买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林建筑大学申请的专利基于人工智能的学生学习状态评估方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119692630B 。

龙图腾网通过国家知识产权局官网在2025-07-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510201246.3，技术领域涉及：G06Q10/063；该发明授权基于人工智能的学生学习状态评估方法及系统是由张莉莉设计研发完成，并于2025-02-24向国家知识产权局提交的专利申请。

本基于人工智能的学生学习状态评估方法及系统在说明书摘要公布了：本发明公开了基于人工智能的学生学习状态评估方法及系统，属于学习评估技术领域，方法包括：数据采集、数据预处理、构建聚类模型、聚类参数调优和学生学习状态评估。本方案基于反向邻域集合计算邻域密集性，划分中心数据和边缘数据，选择集中度最大的中心数据作为质心并构建簇，通过构建中心邻域集合不断更新簇，构建边缘邻域集合，通过构建加权无向图和计算簇密度得到近邻筛选集合；计算随机偏移概率，基于偏移阈值选择个体位置进行偏移操作，基于全局最优位置和调整因子，在不同的搜索阶段采用不同的更新策略对个体位置进行更新，更好地适应不同学生的学习数据，提高学习状态评估的准确性和有效性。

本发明授权基于人工智能的学生学习状态评估方法及系统在权利要求书中公布了：1.基于人工智能的学生学习状态评估方法，其特征在于：该方法包括以下步骤： 步骤S1：数据采集，采集历史学生学习数据和实时学生学习数据； 步骤S2：数据预处理； 步骤S3：构建聚类模型； 步骤S4：聚类参数调优； 步骤S5：学生学习状态评估，将学生学习数据输入至参数调优后的聚类模型中进行处理，得到实时学生学习数据的学习状态，完成学生学习状态的评估； 在步骤S1中，所述数据采集是采集历史学生学习数据和实时学生学习数据；所述历史学生学习数据和实时学生学习数据都包括学习平台数据、作业数据、考试数据和课堂互动数据，历史学生学习数据还包括学习状态；将学习状态作为数据标签，数据标签在聚类时不予考虑，仅作为选取簇标签时使用； 在步骤S3中，所述构建聚类模型具体包括以下步骤： 步骤S31：计算邻域密集性，计算学习数据集中任意两个学生学习数据之间的欧几里得距离，得到每个学生学习数据的K个最近邻，并构建正向邻域集合，再构建反向邻域集合，基于反向邻域集合计算每个学生学习数据的邻域密集性，所用公式如下： ； 式中，xi和xj分别是学习数据集中第i个和第j个学生学习数据，i和j是学生学习数据索引，ρi是xi的邻域密集性，是xi与xj之间的欧几里得距离，和分别是xi的正向邻域集合和反向邻域集合，是xj的正向邻域集合，是xi与其第K近的最近邻之间的欧几里得距离，exp（·）是指数函数，α是邻域影响因子； 步骤S32：数据划分，若中学生学习数据的数量N1i大于等于βK，则将xi划分为中心数据；否则，将xi划分为边缘数据；并分别构建中心数据集合和边缘数据集合；其中，β是调节因子； 步骤S33：计算集中度，将每个学生学习数据的邻域密集性和相对距离的乘积作为集中度；其中，δi和Ai分别是xi的相对距离和集中度； 步骤S34：中心数据分配； 步骤S35：边缘数据分配； 在步骤S34中，所述中心数据分配具体包括以下步骤： 步骤S341：选择Q1中集中度最大的中心数据作为质心Zv，基于Zv构建对应的簇Cv，并将Zv从Q1中删除；其中，Zv是第v个质心； 步骤S342：对于Cv中的每个中心数据，分别构建中心邻域集合，所用公式如下： ； 式中，是Cv中的第w个中心数据，是的中心邻域集合，和分别是的正向邻域集合和反向邻域集合，是交集运算符，xg是Q1中的第g个中心数据，ρg是xg的邻域密集性，γ是中心控制因子，ρmax是所有学生学习数据中的最大邻域密集性； 步骤S343：对于中的每个中心数据，将其添加到Cv中，并从Q1中删除； 