申请/专利权人：淮阴工学院

申请日：2024-04-15

公开（公告）日：2024-06-25

公开（公告）号：CN118246810A

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06F18/10;G06F18/2113;G06N3/047;G06N3/0442;G06N3/084;G06F18/25;G06Q50/20

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明提出了一种基于改进动态贝叶斯网络的软件类学科竞赛表现评估方法及系统。首先对在线教育学习日志进行预处理和特征选择，形成学习投入、学习效率、学习技巧三个向量，输入GRU模型生成隐藏特征序列，替代传统动态贝叶斯网络的原始特征输入，避免了传统动态贝叶斯网络在处理高维度时序数据时的复杂性，通过动态贝叶斯网络实现学生软件类学科竞赛表现评估，并使用梯度下降法更新模型参数。与现有技术相比，本发明能够更准确地反映学生软件类学科竞赛能力的演化过程，建立了一种全面的基于学生学习行为数据的综合评价体系，确保了小样本下的准确率，为优化个性化教学提供了科学可靠的数据支持，使在线教育系统能够更精准地调整教学策略。

主权项：1.一种基于改进动态贝叶斯网络的软件类学科竞赛表现评估方法，其特征在于，包括：步骤1，收集在线教育系统中数据，获取原始学生学习行为日志；步骤2，对步骤1中的原始学生学习行为日志进行预处理，去除记录里存在数据丢失和数据异常的部分，进行特征选择，保留对软件类学科竞赛表现评估最重要的特征值信息；步骤3，将步骤2中所有学生的学习行为特征值分为3类，分别是学习投入，学习效率，学习技巧，根据学生学习的时间把数据以每个学生为单位，以一周为一个周期进行整理，得到模型输入的学习行为特征值序列；步骤4，构建GRU模型，利用GRU模型将步骤3中学生的学习行为特征值序列进行特征融合生成对应的特征嵌入向量，将三种特征嵌入向量使用GRU模型处理为隐藏状态序列；步骤5：将所述GRU模型输出的隐藏状态序作为动态贝叶斯网络输入，得到动态贝叶斯网络后验概率，更新软件类学科竞赛表现状态，如果存在下一周期的特征值序列，则循环从步骤4开始执行，否则执行步骤6；步骤6：通过动态贝叶斯网络推断学生的软件类学科竞赛能力状态，并与真实的软件类学科竞赛表现进行比较，根据比较结果，计算损失值，衡量模型在预测学生软件类学科竞赛表现上的误差，利用反向传播算法更新动态贝叶斯网络和GRU模型的参数；步骤7：使用验证集进行验证，如果满足收敛条件则保存动态贝叶斯网络和GRU模型参数，否则重复执行上述步骤1-6，直到满足收敛条件，利用优化后的模型参数进行软件类学科竞赛表现评估。

全文数据：

权利要求：

百度查询： 淮阴工学院 基于改进动态贝叶斯网络的软件类学科竞赛表现评估方法及系统

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