【技術實現步驟摘要】
本專利技術屬于教育系統，尤其涉及基于人工智能的數據采集分析方法及系統。
技術介紹
1、在教學實踐中，通過人工智能預估學生是否能通過考試可以幫助教師和學生更好地理解學習進度和掌握程度。人工智能系統能夠分析學生的學習行為、歷史成績、參與度以及測試結果等大量數據，從而識別出學習模式和潛在的困難領域。這樣的分析可以為學生提供個性化的反饋和建議，幫助他們針對性地改進學習方法，提高通過考試的可能性。同時，教師也可以利用這些信息來調整教學策略，確保所有學生都能獲得必要的支持。
2、現有技術中，在進行學生數據采集分析時，采集的學生數據較為理想化，通常僅考慮學生的固定因素數據，例如學習行為、歷史成績、學習參與度，這些都是學生通過努力即可改變的數據，但是沒有考慮隨機因素的影響，例如，老師教學方法、班級平均分等因素，這就導致信息采集、分析和預測的效果不精準。
技術實現思路
1、針對現有技術存在的問題，本專利技術提供了基于人工智能的數據采集分析方法及系統，具備通過綜合固定因素和隨機因素來提高數據準確性的優點，解決了現有技術的問題。
2、本專利技術是這樣實現的，基于人工智能的數據采集分析方法，包括以下步驟：
3、步驟s1，采集數據：采集學生的固定因素數據、隨機因素數據以及對應的學生是否通過考試的數據，所述固定因素數據包括學習行為數據、歷史成績數據、學習參與度數據，所述隨機因素數據則包括老師教學方法、班級平均分；
4、步驟s2，數據處理：對所述固定因素數據和隨機
5、步驟s3，模型訓練：將處理后的固定因素數據和隨機因素數據作為輸入，以學生是否通過考試的數據作為輸出，構建混合效應模型，其中，所述混合效應模型為：
6、yi=xiβ+ziui+εi；
7、其中：
8、yi是第i個學生的觀測結果；（例如，是否通過考試）
9、xi是固定因素設計矩陣，β是固定因素參數向量；
10、zi是隨機因素設計矩陣，ui是隨機因素參數向量；
11、εi是隨機誤差項；
12、步驟s4，數據預測：模型訓練完成后，對新的學生數據進行預測。
13、作為本專利技術優選的，步驟s1中，采集學生的固定因素數據、隨機因素數據以及學生是否通過考試的數據的步驟包括：
14、步驟s11，確定采集數據的種類；
15、步驟s12，確定采集數據的時間范圍和數量；
16、步驟s13，通過數據采集器在數據庫中進行數據采集。
17、作為本專利技術優選的，所述采集數據的種類為：
18、所述學習行為數據包括：班級學習時長、課余自學時長、補習班時長；
19、所述歷史成績數據包括：隨堂測試平均數據；
20、所述學習參與度數據包括：互動次數、完成作業的次數；
21、所述老師教學方法為老師教學評分；
22、所述班級平均分包括相應課程班級測驗平均分數據。
23、作為本專利技術優選的，采集所述對應的學生是否通過考試的數據包括：
24、采集學生的考試分數；
25、獲取相應考試的及格分數據；
26、若所述考試分數小于及格分數據，則判斷為未通過考試；反之判斷為通過考試。
27、作為本專利技術優選的，所述數據處理包括：
28、數據清洗：去除不完整、錯誤的數據，并在數據庫中補充新的數據，使數據的組數不變；
29、數據歸一化：將數據縮放到統一的范圍或分布。
30、作為本專利技術優選的，在步驟s3中，所述固定因素設計矩陣xi是通過將固定因素數據轉換成數值形式并組織成矩陣的形式來得到的，具體步驟如下：
31、步驟s311.將每個固定因素的每個觀測值轉換為數值數據，所述固定因素的每個觀測值為班級學習時長、課余自學時長、補習班時長、歷史成績數據、互動次數和完成作業的次數；
32、步驟s312.根據預測模型的需求對所述數值數據進行編碼或轉換，將分類數據轉換為虛擬變量。
33、步驟s313.將轉換后的數據按照列組織成矩陣，每一列代表一個固定因素，每一行代表一個觀測對象。
34、步驟s314.通過最大似然估計或限制最大似然估計來估計固定因素參數向量β。
35、作為本專利技術優選的，構建隨機因素設計矩陣zi的步驟如下：
36、步驟s321.確定隨機因素的來源為老師教學方法和班級歷史成績平均分。
37、步驟s322.為每個隨機因素分配一個標識符：為不同的老師教學方法分配對應的編碼，為不同的班級歷史成績平均分分配編碼；
38、步驟s323.構建矩陣：根據這些標識符構建隨機因素設計矩陣zi，每一列對應一個隨機因素，每一行對應一個觀測值，如果某個隨機因素適用于某個學生，則在矩陣的相應位置填入1，否則填入0。
39、作為本專利技術優選的，所述隨機因素參數向量ui的確定包括：
40、步驟s324.估計隨機因素參數：在模型訓練階段，通過統計方法來估計隨機因素參數向量ui的值；
41、步驟s325.應用模型：一旦模型訓練完成，對于新的學生數據，通過已知的隨機因素設計矩陣zi和估計得到的隨機因素參數向量ui，結合固定因素設計矩陣xi和固定因素參數向量β，使用混合效應模型公式yi=xiβ+ziui+εi來預測學生是否通過考試。
42、基于人工智能的數據采集分析系統，包括中央控制模塊，所述中央控制模塊信號連接有數據采集模塊、數據處理模塊、預測模塊和應用模塊；
43、數據采集模塊用于采集學生的固定因素數據、隨機因素數據以及對應的學生是否通過考試的數據，所述固定因素數據包括學習行為數據、歷史成績數據、學習參與度數據，所述隨機因素數據則包括老師教學方法、班級平均分；
44、數據處理模塊用于對所述固定因素數據和隨機因素數據進行數據處理，包括數據清洗、歸一化、特征選擇；
45、所述預測模塊用于將處理后的固定因素數據和隨機因素數據作為輸入，以學生是否通過考試的數據作為輸出，構建混合效應模型，其中，所述混合效應模型為：
46、yi=xiβ+ziui+εi；
47、其中：
48、yi是第i個學生的觀測結果；（例如，是否通過考試）
49、xi是固定因素設計矩陣，β是固定因素參數向量；
50、zi是隨機因素設計矩陣，ui是隨機因素參數向量；
51、εi是隨機誤差項；
52、所述應用模塊用于模型訓練完成后，對新的學生數據進行預測。
53、作為本專利技術優選的，數據種類選擇子單元，用于確定采集數據的種類；
54、數據范圍選擇子單元，用于確定采集數據的時間范圍和數量；
55、采集子單元，用于通過數據采集器在數據庫中進行數據采集本文檔來自技高網...
【技術保護點】
1.基于人工智能的數據采集分析方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于人工智能的數據采集分析方法，其特征在于：
3.如權利要求2所述的基于人工智能的數據采集分析方法，其特征在于：
4.如權利要求2所述的基于人工智能的數據采集分析方法，其特征在于：
5.如權利要求1所述的基于人工智能的數據采集分析方法，其特征在于：
6.如權利要求4所述的基于人工智能的數據采集分析方法，其特征在于：
7.如權利要求6所述的基于人工智能的數據采集分析方法，其特征在于：
8.如權利要求7所述的基于人工智能的數據采集分析方法，其特征在于：
9.基于人工智能的數據采集分析系統，包括中央控制模塊，其特征在于，所述中央控制模塊信號連接有數據采集模塊、數據處理模塊、預測模塊和應用模塊；
10.如權利要求9所述的基于人工智能的數據采集分析系統，其特征在于：所述數據采集模塊包括：
【技術特征摘要】
1.基于人工智能的數據采集分析方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于人工智能的數據采集分析方法，其特征在于：
3.如權利要求2所述的基于人工智能的數據采集分析方法，其特征在于：
4.如權利要求2所述的基于人工智能的數據采集分析方法，其特征在于：
5.如權利要求1所述的基于人工智能的數據采集分析方法，其特征在于：
6.如權利要求4所述的基于人工智能的數據采集...
【專利技術屬性】
技術研發人員：韓艷，徐冀川，劉家豪，吳青峰，肖冠南，
申請(專利權)人：成都職業技術學院，
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。