一种细粒度学习性能预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种细粒度学习性能预测方法、装置、设备及介质，方法包括：获取学习者对在线课程的学习特征记录；根据所述学习特征记录构建多模态融合学习特征矩阵；根据跨步范围获取临近元素；根据皮氏距离筛选相似动态特征；根据所述临近元素和所述相似动态特征，获取联合元素；将所述联合元素进行细粒度学习性能预测，得到预测结果。本发明专利技术实现了更为细粒度的过程成绩预测，能够及时地为学生或其他用户提供积极可行的反馈。实现学习者个体学习情况在不同阶段过程的及时有效获取，有助于提升在线学习环境中的学生的学习参与度与效能效果，可广泛应用于人工智能技术领域。

【技术实现步骤摘要】
一种细粒度学习性能预测方法、装置、设备及介质
本专利技术涉及人工智能
，尤其是一种细粒度学习性能预测方法、装置、设备及介质。
技术介绍
随着各类在线平台上的学习者、资源和服务的显著增加，教育数据驱动下的学习性能预测已成为当下AI教育领域中最主要的应用之一。其中，通过在学习发生之前，根据现有数据记录内隐特征，以预测学习者的学习绩效，是实现教学的重要前提。因此，寻求一种能够通过各学习特征实现学习性能预测方法(支撑进一步智能服务开展)成为智能学习中效能效果优化的主要趋势与方向。而针对预测目标的差异，可分为最终成绩预测与过程成绩预测两方面。就目前大多数研究主要关注于预测学生的最终成绩，反映在具体的绩效指标上包括课程成绩预测(PerformancePrediction)、风险学生识别(At-RiskStudentPrediction)等。但目前有许多研究表明，为学习者在学习过程中提供形成性评价将更有利于学习效果的提升，因为形成性评价实现了更为细粒度的过程成绩预测，这种预测贯穿整个在线课程过程，能够及时地为学生或其他用户提供积极可行的反馈。目前针对细粒度学习性能预测研究仍较少，由于该任务涉及了变长的输入特征与长序列生成，传统方法或者无法完成该任务，或者整体精度不高。
技术实现思路
有鉴于此，本专利技术实施例提供一种精度高的细粒度学习性能预测方法、装置、设备及介质，以实现学习者个体学习情况在不同阶段过程的及时有效获取。本专利技术的一方面提供了一种细粒度学习性能预测方法，包括：>获取学习者对在线课程的学习特征记录；根据所述学习特征记录构建多模态融合学习特征矩阵；根据跨步范围获取临近元素；根据皮氏距离确定相似动态特征；根据所述临近元素和所述相似动态特征，获取联合元素；将所述联合元素进行细粒度学习性能预测，确定预测结果。优选地，所述获取学习者对在线课程的学习特征记录，包括：获取学习者的静态学习特征，所述静态学习特征包括学习者的学号、年龄、性别和学习期望；获取学习者的动态学习特征，所述动态学习特征包括学习者的参与度、活跃度、学习情感、内容相关度和持续时长；获取学习者的细粒度学习绩效，所述细粒度学习绩效包括学习者在每一节课程后的学习成绩。优选地，所述根据跨步范围获取临近元素，包括：从所述动态学习特征中确定待预测目标特征；根据所述待预测目标特征，确定第一特征的静态特征；所述第一特征为所述待预测目标特征的临近特征；确定一个阈值作为相邻特征的候选基，并根据所述候选基确定跨步特征捕捉范围；根据所述跨步特征捕捉范围，确定临近元素。优选地，所述根据皮氏距离确定相似动态特征，包括：根据所述静态学习特征，确定学习者类型；根据所述学习者类型以及已学课程数据，计算所述学习者的学习特征相似度；根据所述学习特征相似度，确定相似动态特征。优选地，所述根据所述临近元素和所述相似动态特征，获取联合元素，包括:根据所述临近元素和所述相似动态特征，确定联合特征存储块；根据所述联合特征存储块，确定第一阈值和第二阈值；所述第一阈值与所述第二阈值用于实现不同的特征选择方法；根据所述第一阈值与所述第二阈值确定的特征选择方法，确定联合元素。优选地，所述方法还包括：根据所述第一阈值和所述第二阈值确定特征选择方法，该步骤包括以下之一：当所述第一阈值大于第一数值和所述第二阈值等于第二数值时，确定所述特征选择为临近特征选择方法；当所述第一阈值大于等于第三数值且所述第二阈值小于等于第四数值时，确定所述特征选择为基于相似度的特征选择方法；当所述第一阈值大于第五数值且所述第二阈值小于等于第六数值时，确定所述特征选择为联合特征选择方法。其中，所述第一数值和第五数值由所述学习特征矩阵中的候选特征总数与每行特征数量控制，代表了特征选择范围。优选地，所述将所述联合元素进行细粒度学习性能预测，确定预测结果，包括：根据模型输入的离散特征的值以及所述离散特征在所述学习特征矩阵中的位置信息，对所述离散特征进行特征嵌入和位置嵌入；根据掩码多状态注意力，确定特征捕获；根据层级联合，确定细粒度学习性能预测的初始结果；对所述初始结果进行转化与更新，确定目标预测结果。另一方面，本专利技术还公开了一种细粒度学习性能预测装置，该装置包括运行以下模块：第一获取模块：用于获取学习者对在线课程的学习特征记录；构建模块：用于根据所述学习特征记录构建多模态融合学习特征矩阵；第二获取模块：用于根据跨步范围获取临近元素；第三获取模块：用于根据皮氏距离确定相似动态特征；第四获取模块：用于根据所述临近元素和所述相似动态特征，获取联合元素；预测模块：用于将所述联合元素进行细粒度学习性能预测，确定预测结果。另一方面，本专利技术还公开了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如前面所述的方法。另一方面，本专利技术还公开了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：本专利技术实施例通过获取学习者对在线课程的学习特征记录和根据所述学习特征记录构建多模态融合学习特征矩阵，能实时对学习者学习课程进行细粒度评价，评价结果更为精确；另外，本专利技术实施例根据跨步范围获取临近元素；根据皮氏距离筛选相似动态特征；根据所述临近元素和所述相似动态特征，获取联合元素；能获得更为全面的特征选择范围，使预测结果更为精准；另外，本专利技术实施例将所述联合元素进行细粒度学习性能预测，得到预测结果；能实现学习者个体学习情况在不同阶段过程的及时有效获取，这些信息能够支撑学习干预措施的信息供给，有助于提升在线学习环境中的学生的学习参与度与效能效果。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例的流程图；图2为本专利技术实施例中多模态融合学习特征矩阵；图3为本专利技术实施例中细粒度学习性能预测模块的流程图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申本文档来自技高网...

【技术保护点】
1.一种细粒度学习性能预测方法，其特征在于，包括：/n获取学习者对在线课程的学习特征记录；/n根据所述学习特征记录构建多模态融合学习特征矩阵；/n根据跨步范围获取临近元素；/n根据皮氏距离确定相似动态特征；/n根据所述临近元素和所述相似动态特征，获取联合元素；/n将所述联合元素进行细粒度学习性能预测，确定预测结果。/n

【技术特征摘要】
1.一种细粒度学习性能预测方法，其特征在于，包括：
获取学习者对在线课程的学习特征记录；
根据所述学习特征记录构建多模态融合学习特征矩阵；
根据跨步范围获取临近元素；
根据皮氏距离确定相似动态特征；
根据所述临近元素和所述相似动态特征，获取联合元素；
将所述联合元素进行细粒度学习性能预测，确定预测结果。


2.根据权利要求1所述的一种细粒度学习性能预测方法，其特征在于，所述获取学习者对在线课程的学习特征记录，包括：
获取学习者的静态学习特征，所述静态学习特征包括学习者的学号、年龄、性别和学习期望；
获取学习者的动态学习特征，所述动态学习特征包括学习者的参与度、活跃度、学习情感、内容相关度和持续时长；
获取学习者的细粒度学习绩效，所述细粒度学习绩效包括学习者在每一节课程后的学习成绩。


3.根据权利要求2所述的一种细粒度学习性能预测方法，其特征在于，所述根据跨步范围获取临近元素，包括：
从所述动态学习特征中确定待预测目标特征；
根据所述待预测目标特征，确定第一特征的静态特征；所述第一特征为所述待预测目标特征的临近特征；
确定一个阈值作为相邻特征的候选基，并根据所述候选基确定跨步特征捕捉范围；
根据所述跨步特征捕捉范围，确定临近元素。


4.根据权利要求2所述的一种细粒度学习性能预测方法，其特征在于，所述根据皮氏距离确定相似动态特征，包括：
根据所述静态学习特征，确定学习者类型；
根据所述学习者类型以及已学课程数据，计算所述学习者的学习特征相似度；
根据所述学习特征相似度，确定相似动态特征。


5.根据权利要3或4任一项所述的细粒度学习性能预测方法，其特征在于，所述根据所述临近元素和所述相似动态特征，获取联合元素，包括:
根据所述临近元素和所述相似动态特征，确定联合特征存储块；
根据所述联合特征存储块，确定第一阈值和第二阈值；所述第一阈值与所述第二阈值用于实现不同的特征选择方法；
根据所述第一阈值与所述第二阈值确定的特征选择方法...

【专利技术属性】
技术研发人员：王希哲，黄昌勤，李明，黄琼浩，蒋凡，
申请(专利权)人：浙江师范大学，
类型：发明
国别省市：浙江;33