CN111598750B - 一种基于反刍比算法的学生在线学习状态评估方法及系统 - Google Patents
一种基于反刍比算法的学生在线学习状态评估方法及系统 Download PDFInfo
- Publication number
- CN111598750B CN111598750B CN202010399307.9A CN202010399307A CN111598750B CN 111598750 B CN111598750 B CN 111598750B CN 202010399307 A CN202010399307 A CN 202010399307A CN 111598750 B CN111598750 B CN 111598750B
- Authority
- CN
- China
- Prior art keywords
- student
- knowledge point
- ratio
- students
- duration
- 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
Links
- 208000015212 rumination disease Diseases 0.000 title claims abstract description 41
- 230000022676 rumination Effects 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 title claims description 29
- 238000000034 method Methods 0.000 claims abstract description 20
- 241000282849 Ruminantia Species 0.000 claims description 30
- 239000012634 fragment Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 230000033764 rhythmic process Effects 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于反刍比算法的学生在线学习状态评估方法及系统,所述方法根据学生观看课程视频的反刍比准确计算班级所有学生观看每个知识点片段的次数,并筛选出观看次数最多的知识点片段。本发明可准确获取班级对本次课程视频关注度最高的知识点片段,有利于教师准确深入的掌握班级整体的学习状态,有利于教师根据关注度最高的知识点片段更好的调整教学节奏以提高教学质量。
Description
技术领域
本发明涉及在线教育技术领域,尤其涉及一种基于反刍比算法的学生在线学习状态评估方法及系统。
背景技术
随着“互联网+教育”的深入发展,新时代要求在教育教学领域开展改革,利用信息化参与课堂教学全过程,以现代信息技术推动高等教育质量提升的变轨超车。
在线教育学习平台用于承载学生的在线学习,学生主要通过在线观看视频进行学习。市面上绝大部分“互联网+”在线教育平台中,均会获取学生观看本次课程视频的时长,并根据观看时长计算反刍比,以反刍比来评估学生对本次课程的关注度。上述根据反刍比评估学生对课程的关注度的方式,只能评估单个学生对课程整体的关注度,可以根据关注度进一步分析导致关注度的原因,如本次课程对于此学生的重要性或难度、此学生对本次课程的兴趣等方面的数据,但上述方法无法进一步准确获取班级整体对本次课程视频关注度最高的知识点片段,导致教师对班级整体学习状态的掌握程度不够深入。
发明内容
有鉴于此,一方面,本发明提出了一种基于反刍比算法的学生在线学习状态评估方法,以解决传统学生在线学习状态评估方法无法准确获取班级对本次课程视频关注度最高的知识点片段,导致教师对班级整体学习状态的掌握程度不够深入的问题。
本发明的技术方案是这样实现的:一种基于反刍比算法的学生在线学习状态评估方法,包括:
获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;
计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
可选的,根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比,包括:
获取每个学生对应的所有所述单次时长中的最大值;
若所述最大值不小于所述总时长,则计算每个学生对应的所有所述单次时长的总和,并计算所述总和与所述总时长的比值;
若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值。
可选的,若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值之后,所述方法还包括:
获取班级总人数及班级内特定学生数,所述特定学生为班级内所述最大值不小于所述总时长的学生;
计算所述特定学生数与所述总人数的比值。
可选的,统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数,包括:
获取每个所述知识点片段及每个所述单次时长的起始时刻和结束时刻;
根据每个所述知识点片段及每个所述单次时长的起始时刻及结束时刻统计所述绝对次数。
可选的,统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数中,若所述知识点片段的起始时刻或结束时刻落入所述单次时长的起始时刻至结束时刻之间的时间段则判定所述知识点片段在所述单次时长中出现。
本发明的基于反刍比算法的学生在线学习状态评估方法相对于现有技术具有以下有益效果:
(1)本发明的基于反刍比算法的学生在线学习状态评估方法可准确获取班级对本次课程视频关注度最高的知识点片段,有利于教师准确深入的掌握班级整体的学习状态,有利于教师根据关注度最高的知识点片段更好的调整教学节奏以提高教学质量;
(2)本发明的基于反刍比算法的学生在线学习状态评估方法剔除了学生完整观看视频次数对知识点片段关注度评估的消极影响,计算出的每个学生对每个知识点片段的关注度准确性和可靠性更高,从而每个知识点片段被班级所有学生观看的相对次数的准确性和可靠性更高,在对比多个不同目标课程视频中同一知识点片段的关注度中具有重要意义;
(3)本发明的基于反刍比算法的学生在线学习状态评估方法考虑到了目标课程视频的总时长,以计算反刍比的方式评估课程关注度,贴合实际应用环境,与传统方法相比,评估方式准确性高,有利于教师更加准确的掌握学生的学习状态;
(4)本发明的基于反刍比算法的学生在线学习状态评估方法可保证评价学生学习态度的准确性,降低评价学生学习态度的误差,进一步提高教师掌握学生学习状态的可靠性。
另一方面,本发明还提出一种基于反刍比算法的学生在线学习状态评估系统,以解决传统学生在线学习状态评估方法无法准确获取班级对本次课程视频关注度最高的知识点片段,导致教师对班级整体学习状态的掌握程度不够深入的问题。
本发明的技术方案是这样实现的:一种基于反刍比算法的学生在线学习状态评估系统,包括:
相关数据准备单元,用于获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
反刍比计算单元,用于根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;
个人状态统计单元,用于统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;
班级状态统计单元,用于计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
知识点筛选单元,用于从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
可选的,所述系统还包括课程目录单元,用于归纳所述目标课程的知识点,包括基础技能点、扩展提升点和项目实践必备思路。
可选的,所述系统还包括课程评分单元,用于学生对所述目标课程进行价值评分。
所述基于反刍比算法的学生在线学习状态评估系统与上述基于反刍比算法的学生在线学习状态评估方法相对于现有技术所具有的优势相同,在此不再赘述。
另一方面,本发明还提出一种计算机可读存储介质,以解决传统学生在线学习状态评估方法无法准确获取班级对本次课程视频关注度最高的知识点片段,导致教师对班级整体学习状态的掌握程度不够深入的问题。
本发明的技术方案是这样实现的: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程序,所述计算机程序被处理器读取并运行时,实现上述任一项所述的方法。
所述计算机可读存储介质与上述基于反刍比算法的学生在线学习状态评估方法相对于现有技术所具有的优势相同,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于反刍比算法的学生在线学习状态评估方法的流程图;
图2为本发明的步骤S20的流程图;
图3为本发明的基于反刍比算法的学生在线学习状态评估系统的结构框图。
附图标记说明:
10-相关数据准备单元;20-反刍比计算单元;30-个人状态统计单元;40-班级状态统计单元;50-知识点筛选单元。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
如图1所示,本发明的基于反刍比算法的学生在线学习状态评估方法包括:
步骤S10,获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
步骤S20,根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;
步骤S21,统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;
步骤S30,计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
步骤S40,从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
其中,步骤S20与步骤S21为并行步骤,所述目标课程即为需要分析学生关注度及班级关注度的对象。
步骤S10中,每个学生每观看目标课程视频一次,步骤S10即可获取一个单次时长。一般的,每个课程均会包括多个知识点,每个课程视频均包含多个知识点片段,对于目标课程视频而言,其包含的知识点片段个数均可为已知,每个知识点片段的起始时刻和结束时刻也已知,如某个目标课程视频的时间为0:00至60:00min,第一个知识点片段的时间为0:00-8:45,第二个知识点片段的时间为8:45-12:10等。
步骤S20中,反刍比指的是每个学生观看目标课程视频的时长与视频总时长之间的比值关系,反刍比越大,则说明学生对目标课程的关注度越高,或由于目标课程的难度高,或由于目标课程的重要性大,或学生对目标课程的兴趣大,反之反刍比越小,则说明学生对目标课程的关注度越低。反刍比也可看做是学生完整观看视频的次数。这里可获得每个学生对目标课程的关注程度,有利于教师深度掌握每个学生的学习状态。
步骤S21中,绝对次数为对单个学生而言,即每个知识点片段被每个学生观看的次数。步骤S21包括:获取每个所述知识点片段及每个所述单次时长的起始时刻和结束时刻;根据每个所述知识点片段及每个所述单次时长的起始时刻及结束时刻统计所述绝对次数。由上可统计出每个知识点片段被每个学生观看的次数。这里可获得整个目标课程视频中每个学生关注度最高的知识点片段,进入可获得每个学生关注度最高的知识点,关注度最高的原因或是兴趣最大、或是难度最大、或是重要性最大。这样有利于教师更加深入的掌握每个学生在线学习状态中的细节问题。
其中,若所述知识点片段的起始时刻或结束时刻落入所述单次时长的起始时刻至结束时刻之间的时间段之间则判定所述知识点片段在所述单次时长中出现。如单次时长的起始时刻至结束时刻为10:00至30:00min,知识点片段的起始时刻为12:00或结束时刻为28:00,均对绝对次数的计数加一。一般的,从知识学习的角度上应当是知识点片段的起始时刻及结束时刻均落入单次时长的起始时刻至结束时刻之间的时间段才可对绝对次数的计数加一,即单次时长的时间段内完整包括了知识点片段。但本实施例的计数法则从绝对次数的充分程度上避免了知识点片段观看次数的遗漏,保证了分析班级知识点片段关注度的数据样本的充分性,评估结果的可靠性更高。
步骤S30中,相对次数为对班级所有学生而言,即每个知识点片段被班级所有学生观看的相对次数。一般的,这里也可计算每个知识点片段被班级所有学生观看的绝对次数,可将每个知识点片段被每个学生观看的绝对次数直接求和。但上述方法可能出现:若所有学生均完整观看目标课程视频5次,每个学生对应的所有知识点片段的观看次数均为5次,班级所有学生对所有知识点片段的关注程度相同,此时考虑关注度最高没有意义;若学生A完整观看目标课程视频2次、未完整观看2次,观看第一个知识点片段的次数为4次,学生B仅完整观看目标课程视频5次,从而观看第一个知识点片段的次数也为5次,从第一个知识点片段的绝对次数而言,学生B对第一个知识点片段的关注度高于学生A,但从实际而言,由于学生A对目标课程视频的整体关注度不高,从而凸显出学生A对第一个知识点片段的关注度是明显高于学生B的。由此可见,将每个知识点片段被每个学生观看的绝对次数直接求和来评估班级所有学生对每个知识点片段的关注度是不准确的。本实施例中,反刍比也可看做是学生完整观看视频的次数,先计算每个学生对应的所有所述绝对次数与所述反刍比的差值,这样可剔除学生完整观看视频次数对知识点片段关注度评估的消极影响,然后对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数,这样计算出的每个学生对每个知识点片段的关注度准确性和可靠性更高,从而每个知识点片段被班级所有学生观看的相对次数的准确性和可靠性更高,这样本实施例可准确获取班级对本次课程视频关注度最高的知识点片段及其关注度,在对比多个不同目标课程视频中同一知识点片段的关注度中具有重要意义。
可选的,如图2所示,步骤S20包括:
步骤S201,获取每个学生对应的所有所述单次时长中的最大值;
步骤S202,若所述最大值不小于所述总时长,则计算每个学生对应的所有所述单次时长的总和,并计算所述总和与所述总时长的比值;
步骤S203,若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值。
其中,步骤S202中,所述最大值不小于所述总时长,代表学生至少一次完整观看过目标课程视频,所述总和与所述总时长的比值即为反刍比,计算公式为:
其中Rx为反刍比,x为学生观看目标课程视频的次数,n为单次时长,ni为学生第i次观看目标课程视频的的单次时长,T为所述总时长。由此可见,上述公式计算出的反刍比必定不小于1。
其中,步骤S203中,所述最大值小于所述总时长,代表学生从未完整观看目标课程视频,所述最大值与所述总时长的比值可认定为反刍比,计算公式如下:
由此可见,上述公式计算出的反刍比必定不大于1。本实施中,若所述最大值小于所述总时长,也可选择公式计算反刍比,若学生多次未完整观看目标课程视频,但可能出现计算得到的反刍比很大,由于学生从未完整观看过课程视频,根据反刍比评估学生对课程的关注度高是不合理的。本实施例选择若所述最大值小于所述总时长,通过步骤S203计算得到的反刍比必然较小,评估学生的课程关注度低,符合实际应用,可避免上述不合理情形,进一步提高评估关注度的准确性,评估结果最可靠。
此外,由上可知,步骤S203计算得到的反刍比也可看做是学生观看课程视频的进度,从而本实施例既可评估学生的关注度,也可得到学生的学习进度,得到学生两个方面的学习参数,有利于教师更全面的掌握学生的学习状态。
传统方法存在根据所述总和评估学生对课程的关注度,所述总和越大,关注度越高。但可能出现下述情形:目标课程A的视频总时长为20,目标课程B的视频总时长为10,学生两次完整观看目标课程A、三次完整观看目标课程B,从而得到学生观看目标课程A的总和为40、观看目标课程B的总和为30,学生对目标课程A的关注度大于目标课程B。这种评估方式计算的结果显然与实际情况相悖。本实施例中,考虑到了目标课程视频的总时长,以计算反刍比的方式评估课程关注度,得到学生对目标课程A的反刍比为2,目标课程B的反刍比为3,与实际情形吻合。与上述传统方法相比,本实施例的评估方式准确性高,有利于教师更加准确的掌握学生的学习状态。
传统方法还存在根据观看时长判断学生是否完整观看课程视频的方式获得学生对目标课程的关注度,即完整观看可认定为关注度高,未完整观看可认定为关注度低。但传统方法可能出现:多次完整观看与仅一次完整观看所评估出的关注度相同;多次未完整观看与仅一次未完整观看所评估出的关注度相同。上述方式显示是不合理的,评估学生的课程关注度的准确性低。本实施例的评估方式准确性高,有利于教师更加准确的掌握学生的学习状态。
可选的,步骤S203之后,所述方法还包括:
获取班级总人数及班级内特定学生数,所述特定学生为班级内所述最大值不小于所述总时长的学生;
计算所述特定学生数与所述总人数的比值。
其中特定学生数为完整观看过目标课程视频的学生总人数,步骤S4的计算公式为:
其中P为班级观看率,M为特定学生数,S为班级总人数。
由于步骤S203计算得到的反刍比也可看做是学生观看课程视频的进度,教师以此可评价学生的学习态度,若某一学生的进度慢,根据步骤S203评估的学生态度是较差的。但可能存在由于目标课程重要性低或难度低,班级大部分学生均未完整观看视频,目标课程未达到评价学习态度的标准,此时学生的观看进度这一数据无评价意义,无法作为评估学生学习态度的依据。本实施例中,步骤S4计算了班级内完整观看视频的比率,可通过这一比率判断目标课程的重要性或难度,再与教师设置的标准值比较,若班级观看率高于标准值则可认为目标课程重要性或难度达到了评价学习态度的标准,从而可认为步骤S203计算得到的学习进度可评价学生的学习态度。这样可保证根据步骤S203评价学生学习态度的准确性,降低评价学生学习态度的误差,进一步提高教师掌握学生学习状态的可靠性。
如图3所示,本实施例还提供一种基于反刍比算法的学生在线学习状态评估系统,包括:
相关数据准备单元10,用于获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
反刍比计算单元20,用于根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;
个人状态统计单元30,用于统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;
班级状态统计单元40,用于计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
知识点筛选单元50,用于从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
这样本实施例的学生在线学习状态评估系统可准确获取班级对本次课程视频关注度最高的知识点片段,有利于教师准确深入的掌握班级整体的学习状态,有利于教师根据关注度最高的知识点片段更好的调整教学节奏以提高教学质。
可选的,所述系统还包括课程目录单元,用于归纳所述目标课程的知识点,包括基础技能点、扩展提升点和项目实践必备思路。这样有利于学生了解学习该课程所有掌握的技能点以及各知识点之间的关系。
可选的,所述系统还包括课程评分单元,用于学生对所述目标课程进行价值评分。这样有利于学生评估出本课程在自身知识体系中的价值,以便学生合理分配学习时间。
本实施例还提出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程序,所述计算机程序被处理器读取并运行时,实现上述任一项所述的基于反刍比算法的学生在线学习状态评估方法。这样可准确获取班级对本次课程视频关注度最高的知识点片段,有利于教师准确深入的掌握班级整体的学习状态,有利于教师根据关注度最高的知识点片段更好的调整教学节奏以提高教学质。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于反刍比算法的学生在线学习状态评估方法,其特征在于,包括:
获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比,包括:获取每个学生对应的所有所述单次时长中的最大值;若所述最大值不小于所述总时长,则计算每个学生对应的所有所述单次时长的总和,并计算所述总和与所述总时长的比值;若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值;
计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
2.如权利要求1所述的基于反刍比算法的学生在线学习状态评估方法,其特征在于,若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值之后,所述方法还包括:
获取班级总人数及班级内特定学生数,所述特定学生为班级内所述最大值不小于所述总时长的学生;
计算所述特定学生数与所述总人数的比值。
3.如权利要求1所述的基于反刍比算法的学生在线学习状态评估方法,其特征在于,统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数,包括:
获取每个所述知识点片段及每个所述单次时长的起始时刻和结束时刻;
根据每个所述知识点片段及每个所述单次时长的起始时刻及结束时刻统计所述绝对次数。
4.如权利要求3所述的基于反刍比算法的学生在线学习状态评估方法,其特征在于,统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数中,若所述知识点片段的起始时刻或结束时刻落入所述单次时长的起始时刻至结束时刻之间的时间段则判定所述知识点片段在所述单次时长中出现。
5.一种基于反刍比算法的学生在线学习状态评估系统,其特征在于,包括:
相关数据准备单元(10),用于获取目标课程视频的总时长及每个学生每次观看所述目标课程视频的单次时长,将所述目标课程视频分为多个知识点片段;
反刍比计算单元(20),用于根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比;根据所述总时长及所述单次时长计算每个学生观看所述目标课程视频的反刍比,包括:获取每个学生对应的所有所述单次时长中的最大值;若所述最大值不小于所述总时长,则计算每个学生对应的所有所述单次时长的总和,并计算所述总和与所述总时长的比值;若所述最大值小于所述总时长,则计算所述最大值与所述总时长的比值;
