一种确定潜力学生的方法及装置、设备以及存储介质与流程

1.本发明涉及数据挖掘领域，特别是涉及一种确定潜力学生的方法及装置、设备以及存储介质。


背景技术：

2.在教育领域，各种类型的学校都拥有大量的学生，大部分学生会在自己擅长的领域有良好的表现，也有些学生兴趣广泛，他们会在多个方面有优异的表现。而学校如何发掘有潜力的学生，对其进行进一步的培养和训练，是学校教师密切关心的问题，也关系到整个教育平台的发展。
3.潜力生是教学中的宝贵资源。教师明确知道潜力生对个人、学校和社会的巨大作用，有意识地运用教育智慧去细心地发现潜力生，并加以精心的培养。每个学生都是潜力生，但教师的精力有限，学生的潜力大小也不同。所以，应当把有较大潜力，并在教育教学条件下能够得到开发的学生确定为潜力生。在当前的教育实践中，教师对潜力生理解较狭隘、作用认识不足，也阻碍了潜力生的挖掘与培养，重新认识潜力生已显得十分必要。目前主要通过人为凭经验来判断学生的潜力，进而确定潜力学生，然而学生评估指标较多，从而导致通过人工挖掘潜力学生的方法效率较低。


技术实现要素：

4.识别潜力生需要教师拥有足够的职业敏锐感，用欣赏的眼光看待每一个学生，发现其智能优势，并估计其潜力大小。用于克服通过人工挖掘潜力学生的方法效率较低的问题，本发明提供一种确定潜力学生的方法及装置、设备以及存储介质。本发明对为潜力学生识别培养提供了科学依据，对于提高甄别潜力学生和培养优质学生，具有十分重要理论指导意义和实践推广价值，同时也为各种脑功能和潜力发掘，客观准确地识别提供了一种新思路。
5.本发明的目的在于提供一种确定潜力学生的方法，包括如下步骤：
6.s1，获取所有学生的历史数据；采用预设的活跃度参数对所有学生的历史数据进行筛选，从所有学生中确定出候选学生，获取候选学生在多个课次的每节课的特征数据；
7.s2，针对每节课的不同时段，根据所述候选学生的特征数据和潜力预测模型确定候选学生的潜力分值；
8.s3，根据候选学生在每节课所述多个不同时段对应的潜力分值确定候选学生的综合排名；
9.s4，在候选学生的综合排名满足预设条件时，将所述候选学生确定为潜力学生。
10.优选的，所述特征数据包括所述候选学生的出生年月、月历周期、太阳历周期、智商值、动作特征和/或脸部表情特征。
11.优选的，所述潜力预测模型通过采用训练样本对逻辑回归模型进行训练获得，其中，所述逻辑回归模型符合公式(1)和公式(2)：
[0012][0013]
y＝β1x1 β2x2
…
β
k
x
k
…………………
(2)
[0014]
其中，y为候选学生的样本，p为候选学生为潜力学生的概率，x1、x2和x
k
为候选学生的多个特征，k为候选学生的特征数量，β1、β2和β
k
为特征x1、x2和x
k
的得分，训练获得潜力预测模型后，采用潜力预测模型预测候选学生未来的潜力分值。
[0015]
优选的，为了避免因突发因素导致的排名异常，采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析，确定候选学生在多个时段对应的排名，将多个时段对应的排名取平均，获得候选学生的综合排名，之后再根据候选学生的综合排名确定候选学生是否为潜力学生，所述采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析包括：将候选学生的特征数据划分为三类，得到历史固定因子、外部因子、效率因子三大公因子，根据每个公因子对应的分值和因子权重确定候选学生的收益潜力分值，具体满足下述公式(3)：
[0016]
x＝af ε
………………………………………
(3)
[0017][0018]
其中，x
p
表示第p个候选学生的潜力分值，向量a内的各个因子a表示因子权重，向量f内每个因子表示公因子对应的分值，εp表示第p个候选学生的特殊因子。
[0019]
本发明的目的还在于提供一种确定潜力学生的装置，包括：
[0020]
获取模块，用于获取所有学生的历史数据；采用预设的活跃度参数对所有学生的历史数据进行筛选，从所有学生中确定出候选学生，获取候选学生在多个课次的每节课的特征数据；
[0021]
预测模块，用于针对每个课次，根据所述候选学生的特征数据和潜力预测模型确定所述候选学生的潜力分值；
[0022]
