CN111341418A - 一种根据社交网络评估学生心理的方法、系统及装置 - Google Patents
一种根据社交网络评估学生心理的方法、系统及装置 Download PDFInfo
- Publication number
- CN111341418A CN111341418A CN202010117664.1A CN202010117664A CN111341418A CN 111341418 A CN111341418 A CN 111341418A CN 202010117664 A CN202010117664 A CN 202010117664A CN 111341418 A CN111341418 A CN 111341418A
- Authority
- CN
- China
- Prior art keywords
- node
- student
- social network
- represented
- nodes
- 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 22
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008451 emotion Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Computing Systems (AREA)
- Social Psychology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及心理状态评估的技术领域，具体公开了一种根据社交网络评估学生心理的方法、系统及装置，其中，一种根据社交网络评估学生心理的方法，包括以下步骤，S1：获取一个评估周期内学校学生在校行为轨迹数据；S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；S3：根据社交网络计算待评估节点的集群系数、度及介数；S4：根据待评估节点的集群系数、度及介数评估该节点所表示的学生的心理状态。本发明通过采集学校学生在校行为轨迹数据，建立社交网络，进行学生心理状态评估，具有提高评估准确率，减少漏判的优点。
Description
技术领域
本发明涉及心理状态评估的技术领域，尤其是涉及一种根据社交网络评估学生心理的方法、系统及装置。
背景技术
在激烈的竞争和社会变革的环境下，当代学生面临着巨大的压力。有学者曾对社会不同人群承受的压力做过调查，结果显示，青年学生所承受的压力最大，农民最小，工人与科技人员居中。学生面临的压力很大，主要有学业压力、生活压力(包括交往压力、经济压力)、就业压力及情感压力，承受心理压力的能力却较差。长期的压力状态不仅对人的心理方面产生负面影响，而且对人的生理(包括神经系统、内分泌系统和免疫系统)也会产生负面影响，从而严重影响人的身体健康。
而现有的大学生的心理压力多通过问卷调查及在线测试的形式进行评估，评估准确率较低，对于漏判的学生，不能及时进行心理辅导及引导，从而影响身心健康。在大数据时代，我们的日常数据(如购物、浏览网页、手机通讯、出行等)被记录下来，形成了海量的数据，在高校，一卡通记录了学生食堂刷卡、图书馆进出、图书借阅等信息，为分析学生在校行为轨迹提供了便利，也为我们分析学生心理状况提供了更加有用的信息。
发明内容
本发明目的在于提供一种根据社交网络评估学生心理的方法、系统及装置，通过采集学校学生在校行为轨迹数据，建立社交网络，进行学生心理状态评估，具有提高评估准确率，减少漏判的优点。
为实现上述目的，本发明所采用的技术方案是：一种根据社交网络评估学生心理的方法，包括以下步骤，
1：获取一个评估周期内学校学生在校行为轨迹数据；
S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
S3：根据社交网络计算待评估节点的集群系数、度及介数；
S4：根据待评估节点的集群系数、度及介数评估该节点所表示的学生的心理状态。
进一步地，所述S1中学生在校行为轨迹数据为一卡通刷卡数据。
进一步地，所述S2中确认两两节点是否存在连接关系包括以下步骤：
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
进一步地，所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
值得说明的是，节点i形成的三角形是指，均与该节点i连接的两个节点之间也相互连接，三个节点相互连接形成三角形；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nst i为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
一种根据社交网络评估学生心理的系统，包括，
数据采集单元，用于获取一个评估周期内学校学生在校行为轨迹数据；
社交网络建立单元，用于用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
评估单元，用于根据社交网络建立单元建立的社交网络计算待评估节点的集群系数，并根据待评估节点的集群系数评估该节点所表示的学生的心理状态
进一步地，所述数据采集单元获取的学校学生在校行为轨迹数据为一卡通刷卡数据。
进一步地，所述社交网络建立单元根据以下方法确认两两节点是否存在连接关系，
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
进一步地，所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nst i为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
一种根据社交网络评估学生心理的装置，其包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
终端处理器用于实现一种根据社交网络评估学生心理的方法的各步骤，
S1：获取一个评估周期内学校学生在校行为轨迹数据；
S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
S3：根据社交网络计算待评估节点的集群系数、度及介数；
S4：根据待评估节点的集群系数、度及介数评估该节点所表示的学生的心理状态。
所述S1中学生在校行为轨迹数据轨迹数据为一卡通刷卡数据。
所述S2中确认两两节点是否存在连接关系包括以下步骤：
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nst i为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
综上所述，本发明的有益技术效果为：
1.本发明通过采集学校学生在校行为轨迹数据，建立社交网络，进行学生心理状态评估，具有提高评估准确率，减少漏判的优点。
附图说明
图1是本发明的一种根据社交网络评估学生心理的方法的流程示意图。
图2是本发明用于展示社交网络的示意图；
图3是本发明用于确认两两节点是否存在连接关系的流程示意图；
图4是本发明用于展示一种根据社交网络评估学生心理的装置的示意图。
具体实施方式
下面结合本发明的附图1～4，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。
实施例1
参照图1、2，一种根据社交网络评估学生心理的方法，包括以下步骤，
