CN110826796A - 成绩预测方法 - Google Patents
成绩预测方法 Download PDFInfo
- Publication number
- CN110826796A CN110826796A CN201911061810.7A CN201911061810A CN110826796A CN 110826796 A CN110826796 A CN 110826796A CN 201911061810 A CN201911061810 A CN 201911061810A CN 110826796 A CN110826796 A CN 110826796A
- Authority
- CN
- China
- Prior art keywords
- student
- calculating
- emotion
- emotion index
- index
- 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 33
- 230000008451 emotion Effects 0.000 claims abstract description 126
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000002996 emotional effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010011469 Crying Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种成绩预测方法，包括：获取预设时长内，学生的多个课堂测验信息；每个课堂测验信息包括学生ID、题目和每个题目的得分；确定同一知识点对应的题目数量；根据同一知识点对应的题目数量和得分，计算每个学生对知识点的掌握度；获取预设时长内，学生的课堂听课视音频数据；课堂听课视音频数据包括学生的图像；学生的图像和学生ID相关联；对课堂听课视音频数据进行分析，得到每个学生的情绪指数；根据每个学生对知识点的掌握分值和情绪指数，计算学生下次的成绩。由此，考虑到了学生个体之间的性格差异、环境信息对情绪指数的影响，从而得到较为准确的预测成绩。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种成绩预测方法。
背景技术
目前，教育教学效果主要是通过成绩来进行衡量，在平时授课过程中，老师会随机进行课堂测验，或者小结性的考试，这些成绩，往往反应学生的学习效果和对知识的掌握程度，仅此而已，该成绩并不能对后续的成绩进行任何影响。
发明内容
本发明实施例的目的是提供一种成绩预测方法，以解决现有技术中的对平时成绩进行忽略，并没有有效利用的问题，本申请根据学生的平时成绩和情绪、环境、性格等，对学生个体的成绩进行了智能化的预测。
为解决上述问题，第一方面，本发明提供了一种成绩预测方法，所述方法包括：
获取预设时长内，学生的多个课堂测验信息；每个所述课堂测验信息包括学生ID、题目和每个题目的得分；
确定同一知识点对应的题目数量；
根据所述同一知识点对应的题目数量和得分，计算每个学生对知识点的掌握度；
获取预设时长内，学生的课堂听课视音频数据；所述课堂听课视音频数据包括学生的图像；所述学生的图像和学生ID相关联；
对所述课堂听课视音频数据进行分析，得到每个学生的情绪指数；
根据所述每个学生对知识点的掌握分值和所述情绪指数，计算学生下次的成绩。
在一种可能的实现方式中，所述根据所述题目对应的知识点和每个题目的得分，计算每个学生对每个知识点的掌握度具体包括：
获取相同的知识点的题目；
根据相同知识点的题目的数量和相同知识点的题目中每个题目的得分，计算每个学生在每个相同知识点的得分；
根据每个学生在每个相同知识点的得分和所述相同知识点的总得分，计算每个学生对每个所述相同知识点的掌握度。
在一种可能的实现方式中，所述课堂听课视音频数据包括情绪信息和课堂行为信息，所述对所述课堂听课视音频数据进行分析，得到每个学生的情绪指数具体包括：
为情绪信息中的每个情绪赋予分值，得到每个情绪的分值；
计算预设时长内，每个学生情绪的分值的均值；
根据所述均值，计算学生的第一情绪指数；
计算预设时长内，学生的举手次数和总举手次数；
根据学生的举手次数占总举手次数的比例，计算每个学生的第二情绪指数；
根据所述第一情绪指数和所述第二情绪指数，计算情绪指数。
在一种可能的实现方式中，所述根据所述均值，计算学生的第一情绪指数具体包括：
根据所述均值与预设的指数对照表，确定每个学生的第一情绪指数。
在一种可能的实现方式中，所述根据所述第一情绪指数和所述第二情绪指数，计算情绪指数，具体包括：
