CN110188976A - 基于数据分析的等级评估方法、装置、设备及存储介质 - Google Patents
基于数据分析的等级评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110188976A CN110188976A CN201910272373.7A CN201910272373A CN110188976A CN 110188976 A CN110188976 A CN 110188976A CN 201910272373 A CN201910272373 A CN 201910272373A CN 110188976 A CN110188976 A CN 110188976A
- Authority
- CN
- China
- Prior art keywords
- lecturer
- integrated value
- grade
- instruction
- data analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 91
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012800 visualization Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static 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
- G06Q10/06395—Quality analysis or management
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数据分析的等级评估方法、装置、设备及存储介质,所述方法包括建立可视化界面;根据讲师信息获取评价数据并进行数据分析以得到讲师对应的评价积分值;根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值;获取讲师对应的课外指导积分值;获取课程难度系数;在侦测到计算指令时,根据评价积分值、教学成果积分值、课外指导积分值及课程难度系数计算得到教学质量评分;在侦测到等级评定指令时,根据教学质量评分对讲师进行等级评定并在可视化界面产生提示信息。本发明的基于数据分析的等级评估方法可利用根据学员评分、测试数据及课程难度系数综合评价讲师的教学质量,可避免主观想法对讲师等级的影响。
Description
技术领域
本发明主要涉及大数据技术领域,具体地说,涉及一种基于数据分析的等级评估方法、装置、设备及存储介质。
背景技术
目前,教学质量评估是学校对老师的综合能力测试的一个重要部分,学校每学期会对各位老师的教学质量展开调查评估,以便对优秀的老师进行奖励、提拔,对稍差的老师进行鼓励。目前,通过计算机自动评价讲师的教学质量方法大多是针对多个不同客观参数的数值进行简单汇总,针对学员对讲师的评价内容等主观参数无法与客观参数一并进行整合分析,故,自动评价讲师的教学质量的方法不够全面。
发明内容
本发明的主要目的是提供一种基于数据分析的等级评估方法、装置、设备及存储介质,旨在解决现有技术中无法结合主观参数评估讲师等级的问题。
为实现上述目的,本发明提供一种基于数据分析的等级评估方法,所述基于数据分析的等级评估方法包括以下步骤:
建立可视化界面;
在侦测到第一获取指令时,根据讲师信息获取评价数据并进行数据分析以得到讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到所述讲师对应的教学成果积分值;
在侦测到第三获取指令时,获取所述讲师对应的课外指导积分值;
在侦测到第四获取指令时,获取讲师课程难度系数;
在侦测到计算指令时,根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分;
在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
优选地,所述测试数据包括测试分数以及测试人数;所述根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值的步骤进一步包括:
根据所述测试数据统计及格率以及优秀率;
根据所述及格率通过查找第一表格获取第一积分值;
根据所述优秀率通过查找第二表格获取第二积分值;
将所述第一积分值和所述第二积分值相加得到所述教学成果积分值。
优选地,所述根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
计算所述评价积分值、所述教学积分值以及所述课外指导积分值的总和作为总积分;
将所述总积分与所述难度系数相乘得到所述教学质量评分。
优选地,所述根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
将所述教学积分值与所述难度系数相乘得到教学总积分;
计算所述评价积分值、所述教学总积分以及所述课外指导积分值的总和作为所述教学质量评分。
优选地,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
根据当前教学质量评分计算讲师等级;
判断所述讲师等级是否等于原始等级;
若所述讲师等级不等于所述原始等级,进一步判断所述讲师等级是否大于所述原始等级;
若所述讲师等级大于所述原始等级,则累计一次优秀次数;
累计的所述优秀次数是否小于第一预定次数;
若所述累计的优秀次数大于等于所述第一预定次数,则晋升所述讲师等级,在所述可视化界面内显示晋升提示信息并发送晋级邮件给所述讲师;
若所述累计的优秀次数小于所述第一预定次数,则保持所述讲师等级不变。
优选地,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
若所述讲师等级小于所述原始等级,则累计一次不合格次数;
判断累计所述不合格次数是否小于第二预定次数;
若累计所述不合格次数大于等于所述第二预定次数,则降级所述讲师等级,发送降级提示邮件给所述讲师;
若累计所述不合格次数小于所述第二预定次数,则保持所述讲师等级不变。
优选地,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
若所述讲师等级等于所述原始等级,则保持所述讲师等级不变。
此外,为了实现上述目的,本发明还提出一种基于数据分析的等级评估装置,所述基于数据分析的等级评估装置包括:
界面建立模块,用于建立可视化界面;
第一获取模块,用于在侦测到第一获取指令时根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
第二获取模块,用于在侦测到第二获取指令时根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值;
第三获取模块,用于在侦测到第三获取指令时获取课外指导积分值;
第四获取模块,用于在侦测到第四获取指令时获取讲师课程难度系数;
计算模块,用于在侦测到计算指令时根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数以进行计算得到所述讲师对应的教学质量评分;
等级评定模块,用于在侦测到等级评定指令时根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
此外,为了实现上述目的,本发明还提出一种设备,设备包括处理器和存储器,处理器用于执行存储器中存储的计算机程序时执行时实现如下步骤:
建立可视化界面;
在侦测到第一获取指令时,根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值;
在侦测到第三获取指令时,获取课外指导积分值;
在侦测到第四获取指令时,获取讲师课程难度系数;
在侦测到计算指令时,根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分;
在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
此外,为了实现上述目的,本发明还提出一种存储介质,所述存储介质为计算机可读存储介质,其存储有至少一个指令,所述至少一个指令被处理器执行时实现如下步骤:
建立可视化界面;
在侦测到第一获取指令时,根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值;
在侦测到第三获取指令时,获取课外指导积分值;
在侦测到第四获取指令时,获取讲师课程难度系数;
在侦测到计算指令时,根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分;
在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
与现有技术相比较,基于数据分析的等级评估方法可结合主观参数和客观参数评估讲师等级,同时增加课程难度系数作为客观参数,进一步优化了讲师教学质量的等级评定方法。
附图说明
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单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明基于数据分析的等级评估方法的流程示意图。
图2为图1中步骤S13的细化流程示意图。
图3为图1中一种实施方式之步骤S16的细化流程示意图。
图4为图1中另一实施方式之步骤S16的细化流程示意图。
图5为图1中步骤S17的细化流程示意图。
图6为本发明基于数据分析的等级评估装置的功能模块图。
图7为本发明实施例的硬件运行环境的设备结构示意图。
主要元件符号说明
基于数据分析的等级评估装置 1
界面建立模块 10
第一获取模块 20
第二获取模块 30
第三获取模块 40
第四获取模块 50
计算模块 60
等级评定模块 70
存储器 102
通信总线 104
处理器 106
如下具体实施方式将结合上述附图进一步说明本发明。
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,本领域普通技术人员在没有做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
请参阅图1,其为本发明基于数据分析的等级评估方法的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
本发明的至少一个实施例中,所述基于数据分析的等级评估方法应用于至少一终端设备及服务器构成的基于数据分析的等级评估系统中。所述终端设备和所述服务器之间根据预设协议进行数据传输。优选地,所述预设协议包括,但不限于以下任意一种:HTTP协议(Hyper Text Transfer Protocol,超文本传输协议)、HTTPS协议(Hyper Text TransferProtocol over Secure Socket Layer,以安全为目标的HTTP协议)等。本发明的至少一个实施例中,所述服务器可以是单一的服务器,也可以为由几个功能服务器共同组成的服务器群。所述终端设备可以是任意具有网络连接功能的终端,例如,所述终端设备可以为个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备、导航装置等等的可终端设备,或者台式电脑、数字TV等等固定设备。
所述基于数据分析的等级评估系统用于对讲师的等级进行智能评定。
S11、建立可视化界面。
本发明的至少一个实施例中,所述可视化界面用于向用户提供人机交互接口,用户可以在通过手机或电脑等终端设备连接到所述基于数据分析的等级评估系统。在所述可视化界面,学员可对讲师及其对应的课程进行评分,也可查看所述讲师对应的课程相关信息。
S12、在侦测到第一获取指令时,根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值。
在本发明的至少一个实施例中,所述讲师信息可以包括讲师姓名、讲师ID、讲师等级以及讲师课程等相关内容。所述评价数据为文字或文字与数字的结合。所述数据分析为将所述评价数据进行分词处理形成分词库,利用神经语言程序学(Neuro-LinguisticProgramming,NLP)技术对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值。其中,所述情感特征包括中性、积极以及消极。在其他实施方式中,还可通过深度学习模型对所述评价数据进行数据分析,也可通过NLP技术和深度学习模型二者结合的方式进行数据分析。
在本发明的至少一个实施例中,所述评价积分值为学员根据讲师的教学课程对多个指定参数进行评分的总和。所述多个指定参数可包括教学内容、教学方法、教学环境、教学管理以及学员的学习程度。每个所述指定参数对应一个评分范围。根据指定参数与讲师教学质量之间的关联程度设定不同的评分范围。比如,与讲师教学质量关系密切的指定参数对应的评分范围较宽泛,有利于细化教学质量的评定标准,例如,所述教学内容、所述教学方法以及所述学员的学习程度的评分范围为0-10分;相较于与讲师教学质量关系较小的指定参数对应的评分范围较窄,减少非主观原因对讲师教学质量的评定的影响,例如,所述教学环境和所述教学管理的评分范围为0-5分。举例来讲,以任意一个讲师为例,若所述教学内容的评分为7,所述教学方法的评分为8,所述学员的学习程度的评分为6分,所述教学环境的评分为3,所述教学管理的评分为4时,所述评价积分值为上述评分的总和,即28分。
