【技术实现步骤摘要】
本申请涉及数据处理，尤其涉及一种基于多维动态加权的师范生成绩预测方法、师范生成绩预测系统及存储介质。
技术介绍
1、随着计算机技术和多元化教育的推进发展，计算机和人工智能技术已经逐步应用于日常的教育教学各项活动中。学生成绩预测(student performance prediction，spp)模型逐渐受到教育工作者们的关注，通过spp模型预测学生的成绩，可以为每个学生提供高质量的个性化指导和全面化培养。
2、相关技术方案中，针对师范生的成绩评定受多维度因素影响，且各个维度的因素在不同学习阶段对成绩的作用程度不断变化，目前常见的多因素预测方法虽尝试纳入多维度数据，但普遍存在权重固定或简单动态调整的权重僵化问题，无法精准适应复杂变化，导致预测准确性欠佳。
技术实现思路
1、本申请的主要目的在于提供一种基于多维动态加权的师范生成绩预测方法，旨在解决成绩预测过程中模型权重僵化的问题。
2、为实现上述目的，本申请提供的一种基于多维动态加权的师范生成绩预测方法，所述方法包括
3、本文档来自技高网...
【技术保护点】
1.一种基于多维动态加权的师范生成绩预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述学习数据包括专业学科知识类数据，其中，所述专业学科知识数据的深度特征向量的表达式为：
3.如权利要求1所述的方法，其特征在于，所述学习数据包括教学实践表现类数据，其中，所述教学实践表现类数据的深度特征向量的表达式为：
4.如权利要求1所述的方法，其特征在于，所述步骤S20之后，还包括：
5.如权利要求1所述的方法，其特征在于，所述大模型的架构中包括融合多头注意力机制，所述融合多头注意力机制中采用位...
【技术特征摘要】
1.一种基于多维动态加权的师范生成绩预测方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于，所述学习数据包括专业学科知识类数据，其中，所述专业学科知识数据的深度特征向量的表达式为：
3.如权利要求1所述的方法，其特征在于，所述学习数据包括教学实践表现类数据，其中，所述教学实践表现类数据的深度特征向量的表达式为：
4.如权利要求1所述的方法，其特征在于，所述步骤s20之后，还包括：
5.如权利要求1所述的方法，其特征在于，所述大模型的架构中包括融合多头注意力机制，所述融合多头注意力机制中采用位置编码向量与输入的所述综合特征向量相加，以捕捉所述综合特征向量的位置信息，其中，所述位置编码向量的计算表达式为：
6.如权利要求1或5所述的方法，其特征在于，所述大模型中包括自适应残差连接，所述自适...
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。