【技术实现步骤摘要】
本专利技术涉及课程内容评估，具体是指基于大数据的课程内容评估方法及系统。
技术介绍
1、课程内容评估依赖于教育心理学、测量学和评估技术等技术，旨在确保教学质量和有效性，通过科学的评估方法，不仅能够帮助教师了解学生的学习进度和理解深度，还能促进教学方法的改进和课程设计的优化，从而提升整体教育质量。
2、然而，传统的课程内容评估方法基于规则或简单的特征工程来进行评估，会忽略课程内容中的深层语义和上下文信息，且无法在处理大量教学数据时自动调整权重和参数以适应不同数据特征的技术问题；传统的课程内容评估方法存在超参数优化时，无法充分探索超参数空间的复杂性，且面对大规模课程相关数据时，效率低下，全局搜索能力弱，无法动态调整参数的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于大数据的课程内容评估方法及系统，针对传统的课程内容评估方法基于规则或简单的特征工程来进行评估，会忽略课程内容中的深层语义和上下文信息，且无法在处理大量教学数据时自动调整权重和参数以适应不同数据特征的技术问题，本方案创造性地采用了注意力卷积双向门控循环单元模型进行课程内容评估，能够自动学习更高层次的特征表示以处理复杂的课程内容评估相关数据，且能够集中于关键的数据特征，提升评估的准确性和可解释性；针对传统的课程内容评估方法存在超参数优化时，无法充分探索超参数空间的复杂性，且面对大规模课程相关数据时，效率低下，全局搜索能力弱，无法动态调整参数的技术问题，本方案创造性地采用了北苍鹰
2、本专利技术采取的技术方案如下：本专利技术提供的基于大数据的课程内容评估方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：构建课程内容评估模型；
6、步骤s4：模型超参数优化；
7、步骤s5：课程内容评估。
8、进一步地，在步骤s1中，所述数据采集，用于采集课程内容评估所需的原始数据，具体为通过采集，得到内容评估原始数据集；
9、所述内容评估原始数据集，具体包括课程文本数据、多媒体转录数据、教师信息数据和学习者反馈数据，所述课程文本数据，具体包括教学大纲数据、课程内容数据和课程目标数据，所述多媒体转录数据，具体为教学视频、音频转录的文本数据。
10、进一步地，在步骤s2中，所述数据预处理，用于对原始数据进行数据预处理，具体包括以下步骤：
11、步骤s21：数据标注，用于对原始数据进行标注，具体为标注所述内容评估原始数据集的数据为优秀、良好、合格和不合格，并作为数据标签，得到标注数据集；
12、步骤s22：数据清洗，用于清洗标注数据，具体为对所述标注数据集进行去除异常值、重复值和特殊字符，得到清洗后数据集；
13、步骤s23：数据集分割，用于分割数据集，具体为通过对所述清洗后数据集进行数据集分割，得到内容评估数据集和内容评估测试集；
14、步骤s24：数据编码，用于将数据转换为数字形式，具体为通过标签编码对所述内容评估数据集进行编码，得到编码数据集；
15、步骤s25：数据归一化，用于对数据进行归一化处理，具体为通过最小-最大法对所述编码数据集进行归一化处理，得到内容评估训练集。
16、进一步地，在步骤s3中，所述构建课程内容评估模型，用于构建进行课程内容评估所需的模型，具体为构建注意力卷积双向门控循环单元模型并进行模型训练，得到课程内容评估模型；
17、所述注意力卷积双向门控循环单元模型，具体包括输入层、卷积层、池化层、堆叠双向门控循环单元层、注意力机制、密集层和输出层；
18、所述构建课程内容评估模型，具体包括以下步骤：
19、步骤s31：卷积层构造，所用公式如下：
20、；
21、式中，表示在位置(i,j)的输出特征，表示卷积核在位置(m,n)处的权重值，表示输入数据在坐标(i+m,j+n)处的值，m表示在垂直方向上的位置索引，n表示在水平方向上的位置索引，m表示输入特征图在垂直方向上的尺寸，n表示输入特征图在水平方向上的尺寸，i表示输出特征图横坐标索引，j表示输出特征图纵坐标索引；
22、步骤s32：堆叠双向门控循环单元层构造，所述堆叠双向门控循环单元层，包括多个双向门控循环单元模块，所述堆叠双向门控循环单元层构造，步骤包括：
23、步骤s321：前向过程计算，所用公式如下：
24、；
25、式中，表示t时刻前向过程更新门的值，表示t时刻前向过程重置门的值，表示t时刻前向候选隐藏状态，表示t时刻前向隐藏状态，表示sigmoid函数，表示前向过程更新门权重矩阵，表示前向过程重置门权重矩阵，表示前向过程候选隐藏状态权重矩阵，表示t时刻输入，表示前向过程更新门相关矩阵，表示前向过程重置门相关矩阵，表示前向过程候选隐藏状态相关矩阵，所述相关矩阵，表示用于结合前一时刻隐藏状态的权重矩阵，表示t-1时刻前向隐藏状态，表示元素相乘；
26、步骤s322：后向过程计算，所用公式如下：
27、；
28、式中，表示t时刻后向过程更新门的值，表示t时刻后向过程重置门的值，表示t时刻后向候选隐藏状态，表示t时刻后向隐藏状态，表示后向过程更新门权重矩阵，表示后向过程重置门权重矩阵，表示后向过程候选隐藏状态权重矩阵，表示后向过程更新门相关矩阵，表示后向过程重置门相关矩阵，表示后向过程候选隐藏状态相关矩阵，表示t-1时刻后向隐藏状态；
29、步骤s323：计算模块输出，所用公式如下：
30、；
31、式中，表示t时刻双向门控循环单元模块输出，表示拼接操作函数；
32、步骤s324：构建堆叠双向门控循环单元层，具体为通过所述前向过程计算、所述后向过程计算和所述计算模块输出构建所述双向门控循环单元模块，并通过所述双向门控循环单元模块构建堆叠双向门控循环单元层；
33、步骤s33：注意力机制构造，所用公式如下：
34、；
35、式中，表示关联评估值，表示t时刻注意力机制权重矩阵，表示t时刻注意力机制偏置项，表示t时刻注意力权重，t表示总时刻数，ao表示注意力机制输出；
36、步骤s34：输出层构造，所述输出层，具体为通过采用softmax函数来实现对分类结果的输出，所述输出层构造，所用公式如下：
37、；
38、式中，表示预测的类别为第g类的概率，oi表示输出层的输入，表示输出权重矩阵，表示输出层偏置项；
39、步骤s35：模型构造并训练，具体为通过所述卷积层构造、所述堆叠双向门控循环单元层构造、所述注意力机制构造和所述输出层构造，构建所述注意力卷积双向门控本文档来自技高网...
【技术保护点】
1.基于大数据的课程内容评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤S3中，所述构建课程内容评估模型，用于构建进行课程内容评估所需的模型，具体为构建注意力卷积双向门控循环单元模型并进行模型训练，得到课程内容评估模型；
3.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤S4中，所述模型超参数优化，用于对模型进行超参数优化，具体为采用北苍鹰优化算法对所述课程内容评估模型进行超参数优化并验证模型性能；
4.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤S1中，所述数据采集，用于采集课程内容评估所需的原始数据，具体为通过采集，得到内容评估原始数据集；
5.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤S2中，所述数据预处理，用于对原始数据进行数据预处理，具体包括以下步骤：
6.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤S5中，所述课程内容评估，具体为采用所述优化后的课
7.基于大数据的课程内容评估系统，用于实现如权利要求1-6中任一项所述的基于大数据的课程内容评估方法，其特征在于：包括数据采集模块、数据预处理模块、构建课程内容评估模型模块、模型超参数优化模块和课程内容评估模块。
8.根据权利要求7所述的基于大数据的课程内容评估系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到内容评估原始数据集，并将所述内容评估原始数据集发送至数据预处理模块；
...【技术特征摘要】
1.基于大数据的课程内容评估方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤s3中，所述构建课程内容评估模型，用于构建进行课程内容评估所需的模型，具体为构建注意力卷积双向门控循环单元模型并进行模型训练，得到课程内容评估模型；
3.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤s4中，所述模型超参数优化，用于对模型进行超参数优化，具体为采用北苍鹰优化算法对所述课程内容评估模型进行超参数优化并验证模型性能；
4.根据权利要求1所述的基于大数据的课程内容评估方法，其特征在于：在步骤s1中，所述数据采集，用于采集课程内容评估所需的原始数据，具体为通过采集，得到内容评估原始数据集；
5.根据权利要求1所述的基于大数据的课程内容评估...
【专利技术属性】
技术研发人员：尹校军，何泽东，王再忠，郑忠兵，张婷，余汶雨，王慧，
申请(专利权)人：重庆中科国创智能科技研究院有限公司，
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。