CN108320045A - 学生成绩预测方法和装置 - Google Patents
学生成绩预测方法和装置 Download PDFInfo
- Publication number
- CN108320045A CN108320045A CN201711385634.3A CN201711385634A CN108320045A CN 108320045 A CN108320045 A CN 108320045A CN 201711385634 A CN201711385634 A CN 201711385634A CN 108320045 A CN108320045 A CN 108320045A
- Authority
- CN
- China
- Prior art keywords
- student
- data
- daily behavior
- result
- behavior data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000003542 behavioural effect Effects 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims 3
- 230000006399 behavior Effects 0.000 description 64
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008092 positive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种学生成绩预测方法和装置。其中,该方法包括:获取学生上网数据以及获取学生位置信息;根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型。本发明解决了现有技术中无法提前对学生成绩信息进行预测的技术问题。
Description
技术领域
本发明涉及计算机互联网领域,具体而言,涉及一种学生成绩预测方法和装置。
背景技术
目前我国大部分的高等院校中的各项教学任务中,其工作的核心都是围绕着教学的管理工作进行的。在教学管理工作中,比较核心的内容是针对学生成绩的管理。到目前为止,大部分的高校中对学生的成绩管理模式还一直延续着传统的管理模式,对学生的成绩进行管理的内容主要停留在根据各种考试或者考核收集上来的对成绩进行统计和记录。
传统统计方法对于整体分析教学和学生的成绩信息很方便,但存在一个明显的问题就是信息的滞后性,不能***出学生成绩的信息,这样当有些学生存在挂科风险甚至因为挂科导致退学危险的情况并不能提前识别和作出预警,这对学校教学的管理和学生的个人成长都存在较大的风险,而高校对学生成绩的预警需求非常强烈,由于上述传统学生成绩管理***缺少科学有效的成绩数据分析手段,因此导致在模式转变过程中暴露成绩管理***中的一些问题,不能实现对成绩的预测进而进行预警。
针对上述现有技术中无法提前对学生成绩信息进行预测的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种学生成绩预测方法和装置,以至少解决现有技术中无法提前对学生成绩信息进行预测的技术问题。
根据本发明实施例的一个方面,提供了一种学生成绩预测方法,包括:获取学生上网数据以及获取学生位置信息;根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型。
根据本发明实施例的另一方面,还提供了一种学生成绩预测装置,包括:第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述学生成绩预测方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述学生成绩预测方法。
根据本发明实施例的另一方面,还提供了一种终端,包括:第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型;处理器,处理器运行程序,其中,程序运行时对于从第一获取模块、第一生成模块和第二生成模块输出的数据执行上述学生成绩预测方法。
根据本发明实施例的另一方面,还提供了一种终端,包括:第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型;存储介质,用于存储程序,其中,程序在运行时对于从第一获取模块、第一生成模块和第二生成模块输出的数据执行上述学生成绩预测方法。
在本发明实施例中,采用大数据的方式,通过获取学生上网数据以及获取学生位置信息;根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型,达到了对学生成绩进行***的目的,从而实现了提前发现存在挂科风险或成绩不达标风险的学生,从而有利于通过老师谈话或者改善日常行为习惯的方法来对风险较高的学生进行引导,避免真实挂科的发生,并改善学生的日常行为习惯,引导学生养成良好的日常行为习惯,对学生提高学习成绩、远离挂科或劝退风险具有十分重要的积极作用,对高校改进教学提供了可行的方案的技术效果,进而解决了现有技术中无法提前对学生成绩信息进行预测的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种学生成绩预测方法的示意图;
