评估模型的构建方法、装置、设备及存储介质与流程

本发明涉及深度学习领域，尤其涉及一种评估模型的构建方法、装置、设备及存储介质。

背景技术：

1、随着在线教育和远程学习的快速发展，越来越多的学生和教育机构采用在线网课作为主要的学习方式。这种学习模式带来了许多优势，包括灵活性、可访问性和适应性。然而，它也引入了新的挑战，其中之一是如何有效地评估学生的学习状态和进展。

2、传统的面对面教育中，教师可以根据学生的表现、互动和反馈来评估学习状态。但在线网课通常缺乏实时的师生互动，这使得学生的学习状态更难以监测和评估。因此，有必要开发一种自动化的评估模型，能够根据学生的学习行为和学习数据来预测他们的学习状态，以及提供个性化的建议和支持。

技术实现思路

1、本发明提供了一种评估模型的构建方法、装置、设备及存储介质，用于提高网课学习状态的评估准确率。

2、本发明第一方面提供了一种评估模型的构建方法，所述评估模型的构建方法包括：

3、获取多个样本网课学习状态数据，并对所述多个样本网课学习状态数据进行特征提取，得到多个网课学习状态特征集合；

4、对所述多个网课学习状态特征集合进行向量映射，得到多个样本网课学习状态向量；

5、将所述多个样本网课学习状态向量输入预置的多个第一深度学习模型进行模型训练，得到每个第一深度学习模型的第一预测结果，其中，每个第一深度学习模型包括：卷积长短时记忆网络、全连接层、注意力机制层及softmax层；

6、根据所述第一预测结果，通过预置的遗传算法对所述多个第一深度学习模型进行参数组合搜索，得到每个第一深度学习模型的最佳参数组合，并通过所述最佳参数组合对所述多个第一深度学习模型进行参数调优，得到多个第二深度学习模型；

7、分别设置所述多个第二深度学习模型的第一模型权重，并根据所述第一模型权重，对所述多个第二深度学习模型进行模型集成，得到初始网课学习状态评估模型；

8、将所述多个样本网课学习状态向量输入所述初始网课学习状态评估模型进行网课学习状态评估，得到第二预测结果以及模型拟合优度，并根据所述模型拟合优度生成对应的目标网课学习状态评估模型。

9、结合第一方面，在本发明第一方面的第一种实现方式中，所述获取多个样本网课学习状态数据，并对所述多个样本网课学习状态数据进行特征提取，得到多个网课学习状态特征集合，包括：

10、通过预置的网课教学平台获取多个样本网课学习状态数据，并对所述多个样本网课学习状态数据进行数据清洗，得到多个标准网课学习状态数据；

11、计算所述多个标准网课学习状态数据的视频观看特征，得到多个视频观看特征，其中，所述多个视频观看特征包括：视频观看数量、观看时长及观看频率；

12、计算所述多个标准网课学习状态数据的作业和测验特征，得到多个作业和测验特征，其中，所述作业和测验特征包括：作业数量、得分情况及测验成绩；

13、计算所述多个标准网课学习状态数据的参与度特征，得到多个参与度特征，其中，所述参与度特征包括：参与讨论的次数及提出问题的频率；

14、计算所述多个标准网课学习状态数据的学习进度特征，得到多个学习进度特征，其中，所述学习进度特征包括：课程完成百分比及学习速度；

15、计算所述多个标准网课学习状态数据的互动模式特征，得到多个互动模式特征，其中，所述互动模式特征包括：学生的学习行为、学习时长及学习时间段；

16、根据所述视频观看特征、所述作业和测验特征、所述参与度特征、所述学习进度特征及所述互动模式特征，生成多个网课学习状态特征集合。

17、结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个网课学习状态特征集合进行向量映射，得到多个样本网课学习状态向量，包括：

18、对所述多个网课学习状态特征集合进行时序转换，得到多个时间序列的状态特征集合；

19、对所述多个时间序列的状态特征集合进行特征图映射，得到多个状态特征图；

20、分别对所述多个状态特征图进行统计指标分析，得到每个网课学习状态特征集合的多个统计指标数据；

21、分别对每个网课学习状态特征集合的多个统计指标数据进行标准化处理，得到每个网课学习状态特征集合的多个标准指标数据；

22、分别对每个网课学习状态特征集合的多个标准指标数据进行向量映射，得到多个样本网课学习状态向量。

23、结合第一方面，在本发明第一方面的第三种实现方式中，所述将所述多个样本网课学习状态向量输入预置的多个第一深度学习模型进行模型训练，得到每个第一深度学习模型的第一预测结果，其中，每个第一深度学习模型包括：卷积长短时记忆网络、全连接层、注意力机制层及softmax层，包括：

24、将所述多个样本网课学习状态向量输入预置的多个第一深度学习模型，其中，每个第一深度学习模型包括：卷积长短时记忆网络、全连接层、注意力机制层及softmax层；

25、通过所述第一深度学习模型中的卷积长短时记忆网络，对所述样本网课学习状态向量进行特征提取，得到样本状态特征向量；

26、通过所述第一深度学习模型中的全连接层，对所述样本状态特征向量进行高维特征运算，得到高维状态特征向量；

27、通过所述第一深度学习模型中的注意力机制层，对所述高维状态特征向量进行特征权重运算，得到注意力状态特征向量；

28、通过所述第一深度学习模型中的softmax层，对所述注意力状态特征向量进行概率分布映射，得到每个第一深度学习模型的第一预测结果。

29、结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述第一预测结果，通过预置的遗传算法对所述多个第一深度学习模型进行参数组合搜索，得到每个第一深度学习模型的最佳参数组合，并通过所述最佳参数组合对所述多个第一深度学习模型进行参数调优，得到多个第二深度学习模型，包括：

