CN108776944A - 一种用于网络竞赛式学习的数据处理系统和方法 - Google Patents
一种用于网络竞赛式学习的数据处理系统和方法 Download PDFInfo
- Publication number
- CN108776944A CN108776944A CN201810509970.2A CN201810509970A CN108776944A CN 108776944 A CN108776944 A CN 108776944A CN 201810509970 A CN201810509970 A CN 201810509970A CN 108776944 A CN108776944 A CN 108776944A
- Authority
- CN
- China
- Prior art keywords
- user
- contest
- competition
- formula
- matching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 135
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 241000208340 Araliaceae Species 0.000 claims description 12
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 12
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 12
- 235000008434 ginseng Nutrition 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000004807 localization Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 230000037007 arousal Effects 0.000 description 6
- 238000009937 brining Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000004606 Fillers/Extenders Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005304 joining Methods 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241001025261 Neoraja caerulea Species 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009885 systemic 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种用于网络竞赛式学习的数据处理系统和方法,所述数据处理系统包括服务器主机和多个客户端,所述服务器主机具有数据统计与分析单元、竞赛与批改匹配撮合单元、自动执行单元、虚拟竞赛单元、以及激励推送与效果跟踪单元。根据本发明的系统和方法,可以实现对于网络竞赛式学习中用户匹配撮合数据的高效处理,特别是通过对能力特征值数据进行量化加权处理之后采用二维或三维坐标点表征用户的能力特征值,通过计算二维坐标点或三维坐标点之间的距离,即可完成待匹配撮合用户之间的能力特征值距离,从而高效完成各种网络竞赛式学习用户和裁判的匹配撮合。
Description
技术领域
本发明涉及网络数据处理领域,特别涉及一种用于网络竞赛式学习的数据处理系统和方法。
背景技术
现有技术中,用户的学习、考试基本上是同一时间在同一地点做同一份作业、试卷,在批改后才知道每个用户最终分数,才知道哪些用户考得高分,哪些用户考得较差。
目前,已有基于网络的在线学习系统,例如公开号为CN105809591A,发明名称为“一种通过虚拟现实、软件研发技术实现计算机辅助教学的方法”的中国专利申请,其公开了一种通过虚拟现实、软件研发技术实现计算机辅助教学的方法,通过软件开发技术建设教学管理平台,由教学管理平台提供一系列标准WEB接口服务,利用应用程序二次开发技术开发常用工具的扩展程序,扩展程序在提供基础集成功能的同时调用教学管理平台的接口服务,从而实现教学管理平台与常用工具间的无缝连接;所述的教学管理平台包括以下单元:我的工作空间、教学课件管理、教学实训、系统集成、教学测试、教学评估与反馈、查询与检索和权限管理;能够辅助教师完成教学管理、教学测试、教学评估与反馈;结合计算机仿真技术来模仿真实的学习、实训环境,通过可交互的方式学习和测试,达到最佳的教学、学习效果。
又如,授权公告号为CN103514772B、发明名称为“基于wifi/3G通信的双屏多线程教育交互产品”的中国专利,其公开了一种基于wifi/3G通信的双屏多线程教育交互产品,这种交互产品是由终端服务器、校级服务器、教师终端和用户终端组成,终端服务器与校级服务器通过联网连接,再与教师终端和用户终端联网连接,教师终端通过联网连接控制用户终端。用户终端的数量可以任意的增加或者减少。校级服务器可以统一从教育云获取最新的教育资源并推送至各个教室服务器,通过管理和定制校级服务器内容,可以实现由校方统一对校内的系统进行完善。所述发明实现教师、学校对用户的教育信息发布、控制、存储,用户对教师、学校的教育资源的获取、利用共享,以及教师与用户之间、用户与用户之间的交流和互动,提供更便捷的课件阅读及课堂互动手段,保留用户学习的过程数据,通过智能分析把握知识点掌握情况。提供学校家长用户的沟通平台,实现教学数字化效率化的跨越式创新,使学习与辅导有的放矢。
再如,公开号为CN104394215A,发明名称为“基于云网络的多人互动学习方法及系统”的中国专利申请,其公开了一种基于云网络的多人互动学习方法及系统,所述方法包括以下步骤:在云服务器中创建竞赛项目;用户通过用户网络终端查询云服务器中存在的竞赛项目,并向云服务器发送参加至少一竞赛项目的命令;所述云服务器根据参加所述竞赛项目的用户的信息,选择计算相应的试题集,并将所述试题集中试题通过网络下逐一发给至少两用户的用户网络终端;所述至少两用户通过用户网络终端在规定的时间提交所述试题的答案给所述云服务器;所述云服务器对所述至少两用户提交的答案进行处理并反馈答题结果给至少两用户的用户网络终端;重复上述答题过程,直至所述至少两用户答完所述试题集中所有的试题,所述云服务器向至少两用户的用户网络终端发送竞赛结果。
另如,公开号为CN102696050A,发明名称为“可批量处理的淘汰式网络竞赛系统”的中国专利申请,其公开了一种可批量处理的淘汰式网络竞赛系统,包括:一次序生成步骤,当淘汰式一对一竞赛的参加申请完毕,给每个申请参加的参加者,生成用于决定竞赛的两个对手的独立的次序;一对阵信息提供步骤,给每个参加者提供对阵信息,所述对阵信息包括:赋予上述参加者的次序信息、和上述次序信息联系而决定一直到上述淘汰式第K次战(K是1以上自然数)的各竞赛中判为参加者自己胜利的判定标准信息、为上述各竞赛的胜负而输入变量信息的输入环境;变量信息输入步骤,通过上述提供的对阵信息的输入环境,自上述参加者接收变量信息;胜败计算步骤,综合计算上述输入的所有变量信息,而决定一直到上述第K次战的胜者,根据各竞赛的两个参加者输入的变量信息的结算结果属于哪一参加者的判定标准信息,而决定各竞赛的胜者。根据本发明,在淘汰式竞赛中使用批量对阵方式,从而使得竞赛的重复再现性更为简易,而且能够同时满足对物品购买的竞赛的客观性以及公正性等,从而进一步提高通过网络购买物品的协同效果。
在上述现有技术中,比如CN104394215A尽管提出了竞赛学习的概念,使得用户的竞赛考试可以转移到了智能学习终端上,使得用户可在不同地点上异步参与学习或考试竞赛式学习。然而,上述现有技术中,均没有公开如何构建竞赛式学习的系统和方法,特别是没有公开通过设置虚拟竞赛用户,激励参加竞赛式学习用户的概念,更特别地,没有提及和公开在进行竞赛式学习活动中,根据设定的条件进行匹配撮合的构思,也没有公开,在进行竞赛式学习活动时,还可以通过匹配撮合的方式,自动选定裁判用户。
发明内容
有鉴于此,本发明旨在提供一种用于网络竞赛式学习的数据处理系统和方法。
根据本发明的一方面,提供一种用于网络竞赛式学习的数据处理方法,包括以下步骤:
步骤S101:通过教师客户端向服务器主机设定竞赛人数规模、竞赛匹配模式和竞赛活动内容,服务器主机向学生客户端发布竞赛式学习活动内容,启动竞赛;
步骤S102A:根据报名参赛信息,服务器主机首先基于设定的竞赛人数规模进行报名参赛用户的筛选;再基于参赛用户的竞赛匹配模式,将筛选的用户进行竞赛分组匹配撮合;当参赛人数未达预设的竞赛规模人数时,服务器主机将自动补足虚拟竞赛获胜学生用户的正向激励信息推送名额;
步骤S102B:服务器主机通过竞赛裁判匹配过程完成竞赛裁判人员的批改匹配撮合;
步骤S103:完成竞赛之后,通过竞赛用户客户端将答题结果发送给服务器主机,由服务器主机将答题结果发送给步骤S102B中匹配好的裁判客户端,或者通过竞赛用户客户端直接将答题结果发送给匹配的裁判客户端,竞赛裁判根据裁判客户端接收到的答题批改标准批改学生答题结果,并将批改结果发送给服务器主机,及通知竞赛用户客户端批改完成信息;
步骤S104:根据最终的批改结果,服务器主机通过激励推送与效果跟踪单元向筛选的参赛获胜用户及其关联的家长客户端发送正向激励信息,并根据步骤S102A中竞赛规模补足的推送名额,选择发送正向激励信息给虚拟竞赛获胜的学生用户及其关联的家长客户端;
步骤S105:服务器主机通过数据统计与分析单元统计和分析用户参与竞赛式学习活动的历史数据,并且根据历史数据,通过激励推送与效果跟踪单元跟踪进行竞赛激励之后用户的各种能力是否有提升,跟踪用户的能力变动情况,便于教师用户对每个学生用户精准教导,同时将所述竞赛活动的数据及统计结果更新到历史数据中以供后续的历史数据积累统计。
对于进行网络竞赛式学习的用户,服务器主机获取用户的能力特征值,所述用户的能力特征值是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。所述用户可以是参赛个人用户,也可以是参赛集体用户的分组。
所述网络竞赛式学习的匹配撮合是通过计算用户之间的能力距离来实现的,所述竞赛匹配规则可以是对所述能力距离的数值限定。
每个所述坐标系中不同维度的能力特征数值包括可以获得的多个量化指标,通过所述多个量化指标的分类和量化加权处理,可以获取不同维度的能力特征数值,从而使用两个或三个维度值表征出用户的能力特征值的坐标。
竞赛式学习活动可以由用户通过客户端发起,系统通过服务器主机执行启动后,可以由服务器主机发布活动信息;竞赛式学习活动也可以由系统通过服务器主机发起。
用户报名参赛时,系统调取用户的竞赛式学习活动数据,包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等数据。
对于参赛用户的人数规模筛选和竞赛模式分组包括以下步骤:
计算竞赛式学习活动参赛用户的能力特征值均值、胜率均值、答题平均速度;
将每个用户的参赛频度乘上权重系数,能力特征值与集体均值的差值乘上权重系数,胜率与集体胜率均值的差值乘上权重系数,答题速度与集体速度均值的差值乘上权重系数,四者再求和;
按照预设的活动参赛人数覆盖规模,根据用户求和值距离相近度筛选确定参与竞赛式学习活动的用户;
并使得各求和值相近的用户根据参赛模式分在相同的竞赛组别中。
竞赛裁判匹配过包括以下步骤:
首先,判断是否有未报名参赛学生报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让学生匹配指定的预选对象进行批改;如果没有预选,则根据与参赛用户的能力特征值距离撮合符合裁判匹配规则的学生裁判;
接着,判断是否有家长报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的家长匹配指定的预选对象进行批改;如果没有预选,则将根据家长关联的学生与参赛用户的能力特征值距离撮合符合裁判匹配规则的家长裁判;
第三,判断是否有教师报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的教师匹配指定的预选对象进行批改;如果没有预选,在教师预定的批改数量限制下,随机撮合匹配剩余参赛用户的批改,优先为教师匹配仲裁要求频度较高或近期发生过仲裁申诉的参赛用户。直至完成全部剩余参赛用户的教师裁判匹配,或达到教师设定的批改数量限制;
第四,判断是否有参赛用户报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的参赛用户匹配指定的预选对象进行批改,如果没有预选,则将根据参赛用户的能力特征值距离撮合符合裁判匹配规则的参赛用户裁判,集体竞赛时所述参赛用户不能是自己所在参赛集体的裁判;
第五,判断经过了上述步骤的竞赛裁判匹配后,所有参赛用户是否已经全部匹配完成,如果是,则输出裁判名单匹配总表,若否,则为剩余的参赛用户一一匹配系统智能裁判,直至全部参赛用户都分配有裁判,匹配好之后,输出系统智能裁判名单;教师用户可对最终输出的裁判名单匹配总表进行调整。
根据本发明的再一方面,提供一种计算机及网络设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可以实现上述的方法步骤。
根据本发明的又一方面,提供一种计算机存储介质,其存储了可以被计算机执行的程序,执行所述程序时可以实现上述的方法步骤。
根据本发明的另一方面,提供一种用于网络竞赛式学习的数据处理系统,包括服务器主机和多个客户端,所述客户端具有输入装置和输出装置,借助所述输入装置和输出装置通过网络与所述服务器主机进行数据交换,所述服务器主机包括竞赛与批改匹配撮合单元,所述竞赛与批改匹配撮合单元具有竞赛匹配撮合子单元,用于接收和处理来自所述客户端的竞赛式学习请求和竞赛式学习响应,基于竞赛匹配规则将所述竞赛式学习请求的用户与所述竞赛式学习响应进行匹配撮合,使得用户之间可以开展网络竞赛式学习。
所述竞赛与批改匹配撮合单元还具有裁判匹配撮合子单元,用于发布和处理来自竞赛式学习的裁判请求和裁判响应,基于裁判匹配规则将所述竞赛式学习的裁判请求与所述竞赛式学习的裁判响应进行匹配撮合,使得用户可以开展网络竞赛式学习的批改。所述服务器主机还包括虚拟竞赛单元,用于产生虚拟的竞赛式学习用户,生成虚拟的竞赛式学习响应,将所述虚拟的竞赛式学习响应与所述竞赛式学习响应一起与所述竞赛式学习请求进行匹配撮合,虚拟的竞赛式学习用户在系统的后台参与虚拟的竞赛式学习。可选的,至少部分未报名参赛的用户作为虚拟的竞赛式学习用户。
所述服务器主机还包括数据统计与分析单元,用于获取、存储和分析用户的竞赛式学习活动数据,所述竞赛式学习活动数据包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等。
所述服务器主机还包括激励推送与效果跟踪单元,用于根据用户参与的竞赛式学习的答题情况向参赛用户发送正向激励信息,并进行激励效果的跟踪记录。
所述竞赛式学习请求和竞赛式学习响应包括用户身份数据和用户特征数据,所述用户特征数据是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。所述用户可以是参赛个人用户,也可以是参赛集体用户的分组。
所述网络竞赛式学习的匹配撮合是通过计算竞赛式学习请求用户和竞赛式学习响应用户的所述用户特征数据之间的距离来实现的,所述竞赛匹配规则可以是对所述距离的数值限定。
所述客户端包括学生客户端、家长客户端、教师客户端;
所述学生客户端用于学生用户报名参赛、答题、批改、向所述数据统计与分析单元发送用户竞赛式学习活动数据,以及接收所述激励推送与效果跟踪单元发送的信息;
所述家长客户端用于家长用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收与所述家长用户关联的虚拟参赛用户的正向激励信息,观察竞赛式学习过程;
所述教师客户端用于教师用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收网络竞赛式学习过程统计信息,观察竞赛式学习过程。
所述数据统计与分析单元包括,竞赛式学习习惯子单元、竞赛式学习参与度子单元、竞赛式学习频度子单元、竞赛式学习强度子单元、竞赛式学习水平子单元;
所述竞赛式学习习惯子单元,用于预设和记录用户参加竞赛式学习的意愿以及竞赛式学习的模式,并生成竞赛式学习习惯数据;
所述竞赛式学习参与度子单元,用于统计用户的参赛报名历史记录、匹配撮合成功后的完成率,实现对参赛用户的活动参与度特征的分析统计,并生成竞赛式学习参与度数据;
所述竞赛式学习频度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的次数,实现对参赛用户的活动频度特征的分析统计,并生成竞赛式学习频度数据;
所述竞赛式学习强度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数及密集度分布,实现对参赛用户的活动强度特征的统计分析,并生成竞赛式学习强度数据;
所述竞赛式学习水平子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的完成度、用户完成用时、用户完成成绩、竞赛式学习活动胜率,实现对参赛用户的学习水平特征的分析统计,并生成竞赛式学习水平数据。
所述竞赛式学习的模式包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种。可选的,同一参赛用户可同时参与包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种系统竞赛式学习活动。
所述服务器主机还包括自动执行单元,用于执行竞赛式学习活动,包括系统题库子单元、用户答题子单元、答案批改子单元;
所述系统题库子单元,用于存储在线竞赛学习题目,包括普通作业练习题目、考试题目、课外作业题目;系统根据用户参赛方式和用户的活动信息向参与竞赛的用户分配题目;
所述用户答题子单元,用于记录用户客户端发送的用户答题情况;
所述答案批改子单元,用于存储有用户答题子单元中所记录的用户已答题的标准答案作为批改参考,并记录参与裁判工作的学生、家长、教师对批改对象所给出的成绩。
所述激励推送与效果跟踪单元,其包括规模控制及用户自动筛选子单元,和反馈跟踪优化子单元。
所述规模控制和用户自动筛选子单元,根据预设活动覆盖规模确定参与竞赛式学习活动用户人数;
并计算集体竞赛式学习活动用户的能力特征值均值、胜率均值、答题平均速度,然后将每个用户的参赛频度乘上权重系数,能力特征值与集体均值的差值乘上权重系数,胜率与集体胜率均值的差值乘上权重系数,答题速度与集体速度均值的差值乘上权重系数,四者再求和,使得求和值相近的用户分在相同的竞赛组别中;所述能力特征值通过用户单独科目答题准确度、答题速度,总体答题准确度、答题速度、竞赛胜率、参与频次的历史参赛数据累积统计所得。
所述反馈跟踪优化子单元根据用户答题情况向参赛用户发送正向激励信息并进行效果跟踪;
其中,利用用户在竞赛式学习活动竞赛式学习活动中的参与度、频度、强度、胜率技术特征指标的变化计算出有增长的指标,向获胜参赛用户和在虚拟竞赛中激励效果增长最好的额定获胜用户分别发送正向激励,使得用户知晓其优势所在,增强参赛自信心和学习动力;
其中,通过获得相应正向激励信息推送用户的答题效果,以及通过后续活动中产生的影响结果和不断的自动效果取样统计,对用户的正向激励效果自动进行的激励效果的影响指标校正和优化,以提升系统的自动用户激励推送信息的效果转化率。
本发明所述的系统和方法通过在传统的用户练测、作业过程中,运用技术手段提取有用的竞赛式学习活动数据,精准反馈激励用户,达到提升用户参与学习活动的乐趣,并培养用户良好的自信心和竞争意识。
所述系统和方法对报名人员匹配以及虚拟竞赛用户后台虚拟参赛。每个参赛人员都带有个人历史参赛数据,人员匹配根据每个人的能力特征值来进行匹配,让能力接近的人员进行比较,目标是要提高网络竞赛式学习人员的积极性以及自信心,达到更好的学习效果。针对虚拟竞赛用户的后台虚拟参赛,目的是为了激励经常不参赛而显得缺乏自信的用户人员,向其推送正面消息,提升其自信心,鼓励其勇于参与到竞赛式学习活动中。从而提高用户的学习趣味性、好胜心、竞争意识,并通过团队竞赛的活动,提高集体贡献精神、集体荣誉感;激发用户的自觉学习意识。
此外,所述系统和方法通过引入用户以及家长作为裁判,在不给教师增加其他额外负担的同时,还可通过竞赛者的互批互学过程,降低教师的用户练测活动的批改及统计分析的负担。
本概述是为了以简化的形式介绍将在以下详细描述中进一步描述的选择的概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征,也不旨在用于限制所要求保护主题的范围,此外,所要求保护的主题不限于解决在本发明的任一部分中所提及的任何或所有缺点的实现。
附图说明
图1是根据本发明的用于网络竞赛式学习的数据处理系统架构图。
图2是根据本发明的用于网络竞赛式学习的数据处理方法流程图。
图3是根据本发明的一对一匹配方式流程图。
图4是根据本发明的多对多匹配方式一流程图。
图5是根据本发明的多对多匹配方式二流程图。
图6是根据本发明的一对多匹配方式流程图。
图7是根据本发明的多对一匹配方式流程图。
图8是根据本发明的裁判匹配撮合方法流程图。
具体实施方式
针对现有技术中存在的问题,本发明提出一种用于网络竞赛式学习的数据处理系统和方法,旨在提高网络竞赛式学习获得参与人员的积极性、自信心、团队荣誉感,增加活动的趣味性,以及可以从裁判的角度去审视竞赛式学习活动,特别是在开展竞赛式学习活动的过程中,不但引入了虚拟用户进行虚拟参赛的模式,而且采用匹配撮合的方式促成竞赛式学习活动,匹配撮合的基础是对竞赛式学习活动参与用户进行用户特征的数据表征,包括用二维或三维的特征值描述用户的能力特征值,每个用户的能力特征数据以二维或三维坐标点的方式进行表征,在匹配撮合时只需要计算用户之间坐标点的距离即可判断是否满足匹配条件,可以实现对于用户特征数据的量化,使得匹配撮合的计算过程可以高效完成。
为使本发明的技术方案更加清楚、明白,以下参考附图并举实施例,对本发明进行进一步地详细说明。
如图1所示,本发明的用于网络竞赛式学习的数据处理系统,包括服务器主机和多个客户端,所述客户端具有输入装置和输出装置,借助所述输入装置和输出装置通过网络与所述服务器主机进行数据交换,所述服务器主机包括数据统计与分析单元、竞赛与批改匹配撮合单元、自动执行单元、虚拟竞赛单元、激励推送与效果跟踪单元,所述客户端包括学生客户端、家长客户端、教师客户端。本发明的用户可以包括学生、家长和教师等。
所述客户端包括:处理器、网络模块、控制模块、显示模块、输入装置、输出装置以及智能操作系统;所述终端上可以设有通过数据总线连接各种拓展类设备和配件的多种数据接口;所述智能操作系统包括Windows、Android及其改进、iOS,在其上可以安装、运行应用软件,实现在智能操作系统下的各种应用软件、服务和应用程序商店/平台的功能。
所述客户端可以通过RJ45/Wi-Fi/蓝牙/2G/3G/4G/G.hn/Zigbee/Z-ware/RFID等连接方式连接到网络,并借助网络连接到其它的终端或其它电脑及设备,通过1394/USB/串行/SATA/SCSI/PCI-E/Thunderbolt/数据卡接口等多种数据接口或者总线方式,通过HDMI/YpbPr/SPDIF/AV/DVI/VGA/TRS/SCART/Displayport等音视频接口等连接方式,来连接各种拓展类设备和配件,组成了一个竞赛式学习互动系统。
本发明中,处理器定义为包括但不限于:指令执行系统,如基于计算机/处理器的系统、专用集成电路(ASIC)、计算设备、或能够从非暂时性存储介质或非暂时性计算机可读存储介质取得或获取逻辑并执行非暂时性存储介质或非暂时性计算机可读存储介质中包含的指令的硬件和/或软件系统。所述处理器还可以包括任意控制器,状态机,微处理器,基于网络的实体、服务或特征,或它们的任意其它模拟的、数字的和/或机械的实现方式。
本发明中,所述计算机可读存储介质定义为包括但不限于:能够包含、存储或保持程序、信息及数据的任意介质。计算机可读存储介质包括许多物理介质中的任一种,如电子介质、磁性介质、光介质、电磁介质或半导体介质。合适计算机可读存储介质以及终端和服务器使用的存储器的更具体示例包括但不限于:磁性计算机盘(如软盘或硬驱)、磁带、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、光盘(CD)或数字视频光盘(DVD)、蓝光存储器、固态硬盘(SSD)、闪存。
本发明中,网络可以包括局域网和广域互联网,可以是有线互联网,也可以是无线互联网,或者这些网络的任意组合。一种用于网络竞赛式学习的数据处理系统,包括服务器主机和多个客户端,所述客户端具有输入装置和输出装置,借助所述输入装置和输出装置通过网络与所述服务器主机进行数据交换,所述服务器主机包括竞赛与批改匹配撮合单元,所述竞赛与批改匹配撮合单元具有竞赛匹配撮合子单元,用于接收和处理来自所述客户端的竞赛式学习请求和竞赛式学习响应,基于竞赛匹配规则将所述竞赛式学习请求的用户与所述竞赛式学习响应进行匹配撮合,使得用户之间可以开展网络竞赛式学习。
所述竞赛与批改匹配撮合单元还具有裁判匹配撮合子单元,用于发布和处理来自竞赛式学习的裁判请求和裁判响应,基于裁判匹配规则将所述竞赛式学习的裁判请求与所述竞赛式学习的裁判响应进行匹配撮合,使得用户可以开展网络竞赛式学习的批改。所述服务器主机还包括虚拟竞赛单元,用于产生虚拟的竞赛式学习用户,生成虚拟的竞赛式学习响应,将所述虚拟的竞赛式学习响应与所述竞赛式学习响应一起与所述竞赛式学习请求进行匹配撮合,虚拟的竞赛式学习用户在系统的后台参与虚拟的竞赛式学习。
所述服务器主机还包括数据统计与分析单元,用于获取、存储和分析用户的竞赛式学习活动数据,所述竞赛式学习活动数据包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等。
所述服务器主机还包括激励推送与效果跟踪单元,用于根据用户参与的竞赛式学习的答题情况向参赛用户发送正向激励信息,并进行激励效果的跟踪记录。
所述竞赛式学习请求和竞赛式学习响应包括用户身份数据和用户特征数据,所述用户特征数据是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。所述用户可以是参赛个人用户,也可以是参赛集体用户的分组。
所述网络竞赛式学习的匹配撮合是通过计算竞赛式学习请求用户和竞赛式学习响应用户的所述用户特征数据之间的距离来实现的,所述竞赛匹配规则可以是对所述距离的数值限定。
所述客户端包括学生客户端、家长客户端、教师客户端;
所述学生客户端用于学生用户报名参赛、答题、批改、向所述数据统计与分析单元发送用户竞赛式学习活动数据,以及接收所述激励推送与效果跟踪单元发送的信息;
所述家长客户端用于家长用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收与所述家长用户关联的虚拟参赛用户的正向激励信息,观察竞赛式学习过程;
所述教师客户端用于教师用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收网络竞赛式学习过程统计信息,观察竞赛式学习过程。
所述数据统计与分析单元包括,竞赛式学习习惯子单元、竞赛式学习参与度子单元、竞赛式学习频度子单元、竞赛式学习强度子单元、竞赛式学习水平子单元;
所述竞赛式学习习惯子单元,用于预设和记录用户参加竞赛式学习的意愿以及竞赛式学习的模式,并生成竞赛式学习习惯数据;
所述竞赛式学习参与度子单元,用于统计用户的参赛报名历史记录、匹配撮合成功后的完成率,实现对参赛用户的活动参与度特征的分析统计,并生成竞赛式学习参与度数据;
所述竞赛式学习频度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的次数,实现对参赛用户的活动频度特征的分析统计,并生成竞赛式学习频度数据;
所述竞赛式学习强度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数及密集度分布,实现对参赛用户的活动强度特征的统计分析,并生成竞赛式学习强度数据;
所述竞赛式学习水平子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的完成度、用户完成用时、用户完成成绩、竞赛式学习活动胜率,实现对参赛用户的学习水平特征的分析统计,并生成竞赛式学习水平数据。
所述竞赛式学习的模式包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种。可选的,同一参赛用户可同时参与包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种系统竞赛式学习活动。
所述服务器主机还包括自动执行单元,用于执行竞赛式学习活动,包括系统题库子单元、用户答题子单元、答案批改子单元;
所述系统题库子单元,用于存储在线竞赛学习题目,包括普通作业练习题目、考试题目、课外作业题目;系统根据用户参赛方式和用户的活动信息向参与竞赛的用户分配题目;
所述用户答题子单元,用于记录用户客户端发送的用户答题情况;
所述答案批改子单元,用于存储有用户答题子单元中所记录的用户已答题的标准答案作为批改参考,并记录参与裁判工作的学生、家长、教师对批改对象所给出的成绩。
所述激励推送与效果跟踪单元,其包括规模控制及用户自动筛选子单元,和反馈跟踪优化子单元。
所述规模控制和用户自动筛选子单元,根据预设活动覆盖规模确定参与竞赛式学习活动用户人数;
并计算集体竞赛式学习活动用户的能力特征值均值、胜率均值、答题平均速度,然后将每个用户的参赛频度乘上权重系数,能力特征值与集体均值的差值乘上权重系数,胜率与集体胜率均值的差值乘上权重系数,答题速度与集体速度均值的差值乘上权重系数,四者再求和,使得求和值相近的用户分在相同的竞赛组别中;所述能力特征值通过用户单独科目答题准确度、答题速度,总体答题准确度、答题速度、竞赛胜率、参与频次的历史参赛数据累积统计所得。
所述反馈跟踪优化子单元根据用户答题情况向参赛用户发送正向激励信息并进行效果跟踪;
其中,利用用户在竞赛式学习活动竞赛式学习活动中的参与度、频度、强度、胜率技术特征指标的变化计算出有增长的指标,向获胜参赛用户和在虚拟竞赛中激励效果增长最好的额定获胜用户分别发送正向激励,使得用户知晓其优势所在,增强参赛自信心和学习动力;
其中,通过获得相应正向激励信息推送用户的答题效果,以及通过后续活动中产生的影响结果和不断的自动效果取样统计,对用户的正向激励效果自动进行的激励效果的影响指标校正和优化,以提升系统的自动用户激励推送信息的效果转化率。
如图2所示,根据本发明的用于网络竞赛式学习的数据处理方法的实施例。
本实施例的方法基于如图1所示的本发明的用于网络竞赛式学习的数据处理系统,具体包括以下步骤:
通过教师客户端向服务器主机设定竞赛人数规模、竞赛匹配模式和竞赛活动内容,服务器主机向学生客户端发布竞赛式学习活动内容,启动竞赛。比如,通过服务器主机向客户端发布竞赛式学习活动信息,用户响应所述活动信息,可以报名参加所述竞赛式学习活动。竞赛式学习活动可以由用户通过客户端发起,系统通过服务器主机批准后,可以由服务器主机发布活动信息。竞赛式学习活动也可以由系统通过服务器主机发起。
报名参赛的用户作为竞赛用户有机会进入实际的竞赛式学习活动,而未报名参赛的用户作为虚拟竞赛用户可能参与后台竞赛,可选的,至少部分未报名参赛的用户作为虚拟竞赛用户,也可以是全部未报名参赛的用户作为虚拟竞赛用户参与后台竞赛,即,在用户不知情的情况下,可以将这些实际上并没有报名的虚拟竞赛用户与竞赛用户一起进行自动匹配撮合参与竞赛式学习活动,这些虚拟竞赛用户进行静默竞赛式学习。也就是说,在后续的竞赛式学习过程中,虚拟竞赛用户同样可以收到试卷,但是并不知道是在进行竞赛式学习,也不知道跟谁进行竞赛,如果虚拟竞赛用户完成了答题,并且实际获得了竞赛式学习的胜利,系统同样可以进行激励,如同报名参加了竞赛式学习的用户一样。优选的,在对虚拟竞赛获得学生进行激励推送时,可以按照竞赛规模环节所确定出的正向激励名额,再根据激励推送与效果跟踪单元的统计选拔结果,确定相应的虚拟竞赛推送名额,进行相应虚拟参赛学生的正向激励推送。
用户报名参赛时,系统调取用户的竞赛式学习活动数据,包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等数据。所述竞赛式学习习惯数据包括用户参加竞赛式学习的意愿以及喜欢的竞赛式学习模式。系统通过数据统计与分析单元可以自动获取、存储和分析用户参与竞赛式学习活动的有关数据,实现对于有关数据的统计与分析,持续更新有关数据。
根据用户报名参赛情况,可以通过服务器主机设置竞赛模式和竞赛规模等信息,系统根据竞赛模式和竞赛规模等信息,可以从报名用户中选择可以实际参与竞赛式学习活动的用户。至于竞赛规模和竞赛模式的设置,可以由发布竞赛的教师用户设置。根据设定的竞赛规模,系统可以先去掉超出规模的人数,然后进行报名用户的分组匹配。可选的,如果报名用户人数不足,可以从虚拟竞赛用户中补充人数,虚拟竞赛用户通过虚拟竞赛单元以虚拟参赛的方式与竞赛用户作为实际竞赛用户一起进行竞赛式学习活动。也就是说,实际竞赛用户也可以包括被选择的竞赛用户和虚拟竞赛用户。
根据报名参赛信息,服务器主机首先基于设定的竞赛人数规模进行报名参赛用户的筛选;再基于参赛用户的竞赛匹配模式,将筛选的用户进行竞赛分组撮合匹配;在匹配完成之后,可以根据匹配成功的实际参赛人数和竞赛规模确定正向激励的名额。可选的,当参赛人数未达预设的竞赛规模人数时,服务器主机将自动补足正向激励信息虚拟竞赛获胜学生用户的名额。比如,根据实际竞赛用户信息和竞赛式学习活动的模式,服务器主机基于竞赛匹配规则,在实际竞赛用户之间进行撮合匹配。
所述竞赛式学习活动的模式包括:一对一竞赛、多对多竞赛(集体竞赛)、一对多竞赛(打擂模式)和多对一竞赛(挑战模式)。每次竞赛式学习活动可以只进行一种模式的竞赛,也可以进行多种模式的竞赛。竞赛式学习的模式的选择可以在前面步骤中通过服务器主机在后台进行开放选择设置,也可以活动发起用户进行自主设置。用户在报名参赛时,可以选择竞赛的模式,也可以不进行选择,由系统根据需要自动分配。
在进行撮合匹配前,进行竞赛模式以及竞赛规模设置,撮合匹配开始后,先判断参赛人员选择的是什么竞赛模式,即参赛人员对队友数量以及对手数量进行选择,具体而言,参赛人员可选择一对一竞赛模式、一对多竞赛模式、多对多、多对一竞赛模式;所有已报名人员均抽选到相应的竞赛模式组中参加竞赛;接下来,进行竞赛模式撮合匹配,具体而言,在将选择同一竞赛模式的用户分在同一竞赛模式组后,计算在同一竞赛模式组的人员数量是否满足竞赛模式的要求,若已报名的人员满足竞赛模式要求,则竞赛模式撮合匹配成功,进入竞赛规模匹配,若已报名人员数量未满足竞赛模式要求,则将所需数量的未报名人员虚拟加入竞赛以满足竞赛模式要求;接下来,进行竞赛规模匹配,在本步骤中,根据竞赛规模设置的要求,计算参加竞赛的参赛人员数量是否满足竞赛规模的要求,如满足,则进入下一步,若未满足,则将所需数量的未报名人员虚拟加入竞赛以满足竞赛规模要求。此处,将虚拟竞赛用户加入进行虚拟参赛时,对虚拟竞赛用户进行静默匹配,即不告知未报名人员,后台自动完成匹配。
作为一种可选的竞赛模式匹配,具体如下:
A.竞赛模式的匹配标准:
1.个人匹配:个人的能力特征值距离比较。
2.小组匹配:小组的集体参赛用户能力特征值距离比较。可选的,对于小组的集体用户能力距离值,首先通过小组用户计算集体用户的平均能力特征值,然后再计算两个小组的能力平均值距离。当然,本发明不局限这种方法,可以根据竞赛目的的需要设定其他计算方式。本发明不限于具体的计算方式,本发明的主要贡献之一在于,创造性的采用二维或三维坐标的方式对能力值进行了描述,在此基础上,本领域技术人员可以做一些进一步的改进和尝试。
B.竞赛模式的匹配规则:
1.个人匹配:教师用户发布指定可选的集体及个人的竞赛模式种类,竞赛学生将按自己预设的各类参赛模式进行匹配撮合,无对应模式则匹配失败。
2.小组匹配:
对个人匹配成功的同一组模式里,根据与小组的集体能力特征值距离值的分组值限定,对所述模式实际竞赛学生进行分组,直至完成各类竞赛模式下的学生分组。
在一个具体实施例中,网络竞赛规模默认预设是18人,已报名参赛的学生为15人,其中选择的竞赛模式有2v2和5v5两种竞赛模式进行参赛,下面陈述系统的竞赛规模匹配和竞赛模式匹配的工作过程。
由于系统的竞赛规模为18人,故实际报名15人未超过规模人数限制,全部被筛选中进入参赛匹配;
然后服务器主机开始进行竞赛模式的匹配撮合:
其中选择5v5的10名用户刚好符合竞赛模式的匹配人数要求,因此系统根据这10名用户的竞赛能力值距离进行分组撮合,自动分配为5人一队、相互对战的一组5v5竞赛活动中;
而对于选择2v2的5名用户,系统根据用户竞赛能力值距离撮合分配为2人一队、相互对战的两组中,剩余1人因其用户竞赛能力值距离过大而参赛撮合匹配失败;至此对已报名的15名参赛人员已按各自的参赛模式完成匹配撮合;
接着服务器主机开始根据竞赛规模的预设要求进行规模调整。由于上述匹配成功的实际报名参赛人员只有14人,未达竞赛规模18人的人数覆盖要求,因此系统会在剩余全员虚拟竞赛人员中,再增补4位虚拟参赛人员的虚拟竞赛激励推送名额,以达到18名参赛人员的竞赛规模。
至此,14人参赛模式匹配成功,1人参赛模式匹配失败,4人参与虚拟竞赛正向优选激励推送,此时总参赛人数满足了18人的竞赛规模预设要求和参赛模式要求,系统服务器主机可自动进行下一步的竞赛流程。
如图3所示,一对一撮合匹配模式流程图。一对一撮合匹配即是单挑模式,用户在参赛报名时可以预选对手。选择一对一模式的所有用户作为一个集合,其中选一个用户,判断是否预选对手,如果有预选对手并且预选对手在集合中,而对手也预选了所述用户作为对手,则匹配成功。若所述用户预选了多个对手,而这些对手中有多于1个预选了所述用户,则与所述用户能力特征值最相近的对手与其匹配成功。如果只有一个对手,则直接匹配成功。如果预选对手这一环节都没有成功匹配,则判断是否预选科目,若有则在所述科目中在集合里找到跟所述用户能力特征值最接近的人匹配成功。如果没有预选科目,则直接给所述用户匹配用户能力特征值最接近的人。匹配成功之后,则在集合中删除成功匹配的两人,避免后续再次匹配,然后判断集合是否不大于1,大于1表明还需要进行匹配,如果不大于1,则直接退出,剩余1人可以直接剔除、不进行匹配。
如图4所示,多对多撮合匹配模式一流程图。多对多撮合匹配即为集体竞赛,2v2或者3v3或者4v4等等。上图为多对多匹配的一种方式。先判断是否已存在集体匹配组,如果没有,则以所述用户为新建集体的第一个成员,等待后续匹配。如果存在,则判断是否有空缺,若都没有空缺,则以所述用户为新建集体的第一个成员,等待后续匹配。若有空缺,则判断带空缺的集体能力均值与所述用户能力特征值相差是否大于阈值,如果大于,则以所述用户为新建集体的第一个成员,等待后续匹配;如果不大于,则将所述用户配对入平均能力特征值最接近的集体中。若集体未能满足人数要求,则丢弃所述集体;若集体的总人数为单数,则丢弃能力特征值距离最大的一个用户。
如图5所示,多对多撮合匹配模式二流程图。多对多撮合匹配还有另一种方式。根据所述用户的能力特征值和集体平均能力特征值的距离,选择能力距离值最接近的N个用户组合成集合,N等于集体竞赛所需人数。然后判断这一组集合中的用户是否有预选对手,若没有,则按能力距离值或随机分成两队。若有,则判断预选的对手是否在集合中,若在,则优先将预选的对手设在相对的一方;若不在集合中,则按能力距离值或随机分成两队。
如图6所示,一对多撮合匹配模式流程图。一对多撮合匹配为打擂模式,需要有人报名作为擂主,需要有人报名作为攻擂者。如果没有擂主或者没有攻擂者,则直接结束匹配。有擂主、攻擂者,则根据擂主能力特征值匹配与其能力特征值相当的攻擂者。
如图7所示,多对一撮合匹配模式流程图。多对一匹配为挑战模式,在开始报名时,可以通过服务器主机指定用户作为擂主,比如如果活动是由用户通过客户端发起的,发起的用户可以作为擂主,其他用户在选择挑战模式时便清楚谁作为擂主,其他用户报名作为攻擂者。如果没有人攻擂,则直接结束。有人报名攻擂,则根据能力特征值距离匹配撮合。多对一竞赛式学习的模式下的一种应用例子就是挑战竞赛。报名挑战赛的用户可以指定多个挑战对手,也可以不指定特定的挑战对手。当参赛用户指定有挑战对手时,若这些对手也互为指定对方为挑战对手,则系统只根据预设的选手参赛频度限制进行优先撮合匹配;若未互为指定对方为挑战对手,则系统先在指定的对手范围里进行系统自动匹配。若参赛用户未指定对手,则系统根据能力特征值距离限定进行全员的自动比赛匹配。
特别的,对于m v n(m≥2,n≥2,m≠n)的非对等人数的集体分组竞赛,也可根据集体参赛用户的能力特征值算法和能力距离计算,来进行参赛成员的分组匹配及竞赛对比。
本发明的主要创新点包括,用户能力特征值的二维或三维量化表征,以及在此基础上的通过计算用户之间的能力特征值的距离来进行撮合匹配的数据处理,使得整个数据过程效率大大提高。
对于如图3-图7所示的各种撮合匹配模式,在进行具体的撮合匹配计算的步骤如下:
对于每个用户可以采用二维或三维坐标数据的方式表示其能力特征值,也就是说,可以将各种关心的统计数据或指标进行量化处理,再进行加权处理后,形成不同的维度,不同维度的数据共同以坐标点的方式确定每个用户的能力特征值。其中,每个维度可以包括多个指标,指标的设定可以根据需要进行设定,各个指标的权重系数可以根据经验进行调整和设定。进一步的,由于具备了二维或三维坐标点数据,可以通过作图软件,将很多用户以其能力特征值为标记显示在二维或三维坐标系中,从而可以极大的方便各种用户查看能力分布情况以及彼此的差值。这种作图的方式当然属于现有技术,但是本发明发现,现有技术中还没有对用户的能力特征值进行二维或三维量化,并且进行如此显示的先例。
所述用户能力特征值是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。所述网络竞赛式学习的匹配撮合是通过计算竞赛式学习请求用户和竞赛式学习响应用户的所述用户特征数据之间的距离来实现的,所述竞赛匹配规则可以是对所述距离的数值限定。所述用户可以是参赛个人用户,也可以是参赛集体用户的分组。
计算两个能力特征值采用二维表征的用户之间的能力特征值距离,具体如下:
比如用户的能力特征值表征为(x,y),用户1的能力特征值为:U1(x1,y1),用户2的能力特征值为:U2(x2,y2)。
x可以表示效率能力,y可以表示准确率能力。x可以将答题速度指标、活动频率指标等进行量化处理后,根据设定的权重系数,计算出来。y可以将答题准确率指标、活动胜率指标等进行量化处理后,根据设定的权重系数,计算出来。可以肯定是,上述每个维度特征值,可以包括可以获得的多个量化指标,并不限于上述的几项,也就是说,通过对关注指标的分类和量化加权处理,可以获取维度特征值。而两个或三个维度值就可以表征出用户的能力特征值的坐标。
对于二维数据表征的用户之间的能力特征值距离,计算能力特征值的距离可采用公式:
对于三维数据表征的用户之间的能力特征值距离,计算能力特征值的距离可采用公式:
对于参赛集体也可以采用二维或三维坐标数据的方式表示其集体平均能力特征值。也就是说,可以根据所关注参赛集体的各种统计数据或指标,对小组各成员的相应数据或指标进行量化处理后,再进行加权统计,形成不同的集体维度,不同维度的数据共同以坐标点的方式确定每个参赛集体的能力特征值。其中,每个维度可以包括多个指标,指标的选择可以根据需要进行设定,各个指标的权重系数可以根据经验进行调整和预设。因此,服务器主机根据参赛集体中各成员的个人用户能力特征值,利用集体能力特征值坐标定位算法,可得到集体参赛用户的集体能力特征值。
所述参赛集体的能力特征值是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的集体平均能力特征数值。如参赛集体的能力特征值表征为(x,y),分组1的能力特征值为G1(x1,y1),分组2的能力特征值为G2(x2,y2)。
按照以上的坐标表征定义,从集体参赛成员的个人能力特征值计算得到所述集体的平均能力特征值,就可转换为根据二维平面上的散点分布寻找重心定位点的坐标,而且可以创造性地借鉴多边定位方法中的二阶段定位法来设计参赛集体用户的平均能力特征值算法。
下面是对集体参赛用户匹配分组时所采用的集体用户能力特征值算法的设计说明:
按照二阶段定位法,在参赛集体的所有成员中,先求出任意每3个成员的能力值坐标点所构成的三角形作为定位单元,分别计算各单元的重心坐标位置,然后再对得到的所有重心坐标点计算平均值,即可得到所要的集体能力坐标值。但很显然,这种二阶段定位法的计算量非常大,而且随着参赛集体的分组成员人数的增加,计算次数将呈强指数式增长,且算法计算过程繁琐、计算量大,不利于竞赛式学习的集体参赛成员的快速匹配和分组。因此针对本系统的技术特点和应用要求,在保证定位误差满足应用要求的前提下,对集体参赛用户能力特征值算法进行了如下的设计改进。
通过对用户能力特征值二维空间散点的定位计算分析,可发现以等边三角形作为基本定位单元时,其定位误差最小。因此在选取二维空间的定位单元成员能力值坐标参考点时,可优先选取在允许距离误差范围内可构成等边三角形定位单元条件的各组成员,并计算各单元能力特征值的重心坐标点,然后再对这些单元的重心坐标点进行加权平均处理,即可得到参赛集体用户的二维坐标表征的能力特征值。
通过对用户能力特征值三维空间散点的定位计算分析,可发现以正四面体作为基本的定位单元时,其定位误差也最小。因此在选取三维空间的定位单元成员能力值坐标参考点时,可优先选取在允许距离误差范围内可构成正四面体定位单元条件的各组成员,并计算各单元能力特征值的重心坐标点,然后再对这些重心坐标点进行加权平均处理,即可得到参赛集体用户的三维坐标表征的能力特征值。
根据等边三角形和正四面体的重心几何特性,可快速计算出每个定位单元的重心坐标值。
对于二维坐标表征的用户,假设某参赛集体A有n个成员:Ui(xi,yi)i=1,2,3,…n,根据用户能力距离计算公式可计算任两用户之间的能力特征值距离,在预设的距离误差范围内,若共可构成m个等边三角形的二维定位单元。
则第i个单元的3个成员的集体参赛用户平均能力特征值,也即所述二维定位单元的重心坐标值为:
其中成员Ui、Ui+1、Ui+2的能力特征值坐标点可满足二维定位单元的等边三角形构成条件。
则所述参赛集体A的用户能力特征值二维数据表征坐标为:
对于三维坐标表征的用户,假设参赛集体B有n个成员:Ui(ui,vi,wi)i=1,2,3,4…n,根据用户能力距离计算公式可计算任两用户之间的能力特征值距离,在预设的距离误差范围内,若共可构成m个正四面体的三维定位单元。
则第i个单元的4个成员的集体参赛用户平均能力特征值,也即所述三维定位单元的重心坐标值为:
其中成员Ui、Ui+1、Ui+2、Ui+3的能力特征值坐标点可满足三维定位单元的正四面体构成条件。
则所述参赛集体B的用户能力特征值三维数据表征坐标为:
采用上述处理方式,首先可以将希望用于表征用户能力特征值的各种数据根据不同维度进行量化加权处理;其次,在此基础上,可以以二维坐标或三维坐标系表征出用户的能力特征值点;第三,更重要是,可以在此基础上,高效计算参与竞赛式学习的不同用户之间的能力距离,只需要设定能力距离,就可以高效的进行撮合匹配的数据处理。
同时,通过对二维等边三角形和三维正四面体的定位算法的创新应用,可更好地满足和改善了竞赛式学习活动中对集体参赛用户和裁判用户匹配撮合及分组过程的实时、准确、高效的技术及应用性能要求。通过计算模拟,随着集体分组参赛成员人数的增加,二阶段定位算法的计算量呈强指数式急速增长,而采用二维等边三角形或三维正四面体的定位算法,虽随着成员人数的增加计算量也有递增,但其呈弱指数式的平缓增长。在同等计算量下,可以发现以等边三角形作为基本定位单元,比以二阶段定位算法中选择任意三角形进行定位,不仅可以大量节省处理时间,明显提高匹配撮合响应速度,而且匹配定位的精度也有很大提高,同时还可以降低系统服务器主机对设备的计算资源和运算能力的要求。
本发明的创新点还包括,对于竞赛分组和人员筛选的方式采用以下方式,根据预设活动覆盖规模确定参与竞赛式学习活动用户人数;并计算集体竞赛式学习活动用户的能力特征值均值、胜率均值、答题平均速度,然后将每个用户的参赛频度乘上权重系数,能力特征值与集体均值的差值乘上权重系数,胜率与集体胜率均值的差值乘上权重系数,答题速度与集体速度均值的差值乘上权重系数,四者再求和,使得求和值相近的用户分在相同的竞赛组别中。能力特征值通过用户单独科目答题准确度、答题速度,总体答题准确度、答题速度、竞赛胜率、参与频次的历史参赛数据,由数据统计与分析单元累积统计所得。以上四个权重系数可以是后台既定,也可以是教师或者学习委员人为设定,譬如频度权重系数为0.5,能力权重系数为0.2,胜率权重系数为0.2,答题速度权重系数为0.1。
具体的,系统的活动覆盖规模控制是通过竞赛参赛人员筛选的自动控制机制来实现的,从而达到控制每次竞赛的实际参赛人数,使得能力相互接近的用户参赛,能够起到更好的激励作用。未进行实际参赛的用户在系统后台进行虚拟竞赛。
竞赛参赛人员筛选方法的目的是通过历史能力特征值和参赛频度等数据控制参赛人数、控制人员参赛频度、控制能力接近的人员参加,让更多人员能够得到均衡的机会参与到竞赛中,对更多人员产生有益的激励,同时减轻人员的负担。
求和值在一定程度反映了所述用户在能力、参赛率上的情况,设定一个阈值,求和值大于阈值的用户剔除掉,也即是让参赛少的、能力接近的及胜率接近的用户参与,让竞赛更公平、更具悬念,同时也会让所有人都能有均衡参与机会。
判断剔除后的实际参赛人数是否达到预定竞赛规模,如果规模不够,则从虚拟竞赛的人员中补足正向激励推送的名额;最后输出实际参赛人员,其余用户全部作为后台虚拟竞赛的人员。控制每次竞赛的实际参赛人数,使得能力相互接近的用户参赛,能够起到更好的激励作用。同时参赛机会更平均,且避免过度竞赛,疲劳参赛。
在参赛用户匹配撮合步骤完成之后,服务器主机接着根据所有用户的裁判报名预设状态,自动进行竞赛裁判的匹配撮合。学生用户、家长用户以及教师用户均可报名作为竞赛裁判参与竞赛式学习活动的批改,用户的裁判报名状态可在所述竞赛开始前进行预设修改。与参赛用户的能力特征值采用二维或三维用户特征数据进行表示一样,学生裁判或与家长关联的学生裁判的能力特征值也可以采用二维或三维特征数据进行表示,可计算其的能力特征值与批改对象之间的能力特征值距离。根据设定的裁判匹配规则,选择距离符合要求的裁判作为有关竞赛式学习活动的裁判,经过了上面裁判的撮合匹配后,判断所有竞赛组是否已经全部完成裁判匹配,如果是,则输出裁判名单匹配总表,若否,则为剩余的竞赛组一一分配系统智能裁判,直至全部竞赛组分配有裁判,匹配好之后,输出系统智能裁判名单。并通过服务器主机自动向所有匹配成功的裁判用户发送匹配成功提示和批改对象信息。
如图8所示,竞赛裁判匹配流程图。具体的,在承担竞赛结果批改的竞赛裁判匹配过程中,包括以下步骤:
首先,判断是否有未报名参赛学生报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让学生匹配指定的预选对象进行批改;如果没有预选,则根据参赛用户的能力特征值距离撮合符合裁判匹配规则的学生裁判。若有多个裁判用户符合条件,则判断裁判用户中批改所述竞赛组用户的频度,频度低的优先;若出现频度相同,则裁判用户做裁判的频度较低的优先选择。随后判断裁判用户是否已经全部匹配完毕,若没有则返回循环,若匹配完毕,则输出裁判用户的匹配结果。
接着,判断是否有家长报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的家长匹配指定的预选对象进行批改;如果没有预选,则将根据跟家长关联的学生与参赛用户的能力特征值来撮合符合裁判匹配规则的家长裁判。若有多个家长符合条件,则判断裁判家长中批改所述竞赛组用户的频度,频度低的优先;若出现频度相同,则裁判家长做裁判的频度较低的优先选择。随后判断裁判家长是否已经全部匹配完毕,若没有则返回循环,若匹配完毕,则输出裁判家长的匹配结果。如果竞赛组已经在上一步用户裁判时全部匹配完成,则形成匹配总表,直接结束。
第三,判断是否有教师报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的教师匹配指定的预选对象进行批改,如果没有预选,在教师预定的批改数量限制下,随机匹配撮合剩余参赛用户的批改,优先为教师匹配仲裁要求频度较高的或近期发生过仲裁申诉的参赛用户。直至完成全部剩余参赛用户的教师裁判匹配,或达到教师预定的批改数量限制。若匹配完毕,则输出教师的匹配结果。如果参赛用户已经在上一步家长裁判时全部匹配完成,则形成匹配总表,直接结束。
第四,判断是否有参赛用户报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的参赛用户匹配指定的预选对象进行批改,如果没有预选,则将根据与参赛用户的能力特征值距离撮合符合裁判匹配规则的参赛用户裁判,集体参赛时所述参赛用户不得成为自己所在参赛集体的裁判。若有多个参赛用户符合条件,则判断参赛用户中批改所述竞赛组用户的频度,频度低的优先;若出现频度相同,则参赛用户做裁判的频度较低的优先选择。随后判断报名裁判的参赛用户是否已经全部匹配完毕,若没有则返回循环,若匹配完毕,则输出报名裁判的参赛用户的匹配结果。如果竞赛组已经在上一步教师裁判时全部匹配完成,则形成匹配总表,直接结束。
第五,判断经过了上述步骤的竞赛裁判匹配后,所有参赛用户是否已经全部匹配完成,如果是,则输出裁判名单匹配总表,若否,则为剩余的参赛用户一一匹配系统智能裁判,直至全部参赛用户都分配有裁判,匹配好之后,输出系统智能裁判名单。教师用户可对最终输出的裁判名单匹配总表进行调整。可选的,当系统智能裁判因不适合成为当前竞赛裁判而匹配失败时,系统将按预设的裁判缺员预警处理流程,自动撮合参赛学生进行互批或自批,或撮合指定教师用户裁判或家长用户裁判,以完成全部参赛用户的批改裁判匹配撮合要求。
让学生、家长都能参与到裁判工作中,并且合理分配裁判名额,提高学生与家长在竞赛中的参与度,增强集体荣誉感,同时减轻教师的负担,有利于竞赛式学习活动的持续开展。
服务器主机通过自动执行单元为竞赛用户提供竞赛式学习活动题目,也就是竞赛试卷,竞赛用户通过客户端接受竞赛试卷,进行作答开展竞赛。对于竞赛试卷的具体内容,可以是普通练习、普通作业、考试、课外试题等等。具体的竞赛试卷的设置和作答方面的技术已经在现有技术中给出了,本申请在此不做进一步限定。
完成竞赛之后,通过竞赛用户客户端将答题结果发送给服务器主机,由服务器主机将答题结果发送事先匹配好的裁判客户端,或者通过竞赛用户客户端直接将答题结果发送给匹配的裁判客户端,竞赛裁判根据裁判客户端接收到的答题批改标准批改学生答题结果,并将批改结果发送给服务器主机,及通知竞赛用户客户端批改完成信息;
根据最终的批改结果,服务器主机通过激励推送与效果跟踪单元向筛选的参赛获胜用户及其关联的家长客户端发送正向激励信息,并根据上述步骤中竞赛规模补足的推送名额,选择发送正向激励信息给虚拟竞赛获胜的学生用户及其关联的家长客户端;
服务器主机通过数据统计与分析单元统计和分析用户参与竞赛式学习活动的历史数据,并且根据历史数据,通过激励推送与效果跟踪单元跟踪进行竞赛激励之后用户的各种能力是否有提升,跟踪用户的能力变动情况,便于教师用户对每个学生用户精准教导,同时将所述竞赛活动的数据及统计结果更新到历史数据中以供后续的历史数据积累统计。
具体的,竞赛用户完成竞赛之后,通过竞赛用户客户端将答题结果发送给服务器主机,由服务器主机将答题结果发送裁判客户端,或者通过竞赛用户客户端直接将答题结果发送给裁判客户端,竞赛裁判根据试题答案批改试卷,并将批改结果发送给竞赛用户客户端和服务器主机。竞赛用户对于批改结果有异议的,可以通过竞赛用户客户端提交仲裁申请,仲裁申请的裁判由教师裁判承担,仲裁申请信息提交给教师用户的客户端,由教师进行仲裁,形成最终的批改结果。仲裁裁判也可以由系统预设指定的其他裁判用户来担任和执行仲裁。
根据最终的批改结果,服务器主机通过激励推送与效果跟踪单元向参赛获胜的用户发送正向激励信息,并按竞赛规模确定的名额给选出的虚拟竞赛获胜用户发送正向激励信息。具体的,利用用户对于竞赛式学习活动的参与度、频度、强度、胜率等技术数据的变化计算出有用户的增长指标,向获胜参赛用户和在虚拟竞赛中激励效果增长最好的额定获胜用户分别发送正向激励,使得用户知晓其优势所在,增强参赛自信心和学习动力。
服务器主机通过数据统计与分析单元统计和分析用户参与竞赛式学习活动的历史数据,并且根据历史数据,通过激励推送与效果跟踪单元跟踪进行竞赛激励之后用户的各种能力是否有提升,跟踪用户的能力变动情况,便于教师用户对每个学生用户精准教导。具体的,通过获得相应正向激励信息推送用户的答题效果,以及通过后续活动中产生的影响结果和不断的自动效果取样统计,对用户的正向激励效果自动进行的激励效果的影响指标校正和优化,以提升系统的自动用户激励推送信息的效果转化率。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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所述技术方案的部分可以以软件产品的形式体现出来,所述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。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (20)
1.一种用于网络竞赛式学习的数据处理系统,包括服务器主机和多个客户端,所述客户端具有输入装置和输出装置,借助所述输入装置和输出装置通过网络与所述服务器主机进行数据交换,其特征在于,
所述服务器主机包括竞赛与批改匹配撮合单元,所述竞赛与批改匹配撮合单元具有竞赛匹配撮合子单元,用于接收和处理来自所述客户端的竞赛式学习请求,基于竞赛匹配规则将所述竞赛式学习请求的多个用户进行匹配撮合,使得用户之间可以开展网络竞赛式学习。
2.根据权利要求1的系统,其特征在于,
所述竞赛与批改匹配撮合单元还具有裁判匹配撮合子单元,用于发布和处理来自竞赛式学习的裁判请求和裁判响应,基于裁判匹配规则将所述竞赛式学习的裁判请求与所述竞赛式学习的裁判响应进行匹配撮合,使得用户可以开展网络竞赛式学习的批改。
3.根据权利要求1的系统,其特征在于,
所述服务器主机还包括虚拟竞赛单元,用于产生虚拟的竞赛式学习用户,生成虚拟的竞赛式学习响应,将所述虚拟的竞赛式学习响应与所述竞赛式学习响应一起与所述竞赛式学习请求进行匹配撮合,虚拟的竞赛式学习用户在系统的后台参与虚拟的竞赛式学习,可选的,至少部分未报名参赛的用户作为虚拟的竞赛式学习用户。
4.根据权利要求1的系统,其特征在于,
所述服务器主机还包括数据统计与分析单元,用于获取、存储和分析用户的竞赛式学习活动数据,所述竞赛式学习活动数据包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等。
5.根据权利要求1的系统,其特征在于,
所述服务器主机还包括激励推送与效果跟踪单元,用于根据用户参与的竞赛式学习的答题情况向参赛用户发送正向激励信息,并进行激励效果的跟踪记录。
6.根据权利要求1-5之一的系统,其特征在于,
对于进行网络竞赛式学习的用户,服务器主机获取用户的能力特征值,所述用户的能力特征值是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。
7.根据权利要求6的系统,其特征在于,
所述网络竞赛式学习的匹配撮合是通过计算用户之间的能力距离来实现的,所述竞赛匹配规则可以是对所述能力距离的数值限定。
8.根据权利要求7的系统,其特征在于,
所述客户端包括学生客户端、家长客户端、教师客户端;
所述学生客户端用于学生用户报名参赛、答题、批改、向所述数据统计与分析单元发送用户竞赛式学习活动数据,以及接收所述激励推送与效果跟踪单元发送的信息;
所述家长客户端用于家长用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收与所述家长用户关联的虚拟参赛用户的正向激励信息,观察竞赛式学习过程;
所述教师客户端用于教师用户报名裁判、批改、向所述数据统计与分析单元发送网络竞赛式学习活动批改数据,以及接收网络竞赛式学习过程统计信息,观察竞赛式学习过程。
9.根据权利要求7的系统,其特征在于,
所述数据统计与分析单元包括,竞赛式学习习惯子单元、竞赛式学习参与度子单元、竞赛式学习频度子单元、竞赛式学习强度子单元、竞赛式学习水平子单元;
所述竞赛式学习习惯子单元,用于预设和记录用户参加竞赛式学习的意愿以及竞赛式学习的模式,并生成竞赛式学习习惯数据;
所述竞赛式学习参与度子单元,用于统计用户的参赛报名历史记录、匹配撮合成功后的完成率,实现对参赛用户的活动参与度特征的分析统计,并生成竞赛式学习参与度数据;
所述竞赛式学习频度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的次数,实现对参赛用户的活动频度特征的分析统计,并生成竞赛式学习频度数据;
所述竞赛式学习强度子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数及密集度分布,实现对参赛用户的活动强度特征的统计分析,并生成竞赛式学习强度数据;
所述竞赛式学习水平子单元,用于统计用户的参赛报名历史记录、匹配撮合的成功次数、用户实际完成竞赛式学习活动的完成度、用户完成用时、用户完成成绩、竞赛式学习活动胜率,实现对参赛用户的学习水平特征的分析统计,并生成竞赛式学习水平数据。
10.根据权利要求7的系统,其特征在于,
每个所述坐标系中不同维度的能力特征数值包括可以获得的多个量化指标,通过所述多个量化指标的分类和量化加权处理,可以获取不同维度的能力特征数值,从而使用两个或三个维度值表征出用户的能力特征值的坐标;
所述竞赛式学习的模式包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种。可选的,同一参赛用户可同时参与包括一对一模式、多对多模式、一对多模式、多对一模式中的至少一种系统竞赛式学习活动。
11.一种用于网络竞赛式学习的数据处理方法,包括以下步骤:
步骤S101:通过教师客户端向服务器主机设定竞赛人数规模、竞赛匹配模式和竞赛活动内容,服务器主机向学生客户端发布竞赛式学习活动内容,启动竞赛;
步骤S102A:根据报名参赛信息,服务器主机首先基于设定的竞赛人数规模进行报名参赛用户的筛选;再基于参赛用户的竞赛匹配模式,将筛选的用户进行竞赛分组匹配撮合;当参赛人数未达预设的竞赛规模人数时,服务器主机将自动补足虚拟竞赛获胜学生用户的正向激励信息推送名额;
步骤S102B:服务器主机通过竞赛裁判匹配过程完成竞赛裁判人员的批改匹配撮合;
步骤S103:完成竞赛之后,通过竞赛用户客户端将答题结果发送给服务器主机,由服务器主机将答题结果发送给步骤S102B中匹配好的裁判客户端,或者通过竞赛用户客户端直接将答题结果发送给匹配的裁判客户端,竞赛裁判根据裁判客户端接收到的答题批改标准批改学生答题结果,并将批改结果发送给服务器主机,及通知竞赛用户客户端批改完成信息;
步骤S104:根据最终的批改结果,服务器主机通过激励推送与效果跟踪单元向筛选的参赛获胜用户及其关联的家长客户端发送正向激励信息,并根据步骤S102A中竞赛规模补足的推送名额,选择发送正向激励信息给虚拟竞赛获胜的学生用户及其关联的家长客户端;
步骤S105:服务器主机通过数据统计与分析单元统计和分析用户参与竞赛式学习活动的历史数据,并且根据历史数据,通过激励推送与效果跟踪单元跟踪进行竞赛激励之后用户的各种能力是否有提升,跟踪用户的能力变动情况,便于教师用户对每个学生用户精准教导,同时将所述竞赛活动的数据及统计结果更新到历史数据中以供后续的历史数据积累统计。
12.根据权利要求11的方法,其特征在于,
对于进行网络竞赛式学习的用户,服务器主机获取用户的能力特征值,所述用户的能力特征值是以二维(x,y)或三维(u,v,w)坐标点进行表征的,其中,x,y,u,v,w是相应坐标系中不同维度的能力特征数值。
13.根据权利要求12的方法,其特征在于,
所述网络竞赛式学习的匹配撮合是通过计算用户之间的能力距离来实现的,所述竞赛匹配规则可以是对所述能力距离的数值限定。
14.如权利要求13的方法,其特征在于,
每个所述坐标系中不同维度的能力特征数值包括可以获得的多个量化指标,通过所述多个量化指标的分类和量化加权处理,可以获取不同维度的能力特征数值,从而使用两个或三个维度值表征出用户的能力特征值的坐标。
15.如权利要求14的方法,其特征在于,
竞赛式学习活动可以由用户通过客户端发起,系统通过服务器主机执行启动后,可以由服务器主机发布活动信息;竞赛式学习活动也可以由系统通过服务器主机发起。
16.如权利要求15的方法,其特征在于,
用户报名参赛时,系统调取用户的竞赛式学习活动数据,包括竞赛式学习习惯数据、竞赛式学习参与度数据、竞赛式学习频度数据、竞赛式学习强度数据、竞赛式学习水平数据等数据。
17.如权利要求16的方法,其特征在于,
对于参赛用户的人数规模筛选和竞赛模式分组包括以下步骤:
计算竞赛式学习活动参赛用户的能力特征值均值、胜率均值、答题平均速度;
将每个用户的参赛频度乘上权重系数,能力特征值与集体均值的差值乘上权重系数,胜率与集体胜率均值的差值乘上权重系数,答题速度与集体速度均值的差值乘上权重系数,四者再求和;
按照预设的活动参赛人数覆盖规模,根据用户求和值距离相近度筛选确定参与竞赛式学习活动的用户;
并使得各求和值相近的用户根据参赛模式分在相同的竞赛组别中。
18.如权利要求17的方法,其特征在于,
竞赛裁判匹配过包括以下步骤:
首先,判断是否有未报名参赛学生报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让学生匹配指定的预选对象进行批改;如果没有预选,则根据与参赛用户的能力特征值距离撮合符合裁判匹配规则的学生裁判;
接着,判断是否有家长报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的家长匹配指定的预选对象进行批改;如果没有预选,则将根据家长关联的学生与参赛用户的能力特征值距离撮合符合裁判匹配规则的家长裁判;
第三,判断是否有教师报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的教师匹配指定的预选对象进行批改;如果没有预选,在教师预设的批改数量限制下,随机撮合匹配剩余参赛用户的批改,优先为教师匹配仲裁要求频度较高的或近期发生过仲裁申诉的参赛用户,直至完成全部剩余参赛用户的教师裁判匹配,或到达教师预定的批改数量限制;
第四,判断是否有参赛用户报名作为裁判,若有,则再判断是否选择了已预选批改对象,如果有,则让报名的参赛用户匹配指定的预选对象进行批改,如果没有预选,则将根据与参赛用户的能力特征值距离撮合符合裁判匹配规则的参赛用户裁判;集体竞赛时所述参赛用户不能是自己所在参赛集体的裁判;
第五,判断经过了上述步骤的竞赛裁判匹配后,所有参赛用户是否已经全部匹配完成,如果是,则输出裁判名单匹配总表,若否,则为剩余参赛用户一一匹配系统智能裁判,直至全部参赛用户都分配有裁判,匹配好之后,输出系统智能裁判名单;教师用户可对最终输出的裁判名单匹配总表进行调整。
19.一种计算机及网络设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可以实现如权利要求11-18中任一项的方法步骤。
20.一种计算机存储介质,其存储了可以被计算机执行的程序,执行所述程序时可以实现如权利要求11-18中任一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509970.2A CN108776944B (zh) | 2018-05-24 | 2018-05-24 | 一种用于网络竞赛式学习的数据处理系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810509970.2A CN108776944B (zh) | 2018-05-24 | 2018-05-24 | 一种用于网络竞赛式学习的数据处理系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108776944A true CN108776944A (zh) | 2018-11-09 |
CN108776944B CN108776944B (zh) | 2021-09-10 |
Family
ID=64027767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810509970.2A Active CN108776944B (zh) | 2018-05-24 | 2018-05-24 | 一种用于网络竞赛式学习的数据处理系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108776944B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378604A (zh) * | 2019-07-23 | 2019-10-25 | 初日(上海)企业咨询管理中心(有限合伙) | 在线事务模拟方法、装置、系统 |
CN111178689A (zh) * | 2019-12-11 | 2020-05-19 | 成都师范学院 | 大学生学科竞赛综合管理系统 |
CN111353922A (zh) * | 2020-02-18 | 2020-06-30 | 资优教育咨询(江门)有限公司 | 一种在线竞赛学习系统 |
CN112214651A (zh) * | 2020-07-27 | 2021-01-12 | 上海乂学教育科技有限公司 | 智能学习竞赛系统及方法 |
CN113051300A (zh) * | 2021-03-05 | 2021-06-29 | 深圳市鹰硕技术有限公司 | 基于学习伙伴匹配的在线学习方法以及装置 |
CN113888917A (zh) * | 2021-09-18 | 2022-01-04 | 上海掌小门教育科技有限公司 | 一种在线教学互动方法及存储介质 |
CN114282758A (zh) * | 2021-11-19 | 2022-04-05 | 珠海读书郎软件科技有限公司 | 一种录播课程学习竞赛的方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104159297A (zh) * | 2014-08-19 | 2014-11-19 | 吉林大学 | 一种基于聚类分析的无线传感器网络多边定位算法 |
CN104732360A (zh) * | 2015-04-09 | 2015-06-24 | 辽宁悦翔信息技术有限公司 | 一种赛事资源管控平台 |
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN106162867A (zh) * | 2015-04-27 | 2016-11-23 | 张大强 | 一种基于等分距离的自适应室内定位方法 |
CN106845813A (zh) * | 2017-01-12 | 2017-06-13 | 安徽大尺度网络传媒有限公司 | 一种基于互联网的赛事组织管理系统及其管理方法 |
-
2018
- 2018-05-24 CN CN201810509970.2A patent/CN108776944B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104159297A (zh) * | 2014-08-19 | 2014-11-19 | 吉林大学 | 一种基于聚类分析的无线传感器网络多边定位算法 |
CN106033487A (zh) * | 2015-03-09 | 2016-10-19 | 腾讯科技(深圳)有限公司 | 用户匹配方法及装置 |
CN104732360A (zh) * | 2015-04-09 | 2015-06-24 | 辽宁悦翔信息技术有限公司 | 一种赛事资源管控平台 |
CN106162867A (zh) * | 2015-04-27 | 2016-11-23 | 张大强 | 一种基于等分距离的自适应室内定位方法 |
CN106845813A (zh) * | 2017-01-12 | 2017-06-13 | 安徽大尺度网络传媒有限公司 | 一种基于互联网的赛事组织管理系统及其管理方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378604A (zh) * | 2019-07-23 | 2019-10-25 | 初日(上海)企业咨询管理中心(有限合伙) | 在线事务模拟方法、装置、系统 |
CN110378604B (zh) * | 2019-07-23 | 2023-06-06 | 初日(上海)企业咨询管理中心(有限合伙) | 在线事务模拟方法、装置、系统 |
CN111178689A (zh) * | 2019-12-11 | 2020-05-19 | 成都师范学院 | 大学生学科竞赛综合管理系统 |
CN111353922A (zh) * | 2020-02-18 | 2020-06-30 | 资优教育咨询(江门)有限公司 | 一种在线竞赛学习系统 |
CN112214651A (zh) * | 2020-07-27 | 2021-01-12 | 上海乂学教育科技有限公司 | 智能学习竞赛系统及方法 |
CN113051300A (zh) * | 2021-03-05 | 2021-06-29 | 深圳市鹰硕技术有限公司 | 基于学习伙伴匹配的在线学习方法以及装置 |
CN113888917A (zh) * | 2021-09-18 | 2022-01-04 | 上海掌小门教育科技有限公司 | 一种在线教学互动方法及存储介质 |
CN114282758A (zh) * | 2021-11-19 | 2022-04-05 | 珠海读书郎软件科技有限公司 | 一种录播课程学习竞赛的方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108776944B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776944A (zh) | 一种用于网络竞赛式学习的数据处理系统和方法 | |
JP6366128B2 (ja) | プログラム | |
US11360655B2 (en) | System and method of non-linear probabilistic forecasting to foster amplified collective intelligence of networked human groups | |
CN109513215A (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
US20200016457A1 (en) | Virtual interactive fitness platform | |
CN106489259A (zh) | 目标达成在线快速问答游戏提供方法及系统 | |
CN109847366A (zh) | 用于游戏的数据处理方法和装置 | |
US20170050081A1 (en) | Virtual competition environment | |
JP2004529406A5 (zh) | ||
WO2019085823A1 (zh) | 游戏信息的确定方法和装置、存储介质、电子装置 | |
US11992771B2 (en) | Systems and methods to correlate user behavior patterns within an online game with psychological attributes of users | |
US20210322887A1 (en) | Systems and methods for adapting user experience in a digital experience based on psychological attributes of individual users | |
US11941239B2 (en) | System and method for enhanced collaborative forecasting | |
CN110841295B (zh) | 一种基于人工智能的数据处理方法和相关装置 | |
CN107648853A (zh) | 在游戏界面中显示目标对象方法、装置以及存储介质 | |
Pan | Design of sports course management system based on Internet of Things and FPGA system | |
CN110598853B (zh) | 一种模型训练的方法、信息处理的方法以及相关装置 | |
Álvarez-Xochihua et al. | Comparing usability, user experience and learning motivation characteristics of two educational computer games | |
CN116664013B (zh) | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 | |
Yannakakis et al. | Modeling and augmenting game entertainment through challenge and curiosity | |
US20210241648A1 (en) | Systems and methods to provide mental distress therapy through subject interaction with an interactive space | |
CN114697688A (zh) | 直播策略推荐方法、互动方法、装置、设备和存储介质 | |
KR102013327B1 (ko) | 인공지능 게임 길드 서비스 제공 방법 및 장치 | |
CN114186696A (zh) | 一种ai训练教学的可视化系统及方法 | |
Willcox et al. | Dense neural network used to amplify the forecasting accuracy of real-time human swarms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |