进行心理测量学理论可解释性增强；
步骤S42：学习资源响应模拟子网可解释性增强，具体为通过结合所述学生本体表示子网和所述学习资源表示子网，通过特征连接模拟学生和学习资源的交互过程，并通过所述交互过程模拟学生针对问题的回答过程，进行学习资源响应模拟子网可解释性增强；
步骤S43：自注意力机制权重可解释性增强，具体为通过采用自注意力机制处理学生本体特征数据和学习资源特征数据，优化模型整体的预测结果的可解释性，并通过采用所述自注意力机制，得到学生表现预测综合关键特征，进行自注意力机制权重可解释性增强；
步骤S44：模型可解释性优化，具体为通过所述认知参数可解释性增强、所述学习资源响应模拟子网可解释性增强和所述自注意力机制权重可解释性增强，在步骤S3所述步骤中进行模型可解释性优化，得到优化学生表现预测模型ModelBP。
通过执行上述操作，针对在已有的学生成绩预测方法中，存在着学生成绩预测的模型可解释性较差，不能体现出影响学生成绩的关键因素，并进而影响方法的整体实用价值的技术问题，本方案创造性地从三个维度进行模型可解释性优化，通过构建认知参数集结合认知理论和心理测量学理论，并通过构建学习资源响应模拟子网模拟交互，通过引入注意力机制处理学生本体特征数据和学习资源特征数据，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。
实施例六，参阅图1和图2，该实施例基于上述实施例，在步骤S5中，所述学生成绩预测，用于进行学生成绩预测，具体为采用所述优化学生表现预测模型ModelBP，依据所述学生成绩预测原始数据，进行学生成绩预测，得到学生预测成绩数据。
实施例七，参阅图1和图2，该实施例基于上述实施例，本发明提供的一种基于人工智能的学生成绩预测系统，包括数据收集模块、认知参数集构建模块、学习表现预测模块、模型可解释性优化模块和学生成绩预测模块；
所述数据收集模块，用于数据收集，通过数据收集，得到学生成绩预测原始数据，并将所述学生成绩预测原始数据发送至认知参数集构建模块和学生成绩预测模块；
所述认知参数集构建模块，用于认知参数集构建，通过认知参数集构建，得到多通道认知参数集，并将所述多通道认知参数集发送至学习表现预测模块；
所述学习表现预测模块，用于学习表现预测，通过学习表现预测，得到学生表现预测模型和学生表现预测数据，并将所述学生表现预测模型发送至模型可解释性优化模块；
所述模型可解释性优化模块，用于模型可解释性优化，通过模型可解释性优化，得到优化学生表现预测模型，并将所述优化学生表现预测模型发送至学生成绩预测模块；
所述学生成绩预测模块，用于学生成绩预测，通过学生成绩预测，得到学生预测成绩数据。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.一种基于人工智能的学生成绩预测方法，其特征在于：该方法包括以下步骤：
步骤S1：数据收集；
步骤S2：认知参数集构建；
步骤S3：学习表现预测；
步骤S4：模型可解释性优化；
步骤S5：学生成绩预测；
在步骤S1中，所述数据收集，用于收集学生成绩预测所需的原始数据集，具体为从智能教学系统中，通过数据采集，得到学生成绩预测原始数据；
在步骤S2中，所述认知参数集构建，用于初始化学生成绩预测所需的参数数据集，具体为依据所述学生成绩预测原始数据，构建得到多通道认知参数集，所述多通道认知参数集，具体包括学习资源参数集和学生本体参数集；
在步骤S3中，所述学习表现预测，用于采用人工智能方法进行学生的学习表现基本情况预测，具体为依据所述多通道认知参数集，采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据；
所述结合深浅学习特征融合的深度卷积神经网络，具体包括学生本体表示子网、学习资源表示子网、学习资源响应模拟子网、深浅学习特征融合子网和学习表现预测基本卷积子网；
所述学生本体表示子网，用于依据认知参数集中的学生本体参数集，挖掘学生本体的深度学习特征；
所述学习资源表示子网，用于依据认知参数集中的学习资源参数集，挖掘学习资源的深度学习特征；
所述学习资源响应模拟子网，用于模拟学生在学习过程中的问答过程并提取交互深层特征；
所述深浅学习特征融合子网，用于结合注意力机制融合深层特征和浅层特征；
所述学习表现预测基本卷积子网，用于构建进行学习表现预测的基本卷积神经网络结构
在步骤S4中，所述模型可解释性优化，用于对学生表现预测模型的可解释性进行优化，具体为通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强，得到优化学生表现预测模型ModelBP，具体步骤包括：
步骤S41：认知参数可解释性增强，具体为结合认知理论和心理测量学理论对所述多通道认知参数集进行认知参数可解释性增强，具体包括对问题难度、问题区分度和学生能力进行心理测量学理论可解释性增强；
