【技术实现步骤摘要】
本申请实施例涉及教育信息化，尤其涉及一种学生表现预测方法、装置、电子设备及计算机可读存储介质。
技术介绍
1、在现有教学中，预测学生表现可以帮助老师教学和学生学习。具体的，通过预测学生表现(即学生在未来某个时间的学习表现)可以及时发现学生失败倾向有助于教师及时干预(如防止学生辍学等措施)。
2、现有技术中，预测学生表现的方法主要通过各科老师进行主观评估。这一过程依赖老师的经验，花费时间长，不同的老师可能得到的评估结果不同，且对老师的经验要求较高。因此，亟需一种客观、准确对学生表现进行预测的方法。
技术实现思路
1、本申请实施例提供一种学生表现预测方法、装置、电子设备及计算机可读存储介质，可实现客观、高效地对学生表现进行预测的目的。
2、本申请实施例一方面提供了一种学生表现预测方法，包括：
3、获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据；
4、将所述不同目标行为对应的学习行为数据以预设时间单位进行聚合，以及将聚合得到的聚合数据以所述行为类别为单位分别进行特征融合，得到类别特征集，确定以时间序列排列的所述类别特征集为类别特征时序集；
5、将所述类别特征时序集输入至预训练的特征重构网络，得到重构时序集；
6、将所述重构时序集输入至学生表现预测模型，得到对所述学生的表现预测结果。
7、可选的，所述将所述重构时序集输入至学生表现预测模型之前，所述方法还包括：
8、获取训练时
9、利用所述训练时序数据对所述学生表现预测模型进行至少两项任务的联合训练。
10、可选的，所述利用所述训练时序数据对所述学生表现预测模型进行至少两项任务的联合训练，包括：
11、对部分所述训练时序数据进行掩码，得到掩码训练时序数据；
12、通过所述掩码训练时序数据和未进行掩码的非掩码训练时序数据对所述学生表现预测模型进行至少两项任务的联合训练，所述联合训练包括预测所述掩码训练时序数据进行掩码前的原始时序数据以及预测学生表现。
13、可选的，所述获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据之前，所述方法还包括：
14、获取多个行为特征的行为数据；
15、根据所述行为数据计算多个所述行为特征的行为特征值；
16、确定满足预设第一条件的行为特征值对应的行为特征为所述目标行为；
17、根据所述多种行为类别对得到的多个所述目标行为进行分类，确定每个所述目标行为所属的行为类别。
18、可选的，所述将聚合得到的聚合数据以所述行为类别为单位分别进行特征融合，得到类别特征集，包括：
19、确定聚合得到的所有聚合数据的所属聚合时间段，对同一聚合时间段的聚合数据，选取同一行为类别的目标行为对应的聚合数据的最大值作为所述同一聚合时间段内所述同一行为类别的类别特征值；
20、汇总每个聚合时间段内每个行为类别的类别特征值，得到类别特征集。
21、可选的，所述特征重构网络为特征蒸馏网络。
22、可选的，所述多种行为类别包括四种行为类别，所述四种行为类别为交互行为类别、建构行为类别、主动行为类别、被动行为类别。
23、本申请实施例一方面还提供了一种学生表现预测装置，包括：
24、数据获取模块，用于获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据；
25、数据处理模块，用于将所述不同目标行为对应的学习行为数据以预设时间单位进行聚合，以及将聚合得到的聚合数据以所述行为类别为单位分别进行特征融合，得到类别特征集，确定以时间序列排列的所述类别特征集为类别特征时序集；
26、特征重构模块，用于将所述类别特征时序集输入至预训练的特征重构网络，得到重构时序集；
27、表现预测模块，用于将所述重构时序集输入至学生表现预测模型，得到对所述学生的表现预测结果。
28、本申请实施例一方面还提供了一种电子设备，包括：存储器和处理器；所述存储器存储有可执行程序代码；与所述存储器耦合的所述处理器，调用所述存储器中存储的所述可执行程序代码，执行如上述实施例提供的学生表现预测方法。
29、本申请实施例一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述实施例提供的学生表现预测方法。
30、从上述本申请各实施例可知，通过获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据；将所述不同目标行为对应的学习行为数据以预设时间单位进行聚合，以及将聚合得到的聚合数据以所述行为类别为单位分别进行特征融合，得到类别特征集，确定以时间序列排列的所述类别特征集为类别特征时序集；将所述类别特征时序集输入至预训练的特征重构网络，得到重构时序集；将所述重构时序集输入至学生表现预测模型，得到对所述学生的表现预测结果。本申请实施例无需教师主观评价，根据学生的学习行为数据即可以快速预测学生表现，实现了客观、高效地对学习者进行思维能力预测的目的。
本文档来自技高网...【技术保护点】
1.一种学生表现预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述重构时序集输入至学生表现预测模型之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述训练时序数据对所述学生表现预测模型进行至少两项任务的联合训练，包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据之前，所述方法还包括：
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述将聚合得到的聚合数据以所述行为类别为单位分别进行特征融合，得到类别特征集，包括：
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述特征重构网络为特征蒸馏网络。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述多种行为类别包括四种行为类别，所述四种行为类别为交互行为类别、建构行为类别、主动行为类别、被动行为类别。
8.一种学生表现预测装置，其特征在于，所述装置包括：
9.一种电子设备，
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的学生表现预测方法。
...【技术特征摘要】
1.一种学生表现预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述重构时序集输入至学生表现预测模型之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述训练时序数据对所述学生表现预测模型进行至少两项任务的联合训练，包括：
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述获取预设时间段内学生的多种行为类别中不同目标行为对应的学习行为数据之前，所述方法还包括：
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述将聚合得到的聚合数据以所述行为类别为单位分别进行特征...
【专利技术属性】
技术研发人员：何秀玲，张乐尧，李洋洋，肖雄，彭志品，甘淳，
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。