CN109754349B - 一种在线教育智能师生匹配系统 - Google Patents
一种在线教育智能师生匹配系统 Download PDFInfo
- Publication number
- CN109754349B CN109754349B CN201910011682.9A CN201910011682A CN109754349B CN 109754349 B CN109754349 B CN 109754349B CN 201910011682 A CN201910011682 A CN 201910011682A CN 109754349 B CN109754349 B CN 109754349B
- Authority
- CN
- China
- Prior art keywords
- teacher
- student
- module
- matching
- students
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 241001178520 Stomatepia mongo Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在线教育智能师生匹配系统，涉及在线教育技术领域，包括硬件子系统和软件子系统，所述硬件子系统通过操作系统与软件子系统连接，所述软件子系统包括获取模块、计算模块、存储模块、显示模块、反馈模块、接收模块，所述接收模块通过程序接口分别与计算模块和存储模块相连接，所述获取模块通过程序接口分别与计算模块和存储模块相连接，所述显示模块通过程序接口分别与计算模块和反馈模块相连接，所述存储模块和反馈模块通过程序接口相连接。本发明能够精准、快速地对在线教师和学生进行匹配，提高学生上课满意度，降低人力消耗。
Description
技术领域
本发明涉及在线教育技术领域，尤其涉及一种在线教育智能师生匹配系统。
背景技术
在线教育近年来如火如荼，推动教育行业发生着广泛和深刻的变革。互联网和信息技术为跨时空整合教育资源、提高资源使用效率和提高教学质量带来可能。在线组卷和题库系统、在线1对1和在线直播等在线教育资源和教学方式极大方便和改变了人们的学习方式。个性化和智能化学习等教育理念在信息技术的推动下正深入地渗透到整个教学过程中。利用智能化的题库系统和机器学习技术，可为学生提供相关题目推荐、知识薄弱点分析和智能学习路径推荐，辅助学生自学和教师教学。
这些个性化和智能化的教学实现，一般基于题库等教育资源和学生的测试情况进行。然而，教学是一个教师和学生双方互动的过程，某些教师的性格和教学方法会更适应某些学生。在传统线上教学中，一般是教务人员根据学生年级和学习科目，去匹配擅长教此科目的老师，在教师和学生的匹配上缺乏全面和自动化的评估方式。这种人工匹配方式一方面耗费人力，另一方面匹配的结果不定满足要求。
因此，本领域的技术人员基于信息技术与数据挖掘技术，致力于开发一种在线教育智能师生匹配系统，对现有技术进行改进。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何能够精准、快速地对在线教师和学生进行匹配，降低人力消耗。
为实现上述目的，本发明提供了一种在线教育智能师生匹配系统，包括硬件子系统和软件子系统，所述硬件子系统通过操作系统与软件子系统连接，所述软件子系统包括接收模块、存储模块、获取模块、计算模块、显示模块、反馈模块，所述接收模块通过程序接口分别与计算模块和存储模块相连接，所述获取模块通过程序接口分别与计算模块和存储模块相连接，所述显示模块通过程序接口分别与计算模块和反馈模块相连接，所述存储模块和反馈模块通过程序接口相连接。
进一步地，所述获取模块用于线下师生模型构建和获取。
进一步地，所述获计算模块，用于计算获得与新上课学生匹配的教师。
进一步地，所述存储模块用于存储录入的学生和教师档案信息，保存学生对教师的满意度评价信息。
进一步地，所述显示模块将匹配的教师推荐给学生或教务人员。
进一步地，所述反馈模块使学生可以对所上课的教师的满意度进行评价，相应评价结果存入存储模块。
进一步地，所述接收模块用于录入学生和教师档案信息、录入新上课学生的信息。
进一步地，所述硬件子系统包括教师客户端设备、学生客户端设备、在线教学系统服务器，所述教师客户端设备、学生客户端设备、在线教学系统服务器之间通过网络进行通信。
进一步地，所述教师客户端设备、学生客户端设备、在线教学系统服务器均包括计算机系统，所述计算机系统包括内存、硬盘、处理器、输入/输出设备、通信端口，所述内存、硬盘、处理器、输入/输出设备通过总线进行通信。
进一步地，所述在线教育智能师生匹配系统的师生匹配方法包括以下步骤：
步骤1、存储教师档案库；
步骤2、存储学生档案库；
步骤3、存储师生关联数据库；
步骤4、基于师生关联数据库构建师生匹配模型；
步骤5、录入新学生档案数据；
步骤6、基于师生匹配模型运行师生匹配算法；
步骤7、输出与新学生相匹配的教师；
步骤8、录入反馈的匹配满意度；
步骤9、存储新学生数据入库。
与现有师生匹配技术相比，基于信息技术与数据挖掘技术，本发明能够提高线上教学学生和教师的匹配速度以及学生上课满意度，而且，匹配结果能够满足要求，节省人力。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明实施例中智能师生匹配系统组成示意图；
图2是本发明实施例硬件子系统示意图；
图3是本发明实施例运行计算机系统示意图；
图4是本发明实施例中智能师生匹配方法流程示意图；
图5是本发明实施例中学生和教师的特征向量组成示意图；
图6是本发明实施例中线下师生匹配模型构建流程示意图；
图7是本发明实施例中线上师生匹配流程示意图。
其中：100-智能师生匹配方法，210-教师特征向量，220-学生特征向量，403-距离计算，404-读取匹配，500-软件子系统，600-硬件子系统，700-计算机系统。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
本发明一个较佳实施例在线教育智能师生匹配系统，包括硬件子系统600和软件子系统500，硬件子系统600通过操作系统与软件子系统500连接。
如图1所示，软件子系统500包括接收模块、存储模块、获取模块、计算模块、显示模块、反馈模块，接收模块通过程序接口分别与计算模块和存储模块相连接，获取模块通过程序接口分别与计算模块和存储模块相连接，显示模块通过程序接口分别与计算模块和反馈模块相连接，存储模块和反馈模块通过程序接口相连接。其中，
501：接收模块，用于录入学生和教师档案信息，用于录入新上课学生的信息。
506：存储模块，用于存储录入的学生和教师档案信息，用于保存学生对教师的满意度评价等信息。
505：获取模块，用于线下师生模型构建，获得每个学科每个教师关联的高满意度学生的特征中心向量。
502：计算模块，对于新上课的学生，用于计算获得与该学生匹配的教师。计算方法参见图7。
503：显示模块，将匹配的教师显示给学生或教务人员。
504：反馈模块，学生可以对所上课的教师的满意度进行评价，相应评价结果存入存储模块。
如图2所示，硬件子系统600包括教师客户端设备、学生客户端设备、在线教学系统服务器，教师客户端设备、学生客户端设备、在线教学系统服务器之间通过网络进行通信。其中，
610：网络通信系统，学生、教师和教学系统服务器通过该网络进行相关数据交互、传输，该网络可以是有线网、无线网、Internet广义网等。
621：学生通过学生客户端进行上课，客户端可以是个人电脑、平板电脑和智能手机等。客户端上运行有线上上课软件622，学生可以通过该软件录入相关信息，进行DISC等测试。
631：教师通过教师客户端进行，客户端可以是个人电脑、平板电脑和智能手机等。客户端上运行有线上教学软件632，教师可以通过该软件录入相关信息，进行DISC等测试。
641：在线教学系统服务器提供线上教学的功能服务，例如上面运行有数据库等软件642，用于存储学生和教师档案。可选地，服务器进行线上模型构建和线上师生匹配，并将匹配结果通知给学生。
在图2中，教师客户端设备、学生客户端设备、在线教学系统服务器均包括计算机系统700。如图3所示，计算机系统700包括内存、硬盘、处理器、输入/输出设备、通信端口，内存、硬盘、处理器、输入/输出设备通过总线进行通信。
上述实施例在线教育智能师生匹配系统的师生匹配方法包括：存储教师档案库；存储学生档案库；存储师生关联数据库；基于师生关联数据库构建师生匹配模型；录入新学生档案数据；基于师生匹配模型运行师生匹配算法；输出与新学生相匹配的教师；录入反馈的匹配满意度；存储新学生数据入库。
图4是本发明实施例智能师生匹配方法100流程示意图，该方法包括如下步骤：
101：存储教师档案库。
本实施中，教师档案库存储教师的信息。教师信息可以包括：教师年龄、性别、教师所在的学科组等基本信息。可选地，参见图5，教师信息还包括其他测试构成的教师特征向量210，该向量可以包括：
211:教师学科特长自我评估向量，教师对自己各学科的特征进行自我评估打分。
212：教师通过Myers-Briggs Type Indicator(MBTI)性格测试得到的结果向量。
213：教师通过Dominance-Influence-Steady-Compliance(DISC)性格测试得过的结果向量。
教师的特征还可通过其他测试进行评估，不为本实施例所限定。存储教师档案的数据库可以是关系型数据库MySQL或非关系型数据库MongoDB。
102：存储学生档案库。
本实施例中，学生档案库存储学生的相关信息。学习信息可以包括：学生所在年级，学生上过的学科、年龄、性别等基本信息。可选地，参见图5，学生信息还包括其他测试构成的学生特征向量220，该向量可以包括：
221:学生学科成绩自我评估向量，学生对自己各学科的成绩进行自我评估打分。
222：学生通过所罗门学习风格测评得到的结果向量
223：学生通过MBTI性格测试得到的结果向量。
224：学生通过DISC性格测试得过的结果向量。
学生的特征还可通过其他测试进行评估，不为本实施例所限定。存储学生档案的数据库可以是关系型数据库MySQL或非关系型数据库MongoDB。
103：存储师生关联数据库。
师生关联数据库可以存储每个学生对已经上过课的教师的满意度评价，满意度评价可以分为5级：很满意、满意、一般、不满意和很不满意。
104：基于师生关联数据库构建师生匹配模型。
线下构建师生匹配模型，可选地，参考图6，线下师生匹配模型的构建流程包括：
301：调用学生特征数据集，将102中存储的学生特征数据库载入。
302：调用教师特征数据集，将101中存储的教师特征数据库载入。
303：调用学生对教师的满意度数据集，将103中的关联数据载入。
304：对于每个学科每个教师，统计对其评价等级为高满意度的学生，将这些学生的特征进行聚合。
305：对于每个学科每个教师，对304所述的特征集合进行聚类。聚类方法可以是K均值聚类、层次聚类等。
306：对于每个学科每个教师，计算305所述各聚类的特征中心向量。
307：对于每个学科每个教师，存储其关联的如306所述的各聚类的特征中心向量。
308：完成匹配模型构建。
该线下构建的师生匹配模型，可用于线上的教师-学生匹配。
105：录入新学生档案数据。
线上教学系统有新学生要参与上课，通过线上教学系统的web前端将该学生的相关信息录入。
106：基于师生匹配模型运行师生匹配算法。
线上进行师生匹配，可选地，参见图7，线上的师生匹配流程包括：
401：如步骤105，新上课学生进行个人信息填写与相关测试。
402：确定学生所要上的年级和学科，构建新学生的特征向量，该特征向量组成如220所示。
根据当前系统是否有训练好的线下模型，选择相应的师生匹配方式。如果是有训练好的线下模型，可选地，进行步骤403所示的匹配。
403(距离计算)：计算402所得学生特征向量与对应学科每个教师关联的特征中心的距离，所用距离计算方法可以是欧式距离、余弦距离等；选取距离前N个最小的特征中心对应的教师为匹配老师，N的取值可以是3、5等。
如果没有训练好的线上模型，可选地，进行步骤404所示的匹配。
404(读取匹配)：读取对应学科每个教师的特征向量，基于预设的初始化规则进行教师匹配。预设的初始化规则可以是：教师对该学科的特长自我评估分数很高；学生与教师的性格匹配，例如在DISC测试中，教师和学生都是强S型性格；预设的初始化规则还可以上述多个规则的组合。
107：输出与新学生相匹配的教师。
向学生推荐前N个最匹配的教师，学生可以根据教师的其他信息，例如可上课时间等，再选定最终的老师。
108：录入反馈的匹配满意度。
学生和教师上完一段时间的课程后，可以在系统上对该教师的满意度进行评价，评价结果保存。
109：存储新学生数据入库。
将新学生的基本信息、特征向量等信息存入数据库。结合步骤108反馈的匹配满意度，可以线下对师生匹配模型进行更新、优化。可选地，如果有新教师进入本系统，应将新教师的档案入库。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种在线教育智能师生匹配方法，其特征在于，所述方法包括以下步骤：
步骤1、存储教师档案库；
步骤2、存储学生档案库；
步骤3、存储师生关联数据库；
步骤4、基于师生关联数据库构建师生匹配模型；
步骤5、录入新学生档案数据；
步骤6、基于师生匹配模型运行师生匹配算法；
步骤7、输出与新学生相匹配的教师；
步骤8、录入反馈的匹配满意度；
步骤9、存储新学生数据入库；
其中，
在所述步骤1中，所述教师档案库存储教师的信息，所述教师信息包括教师基本信息和教师特征向量，所述教师基本信息包括教师年龄、性别和教师所在的学科组，所述教师特征向量包括：
1)教师学科特长自我评估向量，教师对自己各学科的特征进行自我评估打分；
2)教师通过MBTI性格测试得到的结果向量；
3)教师通过DISC性格测试得到的结果向量；
在所述步骤2中，所述学生档案库存储学生的信息，所述学生信息包括学生基本信息和学生特征向量，所述学生基本信息包括学生所在年级，学生上过的学科、年龄、和性别；所述学生特征向量包括：
1)学生学科成绩自我评估向量，学生对自己各学科的成绩进行自我评估打分；
2)学生通过所罗门学习风格测评得到的结果向量；
3)学生通过MBTI性格测试得到的结果向量；
4)学生通过DISC性格测试得到的结果向量；
在所述步骤4中，所述基于师生关联数据库构建师生匹配模型为线下构建师生匹配模型，所述步骤4包括：
S301：调用学生特征数据集，将存储的学生特征数据库载入；
S302：调用教师特征数据集，将存储的教师特征数据库载入；
S303：调用学生对教师的满意度数据集，将关联数据载入；
S304：对于每个学科每个教师，统计对其评价等级为高满意度的学生，将这些学生的特征进行聚合；
S305：对于每个学科每个教师，对所述S304步骤中的特征集合进行聚类，聚类方法为K均值聚类或者层次聚类；
S306：对于每个学科每个教师，计算所述S305步骤中的各聚类的特征中心向量；
S307：对于每个学科每个教师，存储其关联的所述各聚类的特征中心向量；
S308：完成匹配模型构建；
在所述步骤6中，所述基于师生匹配模型运行师生匹配算法为线上进行师生匹配，所述步骤6包括：
S401：新上课学生进行个人信息填写与测试，所述测试包括罗门学习风格测评、MBTI性格测试和DISC性格测试；
S402：确定学生所要上的年级和学科，构建新学生的特征向量；根据当前系统是否有训练好的线下模型，选择相应的师生匹配方式：如果有训练好的线下模型，进行步骤S403，否则进行步骤S404；
S403：距离计算：计算所述S402步骤中所得的学生特征向量与对应学科每个教师关联的特征中心的距离，所述距离的计算方法为欧式距离或者余弦距离，选取所述距离前N个最小的特征中心对应的教师为匹配老师，所述N的取值为3或者5；
S404：读取匹配：读取对应学科每个教师的特征向量，基于预设的初始化规则进行教师匹配，所述预设的初始化规则包括教师对该学科的特长自我评估分数很高，学生与教师的性格匹配，或者上述规则的组合。
2.一种在线教育智能师生匹配系统，其特征在于，包括硬件子系统和软件子系统，所述硬件子系统通过操作系统与软件子系统连接，所述软件子系统包括接收模块、存储模块、获取模块、计算模块、显示模块、反馈模块，所述接收模块通过程序接口分别与计算模块和存储模块相连接，所述获取模块通过程序接口分别与计算模块和存储模块相连接，所述显示模块通过程序接口分别与计算模块和反馈模块相连接，所述存储模块和反馈模块通过程序接口相连接，所述在线教育智能师生匹配系统采用如权利要求1所述的在线教育智能师生匹配方法。
3.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述获取模块用于线下师生模型构建和获取。
4.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述计算模块，用于计算获得与新上课学生匹配的教师。
5.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述存储模块用于存储录入的学生和教师档案信息，保存学生对教师的满意度评价信息。
6.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述显示模块将匹配的教师推荐给学生或教务人员。
7.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述反馈模块使学生可以对所上课的教师的满意度进行评价，相应评价结果存入存储模块。
8.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述接收模块用于录入学生和教师档案信息、录入新上课学生的信息。
9.如权利要求2所述在线教育智能师生匹配系统，其特征在于，所述硬件子系统包括教师客户端设备、学生客户端设备、在线教学系统服务器，所述教师客户端设备、学生客户端设备、在线教学系统服务器之间通过网络进行通信。
10.如权利要求9所述在线教育智能师生匹配系统，其特征在于，所述教师客户端设备、学生客户端设备、在线教学系统服务器均包括计算机系统，所述计算机系统包括内存、硬盘、处理器、输入/输出设备、通信端口，所述内存、硬盘、处理器、输入/输出设备通过总线进行通信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910011682.9A CN109754349B (zh) | 2019-01-07 | 2019-01-07 | 一种在线教育智能师生匹配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910011682.9A CN109754349B (zh) | 2019-01-07 | 2019-01-07 | 一种在线教育智能师生匹配系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109754349A CN109754349A (zh) | 2019-05-14 |
| CN109754349B true CN109754349B (zh) | 2023-09-05 |
Family
ID=66405327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910011682.9A Active CN109754349B (zh) | 2019-01-07 | 2019-01-07 | 一种在线教育智能师生匹配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109754349B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110162554A (zh) * | 2019-05-24 | 2019-08-23 | 北京谦仁科技有限公司 | 数据处理方法、装置、存储介质和电子设备 |
| CN110648086A (zh) * | 2019-10-31 | 2020-01-03 | 上海复岸网络信息科技有限公司 | 一种线上教学学生分组方法和装置 |
| CN110909248A (zh) * | 2019-12-03 | 2020-03-24 | 北京明略软件系统有限公司 | 一种教师推荐方法和装置 |
| CN111415283A (zh) * | 2020-04-15 | 2020-07-14 | 上海复岸网络信息科技有限公司 | 一种有效在线教学的因素分析方法和装置 |
| CN111667178B (zh) * | 2020-06-07 | 2023-10-20 | 中信银行股份有限公司 | 培训机构教师的评估和推荐方法、装置、电子设备及介质 |
| CN115376372B (zh) * | 2022-08-26 | 2023-07-25 | 广东粤鹏科技有限公司 | 一种多媒体教学方法及教学系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040103605A (ko) * | 2003-05-30 | 2004-12-09 | 한국과학기술원 | 기억과 이해능력의 ｉｎｐｕｔ 지수와, 논리와 평가능력의 ｏｕｔｐｕｔ 지수를 고려한 심층적 영재 판별과영재성 패턴 분석 및 영재 지수화 방법 |
| 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 |
| CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及系统 |
| CN106097204A (zh) * | 2016-06-24 | 2016-11-09 | 北京航空航天大学 | 一种面向冷启动学生用户的工作推荐系统及推荐方法 |
| KR20160137269A (ko) * | 2015-05-22 | 2016-11-30 | 주식회사 와이젠스쿨 | 학부모 참여형 다자학습평가 영어교육 시스템 |
| CN107784606A (zh) * | 2016-08-30 | 2018-03-09 | 源渠（上海）信息技术有限公司 | 一种培训机构推荐系统及方法 |
| CN108389148A (zh) * | 2018-03-06 | 2018-08-10 | 江苏中企教育科技股份有限公司 | 一种外贸人才课程推荐的方法及系统 |
| CN109145113A (zh) * | 2018-08-24 | 2019-01-04 | 北京桃花岛信息技术有限公司 | 一种基于机器学习的学生贫困程度预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180233057A1 (en) * | 2017-02-13 | 2018-08-16 | Microsoft Technology Licensing, Llc | Proactive content recommendation in teaching space |
| CN106875309A (zh) * | 2017-04-01 | 2017-06-20 | 福建云课堂教育科技有限公司 | 一种课程推荐方法及系统 |
| CN107393360A (zh) * | 2017-07-17 | 2017-11-24 | 扬州大学 | 网络家教信息系统及其控制方法 |
-
2019
- 2019-01-07 CN CN201910011682.9A patent/CN109754349B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040103605A (ko) * | 2003-05-30 | 2004-12-09 | 한국과학기술원 | 기억과 이해능력의 ｉｎｐｕｔ 지수와, 논리와 평가능력의 ｏｕｔｐｕｔ 지수를 고려한 심층적 영재 판별과영재성 패턴 분석 및 영재 지수화 방법 |
| 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 |
| CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及系统 |
| KR20160137269A (ko) * | 2015-05-22 | 2016-11-30 | 주식회사 와이젠스쿨 | 학부모 참여형 다자학습평가 영어교육 시스템 |
| CN106097204A (zh) * | 2016-06-24 | 2016-11-09 | 北京航空航天大学 | 一种面向冷启动学生用户的工作推荐系统及推荐方法 |
| CN107784606A (zh) * | 2016-08-30 | 2018-03-09 | 源渠（上海）信息技术有限公司 | 一种培训机构推荐系统及方法 |
| CN108389148A (zh) * | 2018-03-06 | 2018-08-10 | 江苏中企教育科技股份有限公司 | 一种外贸人才课程推荐的方法及系统 |
| CN109145113A (zh) * | 2018-08-24 | 2019-01-04 | 北京桃花岛信息技术有限公司 | 一种基于机器学习的学生贫困程度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 甘杨兰，关佶红著.面向基因组分析的数据挖掘算法研究.同济大学出版社,2017,48页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109754349A (zh) | 2019-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754349B (zh) | 一种在线教育智能师生匹配系统 | |
| CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
| Greiff et al. | Dynamic problem solving: A new assessment perspective | |
| Tzouveli et al. | An intelligent e-learning system based on learner profiling and learning resources adaptation | |
| CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
| WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
| US20130260359A1 (en) | Apparatus and method for diagnosing learning ability | |
| Weng et al. | The combined effect of self-efficacy and academic integration on higher education students studying IT majors in Taiwan | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| Kai et al. | Predicting Student Retention from Behavior in an Online Orientation Course. | |
| CN111831831A (zh) | 一种基于知识图谱的个性化学习平台及其构建方法 | |
| CN116932733B (zh) | 基于生成式大语言模型的信息推荐方法及相关装置 | |
| CN107562836A (zh) | 基于主题模型和机器学习的回答者推荐方法 | |
| Jere | Investigating university academics behavioural intention in the adoption of e-learning in a time of COVID-19 | |
| CN110209797A (zh) | 英语分级阅读材料自动推荐方法及装置 | |
| Peng et al. | A pattern recognition method of personalized adaptive learning in online education | |
| CN110648086A (zh) | 一种线上教学学生分组方法和装置 | |
| Huang et al. | A group intelligence-based asynchronous argumentation learning-assistance platform | |
| Nakayama et al. | Using note taking instructions to reform student's note taking activities and improve learning performance in a blended learning course | |
| CN111415283A (zh) | 一种有效在线教学的因素分析方法和装置 | |
| CN116342082A (zh) | 基于知识图谱的岗位胜任力判断方法、装置、介质及设备 | |
| CN110020203B (zh) | 一种基于个体训练特征的智能选题系统 | |
| He et al. | Machine Learning Contests: A Guidebook | |
| Wan et al. | Personalized professional recommendation system based on undergraduate questionnaires | |
| CN112231373A (zh) | 知识点数据的处理方法、装置、设备和计算机可读介质 |
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 |