步骤S42：学习资源响应模拟子网可解释性增强，具体为通过结合所述学生本体表示子网和所述学习资源表示子网，通过特征连接模拟学生和学习资源的交互过程，并通过所述交互过程模拟学生针对问题的回答过程，进行学习资源响应模拟子网可解释性增强；
步骤S43：自注意力机制权重可解释性增强，具体为通过采用自注意力机制处理学生本体特征数据和学习资源特征数据，优化模型整体的预测结果的可解释性，并通过采用所述自注意力机制，得到学生表现预测综合关键特征，进行自注意力机制权重可解释性增强；
步骤S44：模型可解释性优化，具体为通过所述认知参数可解释性增强、所述学习资源响应模拟子网可解释性增强和所述自注意力机制权重可解释性增强，在步骤S3所述步骤中进行模型可解释性优化，得到优化学生表现预测模型ModelBP；
在步骤S5中，所述学生成绩预测，用于进行学生成绩预测，具体为采用所述优化学生表现预测模型ModelBP，依据所述学生成绩预测原始数据，进行学生成绩预测，得到学生预测成绩数据。
2.根据权利要求1所述的一种基于人工智能的学生成绩预测方法，其特征在于：在步骤S2中，所述认知参数集构建，具体包括以下步骤：
步骤S21：构建学习资源参数集，计算公式为：
EC＝{PM1(R，Q)，PM2(R，Q)，...，PMN(R，Q)}；
式中，EC是学习资源参数集，PM1是第一心理测量模型，N是心理测量模型总数，R是答案数据集，Q是问题数据集；
步骤S22：构建学生本体参数集，计算公式为：
SC＝{PM1(Rs，Qs)，PM2(Rs，Qs)，...，PMN(Rs，Qs)}；
式中，SC是学生本体参数集，PM1是第一心理测量模型，N是心理测量模型总数，Rs是学生答案数据集，Qs是学生得分情况数据集；
步骤S23：构建多通道认知参数集，具体为通过所述构建学习资源参数集和所述构建学生本体参数集，构建得到多通道认知参数集。
3.根据权利要求2所述的一种基于人工智能的学生成绩预测方法，其特征在于：在步骤S3中，所述采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据的步骤，包括：
步骤S31：构建学生本体表示子网；
步骤S32：构建学习资源表示子网；
步骤S33：构建学习资源响应模拟子网；
步骤S34：构建深浅学习特征融合子网；
步骤S35：构建学习表现预测基本卷积子网；
步骤S36：学习表现预测模型训练；
步骤S37：学习表现预测。
4.根据权利要求3所述的一种基于人工智能的学生成绩预测方法，其特征在于：在步骤S31中，所述构建学生本体表示子网，具体包括以下步骤：
步骤S311：学生本体参数预处理，具体为对所述学生本体参数集SC中的数据进行离散化和独热编码，得到一维学生本体向量数据；
步骤S312：构建学生本体自适应编码器，计算公式为：
式中，hs是学生本体编码特征，f(·)是编码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体编码器权重，/>是学生本体编码器偏置项；
步骤S313：构建学生本体自适应解码器，计算公式为：
式中，ys是学生本体解码特征，g(·)是解码器函数，xs是一维学生本体向量数据，σ(·)是S型激活函数，是学生本体解码器权重，/>是学生本体解码器偏置项；
步骤S314：学生本体特征编解码，具体为通过所述学生本体参数预处理、所述构建学生本体自适应编码器和所述构建学生本体自适应解码器，进行学生本体特征编解码，得到学生本体表征数据，所述学生本体表征数据，用于表示学生本体的深度学习特征；
在步骤S32中，所述构建学习资源表示子网，具体包括以下步骤：
步骤S321：学习资源参数预处理，具体为对所述学习资源参数集EC中的数据进行离散化和独热编码，得到一维学习资源向量数据；
步骤S322：构建学生本体自适应编码器，计算公式为：
式中，he是学习资源编码特征，f(·)是编码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源编码器权重，/>是学习资源编码器偏置项；
步骤S323：构建学习资源自适应解码器，计算公式为：
式中，ye是学习资源解码特征，g(·)是解码器函数，xe是一维学习资源向量数据，σ(·)是S型激活函数，是学习资源解码器权重，/>是学习资源解码器偏置项；
步骤S324：学习资源特征编解码，具体为通过所述学习资源参数预处理、所述构建学习资源自适应编码器和所述构建学习资源自适应解码器，进行学习资源特征编解码，得到学习资源表征数据，所述学习资源表征数据，用于表示学习资源的深度学习特征。
5.根据权利要求4所述的一种基于人工智能的学生成绩预测方法，其特征在于：在步骤S33中，所述构建学习资源响应模拟子网，包括以下步骤：
步骤S331：特征连接，计算公式为：
fS＝concat(hs，he)；
