CN109146174A - 一种基于成绩预测的选修课精准推荐方法 - Google Patents
一种基于成绩预测的选修课精准推荐方法 Download PDFInfo
- Publication number
- CN109146174A CN109146174A CN201810952570.9A CN201810952570A CN109146174A CN 109146174 A CN109146174 A CN 109146174A CN 201810952570 A CN201810952570 A CN 201810952570A CN 109146174 A CN109146174 A CN 109146174A
- Authority
- CN
- China
- Prior art keywords
- course
- student
- achievement
- prediction
- portrait
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 3
- 210000001747 pupil Anatomy 0.000 claims description 3
- 239000013604 expression vector Substances 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于成绩预测的选修课精准推荐方法，包括以下步骤：S1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；S2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量。本发明分别研究建立了基于教学大纲深度分析的学生‑课程成绩精准预测模型以及基于学生相似度协同分析的学生‑课程成绩精准预测模型；首次研究开发基于学生课程成绩分析的精准教育系统，实现复杂结构的课程教学大纲提炼课程画像技术，通过融合一个学生的多门已修课程的课程画像并结合课程成绩，提炼得到该学生的课程画像；基于有效的成绩预测，得到精准的选修课课程推荐技术。
Description
技术领域
本发明涉及课程教育技术领域，具体为一种基于成绩预测的选修课精准推荐方法。
背景技术
随着社会的进步，人类所产生的知识量也大幅度膨胀，为了适应社会对人才的需求，高等院校纷纷设立各种专业/方向，比如人工智能专业、网络空间安全、数据科学专业等。即使在一个已有专业，伴随着学科在专业领域内的发展，也会不断增设新的课程，比如在计算机应用专业，最近新开设的课程包括区块链技术应用、深度学习及其应用、云计算应用开发等。面对极其丰富的待选课程，如何有针对性的为学生推荐感兴趣的课程是精准教育的一个亟待解决的难题。据不完全统计，每年因为课程兴趣引发各种课程后遗症，比如选修课退课、挂科、甚至由课程压力导致各种心理问题等，占了课程选课人数的高达10％的比例。
现有基于学生课程成绩分析的选修课精准推荐系统研究成果呈现以下特点：1)学科视角单一，缺乏跨学科研究；2)数据收集、整合和分析能力不足，未能将学生选课数据与动态学业成绩有效结合，导致数据割裂、解读片面；3)研究局限于理论层面，研究成果难以转化为实际应用。整体而言，存在系统性不足的问题，未能进行动态化、立体化、全局化的综合探讨，研究偏于平面和孤立，无法精准分析学生潜在问题出现的背后的深层原因。
为了解决上述问题，本发明建立了一个基于成绩预测的选修课精准推荐技术。
发明内容
本发明的目的在于提供一种基于成绩预测的选修课精准推荐方法，以深度学习、多视图分析、协同过滤等人工智能与大数据分析技术为基础，研究建立了基于学生课程成绩分析的选修课精准推送技术。该技术的产业化将有效地推动精准教育理论及其应用的推广，不仅仅有助于降低学校教育资源的浪费、减轻教职员工的教辅负担、提高学生的学业水平，同时也有助于教育产业信息化发展，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于成绩预测的选修课精准推荐方法，包括以下步骤：
S1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；
S2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量；
S3：根据学生所有已修课程的课程画像向量，以课程成绩为权重，通过多视图分析技术，生成一个描述学生课程偏好的学生画像向量；
S4：通过计算学生画像向量和课程画像向量的余弦相似性，并将相似性映射到成绩区间，作为学生在该课程的课程成绩预测结果；
S5：根据学生成绩分布，建立学生成绩分布相似度模型，并基于学生成绩分布相似度模型，用高年级已修该课程的学生成绩情况，预测低年级学生在该课程的成绩；
S6：在得到学生课程成绩精准预测结果之后，在每学期选课系统开放之际，计算每一个学生在每一门选修课的预测成绩，当一门选修课为新开设课程，则通过基于教学大纲深度分析的学生课程成绩精准预测方法预测该学生在这门新开设课程的预测成绩；当一门选修课为曾开设课程，则通过基于学生相似度协同分析的学生课程成绩精准预测方法预测该学生在这门曾开设课程的预测成绩；
S7：按照学生每一门待选修课程的预测成绩，结合必修课排课情况，推荐具有最高预测成绩的若干门选修课供学生选择。
优选的，所述课程教学大纲的结构化描述包括课程性质、先修课程、课程目的、教学方法、基本要求、课程教材、基本内容、考核方式、教学环节和参考书目。
优选的，所述步骤S4中包括基于深度学习的课程画像提取、基于多视图分析的学生画像提取和课程成绩预测结果。
优选的，所述步骤S5中预测低年级学生在该课程的成绩的方式为基于偏置的协同过滤的方式。
优选的，所述基于偏置的协同过滤的方式的公式为：其中：Ns，c表示已修了课程c并且与学生s非常相似的高年级学生集合，Sim表示两个学生的相似性，rsc表示学生s在课程c的课程成绩，bsc表示学生s在课程c的课程成绩偏置。
优选的，所述基于偏置的协同过滤的方式包括成绩分布相似性和课程成绩。
与现有技术相比，本发明的有益效果是：
1、本发明以人工智能与大数据分析为基础，分别研究建立了基于教学大纲深度分析的学生-课程成绩精准预测模型以及基于学生相似度协同分析的学生-课程成绩精准预测模型；
2、开发基于学生课程成绩分析的精准教育系统，实现复杂结构的课程教学大纲提炼课程画像技术，通过融合一个学生的多门已修课程的课程画像并结合课程成绩，提炼得到该学生的课程画像；
3、基于有效的成绩预测，得到精准的选修课课程推荐技术。
附图说明
图1为本发明基于深度学习的课程画像提取流程图；
图2为本发明基于多视图分析的学生画像提取流程图；
图3为本发明基于教学大纲深度分析的学生-课程成绩精准预测流程图；
图4为本发明基于学生相似度协同分析的学生-课程成绩精准预测技术方案流程图；
图5为本发明学生选修课程精准推荐流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1-5，一种基于成绩预测的选修课精准推荐方法，包括以下步骤：
S1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；
S2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量；
S3：根据学生所有已修课程的课程画像向量，以课程成绩为权重，通过多视图分析技术，生成一个描述学生课程偏好的学生画像向量；
S4：通过计算学生画像向量和课程画像向量的余弦相似性，并将相似性映射到成绩区间，作为学生在该课程的课程成绩预测结果；
S5：根据学生成绩分布，建立学生成绩分布相似度模型，并基于学生成绩分布相似度模型，用高年级已修该课程的学生成绩情况，预测低年级学生在该课程的成绩；
S6：在得到学生课程成绩精准预测结果之后，在每学期选课系统开放之际，计算每一个学生在每一门选修课的预测成绩，当一门选修课为新开设课程，则通过基于教学大纲深度分析的学生课程成绩精准预测方法预测该学生在这门新开设课程的预测成绩；当一门选修课为曾开设课程，则通过基于学生相似度协同分析的学生课程成绩精准预测方法预测该学生在这门曾开设课程的预测成绩；
S7：按照学生每一门待选修课程的预测成绩，结合必修课排课情况，推荐具有最高预测成绩的若干门选修课供学生选择。
具体的，所述课程教学大纲的结构化描述包括课程性质、先修课程、课程目的、教学方法、基本要求、课程教材、基本内容、考核方式、教学环节和参考书目。
具体的，所述步骤S4中包括基于深度学习的课程画像提取、基于多视图分析的学生画像提取和课程成绩预测结果。
具体的，所述步骤S5中预测低年级学生在该课程的成绩的方式为基于偏置的协同过滤的方式。
具体的，所述基于偏置的协同过滤的方式的公式为：其中：Ns，c表示已修了课程c并且与学生s非常相似的高年级学生集合，Sim表示两个学生的相似性，rsc表示学生s在课程c的课程成绩，bsc表示学生s在课程c的课程成绩偏置。
具体的，所述基于偏置的协同过滤的方式包括成绩分布相似性和课程成绩。
综上所述：本发明采用基于深度学习的课程画像提取，基于多视图分析的学生画像提取，基于教学大纲深度分析的学生-课程成绩精准预测，基于学生相似度协同分析的学生课程成绩精准预测的方式，学生选修课程精准推荐的核心是学生-课程成绩精准预测。也就是，通过学生课程成绩精准预测，为学生精准推荐学生感兴趣并能取得相对较好成绩的选修课程。从而，本发明的技术方案是研究建立了基于深度学习、多视图分析、协同过滤的学生-课程成绩精准预测算法，并应用于学生选修课程精准推荐。
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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于成绩预测的选修课精准推荐方法，其特征在于：包括以下步骤：
S1：根据命名实体识别及结构化文本特征提取的深度学习建立神经网络框架；
S2：从每一门课程教学大纲的结构化描述中提炼出有效刻画该门课程画像特点的表达向量，即课程画像向量；
S3：根据学生所有已修课程的课程画像向量，以课程成绩为权重，通过多视图分析技术，生成一个描述学生课程偏好的学生画像向量；
S4：通过计算学生画像向量和课程画像向量的余弦相似性，并将相似性映射到成绩区间，作为学生在该课程的课程成绩预测结果；
S5：根据学生成绩分布，建立学生成绩分布相似度模型，并基于学生成绩分布相似度模型，用高年级已修该课程的学生成绩情况，预测低年级学生在该课程的成绩；
S6：在得到学生课程成绩精准预测结果之后，在每学期选课系统开放之际，计算每一个学生在每一门选修课的预测成绩，当一门选修课为新开设课程，则通过基于教学大纲深度分析的学生课程成绩精准预测方法预测该学生在这门新开设课程的预测成绩；当一门选修课为曾开设课程，则通过基于学生相似度协同分析的学生课程成绩精准预测方法预测该学生在这门曾开设课程的预测成绩；
S7：按照学生每一门待选修课程的预测成绩，结合必修课排课情况，推荐具有最高预测成绩的若干门选修课供学生选择。
2.根据权利要求1所述的一种基于成绩预测的选修课精准推荐方法，其特征在于：所述课程教学大纲的结构化描述包括课程性质、先修课程、课程目的、教学方法、基本要求、课程教材、基本内容、考核方式、教学环节和参考书目。
3.根据权利要求1所述的一种基于成绩预测的选修课精准推荐方法，其特征在于：所述步骤S4中包括基于深度学习的课程画像提取、基于多视图分析的学生画像提取和课程成绩预测结果。
4.根据权利要求1所述的一种基于成绩预测的选修课精准推荐方法，其特征在于：所述步骤S5中预测低年级学生在该课程的成绩的方式为基于偏置的协同过滤的方式。
5.根据权利要求4所述的一种基于成绩预测的选修课精准推荐方法，其特征在于：所述基于偏置的协同过滤的方式的公式为：其中：Ns，c表示已修了课程c并且与学生s非常相似的高年级学生集合，Sim表示两个学生的相似性，rsc表示学生s在课程c的课程成绩，bsc表示学生s在课程c的课程成绩偏置。
6.根据权利要求4所述的一种基于成绩预测的选修课精准推荐方法，其特征在于：所述基于偏置的协同过滤的方式包括成绩分布相似性和课程成绩。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952570.9A CN109146174A (zh) | 2018-08-21 | 2018-08-21 | 一种基于成绩预测的选修课精准推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810952570.9A CN109146174A (zh) | 2018-08-21 | 2018-08-21 | 一种基于成绩预测的选修课精准推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146174A true CN109146174A (zh) | 2019-01-04 |
Family
ID=64790338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810952570.9A Pending CN109146174A (zh) | 2018-08-21 | 2018-08-21 | 一种基于成绩预测的选修课精准推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146174A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189236A (zh) * | 2019-04-30 | 2019-08-30 | 南京航空航天大学 | 基于大数据的学习预警方法 |
| CN111126823A (zh) * | 2019-12-19 | 2020-05-08 | 中国联合网络通信集团有限公司 | 信息处理方法、设备和存储介质 |
| CN111191833A (zh) * | 2019-12-25 | 2020-05-22 | 湖北美和易思教育科技有限公司 | 一种基于神经网络的智能实验过程推荐方法及系统 |
| CN111353098A (zh) * | 2020-02-21 | 2020-06-30 | 北京市天元网络技术股份有限公司 | 基于物联网的课程推送方法及装置 |
| CN111581529A (zh) * | 2020-05-07 | 2020-08-25 | 之江实验室 | 一种结合学生适合度和课程搭配度的课程推荐方法及装置 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
| CN113377925A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于特征工程的在线课程画像的构建方法 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN117390401A (zh) * | 2023-12-05 | 2024-01-12 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
| CN118429159A (zh) * | 2024-07-05 | 2024-08-02 | 江西师范大学 | 一种教育数据框架驱动的教育决策支持方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332286A1 (en) * | 2009-06-24 | 2010-12-30 | At&T Intellectual Property I, L.P., | Predicting communication outcome based on a regression model |
| CA2835324A1 (en) * | 2011-04-07 | 2012-10-11 | Tristan DENLEY | Course recommendation system and method |
| CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
