【技术实现步骤摘要】
本专利技术属于教育系统，尤其涉及基于人工智能的数据采集分析方法及系统。
技术介绍
1、在教学实践中，通过人工智能预估学生是否能通过考试可以帮助教师和学生更好地理解学习进度和掌握程度。人工智能系统能够分析学生的学习行为、历史成绩、参与度以及测试结果等大量数据，从而识别出学习模式和潜在的困难领域。这样的分析可以为学生提供个性化的反馈和建议，帮助他们针对性地改进学习方法，提高通过考试的可能性。同时，教师也可以利用这些信息来调整教学策略，确保所有学生都能获得必要的支持。
2、现有技术中，在进行学生数据采集分析时，采集的学生数据较为理想化，通常仅考虑学生的固定因素数据，例如学习行为、历史成绩、学习参与度，这些都是学生通过努力即可改变的数据，但是没有考虑随机因素的影响，例如，老师教学方法、班级平均分等因素，这就导致信息采集、分析和预测的效果不精准。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了基于人工智能的数据采集分析方法及系统，具备通过综合固定因素和随机因素来提高数据准确性的优点，解决了现有技术的问题。
2、本专利技术是这样实现的，基于人工智能的数据采集分析方法，包括以下步骤：
3、步骤s1，采集数据：采集学生的固定因素数据、随机因素数据以及对应的学生是否通过考试的数据，所述固定因素数据包括学习行为数据、历史成绩数据、学习参与度数据，所述随机因素数据则包括老师教学方法、班级平均分；
4、步骤s2，数据处理：对所述固定因素数据和随机
5、步骤s3，模型训练：将处理后的固定因素数据和随机因素数据作为输入，以学生是否通过考试的数据作为输出，构建混合效应模型，其中，所述混合效应模型为：
6、yi=xiβ+ziui+εi；
7、其中：
8、yi是第i个学生的观测结果；（例如，是否通过考试）
9、xi是固定因素设计矩阵，β是固定因素参数向量；
10、zi是随机因素设计矩阵，ui是随机因素参数向量；
11、εi是随机误差项；
12、步骤s4，数据预测：模型训练完成后，对新的学生数据进行预测。
13、作为本专利技术优选的，步骤s1中，采集学生的固定因素数据、随机因素数据以及学生是否通过考试的数据的步骤包括：
14、步骤s11，确定采集数据的种类；
15、步骤s12，确定采集数据的时间范围和数量；
16、步骤s13，通过数据采集器在数据库中进行数据采集。
17、作为本专利技术优选的，所述采集数据的种类为：
18、所述学习行为数据包括：班级学习时长、课余自学时长、补习班时长；
19、所述历史成绩数据包括：随堂测试平均数据；
20、所述学习参与度数据包括：互动次数、完成作业的次数；
21、所述老师教学方法为老师教学评分；
22、所述班级平均分包括相应课程班级测验平均分数据。
23、作为本专利技术优选的，采集所述对应的学生是否通过考试的数据包括：
24、采集学生的考试分数；
25、获取相应考试的及格分数据；
26、若所述考试分数小于及格分数据，则判断为未通过考试；反之判断为通过考试。
27、作为本专利技术优选的，所述数据处理包括：
28、数据清洗：去除不完整、错误的数据，并在数据库中补充新的数据，使数据的组数不变；
29、数据归一化：将数据缩放到统一的范围或分布。
30、作为本专利技术优选的，在步骤s3中，所述固定因素设计矩阵xi是通过将固定因素数据转换成数值形式并组织成矩阵的形式来得到的，具体步骤如下：
31、步骤s311.将每个固定因素的每个观测值转换为数值数据，所述固定因素的每个观测值为班级学习时长、课余自学时长、补习班时长、历史成绩数据、互动次数和完成作业的次数；
32、步骤s312.根据预测模型的需求对所述数值数据进行编码或转换，将分类数据转换为虚拟变量。
33、步骤s313.将转换后的数据按照列组织成矩阵，每一列代表一个固定因素，每一行代表一个观测对象。
34、步骤s314.通过最大似然估计或限制最大似然估计来估计固定因素参数向量β。
35、作为本专利技术优选的，构建随机因素设计矩阵zi的步骤如下：
36、步骤s321.确定随机因素的来源为老师教学方法和班级历史成绩平均分。
37、步骤s322.为每个随机因素分配一个标识符：为不同的老师教学方法分配对应的编码，为不同的班级历史成绩平均分分配编码；
38、步骤s323.构建矩阵：根据这些标识符构建随机因素设计矩阵zi，每一列对应一个随机因素，每一行对应一个观测值，如果某个随机因素适用于某个学生，则在矩阵的相应位置填入1，否则填入0。
39、作为本专利技术优选的，所述随机因素参数向量ui的确定包括：
40、步骤s324.估计随机因素参数：在模型训练阶段，通过统计方法来估计随机因素参数向量ui的值；
41、步骤s325.应用模型：一旦模型训练完成，对于新的学生数据，通过已知的随机因素设计矩阵zi和估计得到的随机因素参数向量ui，结合固定因素设计矩阵xi和固定因素参数向量β，使用混合效应模型公式yi=xiβ+ziui+εi来预测学生是否通过考试。
42、基于人工智能的数据采集分析系统，包括中央控制模块，所述中央控制模块信号连接有数据采集模块、数据处理模块、预测模块和应用模块；
43、数据采集模块用于采集学生的固定因素数据、随机因素数据以及对应的学生是否通过考试的数据，所述固定因素数据包括学习行为数据、历史成绩数据、学习参与度数据，所述随机因素数据则包括老师教学方法、班级平均分；
44、数据处理模块用于对所述固定因素数据和随机因素数据进行数据处理，包括数据清洗、归一化、特征选择；
45、所述预测模块用于将处理后的固定因素数据和随机因素数据作为输入，以学生是否通过考试的数据作为输出，构建混合效应模型，其中，所述混合效应模型为：
46、yi=xiβ+ziui+εi；
47、其中：
48、yi是第i个学生的观测结果；（例如，是否通过考试）
49、xi是固定因素设计矩阵，β是固定因素参数向量；
50、zi是随机因素设计矩阵，ui是随机因素参数向量；
51、εi是随机误差项；
52、所述应用模块用于模型训练完成后，对新的学生数据进行预测。
53、作为本专利技术优选的，数据种类选择子单元，用于确定采集数据的种类；
54、数据范围选择子单元，用于确定采集数据的时间范围和数量；
55、采集子单元，用于通过数据采集器在数据库中进行数据采集本文档来自技高网...
【技术保护点】
1.基于人工智能的数据采集分析方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于人工智能的数据采集分析方法，其特征在于：
3.如权利要求2所述的基于人工智能的数据采集分析方法，其特征在于：
4.如权利要求2所述的基于人工智能的数据采集分析方法，其特征在于：
5.如权利要求1所述的基于人工智能的数据采集分析方法，其特征在于：
6.如权利要求4所述的基于人工智能的数据采集分析方法，其特征在于：
7.如权利要求6所述的基于人工智能的数据采集分析方法，其特征在于：
8.如权利要求7所述的基于人工智能的数据采集分析方法，其特征在于：
9.基于人工智能的数据采集分析系统，包括中央控制模块，其特征在于，所述中央控制模块信号连接有数据采集模块、数据处理模块、预测模块和应用模块；
10.如权利要求9所述的基于人工智能的数据采集分析系统，其特征在于：所述数据采集模块包括：
【技术特征摘要】
1.基于人工智能的数据采集分析方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于人工智能的数据采集分析方法，其特征在于：
3.如权利要求2所述的基于人工智能的数据采集分析方法，其特征在于：
4.如权利要求2所述的基于人工智能的数据采集分析方法，其特征在于：
5.如权利要求1所述的基于人工智能的数据采集分析方法，其特征在于：
6.如权利要求4所述的基于人工智能的数据采集...
【专利技术属性】
技术研发人员：韩艳，徐冀川，刘家豪，吴青峰，肖冠南，
申请(专利权)人：成都职业技术学院，
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。