CN111429005B - 一种基于少量学生反馈的教学评估方法 - Google Patents

一种基于少量学生反馈的教学评估方法 Download PDF

Info

Publication number
CN111429005B
CN111429005B CN202010213449.1A CN202010213449A CN111429005B CN 111429005 B CN111429005 B CN 111429005B CN 202010213449 A CN202010213449 A CN 202010213449A CN 111429005 B CN111429005 B CN 111429005B
Authority
CN
China
Prior art keywords
evaluation
teaching
sample
matrix
constructing
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.)
Active
Application number
CN202010213449.1A
Other languages
English (en)
Other versions
CN111429005A (zh
Inventor
王刚
谭嵩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Bikaqiu Software Technology Co ltd
Original Assignee
Huainan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huainan Normal University filed Critical Huainan Normal University
Priority to CN202010213449.1A priority Critical patent/CN111429005B/zh
Publication of CN111429005A publication Critical patent/CN111429005A/zh
Application granted granted Critical
Publication of CN111429005B publication Critical patent/CN111429005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于少量学生反馈的教学评估方法，属于教学技术领域，包括构造训练样本集、构造图拉普拉斯矩阵、模型超参数设定、神经网络模型训练、进行教学评估五个主要步骤。传统的教学评估方法主要是对几种输入进行线性加权平均得出，而非考虑学生的真实反馈。与这类传统的方法相比，本发明充分考虑了学生的真实反馈，用学生的评价作为已完成教学课程的最终评价，并从已有的数据中挖掘出适合做教学课程评估的数学模型。由于大部分学生不愿意在课后给教学打分，而且打分缺乏可信度，导致训练数据标签过少与不完整等问题，本发明提供的方法能够应对这类数据集存在缺陷的情况，从而训练出具有较高准确度的评估预测模型。

Description

一种基于少量学生反馈的教学评估方法
技术领域
本发明属于教学技术领域，特别是涉及一种基于少量学生反馈的教学评估方法。
背景技术
教学评估是教学过程中非常重要的一个环节，其评估的准确程度直接影响了教学内容、方式等方面的指定。传统的教学评估方法主要是对几种输入进行线性加权平均得出，而非考虑学生的真实反馈。这些工作相对较多。例如：CN201310113207.5旨在提供一种面向全过程的在线教育服务质量评估方法，以实际系统为依据提供全方位的评价指标和评估方法，实现了评估目标多元化、评价内容多态化、评价方式多样化，更加贴近用户需求。再例如，CN201610564845.2提供一种教学评估方法及系统，通过视频获取包含用户人脸表情的人脸图像，分析人脸表情中是否出现闭眼、点头、和打哈欠的动作，统计闭眼、点头、和打哈欠的动作出现频率，从而根据听课者的状态客观公正的评估教学效果。
然而，一个现实问题是大部分学生不愿意在课后给教学打分，而且打分缺乏可信度。往往评价为高分的课程，其结果是真实的；而评价为低分的课程，其结果可能包含大量的主观情绪，因此可信度较低。本专利旨在解决该问题。
发明内容
本发明的目的在于克服现有技术存在的缺陷，以提高教学评估的准确性。
为实现以上目的，本发明提供一种基于少量学生反馈的教学评估方法，包括如下步骤：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure GDA0004064051900000011
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为{x1，...，xl}，评价为“不好”或者缺少评价的样本集合定义为{xl+1，...，xn}，其中x的下标表示不同样本的序号，/>
Figure GDA0004064051900000012
表示实数域，l为评价为“好”的样本数量、n为所有样本数量，u＝n-l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure GDA0004064051900000021
其中，xi与xj为样本，i，j∈{1，...，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure GDA0004064051900000022
与N1个特征优化输入偏置/>
Figure GDA0004064051900000023
Figure GDA00040640519000000221
得到/>
Figure GDA0004064051900000024
与/>
Figure GDA0004064051900000025
然后，对每个样本xi计算特征优化中间向量/>
Figure GDA0004064051900000026
Figure GDA0004064051900000027
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵/>
Figure GDA0004064051900000028
Figure GDA0004064051900000029
最后，计算特征优化输出权重δ1，当n＜N1时，/>
Figure GDA00040640519000000210
否则，/>
Figure GDA00040640519000000211
其中X＝[x1；...；xn]，In为n维单位阵，/>
Figure GDA00040640519000000222
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure GDA00040640519000000212
与N2个分类判定输入偏置/>
Figure GDA00040640519000000213
Figure GDA00040640519000000214
得到/>
Figure GDA00040640519000000215
与/>
Figure GDA00040640519000000216
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure GDA00040640519000000217
接着，生成分类判定中间矩阵
Figure GDA00040640519000000218
最后，计算分类判定输出权重δ2：当n＜N2时，
Figure GDA00040640519000000219
否则，/>
Figure GDA00040640519000000220
Figure GDA0004064051900000031
其中，IE＝diag(Il，Ou)，diag(·)表示对角阵，Il为l维单位阵，Ou为u维零矩阵，/>
Figure GDA0004064051900000032
为n维列向量，其前l个元素为1，后u个元素为0；
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值
Figure GDA0004064051900000035
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
其中，所涉及的激活函数τ(a，b，x)为：
Figure GDA0004064051900000033
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。
与已有的技术方案相比，本发明充分考虑了学生的真实反馈，用学生的评价作为已完成教学课程的最终评价，并从已有的数据中挖掘出适合做教学课程评估的数学模型。同时，本发明提供的方法能够应对数据集存在缺陷的情况，从而训练出具有较高准确度的评估预测模型。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本发明方法流程示意图；
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种基于少量学生反馈的教学评估方法，包括如下步骤S1至S5：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure GDA0004064051900000034
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为{x1，...，xl}，评价为“不好”或者缺少评价的样本集合定义为{xlt1，...，xn}，其中x的下标表示不同样本的序号，/>
Figure GDA0004064051900000041
表示实数域，l为评价为“好”的样本数量、n为所有样本数量，u＝n-l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure GDA0004064051900000042
其中，xi与xj为样本，i，j∈{1，...，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure GDA0004064051900000043
与N1个特征优化输入偏置/>
Figure GDA0004064051900000044
Figure GDA0004064051900000045
得到/>
Figure GDA0004064051900000046
与/>
Figure GDA0004064051900000047
然后，对每个样本xi计算特征优化中间向量/>
Figure GDA0004064051900000048
Figure GDA0004064051900000049
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵/>
Figure GDA00040640519000000410
Figure GDA00040640519000000411
最后，计算特征优化输出权重δ1，当n＜N1时，/>
Figure GDA00040640519000000412
否则，/>
Figure GDA00040640519000000413
其中X＝[x1；...；xn]，In为n维单位阵，/>
Figure GDA00040640519000000421
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure GDA00040640519000000414
与N2个分类判定输入偏置/>
Figure GDA00040640519000000415
Figure GDA00040640519000000416
得到/>
Figure GDA00040640519000000417
与/>
Figure GDA00040640519000000418
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure GDA00040640519000000419
接着，生成分类判定中间矩阵
Figure GDA00040640519000000420
最后，计算分类判定输出权重δ2：当n＜N2时，/>
Figure GDA0004064051900000051
否则，/>
Figure GDA0004064051900000052
Figure GDA0004064051900000053
其中，IE＝diag(Il，Ou)，diag(·)表示对角阵，Il为l维单位阵，Ou为u维零矩阵，/>
Figure GDA0004064051900000054
为n维列向量，其前l个元素为1，后u个元素为0；
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值
Figure GDA0004064051900000056
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
优选地，所涉及的激活函数τ(a，b，x)为：
Figure GDA0004064051900000055
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。
具体实施中，样本特征可以包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、平均分、上课语言等作为特征。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于少量学生反馈的教学评估方法，其特征在于，包括：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure FDA0004064051890000011
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为/>
Figure FDA00040640518900000116
评价为“不好”或者缺少评价的样本集合定义为/>
Figure FDA00040640518900000115
其中x的下标表示不同样本的序号，/>
Figure FDA00040640518900000114
表示实数域，/>
Figure FDA00040640518900000117
为评价为“好”的样本数量、n为所有样本数量，u＝n-l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure FDA0004064051890000012
其中，xi与xj为样本，i，j∈{1，...，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure FDA0004064051890000013
与N1个特征优化输入偏置/>
Figure FDA0004064051890000014
Figure FDA0004064051890000015
得到
Figure FDA0004064051890000016
与/>
Figure FDA0004064051890000017
然后，对每个样本xi计算特征优化中间向量/>
Figure FDA0004064051890000018
Figure FDA0004064051890000019
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵/>
Figure FDA00040640518900000110
Figure FDA00040640518900000111
最后，计算特征优化输出权重δ1，当n＜N1时，/>
Figure FDA00040640518900000112
否则，/>
Figure FDA00040640518900000113
其中X＝[x1；...；xn]，In为n维单位阵，/>
Figure FDA00040640518900000118
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure FDA0004064051890000021
与N2个分类判定输入偏置/>
Figure FDA0004064051890000022
Figure FDA0004064051890000023
得到
Figure FDA0004064051890000024
与/>
Figure FDA0004064051890000025
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure FDA0004064051890000026
接着，生成分类判定中间矩阵
Figure FDA0004064051890000027
最后，计算分类判定输出权重δ2：当n＜N2时，
Figure FDA0004064051890000028
否则，/>
Figure FDA0004064051890000029
Figure FDA00040640518900000210
其中，/>
Figure FDA00040640518900000214
diag(·)表示对角阵，/>
Figure FDA00040640518900000215
为/>
Figure FDA00040640518900000216
维单位阵，Ou为u维零矩阵，/>
Figure FDA00040640518900000211
为n维列向量，其前/>
Figure FDA00040640518900000213
个元素为1，后u个元素为0；/>
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值
Figure FDA00040640518900000217
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
2.如权利要求1所述的一种基于少量学生反馈的教学评估方法，其特征在于，所涉及的激活函数τ(a，b，x)为：
Figure FDA00040640518900000212
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。/>
CN202010213449.1A 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法 Active CN111429005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213449.1A CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213449.1A CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Publications (2)

Publication Number Publication Date
CN111429005A CN111429005A (zh) 2020-07-17
CN111429005B true CN111429005B (zh) 2023-06-02

Family

ID=71549729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213449.1A Active CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Country Status (1)

Country Link
CN (1) CN111429005B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0313186A (ja) * 1989-06-12 1991-01-22 Sanyo Electric Co Ltd 符号化装置
CN103226796A (zh) * 2013-04-02 2013-07-31 浙江大学 面向全过程的在线教育服务质量评估方法
CN106384364A (zh) * 2016-08-31 2017-02-08 天津大学 一种基于lpp‑elm的立体图像质量客观评价方法
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
WO2018010434A1 (zh) * 2016-07-13 2018-01-18 华为技术有限公司 一种图像分类方法及装置
CN110675382A (zh) * 2019-09-24 2020-01-10 中南大学 基于CNN-LapsELM的铝电解过热度识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8682612B2 (en) * 2008-12-18 2014-03-25 Abb Research Ltd Trend analysis methods and system for incipient fault prediction
US11436496B2 (en) * 2018-04-20 2022-09-06 Google Llc Systems and methods for regularizing neural networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0313186A (ja) * 1989-06-12 1991-01-22 Sanyo Electric Co Ltd 符号化装置
CN103226796A (zh) * 2013-04-02 2013-07-31 浙江大学 面向全过程的在线教育服务质量评估方法
WO2018010434A1 (zh) * 2016-07-13 2018-01-18 华为技术有限公司 一种图像分类方法及装置
CN106384364A (zh) * 2016-08-31 2017-02-08 天津大学 一种基于lpp‑elm的立体图像质量客观评价方法
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
CN110675382A (zh) * 2019-09-24 2020-01-10 中南大学 基于CNN-LapsELM的铝电解过热度识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Data Distribution Based Weighted Extreme Learning Machine;Meiyi Li等;《ICMLT 2019: Proceedings of the 2019 4th International Conference on Machine Learning Technologies》;第1-6页 *
Dimension reduction with extreme learning machine;Liyanaarachchi Lekamalage Chamara Kasun等;《IEEE Transactions on Image Processing》;第25卷;第3906-3918页 *
Sparse Representation-Based Augmented Multinomial Logistic Extreme Learning Machine With Weighted Composite Features for Spectral–Spatial Classification of Hyperspectral Images;Faxian Cao等;《IEEE Transactions on Geoscience and Remote Sensing》;第56卷;第6263-6279页 *
多任务学习;张钰等;《计算机学报》(第07期);第1340-1378页 *
拉普拉斯多层极速学习机;丁世飞等;《软件学报》(第10期);第2599-2610页 *
自编码神经网络理论及应用综述;袁非牛等;《计算机学报》;第42卷(第1期);第203-230页 *
高校体育在新教学理念下的教学评价分析;戴鹏;《赤峰学院学报(自然科学版)》(第05期);第143-144页 *

Also Published As

Publication number Publication date
CN111429005A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN112508334B (zh) 融合认知特性及试题文本信息的个性化组卷方法及系统
CN111414461A (zh) 一种融合知识库与用户建模的智能问答方法及系统
CN112446591A (zh) 一种用于学生综合能力评价的评价体系及零样本评价方法
CN112667776B (zh) 一种智能教学评估与分析方法
CN113610235A (zh) 一种基于深度知识追踪的适应性学习支持装置及方法
CN111611375B (zh) 一种基于深度学习和转折关系的文本情感分类方法
CN114972839A (zh) 一种基于在线对比蒸馏网络的广义持续分类方法
CN113378581B (zh) 一种基于多元概念注意力模型的知识追踪方法及系统
CN113283488B (zh) 一种基于学习行为的认知诊断方法及系统
CN112669936A (zh) 一种基于文本和图像社交网络抑郁检测方法
Zhang et al. Formative evaluation of college students’ online English learning based on learning behavior analysis
CN111429005B (zh) 一种基于少量学生反馈的教学评估方法
CN115795015A (zh) 一种试题难度增强的综合知识追踪方法
CN114117033B (zh) 知识追踪方法及系统
CN116090879A (zh) 一种基于眼动数据的飞行训练品质评估方法
Vajjala Machine learning and applied linguistics
Saqlain Evaluating the readability of English instructional materials in Pakistani Universities: A deep learning and statistical approach
CN111738285A (zh) 对学生进行学习效率评价和学习效率提升优化的评价方法
Ma et al. Analysis And Prediction Of Body Test Results Based On Improved Backpropagation Neural Network Algorithm
CN114580415B (zh) 一种面向教育考试的跨域图匹配实体识别方法
CN110992229B (zh) 一种基于知识迁移的科学教学效果评价方法
CN118172703A (zh) 基于课堂行为分析的教学内容优化方法及系统
Jinling et al. Classification Model of the Impact of Psychological Factors on Children's Academic Performance Based on Machine Learning
Li A New Methodology for Clustering of Online Learning Resources Based on Students’ Learning Styles.
Patil et al. Literature Survey of Lexicon based method and Machine Learning methods of Sentiment Analysis of Student’s Feedback

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Gang

Inventor after: Tan Song

Inventor before: Tan Song

Inventor before: Wang Gang

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240426

Address after: Room 611-354, R&D Center Building, 3333 Xiyou Road, High tech Zone, Hefei City, Anhui Province, 230000

Patentee after: Anhui Bikaqiu Software Technology Co.,Ltd.

Country or region after: China

Address before: 232001 cave West Road, Huainan, Anhui

Patentee before: HUAINAN NORMAL University

Country or region before: China