步骤S344：返回步骤S342进行迭代，直到Cv中的中心数据不再增加，则簇Cv初始构建完成，转至步骤S345； 步骤S345：返回步骤S341进行迭代，直到Q1中的中心数据数量为0，则中心数据分配完成，得到V1个质心和簇，转至步骤S35； 在步骤S35中，所述边缘数据分配是对于Q2中的每一个边缘数据，依次执行以下步骤： 步骤S351：构建边缘数据xm的边缘邻域集合，所用公式如下： ； 式中，xm是Q2中的第m个边缘数据，P1m是xm的边缘邻域集合，和分别是xm的正向邻域集合和反向邻域集合，是学习数据集中除了Q2之外的所有学生学习数据的集合，xh是中的第h个中心数据，ρh是xh的邻域密集性，是边缘控制因子； 步骤S352：对于P1m中的第s个学生学习数据，分别计算与V1个质心之间的欧几里得距离，选择欧几里得距离最小的质心构建的簇作为对应的簇，将中的每个学生学习数据作为顶点，两个学生学习数据之间的欧几里得距离作为对应两个顶点之间边的权值，构建加权无向图，基于普里姆算法得到的最小生成树，再计算的簇密度；若xm和之间的欧几里得距离小于，则基于构建近邻筛选集合P2m，所用公式如下： ； 式中，是P1m中的第s个学生学习数据，是对应的簇，是基于构建的加权无向图，是的最小生成树，是的簇密度，和分别是的总权值和边的数量，P2m是xm的近邻筛选集合； 步骤S353：找到P2m中与xm之间欧几里得距离最小的学生学习数据，分别计算与V1个质心之间的欧几里得距离，将xm添加到欧几里得距离最小的质心构建的簇中，并将xm从Q2中删除；返回步骤S351，继续处理下一个边缘数据，直至Q2中的边缘数据数量为0，则边缘数据分配完成；得到聚类模型，输出聚类结果；其中，是P2m中的第f个学生学习数据； 在步骤S4中，所述聚类参数调优具体包括以下步骤： 步骤S41：初始个体位置，对聚类中的邻域影响因子α、调节因子β、中心控制因子γ和边缘控制因子ε建立参数搜索空间，在参数搜索空间内随机初始化U个个体位置，用个体位置作为聚类参数的代表，将基于个体位置得到的聚类结果中所有学生学习数据轮廓系数的平均值作为个体的适应度值； 步骤S42：个体位置偏移，预先设置偏移阈值Bth，计算每个个体位置的随机偏移概率，若，则对第u个个体位置进行偏移操作；否则，第u个个体位置不变；所用公式如下： ； ； 式中，是第t次搜索时的第u个个体位置，是的随机偏移概率，u是个体位置索引，t是搜索次数索引，T是最大搜索次数，和是第t次搜索时随机选择的两个个体位置，是偏移控制因子，min（·）是取最小值函数，是偏移后的个体位置，amax和amin分别是缩放因子的最大值和最小值； 步骤S43：个体位置更新，在不同的搜索阶段采用不同的更新策略对个体位置进行更新；所用公式如下： ； 式中，是第t+1次搜索时的第u个个体位置，是第t次搜索时的全局最优位置，是第t次搜索时所有个体位置的平均值，c1、c2、c3和c4是互不干扰的随机数，UB和LB分别是参数搜索空间的上限和下限，是调整因子； 步骤S44：最优聚类参数确定，预先设定适应度阈值，更新个体位置的适应度值，当存在全局最优位置的适应度值高于适应度阈值时，则全局最优位置对应的为最优聚类参数，完成聚类参数调优；否则，若达到最大搜索次数，则返回步骤S41重新初始个体位置；否则搜索次数加1并返回步骤S42继续搜索； 在步骤S5中，所述学生学习状态评估是将经过数据预处理后的历史学生学习数据和实时学生学习数据，共同输入至基于最优聚类参数构建的聚类模型中进行聚类处理，基于输出的聚类结果，选取簇中具有最多数量历史学生学习数据的标签作为簇标签，将实时学生学习数据所属簇标签作为评估结果，得到实时学生学习数据的学习状态，完成学生学习状态的评估。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林建筑大学，其通讯地址为：130118 吉林省长春市新城大街5088号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。