30、通过预置的遗传算法分别定义每个第一深度学习模型的目标参数搜索空间；

31、基于所述目标参数搜索空间和所述第一预测结果，对所述多个第一深度学习模型进行参数组合初始化，得到初始化参数组合种群，其中，所述初始化参数组合种群包括多个第一候选参数组合；

32、计算所述初始化参数组合种群中每个第一候选参数组合的适应度评价指标s，并将所述适应度评价指标s与预置的第一目标阈值a1和第二目标阈值a2比较，其中，第一目标阈值a1＜第二目标阈值a2；

33、若适应度评价指标s≤第一目标阈值a1，则对应的第一候选参数组合为未感染子群，若第一目标阈值a1＜适应度评价指标s≤第二目标阈值a2，则确定对应的第一候选参数组合为易感染子群，若适应度评价指标s＞第二目标阈值a2，则确定对应的第一候选参数组合为已感染子群；

34、分别对所述未感染子群、所述易感染子群及所述已感染子群进行繁殖、交叉和变异，得到多个第二候选参数组合；

35、对所述多个第二候选参数组合进行适应度分析和最优化组合，得到每个第一深度学习模型的最佳参数组合；

36、通过所述最佳参数组合对所述多个第一深度学习模型进行参数调优，得到多个第二深度学习模型。

37、结合第一方面，在本发明第一方面的第五种实现方式中，所述分别设置所述多个第二深度学习模型的第一模型权重，并根据所述第一模型权重，对所述多个第二深度学习模型进行模型集成，得到初始网课学习状态评估模型，包括：

38、根据每个第一深度学习模型的最佳参数组合，分别设置所述多个第二深度学习模型的第一模型权重；

39、根据所述第一预测结果和所述第一模型权重，构建模型集成训练数据；

40、通过所述模型集成训练数据，对所述多个第二深度学习模型进行模型权重设置和模型集成，得到初始网课学习状态评估模型。

41、结合第一方面，在本发明第一方面的第六种实现方式中，所述将所述多个样本网课学习状态向量输入所述初始网课学习状态评估模型进行网课学习状态评估，得到第二预测结果以及模型拟合优度，并根据所述模型拟合优度生成对应的目标网课学习状态评估模型，包括：

42、将所述多个样本网课学习状态向量输入所述初始网课学习状态评估模型，通过所述初始网课学习状态评估模型进行网课学习状态评估，得到第二预测结果；

43、根据所述第二预测结果，计算所述初始网课学习状态评估模型的模型拟合优度；

44、根据所述模型拟合优度生成所述初始网课学习状态评估模型的模型调整策略；

45、根据所述模型调整策略对所述初始网课学习状态评估模型进行模型调整，得到对应的目标网课学习状态评估模型。

46、本发明第二方面提供了一种评估模型的构建装置，所述评估模型的构建装置包括：

47、获取模块，用于获取多个样本网课学习状态数据，并对所述多个样本网课学习状态数据进行特征提取，得到多个网课学习状态特征集合；

48、映射模块，用于对所述多个网课学习状态特征集合进行向量映射，得到多个样本网课学习状态向量；

49、训练模块，用于将所述多个样本网课学习状态向量输入预置的多个第一深度学习模型进行模型训练，得到每个第一深度学习模型的第一预测结果，其中，每个第一深度学习模型包括：卷积长短时记忆网络、全连接层、注意力机制层及softmax层；

50、搜索模块，用于根据所述第一预测结果，通过预置的遗传算法对所述多个第一深度学习模型进行参数组合搜索，得到每个第一深度学习模型的最佳参数组合，并通过所述最佳参数组合对所述多个第一深度学习模型进行参数调优，得到多个第二深度学习模型；

51、集成模块，用于分别设置所述多个第二深度学习模型的第一模型权重，并根据所述第一模型权重，对所述多个第二深度学习模型进行模型集成，得到初始网课学习状态评估模型；

52、评估模块，用于将所述多个样本网课学习状态向量输入所述初始网课学习状态评估模型进行网课学习状态评估，得到第二预测结果以及模型拟合优度，并根据所述模型拟合优度生成对应的目标网课学习状态评估模型。

53、本发明第三方面提供了一种评估模型的构建设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述评估模型的构建设备执行上述的评估模型的构建方法。

54、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的评估模型的构建方法。

55、本发明提供的技术方案中，获取多个样本网课学习状态数据并进行特征提取，得到多个样本网课学习状态向量；将多个样本网课学习状态向量输入多个第一深度学习模型进行模型训练，得到第一预测结果；根据第一预测结果进行参数组合搜索，得到最佳参数组合，并进行参数调优，得到多个第二深度学习模型；进行模型集成，得到初始网课学习状态评估模型；将多个样本网课学习状态向量输入初始网课学习状态评估模型进行网课学习状态评估，得到第二预测结果以及模型拟合优度，并根据模型拟合优度生成对应的目标网课学习状态评估模型，本发明利用深度学习和机器学习技术，能够自动从多源学习数据中提取特征和模式，从而实现了对学生学习状态的自动评估。该模型整合了来自不同来源的学习数据，包括视频观看、作业完成、互动等多种信息，通过遗传算法进行参数搜索和调优，模型可以不断改进自身的性能，进而提高了网课学习状态的评估准确率。