CN110807173A - 学情分析方法、装置、计算机设备和存储介质 - Google Patents
学情分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110807173A CN110807173A CN201910979381.5A CN201910979381A CN110807173A CN 110807173 A CN110807173 A CN 110807173A CN 201910979381 A CN201910979381 A CN 201910979381A CN 110807173 A CN110807173 A CN 110807173A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- diagnosed
- class
- student
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000005192 partition Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008451 emotion Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种学情分析方法、装置、计算机设备和存储介质。所述方法包括：获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；对所述全局学习数据进行大数据分析，得到全局学习情况；将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。采用本方法，通过与同级水平进行比较，能够提高学情分析的准确性。
Description
技术领域
本申请涉及数据分析技术领域，特别是涉及一种学情分析方法、装置、计算机设备和存储介质。
背景技术
学情分析即针对学生的学习情况进行分析，学情分析结果可以为教学方法的改进和教学策略的调整提供建议和指导，对学生学习的进步以及老师教学水平的提高具有重要意义。
目前网络教学以其灵活便捷的优点受到老师、学生和家长的青睐，针对网络教学平台的学情分析方法通常是老师根据班级的课堂反馈和测验成绩，凭借主观感知和个人经验分析班级学生对于所教知识点的掌握情况。
然而，上述学情分析方法容易受老师的主观因素影响，导致学情分析结果不准确。
因此，传统的学情分析方法存在准确性较低的问题。
发明内容
基于此，有必要针对上述技术问题，基于网络教学平台，提供一种能够提高学情分析准确性的学情分析方法、装置、计算机设备和存储介质。
一种学情分析方法，包括：
获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
对所述全局学习数据进行大数据分析，得到全局学习情况；
将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
在其中一个实施例中，所述学习数据包括待诊断学科的学习数据，所述待诊断学科包括多个待诊断知识点，所述全局学习情况包括平均知识点成绩，所述对所述全局学习数据进行大数据分析，得到全局学习情况的步骤，包括：
在所述多个待诊断知识点中，选取目标知识点；
从所述全局学习数据中获取所述多个学生对于所述目标知识点的知识点成绩；
计算所述多个学生的知识点成绩的平均值，得到所述目标知识点的平均知识点成绩。
在其中一个实施例中，所述将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果，包括：
确定所述待诊断学生对于所述目标知识点的知识点成绩，作为个人知识点成绩；
将所述个人知识点成绩与所述平均知识点成绩进行比较；
当所述个人知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断学生的个人薄弱知识点；
生成所述个人学情诊断结果；所述个人学情诊断结果包括所述待诊断学生的个人薄弱知识点。
在其中一个实施例中，还包括：
确定待诊断班级；所述待诊断班级包括多个所述待诊断学生；
获取所述待诊断班级中的多个待诊断学生对于所述目标知识点的知识点成绩的均值，作为班级知识点成绩；
根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点；
生成班级学情诊断结果；所述班级学情诊断结果包括所述待诊断班级的班级薄弱知识点。
在其中一个实施例中，所述根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点，包括：
当所述班级知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点；
或者，
确定所述平均知识点成绩的低分区间，统计所述待诊断班级中的多个待诊断学生的个人知识点成绩处于所述低分区间内的低分比例，当所述低分比例高于预设阈值时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点。
在其中一个实施例中，还包括：
获取与所述目标知识点相对应的题目信息，得到目标题目；
从所述全局学习数据中获取所述多个学生对于所述目标题目的题目成绩；
根据所述题目成绩，计算所述目标题目的难度系数；
利用所述难度系数，对所述个人学情诊断结果中的所述个人薄弱知识点进行修正。
在其中一个实施例中，还包括：
计算所述平均知识点成绩和所述个人知识点成绩的偏差；
当所述偏差大于一定阈值时，判定所述待诊断学生对于所述目标知识点的知识点成绩为异常成绩；
生成所述个人学情诊断结果；所述个人学情诊断结果包括对于所述目标知识点的成绩异常告警。
一种学情分析装置，所述装置包括：
数据获取模块，用于获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
数据分析模块，用于对所述全局学习数据进行大数据分析，得到全局学习情况；
诊断模块，用于将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
输出模块，用于基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：
获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
对所述全局学习数据进行大数据分析，得到全局学习情况；
将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
对所述全局学习数据进行大数据分析，得到全局学习情况；
将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
上述学情分析方法、装置、计算机设备和存储介质，通过网络教学平台获取全局学习数据，利用全局学习数据进行大数据分析，得到全局学习情况。相比于传统的基于班级学习数据进行学情分析的方法来说，全局学习数据包含更丰富更全面的学生学习信息，基于该信息得到的学情分析结果，能够更准确地反映网络教学平台上所有学生的学习情况。为了得到待诊断学生的个人学情诊断结果，将全局学习情况与待诊断学生的个人学习情况进行比较，其中全局学习情况能够更准确地反映网络教学平台上所有学生的学习情况，利用全局学习情况对待诊断学生的个人学情进行诊断，诊断结果具有较高的准确性，基于诊断结果输出教学报告具有较高的准确性，为教学策略调整所提供的建议和指导也更加具有可靠性。
附图说明
图1为一个实施例中学情分析方法的流程示意图；
图2为一个实施例中的学情分析方法的应用环境图；
图3为一个实施例中显示学习轨迹的示意图；
图4为一个实施例中显示班级错题情况的示意图；
图5为一个实施例中班级学情诊断的示意图；
图6为一个实施例中学情分析装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种学情分析方法。本实施例提供的学情分析方法，可以应用于如图2所示的应用环境中。在该应用环境中，包括有用户终端和学情分析服务器206，其中用户终端包括学生用户终端202和老师用户终端204。上述学情分析方法，以应用于图2中的学情分析服务器206为例进行说明，可以包括以下步骤：
步骤S102，获取全局学习数据。
其中，全局学习数据可以为网络教学平台上所有学生学习所有学科的学习数据，例如，每次练习或测验的起止时间、题目内容、成绩等。
具体实现中，学生使用学生用户终端202在网络教学平台上每次练习或测验时可能会产生起止时间、题目内容、成绩等学习数据。学情分析服务器可以监测学生用户端的学习数据，将监测到的学习数据记录成学习数据表。
例如，某学生使用手提电脑在网络教学平台完成了一次测验，学情分析服务器对其学习数据进行监测，监测到测验开始时间为18:00，结束时间为18:05，所完成的题目内容为英语语法一般现在时题库中的编号1-10，成绩为80分，学情分析服务器可以监测平台上所有学生的学习数据，记录成学习数据表。
在需要进行学情分析时，学情分析服务器可以从学习数据表中读取若干学生的学习数据，例如，读取所有学生的学习数据，或读取待诊断班级中所有学生的学习数据。
步骤S104，对所述全局学习数据进行大数据分析，得到全局学习情况。
其中，全局学习情况可以为网络教学平台上所有学生的多维学习情况，例如，学习轨迹，成绩趋势，知识点掌握情况，错题情况等，其中学习轨迹为学生每次练习和/或测验的起止时间、成绩等学习数据的记录；成绩趋势为所有学生平均成绩的变化趋势；知识点掌握情况为学生对于所教知识点的掌握程度；错题情况为学生每次练习和/或测验的错题统计。
具体实现中，大数据分析模型可以采用MapReduce模型，将全局学习数据输入MapReduce模型，基于预设的元数据，对全局学习数据进行分组，当需要考察全局学习情况时，选择所需要的分组，利用该组数据计算并分析全局学习情况。
图3是一个实施例中显示学习轨迹的示意图。具体实现中，根据预设的元数据，对全局学习数据中的测验时间、题目、成绩、口语完整度、流利度、准确度等分别建立相应的数据组，当需要得到训练次数、练习时长、平均成绩等学习轨迹时，确定需要获取的数据组，从数据组中读取数据进行计算和显示。
进一步地，对于成绩趋势，需要获取测验时间和成绩数据组中的数据，对应每次测验完成时间，计算平均成绩，利用测验完成时间和平均成绩刻画成绩趋势，可以反映全局学习波动情况；对于知识点掌握情况，需要获取题目和成绩数据组，在系统中预设一份与年级相对应的知识点树，知识点树下的每个分支对应一个知识点，例如，知识点树下的一条分支可以为语法→动词时态→一般现在时，初始状态下知识点数据为空，对应每个知识点设置一些题目，统计学生完成这些题目的平均成绩，记录为知识点数据，利用此知识点数据判断学生对于相应知识点的掌握情况；对于错题情况，需要题目和成绩数据组，对应每个题目，根据系统给出的参考答案统计错题人数，并将取得满分的学生人数与学生总数相除，得到答题得分率，当需要对错题情况进行展示时，输出参考答案、错题人数、得分率等信息。
图4为一个实施例中显示班级错题情况的示意图。具体实现中，针对每道题目，统计得分率和选项分布，相应地，在每道题目下方，显示得分率、参考答案、选项分布等信息，为老师的教学策略调整提供参考。
步骤S106，将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果。
其中，待诊断学生的个人学习情况可以为老师任教班级中某个学生学习的学习轨迹、成绩趋势、知识点掌握、错题统计等情况。
具体实现中，学情分析服务器206从全局学习数据中提取待诊断学生的个人学习数据，利用个人学习数据计算个人学习情况，根据不同的待诊断项目，将全局学习情况与待诊断学生的个人学习情况进行比较，根据比较结果，对待诊断学生的个人学习情况进行诊断，输出诊断结果。
例如，当需要诊断某学生对于英语语法中一般现在时这个知识点的掌握情况时，确定知识点所对应的题目在题库中编号为10，从全局学习数据中获取该学生完成第10题的成绩为90分；根据全局学习情况，第10题所对应的平均成绩为95分；预设成绩偏差阈值为10分，通过计算，待诊断学生的成绩偏差为5分，小于成绩偏差阈值，输出学情诊断结果，显示待诊断学生成绩在正常范围内。
步骤S108，基于所述个人学情诊断结果，输出教学报告。
其中，个人学情诊断结果可以为成绩异常、薄弱知识点、与同级水平的差距等。
具体实现中，成绩异常可以通过获取待诊断学生的个人成绩，将个人成绩与平均成绩进行比较，当偏差大于一定阈值时，判定待诊断学生成绩异常，向老师发送异常告警，老师可以进入详情页面查看学生做过的题目，进行教学计划调整，及时给予反馈；对于班级薄弱知识点，可以将班级平均成绩与全局平均成绩进行比较，当偏差大于一定阈值时，判定相应知识点为班级薄弱知识点，向老师发送告警，老师可以根据薄弱知识点有针对性地在班级进行知识点讲解；对于与同级水平的差距，将个人成绩或班级平均成绩与全局平均成绩进行比较，得到的差值为与同级水平的差距，例如，全局平均成绩为80分，当个人成绩为90分时，高于平均水平10分，教学效果较好，当个人成绩为60分时，低于平均水平20分，需要老师重点关注，针对知识点进行进一步地讲解。
上述学情分析方法，利用全局学习数据进行大数据分析，获取全局学习情况。相比于传统的学情分析方法来说，全局学习数据包含更丰富更全面的学生学习信息，利用该数据进行学情分析，得到的结果能够更准确地反映学生学习的平均水平。将全局学习情况与待诊断学生的个人学习情况进行比较，得到个人学情诊断结果，由于全局学习情况更准确地反映了学生学习的平均水平，利用全局学习情况进行个人学情诊断，诊断结果具有较高的准确性，进而给出的教学报告具有较高的准确性，为教学策略调整所提供的建议和指导具有较高的可靠性。
在其中一个实施例中，提供了一种获取全局学习情况的步骤，所述对所述全局学习数据进行大数据分析，得到全局学习情况，所述步骤S104，具体包括：
在所述多个待诊断知识点中，选取目标知识点；
从所述全局学习数据中获取所述多个学生对于所述目标知识点的知识点成绩；
计算所述多个学生的知识点成绩的平均值，得到所述目标知识点的平均知识点成绩。
具体实现中，可以针对待诊断学科，从知识点树下的知识节点中选取目标知识点，基于MapReduce大数据模型，从全局学习数据中获取所有学生对于目标知识点的成绩，计算平均值，得到平均知识点成绩。
例如，可以从英语学科的知识点树中，选取语法节点下的一般现在时作为目标知识点，在题库中，与目标知识点相对应的题目为第11-20题，利用MapReduce大数据模型从全局学习数据中获取所有学生完成第11-20题所得到的成绩，计算平均值，得到知识点一般现在时的平均成绩。
上述全局学习情况获取步骤，基于全局学习数据获取学生对于目标知识点的知识点成绩，由于全局学习数据能够更全面地反映所有学生对于目标知识点的掌握情况，利用相应的知识点成绩计算平均知识点成绩，更能反映学生学习的平均水平，具有更高的准确性。
在其中一个实施例中，提供了一种个人学情诊断的步骤，所述将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果，所述步骤S106，具体包括：
确定所述待诊断学生对于所述目标知识点的知识点成绩，作为个人知识点成绩；
将所述个人知识点成绩与所述平均知识点成绩进行比较；
当所述个人知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断学生的个人薄弱知识点；
生成所述个人学情诊断结果；所述个人学情诊断结果包括所述待诊断学生的个人薄弱知识点。
其中，个人薄弱知识点为待诊断学生个人知识点成绩低于平均知识点成绩超过一定阈值。
具体实现中，在确定目标知识点所对应的题目信息后，例如，与目标知识点“一般现在时”相对应的题库中的第11题，从全局学习数据中读取待诊断学生完成第11题所得到的成绩，作为个人知识点成绩，并与平均知识点成绩进行比较，设置比较阈值为10分，当个人知识点成绩低于平均知识点成绩超过10分时，一般现在时为待诊断学生的个人薄弱知识点，对个人薄弱知识点进行标记，老师可以根据标记信息查看待诊断学生的做题情况，或者与平均水平的差距，进行有针对性的重点讲解。
上述步骤将个人学习情况与全局学习情况进行比较，由于全局学习情况反映了学生学习的平均水平，可以对个人薄弱知识点进行更准确的判断，相应生成的学情诊断结果也具有更高的准确性和可靠性。
在其中一个实施例中，还包括：
确定待诊断班级；所述待诊断班级包括多个所述待诊断学生；
获取所述待诊断班级中的多个待诊断学生对于所述目标知识点的知识点成绩的均值，作为班级知识点成绩；
根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点；
生成班级学情诊断结果；所述班级学情诊断结果包括所述待诊断班级的班级薄弱知识点。
具体实现中，在确定待诊断班级，以及目标知识点所对应的题目信息后，例如，与一般现在时相对应的题库中的第11题，从全局学习数据中读取待诊断班级中所有学生完成第11题所得到的成绩，计算成绩平均值得到班级知识点成绩，将班级知识点成绩与平均知识点成绩进行比较，设置比较阈值为10分，当班级知识点成绩低于平均知识点成绩超过10分时，一般现在时为待诊断班级的班级薄弱知识点，对班级薄弱知识点进行标记，老师可以根据标记信息查看待诊断班级与平均水平的差距，以及班级中每个学生的做题情况，有针对性地进行教学策略调整。
上述步骤将班级学习情况与全局学习情况进行比较，由于全局学习情况反映了学生学习的平均水平，可以对班级薄弱知识点进行更准确的判断，相应生成的学情诊断结果也具有更高的准确性和可靠性。
在其中一个实施例中，所述根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点的步骤，包括：
当所述班级知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点；
或者，
确定所述平均知识点成绩的低分区间，统计所述待诊断班级中的多个待诊断学生的个人知识点成绩处于所述低分区间内的低分比例，当所述低分比例高于预设阈值时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点。
图5为一个实施例中班级学情诊断的示意图。具体实现中，利用班级知识点成绩和平均知识点成绩绘制雷达图，针对知识点成绩划分成绩区间，例如，针对词汇的成绩，划分为6个成绩区间，分别为0-39、40-59、60-69、70-79、80-89、90-100，其中0-39和40-59为低分区间，统计得出待诊断班级中个人知识点成绩处于0-39和40-49的学生人数分别为5人和4人，班级学生人数为29，低分比例为(5+4)/29×100％＝31％，预设的低分阈值为20％时，低分比例高于低分阈值，判定词汇为班级薄弱知识点。
进一步地，老师可以查看各个成绩区间的学生人数占比，练习题目数量，也可以根据学习轨迹查看班级中各个学生的题目完成情况，从而有针对性地进行讲解和辅导。
上述步骤采用了可调节的低分阈值和低分区间，可以根据题目难度和学生水平等信息进行调节，从而能够进一步提高对班级薄弱知识点判断的准确性。
在其中一个实施例中，还包括：
获取与所述目标知识点相对应的题目信息，得到目标题目；
从所述全局学习数据中获取所述多个学生对于所述目标题目的题目成绩；
根据所述题目成绩，计算所述目标题目的难度系数；
利用所述难度系数，对所述个人学情诊断结果中的所述个人薄弱知识点进行修正。
具体实现中，获取目标知识点对应的题目作为目标题目，例如，选取一般现在时作为目标知识点，相应的，题库中第11题为目标题目，从全局学习数据中获取所有学生完成第11题所得到的题目成绩，当采用百分制时，算得平均题目成绩为90分，则题目难度系数为90/100＝0.9。较高的难度系数表明题目较简单，较低的难度系数表明题目较难。在个人薄弱知识点的诊断过程中，可以利用该难度系数对所采用的比较阈值进行修正，调整对个人薄弱知识点的诊断结果。
上述步骤利用全局学习数据计算目标题目难度系数，由于全局学习数据更准确地反映了学生成绩的平均水平，算得的难度系数具有较高的准确性，利用难度系数对个人薄弱知识点进行修正，得到的个人薄弱知识点诊断结果具有更高的准确性和可靠性。
在其中一个实施例中，还包括：
计算所述平均知识点成绩和所述个人知识点成绩的偏差；
当所述偏差大于一定阈值时，判定所述待诊断学生对于所述目标知识点的知识点成绩为异常成绩；
生成所述个人学情诊断结果；所述个人学情诊断结果包括对于所述目标知识点的成绩异常告警。
具体实现中，从全局学习数据中获取个人知识点成绩，利用平均知识点成绩计算成绩偏差，设置阈值为10分，当成绩偏差多于10分时，判定待诊断学生发生成绩异常，向老师发出异常告警。
进一步地，当个人知识点成绩高于平均知识点成绩时，发出的告警中提示待诊断学生成绩进步，老师可以给予表扬；当个人知识点成绩低于平均知识点成绩时，发出的告警中提示待诊断学生成绩退步，老师可以查看该学生的具体学习内容，有针对性地进行重点讲解。
上述步骤将个人知识点成绩与平均知识点成绩进行比较，由于平均知识点成绩反映了学生学习平均水平，具有较高的准确性，老师能够及时发现学生的成绩异常情况，并准确定位薄弱知识点，进而能够为学生提供更加具有针对性的讲解和辅导。
在一个实施例中，如图6所示，提供了一种学情分析装置的结构框图，包括：数据获取模块602、数据分析模块604、诊断模块606、输出模块608，其中：
数据获取模块602，用于获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
数据分析模块604，用于对所述全局学习数据进行大数据分析，得到全局学习情况；
诊断模块606，用于将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
输出模块608，用于基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
在其中一个实施例中，所述对所述全局学习数据进行大数据分析，得到全局学习情况，所述数据分析模块604，包括：
目标知识点选取模块，用于在所述多个待诊断知识点中，选取目标知识点；
知识点成绩获取模块，用于从所述全局学习数据中获取所述多个学生对于所述目标知识点的知识点成绩；
平均知识点成绩计算模块，用于计算所述多个学生的知识点成绩的平均值，得到所述目标知识点的平均知识点成绩。
在其中一个实施例中，所述将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果，所述诊断模块606，包括：
个人知识点成绩获取模块，用于确定所述待诊断学生对于所述目标知识点的知识点成绩，作为个人知识点成绩；
知识点成绩比较模块，用于将所述个人知识点成绩与所述平均知识点成绩进行比较；
薄弱知识点判断模块，用于当所述个人知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断学生的个人薄弱知识点；
诊断结果输出模块，用于生成所述个人学情诊断结果。
在其中一个实施例中，还包括：
待诊断班级确定模块，用于确定待诊断班级；所述待诊断班级包括多个所述待诊断学生；
班级知识点成绩获取模块，用于获取所述待诊断班级中的多个待诊断学生对于所述目标知识点的知识点成绩的均值，作为班级知识点成绩；
班级薄弱知识点判断模块，用于根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点；
诊断结果输出模块，用于生成班级学情诊断结果；所述班级学情诊断结果包括所述待诊断班级的班级薄弱知识点。
在其中一个实施例中，所述根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点，所述班级薄弱知识点判断模块，包括：
班级薄弱知识点判断第一子模块，用于当所述班级知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点；
或者，
班级薄弱知识点判断第二子模块，用于确定所述平均知识点成绩的低分区间，统计所述待诊断班级中的多个待诊断学生的个人知识点成绩处于所述低分区间内的低分比例，当所述低分比例高于预设阈值时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点。
在其中一个实施例中，还包括：
目标题目获取模块，用于获取与所述目标知识点相对应的题目信息，得到目标题目；
题目成绩获取模块，用于从所述全局学习数据中获取所述多个学生对于所述目标题目的题目成绩；
难度题述计算模块，用于根据所述题目成绩，计算所述目标题目的难度系数；
薄弱知识点修正模块，用于利用所述难度系数，对所述个人学情诊断结果中的所述个人薄弱知识点进行修正。
在其中一个实施例中，还包括：
成绩偏差计算模块，用于计算所述平均知识点成绩和所述个人知识点成绩的偏差；
成绩异常判断模块，用于当所述偏差大于一定阈值时，判定所述待诊断学生对于所述目标知识点的知识点成绩为异常成绩；
诊断结果输出模块，用于生成所述个人学情诊断结果；所述个人学情诊断结果包括对于所述目标知识点的成绩异常告警。
关于学情分析装置的具体限定可以参见上文中对于学情分析方法的限定，在此不再赘述。上述学情分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储学情分析数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种学情分析方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
对所述全局学习数据进行大数据分析，得到全局学习情况；
将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述多个待诊断知识点中，选取目标知识点；从所述全局学习数据中获取所述多个学生对于所述目标知识点的知识点成绩；计算所述多个学生的知识点成绩的平均值，得到所述目标知识点的平均知识点成绩。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定所述待诊断学生对于所述目标知识点的知识点成绩，作为个人知识点成绩；将所述个人知识点成绩与所述平均知识点成绩进行比较；当所述个人知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断学生的个人薄弱知识点；生成所述个人学情诊断结果；所述个人学情诊断结果包括所述待诊断学生的个人薄弱知识点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定待诊断班级；所述待诊断班级包括多个所述待诊断学生；获取所述待诊断班级中的多个待诊断学生对于所述目标知识点的知识点成绩的均值，作为班级知识点成绩；根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点；生成班级学情诊断结果；所述班级学情诊断结果包括所述待诊断班级的班级薄弱知识点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当所述班级知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点；或者，确定所述平均知识点成绩的低分区间，统计所述待诊断班级中的多个待诊断学生的个人知识点成绩处于所述低分区间内的低分比例，当所述低分比例高于预设阈值时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与所述目标知识点相对应的题目信息，得到目标题目；从所述全局学习数据中获取所述多个学生对于所述目标题目的题目成绩；根据所述题目成绩，计算所述目标题目的难度系数；利用所述难度系数，对所述个人学情诊断结果中的所述个人薄弱知识点进行修正。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算所述平均知识点成绩和所述个人知识点成绩的偏差；当所述偏差大于一定阈值时，判定所述待诊断学生对于所述目标知识点的知识点成绩为异常成绩；生成所述个人学情诊断结果；所述个人学情诊断结果包括对于所述目标知识点的成绩异常告警。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种学情分析方法，其特征在于，包括：
获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
对所述全局学习数据进行大数据分析，得到全局学习情况；
将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
2.根据权利要求1所述的方法，其特征在于，所述学习数据包括待诊断学科的学习数据，所述待诊断学科包括多个待诊断知识点，所述全局学习情况包括平均知识点成绩，所述对所述全局学习数据进行大数据分析，得到全局学习情况的步骤，包括：
在所述多个待诊断知识点中，选取目标知识点；
从所述全局学习数据中获取所述多个学生对于所述目标知识点的知识点成绩；
计算所述多个学生的知识点成绩的平均值，得到所述目标知识点的平均知识点成绩。
3.根据权利要求2所述的方法，其特征在于，所述将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果，包括：
确定所述待诊断学生对于所述目标知识点的知识点成绩，作为个人知识点成绩；
将所述个人知识点成绩与所述平均知识点成绩进行比较；
当所述个人知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断学生的个人薄弱知识点；
生成所述个人学情诊断结果；所述个人学情诊断结果包括所述待诊断学生的个人薄弱知识点。
4.根据权利要求3所述的方法，其特征在于，还包括：
确定待诊断班级；所述待诊断班级包括多个所述待诊断学生；
获取所述待诊断班级中的多个待诊断学生对于所述目标知识点的知识点成绩的均值，作为班级知识点成绩；
根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点；
生成班级学情诊断结果；所述班级学情诊断结果包括所述待诊断班级的班级薄弱知识点。
5.根据权利要求4所述的方法，其特征在于，所述根据所述班级知识点成绩和所述平均知识点成绩，确定所述目标知识点为所述待诊断班级的班级薄弱知识点，包括：
当所述班级知识点成绩低于所述平均知识点成绩时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点；
或者，
确定所述平均知识点成绩的低分区间，统计所述待诊断班级中的多个待诊断学生的个人知识点成绩处于所述低分区间内的低分比例，当所述低分比例高于预设阈值时，判定所述目标知识点为所述待诊断班级的班级薄弱知识点。
6.根据权利要求3所述的方法，其特征在于，还包括：
获取与所述目标知识点相对应的题目信息，得到目标题目；
从所述全局学习数据中获取所述多个学生对于所述目标题目的题目成绩；
根据所述题目成绩，计算所述目标题目的难度系数；
利用所述难度系数，对所述个人学情诊断结果中的所述个人薄弱知识点进行修正。
7.根据权利要求3所述的方法，其特征在于，还包括：
计算所述平均知识点成绩和所述个人知识点成绩的偏差；
当所述偏差大于一定阈值时，判定所述待诊断学生对于所述目标知识点的知识点成绩为异常成绩；
生成所述个人学情诊断结果；所述个人学情诊断结果包括对于所述目标知识点的成绩异常告警。
8.一种学情分析装置，其特征在于，所述装置包括：
数据获取模块，用于获取全局学习数据；所述全局学习数据包括多个学生的学习数据；所述多个学生包括有待诊断学生；
数据分析模块，用于对所述全局学习数据进行大数据分析，得到全局学习情况；
诊断模块，用于将所述全局学习情况与所述待诊断学生的个人学习情况进行比较，得到所述待诊断学生的个人学情诊断结果；
输出模块，用于基于所述个人学情诊断结果，输出教学报告；所述教学报告用于为教学策略调整提供参考。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910979381.5A CN110807173A (zh) | 2019-10-15 | 2019-10-15 | 学情分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910979381.5A CN110807173A (zh) | 2019-10-15 | 2019-10-15 | 学情分析方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110807173A true CN110807173A (zh) | 2020-02-18 |
Family
