CN106296502A - 教师评价方法及系统 - Google Patents
教师评价方法及系统 Download PDFInfo
- Publication number
- CN106296502A CN106296502A CN201510375371.2A CN201510375371A CN106296502A CN 106296502 A CN106296502 A CN 106296502A CN 201510375371 A CN201510375371 A CN 201510375371A CN 106296502 A CN106296502 A CN 106296502A
- Authority
- CN
- China
- Prior art keywords
- class
- student
- knowledge point
- information
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种教师评价方法及系统,该方法包括:获取针对班级单一科目的多次学生考试试卷信息及学生信息;利用所述试卷信息及学生信息构建预测模型;根据所述预测模型对所述班级每个学生进行得分预测;利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;根据所述得分率增值确定所述科目班级教师的教学能力。利用本发明,可以实现对教师更准确的评价。
Description
技术领域
本发明涉及数据挖掘技术领域,具体涉及一种教师评价方法及系统。
背景技术
教师评价是对教师个体价值的判断,是教育评价的重要内容。对教师教学质量的评价,可以使学校教学管理部门和教师本人了解教学情况、发现问题、总结经验并改进工作,以达到最终提高教学质量的目的。因而如何较为公平公正、准确地评价教师,一直是教育界探索的一个问题。
目前,关于教师评价的方法主要有:基于一次学生考试成绩的横向教师评价,以及基于多次学生考试成绩的纵向教师评价。在现有技术中,纵向教师评价的方法主要是基于班级学生成绩的平均增值的评价,首先根据学生的历史成绩对学生的成绩做出预测,然后与实际考试成绩比对求增值,以成绩增值为指标对教师进行评价。这种方法仅以班级的平均增值来评价教师,其粒度太粗,难以较全面发现教师的教学特点,比如虽然教师对所教班级的整体影响不高,但却让班级里的差生的成绩提高了很多,或者提高了班级在某个知识点上的掌握程度等。因此,采用传统的教师评价方法,难以对教师做出公正、准确的评价。
发明内容
本发明实施例提供一种教师评价方法及系统,以实现对教师更准确的评价。
为此,本发明实施例提供如下技术方案:
一种教师评价方法,包括:
获取针对班级单一科目的多次学生考试试卷信息及学生信息;
利用所述试卷信息及学生信息构建预测模型;
根据所述预测模型对所述班级每个学生进行得分预测;
利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;
根据所述得分率增值确定所述科目班级教师的教学能力。
优选地,所述试卷信息包括:试卷难度得分、试卷知识点和/或技能标注信息;
利用IRT模型对试卷中的试题进行难度分析,得到试卷难度得分。
优选地,所述学生信息包括:学生技能,所述学生技能包括:各知识点和/或技能掌握能力、单科能力、历史得分率;
通过以下方式获取学生各知识点和/或技能掌握情况:
获取题库中知识点和/或技能的标注信息;
获取试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵;
根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
优选地,采用数据挖掘算法构建所述预测模型。
优选地,所述利用得分预测结果,计算所述班级针对设定评价类型的得分率增值包括:
利用得分预测结果分别计算所述班级在每种题型上的得分率平均增值、和/或所述班级在每个知识点和/或技能上的得分率平均增值。
优选地,所述方法还包括:根据所述试题难度得分或答题方式划分题型。
优选地,所述根据所述得分率增值确定所述科目班级教师的教学能力包括:
根据所述班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价;和/或
根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价;
所述进行不同题型上的评价包括:
计算各题型的平均难度;
利用所述题型的平均难度将所述题型上班级的得分率平均增值归一化;
根据归一化结果生成所述班级教师在不同题型上的贡献度曲线;
所述进行不同知识点和/或技能上的评价包括:
计算各知识点和/或技能的平均难度;
利用所述知识点和/或技能的平均难度将所述知识点和/或技能上班级的得分率平均增值归一化;
根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
一种教师评价系统,包括:
试卷信息获取模块,用于获取针对班级单一科目的多次学生考试试卷信息;
学生信息获取模块,用于获取对应所述试卷信息的学生信息;
预测模型构建模块,用于利用所述试卷信息及学生信息构建预测模型;
得分预测模块,用于根据所述预测模型对所述班级每个学生进行得分预测;
增值分析模块,用于利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;
评价分析模块,用于根据所述得分率增值确定所述科目班级教师的教学能力。
优选地,所述试卷信息包括:试卷难度得分、试卷知识点和/或技能标注信息;
所述试卷信息获取模块利用IRT模型对试卷中的试题进行难度分析,得到试卷难度得分。
优选地,所述学生信息包括:学生技能,所述学生技能包括:各知识点和/或技能掌握能力、单科能力、历史得分率;
所述学生信息获取模块通过以下方式获取学生各知识点和/或技能掌握情况:
获取题库中知识点和/或技能的标注信息;
获取试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵;
根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
优选地,所述预测模型构建模块采用数据挖掘算法构建所述预测模型。
优选地,所述增值分析模块包括:
第一增值分析单元,用于利用得分预测结果计算所述班级在每种题型上的得分率平均增值;和/或
第二增值分析单元,用于利用得分预测结果计算所述班级在每个知识点和/或技能上的得分率平均增值。
优选地,所述评价分析模块包括:
第一评价单元,用于根据所述班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价;和/或
第二评价单元,用于根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价;
所述第一评价单元包括:
第一计算子单元,用于计算各题型的平均难度;
第一归一化子单元,用于利用所述题型的平均难度将所述题型上班级的得分率平均增值归一化;
第一曲线生成子单元,用于根据归一化结果生成所述班级教师在不同题型上的贡献度曲线;
所述第二评价单元包括:
第二计算子单元,用于计算各知识点和/或技能的平均难度;
第二归一化子单元,用于利用所述知识点和/或技能的平均难度将所述知识点和/或技能上班级的得分率平均增值归一化;
第二曲线生成子单元,用于根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
本发明实施例提供的教师评价方法及系统,利用学生的历史考试中的试卷信息及学生信息,构建预测模型,然后基于该预测模型对班级每个学生进行得分预测,进而计算班级针对设定评价类型的得分率增值,根据该得分率增值对相关教师进行评价,从而可以更准确地评价教师的教学能力。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例教师评价方法的流程图;
图2是本发明实施例教师评价系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例提供的教师评价方法,依据班级学生的历史考试信息对班级学生进行得分预测,利用得分预测结果,计算班级针对设定评价类型的得分率增值,从而根据该得分率增值实现对教师更准确的评价。
如图1所示,是本发明实施例教师评价方法的流程图,包括以下步骤:
步骤101,获取针对班级单一科目的多次学生考试试卷信息及学生信息。
所述试卷信息可以包括:试卷难度得分、试卷知识点和/或技能标注信息。其中,试卷难度得分可以利用IRT(Item Response Theory)模型对试卷中的试题进行难度分析来获得;而试卷知识点和/或技能标注信息可以由题库中的标注信息来获得(题库中标注信息是包括该试卷考察了哪些知识点/技能)。
所述学生信息可以包括:学生姓名或编号、学生技能等信息。其中,所述学生技能可以包括:各知识点和/或技能掌握能力、单科能力、历史得分率等信息。
学生的知识点或技能掌握能力可以通过以下过程来获取:
(1)获取题库中知识点和/或技能的标注信息。
题库中知识点或技能的标注信息可以是参考考试大纲采用人工标注方式进行标注的,也可以是在知识点或技能的标注允许一定误差的基础上采用机器标注的,对此本案不作限定。
知识点或技能的考查情况可以用Q矩阵来描述,所述Q矩阵表示如下:
其中,m表示考试试题的数量,n表示试题所涉及的知识点或技能的数目。
(2)获取试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵。
试题难度信息由IRT模型获取,试题分值信息则由题库标注获取。
试题难度得分及试题分值矩阵分别如下所示:
其中,表示第m个试题的难度,其取值范围为0-1,本案中题目越难,的值越大;表示第m个试题的分值。
(3)根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
假设某班级学生p的试卷试题得分情况为:
则该学生p在科目t的知识点或技能j上的得分率为:
学生的单科能力取决于知识点和/或技能的掌握程度,一般情况可以用掌握情况均值衡量,另外也可以考虑知识点和/或技能的重要程度及难度等后加权衡量。
所述历史得分率可以根据学生的历史答题情况得到,具体可以是所有试题的学生得分之和除以所有试题实际分值之和,也可以是历次考试得分率的均值。
步骤102,利用所述试卷信息及学生信息构建预测模型。
具体地,可以采用数据挖掘算法构建预测模型,如分类和回归算法、协同过滤算法等,对此本发明实施例不做限定。
步骤103,根据所述预测模型对所述班级每个学生进行得分预测。
得分预测是指根据学生历史做题数据预测其在新题上的得分,具体实现过程如下:
首先根据新的试卷,抽取学生特征与试题特征,学生特征包括:各知识点和/或技能掌握能力、单科能力、历史得分率等;试题特征包括:试题难度得分与试题知识点和/或技能标注信息等。然后,根据每个学生做的每道试题形成一条对应的数据,该数据中包括:学生特征,试题特征,试题得分。最后,针对客观题,采用分类思想预测学生在新题上是否答对(即类别为0或1),分类算法可采用决策树、SVM(Support Vector Machine,支持向量机)等;针对主观题,采用回归思想预测学生在新题上的得分,回归算法可采用线性回归、逻辑回归等。
需要说明的是:除了分类学习方法,得分预测亦可采用矩阵分解等其他数据挖掘算法实现。
步骤104,利用得分预测结果,计算所述班级针对设定评价类型的得分率增值。
具体地,可以计算班级针对一种评价类型的得分率增值,也可以计算班级针对多种不同评价类型的得分率增值。
在本发明实施例中,所述评价类型可以是以不同题型、或者不同知识点和/或技能等来划分。
比如,对于每份试卷,可以将其中的试题按照难度划分为不同题型,如包括简单题(难度[0,0.35])、中等偏下题(难度(0.35,0.55])、中等偏上题(难度(0.55,0.75])和拔高题(难度(0.75,1])。
基于上述题型的划分,计算班级在每种题型上的得分率平均增值。具体地,首先计算该班级内每个学生在这种题型上的得分率增值:1)针对该题型的所有试题,计算学生在每道试题上的得分率增值,得分率增值等于该学生在该题上的实际得分减去该学生在该题上的预测得分;2)这样,该学生在该题型的所有试题上都有个得分率增值,求平均值作为该学生在该题型上的得分率增值。然后,即可得到班级所有学生在该题型上的平均增值,该平均增值即为班级在该题型上的得分率增值。
需要说明的是,在划分题型时,可以按照上述试题难度得分来划分,当然也可以采用其它方式划分,比如,根据答题方式划分题型,所述答题方式比如可以是选择题、填空题和主观题等。
班级在每个知识点和/或技能上的得分率增值计算的过程与上述类似,在此不再赘述。
步骤105,根据所述得分率增值确定所述科目班级教师的教学能力。
具体地,可以根据班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价;和/或根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价。
对于不同题型上的评价,首先计算各题型的平均难度,然后利用题型的平均难度将该题型上班级的得分率平均增值归一化,最后根据归一化结果生成所述班级教师在不同题型上的贡献度曲线。
对于不同知识点和/或技能上的评价,首先计算各知识点和/或技能的平均难度(计算方法可以是考察该知识点和/或技能所有试题的难度均值),然后将各知识点和/或技能上班级的得分率平均增值归一化,最后根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
在实际应用中,可以分别依据上述两种曲线分析同科目教师间的差距以及教师的教学特点等。当然,也可以综合上述两种曲线对同科目教师进行评价,比如评价结果为:教师A擅长教授拔高题,教师B教授技能S最好。
本发明实施例提供的教师评价方法,利用学生的历史考试中的试卷信息及学生信息,构建预测模型,然后基于该预测模型对班级每个学生进行得分预测,进而计算班级针对设定评价类型的得分率增值,根据该得分率增值对相关教师进行评价,从而可以更准确地评价教师的教学能力。
相应地,本发明实施例还提供一种教师评价系统,如图2所示,是该系统的一种结构示意图。
在该实施例中,所述系统包括:
试卷信息获取模块201,用于获取针对班级单一科目的多次学生考试试卷信息;
学生信息获取模块202,用于获取对应所述试卷信息的学生信息;
预测模型构建模块203,用于利用所述试卷信息及学生信息构建预测模型;
得分预测模块204,用于根据所述预测模型对所述班级每个学生进行得分预测;
增值分析模块205,用于利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;
评价分析模块206,用于根据所述得分率增值确定所述科目班级教师的教学能力。
所述试卷信息可以包括:试卷难度得分和试卷知识点和/或技能标注信息。其中,试卷难度得分可以利用IRT模型对试卷中的试题进行难度分析来获得;而试卷知识点和/或技能标注信息可以由题库中的标注信息来获得(题库中标注信息是包括该试卷考察了哪些知识点/技能)。
所述学生信息可以包括:学生姓名或编号、学生技能等信息。其中,所述学生技能可以包括:各知识点和/或技能掌握能力、单科能力、历史得分率等信息。
所述学生信息获取模块202可以通过以下方式获取学生各知识点和/或技能掌握情况:首先获取题库中知识点和/或技能的标注信息,以及试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵;然后根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
学生的单科能力取决于知识点和/或技能的掌握程度,一般情况可以用掌握情况均值衡量,另外也可以考虑知识点和/或技能的重要程度及难度等后加权衡量。所述历史得分率可以根据学生的历史答题情况得到。
所述预测模型构建模块203具体可以采用数据挖掘算法构建所述预测模型。
