程雅瓊 趙治斌 馮黎

摘要：常規(guī)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法在進行分類時，其分類規(guī)則不明確，進而造成分類的敏捷度較低。文章提出了基于深度學(xué)習(xí)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法。首先，該方法將學(xué)生課程學(xué)習(xí)狀態(tài)進行離散化處理；然后，利用深度學(xué)習(xí)技術(shù)，構(gòu)建學(xué)習(xí)狀態(tài)智能分類規(guī)則；最后，對學(xué)生課程學(xué)習(xí)狀態(tài)智能分類進行判定。通過設(shè)計對比實驗，實驗結(jié)果證明了該方法的分類準入數(shù)更高，所提方法能夠在實際應(yīng)用中發(fā)揮更高的價值。

關(guān)鍵詞：深度學(xué)習(xí)；學(xué)生課程；學(xué)習(xí)狀態(tài)；智能分類

中圖分類號：G642文獻標(biāo)志碼：A

0 引言

隨著教育信息化和大數(shù)據(jù)時代的到來，如何有效地分析和利用學(xué)生的學(xué)習(xí)數(shù)據(jù)，以提升教學(xué)質(zhì)量和學(xué)生的學(xué)習(xí)效果，成了一個備受關(guān)注的問題。學(xué)生課程學(xué)習(xí)狀態(tài)作為反映學(xué)生學(xué)習(xí)狀況的重要指標(biāo)，對于教育工作者和學(xué)生本人都具有重要的參考價值。然而，傳統(tǒng)的數(shù)據(jù)分析方法往往難以全面、準確地反映學(xué)生的學(xué)習(xí)狀態(tài)，無法滿足日益增長的教學(xué)需求。為了解決這一問題，本文提出了一種基于深度學(xué)習(xí)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法。該方法利用深度學(xué)習(xí)技術(shù)對學(xué)生的學(xué)習(xí)行為和成績等數(shù)據(jù)進行建模和分析，能夠自動、準確地識別學(xué)生的學(xué)習(xí)狀態(tài)，為個性化教學(xué)和精準輔導(dǎo)提供有力的支持。同時，該方法還能夠發(fā)現(xiàn)學(xué)生的學(xué)習(xí)特點和規(guī)律，為教育工作者提供有針對性的教學(xué)建議，有助于提高教學(xué)質(zhì)量和學(xué)生的學(xué)習(xí)效果^[1]。

1 設(shè)計基于深度學(xué)習(xí)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法

1.1 學(xué)生課程學(xué)習(xí)狀態(tài)離散化處理

為了高效處理學(xué)生課程學(xué)習(xí)狀態(tài)數(shù)據(jù)，本文采用高斯分布對連續(xù)資料進行排序，將其視為連續(xù)變量，根據(jù)特定概率分布確定數(shù)據(jù)的分類。當(dāng)使用高斯分布切割資料集時，最關(guān)鍵的步驟就是選擇合適的剖分點^[2]。本文根據(jù)相同性質(zhì)的2個相鄰數(shù)據(jù)來確定剖分點，通過垂直交叉數(shù)據(jù)得到屬性y_i。然后，在特定條件下計算每個y_i對應(yīng)的屬性x_i出現(xiàn)的概率，如式（1）所示。

根據(jù)式（1）所示的計算結(jié)果，劃分點對應(yīng)的特征元，所提方法將特定數(shù)值替換為同一類別中的數(shù)值，由此對學(xué)生課程學(xué)習(xí)狀態(tài)數(shù)據(jù)進行離散化處理^[3]。

1.2 基于深度學(xué)習(xí)構(gòu)建學(xué)習(xí)狀態(tài)的智能分類規(guī)則

本文應(yīng)用深度學(xué)習(xí)技術(shù)中的前饋卷積神經(jīng)網(wǎng)絡(luò)來識別、提取學(xué)習(xí)狀態(tài)數(shù)據(jù)屬性。這種網(wǎng)絡(luò)能夠形成固定尺寸的默認框，將屬性映射到相鄰區(qū)域，可生成一系列固定尺寸的邊界框集合。這一步驟對準確捕獲學(xué)習(xí)狀態(tài)數(shù)據(jù)的特征至關(guān)重要。在選擇屬性時，本次引入深度學(xué)習(xí)編碼向量，其選擇屬性Q的公式可表示為：

其中，ε表示權(quán)重矩陣，表示深度學(xué)習(xí)編碼向量，s表示數(shù)量。根據(jù)選擇屬性計算結(jié)果，利用深度學(xué)習(xí)技術(shù)構(gòu)建深度學(xué)習(xí)模型，其公式為：

其中，x表示輸入的學(xué)習(xí)狀態(tài)數(shù)據(jù)，G表示激活函數(shù)，f（x）表示神經(jīng)網(wǎng)絡(luò)的前向傳播過程，用于將輸入數(shù)據(jù)轉(zhuǎn)換為中間層的輸出。

根據(jù)上述模型，所提方案通過逐層抽象和特征轉(zhuǎn)換可成功捕捉數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)和潛在關(guān)聯(lián)，這有助于提取與學(xué)習(xí)狀態(tài)相關(guān)的關(guān)鍵信息，生成候選數(shù)據(jù)集合^[4]。根據(jù)上述內(nèi)容，所提方法還需要計算學(xué)習(xí)狀態(tài)數(shù)據(jù)屬性的重要性。按照精度為1.0的項集來計算學(xué)習(xí)狀態(tài)數(shù)據(jù)屬性的重要性，其公式為：

其中，D表示學(xué)習(xí)狀態(tài)數(shù)據(jù)屬性的重要性，POS代表前端生成的規(guī)則指令，W代表分類規(guī)則的近似集。根據(jù)上述計算結(jié)果，所提方法利用rule指令在數(shù)據(jù)前端生成規(guī)則集合。該指令能夠根據(jù)候選數(shù)據(jù)集合和可信度閾值自動生成一系列的規(guī)則。通過持續(xù)掃描電腦中的學(xué)習(xí)狀態(tài)資料庫，可全面地掌握資料之間的關(guān)聯(lián)。在此基礎(chǔ)上，本文設(shè)計了一套標(biāo)準化的學(xué)習(xí)狀態(tài)資料分類規(guī)則，從而更有效地評估了學(xué)生的學(xué)習(xí)狀態(tài)。

1.3 學(xué)生課程學(xué)習(xí)狀態(tài)智能分類判定

在構(gòu)建學(xué)習(xí)狀態(tài)智能分類規(guī)則后，本文對學(xué)生課程學(xué)習(xí)狀態(tài)智能分類進行判定，將分類判定分為以下幾個部分，其分類判定流程如圖1所示^[5]。

根據(jù)上述流程，分類判定方法將樣本引入數(shù)據(jù)判定樣本集，設(shè)計關(guān)聯(lián)分析，挖掘數(shù)據(jù)之間的匹配程度。所提方案在剔除冗余數(shù)據(jù)后進行采樣，使用Option方法檢測的閾值進行更新。根據(jù)TCP/IP協(xié)議，組合判斷結(jié)果，對其進行交叉驗證。為了確保數(shù)據(jù)的準確性和可靠性，所提方案將數(shù)據(jù)集分割為多個子集，將每個子集作為測試集進行測試^[6]。在每次交叉驗證過程中，所提方案消除了相關(guān)性最小的特征，重新篩選數(shù)據(jù)特征；在此基礎(chǔ)上，更新數(shù)據(jù)的權(quán)值，不斷形成新的數(shù)據(jù)類別。集成置信度，形成每次交叉驗證的分值矩陣，其可表示為：

根據(jù)交叉驗證的分值矩陣，本文使用分類器對交叉驗證分值進行數(shù)據(jù)融合?；诙Х诸惼饔?xùn)練數(shù)據(jù)結(jié)果，將數(shù)據(jù)分為2個部分：一類為數(shù)據(jù)集的隱層輸出層；另一類為所有隱層節(jié)點層次。本文選擇最佳的特征集，將數(shù)據(jù)集進行分解，其分解流程如圖2所示。由圖可知：其數(shù)據(jù)集分解結(jié)果即為最終檢測結(jié)果，為學(xué)生課程學(xué)習(xí)狀態(tài)智能分類結(jié)果。

2 實驗論證

2.1 實驗準備

本文實驗首先建立一個顯示學(xué)生學(xué)習(xí)狀態(tài)的數(shù)據(jù)庫，根據(jù)指定的格式將被測試的數(shù)據(jù)包轉(zhuǎn)化成有針對性的數(shù)據(jù)，將其保存到相應(yīng)的數(shù)據(jù)庫中；然后，進行多維學(xué)習(xí)狀態(tài)數(shù)據(jù)的預(yù)處理，利用高層次的分類模型，通過控制程序?qū)?shù)據(jù)進行模糊和有方向性的分類（這一步的目的是提取數(shù)據(jù)中的有用特征，去除冗余信息，提高數(shù)據(jù)的處理效率）；最后，將基于卷積神經(jīng)網(wǎng)絡(luò)算法的5個數(shù)據(jù)包同步加入模型，對卷積參數(shù)進行初始化，完成模型訓(xùn)練。綜上，完成實驗準備工作。選取傳統(tǒng)方法1和傳統(tǒng)方法2作為對比組，本文方法為實驗組，開展對比實驗。

2.2 實驗結(jié)果分析與結(jié)論

本文實驗分別對比3種不同分類方法的分類準入數(shù)，該指標(biāo)可綜合評估分類方法的性能，具體實驗對比結(jié)果如圖3所示。

根據(jù)圖3所示結(jié)果，本文對測試結(jié)果進行詳細的分析。相較于傳統(tǒng)方法1和傳統(tǒng)方法2，本文所設(shè)計的基于深度學(xué)習(xí)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法所得的分類準入數(shù)相對較高，最高可達99%。而其他2種方法的分類準入數(shù)分別為95%和93%。這一結(jié)果表明，在實際應(yīng)用過程中，利用深度學(xué)習(xí)技術(shù)對學(xué)生課程學(xué)習(xí)狀態(tài)進行分類，其速度更快，精準度更高。所提分類方法具有較強的可靠性，能夠在實際中發(fā)揮較高的應(yīng)用價值。

3 結(jié)語

在當(dāng)今的教育環(huán)境中，對學(xué)生課程學(xué)習(xí)狀態(tài)進行分析和分類有利于提高教學(xué)質(zhì)量，幫助學(xué)生更好地提升學(xué)習(xí)效率，對于改進教學(xué)方法也具有重要意義。本文提出了一種基于深度學(xué)習(xí)的學(xué)生課程學(xué)習(xí)狀態(tài)智能分類方法，通過利用深度學(xué)習(xí)技術(shù)對學(xué)生的學(xué)習(xí)行為和成績等數(shù)據(jù)進行分析，實現(xiàn)了學(xué)生課程學(xué)習(xí)狀態(tài)的自動分類和預(yù)測。通過實驗驗證，該方法能夠有效地識別學(xué)生的學(xué)習(xí)狀態(tài)，對學(xué)生的學(xué)習(xí)行為和成績進行分類，可以幫助教育工作者更好地了解學(xué)生的學(xué)習(xí)狀態(tài)和需求，為個性化教學(xué)和精準輔導(dǎo)提供有力的支持。

參考文獻

[1]余波，張立為.基于智能家居語音識別多樣化結(jié)果的意圖分類方法[J].數(shù)字技術(shù)與應(yīng)用，2023（11）：137-139.

[2]同軍紅.基于B-CNN模型的非平衡大數(shù)據(jù)智能分類方法研究[J].信息與電腦（理論版），2023（15）：162-164.

[3]周紅，湯世隆，顧佳楠，等.基于自然語言處理和深度學(xué)習(xí)的建設(shè)工程合同智能分類方法研究[J].科技管理研究，2023（8）：165-172.

[4]宋敏敏，周澤亞，邱燕，等.基于HOG特征和SVM分類器的紅外圖像智能檢測與分類方法[J].紅外，2022（4）：25-32.

[5]周毛.基于屬性關(guān)聯(lián)的人事檔案數(shù)據(jù)智能分類方法[J].甘肅科技縱橫，2021（10）：4-6.

[6]田豐，楊洋.基于模糊聚類算法的智能電子檔案自動分類方法[J].微型電腦應(yīng)用，2021（2）：87-90.

（編輯 王永超編輯）

Intelligent classification method of student course learning states based on deep learning

Cheng? Yaqiong， Zhao? Zhibin， Feng? Li

（Department of Electronic Information Engineering， Lanzhou Vocational and Technical College， Lanzhou 730070， China）

Abstract： The conventional intelligent classification methods for student course learning states have unclear classification rules， resulting in low agility in classification. The intelligent classification method of student course learning states based on deep learning is proposed in this paper. Firstly， this method discretizes the student course learning states. Then， the deep learning technology is used to construct the intelligent classification rule of learning states. Finally， the intelligent classification of student course learning state is determined. By designing the comparative experiments，the experimental results prove that the proposed method has a higher classification access number and can play a higher value in practical application.

Key words： deep learning; student curriculum; learning status; intelligent classification