CN111209316A - 一种信息素养数据挖掘方法、装置、电子设备及存储介质 - Google Patents
一种信息素养数据挖掘方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111209316A CN111209316A CN202010033932.1A CN202010033932A CN111209316A CN 111209316 A CN111209316 A CN 111209316A CN 202010033932 A CN202010033932 A CN 202010033932A CN 111209316 A CN111209316 A CN 111209316A
- Authority
- CN
- China
- Prior art keywords
- index
- weight
- matrix
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007418 data mining Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 82
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000003016 pheromone Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 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
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种信息素养数据挖掘方法、装置、电子设备及存储介质。该方法包括：采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。本发明实现了对采集数据的自动化处理，能够有效提高数据挖掘的可信度，从而对被测试者的信息素养水平进行科学可靠的评估。
Description
技术领域
本发明属于教育信息化评价技术领域，更具体地，涉及一种信息素养数据挖掘方法、装置、电子设备及存储介质。
背景技术
在信息化高速发展的浪潮下，教育领域也已经与科技充分结合并演变出丰富多彩的形式。如何利用计算机来设计、开发一套可用于测量我国学生信息素养水平的评估工具、充分从测试数据中挖掘信息，对学生的信息素养水平进行科学可靠的评估、提高评估的可信度是十分必要的。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种信息素养数据挖掘方法、装置、电子设备及存储介质。
为实现上述目的，按照本发明的一个方面，提供了一种信息素养数据挖掘方法，包括：
采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；
采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；
构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。
优选地，所述将所述测试数据存储为成绩矩阵表包括：
信息素养测试数据中每题记为一分，将正确结果为得1分，错误记为0分，汇总结果，储存为一个n×m的成绩表T，n为被测试者数目，m为题目数，表的每行代表一个被测试者的所有题目成绩，表的每列代表某题所有被测试者的作答情况；
将同一最低指标中的题目分数相加得到指标原始分数,转换为一个n×k的原始分数表T_org，n为被测试者数目，k为最低层级指标数，表的每行代表一个被测试者的所有维度原始成绩，表的每列代表某维度所有被测试者的原始成绩。
优选地，所述根据所述成绩矩阵表运用熵值法获得第一指标权重包括：
步骤(21)：对每个指标标准化处理将n×k的原始分数表T_org转换为n×k的标准分数表T_std，标准化处理方法是：
将k个指标记为X1,X2,..Xk，每个指标有n个元素，指标Xi＝xi1,xi2,...,xin标准化后的指标X′i的元素x′ij可表示为：
x′ij＝(xij-min{xi1,…,xin})/(max{xi1,…,xin}-min{xi1,…,xin})
步骤(22)：根据标准分数表T_std运用熵值法计算第一指标权重，具体是：
根据信息熵的定义，标准分数表T_std中指标X′i的信息熵ei为：
其中，pij为第j项指标下第i个样本值占该指标的比重，
各指标的权重可表示为：
结果储存为长度为k的最低级指标的第一指标权重，将高级指标对应的低级指标第一指标权重相加便可得到高级指标的第一指标权重。
优选地，所述将所述重要度评价数据存储为组比较矩阵包括：
建立层次结构模型，将决策目标、考虑因素和决策对象绘出层次结构图，构造判断矩阵，根据所述重要度评价数据得到专家e的个体判断矩阵Ae：
判断矩阵Ae中各元素aij为i行指标相对j列指标进行重要性两两比较的值，p为同一层次内指标数量，将Ae储存为p×p二维数组；
再将个人判断矩阵合成为组比较矩阵A：
将A储存为p×p二维数组。
优选地，根据所述判断矩阵运用层次分析法获得第二指标权重包括：
步骤(31)：将比较矩阵A的各行向量进行几何平均，然后归一化，得到的行向量就是所述第二指标权重，具体计算方法如下：将A的最大特征根记为λmax,其相应的第二指标权重为W，则有AW＝λmaxW，
1)判断矩阵每一行元素的乘积Mi可表示为：
其中i＝1,2,...,p。结果储存为长度为p的向量M，
2)计算Mi的p次方根
可表示为：
结果储存为长度为p的向量W_sqrt，
3)对指标权重ω进行归一化处理：
结果储存为长度为p的向量W_level，
4)计算判断矩阵的最大特征根λmax：
步骤(32)：计算一致性指标CI，
结合一致性系数RI计算得到一致性比率CR：
当CR<0.1时，比较矩阵A的不一致性程度在容许范围内，
步骤(33)：先对最高级指标进行分析，再对同一指标内的次级指标进行逐层分析，指标的第二指标权重是步骤3)中计算得到的权重ωi和其上级指标在步骤3)中计算得到的权重ωi的乘积，
最后，最低级指标的权重存为长度为k的第二指标权重。
优选地，根据所述第一指标权重和第二指标权重获得综合权重包括：
将所述第一指标权重记为x1,x2,…,xk，将所述第二指标权重记为y1,y2,…,yk,k为最低级指标数，组合权重可表示为z1,z2,…,zk，最后得出综合权重为：
结果储存为长度为k的综合指标权重向量Wc。
优选地，根据所述综合权重输出被测试者的信息素养等级数据包括：
将所述成绩矩阵表与所述综合权重按指标对应相乘并乘以100，得到各指标对应分数表T_index，再将分数表T_index各指标分数逐层汇总相加，得到最终信息素养总分，最后输出添加了汇总分数列的信息素养分数表T_IL。
根据本发明的第二方面，提供了一种信息素养数据挖掘装置，包括：
信息素养测试数据采集转换模块，用于采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；
重要度评价数据采集转换模块，用于采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；
数据挖掘模型构建模块，用于构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。
根据本发明的第三方面，提供了一种电子设备，包括处理器和存储器，
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现上述任一方法。
根据本发明的第四方面，提供了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上述任一方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有有益效果：能够利用计算机来设计、开发一套可用于测量我国学生信息素养水平的评估工具，通过构建数据挖掘模型来获取第一指标权重、第二指标权重、综合权重以及输出信息素养等级数据，实现了对采集数据的自动化处理，能够有效提高数据挖掘的可信度，能够充分从测试数据中挖掘信息，对被测试者的信息素养水平进行科学可靠的评估，从而提高评估的可信度。
附图说明
图1是本发明实施例提供的一种信息素养数据挖掘方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的一种信息素养数据挖掘方法，可用于学生信息素养评估或其他场景中，包括以下步骤：
采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；
采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；
构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。
下面以进行学生信息素养评估为例，来说明本发明的信息素养数据挖掘方法的具体实现方法。
(1)采集学生信息素养测试结果，根据信息素养测试结果运用熵值法计算第一指标权重A；
整理原始记录，将学生答题的原始数据整理为可处理的形式，并剔除无效样本，如包含缺失值、异常值的样本。测试结果中每题记为一分，将正确结果为得1分，错误记为0分。如下表
表1评分例表
| 题目 | 正确答案· | 学生作答 | 得分 |
| 1 | B | A | 0 |
| 2 | A | A | 1 |
| 3 | D | D | 1 |
汇总结果，储存为一个n×m的成绩表T，n为学生数目，m为题目数。表的每行代表一个学生的所有题目成绩，表的每列代表某题所有学生的作答情况。
表2成绩表(部分)示例
再将同一最低指标中的题目分数相加得到指标原始分数,转换为一个n×k的原始分数表T_org，n为学生数目，k为最低层级指标数。表的每行代表一个学生的所有维度原始成绩，表的每列代表某指标所有学生的原始成绩。
例如，指标1包含题目1，2，3，5，6，则指标1的原始分数为这几道题目的总分。
表3原始分数转换示例
表4原始分数表(部分)示例
| 学生 | 指标1 | 指标2 | 指标3 |
| 1 | 3 | 2 | 4 |
| 2 | 4 | 5 | 2 |
对每个指标标准化处理。由于各项指标存在计量标准不统一的问题，因此在求权重前需要对其进行标准化处理。设设有k个指标X1,X2,..Xk，每个指标有n个元素，指标Xi＝xi1,xi2,...,xin标准化后的指标X′i的元素x′ij可表示为：
x′ij＝(xij-min{xi1,…,xin})/(max{xi1,…,xin}-min{xi1,…,xin})
将上一步n×k的原始分数表T_org，转换为n×k的标准分数表T_std。
表5标准分数表(部分)示例
| 学生 | 指标1 | 指标2 | 指标3 |
| 1 | 0.6 | 0.333 | 0.5 |
| 2 | 0.8 | 0.833 | 0.25 |
运用熵值法计算其权重A。根据信息熵的定义，标准分数表T_std中指标X′i的信息熵ei为：
pij为第j项指标下第i个样本值占该指标的比重。
信息熵可作为中间结果储存在长度为k的向量E中。
各指标的权重可表示为：
结果储存为长度为k的最低级指标向量W_A。将高级指标对应的低级指标权重相加便可得到高级指标权重。
表6指标相加示例表
(2)收集专家意见，运用层次分析法计算第二指标权重B；
(21)收集专家意见，标编制打分表。
运用层次分析法计算指标的权重B。向专家们发放评分表。家们先对最高层指标的相对重要性进行判断，再对同一指标下的次级指标的相对重要性进行判断，逐层进行直至最底层。
要性进行评判时，引入了九分位的比例标度，见表7。
表7九分位比例标度
| 因素i比因素j | 量化值 |
| 同等重要 | 1 |
| 稍微重要 | 3 |
| 明显重要 | 5 |
| 强烈重要 | 7 |
| 极端重要 | 9 |
| 两相邻判断的中间值 | 2，4，6，8 |
(22)将专家评分表转换为判断矩阵。判断矩阵A中各元素aij为i行指标相对j列指标进行重要性两两比较的值。首先，建立层次结构模型，将决策的目标、考虑的因素(决策准则)和决策对象绘出层次结构图；其次，构造判断(成对比较)矩阵，同一层次内p个指标相对重要性的判断由多个专家完成。将专家打分汇总后得到专家e的个体判断矩阵Ae：
Ae储存为p×p二维数组。如，专家1对第一级4个指标的判断矩阵：
表8判断矩阵示例
接着，再将专家们对同一指标集的个人判断矩阵合成为组比较矩阵Ac：
Ac储存为p×p二维数组。
(23)然后计算各指标权重与最大特征根。
将判断矩阵Ac的各行向量进行几何平均，然后归一化，得到的行向量就是权重向量。设A的最大特征根为λmax,其相应的特征向量为W，则有AW＝λmaxW。计算过程如下：
1)判断矩阵每一行元素的乘积Mi可表示为：
其中i＝1,2,...,p。结果储存为长度为p的向量M。
2)计算Mi的p次方根
可表示为：
结果储存为长度为p的向量W_sqrt。
3)对指标权重ω进行归一化处理：
结果储存为长度为p的向量W_level。在表11的基础上，计算过程如表12所示。
表9指标B计算示例表
| 指标1 | 指标2 | 指标3 | 指标4 | 行内连乘 | 开4次方 | 权重Wi | |
| 指标1 | 1 | 3 | 3 | 3 | 27 | 2.280 | 0.50 |
| 指标2 | 0.333 | 1 | 1 | 1 | 0.333 | 0.760 | 0.17 |
| 指标3 | 0.333 | 1 | 1 | 1 | 0.333 | 0.760 | 0.17 |
| 指标4 | 0.333 | 1 | 1 | 1 | 0.333 | 0.760 | 0.17 |
4)计算判断矩阵的最大特征根λmax：
(24)矩阵一致性检验
计算一致性指标CI：
结合一致性系数RI:
表1平均随机一致性系数RI值
| n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
| RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 | 1.59 |
计算得到一致性比率CR：
表12的λmax,CI,CR为：
表2一致性结果示例
| λmax | 4 |
| CI | 0 |
| CR | 0.00 |
当CR<0.1时，矩阵A的不一致性程度在容许范围内。
(25)汇总权总
先对最高级指标进行分析，再对同一指标内的次级指标进行逐层分析。指标的第二指标权重是步骤3)中计算得到的权重ωi和其上级指标在步骤3)中计算得到的权重ωi的乘积。最后，最低级指标权重存为长度为k的向量W_B，即第二指标权重。
表12指标汇总示例
(3)结合权重A与权重B计算综合权重；
(41)为了提高多属性权重赋值的科学性，将主观赋权与客观赋权的优点结合起来。设权重A为x1,x2,…,xk，权重B为y1,y2,…,yk,组合权重可表示为z1,z2,…,zk，最后得出综合权重为：
结果储存为长度为k的综合指标权重向量Wc。
表3综合指标示例
(4)运用综合权重计算得分，并判定被测者的信息素养等级。
将标准化分数表T_std,与综合权重Wc，按指标指标对应相乘并乘以100，得到各指标对应分数表T_index。再将各指标分数逐层汇总相加，得到最终信息素养总分。最后得到添加了汇总分数列的信息素养分数表T_IL。
表14信息素养分数表示例
| 学生 | 指标1 | 指标2 | 指标3 | 指标4 | 信息素养总分 |
| 1 | 18.60 | 11.90 | 27.03 | 24.60 | 82.14 |
| 2 | 29.50 | 15.56 | 23.83 | 19.27 | 88.16 |
| 3 | 25.70 | 5.28 | 8.03 | 24.60 | 63.61 |
| 4 | 24.03 | 14.02 | 25.17 | 16.40 | 79.62 |
上述第一指标权重、第二指标权重、综合权重以及信息素养等级数据的获取都是通过构建数据挖掘模型，在数据挖掘模型中实现了对采集数据的自动化处理，能够有效提高数据挖掘的置信度。
本发明实施例的一种信息素养数据挖掘装置，包括：
信息素养测试数据采集转换模块，用于采集被测试者的信息素养测试数据，将测试数据存储为成绩矩阵表；
重要度评价数据采集转换模块，用于采集专家对指标的重要度评价数据，将重要度评价数据存储为组比较矩阵；
数据挖掘模型构建模块，用于构建数据挖掘模型，所述数据挖掘模型用于接收成绩矩阵表和组比较矩阵，根据成绩矩阵表运用熵值法获得第一指标权重，根据组比较矩阵运用层次分析法获得第二指标权重，根据第一指标权重和第二指标权重获得综合权重，根据综合权重输出被测试者的信息素养等级数据。
信息素养数据挖掘装置的实现原理、技术效果与上述方法类似，此处不再赘述。
为了实现上述实施例，本发明实施例还提出一种电子设备，包括：处理器和存储器。其中，存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。存储器中存储有计算机程序，计算机程序被处理器执行时可以实现上述任一信息素养数据挖掘方法实施例的技术方案。存储器中存储有计算机程序，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理。处理器可以是一种集成电路芯片，具有信号的处理能力。处理器在接收到执行指令后，执行程序。可选的，上述存储器内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。本实施例提供的电子设备，可以用于执行上述任一信息素养数据挖掘方法实施例的技术方案，其实现原理、技术效果与上述方法类似，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一方法实施例的技术方案。其实现原理、技术效果与上述信息素养数据挖掘方法类似，此处不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种信息素养数据挖掘方法，其特征在于，包括：
采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；
采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；
构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。
2.如权利要求1所述的一种信息素养数据挖掘方法，其特征在于，所述将所述测试数据存储为成绩矩阵表包括：
信息素养测试数据中每题记为一分，将正确结果为得1分，错误记为0分，汇总结果，储存为一个n×m的成绩表T，n为被测试者数目，m为题目数，表的每行代表一个被测试者的所有题目成绩，表的每列代表某题所有被测试者的作答情况；
将同一最低指标中的题目分数相加得到指标原始分数,转换为一个n×k的原始分数表T_org，n为被测试者数目，k为最低层级指标数，表的每行代表一个被测试者的所有维度原始成绩，表的每列代表某维度所有被测试者的原始成绩。
3.如权利要求2所述的一种信息素养数据挖掘方法，其特征在于，所述根据所述成绩矩阵表运用熵值法获得第一指标权重包括：
步骤(21)：对每个指标标准化处理将n×k的原始分数表T_org转换为n×k的标准分数表T_std，标准化处理方法是：
将k个指标记为X1,X2,..Xk，每个指标有n个元素，指标Xi＝xi1,xi2,...,xin标准化后的指标X′i的元素x′ij可表示为：
x′ij＝(xij-min{xi1,…,xin})/(max{xi1,…,xin}-min{xi1,…,xin})
步骤(22)：根据标准分数表T_std运用熵值法计算第一指标权重，具体是：
根据信息熵的定义，标准分数表T_std中指标X′i的信息熵ei为：
其中，pij为第j项指标下第i个样本值占该指标的比重，
各指标的权重可表示为：
结果储存为长度为k的最低级指标的第一指标权重，将高级指标对应的低级指标第一指标权重相加便可得到高级指标的第一指标权重。
4.如权利要求1所述的一种信息素养数据挖掘方法，其特征在于，所述将所述重要度评价数据存储为组比较矩阵包括：
建立层次结构模型，将决策目标、考虑因素和决策对象绘出层次结构图，构造判断矩阵，根据所述重要度评价数据得到专家e的个体判断矩阵Ae：
判断矩阵Ae中各元素aij为i行指标相对j列指标进行重要性两两比较的值，p为同一层次内指标数量，将Ae储存为p×p二维数组；
再将个人判断矩阵合成为组比较矩阵A：
将A储存为p×p二维数组。
5.如权利要求4所述的一种信息素养数据挖掘方法，其特征在于，根据所述判断矩阵运用层次分析法获得第二指标权重包括：
步骤(31)：将比较矩阵A的各行向量进行几何平均，然后归一化，得到的行向量就是所述第二指标权重，具体计算方法如下：将A的最大特征根记为λmax,其相应的第二指标权重为W，则有AW＝λmaxW，
1)判断矩阵每一行元素的乘积Mi可表示为：
其中i＝1,2,...,p。结果储存为长度为p的向量M，
2)计算Mi的p次方根
可表示为：
结果储存为长度为p的向量W_sqrt，
3)对指标权重ω进行归一化处理：
结果储存为长度为p的向量W_level，
4)计算判断矩阵的最大特征根λmax：
步骤(32)：计算一致性指标CI，
结合一致性系数RI计算得到一致性比率CR：
当CR<0.1时，比较矩阵A的不一致性程度在容许范围内，
步骤(33)：先对最高级指标进行分析，再对同一指标内的次级指标进行逐层分析，指标的第二指标权重是步骤3)中计算得到的权重ωi和其上级指标在步骤3)中计算得到的权重ωi的乘积，
最后，最低级指标的权重存为长度为k的第二指标权重。
6.如权利要求1所述的一种信息素养数据挖掘方法，其特征在于，根据所述第一指标权重和第二指标权重获得综合权重包括：
将所述第一指标权重记为x1,x2,…,xk，将所述第二指标权重记为y1,y2,…,yk,k为最低级指标数，组合权重可表示为z1,z2,…,zk，最后得出综合权重为：
结果储存为长度为k的综合指标权重向量Wc。
7.如权利要求1所述的一种信息素养数据挖掘方法，其特征在于，根据所述综合权重输出被测试者的信息素养等级数据包括：
将所述成绩矩阵表与所述综合权重按指标对应相乘并乘以100，得到各指标对应分数表T_index，再将分数表T_index各指标分数逐层汇总相加，得到最终信息素养总分，最后输出添加了汇总分数列的信息素养分数表T_IL。
8.一种信息素养数据挖掘装置，其特征在于，包括：
信息素养测试数据采集转换模块，用于采集被测试者的信息素养测试数据，将所述测试数据存储为成绩矩阵表；
重要度评价数据采集转换模块，用于采集专家对指标的重要度评价数据，将所述重要度评价数据存储为组比较矩阵；
数据挖掘模型构建模块，用于构建数据挖掘模型，所述数据挖掘模型用于接收所述成绩矩阵表和所述组比较矩阵，根据所述成绩矩阵表运用熵值法获得第一指标权重，根据所述组比较矩阵运用层次分析法获得第二指标权重，根据所述第一指标权重和第二指标权重获得综合权重，根据所述综合权重输出被测试者的信息素养等级数据。
9.一种电子设备，包括处理器和存储器，其特征在于，
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1至7中任一项所述的方法。
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如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033932.1A CN111209316A (zh) | 2020-01-13 | 2020-01-13 | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033932.1A CN111209316A (zh) | 2020-01-13 | 2020-01-13 | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111209316A true CN111209316A (zh) | 2020-05-29 |
Family
ID=70789085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033932.1A Pending CN111209316A (zh) | 2020-01-13 | 2020-01-13 | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111209316A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417002A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 应用于教育信息化的信息素养数据挖掘方法及系统 |
| CN114649078A (zh) * | 2022-03-16 | 2022-06-21 | 陕西省中医医院 | 一种针灸推拿专业学生培养素质评估方法 |
| CN115271386A (zh) * | 2022-07-12 | 2022-11-01 | 河北金融学院 | 基于熵值权有效程度分析的教育教学评鉴系统 |
| CN115600834A (zh) * | 2022-10-18 | 2023-01-13 | 华中师范大学（Cn） | 一种基于过程性数据的中小学教师数字素养测评方法及系统 |
-
2020
- 2020-01-13 CN CN202010033932.1A patent/CN111209316A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417002A (zh) * | 2020-11-19 | 2021-02-26 | 华中师范大学 | 应用于教育信息化的信息素养数据挖掘方法及系统 |
| CN112417002B (zh) * | 2020-11-19 | 2023-04-07 | 华中师范大学 | 应用于教育信息化的信息素养数据挖掘方法及系统 |
| CN114649078A (zh) * | 2022-03-16 | 2022-06-21 | 陕西省中医医院 | 一种针灸推拿专业学生培养素质评估方法 |
| CN115271386A (zh) * | 2022-07-12 | 2022-11-01 | 河北金融学院 | 基于熵值权有效程度分析的教育教学评鉴系统 |
| CN115600834A (zh) * | 2022-10-18 | 2023-01-13 | 华中师范大学（Cn） | 一种基于过程性数据的中小学教师数字素养测评方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sofaer et al. | The area under the precision‐recall curve as a performance metric for rare binary events | |
| CN111209316A (zh) | 一种信息素养数据挖掘方法、装置、电子设备及存储介质 | |
| Kishida | Property of average precision and its generalization: An examination of evaluation indicator for information retrieval experiments | |
| CN107122894A (zh) | 一种组合赋权的教育信息化水平评估方法及系统 | |
| CN102467684A (zh) | 基于改进雷达图的综合性能评估系统和方法 | |
| CN110046789B (zh) | 一种学生信息素养测评试卷的自动生成方法及系统 | |
| CN112417002B (zh) | 应用于教育信息化的信息素养数据挖掘方法及系统 | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN111125868A (zh) | 一种电子产品的多应力寿命评估方法及装置 | |
| CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
| CN114444910A (zh) | 一种面向电力物联网的边缘网络系统健康度评估方法 | |
| CN112381422A (zh) | 光伏电站性能的确定方法和装置 | |
| CN105303194A (zh) | 一种电网指标体系建立方法、装置以及计算设备 | |
| Chiu | Scoring performance assessments based on judgements: generalizability theory | |
| CN115797044B (zh) | 基于聚类分析的信贷风控预警方法及系统 | |
| CN111832854A (zh) | 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质 | |
| CN114546841B (zh) | 基于云计算的软件质量评估方法 | |
| CN113159537B (zh) | 电网新技术项目的评估方法、装置和计算机设备 | |
| Amini et al. | hhsmm: an R package for hidden hybrid Markov/semi-Markov models | |
| CN114510405A (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
| CN109871655B (zh) | 一种基于模糊等级评价的器件级产品试验应力确定方法 | |
| CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
| Gunu et al. | Modern predictive models for modeling the college graduation rates | |
| CN111626541A (zh) | 一种基于d-s证据理论的博物馆参观效果评价方法及系统 | |
| Jamshidian et al. | SimReg: a software including some new developments in multiple comparison and simultaneous confidence bands for linear regression models |
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: 20200529 |