根据预设的规则，为所述第一情绪指数和所述第二情绪指数分别设置权重值；根据所述第一情绪指数的权重值和所述第二情绪指数的权重值，计算情绪指数；或者，
计算所述第一情绪指数和所述第二情绪指数之和，并按照预设的规则，为所述第一情绪指数和所述第二情绪指数之和设置倍数，并根据所述倍数和所述第一情绪指数和所述第二情绪指数之和，计算情绪指数。
在一种可能的实现方式中，所述预设的规则具体为学生的性格类型，当所述学生的性格为第一类型时，设置所述第一类型性格的权重；当所述学生的性格为第二类型时，设置所述第二类型性格的权重；所述第一类型为内倾型，所述第二类型为外倾型。
在一种可能的实现方式中，所述方法还包括：
获取预设时长内的环境信息；其中，所述环境信息包括温度、湿度、光照强度和分贝；
计算所述预设时长内的温度均值、湿度均值、光照强度均值和分贝均值；
根据所述温度均值与温度阈值的第一差值、湿度均值与湿度阈值的第二差值、光照强度均值与光照强度阈值的第三差值和所述分贝均值与分贝阈值的第四差值，计算所述第一差值、所述第二差值、所述第三差值和所述第四差值超出范围的个数；
根据所述个数，计算环境影响指数；
根据环境影响指数，确定预设的规则。
在一种可能的实现方式中，所述根据所述每个学生对知识点的掌握分值和所述情绪指数，计算学生下次的成绩具体包括：
获取学生下次考试的试题的知识点；
获取每个学生对知识点的掌握程度和情绪指数，预测学生的考试成绩。
在一种可能的实现方式中，所述方法还包括：
获取学生的实际考试成绩；
当预测的考试成绩和实际考试成绩的差值在预设的范围外时，生成提示信息。
第二方面，本发明提供了一种设备，包括存储器和处理器，存储器用于存储程序，处理器用于执行第一方面任一所述的方法。
第三方面，本发明提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一所述的方法。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一所述的方法。
通过应用本发明实施例提供的成绩预测方法，可以对AI录播产生的课堂听课视音频数据进行分析，计算出学生的情绪指数后，根据学生对知识点的掌握程度和情绪指数，预测下次成绩，并在预测成绩中，考虑到了学生个体之间的性格差异、环境信息对情绪指数的影响，从而得到较为准确的预测成绩。
附图说明
图1为本发明实施例一提供的成绩预测方法流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，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。下面将参考附图并结合实施例来详细说明本申请。
第一、第二、第三和第四等编号仅予以区分，并无其他含义。
图1为本发明实施例一提供的成绩预测方法流程示意图。该方法应用在教学场景中。该方法的执行主体为服务器、处理器、终端等具有处理功能的设备。如图1所示，该方法包括以下步骤：
步骤101，获取预设时长内，学生的多个课堂测验信息；每个课堂测验信息包括学生标识(identification,ID)、题目和每个题目的得分。
具体的，在每个年级的每个班级的课堂测验中，可以通过多种方式进行课堂测验，比如，教师会下发试卷，学生作答后收回，教师进行评分，或者，学生在各自的终端进行答题，终端会计算得分和每道题的正误，并显示得分，或者老师会下发带有点阵的试卷，学生通过点阵笔在试卷上进行作答，服务器会根据学生ID和点阵笔ID和答题的轨迹信息，自动计算出学生的得分。
该些试卷可以是从题库中得到的，比如，在步骤101之前，先建立题库，题库中存储有接收到的题目和知识点，以及每一个知识点与题目之间的对应关系。可以针对一个年级的每个科目，建立该科目的题库，每一个知识点与至少一个题目相对应，每一个题目与至少一个知识点相对应。教师可以从题库中的知识点中选择需要评价的知识点，然后，从题库中选择与这些知识点对应的题目，将这些题目的题干内容汇总生成试卷并保存在终端上。
其中，学生ID可以是学生的学号、身份证号等，本申请对此并不限定。
步骤102，确定同一知识点对应的题目数量。
具体的，一个题目可以对应一个知识点，假如有3个题目，一个知识点对应一个题目。也可以对应一个以上，比如两个、三个知识点，在一个课堂测验中，假如有3个题目，第一个有1、2两个知识点，第二个有2、3两个知识点，第三个有3、4两个知识点，则1知识点对应一道题，2知识点对应2道题，3知识点对应2道题，4知识点对应1道题。
步骤103，根据同一知识点对应的题目数量和得分，计算每个学生对知识点的掌握度。
