CN109784688A - 教育水平可视化评价方法、装置、设备及存储介质 - Google Patents
教育水平可视化评价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109784688A CN109784688A CN201811621966.1A CN201811621966A CN109784688A CN 109784688 A CN109784688 A CN 109784688A CN 201811621966 A CN201811621966 A CN 201811621966A CN 109784688 A CN109784688 A CN 109784688A
- Authority
- CN
- China
- Prior art keywords
- school
- ranking
- education
- level
- unit
- 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 36
- 230000000007 visual effect Effects 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的教育水平可视化评价方法、装置、设备及存储介质，通过获取办学单位在各预选指标的排名信息；将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。本申请的发明思想是结合相对评价和个体内差异评价的特点，通过可视化方式直观展示评价结果，解决现有技术的问题。
Description
技术领域
本申请涉及教育评价技术领域，尤其涉及教育水平可视化评价方法、装置、设备及存储介质。
背景技术
随着高等教育竞争的日益加剧，大学管理人员越来越关注对学校教育水平在全国甚至全世界高校中所处的位置进行定位，关注与其他学校的差距。依据教育评价理论，按照评价参照的标准不同，对大学教育水平的评价一般可以分为相对评价、绝对评价和个体内差异的评价三种类型。
相对评价是在一组对象内部进行互相比较确定相对位置的评价方式。大学排名是高校评价领域一种较为典型的相对评价方式，例如软科世界大学学术排名、THE世界大学排名、QS世界大学排名、US News世界大学排名、中国大学评价等。大学排名大多以一套有固定权重的指标体系对高校的教育水平进行评价，将学校在各指标上的得分加权计算总分，并按总分由高到低的顺序进行排序得到学校的排名名次，在这种评价形式中，排名名次即为学校的评价结果。在排名的基础上对学校的教育水平进行评级也是相对评价的一种形式，例如教育部使用一套学科评价指标体系对我国高校各个学科的水平进行评价和算分，并根据总分的位次百分位，将排名为前70％的学科分为9档公布：A+、A、A-、B+、B、B-、C+、C、C-，在这种评价形式中，学科的等级即为学科水平的评价结果。
绝对评价是依据某种需要或要求设定固定标准的评价。例如，教育部高等教育教学评估中心开展的高等学校本科教学工作水平评估，评估结果分为优秀、良好、合格和不合格四种标准，学校只有达到一定的标准才能够被评为合格及以上。
个体内差异的评价是对评价对象自身不同方面或不同时期的差异进行评价和比较的方法。例如，高校管理部门对学校内部工作进行的评价，如学生对课程的评教、教师的聘期考核等。
但是上述三种大学评价技术各有不足：
(1)在相对评价中，不管是对大学教育水平进行排名还是评级，虽然通常涉及多个办学维度、多个评价指标，但最终结果一般是单维度的，无法直观显示学校在不同办学维度、办学指标上的表现。
(2)在绝对评价中，学校可以通过评价了解自身的教育水平与标准之间的差距，但当评价对象数量较多、范围较广时，标准的确定往往需要兼顾所有评价对象，很难帮助学校直观了解与其他学校之间相对差距。
(3)在个体内差异的评价中，高校管理部门对学校内部各项工作开展的评价，一般没有评价标准，很难将各项工作放在一起比较，也很难与其他评价对象之间进行比较，对学校定位教育水平、寻找与其他学校之间的差距帮助有限。
发明内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供教育水平可视化评价方法、装置、设备及存储介质，解决现有技术中教育评价方式的评价结果不直观、且难以用于办学单位内部不同方面表现的比较等问题。
为实现上述目标及其他相关目标，本申请提供一种教育水平可视化评价方法，包括：获取办学单位在各预选指标的排名信息；将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
于一实施例中，各所述排名信息通过不同的显示参数以进行区别显示。
于一实施例中，所述显示参数包括：图案、颜色、形状、及尺寸中的任意一种或多种。
于一实施例中，所述的方法，包括：至少令位于所述教育水平排名序列中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
于一实施例中，所述的方法，还包括：在所述位于教育水平排名序列中心点的排名信息所划分的前区和后区中，至少令位于所述前区中心点和后区中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
于一实施例中，所述教育水平排名序列对应的显示图案为各排名信息按排名值从小到大的顺序从左向右排列、从右向左排列、从上向下排列或从下向上排列。
于一实施例中，在所述教育水平排名序列对应的显示图案中，各排名信息沿直线、曲线、或直线与曲线的结合的轨迹进行排列。
于一实施例中，所述办学单位为一国家或地区中的各预设类型的办学单位中的任意一所；所述预设类型包括：小学、中学、大学、或研究所；一办学单位的所述预选指标的排名信息包括：该办学单位在一国家或地区的各相同预设类型的办学单位中在该预选指标的排名信息。
于一实施例中，各所述预选指标选自一或多个教育水平指标集合；所述一或多个教育水平指标集合，包括：办学规模与层次指标集合、学科布局与水平指标集合、办学资源指标集合、师资规模与结构指标集合、人才培养能力指标集合、科学研究能力指标集合、服务社会能力指标集合、高端人才指标集合、重大项目与成果指标集合、及国际竞争力指标集合中的任意一或多种。
于一实施例中，所述的方法包括：检测对应目标用户所关联的办学单位信息，根据所述办学单位信息进行对应的教育水平排名序列的显示。
为实现上述目标及其他相关目标，本申请提供一种教育水平可视化评价装置，包括：采集模块，用于获取办学单位在各预选指标的排名信息；处理模块，用于将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
为实现上述目标及其他相关目标，本申请提供一种计算机设备，包括：处理器及存储器；所述存储器，存储有计算机程序；所述处理器，用于运行所述计算机程序，以执行所述的教育水平可视化评价方法。
为实现上述目标及其他相关目标，本申请提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被运行时实现所述的教育水平可视化评价方法。
如上所述，本申请的教育水平可视化评价方法、装置、设备及存储介质，通过获取办学单位在各预选指标的排名信息；将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。本申请的发明思想是结合相对评价和个体内差异评价的特点，通过可视化方式直观展示评价结果，解决现有技术的问题。
附图说明
图1显示为本申请实施例中教育水平可视化评价方法的流程示意图。
图2显示为本申请实施例中一办学单位A的教育水平排名序列的图形化显示界面。
图3显示为本申请实施例中一办学单位B的教育水平排名序列的图形化显示界面。
图4显示为本申请实施例中教育水平可视化评价装置的模块示意图。
图5显示为本申请实施例中计算机设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
鉴于现有技术中的教育评价方式存在的不直观，以及难以用于办学单位内部不同方面表现的评价等问题，本申请的发明思想是通过提供基于办学单位在不同评价指标上的排名信息，来进行教育水平可视化评价结果的直观展示，解决上述问题。
如图1所示，展示本申请实施例中的教育水平可视化评价方法的流程示意图。
在本实施例中，所述方法包括：
步骤S101：获取办学单位在各预选指标的排名信息。
于一实施例中，所述办学单位为一国家或地区中的各预设类型的办学单位中的任意一所；所述预设类型包括：小学、中学、大学、或研究所；一办学单位的所述预选指标的排名信息包括：该办学单位在一国家或地区的各相同预设类型的办学单位中在该预选指标的排名信息。
所述地区可以是一个国家中的某个区域，例如中国的省、市、县等，也可以是跨国家的，例如亚洲等。当然，为了能在同一层面进行评价，最佳的是在一个国家中的同类型办学单位间进行比较，不同国家的教育制度很有可能存在很大差异，这样在比较时指标可能就难以通用；但是，如果在某些教育制度相近的国家的同类型办学单位之间，指标可以通用的话，那么比对也是可行的。
于一实施例中，关于所述预选指标的确定，在评价一个学校的办学水平时，会从多个维度进行考虑。在此过程中，可以通过多种方式来得到该些预选指标。例如，可以通过先搜集认为与一大学办学水平相关的各种量化指标，进而根据相互间所属类型的相似性来进行分类，类似于无监督的聚类方式，从而形成多种分类；或者，也可以先进行监督分类(可以是多级)，然后将所获取到的量化指标放入各分类中。
这些分类的工作可以是人工完成，也可以通过机器学习来完成，机器学习可以采用分类模型，例如回归分析、决策树、人工神经网络(较好地，可以是深度神经网络模型，例如CNN等)、贝叶斯网络或支持向量机等。
举例来说，各所述预选指标选自一或多个教育水平指标集合；所述一或多个教育水平指标集合，包括：办学规模与层次指标集合、学科布局与水平指标集合、办学资源指标集合、师资规模与结构指标集合、人才培养能力指标集合、科学研究能力指标集合、服务社会能力指标集合、高端人才指标集合、重大项目与成果指标集合、及国际竞争力指标集合中的任意一或多种。
以中国的大学为例，下表1展示了一种实施例中预选指标的定义及计算方式：
表1大学办学水平指标
其中，部分指标的含义和计算方法可例如以下所示：
1.指标生源质量得分指学校录取的文史、理工类本科新生的高考成绩。按公式(1)计算A校文科生源质量得分：
公示(1)中，i指A校在文科招生的所有省份；D文i指文科录取线差，即A校在i省的文科平均录取分数与该省文科本科批次控制分数线之差；MAXD文i指所有在i省招生的高校的文科录取线差中的最大值；N文i指A校在i省的文科录取人数；∑N文i指A校文科全国录取人数。
按公式(2)计算A校理科生源质量得分：
公式(2)中，i指A校在理科招生的所有省份；D理i指理科录取线差，即A校在i省的理科平均录取分数与该省理科本科批次控制分数线之差；MAXD理i指所有在i省招生的高校的理科录取线差中的最大值；N理i指A校在i省的理科录取人数；∑N理i指A校理科全国录取人数。
按公式(3)和(4)计算A校文科和理科的标准分：
A校文科标准分(S′文)＝S文/MAXS文 (3)
A校文科标准分(S′理)＝S理/MAXS理 (4)
公式(3)中MAXS文指所有高校中文科得分的最大值，公式(4)中MAXS理指所有高校中理科得分的最大值。
按公式(5)计算A校的综合得分：
2.指标“国家级科研项目师均数”，是指国家自然科学基金面上项目、青年项目和国家社会科学基金一般项目、青年项目的师均数。
3.指标“资深学术权威总数”，是指现职工作单位(人事关系)在评价学校的80岁以下的中国科学院院士与中国工程院院士数量，同时拥有中国科学院院士和中国工程院院士头衔的学者仅统计一次。
4.指标“中年领军专家总数”，是指现职工作单位(人事关系)在评价学校的长江学者特聘教授以及国家杰出青年科学基金获得者数量，不包括已拥有中国科学院院士或中国工程院院士头衔的学者，其中同时为长江特聘和国家杰青的学者仅统计一次。
5.指标“青年拔尖英才总数”是指当选单位在评价学校的“青年千人计划”入选者、国家优秀青年科学基金获得者、“万人计划”青年拔尖人才和青年长江学者数量，同时拥有青年千人、国家优青、青年拔尖和青年长江头衔的学者仅统计一次。
6.指标“自科重大重点项目折合数”，是指学校主持承担973计划项目、国家重点研发计划、自然科学基金重大项目和重点项目的折合数，按公式(6)计算自科重大重点项目折合数：
自科重大重点项目折合数＝(973计划项目总数+国家重点研发计划总数+自然科学基金重大项目总数)×A+自然科学基金重点项目总数(6)
7.指标“社科重大重点项目折合数”，是指学校主持承担社会科学基金重大项目和重点项目的折合数，按照公式(7)计算社科重大重点项目折合数：
社科重大重点项目折合数＝社会科学基金重大项目总数×b+社会科学基金重点项目总数(7)
8.指标“国家三大科技奖折合数”，是指学校获得国家自然科学奖、国家技术发明奖、国家科技进步奖的折合数，按照公式(8)计算国家三大科技奖折合数：
国家三大科技奖折合数＝(国家自然科学一等奖总数+国家技术发明一等奖总数+国家科技进步特等奖总数)×C+国家科技进步一等奖总数×D+(国家自然科学二等奖总数+国家技术发明二等奖总数)×E+国家科技进步二等奖×F(8)
9.按照公式(9)计算指标教育部高校科研优秀成果奖折合数(人文社科类)：
教育部高校科研优秀成果奖折合数(人文社科类)＝教育部高校科研优秀成果一等奖总数×G+教育部高校科研优秀成果二等奖总数×H+(教育部高校科研优秀成果三等奖总数+教育部高校科研优秀成果普及奖总数)×I(9)
10.指标“国际核心期刊论文标准化影响力”是指国际核心期刊论文的被引用次数和相同学科、相同年份、相同类型论文平均被引次数的比值。
11.指标“《自然》和《科学》论文折合数”是指在期刊《自然》和《科学》上发表论文的折合数量，通讯作者单位的权重为100％，第一作者单位(如果第一作者单位与通讯作者单位相同，则为第二作者单位)的权重可以为例如50％～75％，下一个作者单位的权重为25％～30％，其他作者单位的权重为10％～15％，此权重仅为举例，可以加以调整，并非以本实施例为限。
需特别说明的是，上述表中的指标及计算方式只是列举，可以根据实际需求加以变化，例如各公式中的计算因子及权重等也可以加以变化，例如公式1～5，可以根据实际情况加入计算因子，再例如公式6～9中的各个计算因子A～I，也都可以根据实际需求自行设定。
另外，在预选指标的选择上，可以直接使用本实施例表1中的推荐指标，也可以根据办学单位自身的办学情况和特色自定义指标；可以选择不同的指标进行横向比较和评价，也可以选择同一个关键指标的多个年份进行纵向比较和评价，并非以本实施例为限。
在选定了预选指标后，可以根据获取的不同办学单位(可以是同一国家或同一地区)在该些预选指标的数据进行排名比对，该些数据的来源可以例如为互联网，如在学校官方网站以及教育部、科技部等权威机构的网站和数据库中收集数据并进行清理，并对办学单位在各预选指标上的表现进行排名，以得到排名信息。
于一实施例中，所述排名信息包括排名值；举例来说，选择27所大学，A大学在某个预选指标上的表现在27所大学中排在12位，则其排名值即为12。
步骤S102：将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
于一实施例中，假设有三项预选指标1、2、3，A大学在预选指标1的排名为全国第12名，在指标2的排名为全国259名，在指标3的排名为全国第3名，则如果排名值从低至高排列，A大学的教育水平排名序列为“指标2：259，指标1：12，指标3：3”。
于一实施例中，该教育水平排名序列在进行可视化图形显示时，可以通过不同的显示参数来区别排名信息相关的预选指标，配合预选指标的排名值，就能直观清晰地反映办学单位在各项预选指标中的全国排名情况。
具体的，各所述排名信息通过不同的显示参数以进行区别显示；所述显示参数包括：图案、颜色、形状、及尺寸中的任意一种或多种。
举例来说，如图2所示，展示本申请实施例中一办学单位A的教育水平排名序列的图形化显示界面。
在本实施例中，选取了30项预选指标，该30项预选指标可以例如为表1中所列出的各项指标。
图中的顶部部分所显示的一串圆形的图案即为由办学单位A在该30项预选指标的排名信息构成的教育水平排名序列；在本实施例中，每个圆形代表一个预选指标，虽然不同预选指标形状皆为圆形，但是可以通过不同颜色来加以区别；当然，在其它实施例中也可以通过不同尺寸或形状(例如方形、三角形等)来区别不同预选指标。
各圆形上显示的数字即为对应指标的排名值，例如图中所展示的“…20,13,13，12,11,9,9,8,8,7,7,6,6,5,5….”表示了15项预选指标的排名值。
在本实施例中，所述教育水平排名序列对应的显示图案为各排名信息按排名值从低到高的顺序从左向右排列；在其它实施例中，所述教育水平排名序列对应的显示图案为各排名信息也可以是从右向左排列、从上向下排列或从下向上排列等排列方式。
在本实施例中，可选的，所述教育水平排名序列中的各排名信息可以是沿例如图2所示的直线轨迹排列，在其它实施例中，也可以是沿曲线、或直线与曲线的结合的轨迹进行排列。
在本实施例中，可选的，所述教育水平排名序列中心点的排名信息按照区别于其它排名信息的显示参数进行显示；举例来说，如图2所示，图中中心位置的预选指标的排名信息，即显示为“中间名次”的全国第8名的排名信息，它显示为区别于其它排名信息的较大尺寸的圆形，且颜色也用与其它排名信息的深色不同的浅色表示。
同理，可选的，在所述位于教育水平排名序列中心点的排名信息所划分的前区和后区中，至少令位于所述前区中心点和后区中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
在本实施例中，图中的“较低名次”的全国第20名的排名信息，以及“较高名次”的全国第5名的排名信息，分别为前区和后区的中心点，总的来说，“较高名次”表示该办学单位的教育水平排名序列中排名第25％分位点的预选指标，“中间名次”表示该办学单位的教育水平排名序列中排名第50％分位点的预选指标，“较低名次”表示该办学单位的教育水平排名序列中排名第75％分位点的预选指标，另外，结合序列两端的“最高名次”和“最低名次”的排名信息，我们就能基本确定该办学单位在全国的名次。
一般来讲，“中间名次”就能大概反映办学单位A在同类型办学单位群体(例如全国的大学)中的整体水平排名，大概在前8名左右；而“较高名次”和“较低名次”能大概反映办学单位A的排名波动范围。
通过上述可视化图案，用户能非常直观地获知该办学单位A较强的指标及较弱的指标所在。
图中教育水平排名序列的图案的下方部分显示该办学单位A各预选指标的具体数据以及对应的排名值的获得，便于用户对应查找观察该些详细数据。当然，在一些实施例中，可以仅显示所述教育水平排名序列的图案而未必需要显示其下方的内容。
见下表2，展示本实施例中办学单位A的具体数据和排名值。
表2：
进一步的，通过统一预选指标，利用该可视化评价的方式，我们能进行不同办学单位之间的比较。
如图3所示，展示本申请实施例中一办学单位B的教育水平排名序列的图形化显示界面。
在本实施例中，可以发现办学单位B的“较低名次”是全国第59名，“中间名次”是全国第47名，“较高名次”是全国第31名。
见下表3，展示本实施例中办学单位B的具体数据和排名值。
表3：
与图2的原理相似的是，根据图3可知，办学单位B的在同类型办学单位群体(例如全国的大学)中的整体水平排名，大概在第47名左右；而“较高名次”和“较低名次”能大概反映办学单位B的排名波动范围。
具体的，对办学单位的办学水平进行评价：
办学单位A的整体水平是以全国第8名(中值排名)为基准，在5名(第25％分位点排名)和20名(第75％分位点排名)之间波动；办学单位B的整体水平是以全国第47名(中值排名)为基准，在31名(第25％分位点排名)和59名(第75％分位点排名)之间波动。可见，办学单位A的整体办学水平明显优于办学单位B。
于一实施例中，可以通过具有显示器的计算机设备来显示例如图2及图3的显示界面。所述计算机设备可以例如为台式机、笔记本电脑、智能手机、或平板电脑等。
可选的，所述计算机设备可以检测目标用户所关联的办学单位信息，从而自动根据所述办学单位信息进行对应的教育水平排名序列的显示。
具体的，在一些实施例中，所述目标用户可以是预先注册在所述计算机设备的用户，当计算机设备检测到所述目标用户登录时，可以自动查询其注册时录入的办学单位信息，从而利用对应的原始数据得到其在各项预选指标的排名信息或直接获得已存储的排名信息，从而形成教育水平排名序列并显示。
如图4所示，展示本申请实施例中的教育水平可视化评价装置的模块示意图。
需说明的是，所述教育水平可视化评价装置与图1所示的方法实施例的原理基本相同，因此，方法实施例中的各技术内容皆可应用于本实施例中，以下不做重复赘述。
所述教育水平可视化评价装置，包括：
采集模块401，用于获取办学单位在各预选指标的排名信息；
处理模块402，用于将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
于一实施例中，各所述排名信息通过不同的显示参数以进行区别显示。
于一实施例中，所述显示参数包括：图案、颜色、形状、及尺寸中的任意一种或多种。
于一实施例中，所述处理模块402，还用于至少令位于所述教育水平排名序列中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
于一实施例中，所述处理模块402，还用于在所述位于教育水平排名序列中心点的排名信息所划分的前区和后区中，至少令位于所述前区中心点和后区中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
于一实施例中，所述教育水平排名序列对应的显示图案为各排名信息按排名值从小到大的顺序从左向右排列、从右向左排列、从上向下排列或从下向上排列。
于一实施例中，在所述教育水平排名序列对应的显示图案中，各排名信息沿直线、曲线、或直线与曲线的结合的轨迹进行排列。
于一实施例中，所述办学单位为一国家或地区中的各预设类型的办学单位中的任意一所；所述预设类型包括：小学、中学、大学、或研究所；一办学单位的所述预选指标的排名信息包括：该办学单位在一国家或地区的各相同预设类型的办学单位中在该预选指标的排名信息。
于一实施例中，各所述预选指标选自一或多个教育水平指标集合；所述一或多个教育水平指标集合，包括：办学规模与层次指标集合、学科布局与水平指标集合、办学资源指标集合、师资规模与结构指标集合、人才培养能力指标集合、科学研究能力指标集合、服务社会能力指标集合、高端人才指标集合、重大项目与成果指标集合、及国际竞争力指标集合中的任意一或多种。
于一实施例中，还包括：检测模块，用于检测对应目标用户所关联的办学单位信息，以令处理模块402根据所述办学单位信息进行对应的教育水平排名序列的显示。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，采集模块401可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上追踪计算模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)，或，一个或多个微处理器(digitalsingnalprocessor，简称DSP)，或，一个或者多个现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
如图5所示，展示本申请实施例中的计算机设备500的结构示意图。
所述计算机设备500包括：存储器501、及处理器502；
所述存储器501，存储有计算机程序；
所述处理器502，用于运行所述计算机程序，以实现前述图1实施例中的教育水平可视化评价方法。
在一些实施例中，所述存储器501可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。
所述处理器502可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称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。
另外，前述方法实施例(如图1中的教育水平可视化评价方法的实施例)中所涉及的各种计算机程序可以装载在计算机可读存储介质中，所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。
在具体实现上，所述计算机程序为执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。
综上所述，本申请的教育水平可视化评价方法、装置、设备及存储介质，通过获取办学单位在各预选指标的排名信息；将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。本申请的发明思想是结合相对评价和个体内差异评价的特点，通过可视化方式直观展示评价结果，解决现有技术的问题。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (13)
1.一种教育水平可视化评价方法，其特征在于，包括：
获取办学单位在各预选指标的排名信息；
将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
2.根据权利要求1所述的方法，其特征在于，各所述排名信息通过不同的显示参数以进行区别显示。
3.根据权利要求2所述的方法，其特征在于，所述显示参数包括：图案、颜色、形状、及尺寸中的任意一种或多种。
4.根据权利要求2所述的方法，其特征在于，包括：至少令位于所述教育水平排名序列中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
5.根据权利要求4所述的方法，其特征在于，还包括：在所述位于教育水平排名序列中心点的排名信息所划分的前区和后区中，至少令位于所述前区中心点和后区中心点的排名信息按照区别于其它排名信息的显示参数进行显示。
6.根据权利要求1所述的方法，其特征在于，所述教育水平排名序列对应的显示图案为各排名信息按排名值从小到大的顺序从左向右排列、从右向左排列、从上向下排列或从下向上排列。
7.根据权利要求1所述的方法，其特征在于，在所述教育水平排名序列对应的显示图案中，各排名信息沿直线、曲线、或直线与曲线的结合的轨迹进行排列。
8.根据权利要求1所述的方法，其特征在于，所述办学单位为一国家或地区中的各预设类型的办学单位中的任意一所；所述预设类型包括：小学、中学、大学、或研究所；一办学单位的所述预选指标的排名信息包括：该办学单位在一国家或地区的各相同预设类型的办学单位中在该预选指标的排名信息。
9.根据权利要求1所述的方法，其特征在于，各所述预选指标选自一或多个教育水平指标集合；所述一或多个教育水平指标集合，包括：办学规模与层次指标集合、学科布局与水平指标集合、办学资源指标集合、师资规模与结构指标集合、人才培养能力指标集合、科学研究能力指标集合、服务社会能力指标集合、高端人才指标集合、重大项目与成果指标集合、及国际竞争力指标集合中的任意一或多种。
10.根据权利要求1所述的方法，其特征在于，包括：检测对应目标用户所关联的办学单位信息，根据所述办学单位信息进行对应的教育水平排名序列的显示。
11.一种教育水平可视化评价装置，其特征在于，包括：
采集模块，用于获取办学单位在各预选指标的排名信息；
处理模块，用于将各所述排名信息按相互间排名值的比较结果进行排序以形成该办学单位的教育水平排名序列，以供显示。
12.一种计算机设备，其特征在于，包括：处理器及存储器；
所述存储器，存储有计算机程序；
所述处理器，用于运行所述计算机程序，以执行如权利要求1至10中任一项所述的教育水平可视化评价方法。
13.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被运行时实现如权利要求1至10中任一项所述的教育水平可视化评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621966.1A CN109784688A (zh) | 2018-12-28 | 2018-12-28 | 教育水平可视化评价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811621966.1A CN109784688A (zh) | 2018-12-28 | 2018-12-28 | 教育水平可视化评价方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109784688A true CN109784688A (zh) | 2019-05-21 |
Family
ID=66498671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811621966.1A Pending CN109784688A (zh) | 2018-12-28 | 2018-12-28 | 教育水平可视化评价方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784688A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751408A (zh) * | 2019-10-28 | 2020-02-04 | 清华大学 | 一种新型交互式多维大学排名方法及系统 |
| CN111782720A (zh) * | 2020-06-05 | 2020-10-16 | 上海高绩数据科技有限公司 | 用于快速进行检测与定位办学效果的图示化方法、系统以及终端 |
| CN113409093A (zh) * | 2021-07-13 | 2021-09-17 | 神策网络科技（北京）有限公司 | 一种指标关联性分析方法 |
| CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006260112A (ja) * | 2005-03-16 | 2006-09-28 | Ricoh Co Ltd | プロジェクト管理システム、プロジェクト管理方法、プログラム及び記憶媒体 |
| CN106294298A (zh) * | 2016-07-27 | 2017-01-04 | 北京工商大学 | 基于多属性排序的数据可视分析方法和应用 |
| CN107122902A (zh) * | 2017-04-26 | 2017-09-01 | 于海峰 | 一种学校办学水平评价方法及评价系统 |
| CN108090680A (zh) * | 2017-12-21 | 2018-05-29 | 华中师范大学 | 一种泛在学习环境评估系统 |
-
2018
- 2018-12-28 CN CN201811621966.1A patent/CN109784688A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006260112A (ja) * | 2005-03-16 | 2006-09-28 | Ricoh Co Ltd | プロジェクト管理システム、プロジェクト管理方法、プログラム及び記憶媒体 |
| CN106294298A (zh) * | 2016-07-27 | 2017-01-04 | 北京工商大学 | 基于多属性排序的数据可视分析方法和应用 |
| CN107122902A (zh) * | 2017-04-26 | 2017-09-01 | 于海峰 | 一种学校办学水平评价方法及评价系统 |
| CN108090680A (zh) * | 2017-12-21 | 2018-05-29 | 华中师范大学 | 一种泛在学习环境评估系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴斌 等, 北京：科学技术文献出版社 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751408A (zh) * | 2019-10-28 | 2020-02-04 | 清华大学 | 一种新型交互式多维大学排名方法及系统 |
| CN110751408B (zh) * | 2019-10-28 | 2022-03-08 | 清华大学 | 一种新型交互式多维大学排名方法及系统 |
| CN111782720A (zh) * | 2020-06-05 | 2020-10-16 | 上海高绩数据科技有限公司 | 用于快速进行检测与定位办学效果的图示化方法、系统以及终端 |
| CN113409093A (zh) * | 2021-07-13 | 2021-09-17 | 神策网络科技（北京）有限公司 | 一种指标关联性分析方法 |
| CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
| CN116109456B (zh) * | 2023-04-03 | 2023-07-28 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Esposito et al. | What's Observed in a Rating? Rankings as Orientation in the Face of Uncertainty | |
| Latukha | Talent management in Russian companies: domestic challenges and international experience | |
| Teddlie et al. | Mixed methods sampling: A typology with examples | |
| CN109784688A (zh) | 教育水平可视化评价方法、装置、设备及存储介质 | |
| De Bruijn et al. | Megaprojects and contested information | |
| Faludi et al. | Best practices for teaching green invention: Interviews on design, engineering, and business education | |
| Xia | Big data based research on the management system framework of ideological and political education in colleges and universities | |
| CN102968701A (zh) | 基于神经网络技术的教师实践技能评价方法 | |
| Khare et al. | Educational data mining (EDM): Researching impact on online business education | |
| VianaRibeiro et al. | What is the role of indicators as a governance tool to help cities become more sustainable? | |
| Kyzym et al. | Cluster analysis usage as prerequisite for implementing strategies of countries startup ecosystems development | |
| López‐Fernández et al. | The effect of micro‐territorial networks on industrial small and medium enterprises' innovation: A case study in the Spanish region of Cantabria | |
| Cantú-Ortiz et al. | University performance in the age of research analytics | |
| Al Araimi | Power of human resources | |
| Dutta et al. | Cognitive evaluation of examinees by dynamic question set generation based on bloom’s taxonomy | |
| Zahro | Applying entrepreneurship as a learning design for engineering education | |
| Lee et al. | A systematic review of AI education in K-12 classrooms from 2018 to 2023: Topics, strategies, and learning outcomes | |
| Shutenko et al. | Formation of entrepreneurial culture among university students majoring in economics | |
| Said et al. | Mathematical Critical Thinking Abilities of Middle School Students in Tidore Based on Gender and Background | |
| Kemp | Developing critical numeracy at the tertiary level | |
| Lara-Navarra et al. | Singularity in higher education: Methods for detection and classification | |
| Benckendorff et al. | Creating educator resources for online simulation-based pedagogies in tourism and hospitality | |
| Liu et al. | Research on the Evaluation System of Interior Design Curriculum in Response to Industrial Circles Expectations of Technology Capabilities | |
| Agrawal et al. | Ensuring quality for accreditation and ranking of higher educational institutes through data mining | |
| Fen-Juan et al. | Construction research on quality evaluation system of professional training of e-commerce talents |
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: 20190521 |
|
| RJ01 | Rejection of invention patent application after publication |