图2是根据本发明实施例的一种可选的学生成绩预测方法的示意图;
图3是根据本发明实施例的一种可选的学生成绩预测方法的示意图;
图4是根据本发明实施例的一种可选的学生成绩预测方法的示意图;以及
图5是根据本发明实施例的一种学生成绩预测装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种学生成绩预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的学生成绩预测方法,如图1所示,该方法包括如下步骤:
步骤S102,获取学生上网数据以及获取学生位置信息;
步骤S104,根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;
步骤S106,基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型。
具体的,步骤S102中在获取学生的上网数据时,可以通过网络采集器从学校的上网数据核心交换机中获取,学校的核心交换机中会保存学生的上网信息,并且在学校上网通常是需要进行实名认证的,或者可以对上网信息进行用户认证信息实名认证,因此可以通过用户认证***映射得到用户的上网数据,即得到学生实名的上网数据,在一种具体的实施例中,获取到的上网数据可以以图2所示的数据具体信息字段进行显示。步骤S102中在获取学生位置信息时,由于学生在校内使用上网设备上网时,需要连接校内的接入点,即AP,校内AP的位置是可知的,因此可以首先确定学生的上网设备连接的具体AP,进而根据AP的位置来确定学生的位置信息,其中,学生使用的上网设备可以是手机、IPAD、电脑等智能终端。
具体的,传统的统计方法大部分只停留在学校根据各种考试或者考核收集上来的成绩信息,对学生的日常生活行为和习惯的采集基本还处于空白阶段,但学生日常生活和学习的行为习惯和学生的最终成绩具有紧密的联系,因此本发明中步骤S104中通过得到学生的日常行为数据以及步骤S106中基于学生的日常行为数据来对成绩进行预测,可以克服传统方式依据单一的收集上来的成绩信息来反映学生学习能力上的缺失,使高校对学生的影响成绩的日常行为习惯有更加全面的了解,从而可以便于更加立体化的开展管理学生工作。
在本发明实施例中,采用大数据的方式,通过获取学生上网数据以及获取学生位置信息;根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型,达到了对学生成绩进行***的目的,从而实现了提前发现存在挂科风险或成绩不达标风险的学生,从而有利于通过老师谈话或者改善日常行为习惯的方法来对风险较高的学生进行引导,避免真实挂科的发生,并改善学生的日常行为习惯,引导学生养成良好的日常行为习惯,对学生提高学习成绩、远离挂科或劝退风险具有十分重要的积极作用,对高校改进教学提供了可行的方案的技术效果,进而解决了现有技术中无法提前对学生成绩信息进行预测的技术问题。
在一种可选的实施例中,日常行为数据包括至少如下之一:访问不同类型网站的次数、上网设备类型和在学校内不同场所的停留时间。
具体的,在日常行为数据包括访问不同类型网站的次数时,需要对上网数据进行分析,具体为通过对上网数据中请求url的分析得出用户访问学习类、游戏类、电影/电视类等网站的次数。
具体的,在日常行为数据包括上网设备类型时,需要对上网数据进行分析,具体为通过对上网数据中请求方法(request_method)的分析得出学生使用的设备类型,通过该种方式也可以得出学生使用上网设备访问的第三方应用程序即APP的次数信息,该次数信息可以归入不同类型网站的此处,例如,若请求方法为“网易云音乐3.7.4rv:670(iPhone;iOS10.1.1;zh_CN)”,则表示用户使用iphone设备,并且使用了网易云音乐APP,基于此,可以统计出用户使用的手机类型或者pc等设备类型。
具体的,在日常行为数据包括在学校内不同场所的停留时间时,需要对位置信息进行分析,从而可以获取学生在学校的图书馆、寝室或教室等不同场所的停留时间。
在一种可选的实施例中,步骤S104中根据对位置信息和上网数据的分析结果,得到学生的日常行为数据,包括:步骤S202,将上网数据与预设数据库进行比对,得到学生访问不同类型网站的次数和/或上网设备类型,其中,预设数据库包括不同类型网站的数据信息和/或上网设备类型的数据信息。
具体的,在得到学生的日常行为数时,需要对上网数据进行解析以及与数据库进行比对,例如,在日常行为数据包括访问不同类型网站的次数时,需要通过与数据库的比对识别出不同类型的网站,进而得到访问不同类型网站的次数,因此本发明中在将上网数据与预设数据库进行比对之前,还包括预构建预设数据库的步骤,并且可以对数据库进行不断的丰富和修改,以更好的识别出不同类型的网站,对应日常行为数据中的访问不同类型网站的次数和上网设备类型,数据库中可以包括不同类型网站的数据信息、上网设备类型的数据信息等。
在一种可选的实施例中,步骤S106中基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果之前,可以对日常行为数据进行数据清洗和/或量化,之后再输入至分类模型。
在一种可选的实施例中,步骤S106中基于预先构建的分类模型,得到日常行为数据对应的成绩预测结果之前,方法还包括:
步骤S302,构建分类模型;
其中,步骤S302中构建分类模型包括:
步骤S402,获取样本学生的历史上网数据以及获取历史样本学生的历史位置信息;
步骤S404,根据对历史位置信息和历史上网数据的分析结果,得到样本学生的历史日常行为数据;
步骤S406,根据历史日常行为数据和样本学生的历史成绩信息,构建分类模型。
具体的,选取的样本学生越多,构建的分类模型的准确度越高,样本学生的历史日常行为数据和样本学生的历史成绩信息可以是预设时间段的信息或者数据,该预设时间段可以自定义设置。样本学生的历史成绩信息包含挂科学生和不挂科学生的成绩信息,在构建分类模型时,可以将历史日常行为数据作为特征信息,将历史成绩信息作为预测训练的指标信息。得到分类模型之后,可以通过对一个时间周期内学生的日常行为数据的统计,利用该分类模型,完成对学生成绩的预测,预测学生是否有挂科风险。
在一种可选的实施例中,根据历史日常行为数据和样本学生的历史成绩信息,构建分类模型之前,可以对历史日常行为数据进行数据清洗和/或量化,之后再用作构建分类模型的特征信息。
在一种可选的实施例中,步骤S406中根据历史日常行为数据和样本学生的历史成绩信息,构建分类模型,包括:
步骤S502,根据历史日常行为数据和样本学生的历史成绩信息,采用随机森林算法构建分类模型。
具体的,随机森林就是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,决策树是一种树形结构,其中每个内部节点表示一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别,而它的本质属于机器学习的一大分支—集成学习(Ensemble Learning)方法。在针对分类问题时,随机森林中每棵决策树都是一个分类器,对于一个输入样本,N棵树会有N个分类结果,随机森林集成了所有的分类投票结果,可以将投票次数最多的类别指定为最终的输出,这就是一种最简单的Bagging思想。
具体的,在构建分类模型算法的过程中,还包括对历史日常行为数据和样本学生的历史成绩信息的清洗、规范化处理,以及随机森林算法中超参数的设置和调优,例如随机森林算法中树的个数和深度的设置和调优。
在一种具体的实施例中,构建随机森林分类模型的流程如图3所示,用户的位置信息可以使用位置采集器通过学生使用的上网设备连接的AP的位置信息进行确定,用户的上网数据可以通过网络采集器从学校的上网数据核心交换机上获取,通过用户的位置信息可以统计出学生在图书馆、教室及寝室等场所的时长,通过用户的上网数据可以得到学生对游戏类、电影/电视类、学习类网站的访问次数以及学生使用的上网设备的类型,通过上述学生在图书馆、教室及寝室等场所的时长以及学生对游戏类、电影/电视类、学习类网站的访问次数以及学生使用的上网设备的类型,可以得到学生日常行为特征信息,再结合学生的成绩信息,即可构建基于随机森林算法的分类模型。
在一种具体的实施例中,本发明的整体流程如图4所示,通过如图3所示的方式根据历史数据得出分类模型之后,可以将分类模型存储为离线文件,在需要对新数据进行预测时,可以根据新数据得出日常行为数据,加载离线的分类模型,即可根据分类模型得出日常行为数据对应的成绩预测结果。
实施例2
根据本发明实施例,提供了一种学生成绩预测装置的产品实施例,图5是根据本发明实施例的学生成绩预测装置,如图5所示,该装置包括第一获取模块、第一生成模块和第二生成模块,其中,第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型。
在本发明实施例中,采用大数据的方式,通过第一获取模块获取学生上网数据以及获取学生位置信息;第一生成模块根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型,达到了对学生成绩进行***的目的,从而实现了提前发现存在挂科风险或成绩不达标风险的学生,从而有利于通过老师谈话或者改善日常行为习惯的方法来对风险较高的学生进行引导,避免真实挂科的发生,并改善学生的日常行为习惯,引导学生养成良好的日常行为习惯,对学生提高学习成绩、远离挂科或劝退风险具有十分重要的积极作用,对高校改进教学提供了可行的方案的技术效果,进而解决了现有技术中无法提前对学生成绩信息进行预测的技术问题。
此处需要说明的是,上述第一获取模块、第一生成模块和第二生成模块对应于实施例1中的步骤S102至步骤S106,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在一种可选的实施例中,日常行为数据包括至少如下之一:访问不同类型网站的次数、上网设备类型和在学校内不同场所的停留时间。
在一种可选的实施例中,第一生成模块,包括:比对模块,用于将上网数据与预设数据库进行比对,得到学生访问不同类型网站的次数和/或上网设备类型,其中,预设数据库包括不同类型网站的数据信息和/或上网设备类型的数据信息。
此处需要说明的是,上述比对模块对应于实施例1中的步骤S202,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在一种可选的实施例中,装置还包括:第一构建模块,用于在第二生成模块基于预先构建的分类模型,得到日常行为数据对应的成绩预测结果之前,构建分类模型;其中,第一构建模块包括第二获取模块、第三生成模块和第二构建模块,其中,第二获取模块,用于获取样本学生的历史上网数据以及获取历史样本学生的历史位置信息;第三生成模块,用于根据对历史位置信息和历史上网数据的分析结果,得到样本学生的历史日常行为数据;第二构建模块,用于根据历史日常行为数据和样本学生的历史成绩信息,构建分类模型。
此处需要说明的是,上述第一构建模块、第二获取模块、第三生成模块和第二构建模块对应于实施例1中的步骤S302以及步骤S402至步骤S406,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在一种可选的实施例中,第二构建模块,包括:第三构建模块,用于根据历史日常行为数据和样本学生的历史成绩信息,采用随机森林算法构建分类模型。
此处需要说明的是,上述第三构建模块对应于实施例1中的步骤S502,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例3
根据本发明实施例,提供了一种存储介质的产品实施例,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述学生成绩预测方法。
实施例4
根据本发明实施例,提供了一种处理器的产品实施例,该处理器用于运行程序,其中,程序运行时执行上述学生成绩预测方法。
实施例5
根据本发明实施例,提供了一种终端的产品实施例,该终端包括第一获取模块、第一生成模块、第二生成模块和处理器,其中,第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型;处理器,处理器运行程序,其中,程序运行时对于从第一获取模块、第一生成模块和第二生成模块输出的数据执行上述学生成绩预测方法。
实施例6
根据本发明实施例,提供了一种终端的产品实施例,该终端包括第一获取模块、第一生成模块、第二生成模块和存储介质,其中,第一获取模块,用于获取学生上网数据以及获取学生位置信息;第一生成模块,用于根据对位置信息和上网数据的分析结果,得到学生的日常行为数据;第二生成模块,用于基于预先构建的分类模型,得到与日常行为数据对应的成绩预测结果,其中,分类模型被构建为能根据日常行为数据得到成绩预测结果的模型;存储介质,用于存储程序,其中,程序在运行时对于从第一获取模块、第一生成模块和第二生成模块输出的数据执行上述学生成绩预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种学生成绩预测方法,其特征在于,包括:
获取学生上网数据以及获取学生位置信息;
根据对所述位置信息和所述上网数据的分析结果,得到所述学生的日常行为数据;
基于预先构建的分类模型,得到与所述日常行为数据对应的成绩预测结果,其中,所述分类模型被构建为能根据所述日常行为数据得到所述成绩预测结果的模型。
2.根据权利要求1所述的方法,其特征在于,所述日常行为数据包括至少如下之一:访问不同类型网站的次数、上网设备类型和在学校内不同场所的停留时间。
3.根据权利要求2所述的方法,其特征在于,根据对所述位置信息和所述上网数据的分析结果,得到所述学生的日常行为数据,包括:
将所述上网数据与预设数据库进行比对,得到所述学生访问不同类型网站的次数和/或上网设备类型,其中,所述预设数据库包括不同类型网站的数据信息和/或上网设备类型的数据信息。
4.根据权利要求1所述的方法,其特征在于,基于预先构建的分类模型,得到所述日常行为数据对应的成绩预测结果之前,所述方法还包括:
构建所述分类模型;
其中,构建所述分类模型包括:
获取样本学生的历史上网数据以及获取所述历史样本学生的历史位置信息;
根据对所述历史位置信息和所述历史上网数据的分析结果,得到所述样本学生的历史日常行为数据;
根据所述历史日常行为数据和所述样本学生的历史成绩信息,构建所述分类模型。
5.根据权利要求4所述的方法,其特征在于,根据所述历史日常行为数据和所述样本学生的历史成绩信息,构建所述分类模型,包括:
根据所述历史日常行为数据和所述样本学生的历史成绩信息,采用随机森林算法构建所述分类模型。
6.一种学生成绩预测装置,其特征在于,包括:
第一获取模块,用于获取学生上网数据以及获取学生位置信息;
第一生成模块,用于根据对所述位置信息和所述上网数据的分析结果,得到所述学生的日常行为数据;
第二生成模块,用于基于预先构建的分类模型,得到与所述日常行为数据对应的成绩预测结果,其中,所述分类模型被构建为能根据所述日常行为数据得到所述成绩预测结果的模型。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的学生成绩预测方法。
8.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至5中任意一项所述的学生成绩预测方法。
9.一种终端,其特征在于,包括:
第一获取模块,用于获取学生上网数据以及获取学生位置信息;
第一生成模块,用于根据对所述位置信息和所述上网数据的分析结果,得到所述学生的日常行为数据;
第二生成模块,用于基于预先构建的分类模型,得到与所述日常行为数据对应的成绩预测结果,其中,所述分类模型被构建为能根据所述日常行为数据得到所述成绩预测结果的模型;
处理器,所述处理器运行程序,其中,所述程序运行时对于从所述第一获取模块、所述第一生成模块和所述第二生成模块输出的数据执行权利要求1至5中任意一项所述的学生成绩预测方法。
