【技术实现步骤摘要】
本公开涉及计算机，尤其涉及一种学习能力评估模型的优化方法存储介质及电子设备。
技术介绍
1、近年来，随着计算机技术与教育信息化的深度融合，人工智能在教育领域的应用日益广泛，特别是在学习能力评估方面展现出巨大潜力。一个精准且科学的学习能力评估模型能够为学生提供个性化的学习指导，帮助他们调整学习策略，同时也能为学校和家长提供有价值的参考，以便制定更加贴合学生需求的学习计划。
2、目前，相关技术中的学生学习能力评估模型是直接采用历史学习成绩进行预测，此方案得到的预测结果过于客观，并未考虑学生学习成绩影响的原因，得到预测结果参考意义不大，无法根据预测结果个性化定制学习策略。在另外的方案中，基于学生学习能力评估模型的优化过程普遍采用设置权重或动态调整模型参数的方法，这种方法虽然在一定程度上能够实现模型的性能提升，但只能基于同一模型进行优化，且未考虑到学习表现对学习能力评估结果的影响，从而导致优化后的模型精度较低。
3、可见，相关技术中的学习能力评估模型的优化方法在对复杂多变的教育数据时，由于教育数据的多样性和不稳定性，学习能力评估模型容易受到容易受到数据间信息差、不稳定性、不相关性等显著差异的干扰，导致模型优化结果出现偏差，进而影响评估结果的准确性和可参考性。
技术实现思路
1、本公开提供了一种学习能力评估模型的优化方法、存储介质及电子设备。
2、根据本公开的第一方面，提供了一种学习能力评估模型的优化方法，该方法包括：
3、获取学生的学习能力评
4、分别确定多个学生成绩数据集和多个学生表现数据集是否处于稳态；
5、若多个学生成绩数据集和多个学生表现数据集处于稳态，确定学习成绩预测模型输出的学习成绩预测结果和学习表现预测模型输出的学习表现预测结果之间的相关性；
6、若相关性满足预设条件，对学习能力评估模型的参数进行优化，得到目标模型。
7、在本公开的一些实施方式中，分别确定多个学生成绩数据集和多个学生表现数据集是否处于稳态包括：
8、分别获取多个学生成绩数据集和多个学生表现数据集中的每个数据集各自对应的预设时间区间和预设阈值；
9、针对每个数据集，若每个数据集在对应的预设时间区间内的变化率小于或等于对应的预设阈值，确定数据集处于稳态；
10、若多个学生成绩数据集和多个学生表现数据集中处于稳态的数据集的数量满足预设数量条件，则确定多个学生成绩数据集和多个学生表现数据集处于稳态。
11、在本公开的一些实施方式中，确定学习成绩预测模型输出的学习成绩预测结果和学习表现预测模型输出的学习表现预测结果之间的相关性包括：
12、基于多个学生成绩数据集，使用学习成绩预测模型，确定多个学习成绩预测结果；
13、基于多个学生表现数据集，使用学习表现预测模型，确定多个学习表现预测结果；
14、分别确定预设时间区间内多个学习成绩预测结果的成绩变化量、成绩变化量的统计值、多个学习表现预测结果的表现变化量、表现变化量的统计值；
15、基于成绩变化量、成绩变化量的统计值、表现变化量、表现变化量的统计值，确定相关性。
16、在本公开的一些实施方式中，基于成绩变化量、成绩变化量的统计值、表现变化量、表现变化量的统计值，确定相关性包括：
17、根据以下公式1，确定相关性：
18、公式1
19、其中，表示相关性，表示成绩变化量，表示成绩变化量的平均值，表示表现变化量，表示表现变化量的平均值，表示数据量。
20、在本公开的一些实施方式中，若相关性满足预设条件，对学习能力评估模型的参数进行优化，得到目标模型，包括：
21、若相关性大于零，则确定学习成绩预测模型输出的学习成绩预测结果和学习表现预测模型输出的学习表现预测结果正相关；
22、将多个学生成绩数据集和多个学生表现数据集作为数据样本，并获取数据样本对应的数据标签，数据标签为数据样本中的各个学生的实际学习能力得分值；
23、建立回归模型，回归模型包括学习能力评估模型的参数矩阵；
24、使用数据样本和数据标签，对回归模型进行训练，直至训练结束，得到学习能力评估模型的优化参数矩阵；
25、使用优化参数矩阵更新学习能力评估模型，得到目标模型。
26、在本公开的一些实施方式中，建立回归模型包括：
27、建立回归模型如以下公式2：
28、公式2
29、其中，表示数据标签，，表示第n个学生的实际学习能力得分值，表示数据样本，表示参数矩阵，参数矩阵中的元素为学习成绩预测模型和学习表现预测模型中的偏回归系数，表示误差值。
30、在本公开的一些实施方式中，使用数据样本和数据标签，对回归模型进行训练，直至训练结束，得到学习能力评估模型的优化参数矩阵包括：
31、建立损失函数如以下公式3：
32、公式3
33、其中，表示损失值，表示第m个学生的实际学习能力得分值，表示使用学习能力评估模型计算得到的第m个学生的预测学习能力得分值；
34、使用数据样本和数据标签，对回归模型进行训练，直至损失值满足预设损失条件，则训练结束，得到学习能力评估模型的优化参数矩阵。
35、在本公开的一些实施方式中，使用数据样本和数据标签，对回归模型进行训练，直至损失值满足预设损失条件，则训练结束，得到学习能力评估模型的优化参数矩阵包括：
36、在训练过程中，将学习能力评估模型的参数矩阵表示为如下公式4：
37、公式4；
38、将优化参数矩阵表示为如下公式5：
39、公式5
40、其中表示学习率，表示损失值g的偏导；
41、利用梯度下降法，当损失值满足预设损失条件时，确定满足预设损失条件的损失值所对应的参数矩阵为优化参数矩阵。
42、根据本公开的第二方面，提供了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，计算机程序被处理器执行时实现前述第一方面所述的方法。
43、根据本公开的第三方面，提供了一种电子设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时实现前述第一方案所述的方法。
44、本公开提供的学习能力评估模型的优化方法、存储介质及电子设备，通过获取学生的学习能力评估模型，学习能力评估模型包括学习成绩预测模型和学习表现预测模型，学习成绩预测模型为根据多个学生成绩数据集建立的，学习表现预测模型为根据多个学生表现数据集建立的；分别确定多个学生成绩数据集和多个学生表现数据集是否处于稳态；若多个学生成绩数本文档来自技高网...
【技术保护点】
1.一种学习能力评估模型的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述分别确定所述多个学生成绩数据集和所述多个学生表现数据集是否处于稳态包括：
3.根据权利要求1所述的方法，其特征在于，所述确定所述学习成绩预测模型输出的学习成绩预测结果和所述学习表现预测模型输出的学习表现预测结果之间的相关性包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述成绩变化量、所述成绩变化量的统计值、所述表现变化量、所述表现变化量的统计值，确定所述相关性包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述若所述相关性满足预设条件，对所述学习能力评估模型的参数进行优化，得到目标模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述建立回归模型包括：
7.根据权利要求5所述的方法，其特征在于，所述使用所述数据样本和所述数据标签，对所述回归模型进行训练，直至训练结束，得到所述学习能力评估模型的优化参数矩阵包括：
8.根据权利要求7所述的方法，其特征在于，所述使用所述
9.一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权利要求1至8中任一项所述的方法。
10.一种电子设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法。
...【技术特征摘要】
1.一种学习能力评估模型的优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述分别确定所述多个学生成绩数据集和所述多个学生表现数据集是否处于稳态包括：
3.根据权利要求1所述的方法，其特征在于，所述确定所述学习成绩预测模型输出的学习成绩预测结果和所述学习表现预测模型输出的学习表现预测结果之间的相关性包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述成绩变化量、所述成绩变化量的统计值、所述表现变化量、所述表现变化量的统计值，确定所述相关性包括：
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述若所述相关性满足预设条件，对所述学习能力评估模型的参数进行优化，得到目标模型，包括：
6.根据权利要求5所述的方法，其特征在于...
【专利技术属性】
技术研发人员：张岩，陈颖，蔡益平，何秀莲，周伟，林圣梯，施建辉，贺玮，
申请(专利权)人：浙江海亮科技有限公司，
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。