CN109389539A - 一种可以自动生成培养方案的方法、装置及相关设备 - Google Patents
一种可以自动生成培养方案的方法、装置及相关设备 Download PDFInfo
- Publication number
- CN109389539A CN109389539A CN201811177152.3A CN201811177152A CN109389539A CN 109389539 A CN109389539 A CN 109389539A CN 201811177152 A CN201811177152 A CN 201811177152A CN 109389539 A CN109389539 A CN 109389539A
- Authority
- CN
- China
- Prior art keywords
- data
- education
- user
- study
- conclusion
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000000463 material Substances 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 230000008901 benefit Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000611 regression analysis Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 8
- 238000007477 logistic regression Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012163 sequencing technique 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种可以自动生成培养方案的方法、装置及相关设备，所述方法包括如下步骤：获取用户的各项数据，数据包括个人信息、用户播放的音视频、浏览的文字资料、及用户填写的问答；通过数据的相关性分析算法计算各项数据之间的相关性；根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；根据各项数据在德智体美劳五个方面中的占比绘制比率图；作出结论；将结论上传给数据库以从数据库中获取对应的培养计划。本发明应用在教育领域，可根据相关数据做出对应的教育内容推送，制定专属的培养计划，定时为用户推送对应的教育内容做到因材施教，达到儿童教育培养的目的。
Description
技术领域
本发明涉及数据分析技术领域，尤其涉及一种可以自动生成培养方案的方法、装置及相关设备。
背景技术
随着人们生活水平的不断提高，人们对儿童能力培养的重视也越来越高，儿童教育相关产品越来越多，但是大部分学校教育以外的儿童教育产品尤其是在线教育产品普遍是单一片面的教育产品，也无法及时获取被教育对象的有效反馈，更无法真正做到因材施教。
发明内容
本发明针对现有方式的缺点，提出一种可以自动生成培养方案的方法、装置及相关设备，用以解决现有技术存在的上述问题。
根据本发明的第一个方面，提供了一种可以自动生成培养方案的方法，包括如下步骤：
获取用户的各项数据，所述数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，所述个人信息包括年龄、性别、年级、地址，所述教育内容包括与德智体美劳五个方面有关的知识；
通过数据的相关性分析算法计算各项数据之间的相关性；
根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；
根据各项数据在德智体美劳五个方面中的占比绘制比率图；
作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
将所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
进一步的，所述获取用户的各项数据之前，还包括：
获取用户创建用户账户的申请；
响应用户创建用户账户的申请，创建用户账户。
进一步的，所述通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
进一步的，所述培养计划是指：
数据库根据所述结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据所述知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
进一步的，所述作出结论之后，还包括：
将所述结论推送至关联的终端和/或服务器。
另一方面，本发明提供了一种可以自动生成培养方案的装置，包括：
获取模块，用于获取用户的各项数据，所述数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，所述个人信息包括年龄、性别、年级、地址，所述教育内容包括与德智体美劳五个方面有关的知识；
处理模块，用于如下方面：
通过数据的相关性分析算法计算各项数据之间的相关性；
根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；
根据各项数据在德智体美劳五个方面中的占比绘制比率图；
作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
发送获取模块，用于将所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
进一步的，所述培养计划是指：
数据库根据所述结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据所述知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
第三方面，本发明提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的方法。
第四方面，本发明提供了一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如上任一项所述的方法。
第五方面，本发明提供了一种可以自动生成培养方案的系统，包括：
资源库，用于存储与教育内容相关的音视频和文字资料，所述教育内容包括与德智体美劳五个方面有关的知识；
数据搜集单元，用于搜集个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料，所述个人信息包括年龄、性别、年级、地址；
测评单元，用于提供与教育内容相关的问答以获取用户的测试信息；
能力评定单元，用于通过数据的相关性分析算法计算所述个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及测试信息之间的相关性；根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；根据各项数据在德智体美劳五个方面中的占比绘制比率图；作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
培养计划单元，用于将所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
与现有技术相比，本发明的有益效果是：
本发明应用在教育领域，可根据用户的各项数据的具体情况，做出对应的教育内容推送，制定专属的培养计划，定时为用户推送对应的教育内容，从而实现因材施教的目的。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例一中的一种可以自动生成培养方案的方法的流程图；
图2为本发明实施例二中的一种可以自动生成培养方案的装置的结构框图；
图3为本发明实施例三中的一种计算机设备的结构框图；
图4为本发明实施例五中的一种可以自动生成培养方案的系统的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，所描述的实施例仅仅是本发明一部分例，实施而不是全部的实施例。基于本发明中的实施例，本领域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。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
实施例一
如图1所示，提供了本发明一个实施例的一种可以自动生成培养方案的方法，包括如下步骤：
S101获取用户的各项数据，数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，个人信息包括年龄、性别、年级、地址，教育内容包括与德智体美劳五个方面有关的知识；
个人信息的摄入主要是考虑因地制宜，不同的区域有不同的特色，例如，北京的京剧、四川的川剧、苏杭之地的特色刺绣等等；
德智体美劳五个方面有关的知识具体是指音乐、会话、国学、绘画、读写、会话、故事叙说、性格、习惯、安全教育、科普材料、英语(其他语种)、各学科教材等等；
还可获取用户着重发展与德智体美劳五个方面中有关的特长以便在后续步骤中着重推出培养计划。
获取用户的各项数据之前，还包括：
1、获取用户创建用户账户的申请；
2、响应用户创建用户账户的申请，创建用户账户；
3、获取用户的许可以进行上述数据的的收集和分析。
S102通过数据的相关性分析算法计算各项数据之间的相关性；根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；根据各项数据在德智体美劳五个方面中的占比绘制比率图；作出结论，结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
分类规则是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。
方法：决策树——是最流行的分类方法
特点：
a、它的每次划分都是基于最显著的特征的；
b、所分析的数据样本被称作树根，算法从所有特征中选出一个最重要的，用这个特征把样本分割成若干子集；
c、重复这个过程，直到所有的分支下面的实例都是“纯”的，即子集中各个实例都属于同一个类别，这样的分支即可确定为一个叶子节点。在所有子集变成“纯”的之后，树就停止生长了。
决策树的剪枝：
a、如果决策树建的过深，容易导致过度拟合问题(即所有的分类结果数量基本一样，没有代表性)；
b、剪枝通常采用自上而下的方式。每次找出训练数据中对预测精度贡献最小的那个分支，剪掉它；
c、简言之，先让决策树疯狂生长，然后再慢慢往回收缩。整体上往回收缩多少，要根据在测试集上的表现来反复尝试。
回归分析规则
回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。
方法：逻辑回归——是一种常用的分类方法，非常成熟，应用非常广泛。
特点：
a、回归不只可以用于分类，也能用于发现变量间的因果关系；
b、最主要的回归模型有多元线性回归和逻辑回归；
c、有些时候逻辑回归不被当作典型的数据挖掘算法。
逻辑回归的步骤：
a、先训练，目的是找到分类效果最佳的回归系数；
b、然后使用训练得到的一组回归系数，对输入的数据进行计算，判定它们所属的类别。
聚类规则类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。
关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组；第二极端为从这些高频项目组产生关联规则。将测评结果和培养计划推送至关联的终端和/或服务器。
作出结论之后，还包括：
将结论推送至关联的终端和/或服务器。
可通过有线网络或无线网络将测评结果和培养计划推送至关联的终端和/或服务器，其中无线网络可为蓝牙或wifi。
S103将结论上传给数据库以从数据库中获取对应的培养计划，培养计划包括学习方式、学习的学科、学习的教材及学习的章节；
培养计划是指数据库根据结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
实施例二
如图2所示，提供了本发明另一个实施例的本发明提供了一种可以自动生成培养方案的装置，包括：
获取模块A201，用于获取用户的各项数据，数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，个人信息包括年龄、性别、年级、地址，教育内容包括与德智体美劳五个方面有关的知识；
个人信息的摄入主要是考虑因地制宜，不同的区域有不同的特色，例如，北京的京剧、四川的川剧、苏杭之地的特色刺绣等等；
德智体美劳五个方面有关的知识具体是指音乐、会话、国学、绘画、读写、会话、故事叙说、性格、习惯、安全教育、科普材料、英语(其他语种)、各学科教材等等
还可获取用户着重发展与德智体美劳五个方面中有关的特长以便在后续步骤中着重推出培养计划。
获取用户的各项数据之前，还包括：
1、获取用户创建用户账户的申请；
2、响应用户创建用户账户的申请，创建用户账户；
3、获取用户的许可以进行上述数据的的收集和分析。
