CN109409642A - 一种基于大数据的教学资源评级方法 - Google Patents
一种基于大数据的教学资源评级方法 Download PDFInfo
- Publication number
- CN109409642A CN109409642A CN201811025666.7A CN201811025666A CN109409642A CN 109409642 A CN109409642 A CN 109409642A CN 201811025666 A CN201811025666 A CN 201811025666A CN 109409642 A CN109409642 A CN 109409642A
- Authority
- CN
- China
- Prior art keywords
- teaching resource
- browsing
- parameter
- teaching
- browsing time
- 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 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000010086 Setaria viridis var. viridis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000230342 green foxtail Species 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Educational Technology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的教学资源评级方法，其特征在于：包括以下步骤：步骤一：采集教学资源数据，教学资源数据包括教学资源的有效浏览时间、重复浏览次数和浏览评论值；步骤二：设置教学资源评级参数，教学资源评级参数包括：有效浏览时间、重复浏览次数和浏览评论值；步骤三：构建教学资源评级模型；步骤四：进行教学资源评级模型的训练；步骤五：将采集的教学资源数据输入训练好的教学资源评级模型，得到教学资源的级别。本发明将有效浏览时间、重复浏览次数和浏览评论值作为评级参数，通过构建和训练评级模型，实现教学资源的自动评级，教学资源的评级准确率高。
Description
技术领域
本发明涉及教学数据处理领域，尤其是一种基于大数据的教学资源评级方法。
背景技术
随着现代信息化技术的迅猛发展，网络技术在教育中的应用日益广泛和深入，为教育提供了丰富的教学资源；随着网络教学的开展，网络对学习产生越来越深刻的影响，网络环境的开放性、资源的丰富性、资源的易获取性等特征使得网络信息资源逐渐成为一种新型的教学资源，在网络教育中得到广泛的应用。网络教学资源包括传播教学的信息素材，文本、图形、音频、视频、动画等；网络课程、专题学习网站、课件与网络课件、网络题库、教学案列库等。网络教学资源种类繁多、齐全，但由于数量和来源多，教学资源杂乱无序，质量良莠不齐，用户在面对海量的教学资源时，无法找到合适的教学资源，需要对教学资源进行评级，方便用户使用。
在现有的教学资源的评级中存在以下问题：(1)大部分的教学资源都是通过人工评价的方式进行过滤和评价，这种评价方式工作量非常的大，耗费很多的时间，并且评价的效率很低，当面对越来越多的教学资源时，人工评价已经无法满足要求；(2)现在通常采用点击数等来评价教学资源的质量，但是由于点击数采集的是访问教学资源的人数，很多的人在不了解教学资源的情况下，只是通过标题或简介访问教学资源，有些教学资源的点击数很高，但是可能许多人只是点开没有完整浏览，没有学习效果；点击数不能真实的反映教学资源的质量。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种基于大数据的教学资源评级方法，将教学资源的有效浏览时间、重复浏览次数和浏览评论值作为评级的评级参数，能真实的反映教学资源的使用和学习请求，从而体现了教学资源的质量；并基于训练的教学资源评级神经网络模型，自动对教学资源进行评级。
本发明采用的技术方案如下：
本发明一种基于大数据的教学资源评级方法，包括以下步骤：
步骤一：采集教学资源数据，教学资源数据包括教学资源的有效浏览时间、重复浏览次数和浏览评论值；所述有效浏览时间为：用户超过阈值的浏览时间；所述重复浏览次数为：浏览超过两次的用户数；所述浏览评论值为：用户浏览后做出的分值；
步骤二：设置教学资源评级参数，教学资源评级参数包括：有效浏览时间、重复浏览次数和浏览评论值；
步骤三：构建教学资源评级模型；
步骤四：进行教学资源评级模型的训练；
步骤五：将采集的教学资源数据输入训练好的教学资源评级模型，得到教学资源的级别。
以上方法，采用有效浏览时间、重复浏览次数和浏览评论值作为评级参数，通过大数据构建评级模型，实现教学资源的自动评级，提高评级的效率；有效浏览时间的使用，能够去除原来评级统计中的一些无效的数据，例如，有些用户只是打开教学资源或只是学习了很短的时间，没有进行教学资源的学习，但在原来的评级统计中却已经统计了，所以造成原来评级的不准确；好的教学资源一般需要进行多次的浏览学习，重复浏览的用户越多，说明教学资源的质量越好，所以在评级中是一个重要的评级参数；浏览评论值是用户学习完教学资源后对教学资源的直观评价，所以也是个重要的评级参数；通过以上几个评级参数的使用，能够改善现有教学资源评级的方法，提高评级的准确性。
作为优选的，所述教学资源评级模型的构建方法：
S1：确定神经网络的输入层神经元的个数n；
S2：确定神经网络的输出层神经元的个数m；将教学资源的级别作为网络输出；
S3：计算神经网络的隐含层数k：根据公式计算隐含层数，其中n为输入层神经元的个数，m为输出层神经元的个数，a为9以内常数；
S4：确定网络隐含层神经元个数b：k＝log2b；
S5：确定神经元转换函数：采用S型函数作为神经元转换函数。
以上方法，由于神经网络通过信息样本对神经网络的训练，使其具有人的大脑的记忆和辨别能力，完成信息的处理，其具有非线性函数映射功能及良好的自学习和适应能力，可以克服传统评级方法的缺陷，弱化传统评级方法中指标权重确定的人为影响因素，同时通过大量的样本得到比较满意模型，利用神经网络能够综合各种评级参数，以及它们之间的关系，通过大数据的样本，得到接近于实际的教学资源评级。
作为优选的，所述教学资源评级模型的训练：在训练前，将教学资源评价参数进行归一量化，得到各参数的隶属度函数值作为训练样本；通过量子免疫克隆算法对网络输出层的权值进行优化；输入待评级教学资源的参数的隶属度函数值，作为神经网络的输入；计算各层的输出和误差；进行反向传播，修正权重和阈值；更新训练数据，重新随机选取一个数据，返回到计算各层的输出和误差，直到误差小于预设的拟合误差，训练结束。
作为优选的，所述教学资源评价参数归一量化的方法：计算第j个参数的平均值Zj，分别按照不同类型的参数计算中间变量；原始参数按照公式转化到[-1,1]区间上的隶属度函数值。
以上方法，由于不同的评级参数具有不可共度性，评级指标没有统一的度量标准，难于比较，在评级前需要把评级参数按隶属度函数归一化到某一无量纲区间。
作为优选的，所述量子免疫克隆算法包括：在神经网络参数初始化后，设置种群数目和优化目标，对神经元初始权值进行量子编码，进行群适用度计算，对原有群种进行克隆，自适应交叉、变异操作，当达到优化目标，获得神经网络最佳的初始权值和阈值。
以上方法，由于神经网络存在运行效率低、容易陷入局部最优解、收敛速度慢等问题，本发明通过量子免疫克隆算法，对神经网络的输出层的权值进行优化，得到最佳的神经初始权值和阈值，提高神经网络的收敛性能。
综上所述，由于采用了上述技术方案，本发明的有益效果是：与现有技术相比，本发明的基于大数据的教学资源评级方法，利用大数据的神经网络方法，通过构建教学资源评级模型，实现对教学资源的快速评级，并且采用有效浏览时间、重复浏览次数和浏览评论值作为评级参数；其中，有效浏览时间能够去除浏览次数统计中的一些噪声，计算真正有效学习的时间；只有教学资源的质量好，才会有重复浏览的发生，所以重复浏览次数，真实反映了教学资源的质量；浏览评论值反映了学习者学习后的反应，体现了教学资源的质量；以上评级参数的使用，比起点击数和浏览数能够更加准确的反映教学资源的质量，所以本发明对教学资源的评级结果准确。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明一种基于大数据的教学资源评级方法的流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
如图1，本发明一种基于大数据的教学资源评级方法，包括以下步骤：
步骤一：采集教学资源数据，教学资源数据包括教学资源的有效浏览时间、重复浏览次数和浏览评论值；所述有效浏览时间为：用户超过阈值的浏览时间；所述重复浏览次数为：浏览超过两次的用户数；所述浏览评论值为：用户浏览后做出的分值；
步骤二：设置教学资源评级参数，教学资源评级参数包括：有效浏览时间、重复浏览次数和浏览评论值；
步骤三：构建教学资源评级模型；
步骤四：进行教学资源评级模型的训练；
步骤五：将采集的教学资源数据输入训练好的教学资源评级模型，得到教学资源的级别。
在采集数据中，通过访问教学资源库的日志，能够获得教学资源数据的使用情况：教学资源浏览的时间，浏览的次数，浏览用户的ID，用户的评论结果等；将获得的数据进行筛选，通过预设的浏览时间阈值，得到教学资源的有效浏览时间，统计被同一个用户浏览两次及两次以上的教学资源数量和用户的评论结果。
在实施例中，所述教学资源评级模型的构建方法：
S1：确定神经网络的输入层神经元的个数n；将3个教学资源评级参数作为模型的输入神经元，所以，输入层神经元的个数n为3；
S2：确定神经网络的输出层神经元的个数m；将教学资源的级别作为网络输出，由于最终输出的教学资源级别只有一个值，输出神经元个数m为1；
S3：计算神经网络的隐含层数k：根据公式计算隐含层数，其中n为输入层神经元的个数，m为输出层神经元的个数，a为9以内常数；
S4：确定网络隐含层神经元个数b：k＝log2b；
S5：确定神经元转换函数：采用S型函数作为神经元转换函数。
在实施例中，所述教学资源评级模型的训练：在训练前，将教学资源评价参数进行归一量化，得到各参数的隶属度函数值作为训练样本；通过量子免疫克隆算法对网络输出层的权值进行优化；输入待评级教学资源的参数的隶属度函数值，作为神经网络的输入；计算各层的输出和误差；进行反向传播，修正权重和阈值；更新训练数据，重新随机选取一个数据，返回到计算各层的输出和误差，直到误差小于预设的拟合误差，训练结束。
在实施例中，所述教学资源评价参数归一量化的方法：计算第j个参数的平均值Zj，分别按照不同类型的参数计算中间变量；原始参数按照公式转化到[-1,1]区间上的隶属度函数值。
在实施例中，所述量子免疫克隆算法包括：在神经网络参数初始化后，设置种群数目和优化目标，对神经元初始权值进行量子编码，进行群适用度计算，对原有群种进行克隆，自适应交叉、变异操作，当达到优化目标，获得神经网络最佳的初始权值和阈值。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (5)
1.一种基于大数据的教学资源评级方法，其特征在于：包括以下步骤：
步骤一：采集教学资源数据，教学资源数据包括教学资源的有效浏览时间、重复浏览次数和浏览评论值；所述有效浏览时间为：用户超过阈值的浏览时间；所述重复浏览次数为：浏览超过两次的用户数；所述浏览评论值为：用户浏览后做出的分值；
步骤二：设置教学资源评级参数，教学资源评级参数包括：有效浏览时间、重复浏览次数和浏览评论值；
步骤三：构建教学资源评级模型；
步骤四：进行教学资源评级模型的训练；
步骤五：将采集的教学资源数据输入训练好的教学资源评级模型，得到教学资源的级别。
2.如权利要求1所述的基于大数据的教学资源评级方法，其特征在于：所述教学资源评级模型的构建方法：
S1：确定神经网络的输入层神经元的个数n；
S2：确定神经网络的输出层神经元的个数m；将教学资源的级别作为网络输出；
S3：计算神经网络的隐含层数k：根据公式计算隐含层数，其中n为输入层神经元的个数，m为输出层神经元的个数，a为9以内常数；S4：确定网络隐含层神经元个数b：k＝log2b；
S5：确定神经元转换函数：采用S型函数作为神经元转换函数。
3.如权利要求1所述的基于大数据的教学资源评级方法，其特征在于：所述教学资源评级模型的训练：在训练前，将教学资源评价参数进行归一量化，得到各参数的隶属度函数值作为训练样本；通过量子免疫克隆算法对网络输出层的权值进行优化；输入待评级教学资源的参数的隶属度函数值，作为神经网络的输入；计算各层的输出和误差；进行反向传播，修正权重和阈值；更新训练数据，重新随机选取一个数据，返回到计算各层的输出和误差，直到误差小于预设的拟合误差，训练结束。
4.如权利要求3所述的基于大数据的教学资源评级方法，其特征在于：所述教学资源评价参数归一量化的方法：计算第j个参数的平均值Zj，分别按照不同类型的参数计算中间变量；原始参数按照公式转化到[-1,1]区间上的隶属度函数值。
5.如权利要求3所述的基于大数据的教学资源评级方法，其特征在于：所述量子免疫克隆算法包括：在神经网络参数初始化后，设置种群数目和优化目标，对神经元初始权值进行量子编码，进行群适用度计算，对原有群种进行克隆，自适应交叉、变异操作，当达到优化目标，获得神经网络最佳的初始权值和阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811025666.7A CN109409642A (zh) | 2018-09-04 | 2018-09-04 | 一种基于大数据的教学资源评级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811025666.7A CN109409642A (zh) | 2018-09-04 | 2018-09-04 | 一种基于大数据的教学资源评级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109409642A true CN109409642A (zh) | 2019-03-01 |
Family
ID=65463877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811025666.7A Pending CN109409642A (zh) | 2018-09-04 | 2018-09-04 | 一种基于大数据的教学资源评级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409642A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334810A (zh) * | 2019-07-10 | 2019-10-15 | 福州大学 | 基于机器学习的mooc僵尸课程识别方法 |
| CN111836077A (zh) * | 2020-06-24 | 2020-10-27 | 深圳市思考乐文化教育科技发展有限公司 | 一种交互式网络教学直播系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976098A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于bp神经网络的院校教学质量评价方法 |
| CN106709650A (zh) * | 2016-12-26 | 2017-05-24 | 成都康赛信息技术有限公司 | 教学资源评价排名方法 |
| CN106980691A (zh) * | 2017-04-01 | 2017-07-25 | 长沙智擎信息技术有限公司 | 一种在线教学资源库的自动构建方法 |
-
2018
- 2018-09-04 CN CN201811025666.7A patent/CN109409642A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976098A (zh) * | 2016-04-28 | 2016-09-28 | 大连理工大学 | 一种基于bp神经网络的院校教学质量评价方法 |
| CN106709650A (zh) * | 2016-12-26 | 2017-05-24 | 成都康赛信息技术有限公司 | 教学资源评价排名方法 |
| CN106980691A (zh) * | 2017-04-01 | 2017-07-25 | 长沙智擎信息技术有限公司 | 一种在线教学资源库的自动构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡震云 等: ""基于改进型BP 神经网络的大数据上市公司创新能力评价"", 《武汉理工大学学报（信息与管理工程版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334810A (zh) * | 2019-07-10 | 2019-10-15 | 福州大学 | 基于机器学习的mooc僵尸课程识别方法 |
| CN111836077A (zh) * | 2020-06-24 | 2020-10-27 | 深圳市思考乐文化教育科技发展有限公司 | 一种交互式网络教学直播系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Application of C4. 5 decision tree for scholarship evaluations | |
| CN104882040B (zh) | 应用于汉语言教学的智能系统 | |
| CN116982037A (zh) | 管理和测量知识发现过程中的语义覆盖范围 | |
| CN106777402B (zh) | 一种基于稀疏神经网络的图像检索文本方法 | |
| Ma et al. | Using machine learning algorithm to predict student pass rates in online education | |
| CN105897616A (zh) | 一种资源分配的方法及服务器 | |
| CN111723973B (zh) | 基于mooc日志数据中用户行为因果关系的学习效果优化方法 | |
| Wang | Fuzzy comprehensive evaluation of physical education based on high dimensional data mining | |
| CN109409642A (zh) | 一种基于大数据的教学资源评级方法 | |
| CN115827968A (zh) | 一种基于知识图谱推荐的个性化知识追踪方法 | |
| Qiao | [Retracted] Teaching Quality Evaluation of Ideological and Political Courses in Colleges and Universities Based on Machine Learning | |
| CN117150232B (zh) | 一种大模型非时序训练数据质量评价方法 | |
| Lan et al. | [Retracted] Evaluation System of Music Art Instructional Quality Based on Convolutional Neural Networks and Big Data Analysis | |
| US20230351153A1 (en) | Knowledge graph reasoning model, system, and reasoning method based on bayesian few-shot learning | |
| CN116089710A (zh) | 自适应深度知识追踪个性化学习推荐方法 | |
| CN110069756A (zh) | 一种考虑用户评价的资源或服务推荐方法 | |
| CN114091964A (zh) | 一种基于误差逆传播算法的供应商多指标评价方法 | |
| Li | Improvement design of functional modules of college english network teaching system based on decision tree algorithm | |
| Lili | A Mobile Terminal‐Based College English Teaching Evaluation Method | |
| Li | A Model for analyzing teaching quality data of sports faculties based on particle swarm optimization neural network | |
| Xu | Risk assessment of green intelligent building based on artificial intelligence | |
| Pei | Construction and application of talent evaluation model based on nonlinear hierarchical optimization neural network | |
| Capuano et al. | Multi-criteria fuzzy ordinal peer assessment for MOOCs | |
| Jia | [Retracted] Random Algorithm and Skill Evaluation System Based on the Combing of Construction Mechanism of Higher Vocational Professional Group | |
| Zhu | [Retracted] Prediction Model of Piano Collective Class Teaching and Learning Effect Based on Deep Learning |
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: 20190301 |