| CN104182528A (zh) * | 2014-08-27 | 2014-12-03 | 广西教育学院 | 基于偏序模式的教育信息化课程关联模式发现方法及系统 |
| CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
| CN107481170A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市华第时代科技有限公司 | 一种课程推荐方法、装置、选课服务器及存储介质 |
-
2018
- 2018-08-21 CN CN201810952570.9A patent/CN109146174A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332286A1 (en) * | 2009-06-24 | 2010-12-30 | At&T Intellectual Property I, L.P., | Predicting communication outcome based on a regression model |
| CA2835324A1 (en) * | 2011-04-07 | 2012-10-11 | Tristan DENLEY | Course recommendation system and method |
| CN104008515A (zh) * | 2014-06-04 | 2014-08-27 | 江苏金智教育信息技术有限公司 | 一种智能选课推荐的方法 |
| CN104182528A (zh) * | 2014-08-27 | 2014-12-03 | 广西教育学院 | 基于偏序模式的教育信息化课程关联模式发现方法及系统 |
| CN106528656A (zh) * | 2016-10-20 | 2017-03-22 | 杨瀛 | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 |
| CN107481170A (zh) * | 2017-08-18 | 2017-12-15 | 深圳市华第时代科技有限公司 | 一种课程推荐方法、装置、选课服务器及存储介质 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110189236A (zh) * | 2019-04-30 | 2019-08-30 | 南京航空航天大学 | 基于大数据的学习预警方法 |
| CN111126823A (zh) * | 2019-12-19 | 2020-05-08 | 中国联合网络通信集团有限公司 | 信息处理方法、设备和存储介质 |
| CN111191833B (zh) * | 2019-12-25 | 2023-04-18 | 武汉美和易思数字科技有限公司 | 一种基于神经网络的智能实验过程推荐方法及系统 |
| CN111191833A (zh) * | 2019-12-25 | 2020-05-22 | 湖北美和易思教育科技有限公司 | 一种基于神经网络的智能实验过程推荐方法及系统 |
| CN111353098A (zh) * | 2020-02-21 | 2020-06-30 | 北京市天元网络技术股份有限公司 | 基于物联网的课程推送方法及装置 |
| CN111581529A (zh) * | 2020-05-07 | 2020-08-25 | 之江实验室 | 一种结合学生适合度和课程搭配度的课程推荐方法及装置 |
| CN111581529B (zh) * | 2020-05-07 | 2023-07-14 | 之江实验室 | 一种结合学生适合度和课程搭配度的课程推荐方法及装置 |
| CN112214688A (zh) * | 2020-10-12 | 2021-01-12 | 中国石油大学(北京) | 选修课的推荐方法、装置和服务器 |
| CN113377925A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于特征工程的在线课程画像的构建方法 |
| CN113377925B (zh) * | 2021-06-28 | 2022-10-28 | 哈尔滨工业大学 | 一种基于特征工程的在线课程画像的构建方法 |
| CN116342335A (zh) * | 2023-02-03 | 2023-06-27 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN116342335B (zh) * | 2023-02-03 | 2023-11-14 | 武汉博奥鹏程教育科技有限公司 | 一种课程的推荐方法和装置 |
| CN117390401A (zh) * | 2023-12-05 | 2024-01-12 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
| CN117390401B (zh) * | 2023-12-05 | 2024-02-13 | 云南与同加科技有限公司 | 一种基于云平台的校园体育数字化管理系统和方法 |
| CN118429159A (zh) * | 2024-07-05 | 2024-08-02 | 江西师范大学 | 一种教育数据框架驱动的教育决策支持方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146174A (zh) | 一种基于成绩预测的选修课精准推荐方法 | |
| Sklenicka et al. | The Farmland Rental Paradox: Extreme land ownership fragmentation as a new form of land degradation | |
| Gattiglia | Think big about data: Archaeology and the Big Data challenge | |
| Puentedura | SAMR and TPCK: Intro to advanced practice | |
| CN107168945A (zh) | 一种融合多特征的双向循环神经网络细粒度意见挖掘方法 | |
| CN106528656A (zh) | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统 | |
| Hmedna et al. | A machine learning approach to identify and track learning styles in MOOCs | |
| CN108460139A (zh) | 基于网络爬虫数据挖掘在线课程教学质量评估管理系统 | |
| CN102279844A (zh) | 汉语作文自动测试方法及系统 | |
| CN104112366B (zh) | 基于隐语义模型的交通信号优化方法 | |
| CN105512978A (zh) | 智慧模型互动学习考试系统建立方法 | |
| Kukasvadiya et al. | Analysis of data using data mining tool orange | |
| Kalhoro et al. | Detection of E-learners’ learning styles: an automatic approach using decision tree | |
| Van der Land | Migration and environmental change in the West African Sahel: why capabilities and aspirations matter | |
| Xie et al. | Virtual reality primary school mathematics teaching system based on GIS data fusion | |
| Oktapiani et al. | The Effectiveness Of English-Subtitled Videos In Enhancing Speaking, Listening And Vocabulary Skills: A Meta-Analysis | |
| Limongelli et al. | Towards the recommendation of resources in coursera | |
| Larrán et al. | Implementing sustainability and social responsibility initiatives in the higher education system: Evidence from Spain | |
| CN102915469A (zh) | 旨在实现学习质量体检的数据深度挖掘分析系统及方法 | |
| CN113377925A (zh) | 一种基于特征工程的在线课程画像的构建方法 | |
| Raicu et al. | Modern education facilities for CAD/CAM/CAE training of the future maritime engineers | |
| Garnett et al. | Visual acceptance of library-generated citygml lod3 building models | |
| kiasari | To review the barriers of ict application in payam noor university of mazandaran from professors and student point of view | |
| Tan et al. | Design Framework for Learning to Support Industry 4.0 | |
| Fedotova et al. | Development of the export potential of Russian education in the modern strategic discourse |
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 |
Application publication date: 20190104 |
|
| RJ01 | Rejection of invention patent application after publication |