处理模块A202，用于如下方面：
通过数据的相关性分析算法计算各项数据之间的相关性；
根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；
根据各项数据在德智体美劳五个方面中的占比绘制比率图；
作出结论，该结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
进一步的，通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
通过数据的相关性分析算法计算各项数据之间的相关性及分布情况，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性及分布情况。
分类规则是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。
方法：决策树——是最流行的分类方法
特点：
a、它的每次划分都是基于最显著的特征的；
b、所分析的数据样本被称作树根，算法从所有特征中选出一个最重要的，用这个特征把样本分割成若干子集；
c、重复这个过程，直到所有的分支下面的实例都是“纯”的，即子集中各个实例都属于同一个类别，这样的分支即可确定为一个叶子节点。在所有子集变成“纯”的之后，树就停止生长了。
决策树的剪枝：
a、如果决策树建的过深，容易导致过度拟合问题(即所有的分类结果数量基本一样，没有代表性)；
b、剪枝通常采用自上而下的方式。每次找出训练数据中对预测精度贡献最小的那个分支，剪掉它；
c、简言之，先让决策树疯狂生长，然后再慢慢往回收缩。整体上往回收缩多少，要根据在测试集上的表现来反复尝试。
回归分析规则
回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。
方法：逻辑回归——是一种常用的分类方法，非常成熟，应用非常广泛。
特点：
a、回归不只可以用于分类，也能用于发现变量间的因果关系；
b、最主要的回归模型有多元线性回归和逻辑回归；
c、有些时候逻辑回归不被当作典型的数据挖掘算法。
逻辑回归的步骤：
a、先训练，目的是找到分类效果最佳的回归系数；
b、然后使用训练得到的一组回归系数，对输入的数据进行计算，判定它们所属的类别。
聚类规则类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。
关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组；第二极端为从这些高频项目组产生关联规则。将测评结果和培养计划推送至关联的终端和/或服务器。
A203发送获取模块，用于将结论上传给数据库以从数据库中获取对应的培养计划，培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
培养计划是指数据库根据结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节本实施例还包括通信模块，用于将结论推送至关联的终端和/或服务器。
可通过有线网络或无线网络将测评结果和培养计划推送至关联的终端和/或服务器，其中无线网络可为蓝牙或wifi。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的模块、相关工作单元和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例三
提供了本发明另一个实施例的一种计算机设备，计算机设备包括存储器及处理器，存储器上存储有计算机程序，处理器执行计算机程序时实现如实施例一的方法。
如图3所示，实施例二中的一种新用户注册并绑定服务设备的装置设置在计算机设备上，计算机设备预先已连接上服务器，服务器预先已连接上服务设备。
该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图3，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种新用户注册并绑定服务设备的方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种新用户注册并绑定服务设备的方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
在一实施例中，处理器502在实现步骤S102；
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
实施例四
提供了本发明另一个实施例的一种存储介质，其特征在于，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时可实现如实施例一的方法。所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
实施例五
如图4所示，提供了本发明另一个实施例的一种可以自动生成培养方案的系统，包括：
资源库A401，用于存储与教育内容相关的音视频和文字资料，教育内容包括与德智体美劳五个方面有关的知识；
数据搜集单元A402，用于搜集个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料，个人信息包括年龄、性别、年级、地址；
测评库A403，用于提供与教育内容相关的问答以获取用户的测试信息；
能力库A404，用于用于通过数据的相关性分析算法计算个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及测试信息之间的相关性；根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；根据各项数据在德智体美劳五个方面中的占比绘制比率图；作出结论，结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
培养计划库A405，用于将结论上传给数据库以从数据库中获取对应的培养计划，培养计划包括学习方式、学习的学科、学习的教材及学习的章节；
培养计划是指数据库根据结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
本实施例还可包括通讯单元，用于将测评结果和培养计划推送至关联的终端和/或服务器。
通讯单元可通过有线网络或无线网络将测评结果和培养计划推送至关联的终端和/或服务器，其中无线网络可为蓝牙或wifi。
在本申请所提供的实施例中，应该理解到，所揭露的方法、系统、装置、模块和/或单元，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元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，或者该技术方案的全部或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，终端，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。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种可以自动生成培养方案的方法，其特征在于，包括如下步骤：
获取用户的各项数据，所述数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，所述个人信息包括年龄、性别、年级、地址，所述教育内容包括与德智体美劳五个方面有关的知识；
通过数据的相关性分析算法计算各项数据之间的相关性；
根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；
根据各项数据在德智体美劳五个方面中的占比绘制比率图；
作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
将所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
2.根据权利要求1所述的方法，其特征在于，所述获取用户的各项数据之前，还包括：
获取用户创建用户账户的申请；
响应用户创建用户账户的申请，创建用户账户。
3.根据权利要求1所述的方法，其特征在于，所述通过数据的相关性分析算法计算各项数据之间的相关性，是指：
通过分类规则、回归分析规则、聚类规则、关联规则中的一项或多项计算数据之间的相关性。
4.根据权利要求1所述的方法，其特征在于，所述培养计划是指：
数据库根据所述结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据所述知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
5.根据权利要求4所述的方法，其特征在于，所述作出结论之后，还包括：
将所述结论推送至关联的终端和/或服务器。
6.一种可以自动生成培养方案的装置，其特征在于，包括：
获取模块，用于获取用户的各项数据，所述数据包括用户填写并上传的个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及用户填写的与教育内容相关的问答，所述个人信息包括年龄、性别、年级、地址，所述教育内容包括与德智体美劳五个方面有关的知识；
处理模块，用于如下方面：
通过数据的相关性分析算法计算各项数据之间的相关性；
根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；
根据各项数据在德智体美劳五个方面中的占比绘制比率图；
作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
发送获取模块，用于将所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
7.根据权利要求6所述的装置，其特征在于，所述培养计划是指：
数据库根据所述结论中优势项和劣势项分别提取出掌握优势项和劣势项所对应的知识内容，并根据所述知识内容获取与之对应的预存的学习方式、学习的学科、学习的教材及学习的章节。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时可实现如权利要求1-5中任一项所述的方法。
10.一种可以自动生成培养方案的系统，其特征在于，包括：
资源库，用于存储与教育内容相关的音视频和文字资料，所述教育内容包括与德智体美劳五个方面有关的知识；
数据搜集单元，用于搜集个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料，所述个人信息包括年龄、性别、年级、地址；
测评单元，用于提供与教育内容相关的问答以获取用户的测试信息；
能力评定单元，用于通过数据的相关性分析算法计算所述个人信息、用户播放与教育内容相关的音视频、浏览对应与教育内容相关的文字资料、及测试信息之间的相关性；根据各项数据的相关性通过聚类算法按德智体美劳五个方面进行分类；根据各项数据在德智体美劳五个方面中的占比绘制比率图；作出结论，所述结论包括德智体美劳五个方面中至少一个方面的优势项与至少一个方面的劣势项；
培养计划单元，用于根据结论所述结论上传给数据库以从数据库中获取对应的培养计划，所述培养计划包括学习方式、学习的学科、学习的教材及学习的章节。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811177152.3A CN109389539A (zh) | 2018-10-10 | 2018-10-10 | 一种可以自动生成培养方案的方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811177152.3A CN109389539A (zh) | 2018-10-10 | 2018-10-10 | 一种可以自动生成培养方案的方法、装置及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109389539A true CN109389539A (zh) | 2019-02-26 |
Family
ID=65426864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811177152.3A Pending CN109389539A (zh) | 2018-10-10 | 2018-10-10 | 一种可以自动生成培养方案的方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109389539A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102120A (zh) * | 2020-08-11 | 2020-12-18 | 李熠 | 一种基于少儿教育的教学研发方法及平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260964A (zh) * | 2015-11-13 | 2016-01-20 | 苏州中科知图信息科技有限公司 | 基于在线学习的学情分析系统及方法 |
| CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技（湖南）有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
| CN106777127A (zh) * | 2016-12-16 | 2017-05-31 | 中山大学 | 基于知识图谱的个性化学习过程的自动生成方法及系统 |
| CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
| CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
-
2018
- 2018-10-10 CN CN201811177152.3A patent/CN109389539A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260964A (zh) * | 2015-11-13 | 2016-01-20 | 苏州中科知图信息科技有限公司 | 基于在线学习的学情分析系统及方法 |
| CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技（湖南）有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
| CN106777127A (zh) * | 2016-12-16 | 2017-05-31 | 中山大学 | 基于知识图谱的个性化学习过程的自动生成方法及系统 |
| CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
| CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102120A (zh) * | 2020-08-11 | 2020-12-18 | 李熠 | 一种基于少儿教育的教学研发方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
| CN105893609B (zh) | 一种基于加权混合的移动app推荐方法 | |
| CN108121785A (zh) | 一种基于教育大数据的分析方法 | |
| Aher et al. | Comparative study of classification algorithms | |
| CN111242310A (zh) | 特征有效性评估方法、装置、电子设备及存储介质 | |
| CN110008397B (zh) | 一种推荐模型训练方法及装置 | |
| Corrigan et al. | A course agnostic approach to predicting student success from VLE log data using recurrent neural networks | |
| CN110012060A (zh) | 移动终端的信息推送方法、装置、存储介质和服务器 | |
| US12020267B2 (en) | Method, apparatus, storage medium, and device for generating user profile | |
| CN111209474A (zh) | 在线课程的推荐方法、装置、计算机设备和存储介质 | |
| Liu et al. | Collaborative learning team formation: a cognitive modeling perspective | |
| Halkos et al. | Weight assurance region in two-stage additive efficiency decomposition DEA model: an application to school data | |
| Allison et al. | An ‘apples to apples’ comparison of various tests for exponentiality | |
| CN111967914A (zh) | 基于用户画像的推荐方法、装置、计算机设备和存储介质 | |
| Cheung et al. | Heterogeneous features integration in deep knowledge tracing | |
| Mozafari et al. | An enriched social behavioural information diffusion model in social networks | |
| Yang et al. | Static analysis and exponential random graph modelling for micro-blog network | |
| Zafra et al. | DRAL: a tool for discovering relevant e-activities for learners | |
| CN109389539A (zh) | 一种可以自动生成培养方案的方法、装置及相关设备 | |
| CN111460215B (zh) | 音频数据处理方法、装置、计算机设备以及存储介质 | |
| Niloofar et al. | A new multivariate imputation method based on Bayesian networks | |
| Lupton | Pokémon in the midst: Collecting and using data from within the Pokémon GO ecosystem to facilitate ecology and wildlife biology education | |
| CN110442674A (zh) | 标签传播的聚类方法、终端设备、存储介质及装置 | |
| CN106445934A (zh) | 一种数据处理方法和装置 | |
| EP4261763A1 (en) | Apparatus and method for providing user's interior style analysis model on basis of sns text |
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: 20190226 |