本發(fā)明屬于人工智能與教育交叉的，具體涉及一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法。

背景技術：

1、隨著互聯(lián)網(wǎng)技術的快速發(fā)展，在線學習已成為越來越多人獲取知識、提升能力的重要途徑。然而，由于在線學習的自主性和靈活性，學生容易受到各種因素的影響，導致學習效果不佳。因此，如何利用在線學習過程數(shù)據(jù)預測學生的學習成績。發(fā)現(xiàn)問題并采取有效措施，成為教育領域亟待解決的問題。

2、在線教育平臺和系統(tǒng)的普及使得學生可以在任何時間、任何地點進行學習，這種靈活的學習方式使得學習的自主性越來越高，在線學習方式也受到了廣泛的歡迎。然而，隨著在線學習的普及，如何保證學習質(zhì)量和效率成為了一個關鍵問題。傳統(tǒng)的教育模式中，教師可以通過觀察學生的課堂表現(xiàn)、作業(yè)完成情況和考試結果來評估學生的學習狀況，但在線學習中，教師與學生之間的直接互動減少，這使得評估學生的學習狀態(tài)和預測學習成績變得更加困難。

3、為了解決這一問題，研究者們開始探索利用在線學習過程中產(chǎn)生的數(shù)據(jù)來預測學生的學習成績。這些數(shù)據(jù)包括但不限于在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績等。通過對這些數(shù)據(jù)的分析，可以揭示學生的學習習慣、參與度和學習效果，從而為教師提供評估學生學習狀況的依據(jù)，為學生提供個性化的學習建議和幫助。

4、現(xiàn)有的學習成績預測方法多基于傳統(tǒng)的機器學習技術，如決策樹、隨機森林、支持向量機等。這些方法通常將學習過程數(shù)據(jù)作為特征輸入到模型中，通過訓練得到一個預測模型，用于預測學生的學習成績。然而，這些方法往往忽略了學習過程數(shù)據(jù)中的時間序列特性，即學生學習行為隨時間的變化規(guī)律。

5、此外，現(xiàn)有的方法通常將多維度的學習過程數(shù)據(jù)直接輸入到模型中，忽略了數(shù)據(jù)之間的內(nèi)在聯(lián)系和結構。這使得模型難以捕捉到數(shù)據(jù)中的復雜關系，從而影響了預測的準確性和可靠性。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，其核心在于將學生的學習行為數(shù)據(jù)轉(zhuǎn)化為圖像數(shù)據(jù)，并利用圖像處理和分類技術來預測學生的學習成績；該方法通過構建多維度的時序數(shù)據(jù)，將一維時序數(shù)據(jù)轉(zhuǎn)換為二維圖像數(shù)據(jù)，并對圖像進行分類來進行成績預測。這種方法能夠更好地捕捉學習過程數(shù)據(jù)中的時間序列特性和多維數(shù)據(jù)之間的關系，從而提高學習成績預測的準確性和可靠性。

2、具體技術方案如下：

3、一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置，包括：

4、(1)數(shù)據(jù)收集模塊：從在線學習平臺中收集學生的學習行為數(shù)據(jù)，包括在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績、視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)等；

5、(2)數(shù)據(jù)預處理模塊：對收集到的數(shù)據(jù)進行清洗和格式化處理，剔除無效數(shù)據(jù)，統(tǒng)一數(shù)據(jù)格式，確保數(shù)據(jù)的質(zhì)量和一致性；

6、(3)時序數(shù)據(jù)構建模塊：將預處理后的數(shù)據(jù)按照時間順序構建成時序數(shù)據(jù)，每個學生的一組學習行為數(shù)據(jù)形成一個時間序列，每個視頻的觀看動作、動作對應的視頻時間點、動作發(fā)生的具體時間分別形成一個時序序列；

7、(4)數(shù)據(jù)轉(zhuǎn)換模塊：將一維的時序數(shù)據(jù)轉(zhuǎn)換為二維的圖像數(shù)據(jù)，采用一維時序數(shù)據(jù)二維化的方法，將時序數(shù)據(jù)轉(zhuǎn)換為二維圖像數(shù)據(jù)，并生成圖像數(shù)據(jù)集；

8、(5)圖像融合模塊；將之前生成的多個表征不同行為特征的圖像進行拼接；

9、(6)圖像分類模塊：利用構建的圖像數(shù)據(jù)集中的訓練集對學業(yè)成績分類網(wǎng)絡進行訓練，提取數(shù)據(jù)的多維度特征和數(shù)據(jù)之間的關聯(lián)信息，并結合深度學習網(wǎng)絡結構中各模塊的獨特優(yōu)勢，以實現(xiàn)對數(shù)據(jù)的精確分析和分類，得到學習成績的預測結果；

10、(7)反饋模塊：根據(jù)學習成績的預測結果，為學生提供個性化的學習建議。

11、一種基于在線學習平臺過程數(shù)據(jù)成績預測方法，包括：

12、(1)數(shù)據(jù)收集：從在線學習平臺中收集學生的學習行為數(shù)據(jù)，包括在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績、視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)等；

13、(2)數(shù)據(jù)預處理，對收集到的數(shù)據(jù)進行清洗和格式化處理，剔除無效數(shù)據(jù)，統(tǒng)一數(shù)據(jù)格式，確保數(shù)據(jù)的質(zhì)量和一致性；

14、(3)構建時序數(shù)據(jù)：將預處理后的數(shù)據(jù)按照時間順序構建成時序數(shù)據(jù)，每個學生的一組學習行為數(shù)據(jù)形成一個時間序列；

15、(4)數(shù)據(jù)轉(zhuǎn)換；將一維的時序數(shù)據(jù)轉(zhuǎn)換為二維的圖像數(shù)據(jù)，采用一維時序數(shù)據(jù)二維化的方法，將時序數(shù)據(jù)轉(zhuǎn)換為二維圖像數(shù)據(jù)，并生成圖像數(shù)據(jù)集；圖像化的方法包括但不限于格拉姆角場法(gaf)、馬爾科夫轉(zhuǎn)移場法(mtf)和基于像素填充的圖像化方法。

16、(5)圖像融合：將之前生成的多個表征不同行為特征的圖像進行拼接。

17、(6)圖像分類；利用構建的圖像數(shù)據(jù)集中的訓練集對學業(yè)成績分類網(wǎng)絡進行訓練，提取數(shù)據(jù)的多維度特征和數(shù)據(jù)之間的關聯(lián)信息，并結合深度學習網(wǎng)絡結構中各模塊的獨特優(yōu)勢，以實現(xiàn)對數(shù)據(jù)的精確分析和分類，得到學習成績的預測結果；

18、(7)反饋：根據(jù)學習成績的預測結果，為學生提供個性化的學習建議。

19、進一步的，所述數(shù)據(jù)收集模塊收集學習行為數(shù)據(jù)包括如下步驟：

20、(11)確定在線學習平臺的api或數(shù)據(jù)庫接口；

21、(12)收集學生的學習行為數(shù)據(jù)：通過在線學習平臺的api或數(shù)據(jù)庫接口，自動收集學生的學習行為數(shù)據(jù)，包括在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績、視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)；

22、(13)將這些數(shù)據(jù)存儲到數(shù)據(jù)倉庫中：將這些數(shù)據(jù)存儲到數(shù)據(jù)倉庫中，以便后續(xù)的數(shù)據(jù)預處理和分析。

23、進一步的，數(shù)據(jù)預處理模塊的工作過程包括如下步驟：

24、(21)對收集到的原始數(shù)據(jù)進行清洗：去除空值、異常值和重復數(shù)據(jù)；

25、(22)對數(shù)據(jù)進行歸一化處理：將數(shù)據(jù)轉(zhuǎn)換為相同的尺度，以便后續(xù)的分析和建模；

26、(23)對時間序列數(shù)據(jù)進行填充和處理缺失值，以確保數(shù)據(jù)的完整性和連續(xù)性；

27、(24)根據(jù)需要對數(shù)據(jù)進行特征工程：提取有助于學習成績預測的關鍵特征。

28、進一步的，時序數(shù)據(jù)構建模塊構建時序數(shù)據(jù)，包括如下步驟：

29、(31)將預處理后的數(shù)據(jù)按照時間順序構建成時序數(shù)據(jù)；

30、(32)按照時間順序?qū)υ诰€課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績、每個視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)分別進行處理，構成多個學習行為數(shù)據(jù)集，按照課程-學生-學習行為數(shù)據(jù)的樹形結構，整理好原始數(shù)據(jù)集；對于在線課堂簽到情況，按照時間順序，以1和0代表是否簽到構建時序數(shù)據(jù)集；對于觀看視頻的次數(shù)和時長，以數(shù)值的形式表征各個時點發(fā)生的動作；對于論壇參與度，以課程中的每次課為單位統(tǒng)計論壇發(fā)帖數(shù)量，以便后續(xù)構建時序數(shù)據(jù)；對于作業(yè)提交情況和測試成績，按照時間順序排列作業(yè)和測試成績，將數(shù)據(jù)歸一化，以便后續(xù)構建時序數(shù)據(jù)；對于視頻觀看動作，定義1，2，3，4分別表示播放、暫停、跳轉(zhuǎn)、完成四個動作，處理視頻觀看動作、動作對應的視頻時間點、動作發(fā)生的具體時間這三個特征信息，并對每個視頻的三個維度特征構建時序數(shù)據(jù)集。

31、(33)將每個學生的學習行為數(shù)據(jù)聚合到相應的時間粒度上，形成時間序列數(shù)據(jù)。

32、進一步的，數(shù)據(jù)轉(zhuǎn)換模塊，其工作過程包括如下步驟：

33、(41)使用格拉姆角場法(gaf)對在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績這六個維度的學習行為時序數(shù)據(jù)進行數(shù)據(jù)轉(zhuǎn)換，形成兩個32×32×3(w×h×c)三通道的時序圖像，將以上兩個圖像拼接成一個64×32×3(w×h×c)三通道的時序圖像一。

34、(42)從每個視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)中提取三個關鍵維度的信息：將這些信息填充到三通道圖像中，三通道指的是圖像有三個顏色通道，通常是rgb模式，其中r代表紅色，g代表綠色，b代表藍色；

35、(43)對每個視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)三個序列進行量化和歸一化：然后對三個序列進行量化和歸一化使其范圍都在0到255這個區(qū)間內(nèi)，方便后續(xù)的像素填充；

36、(44)填充和裁剪數(shù)據(jù)：為了能夠準確存儲信息且不丟失太多信息，將三組序列數(shù)據(jù)通過填充和裁剪的方式使長度統(tǒng)一為64，這一步驟確保了所有序列數(shù)據(jù)在長度上的對齊；

37、(45)轉(zhuǎn)換為三通道的圖像：最后通過像素填充的方式，將每個視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)這三組序列數(shù)據(jù)轉(zhuǎn)換為一個三通道的圖像，得到單個視頻學習數(shù)據(jù)對應的圖像尺寸為64×1×3(w×h×c)，選取最多為32個的視頻觀看時序圖像數(shù)據(jù)拼接成一個64×32×3(w×h×c)的時序圖像，不足32個的數(shù)據(jù)則用空白補齊，這樣就得到了視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)的三通道圖像二。

38、進一步的，圖像融合模塊，其工作過程包括如下步驟：

39、將時序圖像一和時序圖像二進行拼接，這樣就得到了一個圖像尺寸為64×64×3(w×h×c)的，包含在線課堂簽到情況、視頻觀看次數(shù)和時長、論壇參與度、作業(yè)提交情況和測試成績、視頻觀看過程數(shù)據(jù)(包含動作、動作對應的視頻時間點、動作發(fā)生的具體時間)的三通道總圖像。

40、進一步的，圖像分類模塊，其工作過程包括如下步驟：

41、(61)采用深度學習或其他圖像分類算法對處理后的圖像進行分類：輸入的圖像數(shù)據(jù)經(jīng)過self?attention?model模塊的殘差連接模塊和channel?attention?model模塊的殘差連接模塊進行注意力機制的提取后，再輸入到一個transformer?model中進行特征提取，最后經(jīng)過分類器分類后得到成績預測的結果。

42、在self-attention?model模塊中，第一步，生成查詢(query)、鍵(key)和值(value)，對于輸入圖像中的每個像素，通過可學習的權重矩陣wq、wk和wv分別生成對應的query、key和value向量，計算公式如公式1所示：

43、q＝xwq，k＝xwk,v＝xwv??(公式1)

44、其中，x是輸入圖像的像素值，q、k和v分別代表查詢、鍵和值。

45、第二步，注意力權重的計算：計算每個查詢向量q與所有鍵向量k之間的相似度，并通過softmax函數(shù)歸一化，得到注意力權重，計算公式如公式2所示。

46、

47、其中dk是鍵向量的維度，用于縮放點積，避免梯度消失問題。

48、第三步，輸出計算：歸一化的權重與值向量相乘，得到加權求和的輸出，即注意力值，計算公式如公式3所示。

49、attention(q,k,v)＝weight?ts·v??(公式3)

50、attention(q,k,v)可以被視為輸入序列的新表示，其中包含了每個元素相對于整個序列的重要性信息。

51、數(shù)據(jù)在進入channel-attention模塊之前，會先通過一個殘差連接模塊，計算公式如公式4所示。

52、

53、channel?attention?model模塊分為兩個部分，壓縮通道特征和特征重標定：

54、壓縮通道特征的計算公式如公式5所示，x代表輸入的特征圖，c1dc表示核大小為c的一維卷積。

55、z＝σ(c1dc(x))??公式5)

56、特征重標定通常通過一個簡單的逐元素乘法操作來實現(xiàn)，即每個通道的值乘以相應的注意力權重。經(jīng)過壓縮通道特征后，還需要和原特征圖x進行合并，就是把這個向量直接與原特征圖相乘，如公式6所示。

57、f(z,x)＝zx??(公式6)

58、經(jīng)過channel-attention模塊處理后的數(shù)據(jù)在輸入transformer模塊之前要經(jīng)過一次殘差連接，如公式7所示。

59、

60、最后，經(jīng)過transformer?model進行特征提取和分類器進行分類后的預測結果分為優(yōu)秀、良好、中等、及格和不及格五類。

61、(62)使用訓練數(shù)據(jù)集對分類模型進行訓練，直到模型達到滿意的準確率；

62、(63)使用驗證數(shù)據(jù)集對模型進行驗證，調(diào)整模型參數(shù)，以提高模型的泛化能力；

63、(64)使用訓練好的模型對新的學生圖像數(shù)據(jù)進行預測，得到學習成績的預測結果。

64、進一步的，反饋模塊，其實現(xiàn)步驟如下：

65、(71)根據(jù)學習成績的預測結果，為學生提供個性化的學習建議；

66、(72)將學習成績的預測結果反饋給教師和教育機構，以便他們更好地了解學生的學習狀況，提供更有效的教育服務。

67、本發(fā)明提供一種電子設備，所述電子設備包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器運行所述計算機程序時，執(zhí)行上面所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測方法的步驟。

68、本發(fā)明提供一種計算機可讀存儲介質(zhì)，其存儲計算機程序，所述計算機程序使得計算機可讀存儲介質(zhì)執(zhí)行上面所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測方法的步驟。

69、本發(fā)明提供一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)上面所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測方法的步驟。

70、本發(fā)明具有如下有益技術效果：

71、1、本發(fā)明所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，通過將在線學習過程數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，并結合圖像處理和分類技術，本發(fā)明能夠更準確地預測學生的學習成績。這種基于圖像的分類方法能夠捕捉到學習行為數(shù)據(jù)中的復雜模式和特征，從而提高學習成績預測的準確性和可靠性。

72、2、本發(fā)明所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，采用了多維度的時序數(shù)據(jù)構建方法，能夠全面地考慮學生的學習行為隨時間的變化規(guī)律。通過將不同維度的學習行為數(shù)據(jù)映射到圖像中，可以更好地觀察到學習行為之間的關聯(lián)和趨勢，為學習成績預測提供了更豐富的信息。

73、3、本發(fā)明所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，提供了個性化的學習建議和指導。通過預測學生的學習成績，可以根據(jù)學生的具體情況提供個性化的學習建議，幫助學生識別自身的優(yōu)勢和不足，并針對性地進行學習計劃的調(diào)整和改進，從而提高學習效果。

74、4、本發(fā)明所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，可廣泛應用于各類在線學習平臺和系統(tǒng)。無論是高等教育、職業(yè)教育還是終身學習，本發(fā)明的方法都可以為教育者提供有價值的參考，幫助改善教學質(zhì)量和學習效果，提升在線教育的整體水平。

75、5、本發(fā)明所述的一種基于在線學習平臺過程數(shù)據(jù)成績預測裝置及方法，具有較好的實用性和可行性。通過收集在線學習平臺上的學習行為數(shù)據(jù)，結合圖像處理和分類技術，本發(fā)明提供了一種高效、準確的學習成績預測方法。同時，該方法具有良好的擴展性，可以結合其他類型的數(shù)據(jù)和更先進的圖像處理技術，進一步提高學習成績預測的準確性和可靠性。