一种基于AI识别数据的学生评估方法及系统技术方案

本发明专利技术公开了一种基于AI识别数据的学生评估方法及系统，涉及智能教育领域。适用于学生评估的轻量级网络模型，该模型以AI识别数据为输入，以评估结果为输出；提出了训练数据生成算法、训练数据生成算法，通过上述算法将多维AI识别数据及标签统一处理成适用于网络模型的训练数据，可解决任意AI识别数据与各类标签之间维度不统一，原生数据无法满足多维度、跨时间段预测模型训练的难题；提出模拟数据生成算法、模拟标签生成算法，使用这些算法并配上训练数据生成算法、训练数据生成算法生成模拟训练数据。使用生成的模拟训练数据对网络模型进行预训练，解决了学生评估这类应用场景下标签量不足的难题。标签量不足的难题。标签量不足的难题。

【技术实现步骤摘要】
一种基于AI识别数据的学生评估方法及系统


[0001]本专利技术涉及智能教育领域，特别是涉及一种基于AI识别数据的学生评估方法及系统。

技术介绍

[0002]随着人工智能技术的蓬勃发展与成熟，其被广泛应用到各种场景。在课堂场景下，人工智能技术常被应用于识别学生的情绪、姿态、视线等。当前阶段，课堂环境下的人工智能技术通常是单技术维度的识别，即各自发挥各自的识别功能，同时也是单时空维度上的识别，即仅对当前阶段的单个学生进行识别。这类单技术维度、单时空维度的识别无法完全发挥这类技术给智能教育领域带来的益处，存在资源浪费，软硬件资源冗余等问题。
[0003]为充分发挥各类单维度识别技术的作用，减少资源浪费及冗余。本专利技术将提出一种统一、泛化的方法，将单技术、单时空维度获取的AI识别数据进行多维度处理，进而对学生进行多空间维度和多时间维度的综合评价和发展预测。

技术实现思路

[0004]本专利技术旨在解决现有技术中存在的问题，特别提出了一种基于AI识别数据的学生评估方法及系统。
[0005]为了实现本专利技术的上述目的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI识别数据的学生评估方法，包括：步骤S1，设计深度学习网络模型，该模型可使用处理后的AI识别数据对学生进行任意时间跨度的综合评估；步骤S2，使用模拟数据生成算法，生成含多位学生的模拟AI识别数据；本步骤生成的模拟AI识别数据，满足多维度的随机性且均满足正态分布，整体数据值的走向可控；步骤S3，使用模拟标签生成算法，通过步骤S2中生成的任意数量模拟AI识别数据产生模拟标签；此处的模拟标签将被用于生成模拟训练数据，模拟训练数据将被用于模型的预训练；步骤S4，使用步骤S3中的模拟标签，配合标签对应的所有模拟AI识别数据，通过训练数据生成算法对模拟AI识别数据进行处理并生成模拟训练数据；模拟训练数据保存在数据库中；步骤S5，使用步骤S4生成的模拟训练数据，对步骤S1中设计好的深度学习网络模型进行预训练；步骤S6，确定学生的真实标签，该真实标签表示对学生的评估，真实标签保存于数据库中，并可进行修改；步骤S7，获取到数据库中的所有真实标签，再在数据库中获取每个真实标签对应的所有真实AI识别数据；通过训练数据生成算法对获取到的真实AI识别数据进行处理，生成最终的真实训练数据，真实训练数据保存到数据库中；步骤S8，获取数据库的真实训练数据，使用获取到的真实训练数据对步骤S1中的深度学习网络模型进行训练；针对不同阶段下的深度学习模型，会使用不同真实训练数据；深度学习模型预测准确率在百分之七十以下时，训练数据生成算法产生的训练数据。深度学习模型预测准确率在百分之七十之上时，含丢弃策略的训练数据生成算法产生的训练数据。步骤S9，在深度学习模型训练成熟之后，使用训练好的深度学习模型对学生进行任意时空跨度的综合评估。2.如权利要求1所述的一种基于AI识别数据的学生评估方法，其特征在于，所述步骤2中的模拟数据生成算法具体步骤为：步骤S21，随机生成n位学生信息，以不同的学号标记，学号记为：[sid1,sid2,...,sid
i
,...,sid
n
]；其中sid
i
是模拟生成的第i位学生的学号，学生信息还包括性别、学院、姓名，这些基本学生信息将被持久化的保存到数据库中，这些生成的学生将模拟进行选课、上课、生成AI识别数据流程；步骤S22，使用步骤S21中的学号及随机生成算法为每位学生赋予独有的属性，n位学生的独有属性集合记为[property1,property2,...,property
i
,...,property
n
]，其中property
i
是模拟生成的第i位学生的独有属性；每个学生的独有属性都代表了这个模拟生成学生的独有性，代表了这个学生更倾向于表现出好的学习状态或者坏的学习状态，每个学生的独有属性都应近似随机，且所有独有属性整体服从正态分布，当前阶段获取到的独
有属性集合暂时还不具有完全的随机性也不服从正态分布；步骤S23，对步骤S22中的独有属性集合使用随机打乱算法进行打乱操作，进而得到打乱后独有属性集合[Lproperty1,Lproperty2,...,Lproperty
i
,...,Lproperty
n
]，打乱后的独有属性近乎完全随机；步骤S24，对打乱后独有属性集合中的值使用函数映射使得经过映射后并打乱后的独有属性集合具有正态分布特性，对于打乱后独有属性集合中的每个Lproperty
i
都经过函数：其中经过映射后并打乱后独有属性集合记为最终独有属性集合：[finalProperty1,finalProperty2,...,finalProperty
i
,...,finalProperty
n
]；步骤S25，定义Le门课程，每门课程有choice
i
种选择，其中Le≥i>0，每门课程都会有老师、上课时间、课程周次信息；步骤S21生成的每位学生将基于这些课程进行随机选课；步骤S26，按照时间顺序，从第一周的第一门课开始依次生成模拟AI识别数据。3.如权利要求1所述的一种基于AI识别数据的学生评估方法，其特征在于，所述步骤3中模拟标签生成算法的具体步骤为：步骤S31，随机选择一门课程，随机选择该课程的某一位学生，并随机生成某个时间段，这个时间段需要在选择的课程对应的时间段之内；步骤S32，根据步骤S31中的课程、学生、时间段限定，获取到课程、学生、时间段相匹配的模拟的AI识别数据集合：T＝{[a
11
,a
12
,...,a
1i
,...,a
1n
],[a
21
,a
22
,...,a
2i
,...,a
2n
],......,[a
m1
,a
m2
,...,a
mi
,...,a
mn
]}；其中a
mi
表示在上述课程、学生限定的前提下，随机生成的第m个时间段中，第i个模拟AI识别数据；步骤S33，为每维特征分配正面状态权重、负面状态权重，每个维度的特征都定义一个权重分配函数g
i
(x)，每个权重分配函数也有权重W
i
；步骤S34，使用步骤S32中的AI识别数据集合T进行标签值计算：步骤S35，重复步骤S31，S32，S34生成模拟标签直至模拟标签数量达到预期为止。4.如权利要求1所述的一种基于AI识别数据的学生评估方法，其特征在于，所述步骤S4、步骤S7和步骤S8中的训练数据生成算法具体步骤具体包括：步骤S41,获取步骤S4中描述的标签对应的所有的AI识别数据：Data＝[a
11
,a
12
,...,a
1i
,...,a
1n
],[a
21
,a
22
,...,a
2i
,...,a
2n
],......,[a
m1
...

【专利技术属性】
技术研发人员：杨峰，李瑞，夏鸿宇，陈沁，王士淳，李亮杰，钟昊原，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：