申请/专利权人：泰山学院

申请日：2024-02-22

公开（公告）日：2024-03-26

公开（公告）号：CN117763361A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/25;G06N3/048;G06Q50/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种基于人工智能的学生成绩预测方法及系统，方法数据收集、认知参数集构建、学习表现预测、模型可解释性优化和学生成绩预测。本发明涉及学生成绩预测技术领域，具体是指一种基于人工智能的学生成绩预测方法及系统，本方案构造多通道认知参数集，提升了数据的维度和质量；构建学生本体表示子网和学习资源表示子网，通过特征编解码模拟学生本体和学习资源，提高了特征表示的精确程度；采用深浅学习特征融合子网并采用卷积神经网络进行学生表现预测，提高了模型预测地准确性和可用性；从三个维度进行模型可解释性优化，整体上优化了方法地可解释性，为预测结果提供了更好的理论和实际支持。

主权项：1.一种基于人工智能的学生成绩预测方法，其特征在于：该方法包括以下步骤：步骤S1：数据收集；步骤S2：认知参数集构建；步骤S3：学习表现预测；步骤S4：模型可解释性优化；步骤S5：学生成绩预测；在步骤S1中，所述数据收集，用于收集学生成绩预测所需的原始数据集，具体为从智能教学系统中，通过数据采集，得到学生成绩预测原始数据；在步骤S2中，所述认知参数集构建，用于初始化学生成绩预测所需的参数数据集，具体为依据所述学生成绩预测原始数据，构建得到多通道认知参数集，所述多通道认知参数集，具体包括学习资源参数集和学生本体参数集；在步骤S3中，所述学习表现预测，用于采用人工智能方法进行学生的学习表现基本情况预测，具体为依据所述多通道认知参数集，采用结合深浅学习特征融合的深度卷积神经网络进行学习表现预测，得到学习表现预测数据；所述结合深浅学习特征融合的深度卷积神经网络，具体包括学生本体表示子网、学习资源表示子网、学习资源响应模拟子网、深浅学习特征融合子网和学习表现预测基本卷积子网；在步骤S4中，所述模型可解释性优化，用于对学生表现预测模型的可解释性进行优化，具体为通过可解释性增强方法对所述学生表现预测模型ModelPP，进行可解释性增强，得到优化学生表现预测模型ModelBP；所述结合双向特征金字塔网络的高效B4提取网络，具体包括高效B4提取网络子块、双向特征金字塔网络子块和框类预测子块；在步骤S5中，所述学生成绩预测，用于进行学生成绩预测，具体为采用所述化学生表现预测模型ModelBP，依据所述学生成绩预测原始数据，进行学生成绩预测，得到学生预测成绩数据。

全文数据：

权利要求：

百度查询： 泰山学院 一种基于人工智能的学生成绩预测方法及系统

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