CN111738285A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111738285A CN111738285A CN201911199976.5A CN201911199976A CN111738285A CN 111738285 A CN111738285 A CN 111738285A CN 201911199976 A CN201911199976 A CN 201911199976A CN 111738285 A CN111738285 A CN 111738285A
- Authority
- CN
- China
- Prior art keywords
- student
- learning efficiency
- individual
- students
- learning
- 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
- 238000011156 evaluation Methods 0.000 title claims description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种对学生进行学习效率评价和学习效率提升优化的方法,该方法利用CHPI模型对各个信息系统收集学生数据进行分段处理,通过聚类分析方法最大化各个数据点间的相似程度对学生数据进行特征聚类,将聚类后的学生数据基于学生的投入产出指标对学生学习效率进行分层,计算分层内所有学生个体的吸引力,最终确定学生数据的榜样集合,针对性的给出学习效率的优化方法。本发明的有益效果是:由于采用上述技术方案,本发明的方法能针对学生提供个性化、高价值辅助决策信息,提升高校教育质量;以及使学校和老师合理准确地了解分析学生的状态并提供具有针对性的指导及做出合理决策,使整个教学效果大大提高。
Description
技术领域
本发明涉及教育学领域,尤其涉及一种是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。
背景技术
“百年大计,教育为本”,然而对比于在教育方面的巨大投入, 当前我国很多学校的教学质量和教学效率都不尽如人意,尽管很多学 校采取了问卷调查等方式收集了学生对于教学过程的意见并着力改 进,但是效果并不明显。因为学生是校园主体,而学生又是独立的个 体,每个学生的学习状态、学习习惯都千差万别,虽然进入大数据时 代后,学生的很多信息都可以通过信息系统查询得到,然而对数据的 利用效率较低,学校和老师很难合理准确地了解分析学生的状态并提 供具有针对性的指导及做出合理决策,使整个教学效果大打折扣。
发明内容
本发明公开了一种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,以解决现有技术的上述以及其他潜在问题中任一问题。
为实现以上目的,本发明采取以下技术方案:一种对学生进行学 习效率评价和学习效率提升优化的评价方法,该方法利用CHPI模型 对各个信息系统收集的学生数据进行分段处理,通过聚类分析方法最 大化各个数据点间的相似程度对学生数据进行特征聚类,将聚类后的 学生数据基于学生的投入产出指标对学生学习效率进行分层,计算分 层内所有学生个体的吸引力,最终确定学生数据的榜样集合,针对性 的给出学习效率的优化方法。
进一步,所述评价方法的具体步骤为:
S1)从各个信息系统收集学生数据,对收集到的学生数据进行特 征提取;
S2)利用聚类分析对S1)处理后学生数据进行特征聚类;
S3)基于学生个体的学习效率的投入产出数据对学生个体的学习 效率进行分层;
S4)计算分层后每个学生个体对下层所有学生个体的吸引力;
S5)确定数据的榜样集合,针对性的给出学习效率的优化方法。
进一步,所述S1)具体实现步骤为:
S1.1)首先,对采集的学生数据进行特征提取;
S1.2)通过异常值筛选的方法去掉对分类产生影响的异常的极端 学生数据;
S1.3)采用最大最小归一化方法对经过S1.2)处理后的学生数 据分别进行归一化处理,并采用主成分分析法对所有归一化处理后学 生数据进行降维处理。
进一步,所述S2)的具体步骤为:
S2.1)设有n个学生个体DMUj,n的取值范围为大于0的正整数, 每个学生个体DMUj0都有m个不同的投入指标和s个不同的产出指标, m和s的取值范围为大于0的正整数,学生个体的学习效率为学生的 学习产出加权和与投入加权和之比,根据以下公式(1)求出学生个 体的学习效率Ej0,公式如下:
式中:Ej0为第j0个学生个体的学习效率;和分别为每个学 生个体DMUj0在第i个投入指标上的投入量和在第r个产出指标上的产 出量,xij和yrj分别为学生个体DMUj在第i个投入指标上的投入量和在 第r个产出指标上的产出量;ur,vi分别代表第i个投入指标和第r个 产出指标的权重;
还可以在模型(2)的基础上引进阿基米德无穷小量ε,模型(2) 如下:
uγ≥0 γ=1,…s;
vi≥0 i=1,…m;
(2),
并将(2)转化为对偶形式可以得到模型(3):
其中阿基米德无穷小量ε是小于任何正实数;松弛变量和是 分别表示学习效率较低的学生个体为了达到有效所需要的改变的投 入量和产出量;表示当产出水平保持不变时,学生个体DMUj,的 投入能够减少的程度,所以模型(3)称为投入导向的模型。我们的 目标就是对于每个学生个体DMUj0,都要找到不同的最优解使得θj能 够达到最小值其中λj为每个学生个体前的系数。也就是意味着 对于学生个体DMUj来说,这些点组成一个虚拟的参考点 也就是当等于1时,学习效率为有 效,其中和均为0时,为强有效,否则为弱有效。
进一步,所述S3的具体步骤为:
所述S3)的具体步骤为:
S3.1)设Sl为去掉前l-1层的学生个体后其余学生个体的集合,l 为分层数,l的取值范围为大于0的正整数,令l=1,则得到 S1={DMUj,j=1,…n},通过学习效率测算,得到学习有效的学生个体 集合E1;
S3.2)根据S3.1)得到S1和E1,Sl+1求解公式为:Sl+1=Sl-El;
S3.3)通过计算Sl+1内所有学生个体的学习效率,得到新的一层有 效集合El+1;
S3.4)令l=l+1,计算下一层的有效集合,直到Sl+1为空时停止。
进一步,所述S3.1)中的效率测算通过以下公式(6)求出,公式 如下:
j∈F(Sl) (6),
式中:j∈F(Sl)表示DMUj∈Sl,为当产出量保持不变时,每 个学生个体DMUj0的投入能够减少的程度,λj为每个学生个体前的系 数,和为松弛变量,分别为学习效率较低的学生个体为了达到 有效所需要的改变的投入量和产出量。
进一步,所述S)3的具体步骤还可以为:
首先,记第j0个学生个体为DMUj(j=1,…n),记 S1={DMUj,j=1,Ln}为去掉前l-1层的学生个体后其余学生个体的集 合,通过学习效率测算后,学习效率有效的学生个体集合记为E1, 剩余学习效率较低的学生个体的集合为S2=S1-E1;依次类推可以定 义Sl+1=Sl-El。
其次,根据以下公式(5)
其中j∈F(Sl)表示DMUj∈Sl,当l=1时,E1表示第一层学习有效 的学生个体集合,当l=2时,E2表示所有学生集合去掉所有第一层 学习有效的学生个体后有效的学生集合,即为第二层学习有效的学生 集合。依次类推,称El为第l层有效学生集合。将所有的学生个体按 照学习效率的分成若干层。
进一步,所述S4)具体方法为:
S4.3)排序后,在与待提升学习效率学生个体处于同一类别的所 有学生个体中,从底层逐渐向上在每一层内选择吸引力最大的学 生个体组成一条提升学习效率的学习路径,通过雷达图对比路径上各 个学生个体的学习情况,从而给出学习效率的优化方法。
一种实现上述的对学生进行学习效率评价和学习效率提升优化 的评价方法的计算机程序。
一种实现上述的对学生进行学习效率评价和学习效率提升优化 的评价方法的信息处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时, 使得计算机执行上述的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。
本发明的有益效果是:由于采用上述技术方案,本发明的方法能 针对学生提供个性化、实现可行的高价值辅助决策信息,是学生能够 逐步提高自己的学习效率,从而提升高校教育质量。
附图说明
图1为本发明对学生进行学习效率评价和学习效率提升优化的评 价方法的逻辑框图。
图2为本发明中CHPI模型分层聚类叠加示意图。
图3为本发明方法的实施例中113号同学学习效率提升路径图。
图4为本发明方法的实施例中113号与50号学习情况对比图。
具体实施方式
本发明提供一种基于聚类方法和数据包络分析方法的CHPI模型, 使之能针对学生提供个性化、高价值辅助决策信息,提升高校教育质 量,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本 发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以 解释本发明,并不用于限定本发明。
如图1所示,本发明一种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,该方法利用CHPI模型对各个信息系统收集的学 生数据进行分段处理,通过聚类分析方法最大化各个数据点间的相似 程度对学生数据进行特征聚类,将聚类后的学生数据基于学生的投入 产出指标对学生学习效率进行分层,计算分层内所有学生个体的吸引 力,最终确定学生数据的榜样集合,针对性的给出学习效率的优化方 法。
进一步,所述评价方法的具体步骤为:
S1)从各个信息系统收集学生数据,对收集到的学生数据进行特 征提取;
S2)利用聚类分析对S1)处理后学生数据进行特征聚类;
S3)基于学生个体的学习效率的投入产出数据对学生个体的学习 效率进行分层;
S4)计算分层后每个学生个体对下层所有学生个体的吸引力;
S5)确定数据的榜样集合,针对性的给出学习效率的优化方法。
进一步,所述S1)具体实现步骤为:
S1.1)首先,对采集的学生数据进行特征提取;
S1.2)通过异常值筛选的方法去掉对分类产生影响的异常的极端 学生数据;
S1.3)采用最大最小归一化方法对经过S1.2)处理后的学生数 据分别进行归一化处理,并采用主成分分析法对所有归一化处理后学 生数据进行降维处理。
进一步,所述S2)的具体步骤为:
S2.1)设有n个学生个体DMUj,n的取值范围为大于0的正整数, 每个学生个体DMUj0都有m个不同的投入指标和s个不同的产出指标, m和s的取值范围为大于0的正整数,学生个体的学习效率为学生的 学习产出加权和与投入加权和之比,根据以下公式(1)求出学生个 体的学习效率公式如下:
式中:为第j0个学生个体的学习效率;和分别为每个学 生个体DMUj0在第i个投入指标上的投入量和在第r个产出指标上的产 出量,xij和yrj分别为学生个体DMUj在第i个投入指标上的投入量和在 第r个产出指标上的产出量;ur,vi分别代表第i个投入指标和第r个 产出指标的权重;
还可以在模型(2)的基础上引进阿基米德无穷小量ε,模型(2) 如下:
uγ≥0 r=1,…s;
vi≥0 i=1,…m;
(2),
并将(2)转化为对偶形式可以得到模型(3):
其中阿基米德无穷小量ε是小于任何正实数;松弛变量和是 分别表示学习效率较低的学生个体为了达到有效所需要的改变的投 入量和产出量;表示当产出水平保持不变时,学生个体DMUj,的 投入能够减少的程度,所以模型(3)称为投入导向的模型。我们的 目标就是对于每个学生个体DMUj0,都要找到不同的最优解使得θj能 够达到最小值其中λj为每个学生个体前的系数。也就是意味着 对于学生个体DMUj来说,这些点组成一个虚拟的参考点 也就是当等于1时,学习效率为有 效,其中和均为0时,为强有效,否则为弱有效。
进一步,所述S3的具体步骤为:
所述S3)的具体步骤为:
S3.1)设Sl为去掉前l-1层的学生个体后其余学生个体的集合,l 为分层数,l的取值范围为大于0的正整数,令l=1,则得到 S1={DMUj,j=1,…n},通过学习效率测算,得到学习有效的学生个体 集合E1;
S3.2)根据S3.1)得到S1和E1,Sl+1求解公式为:Sl+1=Sl-El;
S3.3)通过计算Sl+1内所有学生个体的学习效率,得到新的一层有 效集合El+1;
S3.4)令l=l+1,计算下一层的有效集合,直到Sl+1为空时停止。
进一步,所述S3.1)中的效率测算通过以下公式(6)求出,公式 如下:
j∈F(Sl) (6),
式中:j∈F(Sl)表示DMUj∈Sl,为当产出量保持不变时,每 个学生个体DMUj0的投入能够减少的程度,λj为每个学生个体前的系 数,和为松弛变量,分别为学习效率较低的学生个体为了达到 有效所需要的改变的投入量和产出量。
进一步,所述S)3的具体步骤还可以为:
首先,记第j0个学生个体为DMUj(j=1,…n),记 S1={DMUj,j=1,…n}为去掉前l-1层的学生个体后其余学生个体的集 合,通过学习效率测算后,学习效率有效的学生个体集合记为E1, 剩余学习效率较低的学生个体的集合为S2=S1-E1;依次类推可以定 义Sl+1=Sl-El。
其次,根据以下公式(5)
其中j∈F(Sl)表示DMUj∈Sl,当l=1时,E1表示第一层学习有效 的学生个体集合,当l=2时,E2表示所有学生集合去掉所有第一层 学习有效的学生个体后有效的学生集合,即为第二层学习有效的学生 集合。依次类推,称El为第l层有效学生集合。将所有的学生个体按 照学习效率的分成若干层。
进一步,所述S4)具体方法为:
j∈F(El+1),j0∈F(El) (7),
S4.3)排序后,在与待提升学习效率学生个体处于同一类别的所 有学生个体中,从底层逐渐向上在每一层内选择吸引力最大的学 生个体组成一条提升学习效率的学习路径,通过雷达图对比路径上各 个学生个体的学习情况,从而给出学习效率的优化方法。
一种实现上述的对学生进行学习效率评价和学习效率提升优化 的评价方法的计算机程序。
一种实现上述的对学生进行学习效率评价和学习效率提升优化 的评价方法的信息处理终端。
一种计算机可读存储介质,包括指令,当其在计算机上运行时, 使得计算机执行上述的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。
所述学生数据来源于对学生的调查问卷、平时的测试成绩,出勤 率、小测成绩、课后练习时间等。
实施例:
1)收集到来自北京科技大学课堂调查问卷以及期末英语成绩数 据,学生的英语平均分为72.22,优秀率为32.60%。调查问卷中涉及 学生英语喜欢程度、课后复习努力程度、前一天休息程度、每天背单 词时间、出国意向等14个问题。共收回528份有效问卷;某些学生 虽然学习成绩低,但是因为学习时间等投入太少所以效率高。这类学 生不能作为其他同学的榜样进行参考。为了避免低分高效无法参考的 情况,在进行数据量化后仅选取高分段的132名同学进行分析。
