CN107967540A - 学生学业预警系统及其方法 - Google Patents
学生学业预警系统及其方法 Download PDFInfo
- Publication number
- CN107967540A CN107967540A CN201711393925.7A CN201711393925A CN107967540A CN 107967540 A CN107967540 A CN 107967540A CN 201711393925 A CN201711393925 A CN 201711393925A CN 107967540 A CN107967540 A CN 107967540A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- student
- warning
- assignment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 3
- 235000021152 breakfast Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种学生学业预警系统及其方法,该系统包括采集单元,提取单元,归类单元,配置单元,以及判断单元;采集单元、提取单元、归类单元、配置单元和判断单元构建形成样本模型;样本模型内进一步设置有输入单元以及输出单元,输入单元采集待检测数据,并进入至样本模型中进行数据分析,以判断待检测数据是否为预警数据,输出单元将判断后的预警结果输出;该方法基于上述系统。该发明的处理对象是学校的全体学生,而不是某一门课程的学生,使用的数据包括校园卡打卡记录等所有学生共有的通用数据,而不是课堂过程数据这样的专门数据;样本数目更多,数据通用性更强。
Description
技术领域
本发明属于校园信息化管理领域,尤其涉及一种针对学生学业预警的系统。
背景技术
目前,校园信息化管理积累了大量的学生数据,包括食堂就餐打卡数据、图书馆出入及借书记录等。这些数据反映了学生的学习和生活状态,可以用来量化并预测学生的学业表现。
智能化是未来教育的核心之一,而数据是智能化的基础和必备条件,通过对数据分析,建立智能化模型,可对学生的表现给出可信预测。
为了实现有针对性的教学和管理,通过使用预测建模技术,许多研究人员利用学生的数据来识别学业有风险的学生。研究人员得出结论,通过数据分析,可以预测学生在某些课程中的表现,并确定那些处于风险中的学生。预测模型可以在早期识别风险学生,帮助教师和学生掌握学习情况。
现有的系统所用的预测模型通常针对单一课程,每个课程数据不同,模型需要针对课程进行调整,通用性不强。另一个问题是,很多系统是为在线课程设计的,利用学习过程中收集的数据来预测学生的表现。因此,对没有在线数据的课程,这些预测模型不适用。
发明内容
为了解决上述问题,本发明提供了一种学生学业预警系统及其方法,该发明的处理对象是学校的全体学生,而不是某一门课程的学生,使用的数据包括校园卡打卡记录等所有学生共有的通用数据,而不是课堂过程数据这样的专门数据;样本数目更多,数据通用性更强。
为了达到上述目的,本发明采用的技术方案为:
一种学生学业预警系统,包括可采集预设学校学生原始数据的采集单元,可按预设要求提取学生原始数据中特征数据的提取单元,可将特征数据进行分类的归类单元,可对归类单元中各不同类别进行信息增益赋值的配置单元,可判断信息增益并赋值后的数据是否为预警数据的判断单元;采集单元、提取单元、归类单元、配置单元和判断单元构建形成样本模型;样本模型内进一步设置有可采集待检测数据的输入单元以及可将是否为预警数据结果输出的输出单元,输入单元采集待检测数据,并进入至样本模型中进行数据分析,以判断待检测数据是否为预警数据,输出单元将判断后的预警结果输出;其中,所述采集单元电性连接所述提取单元,所述提取单元电性连接所述归类单元和所述配置单元,所述归类单元和所述配置单元电性连接所述判断单元,所述输入单元电性连接所述判断单元,所述判断单元电性连接所述输出单元。
一种学生学业预警方法,基于上述所述学生学业预警系统,包括以下步骤:获取预设学校学生的原始数据信息;提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据;判断赋值计算后的特征数据是否为预警数据;根据原始数据提取赋值计算后形成的预警结果共同构成样本模型;输入待检测数据至样本模型中,该待检测数据在样本模型中进行赋值计算后输出是否为预警数据,以输出待检测学生是否为学业预警学生。
作为本发明的进一步优化,在获取预设学校学生的原始数据信息步骤中,所述原始数据信息包括学生基本信息、学生成绩、就餐打卡记录、图书馆入馆记录和借书记录。
作为本发明的进一步优化,在提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据的步骤中,所述特征数据是指对学业产生影响的数据,包括上学期期末成绩、专业排名、学业警示、专业类别、总入馆次数、平均入馆次数、最早入馆时间点、开学与平均次数差、平均入馆次数、平均入馆时间间隔、学分、生源地、周末缺少率、周末平均值、首节无课缺少率、首节有课缺少率和首节无课平均值。