排名模块，用于根据所述候选学生在每个时段的潜力分值确定所述候选学生的综合排名；
[0023]
评估模块，用于在所述候选学生的综合排名满足预设条件时，将所述候选学生确定为潜力学生。
[0024]
优选的，所述特征数据包括所述候选学生的出生年月、月历周期、太阳历周期、智商值、动作特征和/或脸部表情特征。
[0025]
优选的，所述潜力预测模型通过采用训练样本对逻辑回归模型进行训练获得，其中，所述逻辑回归模型符合公式(1)和公式(2)：
[0026][0027]
y＝β1x1 β2x2
…
β
k
x
k
…………………
(2)
[0028]
其中，y为候选学生的样本，p为候选学生为潜力学生的概率，x1、x2和x
k
为候选学生的多个特征，k为候选学生的特征数量，β1、β2和β
k
为特征x1、x2和x
k
的得分，训练获得潜力预测模型后，采用潜力预测模型预测候选学生未来的潜力分值。
[0029]
优选的，为了避免因突发因素导致的排名异常，采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析，确定候选学生在多个时段对应的排名，将多个时段对应的排名取平均，获得候选学生的综合排名，之后再根据候选学生的综合排名确定候选学生是否为潜力学生，所述采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析包括：将候选学生的特征数据划分为三类，得到历史固定因子、外部因子、效率因子三大公因子，根据每个公因子对应的分值和因子权重确定候选学生的收益潜力分值，具体满足下述公式(3)：
[0030]
x＝af ε
………………………………………
(3)
[0031][0032]
其中，x
p
表示第p个候选学生的潜力分值，向量a内的各个因子a表示因子权重，向量f内每个因子表示公因子对应的分值，εp表示第p个候选学生的特殊因子。
[0033]
本发明的目的还在于提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时执行确定潜力学生的方法的步骤。
[0034]
本发明的目的还在于提供一种计算机可读存储介质，该存储介质存储可执行指令，所述可执行指令在被处理器执行时，执行所述程序时执行确定潜力学生的方法的步骤。
[0035]
本发明的有益效果：
[0036]
(1)由于在获取候选学生的特征数据后，根据候选学生的特征数据和潜力预测模型确定候选学生的潜力分值，然后根据潜力分值确定候选学生的排名，之后再将排名满足预设条件的候选学生确定为潜力学生，而不需要人工确定潜力学生，从而提高了效率。
[0037]
(2)其次，对候选学生在多个课次的特征数据进行分析，确定潜力学生，从而避免因突发因素导致的排名异常，提高了确定潜力学生的准确性和稳定性。
[0038]
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
[0039]
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
[0040]
附图1为根据本发明实施例的方法流程图；
[0041]
附图2为根据本发明实施例的装置结构图。
具体实施方式
[0042]
识别潜力生需要教师拥有足够的职业敏锐感，用欣赏的眼光看待每一个学生，发现其智能优势，并估计其潜力大小。用于克服通过人工挖掘潜力学生的方法效率较低的问题，本发明提供一种确定潜力学生的方法及装置、设备以及存储介质。本发明对为潜力学生识别培养提供了科学依据，对于提高甄别潜力学生和培养优质学生，具有十分重要理论指导意义和实践推广价值，同时也为各种脑功能和潜力发掘，客观准确地识别提供了一种新思路。
[0043]
参见图1，本发明提供一种确定潜力学生的方法，包括如下步骤：
[0044]
s1，获取所有学生的历史数据；采用预设的活跃度参数对所有学生的历史数据进行筛选，从所有学生中确定出候选学生，获取候选学生在多个课次的每节课的特征数据；
[0045]
s2，针对每节课的不同时段，根据所述候选学生的特征数据和潜力预测模型确定候选学生的潜力分值；
[0046]
s3，根据候选学生在每节课所述多个不同时段对应的潜力分值确定候选学生的综合排名；
[0047]
s4，在候选学生的综合排名满足预设条件时，将所述候选学生确定为潜力学生。
[0048]
学生的历史学生数据可以反映学生的特征，比如某学生在过去一个月时间在预置模型中得分较高，反映出该学生成长较快，进一步可以分析出该学生可能在某些方面有潜力。
[0049]
鉴于此，本发明实施例根据候选学生的历史学生数据提取候选学生的特征数据，然后采用潜力预测模型对候选学生的特征数据进行分析，确定候选学生的潜力分值，之后再根据候选学生的潜力分值确定候选学生在所有候选学生中的排名，根据候选学生的排名确定候选学生是否为潜力学生。
[0050]
为了避免突发因素导致数据的急剧变化，使得排名异常提升，而该排名又并不是候选学生实际的潜力排名的问题，可以对候选学生在多个时段的特征数据进行分析，确定候选学生在多个时段对应的潜力分值，然后根据候选学生在多个时段的潜力分值确定候选学生在所有候选学生中的综合排名，在候选学生的综合排名满足预设条件时，将候选学生确定为潜力学生。
[0051]
由于在获取候选学生的特征数据后，根据候选学生的特征数据和潜力预测模型确定候选学生的潜力分值，然后根据潜力分值确定候选学生的排名，之后再将排名满足预设条件的候选学生确定为潜力学生，而不需要人工观看学生内容确定潜力学生，从而提高了效率。其次，对候选学生在多个时段的特征数据进行分析，确定潜力学生，从而避免因突发因素导致的排名异常，提高了确定潜力学生的准确性和稳定性。
[0052]
以一个月为一个时段来说，可以将课业增长值大于预设阈值的候选学生的特征数据为正样本，增长值不大于预设阈值的候选学生的特征数据为负样本。候选学生的特征数据包括出生年月、月历周期、太阳历周期、智商值、动作特征、脸部表情特征等。
[0053]
特征数据包括所述候选学生的出生年月、月历周期、太阳历周期、智商值、动作特征和/或脸部表情特征。
[0054]
潜力预测模型通过采用训练样本对逻辑回归模型进行训练获得，其中，所述逻辑回归模型符合公式(1)和公式(2)：
[0055][0056]
y＝β1x1 β2x2
…
β
k
x
k
…………………
(2)
[0057]
其中，y为候选学生的样本，p为候选学生为潜力学生的概率，x1、x2和x
k
为候选学生的多个特征，k为候选学生的特征数量，β1、β2和β
k
为特征x1、x2和x
k
的得分，训练获得潜力预测模型后，采用潜力预测模型预测候选学生未来的潜力分值。
[0058]
为了避免因突发因素导致的排名异常，采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析，确定候选学生在多个时段对应的排名，将多个时段对应的排名取平均，获得候选学生的综合排名，之后再根据候选学生的综合排名确定候选学生是否为潜力学生，所述采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析包括：将候选学生的特征数据划分为三类，得到历史固定因子、外部因子、效率因子三大公因子，根据每个公因子对应的分值和因子权重确定候选学生的收益潜力分值，具体满足下述公式(3)：
[0059]
x＝af ε
………………………………………
(3)
[0060][0061]
其中，x
p
表示第p个候选学生的潜力分值，向量a内的各个因子a表示因子权重，向量f内每个因子表示公因子对应的分值，εp表示第p个候选学生的特殊因子。
[0062]
参见图2，本实施例还提供一种确定潜力学生的装置，包括：
[0063]
获取模块，用于获取所有学生的历史数据；采用预设的活跃度参数对所有学生的历史数据进行筛选，从所有学生中确定出候选学生，获取候选学生在多个课次的每节课的特征数据；
[0064]
预测模块，用于针对每个课次，根据所述候选学生的特征数据和潜力预测模型确定所述候选学生的潜力分值；
[0065]
排名模块，用于根据所述候选学生在每个时段的潜力分值确定所述候选学生的综合排名；
[0066]
评估模块，用于在所述候选学生的综合排名满足预设条件时，将所述候选学生确定为潜力学生。
[0067]
所述特征数据包括所述候选学生的出生年月、月历周期、太阳历周期、智商值、动作特征和/或脸部表情特征。
[0068]
所述潜力预测模型通过采用训练样本对逻辑回归模型进行训练获得，其中，所述逻辑回归模型符合公式(1)和公式(2)：
[0069][0070]