具体的，继续接上例，比如，一共有10个题目，涉及到3个知识点依次为A、B和C，A、B和C对应的题目的数量分别为10、10、10，每个题的分值为1分，学生M在A、B和C三个知识点的得分依次为7、4和9。知识点A的正确率为70％，知识点B的正确率为40％，知识点C的正确率为90％。数据库中可以设置三种掌握程度：未掌握、基本掌握和已掌握。可以将每个知识点的正确率与预设的掌握程度进行比较，比如正确率为90％，可以视为已掌握，正确率为70％，可以视为基本掌握，正确率为40％，可以视为未掌握。
步骤104，获取预设时长内，学生的课堂听课视音频数据；课堂听课视音频数据包括学生的图像。
其中，学生的图像和学生ID相关联，并存储在服务器中。通过对课堂听课视音频数据中学生的图像进行分析，从而得到具体的学生个体。
具体的，在课堂中，可以通过录播系统获取课堂听课视音频数据。在学校的每个教室内，都设置有录播系统，录播系统对授课过程中的学生的听课状态进行追踪录播，从而得到课堂听课视音频数据。
为了进行后续的横向和纵向比较，可以将授课地点设定在第一授课场地。其中，第一授课场地可以为某学校的教室a，该学校可以是小学、中学、大学、职业中学等学校中的任意一个。多个科目包括但不限于语文、数学、英语常规科目或者模拟电子、计算机基础等专业科目。
其中，课堂听课视音频数据包括多个学生在多个科目的情绪信息和课堂行为信息。预设的时长可以是一个月、一周或者一天，本申请对此并不限定。
步骤105，对课堂听课视音频数据进行分析，得到每个学生的情绪指数。
具体的，步骤105包括：
首先，为情绪信息中的每个情绪赋予分值，得到每个情绪的分值，然后，计算预设时长内，每个学生情绪的分值的均值；接着，根据均值，计算学生的第一情绪指数；接着，计算预设时长内，学生的举手次数和总举手次数；接着，根据学生的举手次数占总举手次数的比例，计算每个学生的第二情绪指数；最后，根据第一情绪指数和第二情绪指数，计算情绪指数。
学生的情绪信息包括但不限于：正常、高兴、悲伤、惊讶、生气、脸红、鬼脸和哭泣。
由于录播系统中有多路摄像头，可以对于班级内全部学生的听课反应，进行录制。后续通过智能识别技术，可以识别出具体的学生的情绪，并可以对该学生个体在预设时长内的情绪进行分值计算。
比如，对于正面情绪，可以赋予1-10之间的值，对于负面情绪，可以赋予-10至-1之间的值，从而计算出预设时长内，每个学生的情绪均值。
具体的，针对具体的班级，可以获取到摄像头拍摄的对于该班级内的全部学生在在预设时长的全部面部表情，并将面部表情进行人工智能(Artificial Intelligence，AI)识别，识别出每个表情对应的情绪信息，比如班级内的学生M在上课刚开始时，通过面部表情采集，识别得到的情绪为正常，与此对应的课堂行为信息为听讲，在上课十分钟后，情绪为生气，与此对应的课堂行为为应答，再经过十分钟，情绪为悲伤。
可以赋予每个情绪分数值，正常可以赋予10分，哭泣可以赋予-10分等，从而计算情绪的均值。
在一个示例中，可以根据预设的规则，为第一情绪指数和第二情绪指数分别设置权重值；根据第一情绪指数的权重值和第二情绪指数的权重值，计算情绪指数。
在另一个示例中，可以计算第一情绪指数和第二情绪指数之和，并按照预设的规则，为第一情绪指数和第二情绪指数之和设置倍数，并根据倍数和第一情绪指数和第二情绪指数之和，计算情绪指数。
其中，示例而非限定，预设的规则具体为学生的性格类型，当学生的性格为第一类型时，设置第一类型性格的权重；当学生的性格为第二类型时，设置第二类型性格的权重；第一类型为内倾型，第二类型为外倾型。
比如，经过性格测试或者性格填写等途径，可以得到学生的性格类型为内倾型还是外倾型，比如，学生M为内倾型，由于内倾型的学生存在情绪表现不突出的特点，因此，可以对内倾型的学生的第一情绪指数赋予较大的权重，从而放大内倾型的学生的第一情绪指数，而对于第二情绪指数。或者，对于内倾型学生的第一情绪指数和第二情绪指数之和，乘以一定的倍数，比如1.1倍，从而放大情绪和课堂行为对后续成绩预测的作用，反之，对于外倾型的学生，乘以0.9，减少情绪和课堂行为的对后续成绩预测的作用。
再进一步的，预设规则也可以是环境信息。人的情绪的变化和环境是存在关系的，比如，当处于积极的环境，温度、湿度、光强、分贝都适宜时，情绪往往比较正面，当处于消极的环境，比如，温度、湿度、光强和分贝有一个或几个不适宜，情绪往往比较负面，因此可以通过对环境信息进行获取，得到环境信息对情绪的影响，从而在成绩预测时，减少环境信息对人的情绪变化的影响，得到比较准确的预测成绩。
