[發(fā)明專(zhuān)利]法考客觀(guān)題成績(jī)預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210528593.3
• 申請(qǐng)日: 2022-05-16
• 公開(kāi)（公告）號(hào): CN114742319A
• 公開(kāi)（公告）日: 2022-07-12
• 發(fā)明（設(shè)計(jì)）人: 陳旭陽(yáng);楊旭川;劉琛;顧頏
• 申請(qǐng)（專(zhuān)利權(quán)）人: 重慶覺(jué)曉科技有限公司
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06N3/04;G06N3/06;G06N3/08;G06Q50/20
• 代理公司: 北京酷愛(ài)智慧知識(shí)產(chǎn)權(quán)代理有限公司 11514
• 代理人: 袁克來(lái)

本發(fā)明公開(kāi)了法考客觀(guān)題成績(jī)預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，方法包括：獲取前a年內(nèi)預(yù)設(shè)m個(gè)學(xué)員的考試分?jǐn)?shù)，對(duì)考試分?jǐn)?shù)進(jìn)行預(yù)處理，獲得m個(gè)分?jǐn)?shù)標(biāo)簽向量L，其中，a、m均為正整數(shù)；獲取每個(gè)學(xué)員每個(gè)知識(shí)點(diǎn)的平均正確率、每個(gè)科目的聽(tīng)課總時(shí)長(zhǎng)和做題總量，進(jìn)行歸一化處理，獲得m個(gè)學(xué)習(xí)特征向量F；根據(jù)分?jǐn)?shù)標(biāo)簽向量L和學(xué)習(xí)特征向量F構(gòu)造考試成績(jī)訓(xùn)練樣本；利用考試成績(jī)訓(xùn)練樣本進(jìn)行訓(xùn)練，獲得考試成績(jī)預(yù)測(cè)模型，考試成績(jī)預(yù)測(cè)模型為脈沖MLP模型，其前向傳播采用LIF神經(jīng)元，反向傳播采用sigmoid神經(jīng)元；獲取當(dāng)前學(xué)員每個(gè)知識(shí)點(diǎn)的平均正確率、每個(gè)科目的聽(tīng)課總時(shí)長(zhǎng)和做題總量，基于考試成績(jī)預(yù)測(cè)模型預(yù)測(cè)當(dāng)前學(xué)員的考試成績(jī)。

技術(shù)領(lǐng)域

本發(fā)明涉及在線(xiàn)教育技術(shù)領(lǐng)域，具體涉及一種法考客觀(guān)題成績(jī)預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)

目前，現(xiàn)有的法考客觀(guān)題成績(jī)預(yù)測(cè)方法主要有以下幾種：

第一種：采用統(tǒng)計(jì)學(xué)習(xí)方法，構(gòu)建回歸模型，進(jìn)行分?jǐn)?shù)擬合預(yù)測(cè)。例如通過(guò)提取學(xué)生的課堂專(zhuān)注度、出勤率、在線(xiàn)學(xué)習(xí)時(shí)長(zhǎng)、試卷難易度評(píng)分四個(gè)特征構(gòu)建二階響應(yīng)曲面模型進(jìn)行分?jǐn)?shù)預(yù)測(cè)。此類(lèi)方法較為簡(jiǎn)單，由于特征粒度比較粗，預(yù)測(cè)準(zhǔn)確率較低，均方誤差較高。

第二種：采用深度學(xué)習(xí)的方法，在已知考試試題的條件下，預(yù)測(cè)學(xué)員做當(dāng)前考試試題能得多少分，但是目前每年的法考，學(xué)員是不可能提前已知考試試題的，所以這種方法的使用局限性較大。如果用在未知考試試題的情況下，預(yù)測(cè)學(xué)員的分?jǐn)?shù)，則會(huì)有計(jì)算量大的缺點(diǎn)。

第三種：采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)結(jié)合的方法，例如基于PCANet-BiGRU的成績(jī)預(yù)測(cè)方法、處理器、可讀存儲(chǔ)介質(zhì)及計(jì)算機(jī)設(shè)備，該方法采用PCANet進(jìn)行特征提取，并且將特征輸入到深度學(xué)習(xí)模型BiGRU中進(jìn)行預(yù)測(cè)，此類(lèi)方法最大的缺點(diǎn)為計(jì)算量大，耗時(shí)長(zhǎng)，響應(yīng)時(shí)間長(zhǎng)。

綜上，現(xiàn)在亟需一種法考客觀(guān)題成績(jī)預(yù)測(cè)方法，用于在未知考試試題的條件下，預(yù)測(cè)學(xué)員的考試成績(jī)，并且在保證準(zhǔn)確率的情況下，降低計(jì)算量和能耗，提高響應(yīng)速度。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的技術(shù)缺陷，本發(fā)明實(shí)施例的目的在于提供一種法考客觀(guān)題成績(jī)預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)，解決在未知法考客觀(guān)題試題的條件下，如何準(zhǔn)確預(yù)測(cè)學(xué)員參加客觀(guān)題考試的成績(jī)。

為實(shí)現(xiàn)上述目的，第一方面，本發(fā)明實(shí)施例提供了一種法考客觀(guān)題成績(jī)預(yù)測(cè)方法，包括：

獲取前a年內(nèi)預(yù)設(shè)m個(gè)學(xué)員的考試分?jǐn)?shù)，對(duì)考試分?jǐn)?shù)進(jìn)行預(yù)處理，獲得m個(gè)分?jǐn)?shù)標(biāo)簽向量L，其中，a、m均為正整數(shù)；

獲取每個(gè)所述學(xué)員每個(gè)知識(shí)點(diǎn)的平均正確率、每個(gè)科目的聽(tīng)課總時(shí)長(zhǎng)和做題總量，進(jìn)行歸一化處理，獲得m個(gè)學(xué)習(xí)特征向量F；

根據(jù)所述分?jǐn)?shù)標(biāo)簽向量L和學(xué)習(xí)特征向量F構(gòu)造考試成績(jī)訓(xùn)練樣本；

利用所述考試成績(jī)訓(xùn)練樣本進(jìn)行訓(xùn)練，獲得考試成績(jī)預(yù)測(cè)模型，所述考試成績(jī)預(yù)測(cè)模型為脈沖MLP模型，其前向傳播采用LIF神經(jīng)元，反向傳播采用sigmoid神經(jīng)元；

獲取當(dāng)前學(xué)員每個(gè)知識(shí)點(diǎn)的平均正確率、每個(gè)科目的聽(tīng)課總時(shí)長(zhǎng)和做題總量，進(jìn)行歸一化處理后，基于所述考試成績(jī)預(yù)測(cè)模型預(yù)測(cè)所述當(dāng)前學(xué)員的考試成績(jī)。

可選的，所述對(duì)考試分?jǐn)?shù)進(jìn)行預(yù)處理包括：

按照預(yù)設(shè)分?jǐn)?shù)段對(duì)考試分?jǐn)?shù)打上標(biāo)簽；

將對(duì)應(yīng)的標(biāo)簽值采用one-hot編碼，獲得分?jǐn)?shù)標(biāo)簽向量L。

可選的，所述按照預(yù)設(shè)分?jǐn)?shù)段對(duì)考試分?jǐn)?shù)打上標(biāo)簽，包括：

將分?jǐn)?shù)段劃分為[0-M₁)、[M₁-M₂)、……、[M_N-1-M_N)、[M_N-∞)共N+1段；