一种基于概率图模式推断的文本智能教学评价方法与流程

1.本发明涉及智能教学技术领域，尤其涉及一种基于概率图模式推断的文本智能教学评价方法。


背景技术：

2.智能教学技术是当前各种教学系统或各种教学应用软件的核心技术之一，其能够根据教学内容的类型和教学目标的要求，针对性地提供符合教育规律的自动化推送技术，是智能教学系统的真正智能所在。自然语言处理是人工智能的一个重要领域，它是指对自然语言进行语义理解，以理解和分析不同文本内容的技术。
3.课堂教学评价是课堂教学质量的必要保障，是促进教师专业发展，保障育人目标顺利实现的重要手段。在课堂教学评价实践中，评价者运用一定的评价标准和工具，对评价对象的行为和活动过程进行评价。评价标准是教学评价体系的核心，是价值判断的依据，其合理性、科学性直接影响教学活动，并且课堂教学评价能否对教师专业发展起到促进作用，与课堂教学评价标准有很大关系。如果评价系统里缺乏清晰合理的标准，那么这种教育评价系统就不全面。


技术实现要素：

4.本发明提供一种基于概率图模式推断的文本智能教学评价方法，解决的技术问题在于：如何结合教师的多源数据对教师的教学进行全面的智能化评价。
5.为解决以上技术问题，本发明提供一种基于概率图模式推断的文本智能教学评价方法，包括步骤：
6.(1)预训练处理
7.s1：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语数据进行分析，提取相应的教师素养评价策略和教学质量评价策略；
8.(2)多维数据整合
9.s2：对所述教学评价量表数据及所述教师素养评价策略、所述教学质量评价策略进行整合并利用基于g
‑
mean的混合特征选择方法降维，并进行维度处理得到维度相同的输出特征；
10.s3：将降维后的多维数据放入lex
‑
bert模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征，该文本特征包括教学过程实体、教学结果实体和教师素质实体；
11.(3)概率图模型优化
12.s4：将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断，得到教师素养的正负概率和教学质量的正负概率；
13.s5：将所述教师素养的正负概率和所述教学质量的正负概率分别进行归一化处理，得到对应的教师素养评价分数和教学质量评价分数。
14.进一步地，步骤s1具体包括步骤：
15.s11：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语文本数据进行分组编号；
16.s12：分别采取不同的n
‑
gram内核对步骤s11得到的数据进行预处理，得到分组后的文本数据。
17.进一步地，在所述步骤s2中，基于g
‑
mean的混合特征选择方法中选择的g
‑
mean公式为：
[0018][0019][0020][0021]
其中式(1)为g
‑
mean原理公式，tp、fp、fn、tn分别代表预测和真实均为肯定的情况、预测为肯定且真实为否定的情况、预测为否定且真实为肯定的情况、预测和真实均为否定的情况。
[0022]
进一步地，在所述步骤s2中，并进行维度处理得到维度相同的输出特征步骤包括：
[0023]
s21：将得到的文本特征f
h
，按照p
×
p的大小切割成n块，再将每一个特征块拉平为维度为p2×
c的向量，得到特征向量
[0024]
s22：将所有的特征向量送入transformer进行处理，并进行维度处理得到维度相同的输出特征
[0025]
进一步地，在所述步骤s4中，进行加权平均的公式为：
[0026][0027]
其中，w(i；j)表示权重公式，n(i,j)表示教师素养i和教学质量j测量结果为优秀的次数，i＝1,2,
…
,n，n表示代表按概率排序的前top
‑
n预测。
[0028]
进一步地，所述步骤s12采用1
‑
gram、3
‑
gram、5
‑
gram相结合的n
‑
grams方式对步骤s11得到的数据进行预处理。
[0029]
进一步地，所述概率图模型的变体包括：
[0030][0031][0032]
其中，d代表步骤，pr(d)指的是步骤d输出的先验概率，f

、f
‑
代表实体极性，“ ”代
表相关，
“‑”
代表不相关，下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体，pr(d
lex
‑
bert
)代表根据所述lex
‑
bert模型得到的先验概率，pr(d
pgm
)代表根据所述概率图模型得到的后验概率，avg表示求均值；式(5)表示第一种变体，各种类型实体之间互不干扰，均独立地进行推论，最后取均值为推断的结果；式(6)表示第二种变体，其将各种类型实体混合在一起形成一个网络，执行无类型的贝叶斯推断；式(7)表示第三种变体，其将不同类型的实体分层，来构建多层贝叶斯网络，其将查找类型作为层，将前一层的输出用作当前层的先验概率。
[0033]
进一步地，通过下式进行步骤s5的归一化处理：
[0034][0035]
其中，x
norm
为归一化后的数据，x代表步骤s4所得的所述教师素养的正负概率或所述教学质量的正负概率，x
max
、x
min
分别为训练数据集对应所得正负概率中的最大值和最小值。
[0036]
本发明提供的一种概率图模式推断的文本智能教学评价方法，结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合，然后将整合后的多维数据放入lex
‑
bert模型中训练以提取教学评价量表的文本特征，而后给文本特征加之以权重并放入到pgm(概率图)模型中，通过pgm模型推断得出教师素养和教学质量的正负概率，最后将推断概率进行归一化处理之后输出最终基于文本的智能教学评价分数。本发明基于多源的教学评价量表数据，结合深度学习网络(lex
‑
bert模型)与图概率模型的信度推断优势，可获得更可靠的教学评价。
附图说明
[0037]
图1是本发明实施例提供的一种基于概率图模式推断的文本智能教学评价方法的网络框架示意图。
具体实施方式
[0038]
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
[0039]
本实施例基于教学评价量表数据进行推断，这些量表数据包含教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标，这种数据在预处理过程中，存在多元离散数据之间的耦合关联问题；并且数据来自实际，存在各种不确定性因素会对模型的稳定性和精确性提出很高的要求，特征学习难度大，同时之前所做的研究大都缺乏可解释性，而本实施例则综合考虑了这些因素。
[0040]
如图1所示的网络框架图，本发明实施例提供的一种基于概率图模式推断的文本智能教学评价方法，具体包括步骤：(1)预训练图像处理；(2)多维数据整合；(3)概率图模型优化。
[0041]
(1)预训练处理
[0042]
s1：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语数据进
行分析，提取相应的教师素养评价策略和教学质量评价策略；
[0043]
本实施例所提出的方法基于教学评价量表文本文档数据(包含反馈评语数据)特征提取过程中的多维数据s在教学质量及教师素养d∈d上输出的pgm(概率图)分布pr(d|s)。s由少部分文本、图像和一些结构化数据组成，主要包含：对教学文案、教学过程、技术运用、教师素养、教学质量、创新应用等指标的评价结果。
[0044]
具体的，步骤s1具体包括步骤：
[0045]
s11：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语文本数据进行分组编号；
[0046]
s12：分别采取不同的n
‑
gram内核对步骤s11得到的数据进行预处理，得到分组后的文本数据。
[0047]
具体的，步骤s12采用1
‑
gram、3
‑
gram、5
‑
gram相结合的n
‑
grams方式对步骤s11得到的数据进行预处理。本例引入了第三方评估的机制，即通过不同的分类模型，利用其分类准确率这一指标来反映样本质量。
[0048]
(2)多维数据整合
[0049]
s2：对教学评价量表数据及教师素养评价策略、教学质量评价策略进行整合并利用基于g
‑
mean的混合特征选择方法降维，并进行维度处理得到维度相同的输出特征；
[0050]
s3：将降维后的多维数据放入lex
‑
bert模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征，该文本特征包括教学过程实体、教学结果实体和教师素质实体。
[0051]
在步骤s2中，基于g
‑
mean的混合特征选择方法中选择的g
‑
mean公式为：
[0052][0053][0054][0055]
其中式(1)为g
‑
mean原理公式，tp、fp、fn、tn分别代表预测和真实均为肯定的情况、预测为肯定且真实为否定的情况、预测为否定且真实为肯定的情况、预测和真实均为否定的情况。
[0056]
在步骤s2中，并进行维度处理得到维度相同的输出特征的步骤包括：
[0057]
s21：将得到的文本特征f
h
，按照p
×
p的大小切割成n块，再将每一个特征块拉平为维度为p2×
c的向量，得到特征向量
[0058]
s22：将所有的特征向量送入transformer进行处理，并进行维度处理得到维度相同的输出特征
[0059]
在将实时提取数据抛入神经网络之前，首先需要做的是本发明所提出框架的基本组成部分实体命名识别。实体命名识别从文本句子中提取实体及其类型，对于捕获文本的关键信息非常重要。本方法所使用的是lex
‑
bert模型，该模型以自然的方式将词典信息合并到中文bert模型中，以执行ner任务，其使用特殊标记来标识句子中单词的边界，并且修
改后的句子将直接由bert模型进行编码，模型没有引入任何新参数且不需要在词典集合中附带任何单词嵌入。该模型集成了先进的中文ner模型，从中提取出教师素养及教学质量的实体，在其中添加实体的极性(“ ”、
“‑”
、或“？”，分别表示“相关”、“不相关”和“不明确”)来客观地表示给定的评价表数据中是否存在所提取的实体。它可以与基于规则的方法一起使用，该方法使用带有否定中文单词的词汇表以及极性检测模型。提取了实施提取过程中相关内容当中的实体。
[0060]
(3)概率图模型优化
[0061]
s4：将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断，得到教师素养的正负概率和教学质量的正负概率；
[0062]
s5：将教师素养的正负概率和教学质量的正负概率分别进行归一化处理，得到对应的教师素养评价分数和教学质量评价分数。
[0063]
在步骤s4中，进行加权平均的公式为：
[0064][0065]
其中，w(i；j)表示权重公式，n(i,j)表示教师素养i和教学质量j测量结果为优秀的次数，i＝1,2,
…
,n，n表示代表按概率排序的前top
‑
n预测。
[0066]
在步骤s5中，概率图模型的变体包括：
[0067][0068][0069][0070]
其中，d代表步骤，pr(d)指的是步骤d输出的先验概率，f

、f
‑
代表实体极性，“ ”代表相关，
“‑”
代表不相关，下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体，pr(d
lex
‑
bert
)代表根据lex
‑
bert模型得到的先验概率，pr(d
pgm
)代表根据概率图模型得到的后验概率，avg表示求均值；式(5)表示第一种变体，各种类型实体之间互不干扰，均独立地进行推论，最后取均值为推断的结果；式(6)表示第二种变体，其将各种类型实体混合在一起形成一个网络，执行无类型的贝叶斯推断；式(7)表示第三种变体，其将不同类型的实体分层，来构建多层贝叶斯网络，其将查找类型作为层，将前一层的输出用作当前层的先验概率。
[0071]
本例通过下式进行步骤s5的归一化处理：
[0072][0073]
其中，x
norm
为归一化后的数据，x代表步骤s4所得的所述教师素养的正负概率或所述教学质量的正负概率，x
max
、x
min
分别为训练数据集对应所得正负概率中的最大值和最小值。
[0074]
综上，本发明实施例提供的一种概率图模式推断的文本智能教学评价方法，结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合，然后将整合后的多维数据放入lex
‑
bert模型中训练以提取教学评价量表的文本特征，而后给文本特征加之以权重并放入到pgm模型中，通过pgm模型模式推断得出教师素养和教学质量的正负概率，最后将推断概率进行归一化处理之后输出最终基于文本的智能教学评价分数。本发明实施例基于多源的教学评价量表数据，结合深度学习网络(lex
‑
bert模型)与图概率模型的信度推断优势，可获得更可靠的教学评价。
[0075]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于概率图模式推断的文本智能教学评价方法，其特征在于，包括步骤：(1)预训练处理s1：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语数据进行分析，提取相应的教师素养评价策略和教学质量评价策略；(2)多维数据整合s2：对所述教学评价量表数据及所述教师素养评价策略、所述教学质量评价策略进行整合并利用基于g
‑
mean的混合特征选择方法降维，并进行维度处理得到维度相同的输出特征；s3：将降维后的多维数据放入lex
‑
bert模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征，该文本特征包括教学过程实体、教学结果实体和教师素质实体；(3)概率图模型优化s4：将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断，得到教师素养的正负概率和教学质量的正负概率；s5：将所述教师素养的正负概率和所述教学质量的正负概率分别进行归一化处理，得到对应的教师素养评价分数和教学质量评价分数。2.如权利要求1所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，步骤s1具体包括步骤：s11：收集专家预设或基于经验的教学评价量表数据，并对其中的反馈评语文本数据进行分组编号；s12：分别采取不同的n
‑
gram内核对步骤s11得到的数据进行预处理，得到分组后的文本数据。3.如权利要求1所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，在所述步骤s2中，基于g
‑
mean的混合特征选择方法中选择的g
‑
mean公式为：mean公式为：mean公式为：其中式(1)为g
‑
mean原理公式，tp、fp、fn、tn分别代表预测和真实均为肯定的情况、预测为肯定且真实为否定的情况、预测为否定且真实为肯定的情况、预测和真实均为否定的情况。4.如权利要求1所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，在所述步骤s2中，并进行维度处理得到维度相同的输出特征步骤包括：s21：将得到的文本特征f
h
，按照p
×
p的大小切割成n块，再将每一个特征块拉平为维度为p2×
c的向量，得到特征向量s22：将所有的特征向量送入transformer进行处理，并进行维度处理得到维度相同的
输出特征5.如权利要求1所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，在所述步骤s4中，加权平均公式为：其中，w(i；j)表示权重公式，n(i,j)表示教师素养i和教学质量j测量结果为优秀的次数，i＝1,2,
…
,n，n表示代表按概率排序的前top
‑
n预测。6.如权利要求2所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，所述步骤s12采用1
‑
gram、3
‑
gram、5
‑
gram相结合的n
‑
grams方式对步骤s11得到的数据进行预处理。7.如权利要求1～6任一项所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，所述概率图模型的变体包括：其特征在于，所述概率图模型的变体包括：其特征在于，所述概率图模型的变体包括：其中，d代表步骤，pr(d)指的是步骤d输出的先验概率，f

、f
‑
代表实体极性，“ ”代表相关，
“‑”
代表不相关，下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体，pr(d
lex
‑
bert
)代表根据所述lex
‑
bert模型得到的先验概率，pr(d
pgm
)代表根据所述概率图模型得到的后验概率，avg表示求均值；式(5)表示第一种变体，各种类型实体之间互不干扰，均独立地进行推论，最后取均值为推断的结果；式(6)表示第二种变体，其将各种类型实体混合在一起形成一个网络，执行无类型的贝叶斯推断；式(7)表示第三种变体，其将不同类型的实体分层，来构建多层贝叶斯网络，其将查找类型作为层，将前一层的输出用作当前层的先验概率。8.如权利要求7所述的一种基于概率图模式推断的文本智能教学评价方法，其特征在于，通过下式进行步骤s5的归一化处理：其中，x
norm
为归一化后的数据，x代表步骤s4所得的所述教师素养的正负概率或所述教学质量的正负概率，x
max
、x
min
分别为训练数据集对应所得正负概率中的最大值和最小值。
技术总结
本发明涉及智能教学领域，具体公开了一种基于概率图模式推断的文本智能教学评价方法，其结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合，然后将整合后的多维数据放入LEX


技术研发人员：利节 王艺凡 杨芳勋 朱文文 于安宁 廖宏程 张祥
受保护的技术使用者：重庆科技学院
技术研发日：2021.03.25
技术公布日：2021/6/29