所述增值分析模块205具体可以以不同题型、或者不同知识点和/或技能等来计算所述班级针对不同评价类型的得分率增值,比如,所述增值分析模块205的一种具体结构可以包括:
第一增值分析单元,用于利用得分预测结果计算所述班级在每种题型上的得分率平均增值;
第二增值分析单元,用于利用得分预测结果计算所述班级在每个知识点和/或技能上的得分率平均增值。
相应地,所述评价分析模块205可以分别对所述班级教师进行不同题型上的评价、或者不同知识点和/或技能上的评价,当然也可以对班级教师进行综合性的评价。比如,所述评价分析模块205的一种具体结构可以包括第一评价单元和/或第二评价单元,其中:所述第一评价单元用于根据所述班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价,第二评价单元用于根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价。
上述第一评价单元和第二评价单元的结构类似,具体地:
所述第一评价单元包括:
第一计算子单元,用于计算各题型的平均难度;
第一归一化子单元,用于利用所述题型的难度将所述题型上班级的得分率平均增值归一化;
第一曲线生成子单元,用于根据归一化结果生成所述班级教师在不同题型上的贡献度曲线;
所述第二评价单元包括:
第二计算子单元,用于计算各知识点和/或技能的平均难度;
第二归一化子单元,用于利用所述知识点和/或技能的难度将所述知识点和/或技能上班级的得分率平均增值归一化;
第二曲线生成子单元,用于根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
本发明实施例提供的教师评价系统,利用学生的历史考试中的试卷信息及学生信息,构建预测模型,然后基于该预测模型对班级每个学生进行得分预测,进而计算班级针对设定评价类型的得分率增值,根据该得分率增值对相关教师进行评价,从而可以更准确地评价教师的教学能力。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及系统;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种教师评价方法,其特征在于,包括:
获取针对班级单一科目的多次学生考试试卷信息及学生信息;
利用所述试卷信息及学生信息构建预测模型;
根据所述预测模型对所述班级每个学生进行得分预测;
利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;
根据所述得分率增值确定所述科目班级教师的教学能力。
2.根据权利要求1所述的方法,其特征在于,所述试卷信息包括:试卷难度得分、试卷知识点和/或技能标注信息;
利用IRT模型对试卷中的试题进行难度分析,得到试卷难度得分。
3.根据权利要求1所述的方法,其特征在于,所述学生信息包括:学生技能,所述学生技能包括:各知识点和/或技能掌握能力、单科能力、历史得分率;
通过以下方式获取学生各知识点和/或技能掌握情况:
获取题库中知识点和/或技能的标注信息;
获取试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵;
根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
4.根据权利要求1所述的方法,其特征在于,采用数据挖掘算法构建所述预测模型。
5.根据权利要求3所述的方法,其特征在于,所述利用得分预测结果,计算所述班级针对设定评价类型的得分率增值包括:
利用得分预测结果分别计算所述班级在每种题型上的得分率平均增值、和/或所述班级在每个知识点和/或技能上的得分率平均增值。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:根据所述试题难度得分或答题方式划分题型。
7.根据权利要求5所述的方法,其特征在于,所述根据所述得分率增值确定所述科目班级教师的教学能力包括:
根据所述班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价;和/或
根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价;
所述进行不同题型上的评价包括:
计算各题型的平均难度;
利用所述题型的平均难度将所述题型上班级的得分率平均增值归一化;
根据归一化结果生成所述班级教师在不同题型上的贡献度曲线;
所述进行不同知识点和/或技能上的评价包括:
计算各知识点和/或技能的平均难度;
利用所述知识点和/或技能的平均难度将所述知识点和/或技能上班级的得分率平均增值归一化;
根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
8.一种教师评价系统,其特征在于,包括:
试卷信息获取模块,用于获取针对班级单一科目的多次学生考试试卷信息;
学生信息获取模块,用于获取对应所述试卷信息的学生信息;
预测模型构建模块,用于利用所述试卷信息及学生信息构建预测模型;
得分预测模块,用于根据所述预测模型对所述班级每个学生进行得分预测;
增值分析模块,用于利用得分预测结果,计算所述班级针对设定评价类型的得分率增值;
评价分析模块,用于根据所述得分率增值确定所述科目班级教师的教学能力。
9.根据权利要求8所述的系统,其特征在于,所述试卷信息包括:试卷难度得分、试卷知识点和/或技能标注信息;
