【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种成绩提升方案的生成方法及装置。
技术介绍
1、近年来，随着计算机技术和教育信息化的不断推进发展，计算机和人工智能技术已经逐步应用于日常的教育教学各项活动中。进行学生成绩分析可以有效地帮助学生提高学习方式和策略，同时可以帮助学校、家长及时了解学生的学习能力，个性化定制学习方案。
2、目前，主要通过获取学生的大量历史考试成绩，分析出该学生的成绩分布图，进而得到成绩均值等信息，然后基于近期的考试成绩状态，得到学生成绩分析结果，生成学生的成绩提升方案。
3、然而，使用这种方式生成的成绩提升方案，仅可以根据学生成绩，得到学生成绩的变化情况，会导致分析得到的结果受主观的人为因素影响，如学生发挥失常、考试难度不均衡等因素，均会导致成绩分析的结果存在误差，会导致生成的成绩提升方案无法准确确定出导致学生成绩差的相关因素，进而导致成绩提升方案与学生不适配，无法帮助学生提升成绩。
4、此外，现有技术中在生成学生提升成绩方案的过程中，未考虑数据之间的相关性对生成方案的影响，而是简单的将采集的数据进行预处理，降低数据间的误差，再输入到评估模型中进行分析，此方法破坏了数据原有的特征，进而影响生成方案的准确性。
5、如何高效率实现学生的提升成绩方案的生成，确保收集数据的之间的相关性，保留原数据真实的特征进行预测分析，是本领域亟待解决的问题。
技术实现思路
1、有鉴于此，本申请提供了一种成绩提升方案的生成方法及装置，主要目的在于改善目
2、第一方面，本申请提供了一种成绩提升方案的生成方法，包括：
3、获取目标学生的考试成绩数据、平时成绩指标和学生表现指标；
4、从所述考试成绩数据、所述平时成绩指标和所述学生表现指标中确定符合相关性验证条件的样本数据集；
5、将所述样本数据集输入到融合模型中，对所述样本数据集中平时成绩指标和学生表现指标之间的多种指标组合分别与所述样本数据集中考试成绩数据之间的相关性进行评价，基于得到的相关性评价结果确定与所述目标学生适配性最高的目标指标组合；
6、将所述目标指标组合作为所述目标学生的成绩提升方案发送给所述目标学生。
7、可选的，所述从所述考试成绩数据、所述平时成绩指标和所述学生表现指标中确定符合相关性验证条件的样本数据集，包括：
8、基于所述平时成绩指标和所述学生表现指标，确定待验证样本数据集；
9、基于所述考试成绩数据，确定所述待验证样本数据集对应的标准样本数据集；
10、依据所述标准样本数据集对所述待验证样本数据集进行显著相关性验证，得到所述待验证样本数据集中符合相关性验证条件的目标样本数据集；
11、将所述目标样本数据集和所述标准样本数据集确定为所述样本数据集。
12、可选的，所述依据所述标准样本数据集对所述待验证样本数据集进行显著相关性验证，得到所述待验证样本数据集中符合相关性验证条件的目标样本数据集，包括：
13、基于所述标准样本数据集的样本值、所述待验证样本数据集的样本均值和样本标准差通过以下公式1，确定相关性检验值；
14、基于预定检验水平α、预定界值p和所述相关性验证值t，对所述待验证样本数据集进行显著相关性验证；
15、若判定t＜p，说明在t检验值水平下p＞α，则确定所述待验证样本数据集与所述标准样本数据集之间具备显著相关性；
16、若判定t＞p，说明在t检验值水平下p＜α，则确定所述待验证样本数据集与所述标准样本数据集之间不具备显著相关性；
17、将具备显著相关性的待验证样本数据集作为所述目标样本数据集；
18、公式1
19、公式1中，u0表示所述待验证样本数据集的样本均值，u表示所述标准样本数据集的样本值，s表示所述待验证样本数据集的样本标准差，n表示所述待验证样本数据集的样本量。
20、可选的，所述将所述样本数据集输入到融合模型中，对所述样本数据集中平时成绩指标和学生表现指标之间的多种指标组合分别与所述样本数据集中考试成绩数据之间的相关性进行评价，包括：
21、基于所述样本数据集中的考试成绩数据集与包含多种平时成绩指标的第一数据集，构建所述融合模型中的第一预测模型，以预测所述考试成绩数据与所述平时成绩指标之间的相关性；
22、基于所述样本数据集中的考试成绩数据集与包含多种学生表现指标的第二数据集，构建所述融合模型中的第二预测模型，以预测所述考试成绩数据与所述学生表现指标之间的相关性；
23、将所述第一预测模型作为所述融合模型中的相关性评价模型的第一预测参数，以及将所述第二预测模型作为所述相关性评价模型的第二预测参数，并将所述第一预测参数与所述第二预测参数进行交叉组合，构建所述相关性评价模型，以评价所述考试成绩数据与所述多种指标组合之间的相关性。
24、可选的，评价所述考试成绩数据与所述多种指标组合之间的相关性的过程，包括：
25、基于每种指标组合中平时成绩指标通过所述第一预测模型进行预测得到的第一预测结果，以及每种指标组合中学生表现指标通过所述第二预测模型进行预测得到的第二预测结果通过以下公式2进行协方差处理，得到所述考试成绩数据分别与所述多种指标组合之间的相关性评价结果；
26、公式2
27、公式2中，cov表示进行协方差处理，表示方差，xy表示一组指标组合对应的不同的第一预测参数和第二预测参数。
28、可选的，所述基于得到的相关性评价结果确定与所述目标学生适配性最高的目标指标组合，包括：
29、从所述多种指标组合中选取相关性评价结果最高的预定数量的指标组合构成候选指标组合；
30、基于所述候选指标组合的归一化评价值和所述候选指标组合中每个指标的权重值，构建所述融合模型中的适配性评价模型，以评价所述候选指标组合与所述目标学生的适配性；
31、基于所述适配性评价模型，确定出所述多种指标组合中与所述目标学生适配性最高的适配性最高的目标指标组合。
32、可选的，所述基于所述候选指标组合的归一化评价值和所述候选指标组合中每个指标的权重值，构建所述融合模型中的适配性评价模型，包括：
33、通过以下公式3对所述候选指标组合在所述相关性评价模型中得到的相关性评价结果进行归一化处理，得到所述候选指标组合的归一化评价值；
34、公式3
35、公式3中，p为归一化评价值，xmin为所述多个候选指标组合对应的相关性评价结果中的最小值，xmax为所述多个候选指标组合对应的相关性评价结果中的最大值，xori为进行归一化本文档来自技高网...
【技术保护点】
1.一种成绩提升方案的生成方法，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，所述从所述考试成绩数据、所述平时成绩指标和所述学生表现指标中确定符合相关性验证条件的样本数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述依据所述标准样本数据集对所述待验证样本数据集进行显著相关性验证，得到所述待验证样本数据集中符合相关性验证条件的目标样本数据集，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述样本数据集输入到融合模型中，对所述样本数据集中平时成绩指标和学生表现指标之间的多种指标组合分别与所述样本数据集中考试成绩数据之间的相关性进行评价，包括：
5.根据权利要求4所述的方法，其特征在于，评价所述考试成绩数据与所述多种指标组合之间的相关性的过程，包括：
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述基于得到的相关性评价结果确定与所述目标学生适配性最高的目标指标组合，包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述候选指标组合的归一化评价值和所述候选指标组
8.根据权利要求7所述的方法，其特征在于，所述基于所述候选指标组合的归一化评价值和所述候选指标组合中每个指标的权重值，构建所述融合模型中的适配性评价模型，还包括：
9.一种成绩提升方案的生成装置，其特征在于，包括：
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】
1.一种成绩提升方案的生成方法，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，所述从所述考试成绩数据、所述平时成绩指标和所述学生表现指标中确定符合相关性验证条件的样本数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述依据所述标准样本数据集对所述待验证样本数据集进行显著相关性验证，得到所述待验证样本数据集中符合相关性验证条件的目标样本数据集，包括：
4.根据权利要求3所述的方法，其特征在于，所述将所述样本数据集输入到融合模型中，对所述样本数据集中平时成绩指标和学生表现指标之间的多种指标组合分别与所述样本数据集中考试成绩数据之间的相关性进行评价，包括：
5.根据权利要求4所述的方法，其特征在于，评价所述考试成绩数据与所述多种指标组合之间的相关性的过程，包括：
【专利技术属性】
技术研发人员：张岩，黄玲瑛，蔡益平，何秀莲，陈静，朱刘发，胡宇迪，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。