【技術實現步驟摘要】
本專利技術涉及智慧教育，特別是一種基于學習數據分析的智慧教育綜合評價方法及系統。
技術介紹
1、智慧教育背景下，學習數據分析已成為提升教育評價精準度與實效性的關鍵手段，此類方法利用信息技術實時采集學生多維度學習數據，通過數據分析模型揭示深層學習特征，進而實施綜合評價，相較于傳統的以考試成績為主導、評價維度有限且非實時的教育評價體系，基于學習數據分析的方法顯著增強了評價的全面性、動態性和個性化。
2、然而，現行智慧教育評價體系存在以下瓶頸：數據預處理效率低、準確性欠佳，源于數據源繁多、格式各異，導致數據清理、一致性處理環節耗時且易出錯；分析模型深度不足，未充分利用深度學習技術揭示復雜學習行為模式與潛在特質；綜合評價模型偏重單一量化指標，忽視知識、態度、創新、協作等多維度素質的均衡考量，影響評價結果的全面性與公正性。
技術實現思路
1、鑒于上述現有存在的問題，提出了本專利技術。
2、因此，本專利技術提供了一種基于學習數據分析的智慧教育綜合評價方法及系統解決數據預處理效率低、準確性欠佳，源于數據源繁多、格式各異，導致數據清理、一致性處理環節耗時且易出錯；分析模型深度不足，未充分利用深度學習技術揭示復雜學習行為模式與潛在特質；綜合評價模型偏重單一量化指標，忽視知識、態度、創新、協作等多維度素質的均衡考量，影響評價結果的全面性與公正性的問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：
4、第一方面，本專利技術實施例提供了一種文件加密
5、對接各類教育平臺和系統，實時采集學生數據；
6、對收集到的數據進行預處理并建立分析模型深度分析，得出深層次特征數據；
7、構建多維度的綜合評價模型，輸入深層次特征得到綜合評價分數；
8、根據綜合評價分數對學生進行評價。
9、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：
10、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：所述學生數據包括學生課程觀看時長、答題正確率、單科成績、互動次數、參與討論次數、批注反饋次數、提出想法次數、團隊角色評分、協作效率評分和完成項目成績。
11、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：所述預處理包括，數據清洗和特征工程；
12、所述數據清洗包括，刪除非學生身份用戶的活動記錄、明顯超出正常范圍的學習時長，對于難以直接判斷的數據項，可以運用異常檢測算法z-score識別潛在的異常值，表達式為：
13、
14、其中，z為標準化得分，x為觀測值，μ為樣本均值，σ為樣本標準差，若∣z∣超過閾值，則認為x為異常值并予以剔除；
15、所述特征工程，步驟為：基于學生id和數據記錄的時間戳，使用數據庫查詢優化技術，快速查找出并刪除重復的數據條目；
16、從清洗后的數據集中選取學習時長、作業提交次數和測驗成績構建原始特征數據集。
17、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：所述建立分析模型深度分析，步驟如下：
18、定義第一層lstm層，將原始特征數據集歸一化處理轉化為數值特征輸入第一層lstm層，同時設置return_sequences＝true，使得下一層lstm可以獲取所有隱藏狀態
19、添加第二層lstm層，用于繼續提取更深層次的時間序列特征；
20、添加帶有relu激活函數的全連接層，使用帶有relu激活函數的全連接層來對第二層lstm提取出的高級抽象特征進行進一步的整合和非線性變換；
21、添加dropout層以防止過擬合；
22、通過輸出層進行輸出，表達式為：
23、ypred＝wout·hfinal+bout
24、其中，wout是輸出層的權重矩陣，hfinal是經過上一層處理后的特征向量，bout是輸出層的偏置項。
25、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：將預處理后的原始特征數據集劃分為訓練集、驗證集和測試集；
26、使用訓練集對分析模型進行梯度下降優化，采用adam自適應學習率優化器，監控訓練過程中的均方誤差mse和準確率；
27、在驗證集上評估分析模型性能，調整超參數以優化模型表現，使用網格搜索進行高效超參數尋優，具體方式如下：確定待優化的超參數及其取值范圍包括，lstm層的數量、每層的單元數、學習率和正則化系數形成一個超參數組合的多維網格，基于超參數組合創建lstm模型實例，使用訓練集對模型進行訓練得到訓練結果列表，比較所有組合在驗證集上的評價指標，得出最優超參數組合；
28、將訓練好的分析模型應用于訓練，記錄訓練過程中的損失函數值和驗證集上的評價指標；
29、將超參數組合、損失函數值和驗證集上的評價指標存儲為試集，輸出每個時間步的隱藏狀態，具體方式為：使用最優超參數組合重新訓練分析模型，并保存模型權重，將測試集中每個學生的學習數據序列輸入分析模型，依次獲取每個時間步對應的隱藏狀態ht，將這些隱藏狀態作為深層次特征保存；
30、針對單個學生，選擇其隱藏狀態某一維度繪制隨時間變化的時序圖；
31、計算所有學生在學期末和考試前后時間節點的隱藏狀態矩陣，繪制熱力圖；
32、通過所述時序圖和所述熱力圖深層次分析，得出深層次特征數據；
33、所述深層次特征數據包括知識掌握程度、學習態度、創新能力和團隊協作能力。
34、作為本專利技術所述的基于學習數據分析的智慧教育綜合評價方法的一種優選方案，其中：所述構建多維度的綜合評價模型表達式為：
35、
36、其中，peval(s)表示學生s的綜合評價分數，t0和tf分別代表評價周期的起始時間和結束時間，是一個復雜求和函數，其中wi為第fi個維度的權重，fi(x(t)，t)為對應維度在時間t的特征函數值，這里i取值分別為1至4，分別對應知識掌握程度、學習態度、創新能力、團隊協作能力；σ(zscore(x))是一個歸一化函數，其中zscore(x)為學生數據x的標準化得分；是一個指數函數與復雜信息過濾函數的結合，其中ij(x)為第j個信息過濾指標而λj為其對應的懲罰系數；
37、所述歸一化函數σ(zscore(x))表達式為：
38、
39、標準化得分zscore(x)其計算公式為：
40、
41、其中，x為待歸一化的原始數據，μx為該數據集的樣本均值，σx為樣本標準差；
42、所述學生s的綜合評價分數peval(s)的值域劃分為五個區間，包括：
43、[0，20)：極低評價區，學生的綜合評價分數在此范圍內，表示其在知識掌握程度、學習態度、創本文檔來自技高網...
【技術保護點】
1.一種基于學習數據分析的智慧教育綜合評價方法，其特征在于：包括：
2.如權利要求1所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述學生數據包括學生課程觀看時長、答題正確率、單科成績、互動次數、參與討論次數、批注反饋次數、提出想法次數、團隊角色評分、協作效率評分和完成項目成績。
3.如權利要求2所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述預處理包括，數據清洗和特征工程；
4.如權利要求3所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述建立分析模型深度分析，步驟如下：
5.如權利要求4所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：將預處理后的原始特征數據集劃分為訓練集、驗證集和測試集；
6.如權利要求5所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述構建多維度的綜合評價模型表達式為：
7.如權利要求6所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述函數fi(X(t),t)包括，
8.一種基于學習數據分析的智慧教育綜
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執行所述計算機程序時實現權利要求1～7任一所述的文件加密方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現權利要求1～7任一所述的文件加密方法的步驟。
...【技術特征摘要】
1.一種基于學習數據分析的智慧教育綜合評價方法，其特征在于：包括：
2.如權利要求1所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述學生數據包括學生課程觀看時長、答題正確率、單科成績、互動次數、參與討論次數、批注反饋次數、提出想法次數、團隊角色評分、協作效率評分和完成項目成績。
3.如權利要求2所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述預處理包括，數據清洗和特征工程；
4.如權利要求3所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：所述建立分析模型深度分析，步驟如下：
5.如權利要求4所述的基于學習數據分析的智慧教育綜合評價方法，其特征在于：將預處理后的原始特征數據集劃分為訓練集、驗證集和測試集；
6.如權利要求5所述的基于學習數據分析的...
【專利技術屬性】
技術研發人員：周承瑛，何兵，王立華，張馨月，陳志彬，江東，楊海峰，石家瑋，
申請(專利權)人：四川通信科研規劃設計有限責任公司，
類型：發明
國別省市：
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。