所述试卷信息获取模块利用IRT模型对试卷中的试题进行难度分析,得到试卷难度得分。
10.根据权利要求8所述的系统,其特征在于,所述学生信息包括:学生技能,所述学生技能包括:各知识点和/或技能掌握能力、单科能力、历史得分率;
所述学生信息获取模块通过以下方式获取学生各知识点和/或技能掌握情况:
获取题库中知识点和/或技能的标注信息;
获取试卷中的试题信息,所述试题信息包括:试题难度得分及试题分值矩阵;
根据所述标注信息及所述试题信息,计算所述班级学生对知识点和/或技能的掌握能力。
11.根据权利要求8所述的系统,其特征在于,
所述预测模型构建模块采用数据挖掘算法构建所述预测模型。
12.根据权利要求10所述的系统,其特征在于,所述增值分析模块包括:
第一增值分析单元,用于利用得分预测结果计算所述班级在每种题型上的得分率平均增值;和/或
第二增值分析单元,用于利用得分预测结果计算所述班级在每个知识点和/或技能上的得分率平均增值。
13.根据权利要求12所述的系统,其特征在于,所述评价分析模块包括:
第一评价单元,用于根据所述班级在每种题型上的得分率平均增值对所述班级教师进行不同题型上的评价;和/或
第二评价单元,用于根据所述班级在每个知识点和/或技能上的得分率平均增值对所述班级教师进行不同知识点和/或技能上的评价;
所述第一评价单元包括:
第一计算子单元,用于计算各题型的平均难度;
第一归一化子单元,用于利用所述题型的平均难度将所述题型上班级的得分率平均增值归一化;
第一曲线生成子单元,用于根据归一化结果生成所述班级教师在不同题型上的贡献度曲线;
所述第二评价单元包括:
第二计算子单元,用于计算各知识点和/或技能的平均难度;
第二归一化子单元,用于利用所述知识点和/或技能的平均难度将所述知识点和/或技能上班级的得分率平均增值归一化;
第二曲线生成子单元,用于根据归一化结果生成所述班级教师在不同知识点和/或技能上的贡献度曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510375371.2A CN106296502A (zh) | 2015-06-29 | 2015-06-29 | 教师评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510375371.2A CN106296502A (zh) | 2015-06-29 | 2015-06-29 | 教师评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106296502A true CN106296502A (zh) | 2017-01-04 |
Family
ID=57651259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510375371.2A Pending CN106296502A (zh) | 2015-06-29 | 2015-06-29 | 教师评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296502A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780222A (zh) * | 2017-01-12 | 2017-05-31 | 陈星� | 模拟综合成绩获得方法与装置 |
CN108596395A (zh) * | 2018-04-28 | 2018-09-28 | 北京比特智学科技有限公司 | 课程的分配方法和装置 |
CN110490467A (zh) * | 2019-08-22 | 2019-11-22 | 常州易学网络科技有限公司 | 一种中小学生学业能力测评方法及系统 |
CN110991830A (zh) * | 2019-11-19 | 2020-04-10 | 浙江创课网络科技有限公司 | 一种试卷分析报告系统及方法 |
-
2015
- 2015-06-29 CN CN201510375371.2A patent/CN106296502A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780222A (zh) * | 2017-01-12 | 2017-05-31 | 陈星� | 模拟综合成绩获得方法与装置 |
CN106780222B (zh) * | 2017-01-12 | 2020-03-27 | 陈星� | 模拟综合成绩获得方法与装置 |
CN108596395A (zh) * | 2018-04-28 | 2018-09-28 | 北京比特智学科技有限公司 | 课程的分配方法和装置 |
CN110490467A (zh) * | 2019-08-22 | 2019-11-22 | 常州易学网络科技有限公司 | 一种中小学生学业能力测评方法及系统 |
CN110991830A (zh) * | 2019-11-19 | 2020-04-10 | 浙江创课网络科技有限公司 | 一种试卷分析报告系统及方法 |
CN110991830B (zh) * | 2019-11-19 | 2023-07-07 | 河北仓澜教育科技集团有限公司 | 一种试卷分析报告系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Predicting Student Grade Based on Free-Style Comments Using Word2Vec and ANN by Considering Prediction Results Obtained in Consecutive Lessons. | |
CN106875769A (zh) | 一种数学练习用出题系统 | |
CN107274020A (zh) | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 | |
CN107248019A (zh) | 一种云教学平台在线教学评价系统 | |
CN106296503A (zh) | 教师评价方法及系统 | |
CN106296502A (zh) | 教师评价方法及系统 | |
Agustianto et al. | Design adaptive learning system using metacognitive strategy path for learning in classroom and intelligent tutoring systems | |
CN105654402A (zh) | 基于时间维度和同类比较维度的学习能力判定方法和系统 | |
Hershkovitz et al. | Predicting future learning better using quantitative analysis of moment-by-moment learning | |
Hjelmstad et al. | A novel approach to mastery-based assessment in sophomore-level mechanics courses | |
Huang | Assessing the modelling competencies of engineering students | |
CN109784688A (zh) | 教育水平可视化评价方法、装置、设备及存储介质 | |
Herlambang et al. | Intelligent computing system to predict vocational high school student learning achievement using Naï ve Bayes algorithm | |
Grivokostopoulou et al. | Estimating the difficulty of exercises on search algorithms using a neuro-fuzzy approach | |
CN105336235A (zh) | 一种用于智能学习系统的分值设定方法 | |
Le Mai et al. | Adapting the score prediction to characteristics of undergraduate student data | |
Sakkinah et al. | Hypermedia learning environment development to enhance self-regulated learning based on self-monitoring skills | |
Nirmala et al. | Implementation of K-Means Algorithm As a Clustering Method for Selecting Achievement Students Based on Academic Grade | |
Bouslimani et al. | Educational Data Mining approach for engineering graduate attributes analysis | |
Kurian | Student performance prediction in e-learning system and evaluating effectiveness of online courses | |
Dhaiouir et al. | Case Study on the Evolution of Learners' Learning in the MOOC | |
Zhong et al. | Construction of Continuing Education Teaching Quality Evaluation System Based on BP Neural Network | |
Jiang et al. | University-enterprise Cooperation Practical Teaching Evaluation Model for polytechnic based on AHP and Fuzzy | |
Teodorov et al. | Correlation analysis of educational data mining by means a postprocessor’s tool | |
CN107292779A (zh) | 一种自动生成测试报告的系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |