CN108109089A - 一种教育可计算方法 - Google Patents
一种教育可计算方法 Download PDFInfo
- Publication number
- CN108109089A CN108109089A CN201711347422.6A CN201711347422A CN108109089A CN 108109089 A CN108109089 A CN 108109089A CN 201711347422 A CN201711347422 A CN 201711347422A CN 108109089 A CN108109089 A CN 108109089A
- Authority
- CN
- China
- Prior art keywords
- data
- student
- analytical equipment
- education
- computational methods
- 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
- 238000000205 computational method Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 53
- 238000007405 data analysis Methods 0.000 claims abstract description 42
- 230000003542 behavioural effect Effects 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000000034 method Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及一种教育可计算方法，属于数据处理技术领域。所述教育可计算方法包括：所述分析设备获取所述至少一套采集设备所采集的行为数据；所述分析设备从所述行为数据中提取特征量；所述分析设备基于所述特征量和预设数据分析模型获得分析结果；所述服务设备基于所述分析结果，将与所述分析结果相对应的特定信息发送至预设终端设备。该分析设备从获取到的行为数据中提取所需的特征量，得到所需的特征量后，基于该特征量和所需的预设数据分析模型获得所需的分析结果，在获得分析结果后，服务设备便根据该分析结果有针对性的提供服务，从而提高学生学习以及老师教学的质量和效率，达到事半功倍的效果。
Description
技术领域
本发明属于数据处理技术领域，具体涉及一种教育可计算方法。
背景技术
随着科技的发展，技术变革教育的时代已经来临。大数据时代的来临必将对社会各个领域产生巨大冲击，作为社会子系统重要的组成部分，教育也必然深受大数据来临的深刻影响。教育大数据为教育信息化的发展带来了创新的机遇，可以改变当前学习系统的架构。大数据的更大意义在于通过对海量数据的挖掘、分析、交换和整合，进而发现新知识，创造新价值。与此同时，伴随着电子技术与无线通信技术的快速发展，“智能家居”、“智慧教室”、“智慧城市”等概念也分别涌现，这也成为了科技发展的趋势。现有的智慧教室应用系统是一种构架在整个校园网上的分布式系统，各个分散的网关设备和集中部署的应用服务器之间采用基于物联网技术的三层架构设计，包括感知层、传输层和应用层。当前针对“智慧教室应用系统”的解决方案还存在较多的缺点，主要表现为数据获取不够完善，以及在获得数据后，仅仅对数据进行简单分析，基于数据间的基本关联等特性将其以图表和/或文字的形式展示出来，功能相对单一。因此，如何找到一种能提高学生学习及老师教学的质量和效率的方法，成为行业人士关注的焦点。
发明内容
鉴于此，本发明的目的在于提供一种教育可计算方法，以有效地改善上述问题。
本发明的实施例是这样实现的：
本发明实施例提供了一种教育可计算方法，应用于智能教育系统，所述智能教育系统包括:至少一套采集设备，每套采集设备安装于一教校园的不同位置、与所述至少一套采集设备连接的分析设备和与所述分析设备连接的服务设备。所述教育可计算方法包括：在教学过程中，所述分析设备获取所述至少一套采集设备所采集的行为数据；所述分析设备从所述行为数据中提取特征量；所述分析设备基于所述特征量和预设数据分析模型获得分析结果；所述服务设备基于所述分析结果，将与所述分析结果相对应的特定信息发送至预设终端设备。
在本发明可选的实施例中，所述分析设备获取所述至少一套采集设备所采集行为数据，包括：所述分析设备获取所述至少一套采集设备中每套采集设备所采集的每个教室的用于表征学生和/或教师行为的音频数据、图像数据和文本数据。
在本发明可选的实施例中，所述行为数据为所述音频数据、所述图像数据和/或所述文本数据时，所述分析设备从所述行为数据中提取特征量，包括：所述分析设备从所述音频数据、所述图像数据和/或所述文本数据中提取上课过程中表征学生行为的第一数据，所述第一数据包括：学习状态、兴趣调查问卷表、访问记录、回复/提问内容、回答问题的次数和/或作业完成情况；以及提取表征教师行为的第二数据，所述第二数据包括：讲课的方式、兴趣调查问卷表、访问记录、回复/提问内容、提问的次数、教学进度和/或作业的布置情况。
在本发明可选的实施例中，所述分析设备基于所述特征量和预设数据分析模型获得分析结果之前，所述教育可计算方法还包括：基于预设规则和样本构建所述预设数据分析模型。
在本发明可选的实施例中，所述样本为课程的学生成绩分析数据表，所述预设规则为决策树算法，所述基于预设规则和样本构建预设数据分析模型，包括：1)获取所述学生成绩分析数据表中的每个属性的信息增益率，共至少一个信息增益率；2)从所述至少一个信息增益率中选取最大信息增益率对应的属性作为根节点，并按其值划分数据集合，获得至少两个子数据集；3)对每个子数据集递归执行步骤1)、2)，以构建学生成绩预测的第一决策树模型。
在本发明可选的实施例中，所述样本为课程的学生活动基本数据表，所述预设规则为聚类分析算法；所述基于预设规则和样本构建预设数据分析模型，包括：1)将所述学生活动基本数据表中每个维度系数映射为多维空间的点，获得至少三个点，从所述至少三个点中随机选取3个聚类质心点；2)计算每个点到每个所述聚类质心点的欧氏距离，并按照预设规则对每个点进行分类，获得三个类别；3)将每个类别中的所有对象所对应的均值作为每个类别的聚类中心，计算与每个类别的聚类中心对应的目标函数的值；4)判断每个聚类中心和与之相对应的目标函数的值是否发生改变，若改变，则执行步骤2)，以构建学生相似度划分的相似度分析模型。
在本发明可选的实施例中，所述样本为课程的教师教学相关数据表，所述预设规则为决策树算法，所述基于预设规则和样本构建预设数据分析模型，包括：1)获取所述教师教学相关数据表中的每个属性的信息增益率，共至少一个信息增益率；2)从所述至少一个信息增益率中选取最大信息增益率对应的属性作为根节点，并按其值划分数据集合，获得至少两个子数据集；3)对每个子数据集递归执行步骤1)、2)，以构建教师教学能力预测的第二决策树模型。
在本发明可选的实施例中，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：基于所述第一数据和所述第一决策树模型，获得每个学生对应一课程的预测成绩。
在本发明可选的实施例中，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：基于所述第一数据和所述相似度分析模型，获得按照相似度进行划分的分组结果。
在本发明可选的实施例中，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：基于所述第二数据和所述第二决策树模型，获得教师教学能力预测结果。
本发明实施例提供的教育可计算方法，该方法应用于智能教育系统，所述智能教育系统包括:至少一套采集设备，每套采集设备安装于一校园的不同位置、与所述至少一套采集设备连接的分析设备和与所述分析设备连接的服务设备。通过分析设备获取所述至少一套采集设备所采集的行为数据，获取到数据后，该分析设备从获取到的行为数据中提取所需的特征量，得到所需的特征量后，基于该特征量和所需的预设数据分析模型获得所需的分析结果，在获得分析结果后，服务设备便根据该分析结果有针对性的提供服务，从而提高学生学习以及老师教学的质量和效率，达到事半功倍的效果。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
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。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。
图1示出了本发明实施例提供的一种教育可计算方法所应用的智能教育系统的结构示意图。
图2示出了本发明实施例提供的图1中的分析设备的结构框图。
图3示出了本发明实施例提供的一种教育可计算方法的方法流程图。
图4示出了本发明实施例提供的一种分析装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，本发明实施例提供的智能教育系统200，包括：至少一套采集设备100，每套采集设备100安装于一校园中的不同位置、与所述至少一套采集设备100连接的分析设备110和与所述分析设备110连接的服务设备120。
其中，智能教育系统200的主要目的是获得教育大数据、使用数据分析模型、进行智能反馈。基于物联网技术的设计，把地理隔离的校园内的各个不同位置的所有感知点统一接入网络，并与排课系统、一卡通系统等互通共享，随时获取校园内发生的数据，结合人工导入数据的方式，使其涵盖面广，满足分析的需要。
其中，每套采集设备100可以是安装于校园内的各类传感器，例如，摄像头、电子白板与激光笔、投影仪与激光笔、触摸屏、麦克风阵列等仪器等。以及一些辅助设备，例如，智能手机、个人电脑、笔记本电脑、平板电脑、智能手环等设备。可以理解的是，并不能将上述所列举的例子理解成是对本发明的限制，只要能够接入基于物联网技术的智能教育系统200中的网络体系中的传感器、辅助设备等工具皆应理解成是在本发明的保护范围内。
其中，可以通过采集教师或者学生下载于智能终端上的应用程序而获得数据，例如，通过下载与手机上的应用软件，便可以知道该学生的学习情况，学习习惯等。
其中，为了使采集的数据全面，即涉及学生和教师行为的方方面面，上述中的一套采集设备100是由构架于一个网络体系中的多个元器件构成的。
其中，所述至少一套采集设备100用于采集教育过程中的行为数据，并将所述行为数据发送给所述分析设备110。该行为数据包括：教师的行为数据和学生的行为数据。
所述分析设备110用于对至少一套采集设备100采集的数据进行分析处理，例如，以教室为例进行说明，通过一些匹配算法对摄像头所采集到的教室中的学生的动作行为，例如，坐姿、举手、走路的姿态等动作进行处理，便可以知道该学生上课时的注意力集中度，是否睡觉，有无举手，期间有无离开等数据。同理，也可以对通过摄像头、麦克风等获取的行为数据进行处理，便可以知道该教师在上课时是否有提问，教学进度，作业的布置情况及讲解情况等数据。以及该分析设备110还用于将获得的分析结果发送给所述服务设备120。
所述服务设备120基于所述分析结果，将与所述分析结果相对应的特定信息发送至预设终端设备。例如，当预测出每个学生基于某一课程的期末预测成绩时，针对成绩处于危险边缘的学生，发送一些有利于他们学习的信息至他们的终端设备，以提醒这些人注意，并有针对性的学习。又或者是，当分析出，有很多一部分学生在上课睡觉时，可以发送一些提示信息至该教师的手机上，以提醒该教师对学生的上课纪律进行监督，以及改变自己上课的方式，多与学生进行互动，提高学生的兴趣等。也就是说，服务设备120可以根据分析结果对学生和/或教师提供个性化的服务，发送有针对性的内容来改善教学过程中存在的不足，提高教学质量。其中，该服务设备120预先存储有该校所有学生和教师的联系方式，在有需要时可以将针对性的服务发送至该学生或教师的终端设备。其中，该终端设备包括但不限于手机。
其中，可以理解是，上述所列举的示例仅仅是以教室为例进行说明的，由于教室作为教育的重要场所，是记录学生行为和教师行为最多的地方，因此将其作为代表性的地点，也就是说，该智能教育系统200所能获取到的数据远不止这些，除了依靠采集设备100采集数据外，还可以通过人工导入的方式导入所需的数据，使其涉及学校的方方面面，即涉及到教学、学生教师成长、管理等方面。
其中，如图2所示，图2示出了本发明实施例提供的一种分析设备110的结构框图。所述分析设备110包括：分析装置111、存储器112、存储控制器113和处理器114。
所述存储器112、存储控制器113、处理器114各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述分析装置111包括至少一个可以软件或固件(firmware)的形式存储于所述存储器112中或固化在所述分析设备110的操作系统(operating system，OS)中的软件功能模块。所述处理器114用于执行存储器112中存储的可执行模块，例如所述分析装置111包括的软件功能模块或计算机程序。
其中，存储器112可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器112用于存储程序，所述处理器114在接收到执行指令后，执行所述程序，后述本发明实施例任一实施例揭示的流程定义的分析设备110所执行的方法可以应用于处理器114中，或者由处理器114实现。
处理器114可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器114也可以是任何常规的处理器等。
第一实施例
请参阅图3，为本发明实施例提供的一种应用于上述智能教育系统200的教育可计算方法，下面将结合图3对其所包含的步骤进行说明。
步骤S101：所述分析设备获取所述至少一套采集设备所采集的行为数据。
所述分析设备获取至少一套采集设备采集的行为数据。其中，优选地，该采集设备所采集的信息包括用于表征学生和/或教师行为的音频数据、图像数据和文本数据。其中的，图像数据可以通过安装于教室内的摄像头获得，音频数据，可以通过安装于教室内的摄像头以及麦克风等设备获得。文本数据可以通过填写问卷调查表等的方式获得，例如，通过扫二维码，进入问卷调查页面，通过填写里面的问题获得。
其中，该采集设备所采集的数据远不止如此，因此并不能将本示例中优选的数据理解成是对本发明的限制。
步骤S102：所述分析设备从所述行为数据中提取特征量。
在获得采集设备所采集的数据之后，通过相关算法获取到其中的有用信息，并按照一定的格式存储起来，可以理解的是这些事也可以由采集设备自身来做，即采集设备在传输数据时，该数据已经是经过处理并进行归类的数据。例如，在获得到的行为数据(音频数据、图像数据和/或文本数据)时，从中提取出上课过程中表征学生行为的第一数据，其中，该第一数据包括:学习状态、兴趣调查问卷表、访问记录、回复提问内容、回答问题的次数、作业完成情况等数据。以及从中提取出表征教师行为的第二数据，其中该第二数据包括：讲课的方式、兴趣调查问卷表、访问记录、回复/提问内容、提问的次数、教学进度、作业的布置情况等数据。
步骤S103：所述分析设备基于所述特征量和预设数据分析模型获得分析结果。
针对不同的使用需求，选取不同的特征量和不同的预设数据分析模型即可获得需要的分析结果。例如，基于学生成绩分析数据表和预设的第一决策树模型，即可获得每个学生对应某一课程的预测成绩；又例如，基于学生活动基本数据表和预设的相似度分析模型，即可获得将每个学生按照一定相似度进行划分的分组结果；又例如，基于教师教学相关数据表和预设的第二决策树模型，即可获得每个教师的教学能力预测结果。同时，在对待提取的特征量进行分析的过程中，也可以不断的对与之对应的预设数据分析模型进行学习，以提高识别的准确率。
其中，上述中的第一决策树模型、相似度分析模型和第二决策树模型都属于预设数据分析模型，该预设数据分析模型远不止这三类，根据不同的需求，可以构建不同的分析模型。
其中，只有先建立适当的模型，才能对教学中的行为数据进行合理地数据分析，进而为学习者和教师提供有针对性的服务。在构建预设数据分析模型时，作为一种可选的方式，可以基于这样一种思路进行，根据目前教育部教育信息化技术标准研究委员会制定的网络学习者模型标准CELTS-11，将学习者分为八类：个人信息、学业信息、管理信息、关系信息、安全信息、偏好信息、绩效信息和作品集信息。这些特征信息包含静态和动态信息，涉及人口学特征、教学、管理及安全等所有内容。基于建模视角和目的的不同，学习者模型构建方法多种多样，本实施例中，优选地，基于预设规则和样本构建所述预设数据分析模型，其中，所述预设数据分析模型包括：基于个人信息与兴趣偏好、知识模型和课堂状态中的至少一类属性所构建的学生模型和教师模型。
其中，个人信息属于静态信息，学生和教师的个人信息主要包括个人的身份信息及与教学相关的信息，包括姓名、年龄、性别、地域、专业、学历层次等，是基本稳定的用户属性，是开展个性化教学的必要基础，比如年龄、性别、专业可作为课堂小组学习分组的重要指标，学历层次在一定程度上反映了学生的学前知识水平和教师的教学水平。
其中，兴趣偏好实际上是潜藏在人们内心的对某一事物或行为方式的一种情感和倾向，在教学活动中具体表现为教师的教学策略或学生的学习风格，它由初始数据和动态数据组成。初始数据是在用户进行系统注册时通过调查表单确定的，由教师或学生选择自己感兴趣的话题、知识点、人物，偏好的媒体类型、资源形式等。动态数据是在用户的整个教学过程中不断演化的，在后续的教学过程中，教师的教学行为和学生的学习行为(如：教师与学生交流讨论所涉及到的知识点、学生对某一知识点的访问次数、检索查询所使用的关键字等)数据被系统的采集模块不断地记录和积累，通过大数据分析技术可以获取教师和学生兴趣偏好的动态数据。
其中，知识模型是用户的领域知识水平，反映的是教师的教学绩效信息和学生的学习绩效信息，由课程目标、初始知识水平、动态知识水平三部分组成。初始知识水平表示的是教师或学生在该领域已掌握的知识内容，可以通过教学前的诊断性测试来确定。动态知识水平在整个教学过程中不断进化，通过大数据分析技术对采集设备采集到的数据(如：学生的单元测试结果、作业得分与评价、课程考试成绩等，教师的教学任务完成度、所教学生的学科成绩、课题研究成果等)进行分析，更新教师和学生已具备的知识水平。
其中，课堂状态反映的是教师和学生在整个课堂教学过程中的瞬时状态变化，通过大数据分析处理技术对采集设备实时采集到的数据(如：学生的面部表情变化、生理特征变化、举止动作、回答问题的频率，教师的提问次数、课堂秩序监督控制情况、教学设备操作频率等)进行分析并总结出当时的课堂状态。
其中，为了便于理解上述中的基于预设规则和样本构建所述预设数据分析模型的过程，下面结合具体例子，对这一过程进行进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于采集设备所采集的数据，构建学生模型，选取表1所示的与成绩相关性较大的性别、专业、是否感兴趣、初始知识水平、上课回答问题的次数、随堂测试成绩、课程成绩七个属性作为成绩预测决策树模型的依据。
表1
假设该表1收集了《教育学原理》这门课程中500名学生的成绩信息，来建立第一决策树模型，其中80％的数据作为训练集，20％的数据作为测试集。表中感兴趣程度分为：一般、感兴趣、非常感兴趣；初始知识水平通过教学前的水平测试，并将成绩通过离散化处理将学生划分为A、B、C三个等级；上课回答问题的次数为每节课回答问题的次数，经过离散化处理后分为：不回答问题为0，回答问题的次数为1-2次和回答问题的次数为>2次；随堂测试的成绩和课程成绩同样经过离散化处理分为：不及格、及格、良好、优秀四个等级。
基于表1中的样本数据，应用决策树算法(例如，C4.5算法)构建第一决策树模型，其步骤如下：
1)获取所述学生成绩分析数据表中的每个属性的信息增益率，共至少一个信息增益率；
2)从所述至少一个信息增益率中选取最大信息增益率对应的属性作为根节点，并按其值划分数据集合，获得至少两个子数据集；
3)对每个子数据集递归执行步骤1)、2)，以构建学生成绩预测的第一决策树模型。
通过以上步骤，就建立了学生成绩预测的第一决策树模型。通过训练集的模型训练，就能预测测试集中学生的课程成绩到底是属于不及格、及格、良好还是优秀。如果预测出某学生的课程成绩可能不及格，就要分析导致该学生成绩不及格的因素，如：对这门课的兴趣度不高、初始知识水平不够或是上课不够积极，如果是兴趣度不高，服务模块便可以根据该学生的兴趣偏好将教学内容以不同的媒体形式呈现以提高学生对课程的兴趣度。如果是该学生初始知识水平不够，服务模块则可以降低教学内容的难度，制定一条适合该学生的学习路径。如果是学生上课不够专心，经常开小差则可以通过教师适当地进行监督管控。
其中，可以理解的是，上述涉及到七个属性只是与学生学习成绩相关性较大的属性，而采集设备采集的数据远不仅于此。此外上述提到的机器学习算法C4.5只是本发明分析设备基于大数据分析模型中的一种，其他的数据分析模型如：神经网络、SVM、关联规则等针对具体的应用场景采用相应的分析模型。
其中，还可以是基于采集设备所采集的数据，构建学生模型，选取表2所示的与学生活动相关性较大的学生应答次数、主动提问次数、与同学讨论次数、做练习时长、观看媒体演示时长、使用多媒体设备与老师交互次数，课堂小测验成绩、自己阅读资料时长八个维度作为评定教学策略的依据。
表2
假设该表2收集了《数字化教学资源设计》这门课中400名学生的课堂活动信息，来建立相似度分类模型。数据真实地反映出课堂中学生丰富的行为活动，通过分析学生在教学中参与教学、与教师互动、与同伴互动、如何使用技术和多媒体的行为表现，针对不同类别的学生，采用相应的教学方式。将八个维度的数据通过离散化处理，学生应答次数分为：0次、1-3次、大于3次；主动提问次数分为：0次、1-3次、大于3次；与同学讨论次数分为：0次、1-3次、大于3次；使用多媒体设备与老师交互次数分为：0次、1-3次、大于3次；做练习时长分为：0分钟、5-10分钟、大于10分钟；观看媒体演示时长分为：0分钟、5-10分钟、大于10分钟；自己阅读资料时长分为：0分钟、5-10分钟、大于10分钟；课堂小测验成绩分为A、B、C、D。
基于表2中的样本数据，应用聚类分析算法(例如，k-means算法)构建相似度分析模型，将学生数据集划分为若干类，使得类内之间的数据最为相似，各类之间的数据相似度差别尽可能大。(聚类分析就是以相似性为基础，对数据集进行聚类划分，属于无监督学习)其步骤如下：
1)将所述学生活动基本数据表中每个维度系数映射为多维空间的点，获得至少三个点，从所述至少三个点中随机选取3个聚类质心点；
2)计算每个点到每个所述聚类质心点的欧氏距离，并按照预设规则对每个点进行分类，获得三个类别；
3)将每个类别中的所有对象所对应的均值作为每个类别的聚类中心，计算与每个类别的聚类中心对应的目标函数的值；
4)判断每个聚类中心和与之相对应的目标函数的值是否发生改变，若改变，则执行步骤2)，若不变，则输出结果，以构建学生相似度划分的相似度分析模型。
通过以上步骤，就建立了学生根据活动情况的相似度分类模型。通过对数据集进行运算，就能得到三个学生分组。对于不同组的学生，采用不同的教学策略和方法，提高学生对课程的兴趣度，提升学习效率，进而可以提高学生成绩。对于性格以及学习方法不同的学生，引导不同的学习路径。
其中，上述涉及到八个属性只是与学生活动行为比较有代表性的属性，而采集设备采集的数据远不仅于此。此外上述提到的机器学习算法k-means只是本实施例分析设备基于大数据分析模型中的一种，其他的数据分析模型如：贝叶斯网络、逻辑回归等针对具体的应用场景采用相应的分析模型。
可以理解的是，上述所示例的第一决策树模型和相似度分析模型仅仅是分析设备基于大数据分析模型中的2种模型，而预设的数据分析模型远不止这两种，例如，还可以是基于学生的学习成绩、出入图书馆情况、教师或学生评语、是否担任班级或学校干部、参加班级或校园活动情况、社会实践创新能力、校园卡消费情况等属性构建学生成长评估模型；以及基于专业的报考人数、学生的学习绩效数据(各种考试成绩、课程设计以及参加的各种专业竞赛等情况)、学生的课程评价、课程是否设置实践环节、学院是否举办校企合作、学生的就业率以及就业方向、企业关于学生的反馈信息、当前的就业形势以及互联网发展现状等属性构建专业课程设置问题模型等模型，因此不能将其理解成是对本发明的限制。
步骤S104：所述服务设备基于所述分析结果，将与所述分析结果相对应的特定信息发送至预设终端设备。
所述服务设备在获得分析设备发送的分析结果后，根据该分析结果为学生和/或教师提供有针对性的服务，进一步，根据分析结果，将与该分析结果相对应的特定信息发送至这些学生和/或教师对应的终端设备。例如，针对兴趣偏好差异，在资源方面可提供个性化内容推送和智能检索。针对知识模型，在资源方面可提供难易程度与个体知识水平相当的内容，再结合个体的兴趣偏好采取适当的教学或学习方式，最终提供个性化的教学(或学习)路径推荐服务。针对反馈的课堂状态，系统会给出相应的提醒以便教师及时干预。比如：课堂上有部分学生在开小差没有认真听课，系统就会提示教师要进行监督控制，对这部分学生进行适当的提醒，如果是大部分学生都趴在桌上不认真听课，系统就会提示教师适当改变授课方式。同时根据学生模型可以进行学习伙伴推荐，建立虚拟学习社区。根据学生的个人信息，推荐学习同一课程、同专业的学生；根据学生的兴趣偏好模型，选择相同兴趣的学生，可进行相互推荐；根据学生知识水平，可将知识水平相当的学生进行推荐，根据系统形成的学生绩效信息，可进行学习榜样推荐，将各项学习任务完成出色的学生信息智能呈现在学生个人学习空间，起到榜样作用，促进沟通互动。
本发明实施例还提供了一种分析装置111，如图4所示。该分析装置111包括：获取模块1111、提取模块1112、分析模块1113和构建模块1114。
所述获取模块1111，用于获取所述至少一套采集设备所采集的行为数据。
所述提取模块1112，用于从所述行为数据中提取特征量。
所述分析模块1113，用于基于所述特征量和预设数据分析模型获得分析结果。
所述构建模块1114，用于基于预设规则和样本构建所述预设数据分析模型。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例所提供的分析装置111，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种教育可计算方法，其特征在于，应用于智能教育系统，所述智能教育系统包括:至少一套采集设备，每套采集设备安装于一校园的不同位置、与所述至少一套采集设备连接的分析设备和与所述分析设备连接的服务设备，所述教育可计算方法包括：
所述分析设备获取所述至少一套采集设备所采集的行为数据；
所述分析设备从所述行为数据中提取特征量；
所述分析设备基于所述特征量和预设数据分析模型获得分析结果；
所述服务设备基于所述分析结果，将与所述分析结果相对应的特定信息发送至预设终端设备。
2.根据权利要求1所述的教育可计算方法，其特征在于，所述分析设备获取所述至少一套采集设备所采集行为数据，包括：
所述分析设备获取所述至少一套采集设备中每套采集设备所采集的每个教室的用于表征学生和/或教师行为的音频数据、图像数据和文本数据。
3.根据权利要求2所述的教育可计算方法，其特征在于，所述行为数据为所述音频数据、所述图像数据和/或所述文本数据时，所述分析设备从所述行为数据中提取特征量，包括：
所述分析设备从所述音频数据、所述图像数据和/或所述文本数据中提取上课过程中表征学生行为的第一数据，所述第一数据包括：学习状态、兴趣调查问卷表、访问记录、回复/提问内容、回答问题的次数和/或作业完成情况；以及提取表征教师行为的第二数据，所述第二数据包括：讲课的方式、兴趣调查问卷表、访问记录、回复/提问内容、提问的次数、教学进度和/或作业的布置情况。
4.根据权利要求3所述的教育可计算方法，其特征在于，
所述分析设备基于所述特征量和预设数据分析模型获得分析结果之前，所述教育可计算方法还包括：
基于预设规则和样本构建所述预设数据分析模型。
5.根据权利要求4所述的教育可计算方法，其特征在于，所述样本为课程的学生成绩分析数据表，所述预设规则为决策树算法，所述基于预设规则和样本构建预设数据分析模型，包括：
1)获取所述学生成绩分析数据表中的每个属性的信息增益率，共至少一个信息增益率；
2)从所述至少一个信息增益率中选取最大信息增益率对应的属性作为根节点，并按其值划分数据集合，获得至少两个子数据集；
3)对每个子数据集递归执行步骤1)、2)，以构建学生成绩预测的第一决策树模型。
6.根据权利要求4所述的教育可计算方法，其特征在于，
所述样本为课程的学生活动基本数据表，所述预设规则为聚类分析算法；所述基于预设规则和样本构建预设数据分析模型，包括：
1)将所述学生活动基本数据表中每个维度系数映射为多维空间的点，获得至少三个点，从所述至少三个点中随机选取3个聚类质心点；
2)计算每个点到每个所述聚类质心点的欧氏距离，并按照预设规则对每个点进行分类，获得三个类别；
3)将每个类别中的所有对象所对应的均值作为每个类别的聚类中心，计算与每个类别的聚类中心对应的目标函数的值；
4)判断每个聚类中心和与之相对应的目标函数的值是否发生改变，若改变，则执行步骤2)，以构建学生相似度划分的相似度分析模型。
7.根据权利要求4所述的教育可计算方法，其特征在于，
所述样本为课程的教师教学相关数据表，所述预设规则为决策树算法，所述基于预设规则和样本构建预设数据分析模型，包括：
1)获取所述教师教学相关数据表中的每个属性的信息增益率，共至少一个信息增益率；
2)从所述至少一个信息增益率中选取最大信息增益率对应的属性作为根节点，并按其值划分数据集合，获得至少两个子数据集；
3)对每个子数据集递归执行步骤1)、2)，以构建教师教学能力预测的第二决策树模型。
8.根据权利要求5所述的教育可计算方法，其特征在于，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：
基于所述第一数据和所述第一决策树模型，获得每个学生对应一课程的预测成绩。
9.根据权利要求6所述的教育可计算方法，其特征在于，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：
基于所述第一数据和所述相似度分析模型，获得按照相似度进行划分的分组结果。
10.根据权利要求7所述的教育可计算方法，其特征在于，所述分析设备基于所述特征量和预设数据分析模型获得分析结果，包括：
基于所述第二数据和所述第二决策树模型，获得教师教学能力预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711347422.6A CN108109089A (zh) | 2017-12-15 | 2017-12-15 | 一种教育可计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711347422.6A CN108109089A (zh) | 2017-12-15 | 2017-12-15 | 一种教育可计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108109089A true CN108109089A (zh) | 2018-06-01 |
Family
ID=62216162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711347422.6A Pending CN108109089A (zh) | 2017-12-15 | 2017-12-15 | 一种教育可计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108109089A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985582A (zh) * | 2018-06-27 | 2018-12-11 | 清华大学附属中学 | 一种行为数据收集分析方法 |
| CN109410105A (zh) * | 2018-12-21 | 2019-03-01 | 广东粤众互联信息技术有限公司 | 一种智能化的学校教育系统 |
| CN109523442A (zh) * | 2018-12-21 | 2019-03-26 | 广东粤众互联信息技术有限公司 | 一种基于校园教育系统的大数据分析方法 |
| CN109543841A (zh) * | 2018-11-09 | 2019-03-29 | 北京泊远网络科技有限公司 | 深度学习方法、装置、电子设备及计算机可读介质 |
| CN111311997A (zh) * | 2020-04-01 | 2020-06-19 | 孙梦菲 | 一种基于网络教育资源的互动方法 |
| WO2020216284A1 (zh) * | 2019-04-23 | 2020-10-29 | 北京新唐思创教育科技有限公司 | 教师风格的确定方法及计算机存储介质 |
| CN112700688A (zh) * | 2020-12-25 | 2021-04-23 | 电子科技大学 | 一种智能课堂教学辅助系统 |
| CN113706944A (zh) * | 2021-09-15 | 2021-11-26 | 安徽工业大学 | 一种基于steam教育理念的小学科学vr课堂教学装置 |
| CN113793238A (zh) * | 2021-04-26 | 2021-12-14 | 王晶 | 一种教育系统及方法 |
| CN116757524A (zh) * | 2023-05-08 | 2023-09-15 | 广东保伦电子股份有限公司 | 一种教师授课质量评价方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488103A (zh) * | 2015-11-18 | 2016-04-13 | 中国农业大学 | 一种知识要点推送方法及系统 |
| CN107122390A (zh) * | 2017-03-04 | 2017-09-01 | 华数传媒网络有限公司 | 基于用户群组的推荐系统构建方法 |
| CN107203774A (zh) * | 2016-03-17 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 对数据的归属类别进行预测的方法及装置 |
-
2017
- 2017-12-15 CN CN201711347422.6A patent/CN108109089A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105488103A (zh) * | 2015-11-18 | 2016-04-13 | 中国农业大学 | 一种知识要点推送方法及系统 |
| CN107203774A (zh) * | 2016-03-17 | 2017-09-26 | 阿里巴巴集团控股有限公司 | 对数据的归属类别进行预测的方法及装置 |
| CN107122390A (zh) * | 2017-03-04 | 2017-09-01 | 华数传媒网络有限公司 | 基于用户群组的推荐系统构建方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108985582A (zh) * | 2018-06-27 | 2018-12-11 | 清华大学附属中学 | 一种行为数据收集分析方法 |
| CN109543841A (zh) * | 2018-11-09 | 2019-03-29 | 北京泊远网络科技有限公司 | 深度学习方法、装置、电子设备及计算机可读介质 |
| CN109410105A (zh) * | 2018-12-21 | 2019-03-01 | 广东粤众互联信息技术有限公司 | 一种智能化的学校教育系统 |
| CN109523442A (zh) * | 2018-12-21 | 2019-03-26 | 广东粤众互联信息技术有限公司 | 一种基于校园教育系统的大数据分析方法 |
| WO2020216284A1 (zh) * | 2019-04-23 | 2020-10-29 | 北京新唐思创教育科技有限公司 | 教师风格的确定方法及计算机存储介质 |
| CN111311997A (zh) * | 2020-04-01 | 2020-06-19 | 孙梦菲 | 一种基于网络教育资源的互动方法 |
| CN112700688A (zh) * | 2020-12-25 | 2021-04-23 | 电子科技大学 | 一种智能课堂教学辅助系统 |
| CN113793238A (zh) * | 2021-04-26 | 2021-12-14 | 王晶 | 一种教育系统及方法 |
| CN113706944A (zh) * | 2021-09-15 | 2021-11-26 | 安徽工业大学 | 一种基于steam教育理念的小学科学vr课堂教学装置 |
| CN116757524A (zh) * | 2023-05-08 | 2023-09-15 | 广东保伦电子股份有限公司 | 一种教师授课质量评价方法和装置 |
| CN116757524B (zh) * | 2023-05-08 | 2024-02-06 | 广东保伦电子股份有限公司 | 一种教师授课质量评价方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108109089A (zh) | 一种教育可计算方法 | |
| CN108121785A (zh) | 一种基于教育大数据的分析方法 | |
| CN107967572A (zh) | 一种基于教育大数据的智能服务器 | |
| Kotsiantis | Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades | |
| Truong | Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities | |
| Li et al. | Peer assessment in the digital age: A meta-analysis comparing peer and teacher ratings | |
| Cortez et al. | Using data mining to predict secondary school student performance | |
| Jena | Predicting students’ learning style using learning analytics: a case study of business management students from India | |
| Liu et al. | The use of data science for education: The case of social-emotional learning | |
| Liu et al. | Collaborative learning team formation: a cognitive modeling perspective | |
| Ye et al. | Expanding approaches for understanding impact: Integrating technology, curriculum, and open educational resources in science education | |
| WO2016094348A1 (en) | Identifying opportunities and/or complimentary personal traits | |
| Bachhal et al. | Educational data mining: A review | |
| Clavel et al. | Rising above their circumstances: what makes some disadvantaged East and South-East Asian students perform far better in science than their background predicts? | |
| Singh et al. | Question paper generation through progressive model and difficulty calculation on the Promexa Mobile Application | |
| Aguiar-Castillo et al. | Gamification: A motivation metric based in a markov model | |
| Marshall | Contribution of open-ended questions in student evaluation of teaching | |
| Tong et al. | An evaluation model based on procedural behaviors for predicting MOOC learning performance: students’ online learning behavior analytics and algorithms construction | |
| Avila et al. | ASEST framework: a proposal for improving teamwork by making cohesive software engineering student teams | |
| Huang et al. | Developing argumentation processing agents for computer-supported collaborative learning | |
| Suh et al. | An empirical comparison of DDF detection methods for understanding the causes of DIF in multiple-choice items | |
| Hershkovitz et al. | Understanding the potential and challenges of big data in schools and education | |
| WO2020155118A1 (zh) | 一种教学测试项目匹配方法、装置和设备 | |
| Arlitt et al. | Feature engineering for design thinking assessment | |
| Awad et al. | Applications of artificial intelligence in education |
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: 20180601 |