[發明專利]一種基于校園大數據的學生成績預測方法

在審

• 申請號: 202010036203.1
• 申請日: 2020-01-14
• 公開（公告）號: CN111260514A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 楊宗凱;劉三女牙;趙亮;朱曉亮;孫建文;劉智
• 申請（專利權）人: 華中師范大學
• 主分類號: G06Q50/20
• 分類號: G06Q50/20;G06Q10/04;G06Q10/06;G06F16/2458;G06F16/28;G06F17/18;G06N20/00
• 代理公司: 武漢天力專利事務所 42208
• 代理人: 吳曉穎

1.一種基于校園大數據的學生成績預測方法，其特征在于該方法包括以下步驟：

(1)數據融合；

以學習者為中心，開展動態的、無侵入式的學生多維行為數據采集，實現線上線下、課內課外校園大數據的匯聚與融合；

(2)特征計算；

綜合利用線性分析、深度學習和非線性分析技術，從行為變化、勤奮度和行為非線性三個角度對學生行為特征進行量化與計算，構建系統的多維行為特征體系；

(3)成績預測；

在特征選擇的基礎上，構建預測模型，對學生成績進行預測，對高掛科風險學生提供反饋和預警。

2.根據權利要求1所述的一種基于校園大數據的學生成績預測方法，其特征在于步驟(1)所述的數據融合的具體過程如下：

(1-1)數據匯聚與預處理:首先，收集智慧校園環境下以SPOC為代表的線上學習行為數據和以一卡通和WiFi為代表的線下生活行為數據，實現學生線上線下、課內課外校園大數據的匯聚；其次，執行對數據的清洗、加密、和入庫操作；

(1-2)構建時間序列模型：基于SPOC Log日志、一卡通和WiFi數據，構建學生多維行為的時間序列模型；首先，理清多維行為關鍵字段間的對應關系，建立按時間排布的學生行為序列集，實現多維行為的匯聚與融合；其次，把每個學生的每種行為按周次進行初步統計，生成按周統計的行為序列；最后，設置長度為10分鐘的時間窗口，把每個學生同一時間窗口內的同一種行為數據進行合并，生成多維行為序列。

3.根據權利要求1所述的一種基于校園大數據的學生成績預測方法，其特征在于步驟(2)所述的特征計算的具體過程如下：

(2-1)分別借助線性回歸和長短期記憶模型對學生行為的變化進行度量；

(2-1-1)借助線性回歸，計算行為的斜率、拐點以及殘差平方和，對一段時間內學生行為的線性變化進行度量；其中，斜率的值表征學生行為改變的方向和強度：斜率的絕對值越大表征學生行為變化越快，斜率的正負表征行為改變的方向；拐點是學生行為的斷點，表征學生行為方式發生改變的時間，在斷點之前和之后，學生的行為方式有所不同；殘差平方和表征學生行為的線性擬合度：殘差平方和越大，學生行為的線性擬合度越差；

(2-1-2)借助LSTM，提取學生行為的時間序列特征；LSTM所提取的特征無量綱，反應了行為特征與時序之間的關系，即：學生行為隨時間的動態變化過程；

(2-2)計算勤奮度指標，對學生學習的努力程度進行度量，指標包括：進圖書館次數、圖書借閱次數、出勤率、學習時長；

(2-3)計算行為非線性指標，對學生多維行為的非線性特征進行度量，指標包括：熵、復雜度、李氏指數、Hurst指數和DFA指數，分別表征了學生行為的規律性/多樣性、復雜程度、穩定性、可預測性和長程相關性，這五個指標，從不同角度衡量了學生行為的非線性特征：熵值越大，表征學生行為的規律性越差、不確定性越高即多樣性越好；復雜度越大，表征學生行為的復雜程度越高；李氏指數越大，表征學生行為的穩定性越差；在Hurst指數大于0.5時，其數值越大，表征學生行為的可預測性越好；DFA指數越大，表征學生行為的長程相關性越顯著。

4.根據權利要求1所述的一種基于校園大數據的學生成績預測方法，其特征在于步驟(3)所述的成績預測的具體過程如下：

(3-1)在對行為特征進行預處理的基礎上，通過特征選擇，提取對學生成績影響顯著的特征集；

(3-2)基于機器學習算法構建分類模型，對學習成績進行預測，并借助交叉驗證，檢驗預測模型的性能；

(3-3)基于所預測的成績,對高掛科風險學生群體提供反饋和預警。