一种基于元学习和支持向量描述的学业预警方法技术

本发明专利技术公开了一种基于元学习和支持向量描述的学业预警方法，该方法包括：通过元学习建立学业预测主模型；基于支持向量描述建立学业预测辅助模型；获取学生在第一阶段的当前学习行为数据并输入至学业预测主模型，得到第一学业结果；获取学生在第二阶段的当前学习行为数据并输入至学业预测辅助模型，得到第二学业结果；设定学业预警条件，根据第一学业结果和第二学业结果判断学生是否符合学业预警条件，当学生符合学业预警条件时对学生采取相应的预警措施。本申请通过学业预测主模型和学业预测辅助模型判断学生是否存在学业预警的情况，学业预测辅助模型对学业预测主模型进行误差补偿，提高了学业预警的准确率，减少了学业预警报告的片面性。警报告的片面性。警报告的片面性。

【技术实现步骤摘要】
一种基于元学习和支持向量描述的学业预警方法


[0001]本专利技术涉及人工智能领域，特别涉及一种基于元学习和支持向量描述的学业预警方法。

技术介绍

[0002]现今，高校大力推进学分制教学，在给学生更多的选择权和自主权的同时，这种教学制度对学生的学习能力和自我治理能力也提出了更高的要求。高校普遍缺乏系统的学习指导体系，有的学生的学习能力不足、自制力差导致学科挂科、绩点无法达到毕业要求而延迟毕业。并且近年来，各高校中因学业问题而延迟毕业的学生的人数持续增加，如何帮助学生提高其学习能力以完成学业迫在眉睫。
[0003]针对上述问题，一些高校开始探索学业预警制度，当学生的学分或绩点异常时及时对学生进行学业预警，以帮助学生顺利的完成学业。学业预警方法的类型较少，最常见的学业预警方法是利用信息技术手段对学生的历史学年的课程数据如绩点进行统计与分析，对学生可能存在的学业困难进行告知和警示，结合学校、家长、学生三方之间的沟通合作以帮助学生顺利完成学业。但这种参考单一数据类型的学业预警方法存在缺陷，其无法真正的反映学生在当前学年的学习情况，譬如有些学生在历史学年存在挂科情况但其在当前学年的学习态度端正，如果仅因为该类学生的历史绩点达到预警要求而对该类型的学生发出学业预警报告，则该学业预警报告可能存在极大地误差，这种学业预警方法的准确率低、单一性高，无法全面地评估学生在当前学年的学习情况。

技术实现思路

[0004]本专利技术的目的是提供一种基于元学习和支持向量描述的学业预警方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]本专利技术解决其技术问题的解决方案是：提供一种基于元学习和支持向量描述的学业预警方法，所述方法包括以下步骤：
[0006]S100，基于深度神经网络建立学业预测初始模型，获取学生在历史学年的不同学科的历史课程数据，预处理历史课程数据，建立跨任务数据集，根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型；
[0007]S200，获取历史课程数据对应的历史学习行为数据，建立单任务数据集，利用单任务数据集对学业预测基模型进行微调训练，得到学业预测主模型；
[0008]S300、获取学生在当前学年的第一阶段的当前学习行为数据，将学习行为数据输入至学业预测主模型中，获得该学生的第一学业结果；
[0009]其中，所述第一学业结果包括第二时刻对应的未来课程数据，所述第二时刻在所述第一阶段之后；
[0010]S400，基于支持向量描述建立学业预测辅助模型，获取学生在当前学年的第二阶段的当前学习行为数据输入至学业预测辅助模型中，得到该学生的第二学业结果；
[0011]其中，所述第二学业结果为第二阶段对应的未来学业预警概率，所述第二阶段在所述第一阶段之后、第二时刻之前；
[0012]S500，设定学业预警条件，根据第一学业结果和第二学业结果判断该学生是否满足学业预警条件，当该学生满足学业预警条件时，针对该学生进行学业预警。
[0013]作为上述技术方案的进一步改进，步骤S100中根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型的步骤具体为：
[0014]S110，初始化学业预测初始模型的网络参数给定N个训练任务分类器，将网络参数赋予给这N个训练任务分类器的网络结构θ
N
，即
[0015]S120，将跨任务数据集分为N组训练数据，每一组训练数据均有其对应的训练任务分类器，每一组训练数据均分为查询集和支持集；
[0016]S130，每一个训练任务分类器分别在其对应的支持集上训练，并根据每个训练任务分类器对应的查询集计算得出所有训练任务分类器的总损失函数，利用梯度下降法和总损失函数更新学业预测初始模型的网络参数；
[0017]S140，设定学业预测初始模型的网络参数的预期值区间，判断学业预测初始模型的网络参数是否位于预期值区间内，如果是，则转至步骤S141；
[0018]S141，输出学业预测基模型；
[0019]如果学业预测初始模型的网络参数位于预测值区间之外，则转至步骤S142；
[0020]S142，循环执行步骤S130至S140。
[0021]作为上述技术方案的进一步改进，步骤S130具体包括：
[0022]S131，通过随机采样从N个训练任务分类器中选择n个训练任务分类器，采样得出的n个训练任务分类器分别在其对应的支持集上进行训练，并通过梯度下降法更新一次各自的网络参数θ
n
为θ
n*
，n＝1,2,3
…
；
[0023]S132，根据步骤S131中得到的网络参数θ
n*
，这n个训练任务分类器分别在其对应的查询集上进行测试，并计算得出每个训练任务分类器所对应的第一子损失函数L
n
(θ
n*
)；
[0024]S133，根据所有第一子损失函数计算得到总损失函数；其中所述总损失函数满足以下公式：
[0025][0026]其中，表示总损失函数；
[0027]S134，根据总损失函数更新学业预测初始模型的网络参数所述更新学业预测初始模型的网络参数满足以下公式：
[0028][0029][0030]其中，β表示学业预测初始模型的学习率，表示总损失函数关于学业预测初始模型的网络参数的导数。
[0031]作为上述技术方案的进一步改进，步骤S200具体包括：
[0032]S210，获取历史课程数据对应的历史学习行为数据，其格式与预处理时的历史课程数据的格式相同，历史学习行为数据构成单任务数据集；
[0033]S220，通过随机采样将单任务数据集分为m组训练集和j组测试集，利用这m组训练集的数据对学业预测基模型执行一次梯度下降操作，将学业预测基模型的网络参数更新更新为
[0034]S230，根据这j组测试集计算每一组训练集对应的第二子损失函数，并根据所有第二子损失函数计算整体损失函数；其中，整体损失函数满足以下公式：
[0035][0036]其中，L
m
表示第m组训练集对应的第二子损失函数，表示整体损失函数；
[0037]S240，设定学业预测基模型的整体损失函数的预期区间，判断所述整体损失函数是否在其预期区间内，如果整体损失函数位于其预期区间内,则转至步骤S241；如果整体损失函数在其预期区间外，则转至步骤S242；
[0038]S241，输出学业预测主模型；
[0039]S242，循环执行步骤S220至S240。
[0040]作为上述技术方案的进一步改进，步骤S400中建立学业预测辅助模型的步骤为：