S1：获取一个评估周期内学校学生在校行为轨迹数据；
S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
S3：根据社交网络计算待评估节点的集群系数；
S4：根据待评估节点的集群系数评估该节点所表示的学生的心理状态。
值得说明的是，S1中学生在校行为轨迹数据为一卡通刷卡数据，具体包括食堂、超市、开水房、图书馆等校内场所的一卡通刷卡数据。
参照图2、3，S2中确认两两节点是否存在连接关系包括以下步骤：
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；值得说明的是，本实施例中，次数阈值设置为4；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
若判断节点n和节点n+1之间存在连接关系则连接两个节点，在社交网络中用连边表示。
S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
值得说明的是，节点i形成的三角形是指，均与该节点i连接的两个节点之间也相互连接，三个节点相互连接形成三角形；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nsti为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
值得说明的是，本实施例中，节点i的集群系数越大、度值越大、介数值越大，即在社交网络中重要程度越高，该节点所代表的学生越活跃，其所处压力越小，所承受压力带来的负面情绪越少。
实施例2
一种根据社交网络评估学生心理的系统，包括，
数据采集单元，用于获取一个评估周期内学校学生在校行为轨迹数据；
社交网络建立单元，用于用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
评估单元，用于根据社交网络建立单元建立的社交网络计算待评估节点的集群系数，并根据待评估节点的集群系数评估该节点所表示的学生的心理状态。
数据采集单元获取的学校学生在校行为轨迹数据为一卡通刷卡数据，具体包括食堂、超市、开水房、图书馆等校内场所的一卡通刷卡数据。
参照图3，社交网络建立单元根据以下方法确认两两节点是否存在连接关系，
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
评估单元根据以下方法计算待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
值得说明的是，节点i形成的三角形是指，均与该节点i连接的两个节点之间也相互连接，三个节点相互连接形成三角形；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nsti为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
值得说明的是，本实施例中，节点i的集群系数越大、度值越大、介数值越大，即在社交网络中重要程度越高，该节点所代表的学生越活跃，其所处压力越小，所承受压力带来的负面情绪越少。
实施例3
参照图4，一种根据社交网络评估学生心理的装置，其包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
参照图1、2，终端处理器用于实现一种根据社交网络评估学生心理的方法的各步骤，
S1：获取一个评估周期内学校学生在校行为轨迹数据；
S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
S3：根据社交网络计算待评估节点的集群系数；
S4：根据待评估节点的集群系数评估该节点所表示的学生的心理状态。
值得说明的是，S1中学生在校行为轨迹数据为一卡通刷卡数据，具体包括食堂、超市、开水房、图书馆等校内场所的一卡通刷卡数据。
参照图2、3，S2中确认两两节点是否存在连接关系包括以下步骤：
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；值得说明的是，本实施例中，次数阈值设置为4；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
值得说明的是，节点i形成的三角形是指，均与该节点i连接的两个节点之间也相互连接，三个节点相互连接形成三角形；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nsti为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
值得说明的是，本实施例中，节点i的集群系数越大、度值越大、介数值越大，即在社交网络中重要程度越高，该节点所代表的学生越活跃，其所处压力越小，所承受压力带来的负面情绪越少。
值得说明的是，终端处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是处理器的内部存储单元，例如处理器的硬盘或内存。存储器也可以是处理器的外部存储设备，例如处理器上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。存储器还可以既包括处理器的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及处理器所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
Claims (9)
1.一种根据社交网络评估学生心理的方法，其特征在于，包括以下步骤，
S1：获取一个评估周期内学校学生在校行为轨迹数据；
S2：用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
S3：根据社交网络计算待评估节点的集群系数、度及介数；
S4：根据待评估节点的集群系数、度及介数评估该节点所表示的学生的心理状态。
2.根据权利要求1所述的一种根据社交网络评估学生心理的方法，其特征在于，所述S1中学生在校行为轨迹数据为一卡通刷卡数据。
3.根据权利要求2所述的一种根据社交网络评估学生心理的方法，其特征在于，所述S2中确认两两节点是否存在连接关系包括以下步骤：
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
4.根据权利要求1-3任意一项所述的一种根据社交网络评估学生心理的方法，其特征在于，所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nst i为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
5.一种根据社交网络评估学生心理的系统，其特征在于，包括，
数据采集单元，用于获取一个评估周期内学校学生在校行为轨迹数据；
社交网络建立单元，用于用节点表示学生，根据约束条件确认两两节点是否存在连接关系，并根据所有节点相互之间的连接关系建立社交网络；
评估单元，用于根据社交网络建立单元建立的社交网络计算待评估节点的集群系数，并根据待评估节点的集群系数评估该节点所表示的学生的心理状态。
6.根据权利要求5所述的一种根据社交网络评估学生心理的系统，其特征在于，所述数据采集单元获取的学校学生在校行为轨迹数据为一卡通刷卡数据数据。
7.根据权利要求3所述的一种根据社交网络评估学生心理的系统，其特征在于，所述社交网络建立单元根据以下方法确认两两节点是否存在连接关系，
S21：一个评估周期内，节点n所代表的学生和节点n+1所代表的学生是否在同一个刷卡机刷卡消费，若是，执行S22，若否，执行S2；
S22：节点n所代表的学生和节点n+1所代表的学生刷卡时间间隔是否小于间隔阈值，若是，执行S23，若否；
S23：判断节点n和节点n+1存在联系行为，执行S24；
S24：判断一个评估周期内，节点n所代表的学生和节点n+1所代表的学生发生联系行为的次数是否大于次数阈值，若是，执行S25，若否，执行S26；
S25：判断节点n和节点n+1存在连接关系；
S26：判断节点n和节点n+1不存在连接关系。
8.根据权利要求1所述的一种根据社交网络评估学生心理的系统，其特征在于，所述S3中待评估节点i的集群系数计算方法为：
其中，Ei表示节点i形成的三角形数量，ki表示节点i的度大小；
所述社交网络为无向网络，节点i的度大小为与该节点直接相连的边的数目；
介数的计算方法为：
其中，gst为从节点s到节点t的最短路径的数目，nst i为从节点s到节点t的gst条最短路径中经过节点i的最短路径的数目。
9.一种根据社交网络评估学生心理的装置，其特征在于，包括，
终端处理器及存储器；
存储器用于存储数据和和计算机程序指令；
终端处理器用于实现权利要求1-4任意一项所述的一种根据社交网络评估学生心理的方法的各步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117664.1A CN111341418A (zh) | 2020-02-25 | 2020-02-25 | 一种根据社交网络评估学生心理的方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010117664.1A CN111341418A (zh) | 2020-02-25 | 2020-02-25 | 一种根据社交网络评估学生心理的方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111341418A true CN111341418A (zh) | 2020-06-26 |
Family
ID=71185655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010117664.1A Pending CN111341418A (zh) | 2020-02-25 | 2020-02-25 | 一种根据社交网络评估学生心理的方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111341418A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
-
2020
- 2020-02-25 CN CN202010117664.1A patent/CN111341418A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112364255A (zh) * | 2020-11-05 | 2021-02-12 | 天津大学 | 基于社交网络的学生风险预警模型建立技术 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fafchamps et al. | Local financial development and firm performance: Evidence from Morocco | |
| Boroujeni et al. | Discovery and temporal analysis of latent study patterns in MOOC interaction sequences | |
| CN104915879B (zh) | 基于金融数据的社会关系挖掘的方法及装置 | |
| CN109034209A (zh) | 主动风险实时识别模型的训练方法和装置 | |
| KR20130082839A (ko) | 사용자 맞춤형 콘텐츠 제공 장치 및 그 방법 | |
| CN107004371A (zh) | 对教育内容效果的量度 | |
| CN111341418A (zh) | 一种根据社交网络评估学生心理的方法、系统及装置 | |
| CN103905532A (zh) | 微博营销账号的识别方法及系统 | |
| CN109543940B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| Chen et al. | A hybrid data envelopment analysis approach to analyse college graduation rate at higher education institutions | |
| CN107153702A (zh) | 一种数据处理方法及装置 | |
| Sizova | Long-horizon return regressions with historical volatility and other long-memory variables | |
| CN107784046A (zh) | Poi信息处理方法和装置 | |
| West | Paradata in survey research | |
| CN109711849B (zh) | 以太坊地址画像生成方法、装置、电子设备及存储介质 | |
| Bandara et al. | Garment industry in Sri Lanka and the removal of GSP Plus by EU | |
| Teng et al. | A large in-situ dataset for context-aware music recommendation on smartphones | |
| JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN110020196A (zh) | 一种基于不同数据源的用户分析方法和装置及计算设备 | |
| Diamond et al. | Pathways to performance: an examination of entry pathway and first-year university results | |
| CN104867032A (zh) | 电子商务客户评价鉴别系统 | |
| Kim et al. | Application of learning analytics in university mathematics education | |
| CN110334936A (zh) | 一种信贷资质评分模型的构建方法、装置和设备 | |
| Lee et al. | Statistical power of the multiple domain latent growth model for detecting group differences | |
| Al Hinai | Quantification of social sustainability in software |
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: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |