申请/专利权人：湖南软件职业技术大学

申请日：2023-09-11

公开（公告）日：2024-01-26

公开（公告）号：CN117114495B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/20;G06F18/213;G06F18/24;G06F18/23

优先权：

专利状态码：有效-授权

法律状态：2024.01.26#授权;2023.12.12#实质审查的生效;2023.11.24#公开

摘要：本发明涉及教育质量评估的技术领域，揭露了一种能力生成分析的职业本科教育质量评估方法，所述方法包括：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据；分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。

主权项：1.一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述方法包括：S1：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据，所述原始职业本科教育过程数据包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据；对原始职业本科教育过程数据进行相似性类别聚类，包括：对原始职业本科教育过程数据进行相似性类别聚类，得到不同类别的原始职业本科教育过程数据，所述相似性类别聚类流程为：S11：从原始职业本科教育过程数据中随机选取k个过程数据作为初始类别的中心点，计算原始职业本科教育过程数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始职业本科教育过程数据中未被选取的过程数据；S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；S13：计算每个聚类簇中非中心点到其他点的距离和；S14：随机选取每个聚类簇中非中心点作为簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和；S15：若，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的原始职业本科教育过程数据集合，表示第k个类别的原始职业本科教育过程数据，其中每个类别的原始职业本科教育过程数据包含若干个时刻的过程数据，按照时序排列；S2：分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；对不同类别中的原始职业本科教育过程数据进行特征分解，包括：对K个类别的职业本科教育过程数据集合中任意第k个类别的职业本科教育过程数据进行特征分解，所述特征分解的流程为：S21：将不同类别的职业本科教育过程数据转换为轨迹矩阵： ；其中： 表示第k个类别职业本科教育过程数据中第个学生的第个过程数据，表示学生职业本科教育过程数据的数据总数，表示第k个类别职业本科教育过程数据中的学生数量；S22：计算矩阵，其中T表示转置；S23：计算矩阵的协方差矩阵： ；S24：计算得到协方差矩阵的第u个特征值： ；其中：I表示单位矩阵；选取所计算得到的协方差矩阵最大的N个特征值，其中，特征值所对应的特征向量为： ；S25：将所选取的N个特征值中最大的r个特征值分别构建为r个职业本科教育过程数据分解分量，其中特征值所对应的职业本科教育过程数据分解分量为： ；构建得到的r个职业本科教育过程数据分解分量集合为：；S26：将其余特征值以及特征向量构建为职业本科教育过程数据的残余分量： ；其中： 表示职业本科教育过程数据的残余分量；所述职业本科教育过程数据的特征分解结果为： ；所述K个类别的职业本科教育过程数据的特征分解结果为；S3：选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；所述选取最优类别的职业本科教育过程数据进行分解得到职业本科教育过程数据的分解分量和残余分量，包括：计算不同类别职业本科教育过程数据的价值，其中过程数据的价值为： ；其中： 表示第k个类别的职业本科教育过程数据的价值； 表示职业本科教育过程数据中的数据总数；将价值最大的类别作为最优类别，所述最优类别所对应的职业本科教育过程数据为，特征分解结果为，其中表示职业本科教育过程数据在第z个特征值上的分解分量，表示残余分量；所述职业本科教育过程数据分解分量相似性度量模型的输入为同一类别职业本科教育过程数据中两个不同学生的职业本科教育过程数据分解分量，输出为分解分量的相似性，将相似性较高的职业本科教育过程数据分解分量进行重构合并，其中重构合并方法为叠加职业本科教育过程数据分解分量；将中任意两个学生的职业本科教育过程数据分解分量输入到职业本科教育过程数据分解分量相似性度量模型中，其中表示不同学生，所述相似性度量流程为：S32：计算职业本科教育过程数据分解分量之间的分量距离： ；其中： 表示职业本科教育过程数据分解分量中的第z个特征上的分量值，表示职业本科教育过程数据分解分量中的第z个特征上的分量值；S33：对于任意，计算的职业本科教育过程数据分解分量数量为，其中表示容许偏差；S34：计算职业本科教育过程数据分解分量之间的相似度： ；若，则令，得到合并后的职业本科教育过程数据分解分量，其中表示相似阈值；S4：构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；构建动态学生知识点掌握程度评估模型，利用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量分别进行知识点掌握程度预测；所述动态学生知识点掌握程度评估模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括职业本科教育过程数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的知识点掌握程度预测结果；S5：将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果；基于职业本科教育过程数据分解分量的知识点掌握程度预测结果为，基于残余分量的知识点掌握程度预测结果为，所述各分量的预测结果叠加公式为： ；其中： 表示知识点掌握程度预测结果；职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，公式为： ；其中： 表示学生数量； 表示学生i的知识点掌握程度预测结果。

全文数据：

权利要求：

百度查询： 湖南软件职业技术大学 一种能力生成分析的职业本科教育质量评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD