[发明专利]基于深度学习的随堂扫码评教数据有效性分析方法

权利要求书

1.基于深度学习的随堂扫码评教数据有效性分析方法，其特征在于：包括以下步骤：

S1：随堂扫码评教数据收集，根据随堂扫码评教系统对评教数据进行收集，对每条评教数据与其相应的教师、课程及学生信息进行量化操作并组合，得到未标记的评教数据集；

所述步骤S1具体包括以下步骤：

S11：在课间，学生通过使用智能移动设备扫描评教二维码打开评教Web页面，并用自身的教务系统账号登录；

S12：填写的教学评价问卷包含10个选择题，每个选择题的选项包括差、一般、良和优四个等级；

S13：学生填写完毕并提交一份评教问卷后，服务器将从教务系统中查询到该份问卷的教师信息、课程信息以及学生信息，连同评教问卷中每道题的结果都进行量化操作再拼接后得到一条评教数据；处理完所有评教问卷后得到的所有评教数据，即为未标记的评教数据集；

所述的评教数据集每条评教数据格式如下：

{UID，课程ID，课程类别，课程出勤率，教师教龄，教师性别，学生年龄，学生性别，学生院系，学生专业，学生必修课平均成绩，学生选修课平均成绩，学生平均每学期所修课程数，学生当前学期所修课程数，学生出勤率，学生心理测评成绩，评教题1结果，评教题2结果，……，评教题10结果，有效性}共包含27项信息，其中：“有效性”字段的值默认为0；

S2：对教数据集进行预处理，首先对未标记的评教数据集中的每条评教数据进行标记，然后将评教数据集划分成训练集、验证集和测试集；

所述步骤S2具体包括以下步骤：

S21：针对于每门课程，具体操作为：

假设课程ID为1，在全校师生中随机选取n≥5位教师，m≥5位学生，要求每人至少旁听该门课程4个课时，且m位学生应从选修该课程的学生中抽取；由这m+n个人填写该课程的教学评价问卷，得到m+n条评教样本，记为Set_Standard，其中每条评教样本格式如下：

{课程ID，评教题1结果，评教题2结果，……，评教题10结果}

在评教数据集中筛选出所有课程ID为1的评教数据，记为Set_Unlabled，假设Set_Unlabled共有N条评教数据，将其中每条评教数据记为U_i(1＝i＝N)，和Set_Standard中的每条评教样本S_j(1＝j＝m+n)作对比；若存在S_j，使得U_i和S_j的10个评教题的结果中至少有4个是对应相同的，则把评教数据集中U_i对应评教数据的“有效性”字段的值更新为1；

S22：在对每门课程都执行过步骤S21后，即完成了对评教数据集中每条评教数据的标记，然后从评教数据集中随机抽取60％、20％和20％，分别为训练集train_set、验证集valid_set和测试集test_set；

S3：训练深度神经网络模型，使用训练集中的数据对深度神经网络的参数进行训练，使用多组不同的超参数进行多次训练后得到多个候选的深度神经网络模型；在所述步骤S3中，所述深度神经网络由上下两部分构成，每部分都包含8层，其中5层为卷积层，3层为全连接层；

所述步骤S3具体包括以下步骤：

S31：评教数据集中的每条数据在输入深度神经网络前，被分为data和label两部分数据，其中：

data是由{课程ID，课程类别，课程平均出勤率，教师教龄，教师性别，学生年龄，学生性别，学生院系，学生专业，学生必修课平均成绩，学生选修课平均成绩，学生平均每学期所修课程数，学生当前学期所修课程数，学生出勤率，学生心理测评成绩，评教题1结果，评教题2结果，……，评教题10结果}所转换成的5*5的二维矩阵；label为“有效性”字段的值；

S32：在train_set数据集上进行训练，借助BP反向传播算法和梯度下降算法训练深度神经网络的参数，训练过程中，验证集valid_set用于判断模型是否过拟合，训练完成后得到1个深度神经网络模型；

S33：使用10组不同的超参数，重复进行10次步骤S32，得到10个候选的深度神经网络模型；

S4：筛选深度神经网络模型，利用测试数据集测试各个候选的深度神经网络模型的效果，筛选出效果最优的深度神经网络模型，对评教数据进行有效性分析。