CN110992229B - 一种基于知识迁移的科学教学效果评价方法 - Google Patents

一种基于知识迁移的科学教学效果评价方法 Download PDF

Info

Publication number
CN110992229B
CN110992229B CN201911259418.3A CN201911259418A CN110992229B CN 110992229 B CN110992229 B CN 110992229B CN 201911259418 A CN201911259418 A CN 201911259418A CN 110992229 B CN110992229 B CN 110992229B
Authority
CN
China
Prior art keywords
teaching effect
teaching
training
matrix
label
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.)
Active
Application number
CN201911259418.3A
Other languages
English (en)
Other versions
CN110992229A (zh
Inventor
武新伟
梁琰
高昕
葛菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Xinzhi Digital Technology Co.,Ltd.
Original Assignee
Anhui Xinzhi Digital Media Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Xinzhi Digital Media Information Technology Co ltd filed Critical Anhui Xinzhi Digital Media Information Technology Co ltd
Priority to CN201911259418.3A priority Critical patent/CN110992229B/zh
Publication of CN110992229A publication Critical patent/CN110992229A/zh
Application granted granted Critical
Publication of CN110992229B publication Critical patent/CN110992229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识迁移的科学教学效果评价方法，主要包括收集大量数据以建立教学效果评价的一般模型与收集少量数据以建立教学效果评价的特殊模型两个步骤；在步骤一中还包括收集数据与初始化、生成伪标签、训练教学效果预测分类器、预测教学效果四个步骤；在步骤二中还包括收集数据与初始化、微调参数与计算域差指数、训练教学效果预测分类器、预测教学效果四个步骤。本发明优点在于：能够克服教学评价中构造教学效果预测模型存在的类不均衡、训练时间较长、以及平滑假设不确定的问题，并能够在新环境中利用少量数据快速获取适应新环境的特殊模型，具有一定的自适应性能。