[0041]S410，获取在历史学年的第二阶段存在学业预警的学生的样本行为数据，对样本行为数据进行PCA分析和预处理，得到辅助样本集；
[0042]其中，所述预处理包括：样本行为数据为多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于元学习和支持向量描述的学业预警方法，其特征在于，所述方法包括以下步骤：S100，基于深度神经网络建立学业预测初始模型，获取学生在历史学年的不同学科的历史课程数据，预处理历史课程数据，建立跨任务数据集，根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型；S200，获取历史课程数据对应的历史学习行为数据，建立单任务数据集，利用单任务数据集对学业预测基模型进行微调训练，得到学业预测主模型；S300、获取学生在当前学年的第一阶段的当前学习行为数据，将学习行为数据输入至学业预测主模型中，获得该学生的第一学业结果；其中，所述第一学业结果包括第二时刻对应的未来课程数据，所述第二时刻在所述第一阶段之后；S400，基于支持向量描述建立学业预测辅助模型，获取学生在当前学年的第二阶段的当前学习行为数据输入至学业预测辅助模型中，得到该学生的第二学业结果；其中，所述第二学业结果为第二阶段对应的未来学业预警概率，所述第二阶段在所述第一阶段之后、第二时刻之前；S500，设定学业预警条件，根据第一学业结果和第二学业结果判断该学生是否满足学业预警条件，当该学生满足学业预警条件时，针对该学生进行学业预警。2.根据权利要求1所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S100中根据跨任务数据集对学业预测初始模型进行预训练，得到学业预测基模型的步骤具体为：S110，初始化学业预测初始模型的网络参数给定N个训练任务分类器，将网络参数赋予给这N个训练任务分类器的网络结构θ
N
，即S120，将跨任务数据集分为N组训练数据，每一组训练数据均有其对应的训练任务分类器，每一组训练数据均分为查询集和支持集；S130，每一个训练任务分类器分别在其对应的支持集上训练，并根据每个训练任务分类器对应的查询集计算得出所有训练任务分类器的总损失函数，利用梯度下降法和总损失函数更新学业预测初始模型的网络参数；S140，设定学业预测初始模型的网络参数的预期值区间，判断学业预测初始模型的网络参数是否位于预期值区间内，如果是，则转至步骤S141；S141，输出学业预测基模型；如果学业预测初始模型的网络参数位于预测值区间之外，则转至步骤S142；S142，循环执行步骤S130至S140。3.根据权利要求2所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S130具体包括：S131，通过随机采样从N个训练任务分类器中选择n个训练任务分类器，采样得出的n个训练任务分类器分别在其对应的支持集上进行训练，并通过梯度下降法更新一次各自的网络参数θ
n
为θ
n*
，n＝1,2,3
…
；S132，根据步骤S131中得到的网络参数θ
n*
，这n个训练任务分类器分别在其对应的查询
集上进行测试，并计算得出每个训练任务分类器所对应的第一子损失函数L
n
(θ
n*
)；S133，根据所有第一子损失函数计算得到总损失函数；其中所述总损失函数满足以下公式：其中，表示总损失函数；S134，根据总损失函数更新学业预测初始模型的网络参数所述更新学业预测初始模型的网络参数满足以下公式：模型的网络参数满足以下公式：其中，β表示学业预测初始模型的学习率，表示总损失函数关于学业预测初始模型的网络参数的导数。4.根据权利要求1所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S200具体包括：S210，获取历史课程数据对应的历史学习行为数据，其格式与预处理时的历史课程数据的格式相同，历史学习行为数据构成单任务数据集；S220，通过随机采样将单任务数据集分为m组训练集和j组测试集，利用这m组训练集的数据对学业预测基模型执行一次梯度下降操作，将学业预测基模型的网络参数更新更新为S230，根据这j组测试集计算每一组训练集对应的第二子损失函数，并根据所有第二子损失函数计算整体损失函数；其中，整体损失函数满足以下公式：其中，L
m
表示第m组训练集对应的第二子损失函数，表示整体损失函数；S240，设定学业预测基模型的整体损失函数的预期区间，判断所述整体损失函数是否在其预期区间内，如果整体损失函数位于其预期区间内,则转至步骤S241；如果整体损失函数在其预期区间外，则转至步骤S242；S241，输出学业预测主模型；S242，循环执行步骤S220至S240。5.根据权利要求1所述的一种基于元学习和支持向量描述的学业预警方法，其特征在于，步骤S400中建立学业预测辅助模型的步骤为：S410，获取在历史学年的第二阶段存在学业预警的学生的样本行为数据，对样本行为数据进行PCA分析和预处理，得到辅助样本集；其中，...

【专利技术属性】
技术研发人员：陈荣征，李浩能，
申请(专利权)人：广东职业技术学院，
类型：发明
国别省市：