申请/专利权人：泰山学院

申请日：2024-02-22

公开（公告）日：2024-04-30

公开（公告）号：CN117763361B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/25;G06N3/048;G06Q50/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种基于人工智能的学生成绩预测方法及系统，方法数据收集、认知参数集构建、学习表现预测、模型可解释性优化和学生成绩预测。本发明涉及学生成绩预测技术领域，具体是指一种基于人工智能的学生成绩预测方法及系统，本方案构造多通道认知参数集，提升了数据的维度和质量；构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度；采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性；从三个维度进行模型可解释性优化，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。

主权项：1.一种基于人工智能的学生成绩预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据收集；步骤S2：认知参数集构建；步骤S3：学习表现预测；步骤S4：模型可解释性优化；步骤S5：学生成绩预测；在步骤S1中，所述数据收集，用于收集学生成绩预测所需的原始数据集，具体为从智能教学系统中，通过数据采集，得到学生成绩预测原始数据；在步骤S2中，所述认知参数集构建，用于初始化学生成绩预测所需的参数数据集，具体为依据所述学生成绩预测原始数据，构建得到多通道认知参数集，所述多通道认知参数集，具体包括学习资源参数集和学生本体参数集；在步骤S3中，所述学习表现预测，用于采用人工智能方法进行学生的学习表现基本情况预测，具体为依据所述多通道认知参数集，采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据；所述结合深浅学习特征融合的深度卷积神经网络，具体包括学生本体表示子网、学习资源表示子网、学习资源响应模拟子网、深浅学习特征融合子网和学习表现预测基本卷积子网；所述学生本体表示子网，用于依据认知参数集中的学生本体参数集，挖掘学生本体的深度学习特征；所述学习资源表示子网，用于依据认知参数集中的学习资源参数集，挖掘学习资源的深度学习特征；所述学习资源响应模拟子网，用于模拟学生在学习过程中的问答过程并提取交互深层特征；所述深浅学习特征融合子网，用于结合注意力机制融合深层特征和浅层特征；所述学习表现预测基本卷积子网，用于构建进行学习表现预测的基本卷积神经网络结构在步骤S4中，所述模型可解释性优化，用于对学生表现预测模型的可解释性进行优化，具体为通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强，得到优化学生表现预测模型ModelBP，具体步骤包括：步骤S41：认知参数可解释性增强，具体为结合认知理论和心理测量学理论对所述多通道认知参数集进行认知参数可解释性增强，具体包括对问题难度、问题区分度和学生能力进行心理测量学理论可解释性增强；步骤S42：学习资源响应模拟子网可解释性增强，具体为通过结合所述学生本体表示子网和所述学习资源表示子网，通过特征连接模拟学生和学习资源的交互过程，并通过所述交互过程模拟学生针对问题的回答过程，进行学习资源响应模拟子网可解释性增强；步骤S43：自注意力机制权重可解释性增强，具体为通过采用自注意力机制处理学生本体特征数据和学习资源特征数据，优化模型整体的预测结果的可解释性，并通过采用所述自注意力机制，得到学生表现预测综合关键特征，进行自注意力机制权重可解释性增强；步骤S44：模型可解释性优化，具体为通过所述认知参数可解释性增强、所述学习资源响应模拟子网可解释性增强和所述自注意力机制权重可解释性增强，在步骤S3所述步骤中进行模型可解释性优化，得到优化学生表现预测模型ModelBP；在步骤S5中，所述学生成绩预测，用于进行学生成绩预测，具体为采用所述优化学生表现预测模型ModelBP，依据所述学生成绩预测原始数据，进行学生成绩预测，得到学生预测成绩数据。

全文数据：

权利要求：

百度查询： 泰山学院 一种基于人工智能的学生成绩预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD