CN111339386A - 一种智慧课堂教学活动推荐方法及系统 - Google Patents
一种智慧课堂教学活动推荐方法及系统 Download PDFInfo
- Publication number
- CN111339386A CN111339386A CN202010122588.3A CN202010122588A CN111339386A CN 111339386 A CN111339386 A CN 111339386A CN 202010122588 A CN202010122588 A CN 202010122588A CN 111339386 A CN111339386 A CN 111339386A
- Authority
- CN
- China
- Prior art keywords
- teaching
- clustering
- clustering analysis
- teacher
- clusters
- 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.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种智慧课堂教学活动推荐方法，包括：采集教师行为交互数据；通过聚类算法对所述教师行为交互数据进行聚类分析得到第一聚类分析结果；对所述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；根据所述第二聚类分析结果定义优秀簇；根据所述优秀簇，推荐教学活动。本发明还公开了一种智慧课堂教学活动推荐系统。本发明克服了智慧课堂环境中的行为不能直接、详细、大范围深入分析的问题，为教学实践提供了更多途径和可能。
Description
技术领域
本发明涉及互联网技术领域，尤其是涉及一种智慧课堂教学活动推荐方法及系统。
背景技术
智慧课堂，一般是指的利用校园内的计算机技术、网络技术、通讯技术以及科学规范的管理对课堂内的学习、教学、科研、管理和生活服务有关的所有信息资源进行整合、集成和全面的数字化，以构成统一的用户管理、统一的资源管理和统一的权限控制。方便学生获取学习资源，也能够实现无纸化，以便实现环保效果。
利用智慧课堂一方面，可以充分发挥教师和学生的主体作用。教师是教育工作者，他的任务不仅是传授知识、训练技能，而且要创造性地组织学生的学习活动。学生不是灌装知识的容器和任人塑造的物品而是具有自主性、具有生命活力的人；另一方面，课堂教学的特征表现为灵活性和反应性。以学生自主学习为主要形式的课堂教学有较为稳定的框架和活动程序。同时，以学生自主学习为主要形式的课堂教学活动程序又没有固定的程式，其特征表现在两点：一是灵活性。即教学活动中的事件是根据实际的发生情境而随机出现的。二是反应性。即教学活动的展开是以学生的反应为线索的，具有不可预测性。第三方面，教师的主导作用表现为引导、支持和帮助。
在教学大数据背景下，智慧课堂的打造，教学方法的创新，教学质量的提高，必须注重对多元化数据的收集，重视对教学大数据的分析，从而探索教学大数据背后的关联价值，指导教学方法和教学改革决策，以提升教学质量。智慧课堂作为教育信息化研究的一个热点，聚焦于课堂教学、师生活动、智慧生成。
目前，对智慧课堂的数据挖掘与分析大多关注学生行为数据，往往忽略了教师的行为交互数据。深入研究智慧课堂环境中的教师行为成为了一件刻不容缓的事情。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种智慧课堂教学活动推荐方法，能够根据教学活动向教师推荐相对应的最新教学活动。还能够根据教师的教学活动特征获取教师的教学方法特点，根据该特点向其推荐优秀教学活动，供其进行学习与借鉴。
本发明还提出一种智慧课堂教学活动推荐系统。
本发明还提出一种智慧课堂教学活动推荐控制设备。
本发明还提出一种计算机可读存储介质。
第一方面，本发明的一个实施例提供了一种智慧课堂教学活动推荐方法：包括步骤：
S100：采集教师行为交互数据，所述教师交互行为包括课堂讲授、课堂测验、自主学习、课堂提问、总结评价、鼓励学生；
S200：通过聚类算法对所述教师行为交互数据进行聚类分析得到第一聚类分析结果；
S300：对所述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
S400:根据所述第二聚类分析结果定义优秀簇；
S500:根据所述优秀簇，推荐教学活动。
本发明实施例的一种智慧课堂教学活动推荐方法至少具有如下有益效果：克服了智慧课堂环境中的行为不能直接、详细、大范围深入分析的问题，为教学实践提供了更多途径和可能。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述步骤S200具体包括：对所述教师行为交互数据进行基于序列相似度的聚类分析之后，再进行基于用户行为相似度的聚类分析，得出所述第一聚类分析结果。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述步骤S400还包括定义与所述优秀簇相似度高于设定阈值的相邻簇作为优秀簇。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述教学活动包括教师的教学方法和教学需求。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述步骤S100前还包括设定所述聚类算法的特征活动属性值，所述特征活动属性值的计算包括统计特征活动的总次数和总用时，计算平均时间作为所述特征活动属性值。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述基于序列相似度的聚类分析具体采用DBSCAN聚类算法进行聚类分析。
根据本发明的另一些实施例的一种智慧课堂教学活动推荐方法，所述基于用户行为相似度的聚类分析具体采用K-means聚类算法，所述K-means聚类算法包括Min/Max标准化和Z-score标准化，具体包括：
S221：保存原始输入数据dataraw，根据输入参数bmin/max和bz-score来判断是否对输入数据进行标准化处理；
S222:随机初始化K个初始簇类中心，初始化聚类结果的轮廓系数最大值SCopt和样本数据所在的簇Ciopt；
S223:遍历数据集，并将每个数据对象划分到距离最近的簇中心所属的簇，其中距离为欧式距离；
S224：根据每个簇的数据对象更新K个簇类中心；
S225：反复执行S223和S224直至K个簇类中心的位置不再发生变化，并计算此时聚类结果的轮廓系数值；
S226:反复执行步骤S222-S225 1000次，保存轮廓系数的最大值SCopt，并记录此时的Ciopt；
S227：根据dataraw还原到标准化前的原始输入数据集，根据Ciopt更新原始输入数据集的Ci，输出聚类结果；
其中，原始数据为教师行为交互数据。
第二方面，本发明的一个实施例提供了一种智慧课堂教学活动推荐系统，包括：
采集模块，用于采集教师行为交互数据；
处理模块，用于通过聚类算法对所述教师行为交互数据进行聚类分析得到第一聚类分析结果并对所述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
定义模块，用于根据所述第二聚类分析结果定义优秀簇；
活动推荐模块，用于根据所述优秀簇，推荐教学活动。
本发明实施例的一种智慧课堂教学活动推荐系统至少具有如下有益效果：能够提供模块化、一体化的设计方式，在用户使用过程中更容易根据实际情况进行维护，节省时间，提高效率。
第三方面，本发明的一个实施例提供了一种智慧课堂教学活动推荐控制设备，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的智慧课堂教学活动推荐方法。
第四方面，本发明的一个实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的智慧课堂教学活动推荐方法。
附图说明
图1是本发明实施例中智慧课堂教学活动推荐方法的一具体实施例流程示意图；
图2是本发明实施例中智慧课堂教学活动推荐方法的另一具体实施例流程示意图；
图3是本发明实施例中智慧课堂教学活动推荐系统的一具体实施例模块框图；
图4是发明实施例中四分位数和差异检验过程示意图。
具体实施方式
以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
DBSCAN：(Density-Based Spatial Clustering of Applications with Noise)，基于密度聚类算法。
实施例1：参照图1，示出了本发明实施例中智慧课堂教学活动推荐方法的流程示意图。其具体包括步骤：
S100：采集教师行为交互数据，其中，教师交互行为包括课堂讲授、课堂测验、自主学习、课堂提问、总结评价、鼓励学生；
S200：通过聚类算法对上述教师行为交互数据进行聚类分析得到第一聚类分析结果；
S300：对上述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
具体的，利用四分位数和差异检验区分不同结果簇中某一特征指标的水平高低，如图4所示，先确定中位数1的位置，记为IQR，上四分位数2的位置，记为Q3，上边缘3的位置，记为Q3+1.5IQR，下四分位数4，记为Q1,下边缘5，记为Q1-1.5IQR，其中，在下边缘与上边缘之间的特征指标为正常特征指标，在下边缘之外的特征指标为异常特征指标，此异常特征指标被剔除。
具体的，上述水平高低分为高于平均水平，平均水平，低于平均水平三种。
特别地，归纳如下：
高于平均水平：重视选定的特征指标；
平均水平：无偏重选定的特征指标；
低于平均水平：不重视选定的特征指标。
其中特征指标包括：课堂讲授、课堂测验、自主学习、课堂提问、总结评价、鼓励学生，以选定课堂讲授为特征指标为例，如选定的此特征指标数据全部落入正常指标范围内，则认为此选定的特征指标为重视，如选定的此特征指标数据全部落入异常指标范围内，则认为此选定的特征指标为不重视，如选定的此特征指标数据全部落入正常指标范围内和异常范围内的比例相同或者相近，则认为此选定的特征指标为无偏重。
此步骤的目的是剔除数据集中的异常数据，为数据的预处理做准备。
S400：根据上述第二聚类分析结果定义优秀簇；还包括定义与上述优秀簇相似度高于设定阈值的相邻簇作为优秀簇，此处相似度比较的设定阈值可以按照实际情况进行自行设定。
具体的，查找相邻类簇，也可以优秀教师相似度较高的簇内查找最近邻居。
具体的，上述查找最近邻居，是在与优秀教师相似度较高的簇内查找最近邻居。该过程主要是为教学活动的个性化推荐提供支持，查找其他簇中的优秀教师，选择外簇中相似度较高的优秀教师进行推荐，即原簇中不存在优秀教师，可以选择相似度较高的相邻簇进行推荐。
