基于深度学习的学生课程学习状态智能分类方法

程雅琼 赵治斌 冯黎

摘要：常规的学生课程学习状态智能分类方法在进行分类时，其分类规则不明确，进而造成分类的敏捷度较低。文章提出了基于深度学习的学生课程学习状态智能分类方法。首先，该方法将学生课程学习状态进行离散化处理；然后，利用深度学习技术，构建学习状态智能分类规则；最后，对学生课程学习状态智能分类进行判定。通过设计对比实验，实验结果证明了该方法的分类准入数更高，所提方法能够在实际应用中发挥更高的价值。

关键词：深度学习；学生课程；学习状态；智能分类

中图分类号：G642文献标志码：A

0 引言

随着教育信息化和大数据时代的到来，如何有效地分析和利用学生的学习数据，以提升教学质量和学生的学习效果，成了一个备受关注的问题。学生课程学习状态作为反映学生学习状况的重要指标，对于教育工作者和学生本人都具有重要的参考价值。然而，传统的数据分析方法往往难以全面、准确地反映学生的学习状态，无法满足日益增长的教学需求。为了解决这一问题，本文提出了一种基于深度学习的学生课程学习状态智能分类方法。该方法利用深度学习技术对学生的学习行为和成绩等数据进行建模和分析，能够自动、准确地识别学生的学习状态，为个性化教学和精准辅导提供有力的支持。同时，该方法还能够发现学生的学习特点和规律，为教育工作者提供有针对性的教学建议，有助于提高教学质量和学生的学习效果^[1]。

1 设计基于深度学习的学生课程学习状态智能分类方法

1.1 学生课程学习状态离散化处理

为了高效处理学生课程学习状态数据，本文采用高斯分布对连续资料进行排序，将其视为连续变量，根据特定概率分布确定数据的分类。当使用高斯分布切割资料集时，最关键的步骤就是选择合适的剖分点^[2]。本文根据相同性质的2个相邻数据来确定剖分点，通过垂直交叉数据得到属性y_i。然后，在特定条件下计算每个y_i对应的属性x_i出现的概率，如式（1）所示。

根据式（1）所示的计算结果，划分点对应的特征元，所提方法将特定数值替换为同一类别中的数值，由此对学生课程学习状态数据进行离散化处理^[3]。

1.2 基于深度学习构建学习状态的智能分类规则

本文应用深度学习技术中的前馈卷积神经网络来识别、提取学习状态数据属性。这种网络能够形成固定尺寸的默认框，将属性映射到相邻区域，可生成一系列固定尺寸的边界框集合。这一步骤对准确捕获学习状态数据的特征至关重要。在选择属性时，本次引入深度学习编码向量，其选择属性Q的公式可表示为：

其中，ε表示权重矩阵，表示深度学习编码向量，s表示数量。根据选择属性计算结果，利用深度学习技术构建深度学习模型，其公式为：

其中，x表示输入的学习状态数据，G表示激活函数，f（x）表示神经网络的前向传播过程，用于将输入数据转换为中间层的输出。

根据上述模型，所提方案通过逐层抽象和特征转换可成功捕捉数据中的复杂结构和潜在关联，这有助于提取与学习状态相关的关键信息，生成候选数据集合^[4]。根据上述内容，所提方法还需要计算学习状态数据属性的重要性。按照精度为1.0的项集来计算学习状态数据属性的重要性，其公式为：

其中，D表示学习状态数据属性的重要性，POS代表前端生成的规则指令，W代表分类规则的近似集。根据上述计算结果，所提方法利用rule指令在数据前端生成规则集合。该指令能够根据候选数据集合和可信度阈值自动生成一系列的规则。通过持续扫描电脑中的学习状态资料库，可全面地掌握资料之间的关联。在此基础上，本文设计了一套标准化的学习状态资料分类规则，从而更有效地评估了学生的学习状态。

1.3 学生课程学习状态智能分类判定

在构建学习状态智能分类规则后，本文对学生课程学习状态智能分类进行判定，将分类判定分为以下几个部分，其分类判定流程如图1所示^[5]。

根据上述流程，分类判定方法将样本引入数据判定样本集，设计关联分析，挖掘数据之间的匹配程度。所提方案在剔除冗余数据后进行采样，使用Option方法检测的阈值进行更新。根据TCP/IP协议，组合判断结果，对其进行交叉验证。为了确保数据的准确性和可靠性，所提方案将数据集分割为多个子集，将每个子集作为测试集进行测试^[6]。在每次交叉验证过程中，所提方案消除了相关性最小的特征，重新筛选数据特征；在此基础上，更新数据的权值，不断形成新的数据类别。集成置信度，形成每次交叉验证的分值矩阵，其可表示为：

根据交叉验证的分值矩阵，本文使用分类器对交叉验证分值进行数据融合。基于二支分类器训练数据结果，将数据分为2个部分：一类为数据集的隐层输出层；另一类为所有隐层节点层次。本文选择最佳的特征集，将数据集进行分解，其分解流程如图2所示。由图可知：其数据集分解结果即为最终检测结果，为学生课程学习状态智能分类结果。

2 实验论证

2.1 实验准备

本文实验首先建立一个显示学生学习状态的数据库，根据指定的格式将被测试的数据包转化成有针对性的数据，将其保存到相应的数据库中；然后，进行多维学习状态数据的预处理，利用高层次的分类模型，通过控制程序对数据进行模糊和有方向性的分类（这一步的目的是提取数据中的有用特征，去除冗余信息，提高数据的处理效率）；最后，将基于卷积神经网络算法的5个数据包同步加入模型，对卷积参数进行初始化，完成模型训练。综上，完成实验准备工作。选取传统方法1和传统方法2作为对比组，本文方法为实验组，开展对比实验。

2.2 实验结果分析与结论

本文实验分别对比3种不同分类方法的分类准入数，该指标可综合评估分类方法的性能，具体实验对比结果如图3所示。

根据图3所示结果，本文对测试结果进行详细的分析。相较于传统方法1和传统方法2，本文所设计的基于深度学习的学生课程学习状态智能分类方法所得的分类准入数相对较高，最高可达99%。而其他2种方法的分类准入数分别为95%和93%。这一结果表明，在实际应用过程中，利用深度学习技术对学生课程学习状态进行分类，其速度更快，精准度更高。所提分类方法具有较强的可靠性，能够在实际中发挥较高的应用价值。

3 结语

在当今的教育环境中，对学生课程学习状态进行分析和分类有利于提高教学质量，帮助学生更好地提升学习效率，对于改进教学方法也具有重要意义。本文提出了一种基于深度学习的学生课程学习状态智能分类方法，通过利用深度学习技术对学生的学习行为和成绩等数据进行分析，实现了学生课程学习状态的自动分类和预测。通过实验验证，该方法能够有效地识别学生的学习状态，对学生的学习行为和成绩进行分类，可以帮助教育工作者更好地了解学生的学习状态和需求，为个性化教学和精准辅导提供有力的支持。

参考文献

[1]余波，张立为.基于智能家居语音识别多样化结果的意图分类方法[J].数字技术与应用，2023（11）：137-139.

[2]同军红.基于B-CNN模型的非平衡大数据智能分类方法研究[J].信息与电脑（理论版），2023（15）：162-164.

[3]周红，汤世隆，顾佳楠，等.基于自然语言处理和深度学习的建设工程合同智能分类方法研究[J].科技管理研究，2023（8）：165-172.

[4]宋敏敏，周泽亚，邱燕，等.基于HOG特征和SVM分类器的红外图像智能检测与分类方法[J].红外，2022（4）：25-32.

[5]周毛.基于属性关联的人事档案数据智能分类方法[J].甘肃科技纵横，2021（10）：4-6.

[6]田丰，杨洋.基于模糊聚类算法的智能电子档案自动分类方法[J].微型电脑应用，2021（2）：87-90.

（编辑 王永超编辑）

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