CN117493566B - 用于智慧校园的数据处理***及方法 - Google Patents
用于智慧校园的数据处理***及方法 Download PDFInfo
- Publication number
- CN117493566B CN117493566B CN202311446477.8A CN202311446477A CN117493566B CN 117493566 B CN117493566 B CN 117493566B CN 202311446477 A CN202311446477 A CN 202311446477A CN 117493566 B CN117493566 B CN 117493566B
- Authority
- CN
- China
- Prior art keywords
- school year
- sequence
- course data
- year
- semantic
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 249
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 230000002452 interceptive effect Effects 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims description 100
- 238000012549 training Methods 0.000 claims description 77
- 238000003672 processing method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Machine Translation (AREA)
Abstract
公开了一种用于智慧校园的数据处理***及方法。其首先从第一学年成绩报告和第二学年成绩报告分别提取多组课程数据,接着,分别对所述第一学年成绩报告的多组课程数据和所述第二学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列和第二学年课程数据语义编码特征向量的序列,然后,对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年‑第二学年课程学习语义交互特征,最后,基于所述第一学年‑第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。这样,可以提高学生的学习效果和成绩。
Description
技术领域
本申请涉及数据处理领域,且更为具体地,涉及一种用于智慧校园的数据处理***及方法。
背景技术
智慧校园是利用信息技术和大数据分析,为教育管理者、教师和学生提供智能化的教育服务的新型校园模式。智慧校园的核心是对学生的学习状态进行有效的监测和评估,以提高教学质量和学习效果。
随着智慧校园的发展,学校和教育机构越来越关注学生的学习状态和表现。然而,传统的学习状态评估方法通常只考虑单一的学习指标,如考试成绩、出勤率等,忽略了学生在不同学年之间的学习进步和退步,以及不同课程之间的学习相关性,导致对于学生的学习状态检测和异常判断的精度较低,难以满足实际的智慧校园应用需求。
因此,期望一种优化的用于智慧校园的数据处理***。
发明内容
有鉴于此,本申请提出了一种用于智慧校园的数据处理***及方法,其可以通过采集学生对象在不同学年的成绩报告,并在后端引入语义分析技术来进行该学生对象在不同学年的成绩报告中课程数据的分析和语义理解,以基于学生对象在不同学年的学习成绩对比分析来判断学生对象是否存在学习状态异常,从而有利于为学校和教育机构提供及时的干预和支持措施,进而有助于提高学生的学习效果和成绩。
根据本申请的一方面,提供了一种用于智慧校园的数据处理方法,其包括:
获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;
从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;
分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;
对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及
基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。
根据本申请的另一方面,提供了一种用于智慧校园的数据处理***,其包括:
成绩报告获取模块,用于获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;
第一学年课程数据提取模块,用于从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
第二学年课程数据提取模块,用于从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
第一语义编码模块,用于分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;
第二语义编码模块,用于分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;
语义交互融合模块,用于对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及
学习状态分析模块,用于基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。
