【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及學(xué)生成績(jī)預(yù)測(cè)方法，尤其涉及基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)及介質(zhì)。
技術(shù)介紹
1、學(xué)生成績(jī)預(yù)測(cè)方法是通過(guò)分析學(xué)生的歷史數(shù)據(jù)、學(xué)習(xí)行為和其他相關(guān)因素來(lái)建立預(yù)測(cè)模型，以推斷學(xué)生未來(lái)的學(xué)習(xí)成績(jī)。這些方法利用大規(guī)模的學(xué)生數(shù)據(jù)和數(shù)據(jù)分析技術(shù)，為教育者和決策者提供有助于制定有效教學(xué)策略、個(gè)性化指導(dǎo)和資源分配的信息。其中，大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)等技術(shù)起到關(guān)鍵作用。大數(shù)據(jù)分析技術(shù)能夠處理大規(guī)模的學(xué)生數(shù)據(jù)集，從中提取關(guān)鍵特征和模式。機(jī)器學(xué)習(xí)算法可以利用這些特征和模式，構(gòu)建預(yù)測(cè)模型，并通過(guò)訓(xùn)練和優(yōu)化來(lái)提高預(yù)測(cè)準(zhǔn)確度。統(tǒng)計(jì)學(xué)方法則提供了數(shù)據(jù)分析和模型評(píng)估的基礎(chǔ)，用于驗(yàn)證模型的有效性和可靠性。
2、在學(xué)生成績(jī)預(yù)測(cè)方法的實(shí)際使用過(guò)程中，現(xiàn)有的學(xué)生成績(jī)預(yù)測(cè)方法往往只依賴于單一或少數(shù)幾個(gè)數(shù)據(jù)來(lái)源，例如只基于歷史成績(jī)或者僅僅結(jié)合課堂表現(xiàn)進(jìn)行預(yù)測(cè)，這導(dǎo)致了預(yù)測(cè)的局限性和不夠準(zhǔn)確。很多時(shí)候，學(xué)生的學(xué)習(xí)狀態(tài)和能力不僅僅體現(xiàn)在考試成績(jī)上，還與他們?cè)谏缃幻襟w上的行為、課堂互動(dòng)等多種因素有關(guān)。此外，現(xiàn)有方法在數(shù)據(jù)處理上通常不采用深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)方法，導(dǎo)致在時(shí)序性數(shù)據(jù)的處理上存在不足，不能夠準(zhǔn)確捕捉學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻和重要信息。同時(shí)，現(xiàn)有方法通常沒有進(jìn)行多模態(tài)分析，忽視了文本、圖像和聲音等多種數(shù)據(jù)來(lái)源中蘊(yùn)含的重要信息，導(dǎo)致信息內(nèi)容不夠全面，需要進(jìn)行改進(jìn)。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法、系統(tǒng)、計(jì)算機(jī)及介質(zhì)。p>
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用了如下技術(shù)方案：基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，包括以下步驟：
3、采集學(xué)生成績(jī)歷史數(shù)據(jù)以及包括社交媒體、課堂互動(dòng)數(shù)據(jù)的多源數(shù)據(jù)，基于數(shù)據(jù)清洗、異常值處理、特征工程，獲取清洗后數(shù)據(jù)；
4、基于所述清洗后數(shù)據(jù)，經(jīng)特征選擇、特征融合、集成學(xué)習(xí)后，獲取高維數(shù)據(jù)特征集；
5、使用lstm和transformer模型，基于所述高維數(shù)據(jù)特征集進(jìn)行訓(xùn)練，捕捉到的學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻、重要信息特征；
6、使用深度?q?網(wǎng)絡(luò)或策略梯度方法，對(duì)所述關(guān)鍵時(shí)刻和重要信息特征進(jìn)行模型訓(xùn)練，獲取訓(xùn)練好的強(qiáng)化學(xué)習(xí)代理模型；
7、基于所述強(qiáng)化學(xué)習(xí)代理模型，采用文本情感分析、圖像特征提取、聲音情緒識(shí)別、認(rèn)知負(fù)荷模型，提取多模態(tài)分析和認(rèn)知負(fù)荷水平的綜合特征集；
