CN109712718A - 基于人工智能分析学生心理的方法、装置及存储介质 - Google Patents
基于人工智能分析学生心理的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109712718A CN109712718A CN201811630567.1A CN201811630567A CN109712718A CN 109712718 A CN109712718 A CN 109712718A CN 201811630567 A CN201811630567 A CN 201811630567A CN 109712718 A CN109712718 A CN 109712718A
- Authority
- CN
- China
- Prior art keywords
- student
- psychological
- training set
- behavioral data
- quantitative model
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例公开了一种基于学生行为数据，采用人工智能分析学生心理的方法、装置及存储介质，所述方法包括：获取训练集，所述训练集包括学生的行为数据，学生的心理访谈数据；使用所述训练集训练心理量化模型；从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的心理数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生产生心理异常的原因。通过本方案，能够实时发现学生的心理异常。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能分析学生心理的方法、装置及存储介质。
背景技术
高校当前掌握学生心理状态，绝大部分采用的是基于问卷调查的方法。但是，采用问卷调查法手机学生心理情况存在以下问题：第一，加入太多人为因素，学生可能主观避免某些符合情况的答案；第二，心理状态是个持续动态变化的过程，问卷调查的实时性较差，无法获取到最新的心理状态。这两种情况下，都会导致最终收集的问卷调查清单准确率较低。
发明内容
针对上述技术问题，本发明实施例提供了一种基于人工智能分析学生心理的方法、装置及存储介质，能够解决现有机制中收集的问卷调查清单准确率较低的问题。
本发明实施例的第一方面提供一种基于人工智能分析学生心理的方法，所述方法包括：
获取训练集，所述训练集包括学生的行为数据；
使用所述训练集训练心理量化模型；
从所述训练集中提取隐藏特征；
基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；
根据所述展示信息确定引起所述预测名单中学生发生心理异常行为的原因。
可选地，所述使用所述训练集训练心理量化模型之前，所述方法还包括：
对所述训练集进行过滤处理和脱敏处理。
可选地，所述从所述训练集中提取隐藏特征，包括：
根据各学生的行为数据，从所述训练集中提取每个学生的隐藏特征，所述行为数据至少包括成绩、消费、刷卡、上网、门禁、监控、个人信息，所述隐藏特征至少包括学业、经济、社交、健康、家庭、作息、饮食等。
可选地，所述构建心理量化模型，包括：
采用集成学习思想构建心理量化模型，包括5个个体学习器，所述5个个体学习器是指随机森林学习器1个，贝叶斯分类器2个，支持向量机2个。
可选地，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
基于已训练的心理量化模型分析各学生的行为数据，对各学生的行为数据进行分级，预测各学生新的行为数据。
可选地，所述展示信息为知识图谱或人物画像。
可选地，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
将学生的行为数据集合输入所述心理量化模型；
本发明实施例第二方面提供了一种用于分析学生心理的装置，所述装置包括：
获取模块，用于获取训练集，所述训练集包括学生的行为数据；
处理模块，用于使用所述训练集训练心理量化模型；从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生发生心理异常行为的原因。
可选地，所述使用所述训练集训练心理量化模型之前，所述处理模块还用于：
对所述训练集进行过滤处理和脱敏处理。
可选地，所述处理模块具体用于：
根据各学生的行为数据，从所述训练集中提取每个学生的隐藏特征，所述行为数据至少包括成绩、消费、刷卡、上网、门禁、监控、个人信息，所述隐藏特征至少包括学业、经济、社交、健康、家庭、作息、饮食。
可选地，所述处理模块具体用于：
采用集成学习思想构建心理量化模型，包括5个个体学习器，所述5个个体学习器是指随机森林学习器1个，贝叶斯分类器2个，支持向量机2个。
可选地，所述处理模块具体用于：
基于已训练的心理量化模型分析各学生的行为数据，通过分析行为数据，对学生心理异常进行预测。
可选地，所述展示信息为知识图谱或人物画像。
可选地，所述处理模块用于：
将学生的行为数据集合输入所述心理量化模型；
根据所述心理学量化模型中各个体学习器分别对所述学生的行为数据进行计算和评价，并分别给出判断结果，将各判断结果按照一定规则加权平均得到最终的评价结果，如果结果超出所设定阈值，则确定所述目标学生具有心理异常现象，最终筛选出所有心理异常的学生。
本发明又一方面还提供一种计算机存储介质，其包括指令，当其在计算机上执行时，使得计算机执行如第一方面中所述的方法。
本发明实施例提供的技术方案中，使用获取的训练集训练心理量化模型，从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生产生心理异常的原因。一方面中，通过本方案，将人工智能应用于心理学领域，从心理学本身出发，通过人工智能方法对行为数据进行分析，通过机器学习方法建立模型，确立心理与行为之间关系，通过交叉学科综合研究，运用人工智能计算辅助心理异常分析，开创心理学分析的新模式，在行为数据中找出学生的行为规律，能够提升预测准确度。
附图说明
图1为本发明实施例中基于人工智能分析学生心理的方法的一种流程示意图；
图2为本发明实施例中用于分析学生心理的装置的一种结构示意图；
图3为本发明实施例中用于分析学生心理的装置的一种结构示意图；
图4为本发明实施例中用于分析学生心理的装置的一种结构示意图。
具体实施方式
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实施例，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。
请参阅图1，下面介绍本发明实施例中的基于人工智能分析学生心理的方法，所述方法包括：
101、获取训练集。
其中，所述训练集包括学生名单和学生的行为数据。
102、使用所述训练集训练心理量化模型。
一些实施方式中，由于不同高校实际情况各有区别，不同层次的学校，学生的行为模式和生活方式存在很大差别，甚至相同层次的学校不同属性的学生，行为模式也有很大差别。如果按照传统分析模式，不加区别的对待这些差别，会使得分析结果很差。在本申请中，可以从学生的属性划分，例如划分为男、女，或者划分为本地学生、外地学生，或者划分为高职、大专生、本科生、研究生等。然后采用深度学习方法深度挖掘每一个在校学生的行为特征，这样可做到对不同的学校实现定制化分析，使得预测效果更有针对性，提高模型的准确性和适用性。
103、从所述训练集中提取隐藏特征。
可选地，所述从所述训练集中提取隐藏特征，包括：
根据各学生的行为数据，从所述训练集中提取每个学生的隐藏特征，所述行为数据至少包括成绩、消费、刷卡、上网、门禁、监控、个人信息，所述隐藏特征至少包括学业、经济、社交、健康、家庭、作息、饮食等。
104、基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息。
其中，所述展示信息包括预测名单和行为数据。
可选地，所述展示信息为知识图谱或人物画像。
105、根据所述展示信息确定引起所述预测名单中学生发生心理异常行为的原因。
本发明实施例中，使用获取的训练集训练心理量化模型，从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生产生心理异常的原因。一方面中，通过本方案，将人工智能应用于心理学领域，从心理学本身出发，通过人工智能方法对行为数据进行分析，通过机器学习方法建立模型，确立心理与行为之间关系，通过交叉学科综合研究，运用人工智能计算辅助心理异常分析，开创心理学分析的新模式，在行为数据中找出学生的行为规律，能够提升预测准确度。
另一方面中，在给学生辅导前，通过本方案对学生的行为数据进行智能分析，对不同个体做精准心理资讯推送服务，让心理健康观念深入学生校园生活；在为学生辅导过程中，为学工老师提供学生的详细信息及具体模块得分情况，使得老师更清楚的掌握每个学生的最新心理状态；辅导后，对于心理异常的学生，实时跟踪其异常行为，及时预警，以便快速的应对各种突发状况。
可选地，所述使用所述训练集训练心理量化模型之前，所述方法还包括：
对所述训练集进行过滤处理和脱敏处理。
例如，对全校所有学生行为数据进行过滤处理，获取有效关注个体作为训练数据，并随系统使用过程将辅导人员新增的关注学生添加进入训练数据。主要包括检查数据一致性、处理无效值和缺失值等步骤，然后使用RSA非对称加密算法对训练数据及行为数据中学生标识数据(如姓名、学号等)进行加密，便于后续模型训练提供脱敏处理后的数据，进而保障数据安全。
一些实施方式中，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
基于已训练的心理量化模型分析各学生的行为数据，通过分析行为数据，对学生心理异常进行预测。
可选地，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
将学生的行为数据集合输入所述心理量化模型；
根据所述心理学量化模型中各个体学习器分别对所述学生的行为数据进行计算和评价，并分别给出判断结果，将各判断结果按照一定规则加权平均得到最终的评价结果，如果结果超出所设定阈值，则确定所述目标学生具有心理异常现象，最终筛选出所有心理异常的学生。
如图2所示，本发明实施例提供了一种用于分析学生心理的装置，所述装置包括：
获取模块，用于获取训练集，所述训练集包括学生的行为数据；
处理模块，用于使用所述训练集训练心理量化模型；从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生发生心理异常行为的原因。
本发明实施例中，在获取模块获取训练集后，处理模块使用所述训练集训练心理量化模型；从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生产生心理异常的原因。通过本方案，能够提升预测准确度。
可选地，所述使用所述训练集训练心理量化模型之前，所述处理模块还用于：
对所述训练集进行过滤处理和脱敏处理。
可选地，所述处理模块具体用于：
根据各学生的行为数据，从所述训练集中提取每个学生的隐藏特征，所述行为数据至少包括成绩、消费、刷卡、上网、门禁、监控、个人信息，所述隐藏特征至少包括学业、经济、社交、健康、家庭、作息、饮食。
可选地，所述处理模块具体用于：
采用集成学习思想构建心理量化模型，包括5个个体学习器，所述5个个体学习器是指随机森林学习器1个，贝叶斯分类器2个，支持向量机2个。
可选地，所述处理模块具体用于：
基于已训练的心理量化模型分析各学生的行为数据，通过分析行为数据，对学生心理异常进行预测。
可选地，所述展示信息为知识图谱或人物画像。
可选地，所述处理模块用于：
将学生的行为数据集合输入所述心理量化模型；
根据所述心理学量化模型中各个体学习器分别对所述学生的行为数据进行计算和评价，并分别给出判断结果，将各判断结果按照一定规则加权平均得到最终的评价结果，如果结果超出所设定阈值，则确定所述目标学生具有心理异常现象，最终筛选出所有心理异常的学生。
为便于理解，本发明以一具体的应用场景对本发明中的用于分析学生心理的装置进行说明。如图3所示的一种逻辑划分示意图。图3中，该用于分析学生心理的装置包括应用服务层、模型、加密、处理和存储。应用服务层可用于公共服务、心里预警与跟踪、精准分析和姿态感知等。数据模型层可包括推荐算法、心理量化核心算法和姿态感知算法。数据加密层可包括对称加密和非对称加密。数据处理层可用于对数据进行清洗、合并和脱敏操作。存储层可包括对数据进行非关系型存储、关系型存储和分布式存储。
上面从模块化功能实体的角度分别介绍了本申请实施例中的用于分析学生心理的装置，以下从硬件角度介绍一种用于分析学生心理的装置，包括：处理器、存储器、显示单元和输入输出单元以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述图1所对应的实施例中由用于分析学生心理的装置实现的全部或部分操作，或者，所述处理器执行所述计算机程序时实现上述图1对应的实施例的用于分析学生心理的装置中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机装置中的执行过程。
所述用于分析学生心理的装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意仅仅是计算机装置的示例，并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal 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。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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述收发器也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为收发器。所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。该收发器可以为输入输出单元。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，当本发明实施例中的考试客户端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。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能分析学生心理的方法，其特征在于，所述方法包括：
获取训练集，所述训练集包括学生的行为数据，学生的心理访谈数据；；
使用所述训练集训练心理量化模型；
从所述训练集中提取隐藏特征；
基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；
根据所述展示信息确定引起所述预测名单中学生产生心理异常的原因。
2.根据权利要求1所述的方法，其特征在于，所述使用所述训练集训练心理量化模型之前，所述方法还包括：
对所述训练集进行过滤处理和脱敏处理。
3.根据权利要求2所述的方法，其特征在于，所述从所述训练集中提取隐藏特征，包括：
根据各学生的行为数据，从所述训练集中提取每个学生的隐藏特征，所述行为数据至少包括成绩、消费、刷卡、上网、门禁、监控、个人信息，所述隐藏特征至少包括学业、经济、社交、健康、家庭、作息、饮食。
4.根据权利要求1所述的方法，其特征在于，所述构建心理量化模型，包括：
采用集成学习思想构建心理量化模型，包括5个个体学习器，所述5个个体学习器是指随机森林学习器1个，贝叶斯分类器2个，支持向量机2个。
5.根据权利要求1或2所述的方法，其特征在于，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
基于已训练的心理量化模型分析各学生的行为数据，通过分析行为数据，对学生心理异常进行预测。
6.根据权利要求5所述的方法，其特征在于，所述展示信息为知识图谱或人物画像。
7.根据权利要求5或6所述的方法，其特征在于，所述基于已训练的心理量化模型预测各学生新的行为数据，包括：
将学生的行为数据集合输入所述心理量化模型；
根据所述心理学量化模型中各个体学习器分别对所述学生的行为数据进行计算和评价，并分别给出判断结果，将各判断结果按照一定规则加权平均得到最终的评价结果，如果结果超出所设定阈值，则确定所述目标学生具有心理异常现象，最终筛选出所有心理异常的学生。
8.一种用于分析学生心理的装置，其特征在于，所述装置包括：
获取模块，用于获取训练集，所述训练集包括学生的行为数据；
处理模块，用于使用所述训练集训练心理量化模型；从所述训练集中提取隐藏特征；基于已训练的心理量化模型预测各学生新的行为数据，生成展示信息，所述展示信息包括预测名单和行为数据；根据所述展示信息确定引起所述预测名单中学生发生心理异常行为的原因。
9.根据权利要求7所述的装置，其特征在于，所述使用所述训练集训练心理量化模型之前，所述处理模块还用于：
对所述训练集进行过滤处理和脱敏处理。
10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上执行时，使得计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630567.1A CN109712718A (zh) | 2018-12-29 | 2018-12-29 | 基于人工智能分析学生心理的方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811630567.1A CN109712718A (zh) | 2018-12-29 | 2018-12-29 | 基于人工智能分析学生心理的方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109712718A true CN109712718A (zh) | 2019-05-03 |
Family
ID=66259332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811630567.1A Pending CN109712718A (zh) | 2018-12-29 | 2018-12-29 | 基于人工智能分析学生心理的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109712718A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111894A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的心理健康预警方法 |
| CN110580947A (zh) * | 2019-07-29 | 2019-12-17 | 话媒(广州)科技有限公司 | 一种基于交互的心理分析方法及装置 |
| CN110910989A (zh) * | 2019-09-23 | 2020-03-24 | 平安科技（深圳）有限公司 | 心理评分方法、装置、电子设备及存储介质 |
| CN111402095A (zh) * | 2020-03-23 | 2020-07-10 | 温州医科大学 | 一种基于同态加密联邦学习来检测学生行为与心理的方法 |
| CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
| CN111784301A (zh) * | 2020-07-02 | 2020-10-16 | 中国银行股份有限公司 | 用户画像的构建方法及装置、存储介质及电子设备 |
| CN113436737A (zh) * | 2021-06-24 | 2021-09-24 | 杭州师范大学 | 一种针对硕博群体抑郁水平的预测评估方法及装置 |
| CN115064019A (zh) * | 2022-08-05 | 2022-09-16 | 安徽淘云科技股份有限公司 | 一种教学系统、方法、设备及存储介质 |
| CN117409964A (zh) * | 2023-04-21 | 2024-01-16 | 云启智慧科技有限公司 | 一种基于学生在校行为分析的综合心理评测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090310939A1 (en) * | 2008-06-12 | 2009-12-17 | Basson Sara H | Simulation method and system |
| CN109036561A (zh) * | 2018-07-10 | 2018-12-18 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN109101933A (zh) * | 2018-08-21 | 2018-12-28 | 重庆乐教科技有限公司 | 一种基于人工智能的情绪行为可视化分析方法 |
-
2018
- 2018-12-29 CN CN201811630567.1A patent/CN109712718A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090310939A1 (en) * | 2008-06-12 | 2009-12-17 | Basson Sara H | Simulation method and system |
| CN109036561A (zh) * | 2018-07-10 | 2018-12-18 | 同济大学 | 一种基于行为信息的大学生心理状态评估方法 |
| CN109101933A (zh) * | 2018-08-21 | 2018-12-28 | 重庆乐教科技有限公司 | 一种基于人工智能的情绪行为可视化分析方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111894A (zh) * | 2019-05-15 | 2019-08-09 | 杭州华网信息技术有限公司 | 基于深度学习学生序列化行为的心理健康预警方法 |
| CN110580947A (zh) * | 2019-07-29 | 2019-12-17 | 话媒(广州)科技有限公司 | 一种基于交互的心理分析方法及装置 |
| CN110910989A (zh) * | 2019-09-23 | 2020-03-24 | 平安科技（深圳）有限公司 | 心理评分方法、装置、电子设备及存储介质 |
| CN111402095A (zh) * | 2020-03-23 | 2020-07-10 | 温州医科大学 | 一种基于同态加密联邦学习来检测学生行为与心理的方法 |
| CN111599472A (zh) * | 2020-05-14 | 2020-08-28 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
| CN111599472B (zh) * | 2020-05-14 | 2023-10-24 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
| CN111784301A (zh) * | 2020-07-02 | 2020-10-16 | 中国银行股份有限公司 | 用户画像的构建方法及装置、存储介质及电子设备 |
| CN113436737A (zh) * | 2021-06-24 | 2021-09-24 | 杭州师范大学 | 一种针对硕博群体抑郁水平的预测评估方法及装置 |
| CN115064019A (zh) * | 2022-08-05 | 2022-09-16 | 安徽淘云科技股份有限公司 | 一种教学系统、方法、设备及存储介质 |
| CN117409964A (zh) * | 2023-04-21 | 2024-01-16 | 云启智慧科技有限公司 | 一种基于学生在校行为分析的综合心理评测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109712718A (zh) | 基于人工智能分析学生心理的方法、装置及存储介质 | |
| Tortorella et al. | Impacts of Healthcare 4.0 digital technologies on the resilience of hospitals | |
| Wyatte et al. | The limits of feedforward vision: Recurrent processing promotes robust object recognition when objects are degraded | |
| Khan et al. | Data2U: Scalable real time student feedback in active learning environments | |
| Ronchi et al. | New approaches to evacuation modelling for fire safety engineering applications | |
| Lhommet et al. | Never alone in the crowd: A microscopic crowd model based on emotional contagion | |
| Meyer et al. | Objective fidelity evaluation in multisensory virtual environments: auditory cue fidelity in flight simulation | |
| Loh et al. | Measuring expert performance for serious games analytics: From data to insights | |
| Di Mitri et al. | Keep me in the loop: Real-time feedback with multimodal data | |
| Yanez et al. | PandemCap: Decision support tool for epidemic management | |
| Robison et al. | Developing empirically based student personality profiles for affective feedback models | |
| Makransky et al. | The theory of immersive collaborative learning (TICOL) | |
| Wang et al. | A data mining approach for training evaluation in simulation-based training | |
| Ayub et al. | Modelling students’ activities in programming subjects through educational data mining | |
| Offord et al. | The effects of prestige on collective performance and information flow in a strictly hierarchical institution | |
| Walker et al. | Liberatory computing education for african american students | |
| Elbawab et al. | Machine Learning applied to student attentiveness detection: Using emotional and non-emotional measures | |
| Curto | A norm optimisation approach to SDGs: Tackling poverty by acting on discrimination | |
| Nasir et al. | Is there'ONE way'of learning? A data-driven approach | |
| Caudek | The fidelity of visual memory for faces and non-face objects | |
| Chopade et al. | Human-Agent assessment: Interaction and sub-skills scoring for collaborative problem solving | |
| Al-Rawi et al. | Cheating monitoring and detection in examination from face movement recognition | |
| Puy et al. | Selective social interactions and speed-induced leadership in schooling fish | |
| Gonçalves et al. | Boosting learning: non-intrusive monitoring of student’s efficiency | |
| Durães et al. | Detection of behavioral patterns for increasing attentiveness level |
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: 20190503 |
|
| RJ01 | Rejection of invention patent application after publication |