基于深度學習的學生課程學習狀態智能分類方法

程雅瓊 趙治斌 馮黎

摘要：常規的學生課程學習狀態智能分類方法在進行分類時，其分類規則不明確，進而造成分類的敏捷度較低。文章提出了基于深度學習的學生課程學習狀態智能分類方法。首先，該方法將學生課程學習狀態進行離散化處理；然后，利用深度學習技術，構建學習狀態智能分類規則；最后，對學生課程學習狀態智能分類進行判定。通過設計對比實驗，實驗結果證明了該方法的分類準入數更高，所提方法能夠在實際應用中發揮更高的價值。

關鍵詞：深度學習；學生課程；學習狀態；智能分類

中圖分類號：G642文獻標志碼：A

0 引言

隨著教育信息化和大數據時代的到來，如何有效地分析和利用學生的學習數據，以提升教學質量和學生的學習效果，成了一個備受關注的問題。學生課程學習狀態作為反映學生學習狀況的重要指標，對于教育工作者和學生本人都具有重要的參考價值。然而，傳統的數據分析方法往往難以全面、準確地反映學生的學習狀態，無法滿足日益增長的教學需求。為了解決這一問題，本文提出了一種基于深度學習的學生課程學習狀態智能分類方法。該方法利用深度學習技術對學生的學習行為和成績等數據進行建模和分析，能夠自動、準確地識別學生的學習狀態，為個性化教學和精準輔導提供有力的支持。同時，該方法還能夠發現學生的學習特點和規律，為教育工作者提供有針對性的教學建議，有助于提高教學質量和學生的學習效果^[1]。

1 設計基于深度學習的學生課程學習狀態智能分類方法

1.1 學生課程學習狀態離散化處理

為了高效處理學生課程學習狀態數據，本文采用高斯分布對連續資料進行排序，將其視為連續變量，根據特定概率分布確定數據的分類。當使用高斯分布切割資料集時，最關鍵的步驟就是選擇合適的剖分點^[2]。本文根據相同性質的2個相鄰數據來確定剖分點，通過垂直交叉數據得到屬性y_i。然后，在特定條件下計算每個y_i對應的屬性x_i出現的概率，如式（1）所示。

根據式（1）所示的計算結果，劃分點對應的特征元，所提方法將特定數值替換為同一類別中的數值，由此對學生課程學習狀態數據進行離散化處理^[3]。

1.2 基于深度學習構建學習狀態的智能分類規則

本文應用深度學習技術中的前饋卷積神經網絡來識別、提取學習狀態數據屬性。這種網絡能夠形成固定尺寸的默認框，將屬性映射到相鄰區域，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習狀態數據的特征至關重要。在選擇屬性時，本次引入深度學習編碼向量，其選擇屬性Q的公式可表示為：

其中，ε表示權重矩陣，表示深度學習編碼向量，s表示數量。根據選擇屬性計算結果，利用深度學習技術構建深度學習模型，其公式為：

其中，x表示輸入的學習狀態數據，G表示激活函數，f（x）表示神經網絡的前向傳播過程，用于將輸入數據轉換為中間層的輸出。

根據上述模型，所提方案通過逐層抽象和特征轉換可成功捕捉數據中的復雜結構和潛在關聯，這有助于提取與學習狀態相關的關鍵信息，生成候選數據集合^[4]。根據上述內容，所提方法還需要計算學習狀態數據屬性的重要性。按照精度為1.0的項集來計算學習狀態數據屬性的重要性，其公式為：

其中，D表示學習狀態數據屬性的重要性，POS代表前端生成的規則指令，W代表分類規則的近似集。根據上述計算結果，所提方法利用rule指令在數據前端生成規則集合。該指令能夠根據候選數據集合和可信度閾值自動生成一系列的規則。通過持續掃描電腦中的學習狀態資料庫，可全面地掌握資料之間的關聯。在此基礎上，本文設計了一套標準化的學習狀態資料分類規則，從而更有效地評估了學生的學習狀態。

1.3 學生課程學習狀態智能分類判定

在構建學習狀態智能分類規則后，本文對學生課程學習狀態智能分類進行判定，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]。

根據上述流程，分類判定方法將樣本引入數據判定樣本集，設計關聯分析，挖掘數據之間的匹配程度。所提方案在剔除冗余數據后進行采樣，使用Option方法檢測的閾值進行更新。根據TCP/IP協議，組合判斷結果，對其進行交叉驗證。為了確保數據的準確性和可靠性，所提方案將數據集分割為多個子集，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性最小的特征，重新篩選數據特征；在此基礎上，更新數據的權值，不斷形成新的數據類別。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據融合。基于二支分類器訓練數據結果，將數據分為2個部分：一類為數據集的隱層輸出層；另一類為所有隱層節點層次。本文選擇最佳的特征集，將數據集進行分解，其分解流程如圖2所示。由圖可知：其數據集分解結果即為最終檢測結果，為學生課程學習狀態智能分類結果。

2 實驗論證

2.1 實驗準備

本文實驗首先建立一個顯示學生學習狀態的數據庫，根據指定的格式將被測試的數據包轉化成有針對性的數據，將其保存到相應的數據庫中；然后，進行多維學習狀態數據的預處理，利用高層次的分類模型，通過控制程序對數據進行模糊和有方向性的分類（這一步的目的是提取數據中的有用特征，去除冗余信息，提高數據的處理效率）；最后，將基于卷積神經網絡算法的5個數據包同步加入模型，對卷積參數進行初始化，完成模型訓練。綜上，完成實驗準備工作。選取傳統方法1和傳統方法2作為對比組，本文方法為實驗組，開展對比實驗。

2.2 實驗結果分析與結論

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

根據圖3所示結果，本文對測試結果進行詳細的分析。相較于傳統方法1和傳統方法2，本文所設計的基于深度學習的學生課程學習狀態智能分類方法所得的分類準入數相對較高，最高可達99%。而其他2種方法的分類準入數分別為95%和93%。這一結果表明，在實際應用過程中，利用深度學習技術對學生課程學習狀態進行分類，其速度更快，精準度更高。所提分類方法具有較強的可靠性，能夠在實際中發揮較高的應用價值。

3 結語

在當今的教育環境中，對學生課程學習狀態進行分析和分類有利于提高教學質量，幫助學生更好地提升學習效率，對于改進教學方法也具有重要意義。本文提出了一種基于深度學習的學生課程學習狀態智能分類方法，通過利用深度學習技術對學生的學習行為和成績等數據進行分析，實現了學生課程學習狀態的自動分類和預測。通過實驗驗證，該方法能夠有效地識別學生的學習狀態，對學生的學習行為和成績進行分類，可以幫助教育工作者更好地了解學生的學習狀態和需求，為個性化教學和精準輔導提供有力的支持。

參考文獻

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

[2]同軍紅.基于B-CNN模型的非平衡大數據智能分類方法研究[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習的建設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.基于屬性關聯的人事檔案數據智能分類方法[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