8、基于所述綜合特征集，采用包括隨機(jī)森林、梯度提升、神經(jīng)網(wǎng)絡(luò)的集成模型進(jìn)行最終預(yù)測(cè)，獲取最終的學(xué)生成績(jī)預(yù)測(cè)模型和預(yù)測(cè)結(jié)果。
9、作為本專利技術(shù)的進(jìn)一步方案，采集學(xué)生成績(jī)歷史數(shù)據(jù)以及包括社交媒體、課堂互動(dòng)數(shù)據(jù)的多源數(shù)據(jù)，基于數(shù)據(jù)清洗、異常值處理、特征工程，獲取清洗后數(shù)據(jù)的步驟具體為：
10、從學(xué)校的管理系統(tǒng)、社交媒體平臺(tái)api、課堂互動(dòng)軟件中采集原始數(shù)據(jù)，獲取未處理的原始數(shù)據(jù)集；
11、基于所述原始數(shù)據(jù)集，采用數(shù)據(jù)填充、刪除空值記錄、統(tǒng)一數(shù)據(jù)格式方法，獲得無(wú)明顯錯(cuò)誤和冗余的預(yù)處理數(shù)據(jù)集；
12、基于所述預(yù)處理數(shù)據(jù)集，通過(guò)z-score方法、iqr方法檢測(cè)并處理異常值，獲得去除異常值的穩(wěn)定數(shù)據(jù)集；
13、基于所述穩(wěn)定數(shù)據(jù)集，通過(guò)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化、歸一化、主成分分析方式，獲取具有主要特征的經(jīng)過(guò)優(yōu)化的數(shù)據(jù)集，作為清洗后數(shù)據(jù)。
14、作為本專利技術(shù)的進(jìn)一步方案，基于所述清洗后數(shù)據(jù)，經(jīng)特征選擇、特征融合、集成學(xué)習(xí)后，獲取高維數(shù)據(jù)特征集的步驟具體為：
15、基于所述清洗后數(shù)據(jù)，采用wrapper方法、filter方法，來(lái)選擇對(duì)學(xué)生成績(jī)預(yù)測(cè)有意義的特征，生成關(guān)鍵特征集；
16、基于所述關(guān)鍵特征集，通過(guò)pca,?lda方法將多源數(shù)據(jù)的特征進(jìn)行整合，實(shí)現(xiàn)特征的降維和融合，獲取融合后的高維特征集；
17、基于所述獲取融合后的高維特征集，采用隨機(jī)森林、梯度提升、堆疊泛化算法將多個(gè)模型的預(yù)測(cè)結(jié)果進(jìn)行結(jié)合，獲取高維數(shù)據(jù)特征集。
18、作為本專利技術(shù)的進(jìn)一步方案，使用lstm和transformer模型，基于所述高維數(shù)據(jù)特征集進(jìn)行訓(xùn)練，捕捉到的學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻、重要信息特征的步驟具體為：
19、將所述高維數(shù)據(jù)特征集轉(zhuǎn)化為lstm模型可接受的時(shí)間序列數(shù)據(jù)格式，獲得適配lstm的時(shí)間序列特征數(shù)據(jù)，獲取獲得適配lstm的時(shí)間序列特征數(shù)據(jù)；
20、對(duì)所述高維數(shù)據(jù)特征集進(jìn)行位置編碼和分批處理，獲得適配transformer模型的數(shù)據(jù)批次；
21、基于所述時(shí)間序列特征數(shù)據(jù)和數(shù)據(jù)批次，使用lstm和transformer模型進(jìn)行聯(lián)合訓(xùn)練，獲取學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻和重要信息特征。
22、作為本專利技術(shù)的進(jìn)一步方案，使用深度?q?網(wǎng)絡(luò)或策略梯度方法，對(duì)所述關(guān)鍵時(shí)刻和重要信息特征進(jìn)行模型訓(xùn)練，獲取訓(xùn)練好的強(qiáng)化學(xué)習(xí)代理模型的步驟具體為：
23、將所述關(guān)鍵時(shí)刻和重要信息特征轉(zhuǎn)換為強(qiáng)化學(xué)習(xí)所需的狀態(tài)-動(dòng)作格式，獲得適用于強(qiáng)化學(xué)習(xí)的狀態(tài)-動(dòng)作數(shù)據(jù)集；
24、使用深度q網(wǎng)絡(luò)對(duì)所述狀態(tài)-動(dòng)作數(shù)據(jù)集進(jìn)行訓(xùn)練，獲取初步的強(qiáng)化學(xué)習(xí)策略模型；
25、對(duì)所述初步的強(qiáng)化學(xué)習(xí)策略模型應(yīng)用策略梯度方法進(jìn)行優(yōu)化，獲得訓(xùn)練好的強(qiáng)化學(xué)習(xí)代理模型。
26、作為本專利技術(shù)的進(jìn)一步方案，基于所述強(qiáng)化學(xué)習(xí)代理模型，采用文本情感分析、圖像特征提取、聲音情緒識(shí)別、認(rèn)知負(fù)荷模型，提取多模態(tài)分析和認(rèn)知負(fù)荷水平的綜合特征集的步驟具體為：
27、基于所述強(qiáng)化學(xué)習(xí)代理模型，對(duì)學(xué)生包括作文、在線討論的文本數(shù)據(jù)進(jìn)行情感分析，獲取文本情感分析特征；
28、基于所述強(qiáng)化學(xué)習(xí)代理模型，對(duì)學(xué)生的視頻或圖片數(shù)據(jù)進(jìn)行圖像特征提取，獲取圖像特征數(shù)據(jù)；
29、基于所述強(qiáng)化學(xué)習(xí)代理模型，分析學(xué)生的語(yǔ)音數(shù)據(jù)，提取聲音中的情緒特征，獲得聲音情緒數(shù)據(jù)；
30、采用所述文本情感分析特征、圖像特征數(shù)據(jù)、聲音情緒數(shù)據(jù)，估計(jì)學(xué)生的認(rèn)知負(fù)荷，提取多模態(tài)分析和認(rèn)知負(fù)荷水平的綜合特征集。
31、作為本專利技術(shù)的進(jìn)一步方案，基于所述綜合特征集，采用包括隨機(jī)森林、梯度提升、神經(jīng)網(wǎng)絡(luò)的集成模型進(jìn)行最終預(yù)測(cè)，獲取最終的學(xué)生成績(jī)預(yù)測(cè)模型和預(yù)測(cè)結(jié)果的步驟具體為：
32、使用隨機(jī)森林算法對(duì)所述綜合特征數(shù)據(jù)集進(jìn)行預(yù)測(cè)，獲取隨機(jī)森林預(yù)測(cè)結(jié)果；
33、使用梯度提升算法對(duì)所述綜合特征數(shù)據(jù)集進(jìn)行預(yù)測(cè)，獲取梯度提升預(yù)測(cè)結(jié)果；
34、使用神經(jīng)網(wǎng)絡(luò)算法對(duì)所述綜合特征數(shù)據(jù)集進(jìn)行預(yù)測(cè)，獲取神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果；
35、結(jié)合隨機(jī)森林、梯度提升和神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，采用投票或權(quán)重分配的方式進(jìn)行整合，獲取最終的學(xué)生成績(jī)預(yù)測(cè)模型和預(yù)測(cè)結(jié)果。
36、基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)用于執(zhí)行權(quán)利要求1-7所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，所述基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)是由數(shù)據(jù)預(yù)處理模塊、特征工程模塊、深度學(xué)習(xí)模型模塊、強(qiáng)化學(xué)習(xí)模塊、綜合特征分析模塊組成；
37、所述數(shù)據(jù)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，采集學(xué)生成績(jī)歷史數(shù)據(jù)以及包括社交媒體、課堂互動(dòng)數(shù)據(jù)的多源數(shù)據(jù)，基于數(shù)據(jù)清洗、異常值處理、特征工程，獲取清洗后數(shù)據(jù)的步驟具體為：
3.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，基于所述清洗后數(shù)據(jù)，經(jīng)特征選擇、特征融合、集成學(xué)習(xí)后，獲取高維數(shù)據(jù)特征集的步驟具體為：
4.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，使用LSTM和Transformer模型，基于所述高維數(shù)據(jù)特征集進(jìn)行訓(xùn)練，捕捉到的學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻、重要信息特征的步驟具體為：
5.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，使用深度?Q網(wǎng)絡(luò)或策略梯度方法，對(duì)所述關(guān)鍵時(shí)刻和重要信息特征進(jìn)行模型訓(xùn)練，獲取訓(xùn)練好的強(qiáng)化學(xué)習(xí)代理模型的步驟具體為：
6.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，基于所述強(qiáng)化學(xué)習(xí)代理模型，采用文本情感分析、圖像特征提取、聲音情緒識(shí)別、
7.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，基于所述綜合特征集，采用包括隨機(jī)森林、梯度提升、神經(jīng)網(wǎng)絡(luò)的集成模型進(jìn)行最終預(yù)測(cè)，獲取最終的學(xué)生成績(jī)預(yù)測(cè)模型和預(yù)測(cè)結(jié)果的步驟具體為：
8.基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)，其特征在于，所述基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)用于執(zhí)行權(quán)利要求1-7所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，所述基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)是由數(shù)據(jù)預(yù)處理模塊、特征工程模塊、深度學(xué)習(xí)模型模塊、強(qiáng)化學(xué)習(xí)模塊、綜合特征分析模塊組成；
9.根據(jù)權(quán)利要求8所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)，其特征在于，所述數(shù)據(jù)預(yù)處理模塊包括數(shù)據(jù)采集子模塊、數(shù)據(jù)清洗子模塊、異常值處理子模塊、數(shù)據(jù)標(biāo)準(zhǔn)化子模塊；
10.基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)計(jì)算機(jī)及介質(zhì)，其特征在于，所述計(jì)算機(jī)用于搭載權(quán)利要求8-9所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)，所述計(jì)算機(jī)具備高速處理器、大容量?jī)?nèi)存，并配置高性能圖形處理器，所述介質(zhì)采用固態(tài)硬盤進(jìn)行存儲(chǔ)，所述介質(zhì)用于存儲(chǔ)權(quán)利要求8-9所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)系統(tǒng)的運(yùn)行數(shù)據(jù)。
...【技術(shù)特征摘要】
1.基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，采集學(xué)生成績(jī)歷史數(shù)據(jù)以及包括社交媒體、課堂互動(dòng)數(shù)據(jù)的多源數(shù)據(jù)，基于數(shù)據(jù)清洗、異常值處理、特征工程，獲取清洗后數(shù)據(jù)的步驟具體為：
3.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，基于所述清洗后數(shù)據(jù)，經(jīng)特征選擇、特征融合、集成學(xué)習(xí)后，獲取高維數(shù)據(jù)特征集的步驟具體為：
4.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，使用lstm和transformer模型，基于所述高維數(shù)據(jù)特征集進(jìn)行訓(xùn)練，捕捉到的學(xué)生學(xué)習(xí)過(guò)程中的關(guān)鍵時(shí)刻、重要信息特征的步驟具體為：
5.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，使用深度?q網(wǎng)絡(luò)或策略梯度方法，對(duì)所述關(guān)鍵時(shí)刻和重要信息特征進(jìn)行模型訓(xùn)練，獲取訓(xùn)練好的強(qiáng)化學(xué)習(xí)代理模型的步驟具體為：
6.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)的學(xué)生成績(jī)預(yù)測(cè)方法，其特征在于，基于所述強(qiáng)化學(xué)習(xí)代理模型，采用文本情感分析、圖像特征提取、聲音情緒識(shí)別、認(rèn)知負(fù)荷模型，提...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：林小玲，楊炳杰，
申請(qǐng)(專利權(quán))人：廣州華夏匯海科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。