具体的，教学活动包括教师的教学方法和教学需求，还包括同一学科的教学活动。
具体的，查找最近类簇，计算优秀教师与聚类中心的相似度。在确定每个簇内的优秀教师名单后，计算出优秀教师之间的相似度，为优秀教师之间的相互推荐提供依据。同理，计算出非优秀教师与优秀教师之间的相似度，为非优秀教师推荐相似度更高的优秀教学活动，以达到推荐的精细化。
具体的，根据S300步骤中得出的结果定义优秀簇，筛选出优秀教师以及最新的课堂教学活动。
具体的，计算筛选出每个簇中的优秀教师以及最新的课堂教学活动。
具体的，上述筛选出优秀教师是针对聚类结果分析总结出每位教师的教学方法和教学特点，并在聚类结果簇中，利用四分位数和差异检验，区分出不同的结果簇在某一个特征指标的水平高低，分别为高于平均水平，平均水平，低于平均水平三种。
具体的，筛选出最新课堂教学活动，把上述的最新课堂教学活动设定为按照时间倒序排列，确保推荐内容和教学内容的一致性，最终实现教师的分类。
具体的，根据聚类分析结果定义优秀教师簇，其中具有重视课堂提问、总结评价、鼓励学生或自主学习中任一特征的簇即为优秀教师簇，并且也可以根据获奖课例情况手动确定每个簇内的其他优秀教师。
可以理解的，如果找不到优秀教师簇，就会自动查找最近类簇，计算优秀教师与聚类算法聚类中心的相似度。在确定每个簇内的优秀教师名单后，计算出各位优秀教师之间的相似度，为优秀教师之间的相互推荐提供依据。同理，计算出非优秀教师与优秀教师之间的相似度，为非优秀教师推荐相似度更高的优秀教学活动，以达到推荐的精细化。
可以理解的，也可以查找最近邻居，在与优秀教师相似度较高的簇内查找最近邻居。该过程主要是为教学活动的个性化推荐提供支持，查找其他簇中的优秀教师，选择外簇中相似度较高的优秀教师进行推荐，即原簇中不存在优秀教师，可以选择相似度较高的相邻簇进行推荐。
S500:根据上述优秀簇，推荐教学活动。
具体的，根据聚类分析结果，总结教师教学方法，根据每位教师的特征与需求设计教学活动的个性化推荐。
具体的，根据得到的优秀簇，推荐的教学活动具体包括：
推荐的教学活动1：优秀教学活动推荐，更为具体的，分为下列两种情况：
情况1：对于优秀教师：推荐同一学科其他优秀教师的课堂活动序列。
情况2：对于非优秀教师：判断此非优秀教师所在簇内是否有同一学科优秀教师，若有，则推荐该教师的课堂活动序列；若无，则推荐其他簇内优秀教师。可以理解的，聚类结果得到的优秀簇和非优秀簇都有可能存在优秀教师，既可以成为推荐的输入端，也可以成为输出端，推荐的结果不唯一，可以保证教师之间的相互学习、相互促进。
推荐的教学活动2：最新课堂教学活动推荐，更为具体的，为教师推荐最新的课堂教学活动，为教师提供最新的课堂教学活动，供其学习与本次教学内容相关的课堂活动，按照时间倒序排列，保证推荐内容与教学内容的一致性。
具体的，上述S200中聚类算法具体包括：对上述教师行为交互数据进行基于序列相似度的聚类分析之后，再进行基于用户行为相似度的聚类分析，得出上述第一聚类分析结果。
上述S100前还包括设定聚类算法的特征活动属性值，其中特征活动属性值的计算包括统计特征活动的总次数和总用时，计算平均时间作为特征活动属性值。
具体的，为更方便准确提取教学活动聚类算法的特征活动属性，需要事先设定聚类结果属性。根据课堂交互数据的特点、影响教师教学风格的评价指标以及文献调研和访谈的结果分析，定义了6个特征活动属性，分别为：课堂讲授、课堂测验、自主学习、课堂提问、总结评价、鼓励学生。以上述6个教学环节为聚类属性一级指标，每个环节包含多个用户操作行为二级指标，对教学活动用户操作各分项指标分数的加权求和，分项指标评分的确定是分项总分和指标权重的乘积。
本步骤方法能够实现为更方便准确提取教学活动聚类算法的特征属性，提前设定教学活动聚类算法的特征属性。
上述基于序列相似度的聚类分析具体采用DBSCAN聚类算法进行上述聚类分析，DBSCAN聚类算法是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。
具体的，本实施例采用不同于传统聚类算法使用的静态特征数据，本实施例中涵盖了教师行为交互数据，第一层聚类主要使用DBSCAN聚类算法，基于教师的教学活动序列以及序列访问时间的相似度，对教师会话进行聚类，得到多个序列类集。
本实施例能够实现有针对性地推荐相似度最高的优秀教师的教学方法，借鉴学习并对课堂做出针对性的调整，提高教学效率。
实施例2：参照图2，本发明实施例中一种智慧课堂教学活动推荐方法的另一具体实施例流程示意图，在实施例1的基础上，上述基于用户行为相似度的聚类分析具体采用K-means聚类算法，包括Min/Max标准化和Z-score标准化，具体包括以下步骤：
S221：保存原始输入数据dataraw，根据输入参数bmin/max和bz-score来判断是否对输入数据进行标准化处理；
S222:随机初始化K个初始簇类中心，初始化聚类结果的轮廓系数最大值SCopt和样本数据所在的簇Ciopt；
S223:遍历数据集，并将每个数据对象划分到距离最近的簇中心所属的簇，其中距离为欧式距离；
S224：根据每个簇的数据对象更新K个簇类中心；
S225：反复执行S223和S224直至K个簇类中心的位置不再发生变化，并计算此时聚类结果的轮廓系数值；
S226:反复执行步骤S222-S225 1000次，保存轮廓系数的最大值SCopt，并记录此时的Ciopt；
S227：根据dataraw还原到标准化前的原始输入数据集，根据Ciopt更新原始输入数据集的Ci，输出聚类结果；
其中，原始数据为教师行为交互数据。
其中，原始数据为教师行为交互数据，dataraw表示输入矩阵，即原始输入数据，bmin/max表示布尔值，bmin/max＝True表示使用最大最小标准化处理dataraw，bz-score布尔值，bz-score＝True表示使用Z-score标准化处理dataraw，K为整型，K∈(0，+∞)表示簇的中心个数，K＝0表示在[1，10]的范围内选取最合适的簇的个数，SCopt表示最优轮廓系数，用于判断聚类结果的准确度和合适度，Ciopt，表示当轮廓系数最优时，数据所对应的簇号码，即簇的ID，SC即Silhouette Coefficient的简称，表示轮廓系数，Ci表示簇的ID。
具体的，在第一层聚类的结果上根据教师在每个序列类集中的使用比例对教师教学活动进行聚类，该层主要使用K-Means聚类算法。根据数据中发现的教师教学活动属性特征及对教学活动间的关系将教师聚集成簇，将具有相似特征的教师归为一类，从而使簇内相似度差异较小，而簇间相似度差异较大。
K-Means聚类算法进行优化，使聚类算法结果更符合基于教师教学活动的聚类和为后续的推荐做准备。
实施例3：参照图3，示出了本发明实施例中智慧课堂教学活动推荐系统一具体实施例模块框图，具体包括：
采集模块，用于采集教师行为交互数据；
具体的，采集模块采集教师的行为交互数据，主要是教师访问智慧课堂教师端的交互操作或教学操作数据，在该过程中还需要制定聚类算法的特征活动属性，以帮助确定每条数据属于哪个维度的数据。
处理模块，用于通过聚类算法对上述教师行为交互数据进行聚类分析得到第一聚类分析结果并对上述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
定义模块，用于根据上述第二聚类分析结果定义优秀簇；
活动推荐模块，用于根据上述优秀簇，推荐教学活动。
具体的，教学活动推荐系统支持所有的安卓版本，但是不限于安卓系统版本，也可以应用在IOS或者Windows系统中。
综合上述实施例1、实施例2和实施例3,能够从教师行为分析的视角出发得出基于智慧课堂教师行为数据聚类分析结果，具体的，通过动态采集智慧课堂的教师行为交互数据，并对这些行为交互数据进行聚类分析，根据聚类分析结果为教学活动提供个性化服务，其中采用聚类算法降低了对教师行为数据分析的难度，挖掘出了教师的模糊需求与教学方法特点，帮助发现智慧课堂典型的教学模式，促进教师反思自己的教学行为，调整教学模式，优化教学方法。该推荐系统与方法克服了智慧课堂环境中行为不能直接、详细、大范围深入分析的问题，是信息化教学环境中教学过程行为分析较有效的方法，也促进了个性化教学。
实施例4：一种智慧课堂教学活动推荐控制设备，其特征在于，包括：
至少一个处理器，以及，与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述实施例中涉及到的智慧课堂教学活动推荐方法。
实施例5：一种计算机可读存储介质，其特征在于，上述计算机可读存储介质存储有计算机可执行指令，上述计算机可执行指令用于使计算机执行上述实施例中涉及到的智慧课堂教学活动推荐方法。
以上实施例或者实施例的结合能够实现通过对智慧课堂系统采集的教师行为交互数据进行聚类分析，根据聚类分析结果分析教师的教学特点和教学需求，并以此作为教学活动推荐的依据，向教师推荐同一学科的优秀教学活动和最新教学活动，促进教师反思自己的教学行为、优化教学方法，对提高课堂教学质量和教师的专业发展具有重要的实践意义。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
Claims (10)
1.一种智慧课堂教学活动推荐方法，其特征在于，包括以下步骤：
S100：采集教师行为交互数据，所述教师交互行为包括课堂讲授、课堂测验、自主学习、课堂提问、总结评价、鼓励学生；
S200：通过聚类算法对所述教师行为交互数据进行聚类分析得到第一聚类分析结果；
S300：对所述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
S400:根据所述第二聚类分析结果定义优秀簇；
S500:根据所述优秀簇，推荐教学活动。
2.根据权利要求1所述的一种智慧课堂教学活动推荐方法，其特征在于，所述步骤200具体包括：对所述教师行为交互数据进行基于序列相似度的聚类分析之后，再进行基于用户行为相似度的聚类分析，得出所述第一聚类分析结果。
3.根据权利要求2所述的一种智慧课堂教学活动推荐方法，其特征在于，所述步骤S400还包括定义与所述优秀簇相似度高于设定阈值的相邻簇作为优秀簇。
4.根据权利要求3所述的一种智慧课堂教学活动推荐方法，其特征在于，所述教学活动包括教师的教学方法和教学需求。
5.根据权利要求4所述的一种智慧课堂教学活动推荐方法，其特征在于，所述步骤S100前还包括设定所述聚类算法的特征活动属性值，所述特征活动属性值的计算包括统计特征活动的总次数和总用时，计算平均时间作为所述特征活动属性值。
6.根据权利要求2所述的一种智慧课堂教学活动推荐方法，其特征在于，所述基于序列相似度的聚类分析具体采用DBSCAN聚类算法进行聚类分析。
7.根据权利要求2所述的一种智慧课堂教学活动推荐方法，其特征在于，所述基于用户行为相似度的聚类分析具体采用K-means聚类算法，所述K-means聚类算法包括Min/Max标准化和Z-score标准化，具体包括：
S221：保存原始输入数据dataraw，根据输入参数bmin/max和bz-score来判断是否对输入数据进行标准化处理；
S222:随机初始化K个初始簇类中心，初始化聚类结果的轮廓系数最大值SCopt和样本数据所在的簇Ciopt；
S223:遍历数据集，并将每个数据对象划分到距离最近的簇中心所属的簇，其中距离为欧式距离；
S224：根据每个簇的数据对象更新K个簇类中心；
S225：反复执行S223和S224直至K个簇类中心的位置不再发生变化，并计算此时聚类结果的轮廓系数值；
S226:反复执行步骤S222-S225 1000次，保存轮廓系数的最大值SCopt，并记录此时的Ciopt；
S227：根据dataraw还原到标准化前的原始输入数据集，根据Ciopt更新原始输入数据集的Ci，输出聚类结果；
其中，原始数据为教师行为交互数据。
8.一种智慧课堂教学活动推荐系统，其特征在于，包括：
采集模块，用于采集教师行为交互数据；
处理模块，用于通过聚类算法对所述教师行为交互数据进行聚类分析得到第一聚类分析结果并对所述第一聚类分析结果进行四分位数和差异检验得出第二聚类分析结果；
定义模块，用于根据所述第二聚类分析结果定义优秀簇；
活动推荐模块，用于根据所述优秀簇，推荐教学活动。
9.一种智慧课堂教学活动推荐控制设备，其特征在于，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7任一项所述的智慧课堂教学活动推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的智慧课堂教学活动推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010122588.3A CN111339386B (zh) | 2020-02-27 | 2020-02-27 | 一种智慧课堂教学活动推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010122588.3A CN111339386B (zh) | 2020-02-27 | 2020-02-27 | 一种智慧课堂教学活动推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111339386A true CN111339386A (zh) | 2020-06-26 |
| CN111339386B CN111339386B (zh) | 2023-11-17 |
Family
ID=71182003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010122588.3A Active CN111339386B (zh) | 2020-02-27 | 2020-02-27 | 一种智慧课堂教学活动推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339386B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734212A (zh) * | 2020-12-31 | 2021-04-30 | 北京一起教育科技有限责任公司 | 一种学生作业行为画像方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108538113A (zh) * | 2018-04-20 | 2018-09-14 | 广东国粒教育技术有限公司 | 一种基于智慧课堂教学用教学微课展示系统 |
| CN109284390A (zh) * | 2018-11-29 | 2019-01-29 | 北京师范大学 | 一种基于课堂日志的教学场景编码方法 |
| CN109359854A (zh) * | 2018-10-12 | 2019-02-19 | 南京览众智能科技有限公司 | 智教云平台 |
-
2020
- 2020-02-27 CN CN202010122588.3A patent/CN111339386B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108538113A (zh) * | 2018-04-20 | 2018-09-14 | 广东国粒教育技术有限公司 | 一种基于智慧课堂教学用教学微课展示系统 |
| CN109359854A (zh) * | 2018-10-12 | 2019-02-19 | 南京览众智能科技有限公司 | 智教云平台 |
| CN109284390A (zh) * | 2018-11-29 | 2019-01-29 | 北京师范大学 | 一种基于课堂日志的教学场景编码方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734212A (zh) * | 2020-12-31 | 2021-04-30 | 北京一起教育科技有限责任公司 | 一种学生作业行为画像方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111339386B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nieto et al. | Supporting academic decision making at higher educational institutions using machine learning-based algorithms | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| Zain et al. | Data Mining for Education Decision Support: A Review. | |
| CN108182489A (zh) | 一种基于在线学习行为分析的个性化学习推荐方法 | |
| Hsu et al. | Automated estimation of item difficulty for multiple-choice tests: An application of word embedding techniques | |
| Bradshaw | Diagnostic classification models | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| Liu | Data Analysis of Educational Evaluation Using K‐Means Clustering Method | |
| CN111260230A (zh) | 一种基于提升树模型的学业预警方法 | |
| Geetha et al. | Prediction of the academic performance of slow learners using efficient machine learning algorithm | |
| Alowaigl et al. | A multi-criteria assessment of decision support systems in educational environments | |
| CN111339386A (zh) | 一种智慧课堂教学活动推荐方法及系统 | |
| Ozbey et al. | The determination and analysis of factors affecting to student learning by artificial intelligence in higher education | |
| Inyang et al. | Visual association analytics approach to predictive modelling of students’ academic performance | |
| Kumar et al. | Relevance of data mining techniques in edification sector | |
| Ali S et al. | Multi-class LDA classifier and CNN feature extraction for student performance analysis during Covid-19 pandemic | |
| Nkomo et al. | Discovering students use of learning resources with educational data mining | |
| Kubegenova et al. | Using the Data Mining Tool to Analyze Student Performance | |
| CN113487928A (zh) | 一种精准教学评价与诊断方法及系统 | |
| Zhang et al. | Difficulty-based SPOC video clustering using video-watching data | |
| Jha | A Systematic Study on Student Performance Prediction from the Perspective of Machine Learning and Data Mining Approaches | |
| Jianyun | Big data assisted online teaching platform for ideological and political theory course in universities | |
| CN118586611B (zh) | 一种基于大数据的ai智能教育方法及系统 | |
| Wei | Analysis of the practical education model and its value in the context of big data in university civic education | |
| An et al. | Multi-Attribute Classification of Text Documents as a Tool for Ranking and Categorization of Educational Innovation Projects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |