基于深度学习学生在线学习效率预测的模型检测方法

技术领域

本发明属于计算机技术中的模型检测领域，具体涉及一种基于深度学习的学生在线学习效率预测的模型检测方法。

背景技术

在线学习产业中，最重要的就是评估学生的学习质量，现有的软件评估学生学习质量的方式主要是考试。但是通过考试得到的学习质量结果，从时间上来说十分滞后。所以需要有实时评估学习质量的方法，来提高在线教育的教育质量和学生的接受程度。

目前，许多学校选择网上授课，网上学习的效果参差不齐，有必要使用学生在线学习效率预测方法，提升学生网上学习的学习质量。

发明内容

本发明所要解决的在于克服上述技术的缺点，提供了方法简单、运算速度快的基于深度学习学生在线学习效率预测的模型检测方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)获取原始数据和特征

从图像库中取图像至少500幅分为训练集和测试集，其中训练集占70％，测试集占30％，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F。

(2)确定学生学习状态

将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：

其中，S∈{S

(4)构建马尔可夫决策过程模型

对每一个动作A

马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中P

其中，i、j为1到n之间的整数，k为1到m之间的整数，N

(5)生成PRISM代码

将马尔可夫决策过程模型使用JAVA语言生成PRISM代码。

(6)确定动作状态转移

将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好。

(7)处理迁移动作结果

根据动作状态转移结果提醒老师并记录。

在本发明的(1)获取原始数据和特征步骤中，所述的用户的特征向量F是F

在本发明的(2)确定学生学习状态步骤中，所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0。

在本发明的(3)确定动作状态轨迹序列步骤中，所述的动作为：说话、打呵欠、不看屏幕、闭眼、坐姿不端正。

由于本发明在构建马尔可夫决策过程模型中采用了转移概率P

附图说明

图1是本发明实施例1的流程图。

具体实施方式

下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。

实施例1

以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成(参见图1)：

(1)获取原始数据和特征

从图像库中取图像1000幅分为训练集和测试集，其中训练集700幅，测试集300幅，对卷积神经网络模型进行训练，使用测试集进行测试，测试后得到特征集，特征集添加状态标签为贝叶斯训练集，将贝叶斯训练集放入朴素贝叶斯模型，得到状态预测模型，截取用户的使用图像，按帧转换成图片集，用卷积神经网络获取用户的特征向量F，特征向量F是F

(2)确定学生学习状态

将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。

所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}，其中a为1或为0。本实施例的a取值为1。

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：

其中，S∈{S

(4)构建马尔可夫决策过程模型

对每一个动作A

马尔科夫决策过程模型M的横轴纵轴均表示状态S，矩阵中P

其中，i、j为1到n之间的整数，k为1到m之间的整数，N

由于本实施例采用了转移概率P

(5)生成PRISM代码

将马尔可夫决策过程模型使用JAVA语言生成PRISM代码。

(6)确定动作状态转移

将PRISM代码放入PRISM模型检测器，PRISM模型检测器确定动作状态转移结果，该结果包括：优秀、一般、不好。

(7)处理迁移动作结果

根据动作状态转移结果提醒老师并记录。

完成基于深度学习学生在线学习效率预测的模型检测方法。

实施例2

以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：

(1)获取原始数据和特征

该步骤与实施例1相同。

(2)确定学生学习状态

该步骤与实施例1相同。

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：

其中，S∈{S

其它步骤与实施例1相同。

完成基于深度学习学生在线学习效率预测的模型检测方法。

实施例3

以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：

(1)获取原始数据和特征

该步骤与实施例1相同。

(2)确定学生学习状态

该步骤与实施例1相同。

(3)确定动作状态轨迹序列

将每个时刻的状态按时刻连接，得到每个动作状态序列，状态序列为：

其中，S∈{S

其它步骤与实施例1相同。

完成基于深度学习学生在线学习效率预测的模型检测方法。

实施例4

在以上的实施例1、2、3中，以从图像库中取图像1000幅为例，本实施例的基于深度学习学生在线学习效率预测的模型检测方法由下述步骤组成：

(1)获取原始数据和特征

该步骤与实施例1相同。

(2)确定学生学习状态

将特征向量导入朴素贝叶斯模型进行优秀、一般、不好分类，得到当前时刻学生的状态。

所述的优秀为：特征向量为{1,1,1,1,1,a}；所述的一般为：特征向量为{0,1,1,1,1,a}；所述的不好为：特征向量为{0,0,1,1,1,a}。本实施例的a取值为0。

其它步骤与实施例1相同。

完成基于深度学习学生在线学习效率预测的模型检测方法。