学生绩效评价模型构建方法、评价方法、装置及电子设备

摘要

本发明实施例涉及一种学生绩效评价模型构建方法、评价方法、装置及电子设备。该学生绩效评价模型构建方法包括：获取第一调节指标和调节量表；基于所述第一调节指标和所述调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；根据所述第二预测模型，对所述第一调节指标进行筛选，获取符合预设标准的第二调节指标；根据所述第二调节指标、所述调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。通过该方法，提高了训练模型的鲁棒性，且后续有利于对学习者的学习过程进行干预。

说明书

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种学生绩效评价模型构建方法、评价方法、装置及电子设备，具体涉及一种基于学生自主学习的绩效评价模型构建方法、评价方法、装置及电子设备。

背景技术

随着大数据和人工智能等技术在线上学习中的应用，线上学习越来越强调自主与智能。基于学生自主学习的绩效评估，可以有效提升对学生不同时期不同场景下的学习情况的预测准确度，因此对帮助学生提升学习效率具有重要意义。

现有的学生自主学习的绩效评估，缺乏一套完整的基于学生自主学习的绩效评估体系，常以学生的考试成绩作为最终的绩效，由于不同考试的难度不同，评价重点不同，因此简单将一次考试的成绩作为绩效来训练模型，会丧失模型的鲁棒性。

发明内容

本申请提供了一种学生绩效评价模型构建方法、评价方法、装置及电子设备，以解决现有技术中缺乏一套完整的基于学生自主学习的绩效评估体系、丧失模型训练鲁棒性的缺陷问题。

第一方面，本申请提供了一种学生绩效评价模型构建方法，该方法包括：

获取第一调节指标和调节量表；

基于所述第一调节指标和所述调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；

根据所述第二预测模型，对所述第一调节指标进行筛选，获取符合预设标准的第二调节指标；

根据所述第二调节指标、所述调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。

在一个可能的实现方式中，所述基于所述第一调节指标和所述调节量表，对预构建的第一预测模型进行训练，获得第二预测模型，具体包括：

以所述第一调节指标为输入数据，以所述调节量表为目标值，对预构建的第一预测模型进行训练，获得第二预测模型。

在一个可能的实现方式中，所述根据所述第二调节指标、所述调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型，具体包括：

以所述第二调节指标和所述调节量表为输入数据，以与配置的绩效为目标值，对预构建的第一绩效评价模型进行训练，获得第二绩评价效模型。

在一个可能的实现方式中，根据考核成绩、考试难度、考核总分、考核成绩排名、考核总人数、学优型与学困型考核占比及考核分数重要程度，获得预配置的绩效。

在一个可能的实现方式中，通过以下公式获取预配置的绩效：

其中，d表示考核难度，

第二方面，本发明提供了一种学生绩效评价方法，根据如第一方面任一项所述的学生绩效评价模型构建方法构建的第二绩效评价模型，对学生学习行为进行干预。

在一个可能的实现方式中，根据第一方面所述的学生绩效评价模型构建方法构建的第二绩效评价模型，对学生学习行为进行干预，具体包括：

根据所述第二预测模型，获取所述第二调节指标对所述调节量表的第一影响系数；

根据所述第二绩效评价模型，获取所述调节量表对学生绩效的第二影响系数，以及所述第二调节指标对学生绩效的第三影响系数；

基于所述第一影响系数、所述第二影响系数和所述第三影响系数，对学生学习行为进行干预。

第三方面，本发明提供了一种学生绩效模型构建装置，所述装置包括：

获取模块，用于获取第一调节指标和调节量表；

预测模型模块，用于基于所述第一调节指标和所述调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；

筛选模块，用于根据所述第二预测模型，对所述第一调节指标进行筛选，获取符合预设标准的第二调节指标；

绩效模型模块，用于根据所述第二调节指标、所述调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。

第四方面，本发明提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现如第一方面任一项所述的学生绩效评价模型构建方法的步骤；或者，用于执行存储器上所存放的程序时，实现如第二方面任一项所述的学生绩效评价方法。

第五方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面任一项所述的学生绩效评价模型构建方法的步骤；

或者，被处理器执行实现如第二方面任一项所述的学生绩效评价方法。

本发明实施例提供的上述技术方案与现有技术相比具有如下优点：

本发明实施例提供的学生绩效评价模型构建方法，获取第一调节指标和调节量表。基于所述第一调节指标和所述调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；根据所述第二预测模型，对所述第一调节指标进行筛选，获取符合预设标准的第二调节指标；根据所述第二调节指标、所述调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。本发明提供了一种行之有效的绩效评价模型构建、方法，不再简单将一次考试的成绩作为绩效来训练模型，提高了模型的鲁棒性；且通过利用本发明提供学生绩效评价模型构建方法构建的模型可以对学习者的学习过程进行有效干预。

附图说明

图1为本发明实施例提供的一种学生绩效评价模型构建方法流程示意图；

图2为本发明实施例提供的对学生绩效评价方法流程示意图；

图3为本发明实施例提供的对绩效影响路径示意图；

图4为本发明实施例提供的一种学生绩效评价构建装置结构示意图；

图5为本发明实施例提供的一种电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面将结合附图对具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。

针对背景技术中所提及的技术问题，本发明提供了一种学生绩效评价模型构建方法，具体参见图1所示，图1为本发明实施例提供的学生绩效评价模型构建方法流程示意图。

在详细介绍学生绩效评价模型构建方法前，首先介绍指标框架：

本发明提供的方法主要是针对学生自主学习的，需要首先要建立基于学生自主学习的指标框架，具体的，自主学习的表现往往受到所学内容的影响，因此，构建的在线自主学习的指标框架综合考虑了自主学习的内容特征与自主学习的行为特征。

下面对自主学习的内容特征和自主学习的行为特征分别详细介绍，在介绍过程中，自主学习的参与者称之为学生或学习者。

根据学习内容与学习目标的关系，定义了三个在线自主学习的环节，分别为：基础环节、提升环节和个性环节。

基础环节：基础环节是指自主学习内容中基本理论、方法、技术等基础知识的学习，侧重自主学习项目或课程中与知识记忆、理解等低阶目标相关的学习。

提升环节：提升环节是在基础学习环节学习基础上，对知识的应用与迁移，旨在促进知识内化，聚焦学习项目或课程中应用、分析、综合、评价、创新等高阶学习目标的实现。

个性环节：个性环节是学习者可选择的自主学习环节，相关学习内容不在学习项目或课程的教学计划内，但是与教学计划相关，是在学习者学有余力和有学习兴趣的请下所进行的相关知识的拓展学习。

根据自主学习的行为特征，定义了九个调节指标维度，分别为：参与度、专注度、坚持度、主动交互、规律性、准确度、稳定性、任务策略和评价，其对应的各个调节行为指标内容详见表1。

表1

由表1可知，九个调节指标维度分别是：

参与度：参与度代表学习者在学习环节中的参与程度，主要包括总时长和总次数。总时长，是指学生参与某学习环节的时长。访问次数指的是学习者在进行学习的次数，分别包括学习总频次，视频访问总次数，习题访问总次数、论坛访问总次数及学习日志记录总数。

专注度：专注度代表学习者专注于学习环节的程度，主要包括学习速度和学习持续时长。学习速度代包括相对学习速度、绝对学习速度、做作业的速度、看视频的速度和做习题的速度。持续时长保留持续学习。

坚持度：坚持度代表整个课程期间学习者的坚持程度，包括完成率和错题尝试次数。完成率包括基础环节，提升环节和个性化环节的完成率。尝试次数包括错题尝试的次数。

主动交互：主动交互代表学生学习期间与其他学习者或者老师交互的程度，主要包括交互频次、交互内容和交互网络相关指标。交互频次包括发帖/信息总次数、帖子/信息回复频次、回复教师次数。交互内容包括发帖/信息平均字数、发帖子/信息平均字数、回帖子/信息平均字数及情感得分。

规律性：规律性代表学习者学习期间存在的周期性规律，包括及时性、拖延、学习进度和间隔等。及时性即环境内容与任务发布时间与学习时间的差值。拖延指的某个环节拖延的次数，包括习题拖延、视频观看拖延、作业拖延等。学习进度指的是与通关班相比的相对学习进度。间隔指的是两次学习会话之间的间隔时长，包括间隔时长和间隔时长的变化模式。

准确度：准确度代表学习者在学习期间参与习题与测验的相关指标，包括准确率、优秀率和排名变化。准确率又包括作业准确率、习题准确率、作业准确率最小值和习题准确率最小值。优秀率包括作业优秀率和习题优秀率。排名相关指标包括作业准确度排名、习题准确率排名、作业准确率排名变化模式和习题准确率排名变化模式。

稳定度：稳定度代表学习者在学习期间相关指标是否维持在一个相对稳定的水平，包括学习间隔稳定性、学习持续时长稳定性、学习速度稳定性和做题速度稳定性。其中持续时长稳定性又包括学习持续时长稳定性、习题持续时长稳定性、视频持续时长稳定性、作业持续时长稳定性、论坛访问持续时长稳定性。学习速度稳定性包括相对学习速度稳定性、绝对学习速度稳定性和视频播放速度稳定性。做题速度稳定性包括做习题速度稳定性和做作业速度稳定性。

任务策略：任务策略代表学习者在学习期间学习模式的相关指标，包括整体学习模型、学习时间分布模式、视频行为模式、习题行为模型、作业完成模型、论坛参与模型、视频回顾次数、习题回顾次数、作业回顾次数和课程指南浏览次数。

评价：评价代表学生进行纠错及学习报告查看与反省的相关指标，包括记错题笔记频次、记错题笔记字数、错题归因行为频次、错题归因类型模型、学习报告查看次数。

学习者在三个环节的学习均产生和九个调节指标维度相关的指标，具体详见下表2的自主学习的指标框架。

表2

介绍完自主学习的指标框架后，下面介绍如何计算学生的自主学习环节对应的调节行为指标，又称之为第一调节指标，详细的指标介绍和计算方法如表3所示：

表3

而下文中，将详细说明如何构建学生绩效评价模型，如图1所示，该方法步骤具体包括：

步骤110，获取第一调节指标和调节量表。

调节量表主要是后续用来干预绩效，共包括目标设定、环境构建、任务策略、时间管理、寻求帮助和评价共六个维度。学生在学习期间会进行阶段性的填写，整个学习期间至少需要做两次，一般学期中期填写一次，学期结束填写一次。

根据上述介绍的指标框架，根据以往历史数据，来计算学生三个环节下的九个调节维度下的第一调节指标。

步骤120，基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型。

将上述步骤获得的第一调节指标作为输入数据，以调节量表的六个维度为目标值，训练关于调节量表的机器学习预测模型。

步骤130，根据第二预测模型，对第一调节指标进行筛选，获取符合预设标准的第二调节指标。

该步骤主要以第一调节指标为输入数据，基于SHAPE算法和LIME算法，获得符合预设标准的第二调节指标。预设标准根据实际情况人为设定。

在此，对SHAPE算法和LIME算法进行简单介绍：

SHAPE算法是进行可解释学习(XAI)的常规算法，基于已有模型和数据，可以得到每个样本在每一个特征变量的Shapely value，通过各个样本的Shapely value可以综合得到每个特征的重要性程度。

LIME算法是进行可解释学习(XAI)的常规算法，可以应用在任何模型中，具有局部保真性，即能够通过真实反映分类器在预测样本上的表现，让人类能清楚理解分离器是如何工作的。其通过特征值的微小扰动，观测模型的预测行为，从而得到特征的重要性程度。

步骤140，根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。

具体的，以第二调节指标和调节量表为输入数据，以预配置的绩效为目标值，对预构建的第一绩效评价模型进行训练，获得第二绩评价效模型。

任何监督学习算法都需要一个目标值，而本发明不是简单通过得分来进行绩效计算，而是提供了一种构建目标值的方法，方便模型训练，具体的以绩效为目标值，通过构建绩效，对第一绩效评估模型进行训练，根据考核成绩、考试难度、考核总分、考核成绩排名、考核总人数、学优型与学困型考核占比及考核分数重要程度，获得预配置的绩效。

在一个示例中，通过以下公式获得预配置的绩效：y＝s*sigmoid(s-α*T*d*β1+T*1-rankN*d*1-β1

其中，d表示此次考核难度，

本发明提供的学生绩效评价模型构建方法，获取第一调节指标和调节量表。基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型。根据第二预测模型，对第一调节指标进行筛选，获取符合预设标准的第二调节指标。根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。通过该方式，不再简单将一次考试的成绩作为绩效来训练模型，提高了模型的鲁棒性。

上述介绍的是如何进行学生绩效评价模型构建的方法，下面则详细介绍学生绩效评价方法。

本发明还提供了一种学生绩效评价方法，根据上述介绍的学生绩效评价模型构建方法构建的第二绩效评价模型，对学生学习行为进行干预。

图2为本发明提供的一种学生绩效评价方法流程示意图，图3为对学生绩效的影响路径示意图，如图2和图3所示，该方法包括以下步骤：

步骤210，根据第二预测模型，获取第二调节指标对调节量表的第一影响系数。

步骤220，根据第二绩效评价模型，获取调节量表对学生绩效的第二影响系数，及第二调节指标对学生绩效的第三影响系数。

步骤230，基于第一影响系数、第二影响系数和第三影响系数，对学生学习行为进行干预。

具体的，基于第二预测模型，可以得到三个环节下九个指标维度的第二调节指标对调节量表的影响系数α；基于第二绩效评价模型，可以得到调节量表关于学生绩效的影响系数β，及三个环节下九个指标维度的第二调节指标对学生绩效的影响系数γ。

假如，第二调节指标中的第i个关键指标F对于绩效的影响程度可以如下表示：

直接影响：γ

间接影响：

α

根据得到的直接影响和间接影响路径，可对学生学习行为进行干预。

本发明实施例提供的学生绩效评价方法，根据第二预测模型，获取第二调节指标对调节量表的第一影响系数。根据第二绩效评价模型，获取调节量表对学生绩效的第二影响系数，及第二调节指标对学生绩效的第三影响系数。基于第一影响系数、第二影响系数和第三影响系数，对学生学习行为进行干预。通过该方法，可以很容易的获得某个具体的调节指标对学生绩效的影响情况，可以通过提醒学生对调节某个具体的调节指标，进而来提高绩效，即通过本发明提供的方法可以对学习者的学习过程进行有效干预。

以上，为本发明所提供的学生绩效评价方法实施例，下文中则介绍说明本发明所提供的学生绩效评价模型构建的其他实施例，具体参见如下。

图4为本发明实施例提供的一种学生绩效模型评价装置结构示意图，该装置包括：获取模块1、预测模型模块2、筛选模块3和绩效模型模块4，其中，

获取模块1，用于获取第一调节指标和调节量表.

预测模型模块2，用于基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型。

筛选模块3，用于根据第二预测模型，对第一调节指标进行筛选，获取符合预设标准的第二调节指标。

绩效模型模块4，用于根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。

本发明实施例提供的学生绩效模型构建装置中各部件所执行的功能均已在上述任一方法实施例中做了详细的描述，因此这里不再赘述。

本发明实施例提供的一种学生绩效模型构建装置，获取第一调节指标和调节量表；基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；根据第二预测模型，对第一调节指标进行筛选，获取符合预设标准的第二调节指标；根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。该装置是一种行之有效的绩效模型构建装置，不再简单将一次考试的成绩作为绩效来训练模型，提高了模型的鲁棒性；且可以对学习者学习过程进行有效干预。如图5所示，本申请实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信。

存储器113，用于存放计算机程序；

在本发明一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任一方法实施例提供的学生绩效绩效模型构建方法，包括：

获取第一调节指标和调节量表；

基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型；

根据第二预测模型，对第一调节指标进行筛选，获取符合预设标准的第二调节指标；

根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型。

在一个示例中，基于第一调节指标和调节量表，对预构建的第一预测模型进行训练，获得第二预测模型，具体包括：

以第一调节指标为输入数据，以调节量表为目标值，对预构建的第一预测模型进行训练，获得第二预测模型。

在一个示例中，根据第二调节指标、调节量表和预配置的绩效，对预构建的第一绩效评价模型进行训练，获得第二绩效评价模型，具体包括：以第二调节指标和调节量表为输入数据，以与配置的绩效为目标值，对预构建的第一绩效评价模型进行训练，获得第二绩评价效模型。

在一个示例中，根据考核成绩、考试难度、考核总分、考核成绩排名、考核总人数、学优型与学困型考核占比及考核分数重要程度，获得预配置的绩效。

在一个示例中，通过以下公式获取预配置的绩效：

其中，d表示考核难度，

或执行存储器113上存放的程序时，实现前述任一方法实施例提供的学生绩效评价方法，包括：根据前述任一方法实施例提供的学生绩效评价模型构建方法构建的第二绩效评价模型，对学生学习行为进行干预。

在一个示例中，根据第一方面的学生绩效评价模型构建方法构建的第二绩效评价模型，对学生学习行为进行干预，具体包括：

根据第二预测模型，获取第二调节指标对调节量表的第一影响系数；

根据第二绩效评价模型，获取调节量表对学生绩效的第二影响系数，及第二调节指标对学生绩效的第三影响系数；

基于第一影响系数、第二影响系数和第三影响系数，对学生学习行为进行干预。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任一方法实施例提供的学生绩效模型评价方法的步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

专业人员应该进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。