2)通过聚类分析对学生按照入学成绩对英语的喜爱程度、背单词 时间、练习听力时间占比等投入特征进行聚类,如图2所示;
3)基于学生的投入产出数据对学生的学习效率进行分层;
4)计算不同学生个体的吸引力等度量指标;
步骤2)步骤3)步骤4)的结果见表1,
5)将分层和聚类结果进行结合,得到结果见表1。确定学习效率 较低学生的榜样集合,针对性的给出学习效率的渐进提升路径。
以113号A同学为例,应当依次选择第三类内每层吸引力最大的 50号、57号、56号、7号、1号同学为榜样,提升路径如图3所示。 A同学应先参考50号同学的学习情况进行自身调整,之后再参考9 号同学的情况进行调整,依次类推。
如图4所示本发明仅以50号同学作为榜样进行解释分析。
从雷达图可以看出113号虽然课后复习比较努力,临场发挥也比 较好,但是考前休息程度、阅读努力程度听力练习程度都不如50号 同学。所以想提高学习效率,建议113号同学考前注意休息,同时提 高阅读和听力练习在英语学习中所占比例。
本文虽然已经给出了本发明的最优实施例,但是本领域的技术人 员应当理解,在不脱离本发明精神的情况下,可以对本文的实施例进 行改变。上述实施例只是示例性的,不应以本文的实施例作为本发明 权利范围的限定。
表1为每个学生的吸引力数据;
Claims (10)
1.一种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,其特征在于,该方法利用CHPI模型对各个信息系统收集的学生数据进行分段处理,通过聚类分析方法最大化各个数据点间的相似程度对学生数据进行特征聚类,将聚类后的学生数据基于学生的投入产出指标对学生学习效率进行分层,计算分层内所有学生个体的吸引力,最终确定学生数据的榜样集合,针对性的给出学习效率的优化方法。
2.根据权利要求1所述的评价方法,其特征在于,所述评价方法的具体步骤为:
S1)从各个信息系统收集学生数据,对收集到的学生数据进行特征提取;
S2)利用聚类分析对S1)处理后学生数据进行特征聚类;
S3)基于学生个体的学习效率的投入产出数据对学生个体的学习效率进行分层;
S4)计算分层后每个学生个体对下层所有学生个体的吸引力;
S5)确定数据的榜样集合,针对性的给出学习效率的优化方法。
3.根据权利要求2所述的评价方法,其特征在于,所述S1)具体实现步骤为:
S1.1)首先,对采集的学生数据进行特征提取;
S1.2)通过异常值筛选的方法去掉对分类产生影响的异常的极端学生数据;
S1.3)采用最大最小归一化方法对经过S1.2)处理后的学生数据分别进行归一化处理,并采用主成分分析法对所有归一化处理后学生数据进行降维处理。
4.根据权利要求2所述的评价方法,其特征在于,所述S2)的具体步骤为:
S2.1)设有n个学生个体DMUj,n的取值范围为大于0的正整数,每个学生个体DMUj0都有m个不同的投入指标和s个不同的产出指标,m和s的取值范围为大于0的正整数,学生个体的学习效率为学生的学习产出加权和与投入加权和之比,根据以下公式(1)求出学生个体的学习效率公式如下:
式中:为第j0个学生个体的学习效率;和分别为学生个体DMUj0在第i个投入指标上的投入量和在第r个产出指标上的产出量,xij和yrj分别为学生个体DMUj在第i个投入指标上的投入量和在第r个产出指标上的产出量;ur,vi分别代表第i个投入指标和第r个产出指标的权重;
5.根据权利要求4所述的评价方法,其特征在于,所述S3)的具体步骤为:
S3.1)设Sl为去掉前l-1层的学生个体后其余学生个体的集合,l为分层数,l的取值范围为大于0的正整数,令l=1,则得到S1={DMUj,j=1,…n},通过学习效率测算,得到学习有效的学生个体集合E1;
S3.2)根据S3.1)得到S1和E1,Sl+1求解公式为:Sl+1=Sl-El;
S3.3)通过计算Sl+1内所有学生个体的学习效率,得到新的一层有效集合El+1;
S3.4)令l=l+1,计算下一层的有效集合,直到Sl+1为空时停止。
8.一种实现如权利要求1-7任一项所述的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的计算机程序。
9.一种实现如权利要求1-7任一项所述的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的信息处理终端。
10.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-7任意一项所述的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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199976.5A CN111738285A (zh) | 2019-11-29 | 2019-11-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911199976.5A CN111738285A (zh) | 2019-11-29 | 2019-11-29 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738285A true CN111738285A (zh) | 2020-10-02 |
Family
ID=72645940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911199976.5A Pending CN111738285A (zh) | 2019-11-29 | 2019-11-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738285A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
CN116451836A (zh) * | 2023-03-07 | 2023-07-18 | 长沙理工大学 | 艺术设计能力培养信息管理方法及其系统 |
-
2019
- 2019-11-29 CN CN201911199976.5A patent/CN111738285A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116451836A (zh) * | 2023-03-07 | 2023-07-18 | 长沙理工大学 | 艺术设计能力培养信息管理方法及其系统 |
CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
CN116109456B (zh) * | 2023-04-03 | 2023-07-28 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
CN109086799A (zh) | 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法 | |
CN111027865A (zh) | 一种基于行为和表情智能识别的课堂教学分析与质量评估系统及方法 | |
CN111709575A (zh) | 基于c-lstm的学业成绩预测方法 | |
CN109800309A (zh) | 课堂话语类型分类方法及装置 | |
Alipourfard et al. | Using Simpson’s paradox to discover interesting patterns in behavioral data | |
CN112784031B (zh) | 一种基于小样本学习的客服对话文本的分类方法和系统 | |
CN113869569A (zh) | 一种基于决策树的学习成绩预测及个性化干预的方法 | |
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 | |
CN110620958A (zh) | 一种视频课程质量评估方法 | |
CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
CN112667776A (zh) | 一种智能教学评估与分析方法 | |
CN111861038A (zh) | 一种基于机器学习算法的高考分数预测方法及系统 | |
CN117952796B (zh) | 一种基于数据分析的阅读教学质量评估方法及系统 | |
CN112100341B (zh) | 一种用于快速表达力测试的智能化题目分类及推荐方法 | |
CN111191027B (zh) | 一种基于高斯混合分布vae的广义零样本识别方法 | |
CN117079504B (zh) | 一种大数据精准教学批阅系统的错题数据管理方法 | |
CN118197515A (zh) | 一种青少年肥胖风险预警的方法、系统及设备 | |
CN118505457A (zh) | 一种基于改进随机森林算法的学习预警方法 | |
CN117852550A (zh) | 一种电子化考试组卷方法、介质及系统 | |
CN115438152B (zh) | 一种基于多神经网络与知识图谱的简答题评分方法及系统 | |
CN111104455A (zh) | 多源多维的学校教学横向信息差异比对分析方法 | |
CN117592832A (zh) | 一种基于机器视觉和单值中智集的高校课堂教学质量综合评价方法 | |
CN116011856A (zh) | 基于情感分析的在线课程质量评价系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201002 |