CN108874861A - 一种教学大数据可视化分析系统及方法 - Google Patents
一种教学大数据可视化分析系统及方法 Download PDFInfo
- Publication number
- CN108874861A CN108874861A CN201810352056.1A CN201810352056A CN108874861A CN 108874861 A CN108874861 A CN 108874861A CN 201810352056 A CN201810352056 A CN 201810352056A CN 108874861 A CN108874861 A CN 108874861A
- Authority
- CN
- China
- Prior art keywords
- data
- classroom
- teaching
- analysis
- behavior
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006399 behavior Effects 0.000 claims abstract description 55
- 230000000694 effects Effects 0.000 claims abstract description 51
- 230000003542 behavioural effect Effects 0.000 claims abstract description 39
- 230000003993 interaction Effects 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 7
- 238000009412 basement excavation Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种教学大数据可视化分析系统,包括数据库、预处理模块、分析模块、服务模块和可视化模块。本发明还公开了一种教学大数据可视化分析方法。本发明设计教育信息技术领域,一种教学大数据可视化分析系统及方法,结合预处理模块和分析模块对原始课堂行为数据进行处理分析,并将分析结果通过可视化模块进行展示,克服现有技术中不能对信息化环境中教与学行为分析的问题,客观反映课堂环境下教师的教学风格,方便教师理清教学过程活动设计、更清晰认识课堂教学行为和师生互动行为,适用于老师观摩他人的教学过程及反思自己的教学实践。
Description
技术领域
本发明涉及教育信息技术领域,尤其涉及一种教学大数据可视化分析系统及方法。
背景技术
随着云计算、移动互联网、人机交互等新一代信息技术融入教育教学全过程,智慧课堂教学应用日益受到重视。在人手一台移动终端的智慧课堂中,教学过程中的过程性数据得以采集与应用,这些数据具有非结构化、增长迅速等特征。
教学分析技术是对教学过程中教师与学生生成海量数据的解释和分析,以评估教师教学进行的情况并发现教学的规律性问题,以及教学未来潜在的问题。分析的对象是教学过程中教师和学生及其教学发生的环境,目的是提示教师的教学情况、发现潜在问题,分析的基础是海量数据。现有的教学行为分析方法都没能针对信息化环境中教与学的行为进行分析,且都是以教学过程中的言语为分析对象,而不是以教学行为来对过程进行分析,无法结合现有行为具体分析。
发明内容
为了解决上述技术问题,本发明的目的是提供一种对教学行为进行分析的教学大数据可视化分析系统。
为了解决上述技术问题,本发明的目的是提供一种对教学行为进行分析的教学大数据可视化分析方法。
本发明所采用的技术方案是:一种教学大数据可视化分析系统,包括数据库、预处理模块、分析模块、服务模块和可视化模块;
数据库,用于存储原始课堂教学主体数据与原始课堂行为数据;
预处理模块,与数据库连接,获取数据库中原始课堂行为数据,对原始课堂行为数据进行数据预处理或标准化得到特征数据;
分析模块,与预处理模块连接,获取预处理后的特征数据,对特征数据进行频繁序列挖掘和聚类分析,得到分析结果;
服务模块,与分析模块连接,分析模块将分析处理后的分析结果发送至服务模块;
可视化模块,与服务模块连接,用于调取服务模块的分析结果进行可视化处理并展示。
作为上述方案的进一步改进,所述原始课堂教学主体数据包括教师数据、学生数据。
作为上述方案的进一步改进,所述原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,所述教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
一种教学大数据可视化分析方法,适用于上述一种教学大数据可视化分析系统,所述方法包括步骤:
S1,确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据;
S2,预处理模块对原始课堂行为数据进行数据预处理或数据标准化得到特征数据,并将特征数据发送给分析模块;
S3,分析模块读取配置参数和规则列表,对得到特征数据进行频繁序列挖掘和聚类分析,得到分析结果;
S4,将分析结果发送至服务模块,利用可视化模块将分析结果可视化处理后进行展示。
作为上述方案的进一步改进,所述原始课堂教学主体数据包括教师数据、学生数据。
作为上述方案的进一步改进,所述原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,所述教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
作为上述方案的进一步改进,所述步骤S1具体为:确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据,统计六个特征活动的总次数和总用时,计算平均时间作为特征活动的属性值。
作为上述方案的进一步改进,所述步骤S2包括子步骤:
S21,预处理模块对教师课堂行为数据进行预处理,得到教师活动序列特征数据;
S22,预处理模块对师生互动行为数据进行数据标准化得到特征活动属性特征数据,设minA和maxA分别为特征活动属性A的样本数据中的最小值和最大值,将特征活动属性A的一个原始值v通过Min_Max标准化映射成在区间[new_minA,new_maxA]中的值v'的计算公式为:
将特征活动属性A的原始值v实用Z_score标准化到v'的计算公式如下:
其中,是特征活动属性A样本数据的均值,σA是特征活动属性A样本数据的标准差;
所述步骤S21具体包括子步骤:
S211,若教师活动序列中任一操作的驻留时间小于N1,则表明该操作不是教师感兴趣的操作或操作过程出错,将该操作从教师活动序列中剔除;
S212,若教师活动序列中任一操作的驻留时间大于N2,则表明该教师可能离开该操作或操作过程出错,将该操作从教师活动序列中剔除;
S213,若教师活动序列中的操作总数量超过M次,则表明该操作序列可能是教师无目的式操作产生,不存在参考价值,将该操作从教师活动序列中剔除;
S214,在教师会话结束时添加结束操作null,用于计算最后一个操作的驻留时间。
作为上述方案的进一步改进,所述步骤S3包括子步骤:
S31,分析模块读取配置参数和规则列表,对预处理后的教师活动序列特征数据利用MFSGrowth极大频繁序列挖掘算法进行频繁序列挖掘;
S32,分析模块读取配置参数和规则列表,对预处理后的师生互动行为特征数据进行离群点识别和剔除处理,对处理后的师生互动行为特征数据进行聚类分析,得到分析结果;
所述步骤S31包括具体子步骤:
S311,读取配置文件中的配置项,设定频繁度阈值参数MinSup,并初始化MFSTree为空;
S312,首次扫描教师课堂行为数据库,将支持度不小于频繁度阈值MinSup的操作元素组成的集合作为表头项;
S313,第二次扫描教师课堂行为数据库,利用经过数据预处理的教师活动序列生成MFSTree;
S314,按表头项中每个元素的顺序,逐一生成以任一个频繁教师活动Pi为频繁序列终点的InvTree,然后通过InvTree挖掘以教师活动Pi为教师活动的所有频繁序列,最后按照剔除规则剔除非极大频繁序列,保留极大频繁序列。
作为上述方案的进一步改进,所述步骤S4具体为:将分析结果发送至服务模块,利用可视化模块将分析结果进行可视化处理后以柱状图的形式或者表格形式进行展示。
本发明的有益效果是:
一种教学大数据可视化分析系统,结合预处理模块和分析模块对原始课堂行为数据进行处理分析,并将分析结果通过可视化模块进行展示,克服现有技术中不能对信息化环境中教与学行为分析的问题,客观反映课堂环境下教师的教学风格,方便教师理清教学过程活动设计、更清晰认识课堂教学行为和师生互动行为,适用于老师观摩他人的教学过程及反思自己的教学实践。
一种教学大数据可视化分析方法,结合预处理模块和分析模块对原始课堂行为数据进行处理分析,并将分析结果通过可视化模块进行展示,克服现有技术中不能对信息化环境中教与学行为分析的问题,客观反映课堂环境下教师的教学风格,方便教师理清教学过程活动设计、更清晰认识课堂教学行为和师生互动行为,适用于老师观摩他人的教学过程及反思自己的教学实践。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明一种教学大数据可视化分析系统结构框图;
图2是本发明一种教学大数据可视化分析方法流程图;
图3是本发明一种教学大数据可视化分析方法四分位数箱形图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图1是本发明一种教学大数据可视化分析系统结构框图,如图1所示,一种教学大数据可视化分析系统,包括数据库、预处理模块、分析模块、服务模块和可视化模块。
其中,数据库,用于存储原始课堂教学主体数据与原始课堂行为数据;原始课堂教学主体数据包括教师数据、学生数据;原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
预处理模块,与数据库连接,获取数据库中原始课堂行为数据,对原始课堂行为数据进行数据预处理或标准化得到特征数据。
分析模块,与预处理模块连接,获取预处理后的特征数据,对特征数据进行频繁序列挖掘和聚类分析,得到分析结果。
服务模块,与分析模块连接,分析模块将分析处理后的分析结果发送至服务模块。
可视化模块,与服务模块连接,用于调取服务模块的分析结果进行可视化处理并展示。
一种教学大数据可视化分析方法,适用于上述一种教学大数据可视化分析系统,图2是本发明一种教学大数据可视化分析方法流程图,如图2所示,方法包括步骤:
S1,确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据;原始课堂教学主体数据包括教师数据、学生数据;原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
步骤S1具体为:确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据,如教师、学生和课堂活动数据,统计六个特征活动的总次数和总用时,计算每个特征活动的平均时间作为特征活动的属性值。
S2,预处理模块对原始课堂行为数据进行数据预处理或数据标准化得到特征数据,并将特征数据发送给分析模块;
具体的,步骤S2包括子步骤:
S21,预处理模块对教师课堂行为数据进行预处理,得到教师活动序列特征数据;步骤S21具体包括子步骤:
S211,若教师活动序列中任一操作的驻留时间小于N1,本实施例中,N1设置为0.5min,包含操作所需要的时间,则表明该操作不是教师感兴趣的操作或操作过程出错,将该操作从教师活动序列中剔除;
S212,若教师活动序列中任一操作的驻留时间大于N2,本实施例中,N2设置为30min,则表明该教师可能离开该操作或操作过程出错,将该操作从教师活动序列中剔除;
S213,若教师活动序列中的操作总数量超过M次,本实施例中,M设置为30次,若教师活动序列的操作总数量超过30次,则表明该操作序列可能是教师无目的式操作产生,不存在参考价值,将该操作从教师活动序列中剔除;
S214,在教师会话结束时添加结束操作null,用于计算最后一个操作的驻留时间。
S22,预处理模块对师生互动行为数据进行数据标准化得到特征活动属性特征数据,设minA和maxA分别为特征活动属性A的样本数据中的最小值和最大值,将特征活动属性A的一个原始值v通过Min_Max标准化映射成在区间[new_minA,new_maxA]中的值v'的计算公式为:
将特征活动属性A的原始值v实用Z_score标准化到v'的计算公式如下:
其中,是特征活动属性A样本数据的均值,σA是特征活动属性A样本数据的标准差。
S3,分析模块读取配置参数和规则列表,对得到特征数据进行频繁序列挖掘和聚类分析,得到分析结果。
具体的,步骤S3包括子步骤:
S31,分析模块读取配置参数和规则列表,对预处理后的教师活动序列特征数据利用MFSGrowth极大频繁序列挖掘算法进行频繁序列挖掘,MFSGrowth极大频繁序列挖掘算法在FP-Tree的基础上借鉴字典树TriedTree的存储特点,设计了两种的树形存储结构MFSTree(Maximal Frequent Sequence Tree)和InvTree(InverseTree),在生成完整的MFSTree后即可通过生成以某一活动Pi为根节点的InvTree,然后通过该InvTree挖掘以活动Pi为结束活动的所有频繁序列,最后剔除非极大频繁序列,保留的结果即为极大频繁序列;
更为具体的,步骤S31包括子步骤:
S311,读取配置文件config.properties中的配置项PARAM:MinSup=0.2,设定频繁度阈值参数MinSup,并初始化MFSTree为空;
S312,首次扫描教师课堂行为数据库,将支持度不小于频繁度阈值MinSup的操作元素组成的集合作为表头项;
S313,第二次扫描教师课堂行为数据库,利用经过数据预处理的教师活动序列生成MFSTree;
S314,按表头项中每个元素的顺序,逐一生成以任一个频繁教师活动Pi为频繁序列终点的InvTree,然后通过InvTree挖掘以教师活动Pi为教师活动的所有频繁序列,最后按照剔除规则剔除非极大频繁序列,保留极大频繁序列,剔除规则具体为:按照配置文件config.properties中配置项RULE:SeqMinPage剔除非极大频繁序列,本实施例设置RULE:SeqMinPage=2,即默认值为2,即序列至少要包含两个页面。
生成以教师活动Pi为根节点的InvTree的步骤如下:
S01:如果教师活动Pi的支持度小于频繁度阈值MinSup,则教师活动Pi的InvTree为空,即不存在以教师活动Pi为结束节点的频繁序列,否则执行S02;
S02,通过表头项中教师活动Pi存储的同名节点指针找到MFSTree中第一个同名节点的位置,并以该节点作为起始节点通过TreeNode的parent值依次找到其所有祖先节点并以字典树的思想逆向添加到InvTree,其中,每个节点的计数均为当前教师活动Pi节点的计数;
S03,如果当前同名节点教师活动Pi的下一同名节点不为空,则根据nextHomonym值找到下一同名节点的位置,并按Step2的规则完善InvTree;
S04,反复执行步骤S02和S03,直至当前同名节点的nextHomonym值为空;
S05,对支持度小于频繁度阈值MinSup的分支进行剪枝操作;
S06,按照按照配置文件中RULE:SeqMinPage指定的规则剔除非极大频繁序列,只保留极大频繁序列。
S32,分析模块读取配置参数和规则列表,对预处理后的师生互动行为特征数据进行离群点识别和剔除处理,对处理后的师生互动行为特征数据进行聚类分析,得到分析结果。
参照图3,图3是本发明一种教学大数据可视化分析方法四分位数箱形图,离群点识别主要基于四分位数箱形图,根据六个特征活动属性,依次建立每个维度的四分位箱形图,包含六个数据节点,建立过程如下:
将一组数据从小到大排列,分别计算出他的上边缘,上四分位数Q3,中位数,下四分位数Q1,下边缘。其中四分位距IQR=Q3-Q1,Q3+1.5IQR和Q1-1.5IQR分别表示上下边缘,区域之外的数据称为异常值或离群点。
将师生互动行为数据中的离群数据(异常值)提取出来,根据特征活动属性维护离群数据表,将相同类型的离群数据放入到一个新的聚类结果簇中。离群数据的识别和处理,可以直观地发现教室课堂交互中的特殊现象,而且剔除离群数据更有利于聚类算法得出更准确的结果簇。
经过离群点识别和剔除处理后,对剩下的教师课堂交互数据进行聚类分析,以此确定教师的教学风格以及分析出不同老师教学方法的差异,聚类分析包括子步骤:
S321,根据输入参数判断是否对原始输入师生互动行为特征数据进行标准化处理,包括Min_Max标准化和Z_score标准化,由配置文件中的配置项RULE:STANDARD指定,一次仅选择其中0个或者1个标准化方法;
S322,设定簇类个数K,随机初始化K个初始簇类中心,初始化聚类结果的轮廓系数(Silhouette Coefficient)最大值OptSC和样本数据所在的簇OptCid;K值的选取方法有多种,通过Calinski-Harabasz准则、层次聚类、canopy算法等方法确定,可以通过配置文件中的配置项PARAM:K-Method指定K值选取方法;
S323,遍历数据集,并将每个数据对象划分到距离(欧氏距离)最近的簇中心所属的簇;
S324,根据每个簇的数据对象更新K个簇类中心;
S325,反复执行S323和S324直至K和簇类中心的位置不再发生变化,并计算此时聚类结果的SC值;
S326,反复执行S322至S325多次,执行次数由配置参数PARAM:ExecuteCount指定,保存SC的最大值OptSC,并记录此时的OptCid;
S327,还原到标准化前的原始输入数据集,根据OptCid更新原始输入数据集的Cid,输出聚类结果。
当输入的参数K值为0时,设定聚类的簇类个数从2-10依次循环取值,根据OptSC计算出最优的聚类结果并记录此时最优的簇类个数。
得出聚类结果簇后,利用四分位数和差异检验,区分出不同的结果簇在某一个特征指标的水平高低,分为高于平均水平,平均水平,低于平均水平三种。特别地,归纳如下:
(1)重视+某个特征指标;
(2)无偏重+某个特征指标;
(3)不重视+某个特征指标。
最后,我们将各个特征指标进行综合分析,以此发现某个聚类结果簇有别于其它结果簇的重要特征。
S4,将分析结果发送至服务模块,利用可视化模块将分析结果可视化处理后进行展示。
具体的,将分析结果发送至服务模块,利用可视化模块将分析结果进行可视化处理后以柱状图的形式或者表格形式进行展示,具体包括子步骤:
S41,以柱状图的形式展示,横坐标显示同一个类簇中的所有老师,纵坐标代表各个活动的持续时间,方便更加直观地分析出同一类教师课堂教学方法的相似性和不同类教师课堂教学方法的差异性;
S42,以表格的形式展示,列出所有特征属性以供参考,同时提供类簇数量的选择,教师的选择以供筛选给出相应教学风格。
一种教学大数据可视化分析方法,结合预处理模块和分析模块对原始课堂行为数据进行处理分析,并将分析结果通过可视化模块进行展示,克服现有技术中不能对信息化环境中教与学行为分析的问题,客观反映课堂环境下教师的教学风格,方便教师理清教学过程活动设计、更清晰认识课堂教学行为和师生互动行为,适用于老师观摩他人的教学过程及反思自己的教学实践。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种教学大数据可视化分析系统,其特征在于,其包括数据库、预处理模块、分析模块、服务模块和可视化模块;
数据库,用于存储原始课堂教学主体数据与原始课堂行为数据;
预处理模块,与数据库连接,获取数据库中原始课堂行为数据,对原始课堂行为数据进行数据预处理或标准化得到特征数据;
分析模块,与预处理模块连接,获取预处理后的特征数据,对特征数据进行频繁序列挖掘和聚类分析,得到分析结果;
服务模块,与分析模块连接,分析模块将分析处理后的分析结果发送至服务模块;
可视化模块,与服务模块连接,用于调取服务模块的分析结果进行可视化处理并展示。
2.根据权利要求1所述的一种教学大数据可视化分析系统,其特征在于,所述原始课堂教学主体数据包括教师数据、学生数据。
3.根据权利要求2所述的一种教学大数据可视化分析系统,其特征在于,所述原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,所述教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
4.一种教学大数据可视化分析方法,适用于如权利要求1至3任一项所述的一种教学大数据可视化分析系统,其特征在于,所述方法包括步骤:
S1,确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据;
S2,预处理模块对原始课堂行为数据进行数据预处理或数据标准化得到特征数据,并将特征数据发送给分析模块;
S3,分析模块读取配置参数和规则列表,对得到特征数据进行频繁序列挖掘和聚类分析,得到分析结果;
S4,将分析结果发送至服务模块,利用可视化模块将分析结果可视化处理后进行展示。
5.根据权利要求4所述的一种教学大数据可视化分析方法,其特征在于,所述原始课堂教学主体数据包括教师数据、学生数据。
6.根据权利要求5所述的一种教学大数据可视化分析方法,其特征在于,所述原始课堂行为数据包括教师课堂行为数据和师生互动行为数据,所述教师课堂行为数据包括教师活动序列,结合课堂交互数据的特点和影响教师教学风格的评价指标,将师生互动行为定义为六个特征活动属性:课堂讲授、课堂测验、自主学习、课堂提问、总结评价和鼓励学生。
7.根据权利要求6所述的一种教学大数据可视化分析方法,其特征在于,所述步骤S1具体为:确定课堂教学主体与行为方式,从数据库中获取原始课堂教学主体数据与行为数据,统计六个特征活动的总次数和总用时,计算平均时间作为特征活动的属性值。
8.根据权利要求7所述的一种教学大数据可视化分析方法,其特征在于,所述步骤S2包括子步骤:
S21,预处理模块对教师课堂行为数据进行预处理,得到教师活动序列特征数据;
S22,预处理模块对师生互动行为数据进行数据标准化得到特征活动属性特征数据,设minA和maxA分别为特征活动属性A的样本数据中的最小值和最大值,将特征活动属性A的一个原始值v通过Min_Max标准化映射成在区间[new_minA,new_maxA]中的值v'的计算公式为:
将特征活动属性A的原始值v实用Z_score标准化到v'的计算公式如下:
其中,是特征活动属性A样本数据的均值,σA是特征活动属性A样本数据的标准差;
所述步骤S21具体包括子步骤:
S211,若教师活动序列中任一操作的驻留时间小于N1,则表明该操作不是教师感兴趣的操作或操作过程出错,将该操作从教师活动序列中剔除;
S212,若教师活动序列中任一操作的驻留时间大于N2,则表明该教师可能离开该操作或操作过程出错,将该操作从教师活动序列中剔除;
S213,若教师活动序列中的操作总数量超过M次,则表明该操作序列可能是教师无目的式操作产生,不存在参考价值,将该操作从教师活动序列中剔除;
S214,在教师会话结束时添加结束操作null,用于计算最后一个操作的驻留时间。
9.根据权利要求8所述的一种教学大数据可视化分析方法,其特征在于,所述步骤S3包括子步骤:
S31,分析模块读取配置参数和规则列表,对预处理后的教师活动序列特征数据利用MFSGrowth极大频繁序列挖掘算法进行频繁序列挖掘;
S32,分析模块读取配置参数和规则列表,对预处理后的师生互动行为特征数据进行离群点识别和剔除处理,对处理后的师生互动行为特征数据进行聚类分析,得到分析结果;
所述步骤S31包括具体子步骤:
S311,读取配置文件中的配置项,设定频繁度阈值参数MinSup,并初始化MFSTree为空;
S312,首次扫描教师课堂行为数据库,将支持度不小于频繁度阈值MinSup的操作元素组成的集合作为表头项;
S313,第二次扫描教师课堂行为数据库,利用经过数据预处理的教师活动序列生成MFSTree;
S314,按表头项中每个元素的顺序,逐一生成以任一个频繁教师活动Pi为频繁序列终点的InvTree,然后通过InvTree挖掘以教师活动Pi为教师活动的所有频繁序列,最后按照剔除规则剔除非极大频繁序列,保留极大频繁序列。
10.根据权利要求9所述的一种教学大数据可视化分析方法,其特征在于,所述步骤S4具体为:将分析结果发送至服务模块,利用可视化模块将分析结果进行可视化处理后以柱状图的形式或者表格形式进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352056.1A CN108874861B (zh) | 2018-04-19 | 2018-04-19 | 一种教学大数据可视化分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810352056.1A CN108874861B (zh) | 2018-04-19 | 2018-04-19 | 一种教学大数据可视化分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108874861A true CN108874861A (zh) | 2018-11-23 |
CN108874861B CN108874861B (zh) | 2021-05-04 |
Family
ID=64327001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810352056.1A Active CN108874861B (zh) | 2018-04-19 | 2018-04-19 | 一种教学大数据可视化分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108874861B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598041A (zh) * | 2019-09-06 | 2019-12-20 | 广州努比互联网科技有限公司 | 一种FlACS实时分析方法与装置 |
CN110659804A (zh) * | 2019-08-26 | 2020-01-07 | 北京师范大学 | S-t动态分析方法与系统及其应用 |
CN111260969A (zh) * | 2020-03-06 | 2020-06-09 | 华南农业大学 | 数据挖掘课程教学实践系统和基于系统的教学实践方法 |
CN111352991A (zh) * | 2020-02-27 | 2020-06-30 | 华南师范大学 | 一种数字阅读行为数据可视化分析方法及系统 |
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 |
CN117390522A (zh) * | 2023-12-12 | 2024-01-12 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268188A (zh) * | 2014-09-17 | 2015-01-07 | 广州迅云教育科技有限公司 | 一种信息化环境下课堂教与学行为分析的方法及系统 |
CN106447561A (zh) * | 2016-10-08 | 2017-02-22 | 华中师范大学 | 一种基于教育大数据的动态可视化方法与系统 |
CN106897941A (zh) * | 2017-01-03 | 2017-06-27 | 北京国能日新系统控制技术有限公司 | 一种基于四分位箱线图的风机异常数据处理方法及装置 |
WO2017208083A2 (en) * | 2016-05-31 | 2017-12-07 | Cejnar Michael | Free learning analytics methods and systems |
-
2018
- 2018-04-19 CN CN201810352056.1A patent/CN108874861B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268188A (zh) * | 2014-09-17 | 2015-01-07 | 广州迅云教育科技有限公司 | 一种信息化环境下课堂教与学行为分析的方法及系统 |
WO2017208083A2 (en) * | 2016-05-31 | 2017-12-07 | Cejnar Michael | Free learning analytics methods and systems |
CN106447561A (zh) * | 2016-10-08 | 2017-02-22 | 华中师范大学 | 一种基于教育大数据的动态可视化方法与系统 |
CN106897941A (zh) * | 2017-01-03 | 2017-06-27 | 北京国能日新系统控制技术有限公司 | 一种基于四分位箱线图的风机异常数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
WANG JIE等: "Application of educational data mining on analysis of students" online learning behavior", 《2017 2ND INTERNATIONAL CONFERENCE ON IMAGE, VISION AND COMPUTING (ICIVC)》 * |
曾茂希: "移动应用崩溃监控和用户行为分析的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄沁: "基于学习分析的数字化课堂互动优化研究", 《中国优秀硕士学位论文全文数据库社会科学Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110659804A (zh) * | 2019-08-26 | 2020-01-07 | 北京师范大学 | S-t动态分析方法与系统及其应用 |
CN110659804B (zh) * | 2019-08-26 | 2022-05-13 | 北京师范大学 | S-t动态分析方法与系统及其应用 |
CN110598041A (zh) * | 2019-09-06 | 2019-12-20 | 广州努比互联网科技有限公司 | 一种FlACS实时分析方法与装置 |
CN111352991A (zh) * | 2020-02-27 | 2020-06-30 | 华南师范大学 | 一种数字阅读行为数据可视化分析方法及系统 |
CN111260969A (zh) * | 2020-03-06 | 2020-06-09 | 华南农业大学 | 数据挖掘课程教学实践系统和基于系统的教学实践方法 |
CN117390522A (zh) * | 2023-12-12 | 2024-01-12 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
CN117390522B (zh) * | 2023-12-12 | 2024-03-29 | 华南师范大学 | 基于过程与结果融合的在线深度学习等级预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108874861B (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108874861A (zh) | 一种教学大数据可视化分析系统及方法 | |
CN110992227B (zh) | 一种校企结合职业技能人才培养系统和方法 | |
Yadav et al. | Data mining applications: A comparative study for predicting student's performance | |
Kabra et al. | Performance prediction of engineering students using decision trees | |
Pal et al. | Classification model of prediction for placement of students | |
Sundar | A comparative study for predicting students academic performance using Bayesian network classifiers | |
Yadav et al. | Data mining application in enrollment management: A case study | |
CN115239527B (zh) | 基于知识库的教学特征融合与建模的教学行为分析系统 | |
CN107680018A (zh) | 一种基于大数据及人工智能的高考志愿填报系统及方法 | |
CN111461937A (zh) | 一种自闭症干预教学课程自动跟踪方法及系统 | |
He et al. | Application of data mining in predicting college graduates employment | |
Uvalieva et al. | Development of information system for monitoring of objects of education on the basis of intelligent technology: a case study of Kazakhstan | |
Hu | Analysis and research on the integrated English teaching effectiveness of internet of things based on stochastic forest algorithm | |
Aurisano et al. | Visual Analytics for Ontology Matching Using Multi-linked Views. | |
CN106055875A (zh) | 一种基于大数据的皮纹分析处理装置 | |
Salal et al. | Using of Data Mining techniques to predictof student’s performance in industrial institute of Al-Diwaniyah, Iraq | |
Inyang et al. | Visual association analytics approach to predictive modelling of students’ academic performance | |
Bataev et al. | Artificial intelligence technologies in higher education institutions: a model of adaptive education | |
CN113435783A (zh) | 一种安全生产教育及安全知识评估方法 | |
Chen et al. | Learning disability early warning system based on classification algorithm | |
Bagány et al. | Soft-computing methods applied in parameter analysis of educational models | |
Jamil et al. | Student profiling on university co-curriculum activities using data visualization tools | |
Jianyun | Big data assisted online teaching platform for ideological and political theory course in universities | |
Wang | Combined application of ideological and political education and big data Internet technology in the context of education reform | |
Liu | Research on the construction of school education management decision system based on Data Mining Framework |
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 |