【技术实现步骤摘要】
一种基于GRM模型的作业四象限评估学生能力方法
[0001]本专利技术涉及机器学习的
,具体涉及一种基于GRM模型的作业四象限评估学生能力方法。
技术介绍
[0002]作业在教育教学中一直扮演着重要的角色,在教育教学中具有非常重要的意义。通过作业,老师可以了解学生掌握新知识及新旧知识整合的程度,学生也可以通过做作业达到对所学知识的整理、巩固、深入理解和灵活运用。布置适量的作业是老师了解学生掌握知识情况的必要手段。布置适量的作业是检验学生学习心理和能力的重要途径。通过对学生完成的作业进行评估,教师可掌握学生的认知能力、认知类型和认知水平,特别是一些活动作业,更能体现出学生的学习心理品质,有助于培养和发展学生的思维能力、综合能力、创造能力和自我教育能力,更有助于老师发现学生的特长、禀性,便于对症下药、因材施教。
[0003]现有对完成的作业进行评估的方法主要是依据于任课教师对学生完成的作业进行批改,继而对该学生的作业进行评估,给出提升改进建议。但是任课教师对学生作业进行批改、评估,在主观上主要是根据自己的经验、意图等进行作业的批改,具有主观性,不够客观、准确。且任课教师对作业进行批改、评估,存在着费时费力的问题,如果群体数量不够大时还可以进行,但是如果群体数目达到一定数量,那么将无法快速、及时地对学生的作业进行评估,提出提升改进意见,再者,任课教师对作业进行批改、评估,不能很好地考虑到学生个人能力与试题难度的问题,任课教师不太可能清楚地记得每个学生的能力水平高低,这道题对于该学生而言是较为简单还是较为困难, ...
【技术保护点】
【技术特征摘要】
1.一种基于GRM模型的作业四象限评估学生能力方法,其特征在于,包括:S1:将原始数据进行K
‑
means聚类划分成为K个簇;S2:根据K的值通过GRM算法求出学生能力和试题难度;S3:依据学生的答题情况、学生个人能力与试题难度的关系,对学生的作业评估划分为四个象限;S4:将未知能力的学生的答题数据输入,得到的学生得分情况、对应试题的Q矩阵和四个象限结果图,使用最大似然估计法,评估出学生的能力大小。2.根据权利要求1所述的一种基于GRM模型的作业四象限评估学生能力方法,其特征在于,所述S1中,原始数据包括学生在学习系统答题时的学生id、题目id、测评的结果、测评点个数、通过测评点个数、题目类型和题目得分。3.根据权利要求2所述的一种基于GRM模型的作业四象限评估学生能力方法,其特征在于,首先需要进行判断学生是否参与作答了此题,如果没有参与作答,则筛除未参与作答的用户;如果学生已参与作答,则答题次数+1,同时判断该学生通过测评点个数与测评点个数是否相同,如果相等,则答对题目次数+1,同时记录下是在第几次答对;原始数据经过处理,转换成一个记录着学生对应的总共答题次数,在第几次时答对,答题正确率的数据表。4.根据权利要求1所述的一种基于GRM模型的作业四象限评估学生能力方法,其特征在于,所述S1中,通过引入轮廓系数S确定K,计算公式如下:其中a表示样本点与同一簇中所有其他点的平均距离,即样本点与同一簇中其他点的相似度;b表示样本点与下一个最近簇中所有点的平均距离,即样本点与下一个最近簇中其他点的相似度,S∈(
‑
1,1)。5.根据权利要求1所述的一种基于GRM模型的作业四象限评估学生能力方法,其特征在于,所述K
‑
means聚类将原始数据划分成K个簇,并给出每个样本数据对应的中心点。具体步骤如下:
①
随机选取K个中心,记为
②
定义损失函数:其中x
i
代表第i个样本,C
i
是x
i
所属的簇,t
Ci
代表簇对应的中心点,M是样本总数,J是定义的损失函数;J(C,t)
③
令z=0,1,2......为迭代步数,重复如下过程直到J收敛:a:对于每一个样本x
i
将l其分配到距离最近的中心b:对于每一个类中心K,重新计算该类的中心首先固定中心点,调整每个样本所属的类别以减少J,再固定每个样本的类别,调整中
心点继续减小J,两个过程交替循环,J单调递减直到最小值,中心点和样本划分的类别同时收敛;
④
学生答题时越早答对,答题正确率越高,则该题目就属于更好的一类,同时规定了K的范围在2
‑
14之间,即一道题目最少可以分为两类,最多可以分为14类,通过迭代寻找到每一道题目最适合的轮廓系数,确定样本中心;
⑤
最终输出每一道题目对应的K值——簇,通...
【专利技术属性】
技术研发人员:丁国柱,张伟均,罗浩森,
申请(专利权)人:广州泓锐信息技术有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。