作为本发明的进一步优化,在提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据的步骤中,对特征数据进行赋值分别为:上学期期末成绩成为0.20-0.30,平均入馆次数为0.01-0.02,总入馆次数为0.002-0.005,专业排名为0.08-0.09,周末缺少率为0.01-0.02,开学与平均次数差为0.002-0.005,学业警示为0.03-0.04,首节无课缺少率为0.01-0.02,最早入馆时间点为0.002-0.05,专业类别为0.02-0.03,首节有课缺少率为0.01-0.02,周末平均值为0.001-0.002,学分为0.02-0.03,首节无课平均值为0.005-0.01,首节有课平均值为0.001-0.002,生源地为0.02-0.03,最早入馆时间点为0.002-0.005,平均入馆时间间隔为0.001-0.002。
与现有技术相比,本发明的优点和积极效果在于:
1、本发明学生学业预警系统,包括通过采集原始数据建立的样本模型,在对学生学业进行预警处理时,处理对象可为学校的全体学生,而不是某一门课程的学生,使用的数据包括校园卡打卡记录等所有学生共有的通用数据,而不是课堂过程数据这样的专门数据;样本数目更多,数据通用性更强;
2、本发明学生学业预警方法,该方法首先根据原始数据建立样本模型,并通过直接输入新的数据,即可获取学生学业是否存在风险,该方法受到实际应用环境的影响较小,不确定减小;同时该方法的样本模型具有通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明学生学业预警方法的流程图。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种学生学业预警系统,该学生学业预警系统包括可采集预设学校学生原始数据的采集单元,可按预设要求提取学生原始数据中特征数据的提取单元,可将特征数据进行分类的归类单元,可对归类单元中各不同类别进行信息增益赋值的配置单元,可判断信息增益赋值后的数据是否为预警数据的判断单元;采集单元、提取单元、归类单元、配置单元和判断单元构建形成样本模型;样本模型内进一步设置有可采集待检测数据的输入单元以及可将是否为预警数据结果输出的输出单元,输入单元采集待检测数据,并进入至样本模型中进行数据分析,以判断待检测数据是否为预警数据,输出单元将判断后的预警结果输出;其中,所述采集单元电性连接所述提取单元,所述提取单元电性连接所述归类单元和所述配置单元,所述归类单元和所述配置单元电性连接所述判断单元,所述输入单元电性连接所述判断单元,所述判断单元电性连接所述输出单元。
通过上述方案,本发明通过采集原始数据建立的样本模型,在对学生学业进行预警处理时,处理对象可为学校的全体学生,而不是某一门课程的学生,使用的数据包括校园卡打卡记录等所有学生共有的通用数据,而不是课堂过程数据这样的专门数据;样本数目更多,数据通用性更强。
另外,如图1所示,本发明还提供了一种学生学业预警方法,该方法基于上述实施例中所述学生学业预警系统,具体包括以下步骤:
获取预设学校学生的原始数据信息;
提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据;
判断赋值计算后的特征数据是否为预警数据;
根据原始数据提取赋值计算后形成的预警结果共同构成样本模型;
输入待检测数据至样本模型中,该待检测数据在样本模型中进行赋值计算后输出是否为预警数据,以输出待检测学生是否为学业预警学生。
其中,在获取预设学校学生的原始数据信息步骤中,所述原始数据信息包括学生基本信息、学生成绩、打卡记录、图书馆入馆记录和借书记录。
在上述提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据的步骤中,所述特征数据是指对学业产生影响的数据,包括上学期期末成绩、专业排名、学业警示、专业类别、总入馆次数、平均入馆次数、最早入馆时间点、开学与平均次数差、平均入馆次数、平均入馆时间间隔、学分、生源地、周末缺少率、周末平均值、首节无课缺少率、首节有课缺少率和首节无课平均值。其中,上学期期末成绩成为0.20-0.30,平均入馆次数为0.01-0.02,总入馆次数为0.002-0.005,专业排名为0.08-0.09,周末缺少率为0.01-0.02,开学与平均次数差为0.002-0.005,学业警示为0.03-0.04,首节无课缺少率为0.01-0.02,最早入馆时间点为0.002-0.05,专业类别为0.02-0.03,首节有课缺少率为0.01-0.02,周末平均值为0.001-0.002,学分为0.02-0.03,首节无课平均值为0.005-0.01,首节有课平均值为0.001-0.002,生源地为0.02-0.03,最早入馆时间点为0.002-0.005,平均入馆时间间隔为0.001-0.002。
为了使本发明的技术方案更清楚,下面以一具体实施例进行详细说明:
采集某学校2013级全体学生在2013学年的原始数据信息,如表1,2013学年从2013年9月开始到次年7月结束,我们仅使用从学年开始到次年5月的数据,因为在实际应用中,我们需要提前得到预测结果,并对潜在的落后生开展工作。经过特征计算得到2013级学生的数据集,在数据集上利用交叉检验尝试多种算法,验证预测任务的可行性,找到效果优秀的算法。
对2014级学生按相同方法构造数据集,将其作为检验集,2013级学生数据作为训练集,使用找到的算法训练模型,为了得到优秀的预测结果,需要设计特征,并选择适合的算法。设计实验:在样本集上运用多种算法,基于交叉检验查看效果,分析并选择算法训练模型,用于以后的工作中。
表1为2013级学生的原始数据信息:
该样本数据中,2013级学生在2013学年的数据,整个学年分为上、下两学期,共包含3680名学生。
为了运用数据挖掘算法完成预测任务,我们从原始数据中提取成绩表、入馆记录、智能卡打卡记录和基本信息表,设计并计算特征,得到用于实验的数据集。表2为特征数据的定义:
表2特征数据的定义
上述表格中共划分为A、B、C、D四个部分,其中第一部分由智能打卡记录中的就餐数据计算得到。当学生上午第一节有课时,往往会在上课前吃早饭,首节有课特征可以显示出学生上课的积极性以及是否迟到等信息,同样的有首节无课特征,同时与首节有课进行互补;在周末,本校不安排课程,成绩好的学生往往会早起学习,所以周末时的早餐特征,一定程度上能反映学生在周末的学习情况。
第二部分由学生基本信息计算得到。不同生源地的学生文化课水平参差不齐,不同专业的学生能力侧重不同,这些都会造成学生在学业成绩上的差异,有助于对学生进行预测。
第三部分由图书馆入馆记录计算得到。图书馆是学生们课后提升的主要场所,对图书馆利用率的能很大程度体现其学习状态,上述特征显然能体现出学生对图书馆的利用程度,直观地描述学生对学业的投入程度。
第四部分由学生成绩表中纰漏的成绩数据计算得到,其中期末成绩其中crediti为学生第i门课程的学分,gradei为学生第i门课程的成绩,credits为学生的上学期所得学分:
假设在某大学中,学生在学期末不足12学分会受到“学业警示”,在学年末没有满足学分和成绩要求则会受到留级处分。根据以上规定将学生分为落后生和普通生。如表3。
表3落后生和普通生的分类结果及占比
信息增益可以表示各个特征对分类任务的作用大小,为每个特征与类别计算信息增益,如表4:
表4特征与类别计算信息增益
由于规定的落后生在整体数据中占比10.5%,而实验的关键就是能否正确地识别落后生,而单纯地使用总体精度无法体现出这一点,所以在这里引入查全率和查准率,公式1、公式2是落后生的查全率、查准率,公式3为总体精度:
其中,在公式1、公式2和公式3,TruePositive代表本身是落后生但未被预测出来的学生数目,相应地有TrueNegative;FalsePositive代表本身不是落后生但被预测为落后生的学生数目,相应地有FalseNegative。相似地可得到普通生的查全率、查准率。
最后,所有学生的特征用于训练得到样本模型。把待预测学生的特征输入获得的样本模型,可得到该学生是否存在学业风险。从而预测出有学业风险的学生。
根据预测结果,教师可以针对潜在落后风险较大的学生进行针对性的辅导,帮助其提高学业表现;学生对可根据预测结果自查,以避免出现挂科、留级等现象。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种学生学业预警系统,其特征在于:包括可采集预设学校学生原始数据的采集单元,可按预设要求提取学生原始数据中特征数据的提取单元,可将特征数据进行分类的归类单元,可对归类单元中各不同类别进行信息增益赋值的配置单元,可判断信息增益并赋值后的数据是否为预警数据的判断单元;采集单元、提取单元、归类单元、配置单元和判断单元构建形成样本模型;样本模型内进一步设置有可采集待检测数据的输入单元以及可将是否为预警数据结果输出的输出单元,输入单元采集待检测数据,并进入至样本模型中进行数据分析,以判断待检测数据是否为预警数据,输出单元将判断后的预警结果输出;其中,所述采集单元电性连接所述提取单元,所述提取单元电性连接所述归类单元和所述配置单元,所述归类单元和所述配置单元电性连接所述判断单元,所述输入单元电性连接所述判断单元,所述判断单元电性连接所述输出单元。
2.一种学生学业预警方法,基于权利要求1所述学生学业预警系统,其特征在于:包括以下步骤:
获取预设学校学生的原始数据信息;
提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据;
判断赋值计算后的特征数据是否为预警数据;
根据原始数据提取赋值计算后形成的预警结果共同构成样本模型;
输入待检测数据至样本模型中,该待检测数据在样本模型中进行赋值计算后输出是否为预警数据,以输出待检测学生是否为学业预警学生。
3.根据权利要求2所述的学生学业预警方法,其特征在于:在获取预设学校学生的原始数据信息步骤中,所述原始数据信息包括学生基本信息、学生成绩、就餐打卡记录、图书馆入馆记录和借书记录。
4.根据权利要求2所述的学生学业预警方法,其特征在于:在提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据的步骤中,所述特征数据是指对学业产生影响的数据,包括上学期期末成绩、专业排名、学业警示、专业类别、总入馆次数、平均入馆次数、最早入馆时间点、开学与平均次数差、平均入馆次数、平均入馆时间间隔、学分、生源地、周末缺少率、周末平均值、首节无课缺少率、首节有课缺少率和首节无课平均值。
5.根据权利要求4所述的学生学业预警方法,其特征在于:在提取原始数据信息中的特征数据,并对该特征数据进行分类赋值并计算赋值后的数据,以作为判断是会否为预警数据的基准数据的步骤中,对特征数据进行赋值分别为:上学期期末成绩成为0.20-0.30,平均入馆次数为0.01-0.02,总入馆次数为0.002-0.005,专业排名为0.08-0.09,周末缺少率为0.01-0.02,开学与平均次数差为0.002-0.005,学业警示为0.03-0.04,首节无课缺少率为0.01-0.02,最早入馆时间点为0.002-0.05,专业类别为0.02-0.03,首节有课缺少率为0.01-0.02,周末平均值为0.001-0.002,学分为0.02-0.03,首节无课平均值为0.005-0.01,首节有课平均值为0.001-0.002,生源地为0.02-0.03,最早入馆时间点为0.002-0.005,平均入馆时间间隔为0.001-0.002。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393925.7A CN107967540A (zh) | 2017-12-21 | 2017-12-21 | 学生学业预警系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711393925.7A CN107967540A (zh) | 2017-12-21 | 2017-12-21 | 学生学业预警系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107967540A true CN107967540A (zh) | 2018-04-27 |
Family
ID=61994734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711393925.7A Pending CN107967540A (zh) | 2017-12-21 | 2017-12-21 | 学生学业预警系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967540A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875800A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于rfid卡的行为特征提取方法 |
CN109035095A (zh) * | 2018-08-02 | 2018-12-18 | 杭州华网信息技术有限公司 | 一种智慧校园旷课预警方法与系统 |
CN109472727A (zh) * | 2018-10-11 | 2019-03-15 | 昆山信高圣信息科技有限公司 | 一种创业大学生学业信息处理方法和装置 |
CN110070473A (zh) * | 2019-04-23 | 2019-07-30 | 南京林业大学 | 学生学业警示帮扶系统及其方法 |
CN110110939A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的学业成绩预测预警方法 |
CN111914004A (zh) * | 2020-08-19 | 2020-11-10 | 青海民族大学 | 一种基于数据挖掘算法的学业预警方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127634A (zh) * | 2016-06-20 | 2016-11-16 | 山东师范大学 | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 |
CN106981037A (zh) * | 2017-03-27 | 2017-07-25 | 临沂大学 | 一种基于校园卡使用记录的学生健康管理系统及方法 |
CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
-
2017
- 2017-12-21 CN CN201711393925.7A patent/CN107967540A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127634A (zh) * | 2016-06-20 | 2016-11-16 | 山东师范大学 | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 |
CN106981037A (zh) * | 2017-03-27 | 2017-07-25 | 临沂大学 | 一种基于校园卡使用记录的学生健康管理系统及方法 |
CN107194584A (zh) * | 2017-05-23 | 2017-09-22 | 武汉朱雀闻天科技有限公司 | 一种学生数据的分析方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875800A (zh) * | 2018-05-29 | 2018-11-23 | 重庆大学 | 一种基于rfid卡的行为特征提取方法 |
CN109035095A (zh) * | 2018-08-02 | 2018-12-18 | 杭州华网信息技术有限公司 | 一种智慧校园旷课预警方法与系统 |
CN109472727A (zh) * | 2018-10-11 | 2019-03-15 | 昆山信高圣信息科技有限公司 | 一种创业大学生学业信息处理方法和装置 |
CN110070473A (zh) * | 2019-04-23 | 2019-07-30 | 南京林业大学 | 学生学业警示帮扶系统及其方法 |
CN110110939A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的学业成绩预测预警方法 |
CN111914004A (zh) * | 2020-08-19 | 2020-11-10 | 青海民族大学 | 一种基于数据挖掘算法的学业预警方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967540A (zh) | 学生学业预警系统及其方法 | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型系统 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
Gibbons et al. | Urban density and pupil attainment | |
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
CN106600046A (zh) | 基于多分类器融合的土地闲置预测方法及装置 | |
CN109508429A (zh) | 基于教育平台大数据分析的个性化自适应学习推荐方法 | |
CN106803010A (zh) | 用于低渗透储层定量评价的模糊灰色综合评判方法和装置 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN108734567A (zh) | 一种基于大数据人工智能风控的资产管理系统及其评估方法 | |
CN108241625A (zh) | 预测学生成绩变化趋势的方法及系统 | |
Carli et al. | A dashboard and decision support tool for the energy governance of smart cities | |
CN116757347A (zh) | 一种基于深度学习的铁路线路选线方法及系统 | |
CN116720098A (zh) | 一种异常行为敏感的学生行为时序建模及学业预警方法 | |
Hu et al. | A study on urban road traffic safety based on matter element analysis | |
CN105469141A (zh) | 基于神经网络的预测方法及系统 | |
Wang | Analysis and prediction of CET4 scores based on data mining algorithm | |
KR20160103217A (ko) | 토지 감정 평가 장치 및 토지 감정 평가 방법 | |
CN113935869A (zh) | 一种学生主客观因素结合的成绩预测方法及系统 | |
Haaf | Towards prediction in ungauged aquifers–methods for comparative regional analysis | |
CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 | |
Wrenn et al. | Space and time: A competing risks analysis of the impact of property taxes and zoning restrictions on residential development | |
CN110472685A (zh) | 对象行为持续时长预测方法及装置 | |
CN110245872A (zh) | 使用改进灰色聚类评价模型确定公路工程安全生产信用等级的方法 | |
Xing et al. | Construction of Intelligent Student Management Information System Platform Based on Big Data Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20180427 |