(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211050231.4 (22)申请日 2022.08.31 (65)同一申请的已公布的文献号 申请公布号 CN 115115483 A (43)申请公布日 2022.09.27 (73)专利权人 广州数园网络有限公司 地址 510000 广东省广州市天河区五山路 381号华南理工大 学科技实业总厂 (72)发明人 陈育青　隆承志　许伟锋　 (74)专利代理 机构 深圳市广诺专利代理事务所 (普通合伙) 44611 专利代理师 居振浩 (51)Int.Cl. G06F 16/35(2019.01) G06Q 50/20(2012.01) G06Q 10/06(2012.01)G06F 40/242(2020.01) G06F 40/284(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 21/62(2013.01) G06F 21/60(2013.01) (56)对比文件 CN 114862636 A,2022.08.05 US 10861 116 B1,2020.12.08 CN 113656749 A,2021.1 1.16 CN 112561305 A,2021.0 3.26 朱晓燕等.基 于差分隐私的学生成绩隐私保 护系统. 《江汉大 学学报(自然科 学版)》 .2017, (第05期), 王亚男等.面向教务发布的隐私保护研究. 《河北软件职业 技术学院学报》 .2017,(第04期), 审查员 钟容 (54)发明名称 一种融合隐私保护的学生综合能力评测方 法 (57)摘要 本申请提供一种融合隐私保护的学生综合 能力评测方法， 包括： 获取学生各科目的成绩， 判 断优势科目与劣势科目及其稳定性； 识别倒退科 目及所属能力项， 计算倒退幅度； 判断能力项的 稳定性和总成绩稳定性； 识别倒退科目属于优势 还是劣势科目， 判断是否进行隐私保护； 对学生 成绩进行隐私保护； 针对需要进行隐私保护的不 同能力项进行学生跟踪； 根据隐私保护能力项的 跟踪结果， 对学习能力进行优化干预； 根据隐私 保护范围， 分配成绩查看管理系统权限。 权利要求书4页 说明书11页 附图2页 CN 115115483 B 2022.11.25 CN 115115483 B 1.一种融合隐私保护的学生综合能力评测方法， 其特 征在于， 所述方法包括： 获取学生各科目的成绩， 判断优势科目与劣势科目及其稳定性； 识别倒退 科目及所属能力项， 计算倒退幅度， 并基于k ‑means识别科目代 表的能力项； 判断能力项的稳定性和总成绩稳定性； 识别倒退科目属于优势还是劣势科目， 判断是否进行隐私保护， 根据学生画像预测倒 退科目的成绩， 并计算倒退 可信度； 对学生成绩进行隐私保护， 基于差分隐私的学生成绩隐私保护技术与基于用户认证的 隐私保护技 术对所述学生成绩进行保护； 针对需要进行隐私保护的不同能力项进行学生跟踪， 其中， 基于网络舆情跟踪学生德 育能力， 并基于BP神经网络预测智育与美 育能力完成时间； 根据隐私保护能力项的跟踪结果， 以及根据 学生需要进行隐私保护的能力项改善方案 的预测完成时间， 对学习能力进行优化干预； 根据隐私保护范围， 分配成绩查看管理系统权限。 2.根据权利要求1所述的方法， 其中， 所述获取学生各科目的成绩， 判断优势科目与劣 势科目及其稳定性， 包括: 获取目标学生各个科目的成绩， 包括本次考试成绩和历次考试成绩； 首先判断学生的 优势科目和劣势科目； 用递进系数反应 每次考试成绩的变化趋势： Di= （ （Yi‑X （i‑1） ） /X （i‑1） ） *100 ； 其中Di为递进系数， Yi为本次考试成绩， X （i ‑1） 为上次考试成绩； 逐次计算目标学生各 科目的递进系数， 记录科目名称和递进系数Di， 对各个科目的递进系数求平均； 对全班学生 目标科目的递进系数求平均， 并作为第一阈值； 若平均递进系数大于所述第一阈值， 说明考 试成绩高于平均水平， 属于优势科目； 若递进系数的平均值小于或等于第一阈值， 说明考试 成绩低于平均水平， 属于 劣势科目； 然后计算目标学生各科目的稳定性指数； 对 所述目标学 生的各科目的递进系 数求标准差， 作为 目标学生各科目的稳定性指数， 将全班学生对应科 目的递进系 数标准差作为第二阈值； 若所述稳定性指数小于第二阈值， 则 说明目标学生的 目标科目成绩稳定性高； 若所述稳定性指数大于等于第二阈值， 则 说明目标学生的目标科 目成绩稳定性低。 3.根据权利要求1所述的方法， 其中， 所述识别倒退科目及所属能力项， 计算倒退幅度， 包括: 首先识别倒退科目及倒退幅度； 获取学生本次目标科目成绩和上次目标科目成绩数 据， 计算目标科目成绩环比； 其中， 目标科目成绩环比=本次 目标科目成绩/上次 目标科目成 绩； 比较目标科目成绩环比与1的大小， 若目标科目成绩环比大于1， 则说明目标科目为进步 科目； 若目标科目成绩环比等于1， 则说明目标科目不进不退； 若目标科目成绩环比小于1， 则说明目标科目为倒退科目， 用倒退科目的递进系 数的绝对值表示其倒退幅度； 然后根据 倒退科目名称和科目的描述文本获取所属能力项， 将最终结果记为倒退科目名称、 倒退幅 度、 能力项； 所述基于k ‑means识别科目代 表的能力项， 具体包括: 获取所有科目名称以及各科目的描述文本； 首先将各科目的描述文本按句拆分， 对拆 分后的每句话分词并去除其中的停用 词， 最后得到各个科目的词项； 然后计算各个科目的权　利　要　求　书 1/4 页 2 CN 115115483 B 2词项的TF ‑IDF值， 词频TF= ， 逆向文件频率： ； TF‑IDF=TF*ID F； 通过预设第四阈值提取各科目的描述关键词， TF ‑IDF值大于第四阈值 的词项为描述关键词， 记为科目名称、 描述关键词； 计算所有 科目的描述文本中的所有词项 的TF‑IDF值， 并转化成TF ‑IDF矩阵进行k ‑means聚类； 随机选取五个类中心点， 遍历所有词 项并计算各词项聚类中心的距离 ， 其中， x1是第一个词的TF ‑IDF值， x2是第 二个词的TF ‑IDF值， 距离越近说明该词项和 类中心属于同一类， 然后取各类均值作为新的 类中心重新进行分类， 直到类中心不再发生变化； 统计聚类结果并分别命名为德智体美劳 五个能力项； 获取待识别科目名称及 描述文本， 计算描述文本中所有词项的T F‑IDF值， 提取 描述关键词， 计算关键词到五个类中心的距离， 取最小距离作为分类标准， 即关键词到类中 心距离最小的类为待识别科目所属科目。 4.根据权利要求1所述的方法， 其中， 所述判断能力项的稳定性和总成绩稳定性， 包括: 首先计算各能力项的稳定性指数； 获取同一能力项的所有科目的稳定性指数， 计算所 述稳定性指数 的平均值作为能力项的稳定性指数； 最后， 将能力项的稳定性指数 的平均值 作为总成绩的稳定性指数； 输出最后结果为能力项： 能力项的稳定性指数， 总成绩的稳定性 指数。 5.根据权利要求1所述的方法， 其中， 所述识别倒退科目属于优势还是劣势科目， 判断 是否进行隐私保护， 包括: 获取学生学号、 倒退科目的名称、 本次考试成绩和历次考试成绩， 通过平均递进系数判 断倒退科目属于优势科目还是劣势科目； 若属于劣势科目， 则需要进 行隐私保护， 否则进 行 下一步； 获取倒退可信度acc， 并预设第三阈值； 当倒退可信度acc大于或等于第三阈值， 则 说明倒退科目成绩体现了学生的真实能力， 即表 示学生不是波动性倒退， 而是能力不 足， 需 要进行隐私保护； 当倒退可信度acc小于第三阈值， 则说明学生此次考试是波动性倒退， 不 用进行隐私保护； 根据倒退科目的名称获取所属能力项， 对能力项标注是否进 行隐私保护， 即输出结果为： 是否进行隐私保护； 所述根据学生画像预测倒退 科目的成绩， 并计算倒退 可信度， 具体包括: 获取倒退科目的名称、 学生个人倒退科目的分数、 学生个人倒退科目的及格率、 倒退科 目的平均分、 倒退科目的班级及格率、 本次考试倒退科目的班级平均分、 本次考试难度系数 七个属性作为学生画像的特征训练集； 将所述特征训练集输入BP神经网络中训练， 训练完 成后需输入倒退科目的名称、 学生个人倒退科目的及格率、 倒退科目的平均分、 倒退科目的 班级及格率、 本次考试倒退科目的班级平均分、 本次考试难度系数六个属性， 来实现对学生 个人倒退科目的分数的预测； 即获取倒退科目的名称、 学生个人倒退科目的及格率、 倒退科 目的平均分、 倒退科目的班级及格率、 本次考试倒退科目的班级平均分、 本次考试难度系数 六个属性， 输入已训练好的BP神经网络， 得到学生个人倒退科目的预测分数； 获取学生上次 考试中倒退科目的分数， 计算预测 倒退幅度=学生个人倒退科目的预测分数/上次考试中倒 退科目的成绩， 记为F； 获取学生个人倒退科目的实际倒退幅度， 记为A； 计算倒退可信度权　利　要　求　书 2/4 页 3 CN 115115483 B 3