[發明專利]一種基于深度學習的學生學業預警方法及系統

在審

• 申請號: 202110665229.7
• 申請日: 2021-06-16
• 公開（公告）號: CN113537565A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳榮征;李浩能
• 申請（專利權）人: 廣東職業技術學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 葉潔勇

1.一種基于深度學習的學生學業預警方法，其特征在于，所述方法包括以下步驟：

獲取學生在第一學習時段的第一學業數據，將所述第一學業數據輸入第一預測模型，得到該學生的第一學業預測結果；所述第一學業預測結果包括第二時刻對應的預測等級以及所述預測等級對應的第一發生概率，所述第二時刻在第一學習時段之后；

獲取學生在第二學習時段的第二行為記錄數據，將所述第二行為記錄數據輸入第二預測模型，得到該學生的第二學業預測結果；所述第二學業預測結果包括第二時刻對應的預測等級以及所述預測等級對應的第二發生概率，所述第二學習時段為從所述第一學習時段結束到第二時刻之前的學習時段；

根據所述第一學業預測結果和所述第二學業預測結果得到該學生的綜合預測結果；所述綜合預測結果包括第二時刻對應的預測等級以及所述預測等級對應的綜合發生概率；

當確定該學生的綜合預測結果達到預設的預警條件時，針對該學生進行學業預警。

2.根據權利要求1所述的一種基于深度學習的學生學業預警方法，其特征在于，所述第一預測模型為預先訓練好的神經網絡模型，第一預測模型通過第一樣本訓練得到，所述第一樣本的輸入數據為：同專業歷年學生在第一學習時段的學業數據；所述第一樣本的輸出結果為：同專業歷年學生在第二時刻的實際學業結果；

所述第二預測模型為預先訓練好的神經網絡模型，第二預測模型通過第二樣本訓練得到，所述第二樣本的輸入數據為：同專業歷年學生在第一學習時段的第二行為記錄數據；輸出結果為：同專業歷年學生在第二時刻的實際學業結果。

3.根據權利要求2所述的一種基于深度學習的學生學業預警方法，其特征在于，所述根據所述第一學業預測結果和所述第二學業預測結果得到該學生的綜合預測結果，包括：

獲取第一樣本預測結果和第二樣本預測結果；其中，所述第一樣本預測結果包括至少一個預測等級以及各個預測等級對應的第一發生概率，所述第二樣本預測結果包括與第一樣本預測結果相同的預測等級以及各個預測等級對應的第二發生概率；

將各個預測等級對應的第一發生概率賦予第一權重，將各個預測等級對應的第二發生概率賦予第二權重；

賦予第一權重的第一發生概率和賦予第二權重的第二發生概率累加，得到各個預測等級對應的綜合發生概率，將綜合發生概率最高的預測等級作為該學生的綜合預測結果。

4.根據權利要求3所述的一種基于深度學習的學生學業預警方法，其特征在于，所述將各個預測等級對應的第一發生概率賦予第一權重，將各個預測等級對應的第二發生概率賦予第二權重，包括：

確定第一模型準確率和第二模型準確率；其中，所述第一模型準確率用于表征所述第一預測模型處理所述第一樣本的準確率，所述第二模型準確率用于表征所述第二預測模型處理所述第二樣本的準確率；

在所述第一模型準確率和/或第二模型準確率小于模型閾值的情況下，調整各個預測等級對應的第一權重和第二權重；

根據所述第一樣本重新訓練調整第一權重后的第一預測模型和調整第二權重后的第二預測模型，分別得到第一樣本預測結果和第二樣本預測結果；

將第一樣本預測結果和第二樣本預測結果累加，得到綜合預測結果；

若所述綜合預測結果的準確率大于或等于預測閾值，則將當前的第一權重和第二權重確定為最終的第一權重和第二權重。

5.根據權利要求4所述的一種基于深度學習的學生學業預警方法，其特征在于，所述確定第一模型準確率和第二模型準確率，包括：

通過將第一樣本的輸入數據輸入第一預測模型得到第一樣本預測結果，根據第一樣本預測結果和實際學業結果確定第一模型準確率；

通過將第二樣本的輸入數據輸入第二預測模型得到第二樣本預測結果，根據第二樣本預測結果和實際學業結果確定第二模型準確率。

6.根據權利要求4所述的一種基于深度學習的學生學業預警方法，其特征在于，所述當確定該學生的綜合預測結果達到預設的預警條件時，針對該學生進行學業預警，包括：

判斷綜合預測結果中預測等級為不合格的發生概率是否超過設定的概率閾值，若是，則根據所述綜合預測結果生成該學生的學業預警報告，所述學業預警報告包括該學生的第一學業數據、第二行為記錄數據、以及該學生的個人信息。