Description

一种基于知识迁移的科学教学效果评价方法
技术领域
本发明涉及教学技术领域，特别是涉及一种基于知识迁移的科学教学效果评价方法。
背景技术
教学评价是依据教学目标对教学过程及结果进行价值判断并为教学决策服务的活动，是对教学活动现实的或潜在的价值做出判断的过程。随着人们的生活水平不断提高，人们对教育越发的重视，但对学校的教师的教学效果评价更多的是考虑孩子的成绩，往往忽略了其他因素，较为片面。
专利《CN109559260A一种教学效果评价***》公开了一种教学效果评价***，包括测试模块和评价模块，所述测试模块是对学生期中和期末考试的成绩进行考核，所述评价模块是学生、领导或同事和学生家长对老师的教学方法、教学环境、教学管理和教学态度进行综合打分。本发明对老师的教学效果评价不仅考虑学生的成绩，还考虑老师的平常的教学方法、教学环境、教学管理和教学态度，并且学生、领导或同事、学生家长多方位对老师一个综合评估，避免因为学生的考试成绩不理想，从而否定老师一学期的辛苦付出。专利《CN110457641A一种实用性强的教学课堂用教学效果评价***》公开了一种实用性强的教学课堂用教学效果评价***，通过设置测试***均值的方法获得所有课堂参与者的脑电数据之间的一致性指标，并通过该一致性指标对课堂教学效果进行评测。
从上可知，虽然已经有部分研究认识到教学效果评价的单一性，但是其评价的科学性仍然不足。一方面，教学效果受到很多因素的影响，且影响方式是复杂的，不能通过对几个指标进行简单的阈值划分而实现；另一方面，采用例如脑电波传感器等侵入式感知成本较高，且会一定程度上影响教学过程。因此，需要设计更为先进的更为科学的教学效果评价方法与***。
发明内容
本发明提出了一种一种基于知识迁移的科学教学效果评价方法，具体包括以下步骤：
步骤1：一般评价模型建立
收集大量数据，建立教学效果评价的一般模型，如下：
步骤101：收集教学内容、方式与效果数据，建立有标注样本集
Figure GDA0002794699500000021
建立无标注样本集
Figure GDA0002794699500000022
p∈{1,2,...,l}，q∈{l+1,l+2,...,n}，其中l表示有标注样本总数，n表示所有样本总数，样本xp,
Figure GDA0002794699500000023
为15维向量，样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言；yp∈{χ1,χ2,χ3,χ4,χ5}为标签，表示教学效果，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure GDA0002794699500000024
表示实数域；
人工设定最大训练次数T>0为一个正整数，令训练次数t＝0，人工设定鲁棒因子μ∈(0,1)，人工设定损失系数C>0，人工设定传播系数α∈(0,1)，人工设定隐藏节点数N为一个大于15的正整数，随机生成N个输入权重w，w为9维列向量，得到w1,w2,...,wN；随机生成N个输入偏移b，b为实数，得到b1,b2,...,bN；令Lp＝0；
步骤102：为步骤101中的无标注样本集
Figure GDA0002794699500000025
打上伪标签，具体如下：
步骤10201：为高斯带宽系数σ>0随机取值，并建立亲和矩阵W如下：
Figure GDA0002794699500000026
其中(W)ij为W的第i行第j列的元素，i,j＝1,2,...,n；
步骤10202：计算最终标签矩阵F：
F＝(1-α)(I-αS)-1Y
其中，I为单位矩阵，D为W的度矩阵，D为对角阵，其第i个对角元素为
Figure GDA0002794699500000027
Figure GDA0002794699500000028
传递矩阵
Figure GDA0002794699500000029
Y为初始标签矩阵，其元素为
Figure GDA00027946995000000210
其中，r＝1,2,3,4,5；
Figure GDA00027946995000000211
为样本xq的伪标签，其中
Figure GDA00027946995000000212
Figure GDA00027946995000000213
Fqr为矩阵F的第q行第r列元素；
步骤103：训练教学效果预测分类器，具体如下：
步骤10301：依次取r＝1,2,3,4,5，训练不同类别χr对应的基分类器
Figure GDA0002794699500000031
如下：将
Figure GDA0002794699500000032
与
Figure GDA0002794699500000033
中标签或者伪标签为χr的样本取出来，共nr个，得到样本集合
Figure GDA0002794699500000034
进而可以得到类别为χr分类器
Figure GDA0002794699500000035
其中，z表示样本，
Figure GDA0002794699500000036
其中，I为单位阵，C>0为损失系数，e为n维单位列向量，
h(x)＝[G(w1,b1,x),...,G(wN,bN,x)]T
为非线性映射函数，G(w,b,x)为激活函数，
Figure GDA0002794699500000037
为隐含层输出矩阵；偏移阈值
Figure GDA0002794699500000038
其中，
Figure GDA0002794699500000039
为向下取整函数，
Figure GDA00027946995000000310
函数max2min(·)将输入的数列按照从大到小排列后并输出排列后的数列，
Figure GDA00027946995000000311
为Ξ中第
Figure GDA00027946995000000312
个元素，μ∈(0,1)为鲁棒因子；
步骤10302：对步骤10301获得的
Figure GDA00027946995000000313
进行集成，具体如下：将样本z输入到
Figure GDA00027946995000000314
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则{ξr(z),r＝1,2,3,4,5}中最小元素对应的类别即为最终的分类结果；
步骤10303：利用步骤10302取得的分类器集成方法，对{xi,i＝1,2,...,n}进行预测，得到对应预测结果{δi,i＝1,2,...,n}，令δ＝[δ1,...,δn]T，然后求Lc＝δTLδ，其中
Figure GDA00027946995000000315
为拉普拉斯图矩阵，如果Lc<Lp或者t＝0，则保留当前基分类器集合，即
Figure GDA00027946995000000316
令Lp←Lc，令t自增1，如果t≤T则跳至步骤2，否则训练停止，进入下一步；
步骤104：基于训练得到的
Figure GDA00027946995000000320
与步骤10302所述的集成规则，预测教学效果。
步骤2、特殊评价模型建立
收集少量数据，建立教学效果评价的特殊模型，如下：
步骤201：收集教学内容、方式与效果数据，建立有标注样本集
Figure GDA00027946995000000317
s∈{n+1,...,n+l2}，其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数，样本
Figure GDA00027946995000000318
为15维向量，样本特征与步骤101中所涉及的特征一致；ys∈{χ1,χ2,χ3,χ4,χ5}为标签，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure GDA00027946995000000319
表示实数域；
人工设定最大训练次数T2>0为一个正整数，令训练次数t＝0；人工设定迁移权衡系数γ>0，令Op＝0；
步骤202：基于步骤1中训练得到的
Figure GDA00027946995000000423
微调w1,w2,...,wN与b1,b2,...,bN，得到调整后的基分类器集合
Figure GDA0002794699500000041
用
Figure GDA0002794699500000042
进行集成预测
Figure GDA0002794699500000043
得到
Figure GDA0002794699500000044
在
Figure GDA0002794699500000045
的错误率a∈[0,1]；集成预测规则如下：
将样本z输入到
Figure GDA0002794699500000046
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则
Figure GDA0002794699500000047
Figure GDA0002794699500000048
中最小元素对应的类别即为最终的分类结果，
Figure GDA0002794699500000049
为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果；
步骤203：计算域差指数Ω，如下：
Figure GDA00027946995000000410
步骤204：计算当前迁移指数Oc＝Ω+γa，其中γ>0为迁移权衡系数，如果Oc<Op或者t＝0，则令
Figure GDA00027946995000000411
令Op←Oc，令t自增1，如果t≤T2则跳至步骤202，否则训练停止，进入下一步；
步骤205：基于训练得到的
Figure GDA00027946995000000422
与步骤202所述的集成规则，预测教学效果。
其中，所涉及的激活函数为：
Figure GDA00027946995000000412
或
Figure GDA00027946995000000413
或
G(w,b,x)＝cos(wTx+b)。
其中，步骤202涉及的微调方法如下：
令微调后的w1,w2,...,wN与b1,b2,...,bN分别为
Figure GDA00027946995000000414
与
Figure GDA00027946995000000415
Figure GDA00027946995000000416
在其分布上随机取值，
Figure GDA00027946995000000417
在其分布上随机取值，τ∈{1,2,...,N}，
Figure GDA00027946995000000418
表示均值为wτ方差为
Figure GDA00027946995000000419
的高斯分布，
Figure GDA00027946995000000420
表示均值为bτ方差为
Figure GDA00027946995000000421
的高斯分布，Σw＝σwIN，IN表示N维单位方阵，σw,σb>0。
与已有的技术相比，本发明具有以下优点：能够克服教学评价中构造教学效果预测模型存在的类不均衡、训练时间较长、以及平滑假设不确定的问题，并能够在新环境中利用少量数据快速获取适应新环境的特殊模型，具有一定的自适应性能。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图与具体实施例对本发明进行详细说明。
一种基于知识迁移的科学教学效果评价方法，如图1所示，具体包括以下步骤：
步骤1：一般评价模型建立
收集大量数据，建立教学效果评价的一般模型，如下：
步骤101：收集教学内容、方式与效果数据，建立有标注样本集
Figure GDA0002794699500000051
建立无标注样本集
Figure GDA0002794699500000052
p∈{1,2,...,l}，q∈{l+1,l+2,...,n}，其中l表示有标注样本总数，n表示所有样本总数，样本xp,
Figure GDA0002794699500000053
为15维向量，样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言；yp∈{χ1,χ2,χ3,χ4,χ5}为标签，表示教学效果，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure GDA0002794699500000054
表示实数域；
人工设定最大训练次数T>0为一个正整数，令训练次数t＝0，人工设定鲁棒因子μ∈(0,1)，人工设定损失系数C>0，人工设定传播系数α∈(0,1)，人工设定隐藏节点数N为一个大于15的正整数，随机生成N个输入权重w，w为9维列向量，得到w1,w2,...,wN；随机生成N个输入偏移b，b为实数，得到b1,b2,...,bN；令Lp＝0；
步骤102：为步骤101中的无标注样本集
Figure GDA0002794699500000055
打上伪标签，具体如下：
步骤10201：为高斯带宽系数σ>0随机取值，并建立亲和矩阵W如下：
Figure GDA0002794699500000056
其中(W)ij为W的第i行第j列的元素，i,j＝1,2,...,n；
步骤10202：计算最终标签矩阵F：
F＝(1-α)(I-αS)-1Y
其中，I为单位矩阵，D为W的度矩阵，D为对角阵，其第i个对角元素为
Figure GDA0002794699500000057
Figure GDA0002794699500000058
传递矩阵
Figure GDA0002794699500000059
Y为初始标签矩阵，其元素为
Figure GDA00027946995000000510
其中，r＝1,2,3,4,5；
Figure GDA00027946995000000511
为样本xq的伪标签，其中
Figure GDA00027946995000000512
Figure GDA00027946995000000513
Fqr为矩阵F的第q行第r列元素；
步骤103：训练教学效果预测分类器，具体如下：
步骤10301：依次取r＝1,2,3,4,5，训练不同类别χr对应的基分类器
Figure GDA0002794699500000061
如下：将
Figure GDA0002794699500000062
与
Figure GDA0002794699500000063
中标签或者伪标签为χr的样本取出来，共nr个，得到样本集合
Figure GDA0002794699500000064
进而可以得到类别为χr分类器
Figure GDA0002794699500000065
其中，z表示样本，
Figure GDA0002794699500000066
其中，I为单位阵，C>0为损失系数，e为n维单位列向量，
h(x)＝[G(w1,b1,x),...,G(wN,bN,x)]T
为非线性映射函数，G(w,b,x)为激活函数，
Figure GDA0002794699500000067
为隐含层输出矩阵；偏移阈值
Figure GDA0002794699500000068
其中，
Figure GDA0002794699500000069
为向下取整函数，
Figure GDA00027946995000000610
函数max2min(·)将输入的数列按照从大到小排列后并输出排列后的数列，
Figure GDA00027946995000000611
为Ξ中第
Figure GDA00027946995000000612
个元素，μ∈(0,1)为鲁棒因子；
步骤10302：对步骤10301获得的
Figure GDA00027946995000000613
进行集成，具体如下：将样本z输入到
Figure GDA00027946995000000614
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则{ξr(z),r＝1,2,3,4,5}中最小元素对应的类别即为最终的分类结果；
步骤10303：利用步骤10302取得的分类器集成方法，对{xi,i＝1,2,...,n}进行预测，得到对应预测结果{δi,i＝1,2,...,n}，令δ＝[δ1,...,δn]T，然后求Lc＝δTLδ，其中
Figure GDA00027946995000000615
为拉普拉斯图矩阵，如果Lc<Lp或者t＝0，则保留当前基分类器集合，即
Figure GDA00027946995000000616
令Lp←Lc，令t自增1，如果t≤T则跳至步骤2，否则训练停止，进入下一步；
步骤104：基于训练得到的
Figure GDA00027946995000000617
与步骤10302所述的集成规则，预测教学效果。
步骤2、特殊评价模型建立
收集少量数据，建立教学效果评价的特殊模型，如下：
步骤201：收集教学内容、方式与效果数据，建立有标注样本集
Figure GDA00027946995000000618
s∈{n+1,...,n+l2}，其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数，样本
Figure GDA00027946995000000619
为15维向量，样本特征与步骤101中所涉及的特征一致；ys∈{χ1,χ2,χ3,χ4,χ5}为标签，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure GDA00027946995000000620
表示实数域；
人工设定最大训练次数T2>0为一个正整数，令训练次数t＝0；人工设定迁移权衡系数γ>0，令Op＝0；
步骤202：基于步骤1中训练得到的
Figure GDA00027946995000000722
微调w1,w2,...,wN与b1,b2,...,bN，得到调整后的基分类器集合
Figure GDA0002794699500000071
用
Figure GDA0002794699500000072
进行集成预测
Figure GDA0002794699500000073
得到
Figure GDA0002794699500000074
在
Figure GDA0002794699500000075
的错误率a∈[0,1]；集成预测规则如下：
将样本z输入到
Figure GDA0002794699500000076
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则
Figure GDA0002794699500000077
Figure GDA0002794699500000078
中最小元素对应的类别即为最终的分类结果，
Figure GDA0002794699500000079
为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果；
步骤203：计算域差指数Ω，如下：
Figure GDA00027946995000000710
步骤204：计算当前迁移指数Oc＝Ω+γa，其中γ>0为迁移权衡系数，如果Oc<Op或者t＝0，则令
Figure GDA00027946995000000711
令Op←Oc，令t自增1，如果t≤T2则跳至步骤202，否则训练停止，进入下一步；
步骤205：基于训练得到的
Figure GDA00027946995000000723
与步骤202所述的集成规则，预测教学效果。
优选地，所涉及的激活函数为：
Figure GDA00027946995000000712
或
Figure GDA00027946995000000713
或
G(w,b,x)＝cos(wTx+b)。
优选地，步骤202涉及的微调方法如下：
令微调后的w1,w2,...,wN与b1,b2,...,bN分别为
Figure GDA00027946995000000714
与
Figure GDA00027946995000000715
Figure GDA00027946995000000716
在其分布上随机取值，
Figure GDA00027946995000000717
在其分布上随机取值，τ∈{1,2,...,N}，
Figure GDA00027946995000000718
表示均值为wτ方差为
Figure GDA00027946995000000719
的高斯分布，
Figure GDA00027946995000000720
表示均值为bτ方差为
Figure GDA00027946995000000721
的高斯分布，Σw＝σwIN，IN表示N维单位方阵，σw,σb>0。
在实施本专利时，以下给出特征取值示例：
1、“教学科目”：包括语文、数学、外语等，可以是更细化的科目，例如离散数学、组合数学等。
2、“深入程度”：普及、进阶、高级。
3、“是否有板书”：有、无。
4、“是否有多媒体”：有、无。
5、“教学考核方式”：考试+出勤、报告+出勤、仅出勤。
6、“教师性别”：男、女、其他。
7、“教师年纪”：取正整数。
8、“教师学历”：博士、硕士、本科、高中及以下。
9、“作业平均用时”：取大于等于0的实数。
10、“应到人数”：取正整数。
11、“互动程度”：活跃、一般、无互动。
12、“缺勤率”：0-1之间实数，每节课缺勤率计算方式参考：每节课缺勤率＝(每节课缺勤人数/应到人数)，缺勤率即为每节课缺勤率的平均。
13、“学生反馈”：优、良、中、差，取众数。
14、“平均分”：取0-100之间的整数。
15、“上课语言”：上课所用语言，包括中文、英文等。
样本集中的教学效果标签可以采用专家评价的方式。
在实施过程中，教学效果评价的一般模型需要采集大量数据，并进行训练获取，训练完成后可以直接使用。
当在新的环境中(例如应用于新的学校)，一般模型的预测性能往往较差，可以在一般模型的基础上，进行迁移得到教学效果评价的特殊模型，此时仅仅需要收集少量数据即可，当训练完成后，也可直接使用。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (3)

1.一种基于知识迁移的科学教学效果评价方法，其特征在于，具体包括以下步骤：
步骤1：一般评价模型建立
收集大量数据，建立教学效果评价的一般模型，如下：
步骤101：收集教学内容、方式与效果数据，建立有标注样本集
Figure FDA0002794699490000014
建立无标注样本集
Figure FDA0002794699490000015
p∈{1,2,...,l}，q∈{l+1,l+2,...,n}，其中l表示有标注样本总数，n表示所有样本总数，样本xp,
Figure FDA0002794699490000016
为15维向量，样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言；yp∈{χ1,χ2,χ3,χ4,χ5}为标签，表示教学效果，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure FDA0002794699490000017
表示实数域；
人工设定最大训练次数T>0为一个正整数，令训练次数t＝0，人工设定鲁棒因子μ∈(0,1)，人工设定损失系数C>0，人工设定传播系数α∈(0,1)，人工设定隐藏节点数N为一个大于15的正整数，随机生成N个输入权重w，w为9维列向量，得到w1,w2,...,wN；随机生成N个输入偏移b，b为实数，得到b1,b2,...,bN；令Lp＝0；
步骤102：为步骤101中的无标注样本集
Figure FDA0002794699490000018
打上伪标签，具体如下：
步骤10201：为高斯带宽系数σ>0随机取值，并建立亲和矩阵W如下：
Figure FDA0002794699490000011
其中(W)ij为W的第i行第j列的元素，i,j＝1,2,...,n；
步骤10202：计算最终标签矩阵F：
F＝(1-α)(I-αS)-1Y
其中，I为单位矩阵，D为W的度矩阵，D为对角阵，其第i个对角元素为
Figure FDA00027946994900000115
Figure FDA00027946994900000114
传递矩阵
Figure FDA0002794699490000019
Y为初始标签矩阵，其元素为
Figure FDA0002794699490000012
其中，r＝1,2,3,4,5；
Figure FDA00027946994900000113
为样本xq的伪标签，其中
Figure FDA00027946994900000117
Figure FDA00027946994900000118
Fqr为矩阵F的第q行第r列元素；
步骤103：训练教学效果预测分类器，具体如下：
步骤10301：依次取r＝1,2,3,4,5，训练不同类别χr对应的基分类器
Figure FDA00027946994900000116
如下：将
Figure FDA00027946994900000112
与
Figure FDA00027946994900000110
中标签或者伪标签为χr的样本取出来，共nr个，得到样本集合
Figure FDA00027946994900000111
进而可以得到类别为χr分类器
Figure FDA0002794699490000013
其中，z表示样本，
Figure FDA0002794699490000021
其中，I为单位阵，C>0为损失系数，e为n维单位列向量，
h(x)＝[G(w1,b1,x),...,G(wN,bN,x)]T
为非线性映射函数，G(w,b,x)为激活函数，
Figure FDA0002794699490000023
为隐含层输出矩阵；偏移阈值
Figure FDA00027946994900000215
其中，
Figure FDA00027946994900000216
为向下取整函数，
Figure FDA0002794699490000022
函数max2min(·)将输入的数列按照从大到小排列后并输出排列后的数列，
Figure FDA00027946994900000217
为Ξ中第
Figure FDA00027946994900000218
个元素，μ∈(0,1)为鲁棒因子；
步骤10302：对步骤10301获得的
Figure FDA0002794699490000026
进行集成，具体如下：将样本z输入到
Figure FDA0002794699490000025
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则{ξr(z),r＝1,2,3,4,5}中最小元素对应的类别即为最终的分类结果；
步骤10303：利用步骤10302取得的分类器集成方法，对{xi,i＝1,2,...,n}进行预测，得到对应预测结果{δi,i＝1,2,...,n}，令δ＝[δ1,...,δn]T，然后求Lc＝δTLδ，其中
Figure FDA0002794699490000024
为拉普拉斯图矩阵，如果Lc<Lp或者t＝0，则保留当前基分类器集合，即
Figure FDA00027946994900000219
令Lp←Lc，令t自增1，如果t≤T则跳至步骤2，否则训练停止，进入下一步；
步骤104：基于训练得到的
Figure FDA00027946994900000220
与步骤10302所述的集成规则，预测教学效果。
步骤2、特殊评价模型建立
收集少量数据，建立教学效果评价的特殊模型，如下：
步骤201：收集教学内容、方式与效果数据，建立有标注样本集
Figure FDA00027946994900000212
s∈{n+1,...,n+l2}，其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数，样本
Figure FDA0002794699490000027
为15维向量，样本特征与步骤101中所涉及的特征一致；ys∈{χ1,χ2,χ3,χ4,χ5}为标签，χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好，
Figure FDA0002794699490000028
表示实数域；
人工设定最大训练次数T2>0为一个正整数，令训练次数t＝0；人工设定迁移权衡系数γ>0，令Op＝0；
步骤202：基于步骤1中训练得到的
Figure FDA00027946994900000221
微调w1,w2,...,wN与b1,b2,...,bN，得到调整后的基分类器集合
Figure FDA00027946994900000214
用
Figure FDA00027946994900000213
进行集成预测
Figure FDA0002794699490000029
得到
Figure FDA00027946994900000210
在
Figure FDA00027946994900000211
的错误率a∈[0,1]；集成预测规则如下：
将样本z输入到
Figure FDA0002794699490000034
中，如果只有一个分类器输出1，则最终的分类结果为该分类器对应的类别；对于其他情况，则
Figure FDA00027946994900000315
Figure FDA00027946994900000316
中最小元素对应的类别即为最终的分类结果，
Figure FDA00027946994900000317
为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果；
步骤203：计算域差指数Ω，如下：
Figure FDA0002794699490000031
步骤204：计算当前迁移指数Oc＝Ω+γa，其中γ>0为迁移权衡系数，如果Oc<Op或者t＝0，则令
Figure FDA0002794699490000035
令Op←Oc，令t自增1，如果t≤T2则跳至步骤202，否则训练停止，进入下一步；
步骤205：基于训练得到的
Figure FDA0002794699490000036
与步骤202所述的集成规则，预测教学效果。
2.如权利要求1所述的一种基于知识迁移的科学教学效果评价方法，其特征在于，所涉及的激活函数为：
Figure FDA0002794699490000032
或
Figure FDA0002794699490000033
或
G(w,b,x)＝cos(wTx+b)。
3.如权利要求1所述的一种基于知识迁移的科学教学效果评价方法，其特征在于，步骤202涉及的微调方法如下：
令微调后的w1,w2,...,wN与b1,b2,...,bN分别为
Figure FDA00027946994900000312
与
Figure FDA00027946994900000313
Figure FDA0002794699490000038
在其分布上随机取值，
Figure FDA0002794699490000037
在其分布上随机取值，τ∈{1,2,...,N}，
Figure FDA0002794699490000039
表示均值为wτ方差为
Figure FDA00027946994900000311
的高斯分布，
Figure FDA00027946994900000314
表示均值为bτ方差为
Figure FDA00027946994900000310
的高斯分布，Σw＝σwIN，IN表示N维单位方阵，σw,σb>0。
CN201911259418.3A 2019-12-10 2019-12-10 一种基于知识迁移的科学教学效果评价方法 Active CN110992229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911259418.3A CN110992229B (zh) 2019-12-10 2019-12-10 一种基于知识迁移的科学教学效果评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911259418.3A CN110992229B (zh) 2019-12-10 2019-12-10 一种基于知识迁移的科学教学效果评价方法

Publications (2)

Publication Number Publication Date
CN110992229A CN110992229A (zh) 2020-04-10
CN110992229B true CN110992229B (zh) 2021-02-26

Family

ID=70091967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259418.3A Active CN110992229B (zh) 2019-12-10 2019-12-10 一种基于知识迁移的科学教学效果评价方法

Country Status (1)

Country Link
CN (1) CN110992229B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10521734B2 (en) * 2018-04-20 2019-12-31 Sas Institute Inc. Machine learning predictive labeling system
US10599769B2 (en) * 2018-05-01 2020-03-24 Capital One Services, Llc Text categorization using natural language processing
CN109781411B (zh) * 2019-01-28 2020-05-19 西安交通大学 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法

Also Published As

Publication number Publication date
CN110992229A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Purwanto Education research quantitative analysis for little respondents: comparing of Lisrel, Tetrad, GSCA, Amos, SmartPLS, WarpPLS, and SPSS
Bauer A primer to latent profile and latent class analysis
Naser et al. Predicting student performance using artificial neural network: In the faculty of engineering and information technology
CN109919810A (zh) 在线学习***中的学生建模与个性化课程推荐方法
Guttersrud et al. Young adolescents’ engagement in dietary behaviour–the impact of gender, socio-economic status, self-efficacy and scientific literacy. Methodological aspects of constructing measures in nutrition literacy research using the Rasch model
Ozberk et al. Investigating the factors affecting Turkish students' PISA 2012 mathematics achievement using hierarchical linear modeling
Beytekin et al. Quality of Faculty Life and Lifelong Learning Tendencies of University Students.
Alves Making diagnostic inferences about student performance on the Alberta education diagnostic mathematics project: An application of the Attribute Hierarchy Method
Wang et al. Reexamining subjective creativity assessments in science tasks: An application of the rater-mediated assessment framework and many-facet Rasch model.
Huang et al. Developing argumentation processing agents for computer-supported collaborative learning
Zhang et al. Formative evaluation of college students’ online English learning based on learning behavior analysis
CN113934846A (zh) 一种联合行为-情感-时序的在线论坛主题建模方法
Shapovalova et al. Adaptive testing model as the method of quality knowledge control individualizing
CN110992229B (zh) 一种基于知识迁移的科学教学效果评价方法
Guldemond et al. Group effects on individual learning achievement
Akdeniz et al. Investigating individual innovativeness levels and lifelong learning tendencies of students in TMSC
Suniasih The Effectiveness of Discovery Learning Model and Problem-Based Learning Using Animated Media to Improve Science Learning Outcomes
Zeman et al. Complex cells decrease errors for the Müller-Lyer illusion in a model of the visual ventral stream
Mariam et al. Using the Rasch Model for the Affective Assessment of EFL Learners
Liu et al. Understanding self-directed learning behaviors in a computer-aided 3D design context
Zhou Research on teaching resource recommendation algorithm based on deep learning and cognitive diagnosis
Komaravalli et al. Detecting Academic Affective States of Learners in Online Learning Environments Using Deep Transfer Learning
Spoden et al. Multidimensional Rasch models in first language listening tests
Pagudpud et al. Mining the national career assessment examination result using clustering algorithm
McCallum et al. Using data for monitoring and target setting: A practical guide for teachers

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Zone 50268, Zhongke Dadaozhen Building, No. 767 Yulan Avenue, High tech Zone, Hefei City, Anhui Province, 230088

Patentee after: Anhui Xinzhi Digital Technology Co.,Ltd.

Address before: 230088 building 210-c2, A3 / F, Hefei Innovation Industrial Park, 800 Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Patentee before: Anhui Xinzhi digital media information technology Co.,Ltd.

CP03 Change of name, title or address