ID=69488485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910979381.5A Pending CN110807173A (zh) | 2019-10-15 | 2019-10-15 | 学情分析方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807173A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400409A (zh) * | 2020-04-29 | 2020-07-10 | 漂洋过海(厦门)科技股份有限公司 | 一种基于学生数据溯源的信息分析系统 |
| CN111815489A (zh) * | 2020-08-20 | 2020-10-23 | 西安石油大学 | 一种基于大数据的算法分析设计教学方法及装置 |
| CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
| CN113538182A (zh) * | 2021-06-18 | 2021-10-22 | 深圳市沃特沃德信息有限公司 | 监督学习情况的方法、装置和计算机设备 |
| CN114219460A (zh) * | 2022-02-21 | 2022-03-22 | 牛剑教育科技(深圳)有限公司 | 一种基于人机交互的多媒体教学管理系统 |
| CN114936809A (zh) * | 2022-07-22 | 2022-08-23 | 山东悦知教育科技有限公司 | 一种基于大数据的考试成绩数据处理系统及终端机 |
| CN115578226A (zh) * | 2022-11-04 | 2023-01-06 | 广州宏途数字科技有限公司 | 一种基于大数据的学情分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194842A (zh) * | 2017-05-26 | 2017-09-22 | 四川才子软件信息网络有限公司 | 一种教学质量诊断系统及诊断方法 |
| CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
| CN109242736A (zh) * | 2018-09-27 | 2019-01-18 | 广东小天才科技有限公司 | 一种协助老师了解学生的学习情况的方法和系统 |
| CN109255998A (zh) * | 2018-10-25 | 2019-01-22 | 杭州数理大数据技术有限公司 | 一种学生成绩诊断提升系统 |
| CN109636229A (zh) * | 2018-12-20 | 2019-04-16 | 广东小天才科技有限公司 | 一种学习效果的评估方法及电子设备 |
-
2019
- 2019-10-15 CN CN201910979381.5A patent/CN110807173A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194842A (zh) * | 2017-05-26 | 2017-09-22 | 四川才子软件信息网络有限公司 | 一种教学质量诊断系统及诊断方法 |
| CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
| CN109242736A (zh) * | 2018-09-27 | 2019-01-18 | 广东小天才科技有限公司 | 一种协助老师了解学生的学习情况的方法和系统 |
| CN109255998A (zh) * | 2018-10-25 | 2019-01-22 | 杭州数理大数据技术有限公司 | 一种学生成绩诊断提升系统 |
| CN109636229A (zh) * | 2018-12-20 | 2019-04-16 | 广东小天才科技有限公司 | 一种学习效果的评估方法及电子设备 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111400409A (zh) * | 2020-04-29 | 2020-07-10 | 漂洋过海(厦门)科技股份有限公司 | 一种基于学生数据溯源的信息分析系统 |
| CN111400409B (zh) * | 2020-04-29 | 2021-08-17 | 漂洋过海(厦门)科技股份有限公司 | 一种基于学生数据溯源的信息分析系统 |
| CN111815489A (zh) * | 2020-08-20 | 2020-10-23 | 西安石油大学 | 一种基于大数据的算法分析设计教学方法及装置 |
| CN111815489B (zh) * | 2020-08-20 | 2023-04-25 | 西安石油大学 | 一种基于大数据的算法分析设计教学方法及装置 |
| CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
| CN113538182A (zh) * | 2021-06-18 | 2021-10-22 | 深圳市沃特沃德信息有限公司 | 监督学习情况的方法、装置和计算机设备 |
| CN114219460A (zh) * | 2022-02-21 | 2022-03-22 | 牛剑教育科技(深圳)有限公司 | 一种基于人机交互的多媒体教学管理系统 |
| CN114219460B (zh) * | 2022-02-21 | 2022-05-31 | 牛剑教育科技(深圳)有限公司 | 一种基于人机交互的多媒体教学管理系统 |
| CN114936809A (zh) * | 2022-07-22 | 2022-08-23 | 山东悦知教育科技有限公司 | 一种基于大数据的考试成绩数据处理系统及终端机 |
| CN115578226A (zh) * | 2022-11-04 | 2023-01-06 | 广州宏途数字科技有限公司 | 一种基于大数据的学情分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807173A (zh) | 学情分析方法、装置、计算机设备和存储介质 | |
| KR102104660B1 (ko) | 사용자 맞춤형 학습 컨텐츠 제공 시스템 및 방법 | |
| Li et al. | The effects of cognitive aptitudes on the process and product of L2 interaction | |
| Downing | Validity: on the meaningful interpretation of assessment data | |
| Webb | Peer interaction and learning in cooperative small groups. | |
| US20110165550A1 (en) | Management system for online test assessment and method thereof | |
| US7878810B2 (en) | Cognitive / non-cognitive ability analysis engine | |
| US20090061408A1 (en) | Device and method for evaluating learning | |
| WO2009089475A1 (en) | Customized learning and assessment of student based on psychometric models | |
| AU2016269464A1 (en) | Providing computer aided speech and language therapy | |
| CN110019686B (zh) | 知识点掌握度的确定方法、装置、设备和存储介质 | |
| US20140295400A1 (en) | Systems and Methods for Assessing Conversation Aptitude | |
| CN112199598A (zh) | 网络课程的推荐方法、装置及计算机设备 | |
| Jong et al. | What role does professional noticing play? Examining connections with affect and mathematical knowledge for teaching among preservice teachers | |
| US20060234200A1 (en) | Computer based method for self-learning and auto-certification | |
| CN113590961B (zh) | 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 | |
| Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
| TW201513063A (zh) | 語文診斷評量系統及其方法 | |
| Tacke et al. | Behavioral changes in teachers as a function of student feedback: A case for the achievement motivation theory? | |
| RU2649550C2 (ru) | Система критериально-ориентированного тестирования | |
| CN117094861B (zh) | 语言学习控制测试系统 | |
| JP2003156996A (ja) | 学習支援システム、方法およびプログラム、ならびに情報サーバ | |
| Nwaigwe et al. | Exploring alternative methods for error attribution in learning curves analysis in intelligent tutoring systems | |
| Rahmah et al. | ANALYSIS OF STUDENTS’STATISTICAL REASONING IN SOLVING NON-ROUTINE PROBLEMS | |
| Pogaku | Evaluating the Efficacy of Online Assessments in Higher Education |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |