【技術實現步驟摘要】
本申請實施例涉及教育信息化，尤其涉及一種基于深度學習的思維能力預測方法、裝置、電子設備及計算機可讀存儲介質。
技術介紹
1、在現有教學中，會對學習者進行思維能力評估，評估學習者的思維能力可以幫助學習者提升自身思維層次的認知，促進學生高階能力的發展。
2、現有技術中，關于學習者思維能力評估的方法主要包括基于訪談的評估和基于活動的評估。其中，基于訪談的評估和基于活動的評估需要經驗豐富的專家設計特定的訪談或活動，也容易受到評估標準、專家偏好和主題差異等因素的影響。因此，亟需一種客觀、準確、方便地對學習者進行思維能力預測的方法。
技術實現思路
1、本申請實施例提供一種基于深度學習的思維能力預測方法、裝置、電子設備及計算機可讀存儲介質，可實現客觀、準確、方便地對學習者進行思維能力預測的目的。
2、本申請實施例一方面提供了一種基于深度學習的思維能力預測方法，包括：
3、獲取用戶已練習的練習文本集合；
4、將所述練習文本集合輸入至練習分類模型，得到所述練習文本集合中各練習文本對應的練習類別，其中，所述練習分類模型包括預訓練的文本分類模型、dropout層、全連接層和非線性激活層；
5、將所述練習文本集合對應的練習結果集合與所述練習文本集合中各練習文本對應的練習類別進行映射，得到練習類別與練習結果的對應關系集合；
6、基于所述練習類別與練習結果的對應關系集合構建輸入向量；
7、將所述輸入向量輸入至思維能力預測模型，
8、可選的，所述大語言模型為gpt2、t5、llama之中任一模型，所述將所述輸入向量輸入至思維能力預測模型之前，所述方法還包括：
9、以凍結所述大語言模型中的自注意力塊的方式，對所述大語言模型進行訓練。
10、可選的，所述將所述練習文本集合輸入至練習分類模型之前，所述方法還包括：
11、利用訓練數據和損失函數對所述練習分類模型進行微調，所述損失函數為focalloss。
12、可選的，所述基于所述練習類別與練習結果的對應關系集合構建輸入向量，包括：
13、從所述練習類別與練習結果的對應關系集合中選取t個對應關系，構建多個長度為t的第一向量，其中，t為正整數；
14、獲取所述t個對應關系中各練習的答題時間和所屬學科的學習時間；
15、獲取將所述答題時間和所述學習時間分別添加至多個所述第一向量，得到所述輸入向量。
16、可選的，所述將所述練習文本集合對應的練習結果集合與所述練習文本集合中各練習文本對應的練習類別進行映射之前，所述方法還包括：
17、從所述練習文本集合中獲取相似練習文本子集，所述相似練習文本子集中各練習文本之間的相似度滿足相似度條件；
18、從所述練習文本集合對應的練習結果集合中獲取所述相似練習文本子集對應的相似練習結果子集；
19、若所述相似練習結果子集中數值不同，則獲取所述相似練習文本子集對應的練習知識點的答題正確率或答題錯誤率；
20、若所述答題正確率大于第一正確率，將所述練習結果集合中與所述相似練習結果子集對應的標識答題錯誤的結果刪除；
21、若所述答題錯誤率大于第一錯誤率，將所述練習結果集合中與所述相似練習結果子集對應的標識答題正確的結果刪除；
22、若所述答題正確率小于所述第一正確率，且所述答題錯誤率小于所述第一錯誤率，分別計算所述相似練習文本子集中各相似練習文本所對應的練習時間段的練習表現特征值與練習表現平均值的偏差；
23、若所述偏差大于正偏差閾值，將所述練習結果集合中與所述相似練習結果子集對應的標識答題正確的結果刪除。
24、可選的，所述獲取用戶已練習的練習文本集合之后，所述方法還包括：
25、獲取用戶在預設時間段內練習的文本數據和所述用戶的年齡；
26、計算獲取到的所述文本數據的總數據量；
27、根據所述總數據量和所述用戶的年齡對獲取到的各所述文本數據進行刪除或保留，確定保留的文本數據構成所述練習文本集合。
28、可選的，所述根據所述總數據量和所述用戶的年齡對獲取到的所述文本數據進行刪除或保留，確定保留的文本數據構成所述練習文本集合，包括：
29、根據所述文本數據的文本來源，計算所述總數據量中屬于課內來源的文本數據的第一數據量，以及屬于課外來源的文本數據的第二數據量；
30、根據所述第一數據量、所述第二數據量和所述用戶的年齡對獲取到的文本數據進行刪除或保留，確定保留的文本數據構成所述練習文本集合。
31、本申請實施例一方面還提供了一種基于深度學習的思維能力預測裝置，包括：
32、獲取模塊，用于獲取用戶已練習的練習文本集合；
33、第一預測模塊，用于將所述練習文本集合輸入至練習分類模型，得到所述練習文本集合中各練習文本對應的練習類別，其中，所述練習分類模型包括預訓練的文本分類模型、dropout層、全連接層和非線性激活層；
34、映射模塊，用于將所述練習文本集合對應的練習結果集合與所述練習文本集合中各練習文本對應的練習類別進行映射，得到練習類別與練習結果的對應關系集合；
35、向量構建模塊，用于基于所述練習類別與練習結果的對應關系集合構建輸入向量；
36、第二預測模塊，用于將所述輸入向量輸入至思維能力預測模型，得到所述用戶的思維能力預測結果，其中，所述思維能力預測模型包括全連接層、大語言模型、dropout層、全連接層和非線性激活層。
37、本申請實施例一方面還提供了一種電子設備，包括：存儲器和處理器；所述存儲器存儲有可執行程序代碼；與所述存儲器耦合的所述處理器，調用所述存儲器中存儲的所述可執行程序代碼，執行如上述實施例提供的基于深度學習的思維能力預測方法。
38、本申請實施例一方面還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時，實現如上述實施例提供的基于深度學習的思維能力預測方法。
39、從上述本申請各實施例可知，通過獲取用戶已練習的練習文本集合；將所述練習文本集合輸入至練習分類模型，得到所述練習文本集合中各練習文本對應的練習類別，其中，所述練習分類模型包括預訓練的文本分類模型、dropout層、全連接層和非線性激活層；將所述練習文本集合對應的練習結果集合與所述練習文本集合中各練習文本對應的練習類別進行映射，得到練習類別與練習結果的對應關系集合；基于所述練習類別與練習結果的對應關系集合構建輸入向量；將所述輸入向量輸入至思維能力預測模型，得到所述用戶的思維能力預測結果，其中，所述思維能力預測模型包括全連接層、大語言模型、dropout層、全連接層和非線性激活層。本申請本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的思維能力預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述大語言模型為GPT2、T5、Llama之中任一模型，所述將所述輸入向量輸入至思維能力預測模型之前，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，所述將所述練習文本集合輸入至練習分類模型之前，所述方法還包括：
4.根據權利要求1至3中任一項所述的方法，其特征在于，所述基于所述練習類別與練習結果的對應關系集合構建輸入向量，包括：
5.根據權利要求1至3中任一項所述的方法，其特征在于，所述將所述練習文本集合對應的練習結果集合與所述練習文本集合中各練習文本對應的練習類別進行映射之前，所述方法還包括：
6.根據權利要求1至3中任一項所述的方法，其特征在于，所述獲取用戶已練習的練習文本集合之后，所述方法還包括：
7.根據權利要求1至3中任一項所述的方法，其特征在于，所述根據所述總數據量和所述用戶的年齡對獲取到的所述文本數據進行刪除或保留，確定保留的文本數據構成所述練習文本集合，包括：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。