式中，fS是连接学习数据特征，concat(·)是向量连接函数，hs是学生本体编码特征，he是学习资源编码特征；
步骤S332：计算深层特征，计算公式为：
式中，fD是深层特征，σ(·)是S型激活函数，是深层特征计算权重，fS是连接学习数据特征，/>是深层特征计算偏置项；
在步骤S34中，所述构建深浅学习特征融合子网，包括以下步骤：
步骤S341：计算深浅融合学习特征，计算公式为：
fF＝conf(fD，SC，EC)；
式中，fF是深浅融合学习特征，conf(·)是特征融合函数，fD是深层特征，SC是学生本体参数集，EC是学习资源参数集，所述学生本体参数集SC和学习资源参数集EC用于组合构成浅层特征；
步骤S342：构建注意力机制，计算所述深浅融合学习特征的维度权重，计算公式为：
Sim(Q,Ki)＝Q·Ki；
式中，Sim(·)是维度权重计算函数，Q是查询向量矩阵，K是键向量矩阵，i是深浅融合学习特征的数据维度索引，Ki是数据维度为i的深浅融合学习特征对应的键向量矩阵；
步骤S343：特征概率分布归一化，具体为通过softmax分类器将所述维度权重归一化整理成权重之和为1的概率分布，得到分布权值；
步骤S344：计算融合特征数据，计算公式为：
式中，fa是融合特征数据，i是深浅融合学习特征的数据维度索引，dF是深浅融合学习特征的数据总维度数，ai是分布权值集，Vi是数据维度为i的深浅融合学习特征对应的值向量矩阵；
在步骤S35中，所述构建学习表现预测基本卷积子网，具体为构建卷积层、池化层、全连接层和模型损失函数，构建得到所述学习表现预测基本卷积子网；
在步骤S36中，所述学习表现预测模型训练，具体为通过所述构建学生本体表示子网、所述构建学习资源表示子网、所述构建学习资源响应模拟子网、所述构建深浅学习特征融合子网和所述构建学习表现预测基本卷积子网进行模型训练，得到学生表现预测模型ModelPP；
在步骤S37中，所述学习表现预测，具体为采用所述学生表现预测模型ModelPP，进行学生表现预测，得到学习表现预测数据。
6.一种基于人工智能的学生成绩预测系统，用于实现如权利要求1-5中任一项所述的一种基于人工智能的学生成绩预测方法，其特征在于：包括数据收集模块、认知参数集构建模块、学习表现预测模块、模型可解释性优化模块和学生成绩预测模块。
7.根据权利要求6所述的一种基于人工智能的学生成绩预测系统，其特征在于：所述数据收集模块，用于数据收集，通过数据收集，得到学生成绩预测原始数据，并将所述学生成绩预测原始数据发送至认知参数集构建模块和学生成绩预测模块；
所述认知参数集构建模块，用于认知参数集构建，通过认知参数集构建，得到多通道认知参数集，并将所述多通道认知参数集发送至学习表现预测模块；
所述学习表现预测模块，用于学习表现预测，通过学习表现预测，得到学生表现预测模型和学生表现预测数据，并将所述学生表现预测模型发送至模型可解释性优化模块；
所述模型可解释性优化模块，用于模型可解释性优化，通过模型可解释性优化，得到优化学生表现预测模型，并将所述优化学生表现预测模型发送至学生成绩预测模块；
所述学生成绩预测模块，用于学生成绩预测，通过学生成绩预测，得到学生预测成绩数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196208.9A CN117763361B (zh) | 2024-02-22 | 2024-02-22 | 一种基于人工智能的学生成绩预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196208.9A CN117763361B (zh) | 2024-02-22 | 2024-02-22 | 一种基于人工智能的学生成绩预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117763361A CN117763361A (zh) | 2024-03-26 |
| CN117763361B true CN117763361B (zh) | 2024-04-30 |
Family
ID=90326088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410196208.9A Active CN117763361B (zh) | 2024-02-22 | 2024-02-22 | 一种基于人工智能的学生成绩预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117763361B (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860942A (zh) * | 2020-06-08 | 2020-10-30 | 桂林电子科技大学 | 融合自注意力机制和深度矩阵分解的学生成绩预测方法 |
| CN112508334A (zh) * | 2020-11-06 | 2021-03-16 | 华中师范大学 | 融合认知特性及试题文本信息的个性化组卷方法及系统 |
| CN112529155A (zh) * | 2020-12-07 | 2021-03-19 | 华中师范大学 | 动态知识掌握建模方法、建模系统、存储介质及处理终端 |
| CN113902129A (zh) * | 2021-10-28 | 2022-01-07 | 华中师范大学 | 多模态的统一智能学习诊断建模方法、系统、介质、终端 |
| CN114091657A (zh) * | 2021-11-22 | 2022-02-25 | 华中师范大学 | 基于多任务框架的智能学习状态追踪方法、系统及应用 |
| CN114840649A (zh) * | 2022-04-08 | 2022-08-02 | 西北工业大学 | 一种基于跨模态互注意力神经网络的学生认知诊断方法 |
| CN114943275A (zh) * | 2022-04-16 | 2022-08-26 | 西北工业大学 | 一种基于多源稀疏注意力卷积网络的学生成绩预测方法 |
| CN115392254A (zh) * | 2022-08-24 | 2022-11-25 | 武汉东湖大数据交易中心股份有限公司 | 一种基于目标任务可解释性认知预测与判别方法及其系统 |
| CN115422256A (zh) * | 2022-05-20 | 2022-12-02 | 华中师范大学 | 融合学习认知要素的可解释知识认知水平挖掘方法及系统 |
| WO2023040009A1 (zh) * | 2021-09-18 | 2023-03-23 | 苏州大学 | 一种限价指令簿趋势预测装置、方法、设备及存储介质 |
| CN116304855A (zh) * | 2022-12-07 | 2023-06-23 | 中国科学院重庆绿色智能技术研究院 | 基于改进dqn的可解释性监测数据识别方法 |
| WO2023131361A2 (zh) * | 2022-07-18 | 2023-07-13 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
| CN116561539A (zh) * | 2023-05-12 | 2023-08-08 | 珠海中科先进技术研究院有限公司 | 基于可解释性算法的模型鲁棒性优化方法 |
| CN116705294A (zh) * | 2023-05-31 | 2023-09-05 | 华中师范大学 | 一种基于记忆网络的可解释动态认知诊断方法 |
| CN116912578A (zh) * | 2023-07-17 | 2023-10-20 | 北京师范大学 | 一种农作物分类方法、系统及电子设备 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN116992759A (zh) * | 2023-07-18 | 2023-11-03 | 浙江大学 | 基于可解释性神经网络的冻融混凝土强度评价方法及装置 |
| CN117094980A (zh) * | 2023-09-01 | 2023-11-21 | 徐州工程学院 | 基于深度学习的超声乳腺结节图像可解释性方法 |
| CN117271981A (zh) * | 2023-11-21 | 2023-12-22 | 湖南嘉创信息科技发展有限公司 | 基于跨平台数据交互的人工智能管理系统 |
| WO2024021536A1 (zh) * | 2022-07-27 | 2024-02-01 | 华东理工大学 | 一种融合时序特征提取的催化裂化装置关键指标建模方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11443165B2 (en) * | 2018-10-18 | 2022-09-13 | Deepnorth Inc. | Foreground attentive feature learning for person re-identification |
| WO2021000362A1 (zh) * | 2019-07-04 | 2021-01-07 | 浙江大学 | 一种基于深度神经网络模型的地址信息特征抽取方法 |
| CN111027752B (zh) * | 2019-11-19 | 2022-06-21 | 浙江大学 | 一种深度时空特征联合学习的农作物产量估测方法 |
-
2024
- 2024-02-22 CN CN202410196208.9A patent/CN117763361B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860942A (zh) * | 2020-06-08 | 2020-10-30 | 桂林电子科技大学 | 融合自注意力机制和深度矩阵分解的学生成绩预测方法 |
| CN112508334A (zh) * | 2020-11-06 | 2021-03-16 | 华中师范大学 | 融合认知特性及试题文本信息的个性化组卷方法及系统 |
| CN112529155A (zh) * | 2020-12-07 | 2021-03-19 | 华中师范大学 | 动态知识掌握建模方法、建模系统、存储介质及处理终端 |
| WO2023040009A1 (zh) * | 2021-09-18 | 2023-03-23 | 苏州大学 | 一种限价指令簿趋势预测装置、方法、设备及存储介质 |
| CN113902129A (zh) * | 2021-10-28 | 2022-01-07 | 华中师范大学 | 多模态的统一智能学习诊断建模方法、系统、介质、终端 |
| CN114091657A (zh) * | 2021-11-22 | 2022-02-25 | 华中师范大学 | 基于多任务框架的智能学习状态追踪方法、系统及应用 |
| CN114840649A (zh) * | 2022-04-08 | 2022-08-02 | 西北工业大学 | 一种基于跨模态互注意力神经网络的学生认知诊断方法 |
| CN114943275A (zh) * | 2022-04-16 | 2022-08-26 | 西北工业大学 | 一种基于多源稀疏注意力卷积网络的学生成绩预测方法 |
| CN115422256A (zh) * | 2022-05-20 | 2022-12-02 | 华中师范大学 | 融合学习认知要素的可解释知识认知水平挖掘方法及系统 |
| WO2023131361A2 (zh) * | 2022-07-18 | 2023-07-13 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
| WO2024021536A1 (zh) * | 2022-07-27 | 2024-02-01 | 华东理工大学 | 一种融合时序特征提取的催化裂化装置关键指标建模方法 |
| CN115392254A (zh) * | 2022-08-24 | 2022-11-25 | 武汉东湖大数据交易中心股份有限公司 | 一种基于目标任务可解释性认知预测与判别方法及其系统 |
| CN116304855A (zh) * | 2022-12-07 | 2023-06-23 | 中国科学院重庆绿色智能技术研究院 | 基于改进dqn的可解释性监测数据识别方法 |
| CN116561539A (zh) * | 2023-05-12 | 2023-08-08 | 珠海中科先进技术研究院有限公司 | 基于可解释性算法的模型鲁棒性优化方法 |
| CN116705294A (zh) * | 2023-05-31 | 2023-09-05 | 华中师范大学 | 一种基于记忆网络的可解释动态认知诊断方法 |
| CN116912578A (zh) * | 2023-07-17 | 2023-10-20 | 北京师范大学 | 一种农作物分类方法、系统及电子设备 |
| CN116992759A (zh) * | 2023-07-18 | 2023-11-03 | 浙江大学 | 基于可解释性神经网络的冻融混凝土强度评价方法及装置 |
| CN117094980A (zh) * | 2023-09-01 | 2023-11-21 | 徐州工程学院 | 基于深度学习的超声乳腺结节图像可解释性方法 |
| CN116937579A (zh) * | 2023-09-19 | 2023-10-24 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN117271981A (zh) * | 2023-11-21 | 2023-12-22 | 湖南嘉创信息科技发展有限公司 | 基于跨平台数据交互的人工智能管理系统 |
Non-Patent Citations (5)
| Title |
|---|
| Readmission prediction of diabetic patients based on AdaBoost-RandomForest mixed model;Xiaofeng Dong;2022 3rd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE);20221223;全文 * |
| 基于双路注意力机制的学生成绩预测模型;李梦莹;王晓东;阮书岚;张琨;刘淇;;计算机研究与发展;20200806(第08期);全文 * |