具体的，首先获取预设时长内的环境信息；其中，环境信息包括温度、湿度、光照强度和分贝；然后，计算预设时长内的温度均值、湿度均值、光照强度均值和分贝均值。接着，根据温度均值与温度阈值的第一差值、湿度均值与湿度阈值的第二差值、光照强度均值与光照强度阈值的第三差值和分贝均值与分贝阈值的第四差值，计算第一差值、第二差值、第三差值和第四差值超出范围的个数。接着，根据个数，计算环境影响指数；最后，根据环境影响指数，确定预设的规则。
本申请中的执行主体，比如处理器，可以获取到教室内的温度传感器测量的室内温度以及采集光照传感器采集的室内的光照强度，或者分贝仪测量的噪音强度，或者湿度传感器测量的室内的湿度。从而判断第一教学场地的教学环境对学生情绪的影响。
其中，当超出范围的个数为4个时，可以差值预设的个数和环境影响指数对照表，得到环境影响指数为0.9，说明此时环境对情绪的影响是比较大的，将环境影响指数，乘以情绪指数，可以弱化环境影响指数对最终的情绪指数的影响，当超出范围的个数为0个时，可以得到环境影响指数为1，从而说明学生的情绪指数和环境是没有关系的。由此，减少了环境信息对情绪指数的影响，提高了成绩预测的精确度。
步骤106，根据每个学生对知识点的掌握分值和情绪指数，计算学生下次的成绩。
其中，步骤106具体包括：获取学生下次考试的试题的知识点；
获取每个学生对知识点的掌握程度和情绪指数，预测学生的考试成绩。
具体的，可以获取当前考试题目中的知识点，并将每个学生对每个知识点的掌握程度和情绪指数进行处理后，得到学生的预测成绩。
进一步的，步骤106之后还包括：
获取学生的实际考试成绩；
当预测的考试成绩和实际考试成绩的差值在预设的范围外时，生成提示信息。
其中，如果预测的成绩与实际成绩偏差较大，说明学生的成绩被除了情绪、环境之外的因素所影响，比如，家庭原因等，可以生成提示信息，并发送给教师或者家长的终端，以便于基于成绩的差距，查找产生差距的原因。
通过应用本发明实施例一提供的成绩预测方法，可以对AI录播产生的课堂听课视音频数据进行分析，计算出学生的情绪指数后，根据学生对知识点的掌握程度和情绪指数，预测下次成绩，并在预测成绩中，考虑到了学生个体之间的性格差异、环境信息对情绪指数的影响，从而得到较为准确的预测成绩。
发明实施例二提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例一提供的方法。
本发明实施例三提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。
本发明实施例四提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种成绩预测方法，其特征在于，所述方法包括：
获取预设时长内，学生的多个课堂测验信息；每个所述课堂测验信息包括学生ID、题目和每个题目的得分；
确定同一知识点对应的题目数量；
根据所述同一知识点对应的题目数量和得分，计算每个学生对知识点的掌握度；
获取预设时长内，学生的课堂听课视音频数据；所述课堂听课视音频数据包括学生的图像；所述学生的图像和学生ID相关联；
对所述课堂听课视音频数据进行分析，得到每个学生的情绪指数；
根据所述每个学生对知识点的掌握分值和所述情绪指数，计算学生下次的成绩。
2.根据权利要求1所述的方法，其特征在于，所述根据所述题目对应的知识点和每个题目的得分，计算每个学生对每个知识点的掌握度具体包括：
获取相同的知识点的题目；
根据相同知识点的题目的数量和相同知识点的题目中每个题目的得分，计算每个学生在每个相同知识点的得分；
根据每个学生在每个相同知识点的得分和所述相同知识点的总得分，计算每个学生对每个所述相同知识点的掌握度。
3.根据权利要求1所述的方法，其特征在于，所述课堂听课视音频数据包括情绪信息和课堂行为信息，所述对所述课堂听课视音频数据进行分析，得到每个学生的情绪指数具体包括：
为情绪信息中的每个情绪赋予分值，得到每个情绪的分值；
计算预设时长内，每个学生情绪的分值的均值；
根据所述均值，计算学生的第一情绪指数；
计算预设时长内，学生的举手次数和总举手次数；
根据学生的举手次数占总举手次数的比例，计算每个学生的第二情绪指数；
根据所述第一情绪指数和所述第二情绪指数，计算情绪指数。
4.根据权利要求3所述的方法，其特征在于，所述根据所述均值，计算学生的第一情绪指数具体包括：
根据所述均值与预设的指数对照表，确定每个学生的第一情绪指数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一情绪指数和所述第二情绪指数，计算情绪指数，具体包括：
根据预设的规则，为所述第一情绪指数和所述第二情绪指数分别设置权重值；根据所述第一情绪指数的权重值和所述第二情绪指数的权重值，计算情绪指数；或者，
计算所述第一情绪指数和所述第二情绪指数之和，并按照预设的规则，为所述第一情绪指数和所述第二情绪指数之和设置倍数，并根据所述倍数和所述第一情绪指数和所述第二情绪指数之和，计算情绪指数。
6.根据权利要求1所述的方法，其特征在于，所述预设的规则具体为学生的性格类型，当所述学生的性格为第一类型时，设置所述第一类型性格的权重；当所述学生的性格为第二类型时，设置所述第二类型性格的权重；所述第一类型为内倾型，所述第二类型为外倾型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取预设时长内的环境信息；其中，所述环境信息包括温度、湿度、光照强度和分贝；
计算所述预设时长内的温度均值、湿度均值、光照强度均值和分贝均值；
根据所述温度均值与温度阈值的第一差值、湿度均值与湿度阈值的第二差值、光照强度均值与光照强度阈值的第三差值和所述分贝均值与分贝阈值的第四差值，计算所述第一差值、所述第二差值、所述第三差值和所述第四差值超出范围的个数；
根据所述个数，计算环境影响指数；
根据环境影响指数，确定预设的规则。
8.根据权利要求7所述的方法，其特征在于，所述根据所述每个学生对知识点的掌握分值和所述情绪指数，计算学生下次的成绩具体包括：
获取学生下次考试的试题的知识点；
获取每个学生对知识点的掌握程度和情绪指数，预测学生的考试成绩。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取学生的实际考试成绩；
当预测的考试成绩和实际考试成绩的差值在预设的范围外时，生成提示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911061810.7A CN110826796A (zh) | 2019-11-01 | 2019-11-01 | 成绩预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911061810.7A CN110826796A (zh) | 2019-11-01 | 2019-11-01 | 成绩预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110826796A true CN110826796A (zh) | 2020-02-21 |
Family
ID=69552003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911061810.7A Pending CN110826796A (zh) | 2019-11-01 | 2019-11-01 | 成绩预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826796A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348408A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 一种在线师资培训和考评方法 |
| CN115136225A (zh) * | 2020-02-28 | 2022-09-30 | 大金工业株式会社 | 效率推定装置 |
-
2019
- 2019-11-01 CN CN201911061810.7A patent/CN110826796A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115136225A (zh) * | 2020-02-28 | 2022-09-30 | 大金工业株式会社 | 效率推定装置 |
| CN112348408A (zh) * | 2020-11-30 | 2021-02-09 | 上海松鼠课堂人工智能科技有限公司 | 一种在线师资培训和考评方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20160293036A1 (en) | System and method for adaptive assessment and training | |
| Syafrizal et al. | The implementation of vocabulary building strategy in teaching English vocabulary to young learners | |
| CN110729049B (zh) | 心理健康预警方法 | |
| CN108766113B (zh) | 学生课堂表现的监测方法及装置 | |
| US20150037765A1 (en) | System and method for interactive electronic learning and assessment | |
| CN108629497A (zh) | 课程内容掌握程度评价方法和装置 | |
| CN110837960A (zh) | 学生情感分析方法 | |
| CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
| CN110930781A (zh) | 录播系统 | |
| CN110826796A (zh) | 成绩预测方法 | |
| CN112184503A (zh) | 用于学前教育质量评价的儿童多项能力评分方法及系统 | |
| CN116452022A (zh) | 教师教学效果的评价方法、装置及电子设备 | |
| Sari | TEACHERS’PERCEPTIONS ON STUDENTS’LEARNING STYLES ON LEARNING ENGLISH AT SMA NEGERI 10 KERINCI | |
| Henner et al. | Developing sign language measurements for research with deaf populations | |
| CN111667128B (zh) | 教学质量评估方法、装置及系统 | |
| Anari et al. | The effects of multimodality on reading comprehension and vocabulary retention among Iranian EFL learners | |
| Fuyuno et al. | Multimodal analysis of public speaking performance by EFL learners: Applying deep learning to understanding how successful speakers use facial movement | |
| Rosa et al. | Self-assessment in the reap tutor: knowledge, interest, motivation, & learning | |
| Indrayanti et al. | Audio-Visual Aids Media, Language Acquisition and Attitude: An Initial Investigation in the EFL Classrooms | |
| Wahyuni et al. | An investigation of Thai students’ English language problems and their learning strategies at English study program of Teacher Training and Education Faculty of Riau Islamic University | |
| US20220013025A1 (en) | Systems and methods for providing a dialog assessment platform | |
| McLeod | CHANGES IN THE VERBAL INTERACTION PATTERNS OF SECONDARY SCIENCE STUDENT TEACHERS WHO HAVE HAD TRAINING IN INTERACTION ANALYSIS AND THE RELATIONSHIP OF THESE CHANGES TO THE VERBAL INTERACTION OF THEIR COOPERATING TEACHERS. FINAL REPORT. SUMMARY REPORT. | |
| Danko et al. | The strategy inventory for second language learning: Tested, adapted, and validated in the slovenian higher education context | |
| RU2649289C1 (ru) | Способ коррекции содержания и количества информации учебного материала | |
| CN110808066B (zh) | 教学环境安全分析方法 |
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 |