本發明涉及學情數據處理,具體涉及一種基于人工智能的學習評價方法及系統。
背景技術:
1、目前,教育是人們普遍關注的問題,在學習環境和教學質量逐漸提高的當今社會,學習者要取得良好的學習效果需要保持自身的學習狀態。學習狀態包括學習者的情緒、動機和注意力等,這會影響學習者吸收知識的能力,良好的學習狀態會使學習者更好地理解學習的內容。近幾年,人工智能引起大眾的廣泛關注,逐漸有人將人工智能使用到對學習者的學習評價當中。
2、現有的人工智能對學習者的評價是對學習者一個階段的答題情況進行分析,如對某次作業或某次考試的完成數據進行分析,預測該階段學習者的學習狀態。這種評價方法存在以下問題,通過單次的答題情況對學習者的學習狀態進行評價存在一定誤差,并不能準確地預測學習者的學習狀態;其次,預測得到的學習狀態跨度時間太長,無法在學習者學習狀態較差時進行調整,預測的實時性低。
技術實現思路
1、本發明的目的是提供一種基于人工智能的學習評價方法及系統,本發明將獲取的學習狀態特征數據集輸入通過聯邦學習得到的本地預測模型中,從多個維度實時預測學習者的學習狀態,提高了對學習者學習狀態預測的準確度。
2、本發明的目的采用如下技術方式實現:
3、第一方面,本發明提供了一種基于人工智能的學習評價方法,包括:
4、根據學習者的面部圖像,獲取學習狀態特征;
5、采用聯邦學習架構,根據學習狀態特征構建本地預測模型和全局預測模型;
6、將實時獲取的學習狀態特征輸入預先訓練好的所述本地預測模型,得到學習狀態預測結果;所述實時獲取的學習狀態特征通過學習者的面部圖像、答題過程數據、在線學習行為數據、在線討論行為數據和/或互動音頻數據獲取;
7、根據學習狀態預測結果生成個性化學習建議報告;所述個性化學習建議包括實時學習狀態建議報告和學習習慣建議報告。
8、優選地,所述根據學習者的面部圖像,獲取學習狀態特征,包括:
9、實時捕捉學習者的所述面部圖像;
10、使用面部檢測算法,定位所述面部圖像中的面部區域;
11、對所述面部區域進行裁剪和標準化處理,得到面部區域圖像;
12、使用面部特征點檢測算法,定位所述面部區域圖像中的特征點;
13、根據所述特征點,得到面部姿態數據;
14、對所述面部姿態數據進行時間序列分析,得到所述學習狀態特征。
15、優選地,所述對所述面部姿態數據進行時間序列分析,得到所述學習狀態特征,包括:
16、將所述面部姿態數據劃分為固定長度的窗口;
17、獲取每個窗口的所述面部姿態數據的統計指標;
18、根據所述統計指標,獲取學習者的專注度的評分、疲勞程度的評分和情緒狀態的評分;
19、將所述專注度的評分、所述疲勞程度的評分和所述情緒狀態的評分進行計算,得到所述學習狀態特征。
20、優選地,所述獲取每個窗口的所述面部姿態數據的統計指標,包括:
21、所述面部姿態數據包括:頭部狀態數據、眼部狀態數據和嘴部狀態數據;
22、根據所述頭部狀態數據,計算頭部角度數據的標準差;
23、根據所述眼部狀態數據,計算單位時間的眨眼次數;
24、根據所述嘴部狀態數據,計算嘴角弧度數據的平均值。
25、優選地,所述采用聯邦學習架構,根據學習狀態特征構建本地預測模型和全局預測模型之前,還包括:獲取所述學習狀態特征的時間相關性特征;具體包括:
26、通過第一時間間隔對所述學習狀態特征進行采樣,得到第一狀態時間序列;
27、根據所述第一狀態時間序列,獲取第一時間相關性特征;
28、通過第二時間間隔對所述學習狀態特征進行采樣,得到第二狀態時間序列;
29、根據所述第二狀態時間序列,獲取第二時間相關性特征;
30、將所述第一時間相關性特征和所述第二時間相關性特征進行融合,得到所述時間相關性特征;
31、所述時間相關性特征表示為:
32、
33、其中,為時間相關性特征,為第一時間相關性特征,為第二時間相關性特征,為第一時間相關性特征的權重系數,為第二時間相關性特征的權重系數,為哈達瑪乘積。
34、優選地,所述將實時獲取的所述學習狀態特征輸入預先訓練好的所述本地預測模型,得到學習狀態預測結果之前,還包括:根據實時獲取的所述學習狀態特征,更新所述本地預測模型和所述全局預測模型;具體包括:
35、將實時獲取的所述學習狀態特征輸入所述本地預測模型;
36、通過梯度下降法更新所述本地預測模型的參數;
37、融合所有更新后的所述本地預測模型的參數,使用聯邦平均算法更新所述全局預測模型;
38、根據更新后的所述全局預測模型的模型參數,更新所述本地預測模型;
39、所述聯邦平均算法表示為:
40、
41、其中,為更新后的全局預測模型的模型參數,為第個本地預測模型的模型參數,為本地預測模型的數量。
42、優選地,所述根據更新后的所述全局預測模型的模型參數,更新所述本地預測模型,包括:
43、通過合作博弈的超可加性準則篩選學習者的個性化特征;
44、根據所述個性化特征,構建本地特征預測矩陣;
45、將所述本地特征預測矩陣與更新后的所述全局預測模型進行輸出拼接,得到所述本地預測模型;
46、通過所述個性化特征訓練所述本地預測模型,更新所述本地預測模型的模型參數;
47、所述本地特征預測矩陣表示為:
48、
49、其中,為本地特征預測矩陣的輸出,為權重矩陣,為個性化特征向量,為偏置向量,為激活函數。
50、優選地,所述通過所述個性化特征訓練所述本地預測模型,更新所述本地預測模型的模型參數,包括:
51、在前向傳播中,使用所述本地預測模型生成預測結果;
52、通過損失函數計算所述預測結果與目標特征之間的誤差;
53、在反向傳播中,計算權重矩陣和偏置向量梯度,通過所述權重矩陣和所述偏置向量梯度更新所述本地預測模型的模型參數;
54、所述損失函數表示為:
55、
56、其中,為樣本的數量,為第個樣本的預測結果,為第個樣本的目標值。
57、第二方面,本發明提供了一種基于人工智能的學習評價系統,包括:
58、學習狀態特征獲取模塊:用于根據學習者的面部圖像,獲取學習狀態特征;
59、預測模型構建模塊:用于采用聯邦學習架構,根據學習狀態特征構建本地預測模型和全局預測模型;
60、預測模型更新模塊:用于根據實時獲取的所述學習狀態特征,更新所述本地預測模型和所述全局預測模型;
61、學習狀態預測模塊:用于將實時獲取的所述學習狀態特征輸入預先訓練好的所述本地預測模型,得到學習狀態預測結果。
62、第三方面,本發明提供了一種電子設備,包括處理器和存儲器,所述存儲器用于存儲計算機程序代碼,所述計算機程序代碼包括計算機指令,當所述處理器執行所述計算機指令時,所述電子設備執行上述的一種基于人工智能的學習評價方法。
63、相比現有技術,本發明的有益效果在于:
64、本發明通過獲取的學習狀態特征數據集輸入經過聯邦學習得到的本地預測模型中,從多個維度實時預測學習者的學習狀態,提高了對學習者學習狀態預測的準確度,從而為教育決策提供可靠的數據支持,教育管理者可以基于準確的學習狀態預測結果提供及時的輔導和幫助,優化教育政策和教學模式,提高教育質量;
65、本發明通過獲取學習狀態特征的第一時間相關性特征和第二時間相關性特征,融合得到學習狀態特征的時間相關性特征,提升了學習狀態特征對時間維度的覆蓋,顯著提高了預測的精度和系統響應能力;
66、本發明通過聯邦學習架構對本低預測模型和全局預測模型進行構建和不斷迭代優化,提高了模型使用的安全性以及預測的整體性能;
67、本發明通過將專注度、疲勞程度和情緒狀態作為獨立維度納入學習狀態特征中,有利于簡明地表示出學習狀態特征以及對學習狀態特征的處理和分析;
68、本發明通過學習者的個性化特征構建本地特征預測矩陣,并與全局預測模型進行輸出拼接得到本地預測模型,提高了對non-iid數據訓練的效率和預測的準確率。