根据本申请的实施例,其首先从第一学年成绩报告和第二学年成绩报告分别提取多组课程数据,接着,分别对所述第一学年成绩报告的多组课程数据和所述第二学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列和第二学年课程数据语义编码特征向量的序列,然后,对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征,最后,基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。这样,可以提高学生的学习效果和成绩。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的用于智慧校园的数据处理方法的流程图。
图2示出根据本申请的实施例的用于智慧校园的数据处理方法的架构示意图。
图3示出根据本申请的实施例的用于智慧校园的数据处理方法的子步骤S140的流程图。
图4示出根据本申请的实施例的用于智慧校园的数据处理方法的子步骤S150的流程图。
图5示出根据本申请的实施例的用于智慧校园的数据处理***的框图。
图6示出根据本申请的实施例的用于智慧校园的数据处理方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思为通过采集学生对象在不同学年的成绩报告,并在后端引入语义分析技术来进行该学生对象在不同学年的成绩报告中课程数据的分析和语义理解,以基于学生对象在不同学年的学习成绩对比分析来判断学生对象是否存在学习状态异常,从而有利于为学校和教育机构提供及时的干预和支持措施,进而有助于提高学生的学习效果和成绩。
图1示出根据本申请的实施例的用于智慧校园的数据处理方法的流程图。图2示出根据本申请的实施例的用于智慧校园的数据处理方法的架构示意图。如图1和图2所示,根据本申请实施例的用于智慧校园的数据处理方法,包括步骤:S110,获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;S120,从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;S130,从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;S140,分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;S150,分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;S160,对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及,S170,基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。
具体地,在本申请的技术方案中,首先,获取被分析学生对象的第一学年成绩报告和第二学年成绩报告。继而,为了便于对所述被分析学生对象的各科学习成绩进行关联分析以及不同学年的对比,需要从所述第一学年成绩报告提取多组课程数据,并从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩。
然后,分别对所述第一学年成绩报告的多组课程数据进行语义编码,以此来分别提取出所述被分析学生对象的第一学年成绩报告的各组课程数据的语义特征信息,从而得到第一学年课程数据语义编码特征向量的序列。并且,分别对所述第二学年成绩报告的多组课程数据进行语义编码,以分别提取出所述被分析学生对象的第二学年成绩报告的各组课程数据的语义特征信息,从而得到第二学年课程数据语义编码特征向量的序列。
相应地,如图4所示,分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列,包括:S141,对所述第一学年成绩报告的多组课程数据进行分词处理以将所述第一学年成绩报告的多组课程数据转化为由多个词组成的第一学年词序列;S142,使用所述第一学年成绩报告语义编码器的嵌入层将所述第一学年词序列中各个第一学年词映射到词向量以获得第一学年词向量的序列;以及,S143,使用所述第一学年成绩报告语义编码器对所述第一学年词向量的序列进行基于全局的上下文语义编码以获得所述第一学年课程数据语义编码特征向量的序列。
相应地,如图5所示,分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列,包括:S151,对所述第二学年成绩报告的多组课程数据进行分词处理以将所述第二学年成绩报告的多组课程数据转化为由多个词组成的第二学年词序列;S152,使用所述第二学年成绩报告语义编码器的嵌入层将所述第二学年词序列中各个第二学年词映射到词向量以获得第二学年词向量的序列;以及,S153,使用所述第二学年成绩报告语义编码器对所述第二学年词向量的序列进行基于全局的上下文语义编码以获得所述第二学年课程数据语义编码特征向量的序列。
进一步地,考虑到每个学年的不同课程数据之间具有着相互关联的语义特征,其决定了该学生对象在这一学年的学***。并且,还考虑到在不同的学年中,所述被分析学生对象的学习成绩之间的相关性体现了该学生对象在不同学年之间的学习进步或退步,也有利于对学生的学习状态是否存在异常进行检测判断。因此,在本申请的技术方案中,进一步将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量。应可以理解,所述特征序列交互模块可以通过计算注意力权重来分别对所述各个第一学年课程数据语义编码特征向量和所述各个第二学年课程数据语义编码特征向量进行加权,以对不同特征序列之间的重要性进行建模。具体而言,该模块可以根据所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列之间的相似性和相关性,为每个特征序列分配权重。因此,通过注意力交互融合处理后,所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列中的各组课程语义特征之间可以相互影响和补充,以更为充分地捕捉到有关于所述第一学年成绩报告的各组课程数据和所述第二学年成绩报告的各组课程数据之间的语义交互特征信息,从而有利于后续对被分析学生对象的学习状态异常的分类检测。