| 基于机器学习的学生成绩信息化预测研究;宋晓磊;祁鑫;王彪;;电脑编程技巧与维护;20200418(第04期);全文 * |
| 基于机器学习的学生成绩预测及教学启示;吕品;于文兵;汪鑫;计春雷;;计算机技术与发展;20181220(第04期);全文 * |
| 特征融合和集成学习在大学生助学金预测中的应用;孙瑜;李占利;李学文;;西安科技大学学报;20200731(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117763361A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Malyn-Smith et al. | Developing a framework for computational thinking from a disciplinary perspective | |
| CN107862970A (zh) | 一种用于翻转课堂的教学质量评价模型 | |
| CN112700688A (zh) | 一种智能课堂教学辅助系统 | |
| CN108596420A (zh) | 一种基于行为的人才测评系统及方法 | |
| CN111275239A (zh) | 一种基于多模态的网络化教学数据分析方法及系统 | |
| CN117540104B (zh) | 一种基于图神经网络的学习群体差异评价方法与系统 | |
| CN110070232B (zh) | 引入教师教学风格的多维度预测学生成绩的方法 | |
| CN115374790A (zh) | 基于因果图神经网络的学习者情感演化分析方法与系统 | |
| Arqoub et al. | Extending learning management system for learning analytics | |
| CN117763361B (zh) | 一种基于人工智能的学生成绩预测方法及系统 | |
| CN112182172A (zh) | 基于粒子群遗传算法的组卷方法、系统、装置及介质 | |
| Zhu et al. | [Retracted] Design and Management of Microteaching Mode of Innovation and Entrepreneurship Education in Colleges and Universities Driven by Big Data | |
| CN116823027A (zh) | 一种基于关联技能知识的智能学生能力评估方法 | |
| Bataev et al. | Artificial intelligence technologies in higher education institutions: a model of adaptive education | |
| CN116402134A (zh) | 基于行为感知的知识追踪方法及系统 | |
| CN115205072A (zh) | 一种面向长周期测评的认知诊断方法 | |
| Vrettaros et al. | Gpnn techniques in learning assessment systems | |
| CN102098530A (zh) | 摄像头模组品质的自动判别方法和装置 | |
| Pavlopoulos et al. | The Development of a Self-assessment System for the Learners Answers with the Use of GPNN | |
| Sang | Design and implementation of college english teaching system based on ga optimized rbf neural english | |
| Tang | Simulation of near infrared spectroscopy imaging based on genetic algorithm in visual basketball teaching system | |
| CN118335336B (zh) | 基于大数据的学生心理健康评估系统 | |
| Wang | Computer Intelligent Test Paper System Based on Genetic Algorithm | |
| CN114493094B (zh) | 一种中小学劳动教育智慧评价系统 | |
| Song et al. | Prediction for CET-4 Based on Random Forest |
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 |