一种基于人工智能的阅读教学质量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人工智能的阅读教学质量评估方法及系统，方法包括数据采集

【技术实现步骤摘要】
一种基于人工智能的阅读教学质量评估方法及系统


[0001]本专利技术涉及数据分析
，具体是指一种基于人工智能的阅读教学质量评估方法及系统
。

技术介绍

[0002]阅读教学质量评估方法是对学生的阅读过程和结果进行监测和评估，从而提供更精确的教学评估和建议
。
但是传统质量评估模型存在特征提取有限，模型复杂度高，泛化能力弱从而导致模型准确率低的问题；传统的搜索算法存在求解多目标优化问题的搜索能力较差，算法不会收敛到全局最优的问题
。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于人工智能的阅读教学质量评估方法及系统，针对传统质量评估模型存在特征提取有限，模型复杂度高，泛化能力弱从而导致模型准确率低的问题，本方案基于卷积层和池化层设计，减少模型参数，降低数据维度，提高模型泛化能力，基于梯度设计拟合残差，提高模型稳定性，通过导入特征转换，提高模型在特征处理上的灵活性；针对传统的搜索算法存在求解多目标优化问题的搜索能力较差，算法不会收敛到全局最优的问题，本方法基于搜索空间上下限初始化参数位置，通过自适应缩放因子使算法在不同阶段更好地搜索解目标，从而实现全局最优和局部最优双达标
。
[0004]本专利技术采取的技术方案如下：本专利技术提供的一种基于人工智能的阅读教学质量评估方法，该方法包括以下步骤：步骤
S1
：数据采集；
[0005]步骤
S2
：数据预处理；
[0006]步骤
S3
：设计阅读教学质量评估模型，通过改进决策树进行设计梯度模型，基于卷积层设计
、
池化层设计和梯度设计完成整个评估模型的设计；
[0007]步骤
S4
：模型参数搜索，基于搜索空间上下限初始化参数位置，基于设计自适应缩放因子进行参数位置更新；
[0008]步骤
S5
：实时运行
。
[0009]进一步地，在步骤
S1
中，所述数据采集是收集阅读教学相关数据，包括学生阅读成绩
、
学生学习进度
、
学生作业成绩
、
教师教学进度及质量评估等级
。
[0010]进一步地，在步骤
S2
中，所述数据预处理是将采集的数据转化为向量形式，将质量评估等级作为标签，并对数据进行归一化处理
。
[0011]进一步地，在步骤
S3
中，所述设计阅读教学质量评估模型具体包括以下步骤：步骤
S31
：卷积层设计，卷积层的作用是将相邻两层中的每个神经元与前一层卷积窗口中的神经元相关联，并通过参数共享的方式对同一层中的神经元进行顺序分配，将所有通道的卷积结果相加，并且经过激活函数得到
W
的值，该层有两个卷积核和两个通道，每
个通道对应一个卷积核，所用公式如下：；式中，
h
是卷积结果，
k1
是通道数，
i1
和
j1
是数据的坐标位置，
W
是权重，
σ
是激活函数，
b
是偏置，
X
是输入；
[0012]步骤
S32
：池化层设计，池化层的主要功能是对数据进行降采样操作，进行特征选择，所用公式如下：；式中，
s0
是池化层步长；
A
是池化结果，
fc
是池化窗口大小，
xc
和
yc
是池化窗口内的位置坐标，
pm
是池化操作方式，
l
是池化层数；
[0013]步骤
S33
：梯度设计，步骤包括：步骤
S331
：改进决策树进行设计梯度模型，所用公式如下：；式中，
f
M
是模型输出结果，
M
是决策树的数量，
T
（
x
；
Θ
m
）是第
m
个决策数对梯度数据
x
的输出结果，
Θ
m
是表示决策树配置的参数；每次迭代生成的决策树都是使用前一轮决策树的残差进行训练；
[0014]步骤
S332
：计算决策树参数，所用公式如下：；式中，
y
n
是实际值，
L
是损失函数，
N
是样本数据的数量，
n
是样本数据索引，
f
m
‑1（
x
n
）是前一轮模型输出结果；
[0015]步骤
S333
：利用损失函数的负梯度拟合残差生成决策树，过程如下：步骤
S3331
：对于每次迭代
m=1
，2，
...
，
M
；
[0016]步骤
S3332
：用常量
c
初始化第一个决策树：；式中，
f0（
·
）是初始化的决策树；
[0017]步骤
S3333
：计算残差近似值
r
mn
，所用公式如下：；
[0018]步骤
S3334
：对于每个样本数据（
x
n
，
y
n
），将类别特征转换为数值特征后，拟合一个
CART
回归树，获得叶节点的区域
R
mu
，转换特征所用公式如下：
；式中，是转换后的数值特征，
x
j
，
k 和
x
z
，
k
是类别特征，
a
是先验值，
Y
j
是相应特征的标签值；
p
是具有相同类别特征值的样本个数，
z
和
j
是不同个数的索引，
k
是特征值索引；
[0019]步骤
S3335
：计算叶节点区域的最优值
c
mu
，所用公式如下：；
[0020]步骤
S3336
：更新模型，所用公式如下：；式中，
U
是区域数量，
u
是区域索引，
I
（
·
）是指示函数；
[0021]步骤
S3337
：输出最终的梯度模型
f
M
（
x
）
。
[0022]进一步的，在步骤
S4
中，所述模型参数搜索具体包括以下步骤：步骤
S41
：初始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的阅读教学质量评估方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集；步骤
S2
：数据预处理；步骤
S3
：设计阅读教学质量评估模型，通过改进决策树进行设计梯度模型，基于卷积层设计
、
池化层设计和梯度设计完成整个评估模型的设计；步骤
S4
：模型参数搜索，基于搜索空间上下限初始化参数位置，基于设计自适应缩放因子进行参数位置更新；步骤
S5
：实时运行；在步骤
S4
中，所述模型参数搜索具体包括以下步骤：步骤
S41
：初始化，基于参数搜索空间初始化参数位置，并将基于参数位置建立的模型性能作为参数适应度值，初始化位置所用公式如下：；式中，是搜索空间
rj
维度下限，是搜索空间
rj
维度上限；
ri
是个体索引，
rx
是个体位置，0指初始化迭代次数为0；步骤
S42
：设计自适应缩放因子
F
，在算法前期关注全局搜索解能力，在算法后期关注其局部搜索解能力，所用公式如下：；式中，
F
min
是最小比例因子值，是比例因子变化范围，
t
是当前迭代次数，
t
max
是最大迭代次数；步骤
S43
：更新参数位置，所用公式如下：；式中，
bt
是最优个体，
r1、r2
和
ri
是个体索引；步骤
S44
：搜索判定，预先设有适应度阈值，当存在参数个体适应度值高于适应度阈值时，基于个体位置建立神经网络；若达到最大迭代次数，则重新初始化并搜索参数；否则继续迭代搜索
。2.
根据权利要求1所述的一种基于人工智能的阅读教学质量评估方法，其特征在于：在步骤
S3
中，所述设计阅读教学质量评估模型具体包括以下步骤：步骤
S31
：卷积层设计，卷积层的作用是将相邻两层中的每个神经元与前一层卷积窗口中的神经元相关联，并通过参数共享的方式对同一层中的神经元进行顺序分配，将所有通道的卷积结果相加，并且经过激活函数得到
W
的值，该层有两个卷积核和两个通道，每个通道对应一个卷积核，所用公式如下：；式中，
h
是卷积结果，
k1
是通道数，
i1
和
j1
是数据的坐标位置，
W
是权重，
σ
是激活函数，
b
是偏置，
X
是输入；步骤
S32
：池化层设计，池化层的主要功能是对数据进行降采样操作，进行特征选择，所
用公式如下：；式中，
s0
是池化层步长；
A
是池化结果，
fc
是池化窗口大小，
xc
和
yc
是池化窗口内的位置坐标，
pm
是池化操作方式，
l
是池化层数；步骤
S33
：梯度设计，步骤包括：步骤
S331
：改进决策树进行设计梯度模型，所用公式如下：；式中，
f
M
是模型输出结果，
M
是决策树的数量，
T
（
x
；
Θ
m
）是第
m
个决策数对梯度数据
x
的输出结果，
Θ
m
是表示决策树配置的参数；每次迭代生成的决策树都是使用前一轮决策树的残差进行训练；步骤
S332
：计算决策树参数，所用公式如下：；式中，
y
n
是实际值，
L
是损失函数，
N
是样本数据的数量，
n
是样本数据索引，
f

【专利技术属性】
技术研发人员：柯希希，时红帅，陈有德，钱辉，
申请(专利权)人：舟山技师学院，
类型：发明
国别省市：