相应地,在步骤S160中,对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征,包括:将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征。
更具体地,将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征,包括:以如下相关度计算公式来计算所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量之间的相关度,其中,所述相关度计算公式为:
Sij=hi Trj
其中,Sij表示所述第一学年课程数据语义编码特征向量的序列中第i个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中第j个第二学年课程数据语义编码特征向量之间的相关度,hi表示所述第一学年课程数据语义编码特征向量的序列中第i个第一学年课程数据语义编码特征向量,且rj表示第二学年课程数据语义编码特征向量的序列中第j个第二学年课程数据语义编码特征向量,(·)T表示转置操作;基于所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量之间的相关度以及所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量,对所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量进行交互式更新以得到更新第一学年课程数据语义编码特征向量的序列;基于所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量与所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量之间的相关度以及所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量,对所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量进行交互式更新以得到更新第二学年课程数据语义编码特征向量的序列;融合所述第一学年课程数据语义编码特征向量的序列和所述更新第一学年课程数据语义编码特征向量的序列以得到交互融合第一学年课程数据语义编码特征向量的序列;融合所述第二学年课程数据语义编码特征向量的序列和所述更新第二学年课程数据语义编码特征向量的序列以得到交互融合第二学年课程数据语义编码特征向量的序列;以及,将所述交互融合第一学年课程数据语义编码特征向量的序列和所述交互融合第二学年课程数据语义编码特征向量的序列进行拼接以得到所述第一学年-第二学年课程学习语义交互特征向量。
继而,再将所述第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类结果,所述分类结果用于表示被分析学生对象的学习状态是否正常。也就是说,通过所述第一学年成绩报告的各组课程数据和所述第二学年成绩报告的各组课程数据之间的语义交互关联特征信息来进行分类处理,以此来对所述被分析学生对象的学习状态进行判断,从而能够基于学生对象的学习状态为学校和教育机构提供及时的干预和支持措施,以提高学生的学习效果和成绩。
相应地,在步骤S170中,基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常,包括:将所述第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类结果,所述分类结果用于表示被分析学生对象的学习状态是否正常。更具体地,将所述第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类结果,所述分类结果用于表示被分析学生对象的学习状态是否正常,包括:使用所述分类器的全连接层对所述第一学年-第二学年课程学习语义交互特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括被分析学生对象的学习状态正常(第一标签),以及,被分析学生对象的学习状态不正常(第二标签),其中,所述分类器通过软最大值函数来确定所述第一学年-第二学年课程学习语义交互特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“被分析学生对象的学习状态是否正常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,被分析学生对象的学习状态是否正常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“被分析学生对象的学习状态是否正常”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的用于智慧校园的数据处理方法,其还包括训练步骤:用于对所述第一学年成绩报告语义编码器、所述第二学年成绩报告语义编码器、所述特征序列交互模块和所述分类器进行训练。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括被分析学生对象的训练第一学年成绩报告和训练第二学年成绩报告,以及,所述被分析学生对象的学习状态是否正常的真实值;从所述训练第一学年成绩报告提取多组训练课程数据,其中,所述训练课程数据包括训练课程名称、训练课程内容描述和训练课程成绩;从所述训练第二学年成绩报告提取多组训练课程数据,其中,所述训练课程数据包括训练课程名称、训练课程内容描述和训练课程成绩;分别对所述训练第一学年成绩报告的多组训练课程数据进行语义编码以得到训练第一学年课程数据语义编码特征向量的序列;分别对所述训练第二学年成绩报告的多组训练课程数据进行语义编码以得到训练第二学年课程数据语义编码特征向量的序列;将所述训练第一学年课程数据语义编码特征向量的序列和所述训练第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到训练第一学年-第二学年课程学习语义交互特征向量;对所述训练第一学年-第二学年课程学习语义交互特征向量进行优化以得到优化训练第一学年-第二学年课程学习语义交互特征向量;将所述优化训练第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类损失函数值;以及,基于所述分类损失函数值对所述第一学年成绩报告语义编码器、所述第二学年成绩报告语义编码器、所述特征序列交互模块和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练第一学年课程数据语义编码特征向量的序列和所述训练第二学年课程数据语义编码特征向量的序列分别表达所述训练第一学年成绩报告的多组训练课程数据和所述训练第二学年成绩报告的多组训练课程数据的编码文本语义特征,这样,将所述训练第一学年课程数据语义编码特征向量的序列和所述训练第二学年课程数据语义编码特征向量的序列通过特征序列交互模块后,所述训练第一学年-第二学年课程学习语义交互特征向量不仅具有所述训练第一学年成绩报告的多组训练课程数据和所述训练第二学年成绩报告的多组训练课程数据的编码文本语义特征,而且具有两者之间的交互文本语义特征,也就是,所述训练第一学年-第二学年课程学习语义交互特征向量具有多维度的文本语义特征关联分布。
这样,由于所述训练第一学年-第二学年课程学***滑文本语义关联特征分布性质,这就使得在将所述训练第一学年-第二学年课程学***滑特征分布的分类回归的效率。
因此,优选地,本申请的申请人对所述训练第一学年-第二学年课程学习语义交互特征向量在通过分类器进行分类回归时,对所述训练第一学年-第二学年课程学习语义交互特征向量进行优化。
相应地,在一个示例中,对所述训练第一学年-第二学年课程学习语义交互特征向量进行优化以得到优化训练第一学年-第二学年课程学习语义交互特征向量,包括:以如下优化公式对所述训练第一学年-第二学年课程学习语义交互特征向量进行优化以得到所述优化训练第一学年-第二学年课程学习语义交互特征向量;其中,所述优化公式为:
其中,vi是所述训练第一学年-第二学年课程学习语义交互特征向量的第i个位置的特征值,是所述训练第一学年-第二学年课程学习语义交互特征向量的所有特征值的全局均值,且vmax是所述训练第一学年-第二学年课程学习语义交互特征向量的最大特征值,exp[·]表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,vi'是所述优化训练第一学年-第二学年课程学习语义交互特征向量的第i个位置的特征值。
也就是,通过特征向量的全局分布参数的正则化仿函数的概念,上述优化基于所述训练第一学年-第二学年课程学***滑式优化轨迹,提高所述训练第一学年-第二学年课程学习语义交互特征向量在所述分类器的分类概率回归下的训练效率。这样,能够基于学生对象在不同学年的学习成绩对比分析来判断学生对象是否存在学习状态异常,从而有利于为学校和教育机构提供及时的干预和支持措施,进而有助于提高学生的学习效果和成绩。
综上,基于本申请实施例的用于智慧校园的数据处理方法,其可以基于学生对象在不同学年的学习成绩对比分析来判断学生对象是否存在学习状态异常,从而有利于为学校和教育机构提供及时的干预和支持措施,进而有助于提高学生的学习效果和成绩。
图5示出根据本申请的实施例的用于智慧校园的数据处理***100的框图。如图5所示,根据本申请实施例的用于智慧校园的数据处理***100,包括:成绩报告获取模块110,用于获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;第一学年课程数据提取模块120,用于从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;第二学年课程数据提取模块130,用于从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;第一语义编码模块140,用于分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;第二语义编码模块150,用于分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;语义交互融合模块160,用于对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及,学习状态分析模块170,用于基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常。
在一种可能的实现方式中,所述第一语义编码模块140,包括:第一分词处理单元,用于对所述第一学年成绩报告的多组课程数据进行分词处理以将所述第一学年成绩报告的多组课程数据转化为由多个词组成的第一学年词序列;第一嵌入编码单元,用于使用所述第一学年成绩报告语义编码器的嵌入层将所述第一学年词序列中各个第一学年词映射到词向量以获得第一学年词向量的序列;以及,第一上下文语义编码单元,用于使用所述第一学年成绩报告语义编码器对所述第一学年词向量的序列进行基于全局的上下文语义编码以获得所述第一学年课程数据语义编码特征向量的序列。
这里,本领域技术人员可以理解,上述用于智慧校园的数据处理***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于智慧校园的数据处理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的用于智慧校园的数据处理***100可以实现在各种无线终端中,例如具有用于智慧校园的数据处理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的用于智慧校园的数据处理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该用于智慧校园的数据处理***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该用于智慧校园的数据处理***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该用于智慧校园的数据处理***100与该无线终端也可以是分立的设备,并且该用于智慧校园的数据处理***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本申请的实施例的用于智慧校园的数据处理方法的应用场景图。如图6所示,在该应用场景中,首先,获取被分析学生对象的第一学年成绩报告(例如,图6中所示意的D1)和第二学年成绩报告(例如,图6中所示意的D2),然后,将所述第一学年成绩报告和所述第二学年成绩报告输入至部署有用于智慧校园的数据处理算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述用于智慧校园的数据处理算法对所述第一学年成绩报告和所述第二学年成绩报告进行处理以得到用于表示被分析学生对象的学习状态是否正常的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种用于智慧校园的数据处理方法,其特征在于,包括:
获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;
从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;
分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;
对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及
基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常;
其中,对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征,包括:
将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征;
其中,将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征,包括:
以如下相关度计算公式来计算所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量之间的相关度,其中,所述相关度计算公式为:
,
其中, 表示所述第一学年课程数据语义编码特征向量的序列中第/>个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中第/>个第二学年课程数据语义编码特征向量之间的相关度,/>表示所述第一学年课程数据语义编码特征向量的序列中第/>个第一学年课程数据语义编码特征向量,且/>表示第二学年课程数据语义编码特征向量的序列中第/>个第二学年课程数据语义编码特征向量,/>表示转置操作;
基于所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量之间的相关度以及所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量,对所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量进行交互式更新以得到更新第一学年课程数据语义编码特征向量的序列;
基于所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量与所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量之间的相关度以及所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量,对所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量进行交互式更新以得到更新第二学年课程数据语义编码特征向量的序列;
融合所述第一学年课程数据语义编码特征向量的序列和所述更新第一学年课程数据语义编码特征向量的序列以得到交互融合第一学年课程数据语义编码特征向量的序列;
融合所述第二学年课程数据语义编码特征向量的序列和所述更新第二学年课程数据语义编码特征向量的序列以得到交互融合第二学年课程数据语义编码特征向量的序列;以及
将所述交互融合第一学年课程数据语义编码特征向量的序列和所述交互融合第二学年课程数据语义编码特征向量的序列进行拼接以得到所述第一学年-第二学年课程学习语义交互特征向量。
2.根据权利要求1所述的用于智慧校园的数据处理方法,其特征在于,分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列,包括:
对所述第一学年成绩报告的多组课程数据进行分词处理以将所述第一学年成绩报告的多组课程数据转化为由多个词组成的第一学年词序列;
使用所述第一学年成绩报告语义编码器的嵌入层将所述第一学年词序列中各个第一学年词映射到词向量以获得第一学年词向量的序列;以及
使用所述第一学年成绩报告语义编码器对所述第一学年词向量的序列进行基于全局的上下文语义编码以获得所述第一学年课程数据语义编码特征向量的序列。
3.根据权利要求2所述的用于智慧校园的数据处理方法,其特征在于,分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列,包括:
对所述第二学年成绩报告的多组课程数据进行分词处理以将所述第二学年成绩报告的多组课程数据转化为由多个词组成的第二学年词序列;
使用所述第二学年成绩报告语义编码器的嵌入层将所述第二学年词序列中各个第二学年词映射到词向量以获得第二学年词向量的序列;以及
使用所述第二学年成绩报告语义编码器对所述第二学年词向量的序列进行基于全局的上下文语义编码以获得所述第二学年课程数据语义编码特征向量的序列。
4.根据权利要求3所述的用于智慧校园的数据处理方法,其特征在于,基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常,包括:
将所述第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类结果,所述分类结果用于表示被分析学生对象的学习状态是否正常。
5.根据权利要求4所述的用于智慧校园的数据处理方法,其特征在于,还包括训练步骤:用于对所述第一学年成绩报告语义编码器、所述第二学年成绩报告语义编码器、所述特征序列交互模块和所述分类器进行训练。
6.根据权利要求5所述的用于智慧校园的数据处理方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括被分析学生对象的训练第一学年成绩报告和训练第二学年成绩报告,以及,所述被分析学生对象的学习状态是否正常的真实值;
从所述训练第一学年成绩报告提取多组训练课程数据,其中,所述训练课程数据包括训练课程名称、训练课程内容描述和训练课程成绩;
从所述训练第二学年成绩报告提取多组训练课程数据,其中,所述训练课程数据包括训练课程名称、训练课程内容描述和训练课程成绩;
分别对所述训练第一学年成绩报告的多组训练课程数据进行语义编码以得到训练第一学年课程数据语义编码特征向量的序列;
分别对所述训练第二学年成绩报告的多组训练课程数据进行语义编码以得到训练第二学年课程数据语义编码特征向量的序列;
将所述训练第一学年课程数据语义编码特征向量的序列和所述训练第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到训练第一学年-第二学年课程学习语义交互特征向量;
对所述训练第一学年-第二学年课程学习语义交互特征向量进行优化以得到优化训练第一学年-第二学年课程学习语义交互特征向量;
将所述优化训练第一学年-第二学年课程学习语义交互特征向量通过分类器以得到分类损失函数值;以及
基于所述分类损失函数值对所述第一学年成绩报告语义编码器、所述第二学年成绩报告语义编码器、所述特征序列交互模块和所述分类器进行训练。
7.一种用于智慧校园的数据处理***,其特征在于,包括:
成绩报告获取模块,用于获取被分析学生对象的第一学年成绩报告和第二学年成绩报告;
第一学年课程数据提取模块,用于从所述第一学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
第二学年课程数据提取模块,用于从所述第二学年成绩报告提取多组课程数据,其中,所述课程数据包括课程名称、课程内容描述和课程成绩;
第一语义编码模块,用于分别对所述第一学年成绩报告的多组课程数据进行语义编码以得到第一学年课程数据语义编码特征向量的序列;
第二语义编码模块,用于分别对所述第二学年成绩报告的多组课程数据进行语义编码以得到第二学年课程数据语义编码特征向量的序列;
语义交互融合模块,用于对所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列进行特征序列语义交互融合以得到第一学年-第二学年课程学习语义交互特征;以及
学习状态分析模块,用于基于所述第一学年-第二学年课程学习语义交互特征,确定被分析学生对象的学习状态是否正常;
其中,所述语义交互融合模块,包括:
将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征;
其中,将所述第一学年课程数据语义编码特征向量的序列和所述第二学年课程数据语义编码特征向量的序列通过特征序列交互模块以得到第一学年-第二学年课程学习语义交互特征向量作为所述第一学年-第二学年课程学习语义交互特征,包括:
以如下相关度计算公式来计算所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量之间的相关度,其中,所述相关度计算公式为:
,
其中, 表示所述第一学年课程数据语义编码特征向量的序列中第/>个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中第/>个第二学年课程数据语义编码特征向量之间的相关度,/>表示所述第一学年课程数据语义编码特征向量的序列中第/>个第一学年课程数据语义编码特征向量,且/>表示第二学年课程数据语义编码特征向量的序列中第/>个第二学年课程数据语义编码特征向量,/>表示转置操作;
基于所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量与所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量之间的相关度以及所述第二学年课程数据语义编码特征向量的序列中所有第二学年课程数据语义编码特征向量,对所述第一学年课程数据语义编码特征向量的序列中各个第一学年课程数据语义编码特征向量进行交互式更新以得到更新第一学年课程数据语义编码特征向量的序列;
基于所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量与所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量之间的相关度以及所述第一学年课程数据语义编码特征向量的序列中所有第一学年课程数据语义编码特征向量,对所述第二学年课程数据语义编码特征向量的序列中各个第二学年课程数据语义编码特征向量进行交互式更新以得到更新第二学年课程数据语义编码特征向量的序列;
融合所述第一学年课程数据语义编码特征向量的序列和所述更新第一学年课程数据语义编码特征向量的序列以得到交互融合第一学年课程数据语义编码特征向量的序列;
融合所述第二学年课程数据语义编码特征向量的序列和所述更新第二学年课程数据语义编码特征向量的序列以得到交互融合第二学年课程数据语义编码特征向量的序列;以及
将所述交互融合第一学年课程数据语义编码特征向量的序列和所述交互融合第二学年课程数据语义编码特征向量的序列进行拼接以得到所述第一学年-第二学年课程学习语义交互特征向量。
8.根据权利要求7所述的用于智慧校园的数据处理***,其特征在于,所述第一语义编码模块,包括:
第一分词处理单元,用于对所述第一学年成绩报告的多组课程数据进行分词处理以将所述第一学年成绩报告的多组课程数据转化为由多个词组成的第一学年词序列;
第一嵌入编码单元,用于使用所述第一学年成绩报告语义编码器的嵌入层将所述第一学年词序列中各个第一学年词映射到词向量以获得第一学年词向量的序列;以及
第一上下文语义编码单元,用于使用所述第一学年成绩报告语义编码器对所述第一学年词向量的序列进行基于全局的上下文语义编码以获得所述第一学年课程数据语义编码特征向量的序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311446477.8A CN117493566B (zh) | 2023-11-02 | 2023-11-02 | 用于智慧校园的数据处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311446477.8A CN117493566B (zh) | 2023-11-02 | 2023-11-02 | 用于智慧校园的数据处理***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493566A CN117493566A (zh) | 2024-02-02 |
CN117493566B true CN117493566B (zh) | 2024-05-24 |
Family
ID=89682165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311446477.8A Active CN117493566B (zh) | 2023-11-02 | 2023-11-02 | 用于智慧校园的数据处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493566B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228779A (zh) * | 2017-12-28 | 2018-06-29 | 华中师范大学 | 一种基于学习社区对话流的成绩预测方法 |
CN110033659A (zh) * | 2019-04-26 | 2019-07-19 | 北京大米科技有限公司 | 一种远程教学互动方法、服务器、终端以及*** |
CN110363691A (zh) * | 2019-07-04 | 2019-10-22 | 科谊达(北京)智能科技有限公司 | 一种智慧校园的家校共育*** |
CN113920357A (zh) * | 2021-09-18 | 2022-01-11 | 广东职业技术学院 | 一种学生综合成绩的多标签预测方法及*** |
CN114863341A (zh) * | 2022-05-17 | 2022-08-05 | 济南大学 | 一种在线课程学习监督方法及*** |
CN116306785A (zh) * | 2023-03-25 | 2023-06-23 | 昆明理工大学 | 一种基于注意力机制的卷积长短期网络的学生成绩预测方法 |
WO2023124647A1 (zh) * | 2021-12-30 | 2023-07-06 | 安徽听见科技有限公司 | 一种纪要确定方法及其相关设备 |
CN116415581A (zh) * | 2023-04-21 | 2023-07-11 | 浙江晓扬科技有限公司 | 一种基于智慧教育的教学数据分析*** |
CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学***及教学方法 |
CN116720098A (zh) * | 2023-03-26 | 2023-09-08 | 北京工业大学 | 一种异常行为敏感的学生行为时序建模及学业预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015164472A1 (en) * | 2014-04-23 | 2015-10-29 | President And Fellows Of Harvard College | Method and apparatus enabling a case-study approach to online learning |
-
2023
- 2023-11-02 CN CN202311446477.8A patent/CN117493566B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228779A (zh) * | 2017-12-28 | 2018-06-29 | 华中师范大学 | 一种基于学习社区对话流的成绩预测方法 |
CN110033659A (zh) * | 2019-04-26 | 2019-07-19 | 北京大米科技有限公司 | 一种远程教学互动方法、服务器、终端以及*** |
CN110363691A (zh) * | 2019-07-04 | 2019-10-22 | 科谊达(北京)智能科技有限公司 | 一种智慧校园的家校共育*** |
CN113920357A (zh) * | 2021-09-18 | 2022-01-11 | 广东职业技术学院 | 一种学生综合成绩的多标签预测方法及*** |
WO2023124647A1 (zh) * | 2021-12-30 | 2023-07-06 | 安徽听见科技有限公司 | 一种纪要确定方法及其相关设备 |
CN114863341A (zh) * | 2022-05-17 | 2022-08-05 | 济南大学 | 一种在线课程学习监督方法及*** |
CN116306785A (zh) * | 2023-03-25 | 2023-06-23 | 昆明理工大学 | 一种基于注意力机制的卷积长短期网络的学生成绩预测方法 |
CN116720098A (zh) * | 2023-03-26 | 2023-09-08 | 北京工业大学 | 一种异常行为敏感的学生行为时序建模及学业预警方法 |
CN116415581A (zh) * | 2023-04-21 | 2023-07-11 | 浙江晓扬科技有限公司 | 一种基于智慧教育的教学数据分析*** |
CN116596347A (zh) * | 2023-07-17 | 2023-08-15 | 泰山职业技术学院 | 基于云平台的多学科交互教学***及教学方法 |
Non-Patent Citations (1)
Title |
---|
基于多源数据分析的课程成绩预测与课程预警研究;宋丹;刘洞波;丰霞;;高等工程教育研究;20200128(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493566A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
CN112765358B (zh) | 一种基于噪声标签学习的纳税人行业分类方法 | |
CN110334705B (zh) | 一种结合全局和局部信息的场景文本图像的语种识别方法 | |
CN111694924B (zh) | 一种事件抽取方法和*** | |
CN109492099B (zh) | 一种基于领域对抗自适应的跨领域文本情感分类方法 | |
CN111368886B (zh) | 一种基于样本筛选的无标注车辆图片分类方法 | |
CN113656570B (zh) | 基于深度学习模型的视觉问答方法及装置、介质、设备 | |
CN111444340A (zh) | 文本分类和推荐方法、装置、设备及存储介质 | |
CN111737552A (zh) | 训练信息抽取模型和获取知识图谱的方法、装置和设备 | |
CN114298158A (zh) | 一种基于图文线性组合的多模态预训练方法 | |
CN104966105A (zh) | 一种鲁棒机器错误检索方法与*** | |
CN109948735A (zh) | 一种多标签分类方法、***、装置及存储介质 | |
CN115761900B (zh) | 用于实训基地管理的物联网云平台 | |
CN116415581A (zh) | 一种基于智慧教育的教学数据分析*** | |
CN115526236A (zh) | 一种基于多模态对比学习的文本网络图分类方法 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN117171413B (zh) | 用于数字藏品管理的数据处理***及其方法 | |
CN113705159A (zh) | 商户名称的标注方法、装置、设备及存储介质 | |
CN117493566B (zh) | 用于智慧校园的数据处理***及方法 | |
CN117058394A (zh) | 一种零样本语义分割方法 | |
CN113919567A (zh) | 一种结合知识追踪和序列标注模型的试卷成绩预测方法 | |
CN110427973B (zh) | 一种面向歧义标注样本的分类方法 | |
CN113886602A (zh) | 一种基于多粒度认知的领域知识库实体识别方法 | |
CN114564942A (zh) | 一种用于监管领域的文本纠错方法、存储介质和装置 | |
CN117218396B (zh) | 基于大模型的视觉样本数据自动标注方法及*** |
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 |