个人状态统计单元(30),用于统计每个所述知识点片段在每个学生对应的所有所述单次时长中出现的绝对次数;
班级状态统计单元(40),用于计算每个学生对应的所有所述绝对次数与所述反刍比的差值,并对每个所述知识点片段对应的所有所述差值进行求和,以得到每个所述知识点片段在班级所有学生对应的所有所述单次时长中出现的相对次数;
知识点筛选单元(50),用于从所有所述知识点片段中筛选出所述相对次数最大的所述知识点片段。
6.如权利要求5所述的基于反刍比算法的学生在线学习状态评估系统,其特征在于,还包括课程目录单元,用于归纳所述目标课程的知识点,包括基础技能点、扩展提升点和项目实践必备思路。
7.如权利要求5所述的基于反刍比算法的学生在线学习状态评估系统,其特征在于,还包括课程评分单元,用于学生对所述目标课程进行价值评分。
8.一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程序,所述计算机程序被处理器读取并运行时,实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010399307.9A CN111598750B (zh) | 2020-05-12 | 2020-05-12 | 一种基于反刍比算法的学生在线学习状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010399307.9A CN111598750B (zh) | 2020-05-12 | 2020-05-12 | 一种基于反刍比算法的学生在线学习状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598750A CN111598750A (zh) | 2020-08-28 |
CN111598750B true CN111598750B (zh) | 2023-04-21 |
Family
ID=72191254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010399307.9A Active CN111598750B (zh) | 2020-05-12 | 2020-05-12 | 一种基于反刍比算法的学生在线学习状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598750B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507792B (zh) * | 2020-11-04 | 2024-01-23 | 华中师范大学 | 在线视频关键帧定位方法、定位系统、设备及存储介质 |
CN112329629B (zh) * | 2020-11-05 | 2023-11-14 | 平安科技(深圳)有限公司 | 在线培训的评价方法、装置、计算机设备和存储介质 |
CN114822112A (zh) * | 2022-04-18 | 2022-07-29 | 贵州师范学院 | 一种利用时事进行学生思想教育的智能教学系统 |
CN116259004B (zh) * | 2023-01-09 | 2023-08-15 | 盐城工学院 | 一种应用于在线教育的学生学习状态检测方法及系统 |
CN116541432B (zh) * | 2023-05-22 | 2023-10-17 | 杭州精英在线教育科技股份有限公司 | 一种基于教育机器人的在线课堂智能推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783915A (zh) * | 2010-03-19 | 2010-07-21 | 北京国双科技有限公司 | 一种实现视频量化的方法 |
CN105976287A (zh) * | 2016-07-11 | 2016-09-28 | 广东小天才科技有限公司 | 一种视频课程学习方法及系统 |
CN108122180A (zh) * | 2017-12-06 | 2018-06-05 | 华南师范大学 | 一种基于在线学习行为的自主学习投入度实时生成方法 |
CN109274994A (zh) * | 2018-12-03 | 2019-01-25 | 湖北美和易思教育科技有限公司 | 在线教育平台视频点播数据统计监控系统 |
CN109584656A (zh) * | 2018-12-03 | 2019-04-05 | 湖北美和易思教育科技有限公司 | 在线教育平台学习轨迹数据统计分析系统和方法 |
CN109725812A (zh) * | 2017-10-30 | 2019-05-07 | 北京芝麻派科技有限公司 | 一种应用于教学领域的视频交互系统及方法 |
CN110544414A (zh) * | 2019-07-31 | 2019-12-06 | 安徽淘云科技有限公司 | 知识图谱的处理方法和装置 |
-
2020
- 2020-05-12 CN CN202010399307.9A patent/CN111598750B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783915A (zh) * | 2010-03-19 | 2010-07-21 | 北京国双科技有限公司 | 一种实现视频量化的方法 |
CN105976287A (zh) * | 2016-07-11 | 2016-09-28 | 广东小天才科技有限公司 | 一种视频课程学习方法及系统 |
