【技术实现步骤摘要】
本申请涉及数据分析，更具体地，涉及一种基于符号回归的在线学习效果分析方法、装置及设备。
技术介绍
1、随着互联网技术和多媒体工具的发展，在线学习已成为现代教育体系的重要组成部分。特别是在线练习系统，它通过提供多样化的题目和练习，为学生在虚拟环境中学习和应用知识提供了便捷的途径。这些系统不仅丰富了学习资源，还通过收集学习数据，使教育者能够监测学生的学习进度和理解程度。通过分析这些数据，教育者可以深入了解学生的认知模式和学习策略，从而为实施个性化教学策略提供支持。
2、现有技术中，一般采用afm(additive factor model)对学习效果进行分析，afm是一种精细化的学习分析模型，它通过将学习任务分解成不同的技能或知识点来分析学生的学习过程。该模型认为，学生在完成特定学习活动时的表现可以被视为其掌握相关知识和技能的直接反映。afm模型利用数学方程式来表示学生解决问题的能力，并假设学生的表现是他们掌握每个因素(即知识点或技能)的能力的累加结果。
3、但是，由于不同学科的学习需求和策略差异显著，现有技术中的这种方法可能在处理具有高度领域特定性的数据集时效果不佳的问题。且在个性化学习的应用中面临一定的局限性，尤其是在处理多样化和个性化的学习路径时。每个学生的学习历程是独一无二的，而afm模型的线性和加性假设可能无法充分捕捉个体间的细微差别，从而影响到模型在为每个学生设计个性化学习计划时的精确性和有效性。
技术实现思路
1、针对现有技术的至少一个缺陷或改进需
2、为实现上述目的，按照本专利技术的第一个方面，提供了一种基于符号回归的在线学习效果分析方法，包括：
3、基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集；
4、根据初始数据集对初始算子筛选器进行训练，得到目标算子筛选器；
5、基于学生在线真实学习数据和目标算子筛选器进行采样，得到函数算子集合；
6、对学生在线真实学习数据和函数算子集合进行分析，生成学生在线学习效果方程。
7、在一种可能的实现方式中，基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集，包括：
8、根据通用算子集合随机选择自变量与因变量之间的路径条数；
9、对每一条路径进行数据采样确定多个自变量、连接边和神经元输出；
10、根据自变量、连接边和神经元输出建立方程实例得到初始数据集。
11、在一种可能的实现方式中，每一条路径包含至少两层节点；对每一条路径进行数据采样确定多个自变量、连接边和神经元输出，包括：
12、随机选择每一层节点、自变量集合并生成节点连接边和自变量连接边；
13、将节点连接边和自变量连接边以第一预设范围进行均匀分布采样，并对自变量集合以第二预设范围进行均匀分布采样；
14、基于采样后的自变量集合、节点连接边和自变量连接边计算神经元输出。
15、在一种可能的实现方式中，根据初始数据集对初始算子筛选器进行训练，得到目标算子筛选器，包括：
16、将初始数据集输入至初始算子筛选器中进行特征编码得到学习特征；
17、将学习特征映射到算子存在的概率空间对算子的存在性进行预测；
18、当预测结果满足预设要求时，得到目标算子筛选器。
19、在一种可能的实现方式中，基于学生在线真实学习数据和目标算子筛选器进行采样，得到函数算子集合，包括：
20、将学生在线真实学习数据输入至目标算子筛选器，输出得到存在概率矩阵；
21、利用采样温度函数对存在概率矩阵进行温度化处理；
22、对温度化处理后的存在概率矩阵进行算子采样，得到函数算子集合。
23、在一种可能的实现方式中，采样温度函数为：
24、其中，pi是存在概率矩阵中的第i个元素，pj是存在概率矩阵中的第j个元素，t是采样温度。
25、在一种可能的实现方式中，对学生在线真实学习数据和函数算子集合进行分析，生成学生在线学习效果方程，包括：
26、利用多层前馈神经网络对学生在线真实学习数据和函数算子集合进行线性映射，得到线性输出；
27、利用多层前馈神经网络对线性输出进行非线性变换，得到学生在线学习效果方程。
28、按照本专利技术的第二个方面，还提供了一种基于符号回归的在线学习效果分析方法，包括：
29、数据准备模块，其被配置为基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集；
30、模型训练模块，其被配置为根据初始数据集对初始算子筛选器进行训练，得到目标算子筛选器；
31、算子采样模块，其被配置为基于学生在线真实学习数据和目标算子筛选器进行采样，得到函数算子集合；
32、数据分析模块，其被配置为对学生在线真实学习数据和函数算子集合进行分析，生成学生在线学习效果方程。
33、按照本专利技术的第三个方面，还提供了一种基于符号回归的在线学习效果分析设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项基于符号回归的在线学习效果分析方法的步骤。
34、按照本专利技术的第四个方面，还提供了一种存储介质，其存储有可由访问认证设备执行的计算机程序，当所述计算机程序在访问认证设备上运行时，使得所述访问认证设备执行上述任一项所述基于符号回归的在线学习效果分析方法的步骤。
35、总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
36、(1)本专利技术提供的一种基于符号回归描述学生学习过程的方法，通过通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集，以构建算子筛选器，并通过初始数据集对算子筛选器进行训练，之后进行算子采样确定函数算子集合，可以预先分析和识别出最有可能产生有意义的数学表达式对应的算子，通过预测算子的有效性而非随机搜索整个操作空间，从而捕捉个体间的细微差别，从而显著提升了搜索的效率和最终模型的性能，有利于提高为每个学生设计个性化学习计划时的精确性和有效性。
37、(2)采用本专利技术提供的一种基于符号回归描述学生学习过程的方法，还可以从数据中学习和发现描述学习者与知识点之间复杂关系的数学表达式，减少了对专家先验知识的依赖。数学表达式被视为神经网络的组成部分，其中每个神经元可以代表一个变量或操作符，而神经元之间的连接代表公式中的操作关系。这种方法不仅反本文档来自技高网...
【技术保护点】
1.一种基于符号回归的在线学习效果分析方法，其特征在于，包括：
2.如权利要求1所述的基于符号回归的在线学习效果分析方法，其特征在于，所述基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集，包括：
3.如权利要求2所述的基于符号回归的在线学习效果分析方法，其特征在于，每一条路径包含至少两层节点；所述对每一条路径进行数据采样确定多个自变量、连接边和神经元输出，包括：
4.如权利要求1所述的基于符号回归的在线学习效果分析证方法，其特征在于，所述根据所述初始数据集对初始算子筛选器进行训练，得到目标算子筛选器，包括：
5.如权利要求1所述的基于符号回归的在线学习效果分析方法，其特征在于，所述基于学生在线真实学习数据和所述目标算子筛选器进行采样，得到函数算子集合，包括：
6.如权利要求5所述的基于符号回归的在线学习效果分析方法，其特征在于，所述采样温度函数为：
7.如权利要求1所述的基于符号回归的在线学习效果分析方法，其特征在于，所述对所述学生在线真实学习数据和所述函数算子集合进行分析，生成学生在线学习效
8.一种基于符号回归的在线学习效果分析方法，其特征在于，包括：
9.一种基于符号回归的在线学习效果分析设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～7任一项所述基于符号回归的在线学习效果分析方法的步骤。
10.一种存储介质，其特征在于，其存储有可由访问认证设备执行的计算机程序，当所述计算机程序在访问认证设备上运行时，使得所述访问认证设备执行权利要求1～7任一项所述基于符号回归的在线学习效果分析方法的步骤。
...【技术特征摘要】
1.一种基于符号回归的在线学习效果分析方法，其特征在于，包括：
2.如权利要求1所述的基于符号回归的在线学习效果分析方法，其特征在于，所述基于通用算子集合进行随机采样得到包含多层节点方程实例的初始数据集，包括：
3.如权利要求2所述的基于符号回归的在线学习效果分析方法，其特征在于，每一条路径包含至少两层节点；所述对每一条路径进行数据采样确定多个自变量、连接边和神经元输出，包括：
4.如权利要求1所述的基于符号回归的在线学习效果分析证方法，其特征在于，所述根据所述初始数据集对初始算子筛选器进行训练，得到目标算子筛选器，包括：
5.如权利要求1所述的基于符号回归的在线学习效果分析方法，其特征在于，所述基于学生在线真实学习数据和所述目标算子筛选器进行采样，得到函数算子集合，包括：
6.如权利要求5所述的基于符号回归的在线学习...
【专利技术属性】
技术研发人员：刘三女牙，陈傲，沈筱譞，孙建文，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。