10.一种终端,其特征在于,包括:
第一获取模块,用于获取学生上网数据以及获取学生位置信息;
第一生成模块,用于根据对所述位置信息和所述上网数据的分析结果,得到所述学生的日常行为数据;
第二生成模块,用于基于预先构建的分类模型,得到与所述日常行为数据对应的成绩预测结果,其中,所述分类模型被构建为能根据所述日常行为数据得到所述成绩预测结果的模型;
存储介质,用于存储程序,其中,所述程序在运行时对于从所述第一获取模块、所述第一生成模块和所述第二生成模块输出的数据执行权利要求1至5中任意一项所述的学生成绩预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385634.3A CN108320045A (zh) | 2017-12-20 | 2017-12-20 | 学生成绩预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711385634.3A CN108320045A (zh) | 2017-12-20 | 2017-12-20 | 学生成绩预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320045A true CN108320045A (zh) | 2018-07-24 |
Family
ID=62892776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711385634.3A Pending CN108320045A (zh) | 2017-12-20 | 2017-12-20 | 学生成绩预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320045A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985522A (zh) * | 2018-08-02 | 2018-12-11 | 杭州华网信息技术有限公司 | 一种智慧校园挂科预警方法与*** |
CN110110939A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的学业成绩预测预警方法 |
CN111091481A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 报名信息验证方法、装置、存储介质及电子设备 |
CN111754097A (zh) * | 2020-06-18 | 2020-10-09 | 上海交通大学 | 基于多视图编码器-解码器架构的学生成绩预测*** |
CN112116142A (zh) * | 2020-09-14 | 2020-12-22 | 桂林电子科技大学 | 一种基于深度学习的学生成绩预测***及其方法 |
CN112232609A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型实时预估学生成绩的方法及*** |
CN112668750A (zh) * | 2020-11-25 | 2021-04-16 | 紫光云技术有限公司 | 一种基于行为时序权重的分布式FP-Growth成绩预警模型 |
CN113256865A (zh) * | 2020-11-06 | 2021-08-13 | 上海兴容信息技术有限公司 | 一种智能门禁的控制方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894119A (zh) * | 2016-04-05 | 2016-08-24 | 成都寻道科技有限公司 | 基于校园数据的学生排名预测方法 |
CN106157204A (zh) * | 2016-06-20 | 2016-11-23 | 山东师范大学 | 一种基于bp神经网络模型的学生学业成绩预测方法及*** |
CN107451861A (zh) * | 2017-07-27 | 2017-12-08 | 中兴软创科技股份有限公司 | 一种大数据下用户上网特征识别的方法 |
-
2017
- 2017-12-20 CN CN201711385634.3A patent/CN108320045A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894119A (zh) * | 2016-04-05 | 2016-08-24 | 成都寻道科技有限公司 | 基于校园数据的学生排名预测方法 |
CN106157204A (zh) * | 2016-06-20 | 2016-11-23 | 山东师范大学 | 一种基于bp神经网络模型的学生学业成绩预测方法及*** |
CN107451861A (zh) * | 2017-07-27 | 2017-12-08 | 中兴软创科技股份有限公司 | 一种大数据下用户上网特征识别的方法 |
Non-Patent Citations (3)
Title |
---|
(美)约翰·桑切克(JOHN W.SANTROCK): "《教育心理学》", 31 March 2007, 世界图书出版公司北京公司, pages: 416 - 424 * |
吴鲲;: "基于机器学习的学生成绩预警***建模与研究", 太原城市职业技术学院学报, no. 12, pages 178 - 180 * |
王景兰;葛亚军;: "基于数据挖掘的大学生上网行为数据分析与研究", 电脑迷, no. 08 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985522A (zh) * | 2018-08-02 | 2018-12-11 | 杭州华网信息技术有限公司 | 一种智慧校园挂科预警方法与*** |
CN110110939A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的学业成绩预测预警方法 |
CN111091481A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 报名信息验证方法、装置、存储介质及电子设备 |
CN111754097A (zh) * | 2020-06-18 | 2020-10-09 | 上海交通大学 | 基于多视图编码器-解码器架构的学生成绩预测*** |
CN112116142A (zh) * | 2020-09-14 | 2020-12-22 | 桂林电子科技大学 | 一种基于深度学习的学生成绩预测***及其方法 |
CN113256865A (zh) * | 2020-11-06 | 2021-08-13 | 上海兴容信息技术有限公司 | 一种智能门禁的控制方法和*** |
CN113256865B (zh) * | 2020-11-06 | 2023-01-06 | 上海兴容信息技术有限公司 | 一种智能门禁的控制方法和*** |
CN112668750A (zh) * | 2020-11-25 | 2021-04-16 | 紫光云技术有限公司 | 一种基于行为时序权重的分布式FP-Growth成绩预警模型 |
CN112668750B (zh) * | 2020-11-25 | 2023-07-07 | 紫光云技术有限公司 | 一种基于行为时序权重的分布式FP-Growth成绩预警模型 |
CN112232609A (zh) * | 2020-12-18 | 2021-01-15 | 北京几原科技有限责任公司 | 一种利用机器学习模型实时预估学生成绩的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320045A (zh) | 学生成绩预测方法和装置 | |
CN108595494B (zh) | 答复信息的获取方法及装置 | |
US20160162794A1 (en) | Decision tree data structures generated to determine metrics for child nodes | |
CN112749749B (zh) | 基于分类决策树模型的分类方法、装置及电子设备 | |
CN108320044A (zh) | 学生学习时长预测方法和装置 | |
CN106097043A (zh) | 一种信用数据的处理方法及服务器 | |
CN110442737A (zh) | 基于图数据库的数字孪生方法及*** | |
CN108198040A (zh) | 教育资源分配方法、装置、计算机设备及存储介质 | |
CN106126524A (zh) | 信息推送方法和装置 | |
CN110535850A (zh) | 帐号登录的处理方法和装置、存储介质及电子装置 | |
CN109948016A (zh) | 应用信息推送方法、装置、服务器和计算机可读存储介质 | |
CN112740132A (zh) | 简答题评分预测 | |
CN109472030A (zh) | 一种***回复质量的评价方法及装置 | |
CN114138985A (zh) | 文本数据处理的方法、装置、计算机设备以及存储介质 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
Bicans et al. | Student learning style extraction from on-campus learning context data | |
CN114580794A (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN108563648A (zh) | 数据显示方法和装置、存储介质及电子装置 | |
US20170228680A1 (en) | Improvement message based on element score | |
CN105630960B (zh) | 测试领域任务型对话***的方法和装置 | |
US20200364304A1 (en) | Automatic evaluation of artificial intelligence-based processes | |
CN108460475A (zh) | 基于学生上网行为的贫困生预测方法和装置 | |
CN108335242A (zh) | 学生区分方法和装置 | |
CN114282549B (zh) | 信息间根因关系的识别方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |