[发明专利]一种细粒度学习性能预测方法、装置、设备及介质

权利要求书

1.一种细粒度学习性能预测方法，其特征在于，包括：

获取学习者对在线课程的学习特征记录；

根据所述学习特征记录构建多模态融合学习特征矩阵；

根据跨步范围获取临近元素；

根据皮氏距离确定相似动态特征；

根据所述临近元素和所述相似动态特征，获取联合元素；

将所述联合元素进行细粒度学习性能预测，确定预测结果。

2.根据权利要求1所述的一种细粒度学习性能预测方法，其特征在于，所述获取学习者对在线课程的学习特征记录，包括：

获取学习者的静态学习特征，所述静态学习特征包括学习者的学号、年龄、性别和学习期望；

获取学习者的动态学习特征，所述动态学习特征包括学习者的参与度、活跃度、学习情感、内容相关度和持续时长；

获取学习者的细粒度学习绩效，所述细粒度学习绩效包括学习者在每一节课程后的学习成绩。

3.根据权利要求2所述的一种细粒度学习性能预测方法，其特征在于，所述根据跨步范围获取临近元素，包括：

从所述动态学习特征中确定待预测目标特征；

根据所述待预测目标特征，确定第一特征的静态特征；所述第一特征为所述待预测目标特征的临近特征；

确定一个阈值作为相邻特征的候选基，并根据所述候选基确定跨步特征捕捉范围；

根据所述跨步特征捕捉范围，确定临近元素。

4.根据权利要求2所述的一种细粒度学习性能预测方法，其特征在于，所述根据皮氏距离确定相似动态特征，包括：

根据所述静态学习特征，确定学习者类型；

根据所述学习者类型以及已学课程数据，计算所述学习者的学习特征相似度；

根据所述学习特征相似度，确定相似动态特征。

5.根据权利要3或4任一项所述的细粒度学习性能预测方法，其特征在于，所述根据所述临近元素和所述相似动态特征，获取联合元素，包括:

根据所述临近元素和所述相似动态特征，确定联合特征存储块；

根据所述联合特征存储块，确定第一阈值和第二阈值；所述第一阈值与所述第二阈值用于实现不同的特征选择方法；

根据所述第一阈值与所述第二阈值确定的特征选择方法，确定联合元素。

6.根据权利要求5所述的一种细粒度学习性能预测方法，其特征在于，所述方法还包括：根据所述第一阈值和所述第二阈值确定特征选择方法，该步骤包括以下之一：

当所述第一阈值大于第一数值和所述第二阈值等于第二数值时，确定所述特征选择为临近特征选择方法；

当所述第一阈值大于等于第三数值且所述第二阈值小于等于第四数值时，确定所述特征选择为基于相似度的特征选择方法；

当所述第一阈值大于第五数值且所述第二阈值小于等于第六数值时，确定所述特征选择为联合特征选择方法；

其中，所述第一数值和所述第五数值所述学习特征矩阵中的候选特征总数与每行特征数量控制，代表了特征选择范围。

7.根据权利要求6所述的一种细粒度学习性能预测方法，其特征在于，所述根据所述联合元素进行细粒度学习性能预测，确定预测结果，包括：

根据模型输入的离散特征的值以及所述离散特征在所述学习特征矩阵中的位置信息，对所述离散特征进行特征嵌入和位置嵌入；

根据掩码多状态注意力，确定特征捕获；

根据层级联合，确定细粒度学习性能预测的初始结果；

对所述初始结果进行转化与更新，确定目标预测结果。

8.一种细粒度学习性能预测装置，其特征在于，该装置包括：

第一获取模块：用于获取学习者对在线课程的学习特征记录；

构建模块：用于根据所述学习特征记录构建多模态融合学习特征矩阵；

第二获取模块：用于根据跨步范围获取临近元素；

第三获取模块：用于根据皮氏距离确定相似动态特征；

第四获取模块：用于根据所述临近元素和所述相似动态特征，获取联合元素；

预测模块：用于将所述联合元素进行细粒度学习性能预测，确定预测结果。