S13,在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值。
请一并参阅图2,在本发明的至少一个实施例中,所述教学成果积分为针对课程内容对学员进行测试得到的测试数据进行统计得出的所述教学成果积分值。所述测试数据包括测试分数和测试人数。所述学员信息可包括学员姓名、学员ID、课程以及测试等相关信息。
在本发明的至少一个实施例中,所述根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值的步骤进一步包括:
S131、根据所述测试数据统计及格率以及优秀率;
S132、根据所述及格率通过查找第一表格获取第一积分值;
S133、根据所述优秀率通过查找第二表格获取第二积分值;
S134、将所述第一积分值和所述第二积分值相加得到所述教学成果积分值。
在本发明的至少一个实施例中,所述第一表格存储有多个及格率范围和多个第一积分值,所述每个及格率等级范围对应一个不同的第一积分值。所述第二表格存储有多个优秀率范围和多个第二积分值,所述每个优秀率等级范围对应一个不同的第二积分值。
S14、在侦测到第三获取指令时,获取课外指导积分值。
在本发明的至少一个实施例中,所述课外指导积分为学员对讲师针对提出问题的答复内容进行评价分数。
S15、在侦测到课程难度获取指令时,获取讲师课程难度系数。
在本发明的至少一个实施例中,所述讲师课程难度包括初级难度、中级难度以及高级难度。每个所述难度对应不同的难度系数。所述初级难度对应的难度系数可以为0.4,所述中级难度对应的难度系数可以为0.7,所述高级难度对应的难度系数可以为1。
S16、在侦测到计算指令时,根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分。
请一并参阅图3,在本发明的至少一个实施例中,所述根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
S161、计算所述评价积分值、所述教学积分值以及所述课外指导积分值的总和作为总积分;
S162、将所述总积分与所述难度系数相乘得到所述教学质量评分。
请一并参阅图4,在本发明的另一个实施例中,所述根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
S161、将所述教学积分值与所述难度系数相乘得到教学总积分;
S162、计算所述评价积分值、所述教学总积分以及所述课外指导积分值的总和作为所述教学质量评分。
S17、在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
请一并参阅图5,在本发明的至少一个实施例中,所述在侦测到等级评定指令时,根据教学质量评分对所述讲师进行等级评定的可进一步包括如下步骤:
S170,根据当前教学质量评分计算讲师等级;
在本发明的至少一个实施例中,所述等级可包括三类,其分别为主讲讲师、兼职讲师以及其他讲师。其中,每类等级的讲师可进一步划分形成多个子等级。每个子等级对应不同的积分范围。例如,所述主讲讲师可划分为初级讲师、中级讲师以及高级讲师。所述兼职讲师可以划分为5个星级讲师。其中,每个讲师具有一个原始等级。
S171,判断所述讲师等级是否等于所述原始等级;
在本发明的至少一个实施例中,所述原始等级可以为根据所述讲师的证书、学历、教学经验等多方面数据进行初步综合评定。
若所述讲师等级等于所述原始等级时,进入步骤S176;
S172,若所述讲师等级不等于所述原始等级时,判断所述讲师等级是否大于所述原始等级;
S173,若所述讲师等级大于所述原始等级,则累计一次优秀次数;
S174,判断累计的所述优秀次数是否小于第一预定次数;
S175,若所述累计的优秀次数大于等于所述第一预定次数,则晋升所述讲师等级,在所述可视化界面内显示晋升提示信息并发送晋级邮件给所述讲师;
S176、若所述累计的优秀次数小于所述第一预定次数,则维持所述讲师等级不变;
S177,若所述讲师等级小于所述原始等级,则累计一次不合格次数;
S178,判断累计所述不合格次数是否小于第二预定次数;
S179,若累计所述不合格次数大于等于所述第二预定次数,则降级所述讲师等级,发送降级提示邮件给所述讲师;
若累计所述不合格次数小于所述第二预定次数,则进入步骤S176。
本发明的至少一个实施例中,上述各种指令可以是通过终端设备接收的数据请求指令。所述终端设备可以包括键盘输入、触摸屏输入等,但是本公开的示例实施例中的用户输入方式不限于此。上述各种指令可以为用户在图形用户界面上的预设按键通过用户的操作产生。具体地,所述用户的操作包括,但不限于:滑动操作、点击操作(如:单击操作、双击操作等等)。具体地,所述预设按键可以是所述终端设备上的实体按键,也可以是所述终端设备上的虚拟按键等等(例如:所述虚拟按键可以是所述电子设备的显示器上的一个虚拟图标等),本发明在此不做限制。
由以上实施例可知,基于数据分析的等级评估方法可结合主观参数和客观参数评估讲师等级,同时增加课程难度系数作为客观参数,进一步优化了讲师教学质量的等级评定方法。
请参照图6,本发明提供一种基于数据分析的等级评估装置1,应用于一个或多个设备中。本发明的至少一个实施例中,所述基于数据分析的等级评估装置1应用于至少一终端设备及服务器构成的基于数据分析的等级评估系统中。所述终端设备和所述服务器之间根据预设协议进行数据传输。优选地,所述预设协议包括,但不限于以下任意一种:HTTP协议(Hyper Text Transfer Protocol,超文本传输协议)、HTTPS协议(Hyper Text TransferProtocol over Secure Socket Layer,以安全为目标的HTTP协议)等。本发明的至少一个实施例中,所述服务器可以是单一的服务器,也可以为由几个功能服务器共同组成的服务器群。所述终端设备可以是任意具有网络连接功能的终端,例如,所述终端设备可以为个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备、导航装置等等的可终端设备,或者台式电脑、数字TV等等固定设备。所述等级评估系统具有至少一个存储器102(如图7所示)。所述存储器102可以为可读存储介质,例如闪存、硬盘、多媒体卡、SD存储器、随机访问存储器(RAM)、静态随机访问存储器(ROM)、磁盘、光盘等非易失性存储介质。
在本发明的一个实施例中,所述基于数据分析的等级评估装置1包括:
界面建立模块10,用于建立可视化界面。
本发明的至少一个实施例中,所述可视化界面用于向用户提供人机交互接口,用户可以在通过手机或电脑等终端设备连接到所述基于数据分析的等级评估系统。在所述可视化界面,学员可对讲师及其对应的课程进行评分,也可查看所述讲师对应的课程相关信息。
第一获取模块20,用于在侦测到第一获取指令时根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值。
在本发明的至少一个实施例中,所述讲师信息可以包括讲师姓名、讲师ID、讲师等级以及讲师课程等相关内容。所述评价数据为文字或文字与数字的结合。所述数据分析为将所述评价数据进行分词处理形成分词库,利用神经语言程序学(Neuro-LinguisticProgramming,NLP)技术对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值。其中,所述情感特征包括中性、积极以及消极。在其他实施方式中,还可通过深度学习模型对所述评价数据进行数据分析,也可通过NLP技术和深度学习模型二者结合的方式进行数据分析。
在本发明的至少一个实施例中,所述评价积分值为学员根据讲师的教学课程对多个指定参数进行评分的总和。所述多个指定参数可包括教学内容、教学方法、教学环境、教学管理以及学员的学习程度。每个所述指定参数对应一个评分范围。根据指定参数与讲师教学质量之间的关联程度设定不同的评分范围。比如,与讲师教学质量关系密切的指定参数对应的评分范围较宽泛,有利于细化教学质量的评定标准,例如,所述教学内容、所述教学方法以及所述学员的学习程度的评分范围为0-10分;相较于与讲师教学质量关系较小的指定参数对应的评分范围较窄,减少非主观原因对讲师教学质量的评定的影响,例如,所述教学环境和所述教学管理的评分范围为0-5分。举例来讲,以任意一个讲师为例,若所述教学内容的评分为7,所述教学方法的评分为8,所述学员的学习程度的评分为6分,所述教学环境的评分为3,所述教学管理的评分为4时,所述评价积分值为上述评分的总和,即28分。
第二获取模块30,用于在侦测到第二获取指令时根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值。
在本发明的至少一个实施例中,所述教学成果积分为针对课程内容对学员进行测试得到的测试数据进行统计得出的所述教学成果积分值。所述测试数据包括测试分数和测试人数。所述学员信息可包括学员姓名、学员ID、课程以及测试等相关信息。
所述第二获取模块30进一步地还用于获取测试数据并根据所述测试数据统计及格率以及优秀率,根据所述及格率通过查找第一表格获取第一积分值,根据所述优秀率通过查找第二表格获取第二积分值,并将所述第一积分值和所述第二积分值相加得到所述教学成果积分值。
在本发明的至少一个实施例中,所述第一表格存储有多个及格率范围和多个第一积分值,所述每个及格率等级范围对应一个不同的第一积分值。所述第二表格存储有多个优秀率范围和多个第二积分值,所述每个优秀率等级范围对应一个不同的第二积分值。
第三获取模块40,用于在侦测到第三获取指令时获取课外指导积分值。
在本发明的至少一个实施例中,所述课外指导积分为学员对讲师针对提出问题的答复内容进行评价分数。
第四获取模块50,用于在侦测到课程难度获取指令时获取讲师课程难度系数。
在本发明的至少一个实施例中,所述讲师课程难度包括初级难度、中级难度以及高级难度。每个所述难度对应不同的难度系数。所述初级难度对应的难度系数可以为0.4,所述中级难度对应的难度系数可以为0.7,所述高级难度对应的难度系数可以为1。
计算模块60,用于在侦测到计算指令时根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分。
在本发明的至少一个实施例中,所述计算模块60进一步地计算所述评价积分值、所述教学积分值以及所述课外指导积分值的总和作为总积分,并将所述总积分与所述难度系数相乘得到所述教学质量评分。
在本发明的另一个实施例中,所述计算模块60进一步地将所述教学积分值与所述难度系数相乘得到教学总积分;计算所述评价积分值、所述教学总积分以及所述课外指导积分值的总和作为所述教学质量评分。
等级评定模块70,用于在侦测到等级评定指令时根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
所述等级评定模块70进一步地根据当前教学质量评分计算讲师等级。
在本发明的至少一个实施例中,所述等级可包括三类,其分别为主讲讲师、兼职讲师以及其他讲师。其中,每类等级的讲师可进一步划分形成多个子等级。每个子等级对应不同的积分范围。例如,所述主讲讲师可划分为初级讲师、中级讲师以及高级讲师。所述兼职讲师可以划分为5个星级讲师。其中,每个讲师具有一个原始等级。
所述等级评定模块70进一步地判断所述讲师等级是否等于所述原始等级。
在本发明的至少一个实施例中,所述原始等级可以为根据所述讲师的证书、学历、教学经验等多方面数据进行初步综合评定。
若所述讲师等级等于所述原始等级,则所述等级评定模块70维持所述讲师等级不变。
若所述讲师等级不等于所述原始等级,则所述等级评定模块70进一步判断所述讲师等级是否大于所述原始等级。
若所述讲师等级大于所述原始等级,则所述等级评定模块70累计一次优秀次数。
所述等级评定模块70进一步地判断累计的所述优秀次数是否小于第一预定次数。
若所述累计的优秀次数大于等于所述第一预定次数,则所述等级评定模块70晋升所述讲师等级,并在所述可视化界面内显示晋升提示信息并发送晋级邮件给所述讲师。
若所述累计的优秀次数小于所述第一预定次数,则所述等级评定模块70维持所述讲师等级不变。
若所述讲师等级小于所述原始等级,则所述等级评定模块70进一步地累计一次不合格次数。
所述等级评定模块70进一步地判断累计所述不合格次数是否小于第二预定次数。
若累计所述不合格次数大于等于所述第二预定次数,则所述等级评定模块70进一步地降级所述讲师等级,并发送降级提示邮件给所述讲师。
若累计所述不合格次数小于所述第二预定次数,则所述等级评定模块70进一步地维持所述讲师等级不变。
本发明的至少一个实施例中,上述各种指令可以是通过终端设备接收的数据请求指令。所述终端设备可以包括键盘输入、触摸屏输入等,但是本公开的示例实施例中的用户输入方式不限于此。上述各种指令可以为用户在图形用户界面上的预设按键通过用户的操作产生。具体地,所述用户的操作包括,但不限于:滑动操作、点击操作(如:单击操作、双击操作等等)。具体地,所述预设按键可以是所述终端设备上的实体按键,也可以是所述终端设备上的虚拟按键等等(例如:所述虚拟按键可以是所述电子设备的显示器上的一个虚拟图标等),本发明在此不做限制。
由以上实施例可知,基于数据分析的等级评估装置可结合主观参数和客观参数评估讲师等级,同时增加课程难度系数作为客观参数,进一步优化了讲师教学质量的等级评定方法。
请参阅图7,其为本发明实施例的一种存储介质。所述存储介质为计算机可读存储介质,其上存储有计算机指令。所述计算机指令可被存储于存储器102上,且当被一个或多个处理器106执行时,从而实现如上文方法实施例所述的基于数据分析的等级评估方法。
所述存储器102用于存储程序代码。所述存储器102可以是集成电路中没有实物形式的具有存储功能的电路,如RAM(Random-Access Memory,随机存取存储器)、FIFO(FirstIn First Out,)等。或者,所述存储器102也可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)、智能媒体卡(smart media card)、安全数字卡(secure digitalcard)、快闪存储器卡(flash card)等储存设备。所述存储器102可通过通信总线104与处理器106进行数据通信。所述存储器102中可以包括操作系统、网络通信模块以及基于数据分析的等级评估程序。操作系统是管理和控制接口测试设备硬件和软件资源的程序,支持基于数据分析的等级评估程序以及其它软件和/或程序的运行。网络通信模块用于实现所述存储器102内部各组件之间的通信,以及与电子设备中其它硬件和软件之间通信。
所述处理器106可以包括一个或者多个微处理器、数字处理器。所述处理器106可调用所述存储器102中存储的程序代码以执行相关的功能。例如,图1中所述的各个模块是存储在所述存储器102中的程序代码,并由所述处理器106所执行,以实现一种基于数据分析的等级评估类方法。所述处理器106又称中央处理器(CPU,Central Processing Unit),是一块超大规模的集成电路,是运算核心(Core)和控制核心(Control Unit)。
所述处理器106用于执行所述存储器102中存储的多个计算机指令以实现基于数据分析的等级评估方法,所述处理器106可执行多个指令从而实现以下步骤:
S11、建立可视化界面。
本发明的至少一个实施例中,所述可视化界面用于向用户提供人机交互接口,用户可以在通过手机或电脑等终端设备连接到所述基于数据分析的等级评估系统。在所述可视化界面,学员可对讲师及其对应的课程进行评分,也可查看所述讲师对应的课程相关信息。
S12、在侦测到第一获取指令时,根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值。
在本发明的至少一个实施例中,所述讲师信息可以包括讲师姓名、讲师ID、讲师等级以及讲师课程等相关内容。所述评价数据为文字或文字与数字的结合。所述数据分析为将所述评价数据进行分词处理形成分词库,利用神经语言程序学(Neuro-LinguisticProgramming,NLP)技术对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值。其中,所述情感特征包括中性、积极以及消极。在其他实施方式中,还可通过深度学习模型对所述评价数据进行数据分析,也可通过NLP技术和深度学习模型二者结合的方式进行数据分析。
在本发明的至少一个实施例中,所述评价积分值为学员根据讲师的教学课程对多个指定参数进行评分的总和。所述多个指定参数可包括教学内容、教学方法、教学环境、教学管理以及学员的学习程度。每个所述指定参数对应一个评分范围。根据指定参数与讲师教学质量之间的关联程度设定不同的评分范围。比如,与讲师教学质量关系密切的指定参数对应的评分范围较宽泛,有利于细化教学质量的评定标准,例如,所述教学内容、所述教学方法以及所述学员的学习程度的评分范围为0-10分;相较于与讲师教学质量关系较小的指定参数对应的评分范围较窄,减少非主观原因对讲师教学质量的评定的影响,例如,所述教学环境和所述教学管理的评分范围为0-5分。举例来讲,以任意一个讲师为例,若所述教学内容的评分为7,所述教学方法的评分为8,所述学员的学习程度的评分为6分,所述教学环境的评分为3,所述教学管理的评分为4时,所述评价积分值为上述评分的总和,即28分。
S13,在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值。
请一并参阅图2,在本发明的至少一个实施例中,所述教学成果积分为针对课程内容对学员进行测试得到测试数据进行统计得出的所述教学成果积分值。所述测试数据包括测试分数和测试人数。所述学员信息可包括学员姓名、学员ID、课程以及测试等相关信息。
在本发明的至少一个实施例中,所述根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值的步骤进一步包括:
S131、根据所述测试数据统计及格率以及优秀率;
S132、根据所述及格率通过查找第一表格获取第一积分值;
S133、根据所述优秀率通过查找第二表格获取第二积分值;
S134、将所述第一积分值和所述第二积分值相加得到所述教学成果积分值。
在本发明的至少一个实施例中,所述第一表格存储有多个及格率范围和多个第一积分值,所述每个及格率等级范围对应一个不同的第一积分值。所述第二表格存储有多个优秀率范围和多个第二积分值,所述每个优秀率等级范围对应一个不同的第二积分值。
S14、在侦测到第三获取指令时,获取课外指导积分值。
在本发明的至少一个实施例中,所述课外指导积分为学员对讲师针对提出问题的答复内容进行评价分数。
S15、在侦测到课程难度获取指令时,获取讲师课程难度系数。
在本发明的至少一个实施例中,所述讲师课程难度包括初级难度、中级难度以及高级难度。每个所述难度对应不同的难度系数。所述初级难度对应的难度系数可以为0.4,所述中级难度对应的难度系数可以为0.7,所述高级难度对应的难度系数可以为1。
S16、在侦测到计算指令时,根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分。
请一并参阅图3,在本发明的至少一个实施例中,所述根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
S161、计算所述评价积分值、所述教学积分值以及所述课外指导积分值的总和作为总积分;
S162、将所述总积分与所述难度系数相乘得到所述教学质量评分。
请一并参阅图4,在本发明的另一个实施例中,所述根据所述评价积分值、所述教学积分值、所述课外指导积分值以及所述难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
S161、将所述教学积分值与所述难度系数相乘得到教学总积分;
S162、计算所述评价积分值、所述教学总积分以及所述课外指导积分值的总和作为所述教学质量评分。
S17、在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
请一并参阅图5,在本发明的至少一个实施例中,所述在侦测到等级评定指令时,根据教学质量评分对所述讲师进行等级评定的可进一步包括如下步骤:
S170,根据当前教学质量评分计算讲师等级;
在本发明的至少一个实施例中,所述等级可包括三类,其分别为主讲讲师、兼职讲师以及其他讲师。其中,每类等级的讲师可进一步划分形成多个子等级。每个子等级对应不同的积分范围。例如,所述主讲讲师可划分为初级讲师、中级讲师以及高级讲师。所述兼职讲师可以划分为5个星级讲师。其中,每个讲师具有一个原始等级。
S171,判断所述讲师等级是否等于所述原始等级;
在本发明的至少一个实施例中,所述原始等级可以为根据所述讲师的证书、学历、教学经验等多方面数据进行初步综合评定。
若所述讲师等级等于所述原始等级时,进入步骤S176;
S172,若所述讲师等级不等于所述原始等级时,判断所述讲师等级是否大于所述原始等级;
S173,若所述讲师等级大于所述原始等级,则累计一次优秀次数;
S174,判断累计的所述优秀次数是否小于第一预定次数;
S175,若所述累计的优秀次数大于等于所述第一预定次数,则晋升所述讲师等级,在所述可视化界面内显示晋升提示信息并发送晋级邮件给所述讲师;
S176、若所述累计的优秀次数小于所述第一预定次数,则维持所述讲师等级不变;
S177,若所述讲师等级小于所述原始等级,则累计一次不合格次数;
S178,判断累计所述不合格次数是否小于第二预定次数;
S179,若累计所述不合格次数大于等于所述第二预定次数,则降级所述讲师等级,发送降级提示邮件给所述讲师;
若累计所述不合格次数小于所述第二预定次数,则进入步骤S176。
本发明的至少一个实施例中,上述各种指令可以是通过终端设备接收的数据请求指令。所述终端设备可以包括键盘输入、触摸屏输入等,但是本公开的示例实施例中的用户输入方式不限于此。上述各种指令可以为用户在图形用户界面上的预设按键通过用户的操作产生。具体地,所述用户的操作包括,但不限于:滑动操作、点击操作(如:单击操作、双击操作等等)。具体地,所述预设按键可以是所述终端设备上的实体按键,也可以是所述终端设备上的虚拟按键等等(例如:所述虚拟按键可以是所述电子设备的显示器上的一个虚拟图标等),本发明在此不做限制。
由以上实施例可知,基于数据分析的等级评估方法可结合主观参数和客观参数评估讲师等级,同时增加课程难度系数作为客观参数,进一步优化了讲师教学质量的等级评定方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明的各个实施例中的各功能模块可以集成在一个处理器中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块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。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述,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范围。
Claims (10)
1.一种基于数据分析的等级评估方法,其特征在于,所述基于数据分析的等级评估方法包括:
建立可视化界面;
在侦测到第一获取指令时,根据讲师信息获取对应的评价数据并进行数据分析以得到讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
在侦测到第二获取指令时,根据学员信息获取测试数据并进行数据分析以得到所述讲师对应的教学成果积分值;
在侦测到第三获取指令时,获取所述讲师对应的课外指导积分值;
在侦测到第四获取指令时,获取讲师课程难度系数;
在侦测到计算指令时,根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分;
在侦测到等级评定指令时,根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
2.如权利要求1所述的基于数据分析的等级评估方法,其特征在于,所述测试数据包括测试分数以及测试人数;所述根据学员信息获取测试数据并进行数据分析以得到所述讲师对应的教学成果积分值的步骤进一步包括:
根据所述测试数据统计及格率以及优秀率;
根据所述及格率通过查找第一表格获取第一积分值;
根据所述优秀率通过查找第二表格获取第二积分值;
将所述第一积分值和所述第二积分值相加得到所述教学成果积分值。
3.如权利要求1所述的基于数据分析的等级评估方法,其特征在于,所述根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
计算所述评价积分值、所述教学成果积分值以及所述课外指导积分值的总和作为总积分;
将所述总积分与所述难度系数相乘得到所述教学质量评分。
4.如权利要求1所述的基于数据分析的等级评估方法,其特征在于,所述根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数计算得到所述讲师对应的教学质量评分的步骤进一步包括:
将所述教学成果积分值与所述难度系数相乘得到教学总积分;
计算所述评价积分值、所述教学总积分以及所述课外指导积分值的总和作为所述教学质量评分。
5.如权利要求4所述的基于数据分析的等级评估方法,其特征在于,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
根据当前教学质量评分计算讲师等级;
判断所述讲师等级是否等于原始等级;
在所述讲师等级不等于所述原始等级时,进一步判断所述讲师等级是否大于所述原始等级;
若所述讲师等级大于所述原始等级,则累计一次优秀次数;
累计的所述优秀次数是否小于第一预定次数;
若所述累计的优秀次数大于等于所述第一预定次数,则晋升所述讲师等级,在所述可视化界面内显示晋升提示信息并发送晋级邮件给所述讲师;
若所述累计的优秀次数小于所述第一预定次数,则保持所述讲师等级不变。
6.如权利要求5所述的基于数据分析的等级评估方法,其特征在于,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
若所述讲师等级小于所述原始等级,则累计一次不合格次数;
判断累计所述不合格次数是否小于第二预定次数;
若累计所述不合格次数大于等于所述第二预定次数,则降级所述讲师等级,发送降级提示邮件给所述讲师;
若累计所述不合格次数小于所述第二预定次数,则保持所述讲师等级不变。
7.如权利要求5所述的基于数据分析的等级评估方法,其特征在于,所述根据所述教学质量评分对所述讲师进行等级评定的步骤进一步包括:
若所述讲师等级等于所述原始等级,则保持所述讲师等级不变。
8.一种基于数据分析的等级评估装置,其特征在于,所述基于数据分析的等级评估装置包括:
界面建立模块,用于建立可视化界面;
第一获取模块,用于在侦测到第一获取指令时根据讲师信息获取对应的评价数据并进行数据分析以得到所述讲师对应的评价积分值;所述数据分析为将所述评价数据进行分词处理形成分词库,对所述分词库中的分词进行标注以得到所述评价数据的情感特征,并根据所述情感特征进行算法分析得到所述讲师对应的评价分值;
第二获取模块,用于在侦测到第二获取指令时根据学员信息获取测试数据并进行数据分析以得到讲师对应的教学成果积分值;
第三获取模块,用于在侦测到第三获取指令时获取课外指导积分值;
第四获取模块,用于在侦测到第四获取指令时获取讲师课程难度系数;
计算模块,用于在侦测到计算指令时根据所述评价积分值、所述教学成果积分值、所述课外指导积分值以及所述课程难度系数以进行计算得到所述讲师对应的教学质量评分;
等级评定模块,用于在侦测到等级评定指令时根据所述教学质量评分对所述讲师进行等级评定并在所述可视化界面产生提示信息。
9.一种设备,其特征在于,所述设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于数据分析的等级评估方法。
10.一种存储介质,其特征在于,所述存储介质为计算机可读存储介质,其存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述基于数据分析的等级评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272373.7A CN110188976A (zh) | 2019-04-04 | 2019-04-04 | 基于数据分析的等级评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272373.7A CN110188976A (zh) | 2019-04-04 | 2019-04-04 | 基于数据分析的等级评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188976A true CN110188976A (zh) | 2019-08-30 |
Family
ID=67713815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272373.7A Pending CN110188976A (zh) | 2019-04-04 | 2019-04-04 | 基于数据分析的等级评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188976A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910695A (zh) * | 2019-12-06 | 2020-03-24 | 重庆新申言科技有限公司 | 用于申论的学习交流系统及方法 |
CN111062623A (zh) * | 2019-12-19 | 2020-04-24 | 中国联合网络通信集团有限公司 | 课程效果评估方法、装置、设备以及存储介质 |
CN113741865A (zh) * | 2021-08-19 | 2021-12-03 | 杭州优必学科技有限公司 | 一种基于编程机数据的思维力评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203811A (zh) * | 2016-07-05 | 2016-12-07 | 上海电力学院 | 一种教学质量评价方法 |
CN107679705A (zh) * | 2017-09-11 | 2018-02-09 | 深圳家族领袖教育科技有限公司 | 一种教师教学技能评估方法及装置 |
CN107704996A (zh) * | 2017-09-12 | 2018-02-16 | 青岛大学 | 一种基于情感分析的教师评价系统 |
CN109523201A (zh) * | 2019-01-22 | 2019-03-26 | 湖南财政经济学院 | 一种基于大数据时代高效慕课质量评估方法 |
-
2019
- 2019-04-04 CN CN201910272373.7A patent/CN110188976A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203811A (zh) * | 2016-07-05 | 2016-12-07 | 上海电力学院 | 一种教学质量评价方法 |
CN107679705A (zh) * | 2017-09-11 | 2018-02-09 | 深圳家族领袖教育科技有限公司 | 一种教师教学技能评估方法及装置 |
CN107704996A (zh) * | 2017-09-12 | 2018-02-16 | 青岛大学 | 一种基于情感分析的教师评价系统 |
CN109523201A (zh) * | 2019-01-22 | 2019-03-26 | 湖南财政经济学院 | 一种基于大数据时代高效慕课质量评估方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910695A (zh) * | 2019-12-06 | 2020-03-24 | 重庆新申言科技有限公司 | 用于申论的学习交流系统及方法 |
CN111062623A (zh) * | 2019-12-19 | 2020-04-24 | 中国联合网络通信集团有限公司 | 课程效果评估方法、装置、设备以及存储介质 |
CN113741865A (zh) * | 2021-08-19 | 2021-12-03 | 杭州优必学科技有限公司 | 一种基于编程机数据的思维力评估方法 |
CN113741865B (zh) * | 2021-08-19 | 2023-10-27 | 杭州优必学科技有限公司 | 一种基于编程机数据的思维力评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peytcheva-Forsyth et al. | Factors affecting students’ attitudes towards online learning-The case of Sofia University | |
Klašnja-Milićević et al. | Social tagging strategy for enhancing e-learning experience | |
Hwang et al. | AI in online-learning research: Visualizing and interpreting the journal publications from 1997 to 2019 | |
Gupta et al. | Deciphering the attributes of student retention in massive open online courses using data mining techniques | |
US20120156667A1 (en) | Structure and adaptive apparatus for online educational learning through trusted mass collaboration | |
Mikić et al. | Personalisation methods in e‐learning‐A literature review | |
CN110188976A (zh) | 基于数据分析的等级评估方法、装置、设备及存储介质 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
Choi et al. | Investigating motivations and expectations of asking a question in social Q&A | |
Dhakshinamoorthy et al. | KLSAS—An adaptive dynamic learning environment based on knowledge level and learning style | |
Do Huynh et al. | Factors affecting students’ intention to use mobile learning at universities: an empirical study | |
Lv et al. | Intelligent personalised exercise recommendation: A weighted knowledge graph‐based approach | |
Kabak et al. | Evaluation of distance education websites: a hybrid multicriteria approach | |
Benabdelouahab et al. | A Bibliometric Study on E-Learning Software Engineering Education | |
Kurniawan et al. | Analysis and Redesign of the Website User Interface of Universitas Faletehan Using the Design Thinking Method | |
Hii et al. | A Review of Two Decades of Research on the Application of Multicriteria Decision Making Techniques to Evaluate e-Learning's Effectiveness. | |
Downey | Visualizing a taxonomy for virtual worlds | |
Liou | Personalized Article Recommendation Based on Student's Rating Mechanism in an Online Discussion Forum | |
Karunaratne et al. | Using log data of virtual learning environments to examine the effectiveness of online learning for teacher education in Rwanda | |
Poitras et al. | Mining the edublogosphere to enhance teacher professional development | |
El Aouifi et al. | Predicting learner’s performance through video viewing behavior analysis using graph convolutional networks | |
Disastra et al. | User satisfaction of e-learning system implementation for training and development program in organization | |
Solaskar et al. | Improving learning management system using data mining | |
Arif et al. | Digitalisation: The Effectiveness of e-Learning in Capital Market Education | |
Mondal et al. | Khan Academy: A social networking and community question answering perspective |
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 |