CN109725812A (zh) * | 2017-10-30 | 2019-05-07 | 北京芝麻派科技有限公司 | 一种应用于教学领域的视频交互系统及方法 |
CN108122180A (zh) * | 2017-12-06 | 2018-06-05 | 华南师范大学 | 一种基于在线学习行为的自主学习投入度实时生成方法 |
CN109274994A (zh) * | 2018-12-03 | 2019-01-25 | 湖北美和易思教育科技有限公司 | 在线教育平台视频点播数据统计监控系统 |
CN109584656A (zh) * | 2018-12-03 | 2019-04-05 | 湖北美和易思教育科技有限公司 | 在线教育平台学习轨迹数据统计分析系统和方法 |
CN110544414A (zh) * | 2019-07-31 | 2019-12-06 | 安徽淘云科技有限公司 | 知识图谱的处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111598750A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598750B (zh) | 一种基于反刍比算法的学生在线学习状态评估方法及系统 | |
CN110929020B (zh) | 基于测试成绩的知识点掌握度分析方法 | |
US10713965B2 (en) | Negative learning behavior alert system | |
CN112905784A (zh) | 基于学生画像的个性化试题推荐方法 | |
CN113379320A (zh) | 学习效果的评估方法、装置、设备及存储介质 | |
CN111522877A (zh) | 教育课程在线同步处理系统 | |
CN113361926A (zh) | 一种基于教学序列的教学质量评价方法 | |
CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
CN110991943B (zh) | 一种基于云计算的教学质量评价系统 | |
CN116629708A (zh) | 一种基于数据分析的专业模拟实训管理系统 | |
US20160063871A1 (en) | Online learning style automated diagnostic system, online learning style automated diagnostic method and non-transitory computer readable recording medium | |
CN115187437A (zh) | 一种基于大数据的高校教学质量的评价方法及系统 | |
KR102116434B1 (ko) | 학습자의 체감난이도 분석 정보 제공방법 | |
CN114943625A (zh) | 一种基于区块链技术的远程教育系统 | |
Sokele et al. | The impact of distance learning on student success for electrical engineering professional courses | |
Gruschke et al. | Assessing uncertainty of software development effort estimates: The learning from outcome feedback | |
CN115687630A (zh) | 一种课程学习报告的生成方法和装置 | |
CN105957408A (zh) | 一种学生课堂口头练习的测量方法及系统 | |
CN112000925A (zh) | 用户账号识别方法、装置、设备及介质 | |
CN114219460B (zh) | 一种基于人机交互的多媒体教学管理系统 | |
CN112200441B (zh) | 基于大数据的家长参与教学的方法和系统 | |
CN117972393A (zh) | 在线学习环境中的学习中断行为分析方法 | |
CN111784147B (zh) | 一种基于潜质挖掘的学习效果评价和促进方法 | |
CN115689321A (zh) | 一种专注力评估方法及装置 | |
CN116912051A (zh) | 基于区块链的痕迹数据追踪方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 01, 2 / F, building A14, phase 1.1, Wuhan National Geospatial Information Industrialization Base (New Area), no.6, Beidou Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant after: Wuhan Meihe Yisi Digital Technology Co.,Ltd. Address before: No.01-6, 1st floor, building 6, international enterprise center, special 1, Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant before: HUBEI MEIHE YISI EDUCATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |