CN109919375B - 一种基于大数据预测考试关键学生的方法及装置 - Google Patents
一种基于大数据预测考试关键学生的方法及装置 Download PDFInfo
- Publication number
- CN109919375B CN109919375B CN201910154589.3A CN201910154589A CN109919375B CN 109919375 B CN109919375 B CN 109919375B CN 201910154589 A CN201910154589 A CN 201910154589A CN 109919375 B CN109919375 B CN 109919375B
- Authority
- CN
- China
- Prior art keywords
- students
- data
- student
- critical
- score
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据预测考试关键学生的方法及装置,属于教育大数据领域,其方法包括:对学情大数据进行预处理及存储,预测学生成绩,并根据预测结果发现指定录取率下的关键学生。该方法基于学生的往次考试成绩数据预测学生成绩及排名,并计算不同水平学生的成绩波动值,根据波动值确定临界生人数;基于上述预测排名结果数据和临界生人数数据,最终划定临界生;本发明由于改变了传统的基于经验模型划分关键学生的方法,综合考虑学生全局和局部的成绩波动情况来确定临界生人数,划分方法更为准确,考虑因素更加全面,实现了基于学生真实表现的大数据来预测识别关键学生,使识别的精度和效率都得到了更大提升。
Description
技术领域
本发明涉及教育大数据领域,具体是涉及一种基于大数据预测考试关键学生的方法及装置。
背景技术
1、临界生识别及提升
考试的关键学生,在教育领域对关键性考试(如中考、高考),会关注某些关键性学生,如临界生。临界生,指的是在重要考试(如中考、高考等)中,考试成绩在录取分数线上下波动的学生。例如,若某校高考的本科录取人数是200人,那么,成绩排名在第200名上下一定范围(如10%)波动的学生就是本次高考的临界生。
由于临界生的成绩在分数线上下波动,因此这些学生的最终成绩表现(分数线上或者分数线下)很容易导致不过线而失去录取资格的后果,也间接影响了教学升学率。如果能够在考试前,准确划定这些潜在临界生,并对他们进行针对性的教学提升,会大大提高他们通过分数线的概率,对于降低学生和家庭的后续投入(如复读补考)和提升学校升学率,有极大的帮助,也是当前教育一线初高中老师最为关注的问题。
2、现有临界生分析方法
当前,临界生的识别工作是基于人工为主的经验模型:由教育局的教研室专家基于往年经验人工估算划定本年度大考的预估分数线和预估临界生人数,各学校基于该预估分数线,由一线教师结合自己对学生的认知和了解,最终确定临界生。
其不足在于:(1)实际考试中,最终的临界生基于考试结果排名来确定,先根据成绩定排名,再根据排名划分数线。而现有的经验模型是先预定分数线,再基于分数线划确定临界生,是不符合实际的业务实施规律的。(2)固定临界生人数的设定,无法体现出学生的成绩波动。对于成绩波动较大的学生群体,临界生人数多于成绩波动小的学生群体。(3)基于人工为主的经验的模型,严重依赖于教师的个人能力,准确性波动较大,推广性很差。
发明内容
有鉴于此,本发明提供了一种基于学生学情大数据预测识别临界生的方法及装置,用于解决现有方法所存在的问题。
该方法基于学生的往次考试成绩数据预测学生成绩及排名,并计算不同水平学生的成绩波动值,根据波动值确定临界生人数;基于上述预测排名结果数据和临界生人数数据,最终划定临界生。同传统基于人工的经验模型相比,本发明基于学生的预测排名而不是分数线划定临界生范围,并综合考虑学生全局和局部的成绩波动情况来确定临界生人数,划分方法更为准确,考虑因素更加全面;此外,新的分析方法基于严谨的算法,利用软件实现相关功能,预测结果更准确,可推广性更好。
为实现上述目的,本发明提供如下技术方案:
一种基于大数据预测考试关键学生的方法,该方法包括:
步骤1、预处理及存储学情大数据
用于对学情大数据(包括学生信息、历次考试信息、成绩数据等)进行清洗、预处理等操作,并存储到数据库中,为后续临界生的识别提供基础。具体包括:
步骤1.1、数据清洗。对原始学情大数据进行重复数据删除、异常值剔除、缺失值填充,得到初步处理后的数据。
步骤1.2、数据预处理。对学情大数据进行字段拆分、添加衍生字段等操作。
步骤1.3、数据存储。将预处理后的数据存储到数据库表中,供后续分析使用。
步骤2、预测学生成绩
根据学生往次各科目考试成绩数据,预测学生单科成绩及总成绩。具体步骤包括:
步骤2.1、预测学生单科成绩。按照总分算分规则,对于计入总分的每个学科,根据学生该科目的往次考试成绩,预测学生的该科目成绩。此步骤中可以采用多种模型预测学生成绩,例如,若成绩数据对应的考试次数较少,则可以采用简单模型(例如线性回归)预测学生成绩;若成绩数据对应考试次数较多,则可以采用复杂模型(例如神经网络)预测学生成绩。
步骤2.2、计算学生总成绩。将各单科成绩按照给定的算分规则加权求和得到学生的总预测成绩。
步骤3、计算临界生人数
根据成绩数据,依次计算全局波动值和局部波动值,用于计算临界生人数。具体步骤为:
步骤3.1、计算全局波动值gw。全局波动值体现了学生整体的成绩波动性,全局波动值越大则表示学生整体的成绩波动越大。其值等于每名学生在所有考试中的成绩排名波动值的平均值。
步骤3.2、计算局部波动值lr。局部波动值在全局波动值的基础上对成绩的波动情况进一步细化,体现了处于不同成绩水平下的学生的成绩波动情况。假定学生总人数为n,对于每一个名次r(1≤r≤n),该名次对应的局部波动值等于以该名次为中心,全局波动值范围内的所有名次波动值的平均值。
假定某分数线对应的录取人数为r,则该分数线录取率对应的临界生人数等于排名r对应的局部波动值lr。
步骤4、识别临界生
根据预测成绩数据得到学生预测排名,其中预测排名在录取人数附近上下波动的学生即为指定分数线录取率所对应的临界生,临界生具体人数由步骤3中的计算结果决定。
作为本发明进一步的方案,在步骤3中,根据成绩数据依次计算全局波动值和局部波动值,用于计算临界生人数。具体计算步骤为:
步骤3.1计算全局波动值gw
全局波动值体现了学生整体的成绩波动性,全局波动值的计算方法为:
将成绩数据中学生人数表示为n,考试次数表示为m。对于每一个名次ri(1≤ri≤n),计算在每场考试中排名为ri的学生与该生在下一次考试的排名rk之差的绝对值并取平均值,即为名次ri对应的波动值。所有名次的波动值取平均值即为全局波动值gw。
步骤3.2计算局部波动值lr
对于每一个名次r(1≤r≤n),计算[r-gw,r+gw]名次范围内每个名次波动值之和再取平均值,即为名次r对应的局部波动值lr。
对于给定的分数线对应的录取率p_ratio,首先计算录取人数pn=n*p_ratio,其中n为参与预测的学生总人数。在得到录取人数pn后,则给定分数线对应的临界生人数即等于步骤3.2中pn名次对应的局部波动值lpn。
作为本发明进一步的方案,在步骤4中,划定临界生
根据学生的预测成绩数据,得到学生预测排名,其中预测排名在[pn-lpn/2,pn+lpn/2]范围内的学生即为录取率为p_ratio的分数线所对应的临界生。
一种基于大数据预测考试关键学生的装置,该装置包括:
数据处理单元:负责接收原始学情大数据,并对数据进行预处理和存储。所述数据处理单元包括:
数据预处理子单元,用于对学情大数据进行数据清洗、缺失值填充、生成衍生字段(例如学生排名占比)等;
数据存储子单元,用于将预处理后的学情大数据分别存储到数据库中对应的数据表中,供后续分析使用。
成绩预测单元:用于基于学生历次考试成绩数据,分析建模得到预测成绩。所述成绩预测单元包括:
单科成绩预测子单元:用于根据往次考试成绩,对于计入总分的每一项单科成绩进行预测;
总成绩预测子单元:用于按照总分计分规则权重,将各单科目预测成绩加权得到每个学生的预测总成绩。
临界生人数预测单元:用于根据往次考试成绩数据确定临界生人数。所述临界生人数预测单元包括:
全局波动值计算单元:用于根据往次考试成绩数据,计算所有学生的成绩波动值,即全局波动值;
局部波动值计算单元:用于根据往次考试成绩数据和全局波动值,计算每个名次对应的成绩波动值,即局部波动值。某录取人数对应的临界生人数等于该录取人数排名对应的局部波动值。
临界生识别单元:用于根据预测得到的学生成绩数据和和临界生人数数据,识别给定分数线录取率对应的临界生。
综上所述,本发明与现有技术相比具有以下有益效果:
(1)根据学生的真实连续历史数据,基于模型预测成绩后,量化确定临界生,而不是通过教师的经验模型来直接定性确定,结果更加准确和稳定。
(2)实际成绩的预测,是通过先各子科目单独预测成绩再汇总得到总成绩的模式,而不是传统直接预测总成绩的方法,能更好兼顾各科目的具体表现和波动。
(3)临界生人数的预测是动态确定,考虑了往次考试成绩波动变化的因素,比传统的按比例或固定临界生人数的模式更能体现不同学生群体学生能力变化趋势的波动。
为更清楚地阐述本发明的结构特征和功效,下面结合附图与具体实施例来对本发明进行详细说明。
附图说明
图1为发明公开的一种临界生识别方法流程图。
图2为发明公开的一种临界生识别装置结构示意图。
具体实施方式
本发明相关的算法通过软件系统《HCR大数据教育分析平台》完成了实施。该软件由python语言开发,编程实现了本发明方法的相关算法,完成了基于新方法个性化分析临界生的全部处理过程。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简要地介绍。
如图1所示,一种基于大数据预测考试关键学生的方法,该方法包括:
步骤1、预处理及存储学情大数据
用于对学情大数据(包括学生信息、历次考试信息、成绩数据等)进行清洗、预处理等操作,并存储到数据库中,为后续临界生的识别提供基础。具体包括:
步骤1.1、数据清洗。对原始学情大数据进行重复数据删除、异常值剔除、缺失值填充,得到初步处理后的数据。
步骤1.2、数据预处理。对学情大数据进行字段拆分、添加衍生字段等操作。
步骤1.3、数据存储。将预处理后的数据存储到数据库表中,供后续分析使用。
步骤2、预测学生成绩
根据学生往次各科目考试成绩数据,预测学生单科成绩及总成绩。具体步骤包括:
步骤2.1、预测学生单科成绩。按照总分算分规则,对于计入总分的每个学科,根据学生该科目的往次考试成绩,预测学生的该科目成绩。此步骤中可以采用多种模型预测学生成绩,例如,若成绩数据对应的考试次数较少,则可以采用简单模型(例如线性回归)预测学生成绩;若成绩数据对应考试次数较多,则可以采用复杂模型(例如神经网络)预测学生成绩。
步骤2.2、计算学生总成绩。将各单科成绩按照给定的算分规则加权求和得到学生的总预测成绩。
步骤3、计算临界生人数
根据成绩数据,依次计算全局波动值和局部波动值,用于计算临界生人数。具体步骤为:
步骤3.1、计算全局波动值gw。全局波动值体现了学生整体的成绩波动性,全局波动值越大则表示学生整体的成绩波动越大。其值等于每名学生在所有考试中的成绩排名波动值的平均值。
步骤3.2、计算局部波动值lr。局部波动值在全局波动值的基础上对成绩的波动情况进一步细化,体现了处于不同成绩水平下的学生的成绩波动情况。假定学生总人数为n,对于每一个名次r(1≤r≤n),该名次对应的局部波动值等于以该名次为中心,全局波动值范围内的所有名次波动值的平均值。
假定某分数线对应的录取人数为r,则该分数线录取率对应的临界生人数等于排名r对应的局部波动值lr。
步骤4、识别临界生
根据预测成绩数据得到学生预测排名,其中预测排名在录取人数附近上下波动的学生即为指定分数线录取率所对应的临界生,临界生具体人数由步骤3中的计算结果决定。
下面对本发明提供的临界生识别装置进行描述,下文描述的临界生识别装置与上文描述的临界生识别方法可相互对应参照。
进一步的,在步骤3中,根据成绩数据依次计算全局波动值和局部波动值,用于计算临界生人数。具体计算步骤为:
步骤3.1计算全局波动值gw
全局波动值体现了学生整体的成绩波动性,全局波动值的计算方法为:
将成绩数据中学生人数表示为n,考试次数表示为m。对于每一个名次ri(1≤ri≤n),计算在每场考试中排名为ri的学生与该生在下一次考试的排名rk之差的绝对值并取平均值,即为名次ri对应的波动值。所有名次的波动值取平均值即为全局波动值gw。
步骤3.2计算局部波动值lr
对于每一个名次r(1≤r≤n),计算[r-gw,r+gw]名次范围内每个名次波动值之和再取平均值,即为名次r对应的局部波动值lr。
对于给定的分数线对应的录取率p_ratio,首先计算录取人数pn=n*p_ratio,其中n为参与预测的学生总人数。在得到录取人数pn后,则给定分数线对应的临界生人数即等于步骤3.2中pn名次对应的局部波动值lpn。
进一步的,在步骤4中,划定临界生
根据学生的预测成绩数据,得到学生预测排名,其中预测排名在[pn-lpn/2,pn+lpn/2]范围内的学生即为录取率为p_ratio的分数线所对应的临界生。
如图2所示,一种基于大数据预测考试关键学生的装置,该装置包括:
数据处理单元:负责接收原始学情大数据,并对数据进行预处理和存储。所述数据处理单元包括:
数据预处理子单元,用于对学情大数据进行数据清洗、缺失值填充、生成衍生字段(例如学生排名占比)等;
数据存储子单元,用于将预处理后的学情大数据分别存储到数据库中对应的数据表中,供后续分析使用。
成绩预测单元:用于基于学生历次考试成绩数据,分析建模得到预测成绩。所述成绩预测单元包括:
单科成绩预测子单元:用于根据往次考试成绩,对于计入总分的每一项单科成绩进行预测;
总成绩预测子单元:用于按照总分计分规则权重,将各单科目预测成绩加权得到每个学生的预测总成绩。
临界生人数预测单元:用于根据往次考试成绩数据确定临界生人数。所述临界生人数预测单元包括:
全局波动值计算单元:用于根据往次考试成绩数据,计算所有学生的成绩波动值,即全局波动值;
局部波动值计算单元:用于根据往次考试成绩数据和全局波动值,计算每个名次对应的成绩波动值,即局部波动值。某录取人数对应的临界生人数等于该录取人数排名对应的局部波动值。
临界生识别单元:用于根据预测得到的学生成绩数据和和临界生人数数据,识别给定分数线录取率对应的临界生。
效果验证:
为了验证本方法及装置的有效性和通用性,分别选取了某市辖区范围内的10所高中进行了试验。现对其中一个有代表性的实验结果进行描述。
选择某高中某年度共650名高三学生作为研究群体,预测该校该年度本科分数线对应录取率为54%,重点本科分数线对应录取率为21%。采集所有学生在高三年级的月考、期中期末考试及前2次模考成绩数据,对数据进行清洗和预处理后存储到学生成绩数据库中。使用本方法及装置计算得到本科分数线对应的临界生32名,重点本科分数线对应的临界生24名。同时该学校一线教师经过讨论,采用人工方法分别划定25名重点本科临界生和30名本科分数线临界生。对比两种方法得到的临界生在第三次模考中的表现。对比两种方法得到的临界生,其中本科临界生群体中,有12人为2种方法共同划定的临界生。采用本方法及装置划定的另外20名临界生在三模考试中,与本科分数线(351名)名次之差平均值为4.9名,采用原始方法划定的另外18名临界生的名次之差平均值为8.7名。
对参与试验的10所学校的验证数据进行汇总,采用本方法及装置预测的临界生,在考试中的名次与分数线的对应平均名次差为5.7名,而由原始人工方法预测的临界生与分数线的对应平均名次差为8.4名。结果验证了使用本方法及装置预测的临界生在考试中更接近分数线,预测结果较传统手工方法更为准确。
本发明能够根据给定的学生历次考试成绩以及分数线录取率数据,预测识别分数线对应的临界生。模型结构和参数简单,算法复杂度低,在实验测试数据上取得了较好的性能。这说明本发明具有较好的推广性和适应性,预测结果客观,可靠,具有良好的应用前景。
以上结合具体实施例描述了本发明的技术原理,仅是本发明的优选实施方式。本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (4)
1.一种基于大数据预测考试关键学生的方法,其特征在于,该方法包括:
步骤1、预处理及存储学情大数据
用于对学情大数据进行清洗、预处理操作,并存储到数据库中,为后续临界生的识别提供基础,其包括:数据清洗、数据预处理和数据存储;
学情大数据包括学生信息、历次考试信息及成绩数据,预处理及存储学情大数据具体包括:
步骤1.1、数据清洗;对原始学情大数据进行重复数据删除、异常值剔除、缺失值填充,得到初步处理后的数据;
步骤1.2、数据预处理;对学情大数据进行字段拆分、添加衍生字段的操作;
步骤1.3、数据存储;将预处理后的数据存储到数据库表中,供后续分析使用;
步骤2、预测学生成绩
根据学生往次各科目考试成绩数据,预测学生单科成绩及总成绩;包括预测学生单科成绩和计算学生总成绩;
步骤3、计算临界生人数
计算全局波动值和局部波动值的具体步骤为:
步骤3.1、计算全局波动值;全局波动值体现了学生整体的成绩波动性,全局波动值越大则表示学生整体的成绩波动越大;全局波动值等于所有名次对应的波动值的平均值,其中的每个名次的波动值等于每次考试中,取得该名次的学生在下一次考试中的名次与本次考试的名次差异的平均值;
步骤3.2、计算局部波动值;局部波动值在全局波动值的基础上对成绩的波动情况进一步细化,体现了特定名次范围内学生成绩的波动情况,某个名次对应的局部波动值越大,则临界生人数越多;假定学生总人数为n,对于每一个名次r,1≤r≤n,该名次对应的局部波动值等于以该名次为中心,在全局波动值(gw)范围内的所有名次的波动值的平均值;
步骤4、识别临界生
根据步骤2得到的预测成绩数据得到学生预测排名;假定指定分数线对应的录取人数为r,则该分数线对应的临界生为预测排名在r附近上下波动的学生,波动的范围由步骤3中的临界生人数计算结果决定。
2.根据权利要求1所述的基于大数据预测考试关键学生的方法,其特征在于,全局波动值体现了学生整体的成绩波动性,全局波动值的计算方法为:
将成绩数据中学生人数表示为n,考试次数表示为m;对于每一个名次r,1≤r≤n,计算在每场考试中排名为的学生与该生在下一次考试的排名之差的绝对值并取平均值,即为名次对应的波动值,所有名次的波动值取平均值即为全局波动值;
局部波动值体现了特定名次范围内学生成绩的波动情况,局部波动值越大,则临界生人数越多,计算局部波动值的方法为:对于每一个名次r,1≤r≤n,计算名次范围内每个名次波动值之和再取平均值,即为名次对应的局部波动值;
4.一种基于权利要求1所述方法的预测考试关键学生的装置,其特征在于,该装置包括:
数据处理单元:负责接收原始学情大数据,并对数据进行预处理和存储,并存储到数据库中;
成绩预测单元:根据学生往次考试的单科成绩,预测学生各科目成绩,并根据预测的单科成绩计算学生总成绩;
临界生人数预测单元:根据往次考试成绩数据,计算学生成绩的全局波动值和局部波动值,并根据波动情况确定临界生人数;所述临界生人数预测单元包括:
全局波动值计算子单元:用于根据往次考试成绩数据,计算所有名次的波动值的平均值,即全局波动值;
局部波动值计算子单元:用于根据往次考试成绩数据和全局波动值,计算每个名次对应的局部波动值;某分数线的临界生人数等于该分数线对应的录取名次的局部波动值;
临界生识别单元:用于根据学生成绩预测数据和临界生人数预测数据,识别指定分数线对应的临界生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910154589.3A CN109919375B (zh) | 2019-03-01 | 2019-03-01 | 一种基于大数据预测考试关键学生的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910154589.3A CN109919375B (zh) | 2019-03-01 | 2019-03-01 | 一种基于大数据预测考试关键学生的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919375A CN109919375A (zh) | 2019-06-21 |
CN109919375B true CN109919375B (zh) | 2021-05-14 |
Family
ID=66962857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910154589.3A Active CN109919375B (zh) | 2019-03-01 | 2019-03-01 | 一种基于大数据预测考试关键学生的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919375B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和系统 |
CN106327392A (zh) * | 2016-08-31 | 2017-01-11 | 武汉颂大教育科技股份有限公司 | 一种基于大数据的考试录取智能预测方法 |
CN107784379A (zh) * | 2016-08-30 | 2018-03-09 | 源渠(上海)信息技术有限公司 | 一种留学申请预测系统及方法 |
CN108764718A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于深度学习算法的高考分数预估及志愿选择方法、系统 |
CN109146110A (zh) * | 2017-06-19 | 2019-01-04 | 中兴通讯股份有限公司 | 高校录取分数线预测方法、设备及计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610009B (zh) * | 2017-08-21 | 2021-06-18 | 浙江工业大学 | 一种基于神经网络的三位一体招生录取概率预测方法 |
CN108629713A (zh) * | 2018-05-04 | 2018-10-09 | 上饶市普适科技有限公司 | 一种人工智能制定高考志愿填报方案的方法 |
CN109087224A (zh) * | 2018-08-08 | 2018-12-25 | 仪征达人信息技术有限公司 | 一种基于考生的个性化需求进行高考志愿推荐和预测的方法 |
-
2019
- 2019-03-01 CN CN201910154589.3A patent/CN109919375B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和系统 |
CN107784379A (zh) * | 2016-08-30 | 2018-03-09 | 源渠(上海)信息技术有限公司 | 一种留学申请预测系统及方法 |
CN106327392A (zh) * | 2016-08-31 | 2017-01-11 | 武汉颂大教育科技股份有限公司 | 一种基于大数据的考试录取智能预测方法 |
CN109146110A (zh) * | 2017-06-19 | 2019-01-04 | 中兴通讯股份有限公司 | 高校录取分数线预测方法、设备及计算机可读存储介质 |
CN108764718A (zh) * | 2018-05-28 | 2018-11-06 | 王春宁 | 基于深度学习算法的高考分数预估及志愿选择方法、系统 |
Non-Patent Citations (1)
Title |
---|
"数据挖掘中的数据预处理";关大伟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070515(第5期);第22-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919375A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marvel et al. | Teacher Attrition and Mobility: Results from the 2004-05 Teacher Follow-Up Survey. NCES 2007-307. | |
CN107958351A (zh) | 教学质量评估云服务平台 | |
CN110347814B (zh) | 一种律师精准推荐方法及系统 | |
CN108764718B (zh) | 基于深度学习算法的高考分数预估及志愿选择方法、系统 | |
CN108171414A (zh) | 教学质量评估系统 | |
Fejoh et al. | Impact of In-Service Training and Staff Development on Workers' Job Performance and Optimal Productivity in Public Secondary Schools in Osun State, Nigeria. | |
KR20190098376A (ko) | 대학입시 합격 예측 방법 | |
CN112667776B (zh) | 一种智能教学评估与分析方法 | |
CN111626372A (zh) | 一种线上教学监督管理方法及系统 | |
CN108763459B (zh) | 基于心理测试及dnn算法的专业倾向分析方法及系统 | |
Verhaest et al. | The early labour market effects of generally and vocationally oriented higher education: is there a trade-off? | |
CN109919375B (zh) | 一种基于大数据预测考试关键学生的方法及装置 | |
CN117313947A (zh) | 一种基于随机森林和金枪鱼群优化算法的学习预警方法 | |
CN111369140A (zh) | 一种教学评价系统及方法 | |
KR100539148B1 (ko) | 성적 정보 제공 방법 및 장치 | |
CN112614034A (zh) | 一种试题推荐方法、装置、电子设备和可读存储介质 | |
Han | The construction of the structure model of college students' positive mental qualities | |
Mumford et al. | Human Performance on the AI Legal Case Verdict Classification Task | |
Sheel et al. | A comparison of neural networks and classical discriminant analysis in predicting students’ mathematics placement examination scores | |
CN117079504B (zh) | 一种大数据精准教学批阅系统的错题数据管理方法 | |
Raju et al. | Educational Development in India at Elementary Level—An Interstate Perspective | |
Sun et al. | Research on Predictive Control of Students' Achievements in Physical Education Class and Physical Education Class Universities Based on Mathematical Model Analysis of Multiple Linear Regression Equations | |
Pulungan | THE DETERMINANT INFLUENCE OF THE ROLE OF LEADERSHIP VISIONARY ON THE QUALITY OF PRIVATE HIGHER EDUCATION IN MEDAN CITY | |
Wei | MOOC online English teaching quality evaluation method based on fuzzy algorithm | |
Fernandez | Contextualizing school mobility: investigating the influence of racially/ethnically-relevant factors on students’ mobility experiences |
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 |