y＝β1x1 β2x2
…
β
k
x
k
…………………
(2)
[0071]
其中，y为候选学生的样本，p为候选学生为潜力学生的概率，x1、x2和x
k
为候选学生的多个特征，k为候选学生的特征数量，β1、β2和β
k
为特征x1、x2和x
k
的得分，训练获得潜力预测模型后，采用潜力预测模型预测候选学生未来的潜力分值。
[0072]
为了避免因突发因素导致的排名异常，采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析，确定候选学生在多个时段对应的排名，将多个时段对应的排名取平均，获得候选学生的综合排名，之后再根据候选学生的综合排名确定候选学生是否为潜力学生，所述采用潜力预测模型对候选学生在多个时段的特征数据进行因子分析包括：将候选学生的特征数据划分为三类，得到历史固定因子、外部因子、效率因子三大公因子，根据每个公因子对应的分值和因子权重确定候选学生的收益潜力分值，具体满足下述公式(3)：
[0073]
x＝af ε
………………………………………
(3)
[0074][0075]
其中，x
p
表示第p个候选学生的潜力分值，向量a内的各个因子a表示因子权重，向量f内每个因子表示公因子对应的分值，εp表示第p个候选学生的特殊因子。
[0076]
本发明的实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时执行确定潜力学生的方法的步骤。
[0077]
该设备具体可以是芯片，组件或模块，该设备可包括相连的处理器和存储器；其中，存储器用于存储计算机执行指令，当装置运行时，处理器可执行存储器存储的计算机执行指令，以使芯片执行上述各方法实施例中的确定潜力学生的方法。
[0078]
本发明的实施例还提供了一种计算机可读存储介质，该存储介质存储可执行指令、软件程序以及模块，可执行指令在被处理器执行时，导致生成排行榜的方法的执行。可读存储介质可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他非易失性固态存储器件等，并可被应用在各种终端上，可以是计算机、服务器等。
[0079]
存储介质还包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd
‑
rom、和磁光盘)、rom(read
‑
only memory，只读存储器)、ram(random access memory，随即存储器)、eprom(erasa ble programmable read
‑
only memory，可擦写可编程只读存储器)、eeprom(electrically erasable programmable read
‑
only memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。存储介质也可以是只读存储器，磁盘或光盘等。
[0080]
本发明的实施例还提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关步骤，以实现上述实施例中的筛选生成方法。
[0081]
其中，本发明提供的装置、计算机存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考上文所提供的对应的方法中
的有益效果，此处不再赘述。
[0082]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
[0083]
本实施例的实施：
[0084]
(1)由于在获取候选学生的特征数据后，根据候选学生的特征数据和潜力预测模型确定候选学生的潜力分值，然后根据潜力分值确定候选学生的排名，之后再将排名满足预设条件的候选学生确定为潜力学生，而不需要人工确定潜力学生，从而提高了效率。
[0085]
(2)其次，对候选学生在多个课次的特征数据进行分析，确定潜力学生，从而避免因突发因素导致的排名异常，提高了确定潜力学生的准确性和稳定性。
[0086]
虽然本实施例已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本实施例的保护范围和精神的情况下对本实施例的实施例能够进行改动和修改。