基于大数据的学习预警方法技术

本发明专利技术公开了一种基于大数据的学习预警方法，所述预警方法包括以下步骤：步骤一，以学校或某一学院为对象，采集该对象中全部学生全部学科的现有的绩点成绩；步骤二，通过聚类分析得到初步的相关性课程，之后通过近邻算法结合核支持向量机分类器在聚类得到的粗糙集合中挖掘课程间更深层次的联系；步骤三，基于多元线性回归方法得出各必修课预测模型，根据现有学期的相关课程成绩，在学期初预测各门重要必修课的成绩。该方法有效预测学生成绩并及时进行干预，可以为学生学习思想动态的引导和教学质量提升提供重要的依据。

Learning Early Warning Method Based on Big Data

【技术实现步骤摘要】
基于大数据的学习预警方法
本专利技术涉及一种基于大数据的学习预警系统,是属于生物特征识别

技术介绍
现有的学业预警通常是在教学过程结束之后进行的，对于教学过程中的预警是个空白，缺乏时效性。目前国内高校的预警只是针对学生成绩做出预警，忽略了与学生成绩密切相关的学生平时上课出勤情况、作业情况、学习态度等。大学学习中，有一些专业课程需要相关基础课程作为知识储备。专业课程的任课教师不了解学生对基础课程的掌握程度，在教学过程中主要依靠往年教学经验，而无法对目前的学生进行有针对性的授课。通过分析往届学生每学期的学习数据(如：高考分数，基础课程成绩，课程出勤率，自习时间等)，得出相关课程之间的联系，计算出特定因素对某一课程成绩的影响百分比。根据以上结论预测下一届学生在该课程上的挂科率。将预测结果反馈在任课教师的学生名单上，教师可以根据学生的预测挂科率调整教学方案，侧重关注预测挂科率高的学生，从而提高学生在该课程上的通过率。
技术实现思路
本专利技术就是针对上述的问题，将观察学生们整体学习情况的分布态势。避免因人为经验导致在评估过程中只关注某些课程的绩点，为促进学生全面发展，因材施教，正确评估本文档来自技高网...

【技术保护点】
1.基于大数据的学习预警方法，其特征在于，所述预警方法包括以下步骤：步骤一，以学校或某一学院为对象，采集该对象中全部学生全部学科的现有的绩点成绩；步骤二，通过聚类分析得到初步的相关性课程，之后通过近邻算法结合核支持向量机分类器在聚类得到的粗糙集合中挖掘课程间更深层次的联系；步骤三，基于多元线性回归方法得出各必修课预测模型，根据现有学期的相关课程成绩，在学期初预测各门重要必修课的成绩。

【技术特征摘要】
1.基于大数据的学习预警方法，其特征在于，所述预警方法包括以下步骤：步骤一，以学校或某一学院为对象，采集该对象中全部学生全部学科的现有的绩点成绩；步骤二，通过聚类分析得到初步的相关性课程，之后通过近邻算法结合核支持向量机分类器在聚类得到的粗糙集合中挖掘课程间更深层次的联系；步骤三，基于多元线性回归方法得出各必修课预测模型，根据现有学期的相关课程成绩，在学期初预测各门重要必修课的成绩。2.根据权利要求1所述的基于大数据的学习预警方法，其特征在于，所述步骤二中，首先，通过高斯核的谱聚类算法将课程进行聚类，将全部课程间的关系采用点与点之间的距离来描述：通过计算所有点之间的欧氏距离wij＝||xi-xj||2来构造一个距离矩阵W，之后通过高斯核函数来构造相似矩阵S，其中sij＝kij，接下来，谱聚类算法在构造度矩阵D，在非对角线上的元素设为0，再构造拉普拉斯矩阵L＝D-W，将拉普拉斯矩阵标准化后对它求前k个最小的特征值对应的特征向量，构造出一个nd的矩阵，再对该矩阵进行k均值聚类得到簇划分结果C＝{C1,C2,...,Ck}；xi是第i个样本,特征列向量，kij是高斯核函数，sij是矩阵里的数列；其次，定义如下的高斯混合分布模型为概率密度函数：该分布共由k个混合成分构成，每个混合成分对应一个高斯分布，其中μi与是第i个高斯混合成分的参数，而αi＞0为相应的混合系数，PM(x)是高斯混合分布；通过已有的学生成绩样本点的采样，估计出该学生的学习能力所对应的概率密度函数；再进一步用所述概率密度函数对未开课课程进行预测。3.根据权利要求2所述的基于大数据的学习预警方法，其特征在于，对所述高斯核函数的求解过程具体为：根据高斯核函数把距离矩阵转换为相似矩阵，这样距离近的点相似度大，距离远的点相似度小，之后建立拉普拉斯矩阵L＝D-W，用求出拉普拉斯矩阵的前k个最小特征...

【专利技术属性】
技术研发人员：胡挺，宋汀，夏冰，任盈盈，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32