CN111861207A - 一种基于大数据的评估学习能力是否提高的方法 - Google Patents
一种基于大数据的评估学习能力是否提高的方法 Download PDFInfo
- Publication number
- CN111861207A CN111861207A CN202010700168.9A CN202010700168A CN111861207A CN 111861207 A CN111861207 A CN 111861207A CN 202010700168 A CN202010700168 A CN 202010700168A CN 111861207 A CN111861207 A CN 111861207A
- Authority
- CN
- China
- Prior art keywords
- score
- learner
- question
- difficulty
- group
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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—Systems or methods specially adapted for 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Technology (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于大数据的评估学习能力是否提高的方法,包括以下步骤:建立样本试题数据库,计算样本试题数据库中每道题的难度系数、划分难度区间,建立标准试卷模型;分别计算测量日期前,具体时间段内学习者与学习者所在集体共同做过的样本试题中对应各个难度区间内的试题的基础得分率;系统命制一份实测试卷,统计在实测试卷中各个难度区间内的每道试题的分值M1~Mn、总分值M;计算学习者对于实测试卷的预估得分率;根据所做的实测试卷,计算学习者的实测得分率,并计算所述实测得分率与学习者的预估得分率的第一差值;计算的第一差值大于零,则说明学习者的学习成绩有提高。本发明可准确的判断学生的学习成绩是否有进步,误差较小。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种基于大数据的评估学习能力是否提高的方法。
背景技术
现有技术中,一般是通过多次考试成绩之间的分数差或名次差来评估学生各科成绩是否有提高,然而采用这个评估方法具有以下问题:1、每次考试试卷的总体难度不同,导致不能简单地用分数来描述学习状况的变化。比如,前一次考试平均分为55分,甲得了60分;后一次考试平均分为68分,甲得了65分,显然,不能认为前一次的60分比后一次的65分差;2、由于试卷的结构不同(如题型结构、知识结构、能力结构、难度结构等),导致即使是两次考试的平均分相同,也不能简单地用分数或名次来描述学习状况的变化。比如,两次考试,前一次难题和容易题少,而中等难度试题较多,后一次难题和容易题都较多,而中等难度题较少,导致两次考试的平均分相同。某位学习者,两次考试中的难题和中等题都做得好,但容易题丢分多,所以前一次分数高、后一次分数低。显然,并不能通过两次分数或名次的变化,来简单地判断他的成绩在下滑;3、由于对知识的熟练性不同,导致不同学习阶段的分数或名次不能真实反映学习状况。比如,甲经过额外培训后,成绩一下子提高了10个名次,于是有人就认为“培训很有效果”,实际上,由于此时甲经过了一段时间的学习,对这些知识已经“很熟练”,而其他人初次学习,因此比较生疏,随着其他人熟练程度的提高,甲的优势就会逐渐消失,名次也逐渐回到了原来的位置。因此,现有技术中的评估方法不准确,无法准确评判学生的成绩是否上升或下降,导致无法准确的评估学生每个阶段的学习情况,误差较大。
因此,现有技术存在缺陷,需要改进。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于大数据的评估学习能力是否提高的方法,解决现有技术中,评估学生学习成绩是否有提高的评估方法的误差较大,评估不准确的问题。
本发明的技术方案如下:一种基于大数据的评估学习能力是否提高的方法,包括以下步骤:
S1:建立样本试题数据库,并计算样本试题数据库中每道题的难度系数,并根据所计算出的每道题的难度系数的数据划分若干个难度区间。
S2:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,每种题型中对应有不同试题属性的题目,且根据所述试题属性确认每种题型的题量、分值或分值比。
S3:分别计算测量日期前,具体时间段内学习者与学习者所在集体共同做过的样本试题中对应各个难度区间内的试题的基础得分率或基础分数。
所述学习者的基础得分率X=(a1+a2+…+an)/(A1+A2+…+An)×100%;
a1、a2、an分别表示学习者在同难度区间内所做的试题1、试题2、试题n的所得分数,A1、A2、An分别表示学习者在同难度区间内所做的试题1、试题2、试题n的分值。
所述学习者所在集体的基础得分率Y=(X1+X2+…+Xn)/n;
X1、X2、Xn分别表示学习者所在集体中各个学习者在同一难度区间的基础得分率,n为所述学习者所在集体中学习者的总数。
S4:人工或系统自动命制一份实测试卷,并根据所述试题数据库中的若干所述难度区间,统计在实测试卷中处于步骤S1中所述难度区间内的每道试题的分值M1~Mn、实测试卷的总分值M;所述实测试卷的题型、试题属性、题量、分值或分值比与标准试卷模型的题型、试题属性、题量、分值或分值比完全一致;
所述总分值M=M1+M2+…+Mn;
M1、M2、Mn分别为难度区间1、难度区间2、难度区间n内所对应的试题的分值。
S5:根据S3计算的基础得分率,计算每个学习者做实测试卷的预估分数或预估得分率,并计算学习者所在集体的预估平均分或预估平均得分率。
所述学习者的预估分数=X1M1+X2M2+X3M3+…+XnMn。
所述学习者所在集体的预估平均分=Y1M1+Y2M2+Y3M3+…+YnMn。
所述学习者预估得分率=(X1M1+X2M2+X3M3+…+XnMn)/M。
所述学习者所在集体的预估平均得分率=(Y1M1+Y2M2+Y3M3+…+YnMn)/M。
S6:学习者、学习者所在群体做S4中的实测试卷,并根据所做的实测试卷,分别计算每个学习者的实测分数或实测得分率、学习者所在集体的实测平均分或实测平均得分率,并计算所述实测分数与学习者的预估分数或计算所述实测得分率与学习者的预估得分率的第一差值,计算所述实测平均分与所述学习者所在群体的预估平均分或实测平均得分率与学习者所在群体的预估平均得分率的第二差值;
所述实测得分率=实测分数/实测试卷的卷面总分值。
所述实测平均分=学习者所在群体中所有学习者的实测分数之和/学习者所在群体的总人数。
所述实测平均得分率=学习者所在群体中所有学习者的实测得分率之和/学习者所在群体的总人数。
S7:若S6中计算的第一差值大于零,则说明学习者的学习成绩有提高;若第二差值大于零,则说明学习者所在群体的平均学习成绩有提高,且第一差值越大,说明学习者的学习成绩提高越多,第二差值越大,说明学习者所在群体的平均学习成绩提高的越多。
建立一个样本试题数据库,并且根据难度系数=该题目的平均得分/该题目的分值的计算公式计算出样本试题数据库中每道题目的难度系数,并根据计算出的难度系数的数据划分若干难度区间,难度区间的划分个数可根据实际情况进行确定,从样本试题数据库中挑选试题,制作标准试题模型,根据科目的不同,标准试题模型的题型会发生相应变化,每种题型对应有不同试题属性的题目,以确保标准试题模型中包含不同知识层面、难度等的题目,确定每种题型的题量,每种题型的分值或分值比,从而完成样本试题模型的制作,在制作完样本试题模型后,统计计算在测试日前具体时间段内,学习者和学习者所在集体所做过的样本题目中对应于各个难度区间内的试题的基础得分率或基础分数或基础名次百分比,并且根据样本试题模型中题型、试题属性、题量、分值或分值比的要求制作一份实测试卷,用于测试学生学习是否有提高,并统计在实测试卷中各个难度区间内的试题的分值,根据所计算出的基础得分率或基础分数或基础名次百分比,计算出学习者做该实测试卷时的预估分数、预估得分率,计算学习者所在集体做该实测试卷时的预估平均分、预估平均得分率,同时让学习者、学习者所在集体做该实测试卷,计算出实际分数、实际得分率,根据实测分数与预估分数或实测得分率与预估得分率的第一差值判断学习者学习是否有进步,若第一差值大于零即实际分数或实际得分率高于预估的结果,则证明学生的学习有进步,由于实测试卷是根据标准试题模型的要求进行制作的,因此通过预估分数与实际分数或预估得分率与实际得分率的差距,可准确的判断学生的学习成绩是否有进步,误差较小;同时可根据第二差值的大小,判断学习者所在群体的平均学习成绩是否有提高,可反映学习者所在群体最近的学习是否有效,以方便老师、家长调整学生的学习方法、教育或教学方法,提高训练的有效性。
进一步地,所述步骤S2为:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,且所述标准试卷模型整张试卷的标准平均得分率的值为55%~80%,每种题型中对应有不同试题属性的题目,且根据所述试题属性、标准平均得分率确认每种题型的题量、分值或分值比;
所述标准平均得分率=(题目1的分值×题目1的难度系数+题目2的分值×题目2的难度系数+…+题目n的分值×题目n的难度系数)/标准试卷模型的卷面总分值;
其中,题目1、题目2、…、题目n为标准试卷模型中的试题,题目1的难度系数、题目2的难度系数、…、题目n的难度系数的数据可从步骤S1中获得。
标准试卷模型的平均得分率的值可根据每科考试实际要求进行调整,在制作标准试题模型时,根据平均得分率的要求选择不同试题属性的题目,以保证标准试卷模型的平均得分率。
进一步地,所述步骤S3进一步包括以下步骤:
S31:确定具体时间段的起点时间与终点时间。
S32:根据S1中样本试题数据库中划分的若干所述难度区间,将学习者与学习者所在群体在S31中确定的时间段内所做的样本试题中的题目根据题目对应的难度系数归属于不同的难度区间内。
S33:根据S32,计算学习者、学习者所在群体在各个难度区间的基础得分率或基础分数。确定具体时间段,终点时间应在做此次统计计算之前,具体时间段的时间长度可以为1个月、两个月、半年等,具体时间段的选择根据实际情况而定,将学习者、学习者所在群体在起点时间到终点时间内所做的样本题目中的试题根据试题对应的难度系数归属于不同的难度区间,并计算学习者、学习者所在集体在各个难度区间内的基础得分率或基础分数,学生在具体时间段内所做的样本试题中的试题均来源于样本试题数据库中的试题。
进一步地,所述学习者所在群体为班级或年级。
进一步地,所述标准试卷模型的标准平均得分率的值为60%~80%。
进一步地,所述试题属性包括:难度系数和/或知识点和/或思维方法。
进一步地,所述步骤S7还包括:若S6中计算的第一差值小于或等于零,则学习者的学习成绩提高程度不明显;若S6中计算的第二差值小于或等于零,则说明学习者所在集体的平均学习成绩提高程度不明显。若第一差值或第二差值小于或等于零,说明存在误差,误差的原因可能是标准试题模型和实测试卷不完全一致,导致误差的产生,另一方面,是由于学习者由于自身原因正常实力未发挥出来而导致的误差,同时也表明学习者或学习者所在群体内的学习者的学习成绩没有明显提高,需要调整学习方法,老师需要调整教学及训练方法,家长需要调整辅导方法,使得学习者后期的学习更加具有针对性。
进一步地,所述步骤S1中,根据所计算出的每道题的难度系数的数据,从0到1之间将各个难度系数的数据划分为若二十个难度区间。
采用上述方案,本发明提供一种基于大数据的评估学习能力是否提高的方法,具有以下有益效果:
1、可准确评估学习者、学习者所在集体的学习成绩是否有提高,以此反应对学习者的辅导、训练的效果,有益于辅导者(家长、老师)不断优化辅导方法;
2、可通过学习者的评估结果,评估课外辅导机构对学习者成绩的提高程度,减少家长选择辅导机构时的盲目性;
3、可通过学习者所在集体的评估结果,评估教师的教学方法、试题训练是否有效,以便调整教学方法、训练方法,使得教学更加具有针对性;
4、可通过所计算的学习者、学习者所在群体的基础得分率、预估平均分等数据,对学习者在不同难度区间内的试题进行针对训练,提高训练的有效性。
附图说明
图1为本发明的流程框图。
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明。
请参照图1,本发明提供一种基于大数据的评估学习能力是否提高的方法,包括以下步骤:
S1:建立样本试题数据库,并计算样本试题数据库中每道题的难度系数,并根据所计算出的每道题的难度系数的数据从0~1范围内划分为20个难度区间。
S2:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,每种题型中对应有不同试题属性的题目,且根据所述试题属性确认每种题型的题量、分值比。
在本实施例中,所述试题属性包括试题难度系数、知识点和思维方法,所述标准试题模型为数学试题,所述标准试题模型的题型、题量、分值比如表1所示:
题型 | 题量 | 分值比 |
选择题 | 12 | 40% |
填空题 | 4 | 12% |
解答题 | 6 | 48% |
S3:分别计算测量日期前两个月内学习者与学习者所在集体共同做过的样本试题中对应各个难度区间内的试题的基础得分率。具体地,在本实施例中,所述学习者所在群体为班级。
所述学习者的基础得分率X=(a1+a2+…+an)/(A1+A2+…+An)×100%;
a1、a2、an分别表示学习者在同难度区间内所做的试题1、试题2、试题n的所得分数,A1、A2、An分别表示学习者在同难度区间内所做的试题1、试题2、试题n的分值。
所述学习者所在集体的基础得分率Y=(X1+X2+…+Xn)/n;
X1、X2、Xn分别表示学习者所在集体中各个学习者在同一难度区间的基础得分率,n为所述学习者所在集体中学习者的总数。
S4:人工或系统自动命制一份实测试卷,并根据所述试题数据库中的若干所述难度区间,统计在实测试卷中处于步骤S1中所述难度区间内的每道试题的分值M1~M20、实测试卷的总分值M;所述实测试卷的题型、试题属性、题量、分值或分值比与标准试卷模型的题型、试题属性、题量、分值比完全一致;
所述总分值M=M1+M2+…+M20;
M1、M2、M20分别为难度区间1、难度区间2、难度区间n内所对应的试题的分值。
S5:根据S3计算的基础得分率,计算每个学习者做实测试卷的预估得分率,并计算学习者所在集体的预估平均得分率。
所述学习者预估得分率=(X1M1+X2M2+X3M3+…+XnM20)/M。
所述学习者所在集体的预估平均得分率=(Y1M1+Y2M2+Y3M3+…+Y20M20)/M。
S6:学习者、学习者所在群体做S4中的实测试卷,并根据所做的实测试卷,计算每个学习者的实测得分率、学习者所在集体的实测平均得分率,并计算所述实测得分率与学习者的预估得分率的第一差值,计算所述实测平均得分率与学习者所在群体的预估平均得分率的第二差值。
所述实测得分率=实测分数/实测试卷的卷面总分值。
所述实测平均得分率=学习者所在群体中所有学习者的实测得分率之和/学习者所在群体的总人数。
S7:若S6中计算的第一差值大于零,则说明学习者的学习成绩有提高;若第二差值大于零,则说明学习者所在群体的平均学习成绩有提高,且第一差值越大,说明学习者的学习成绩提高越多,第二差值,越大,说明学习者所在群体的平均学习成绩提高的越多。
建立一个样本试题数据库,并且根据难度系数=该题目的平均得分/该题目的分值的计算公式计算出样本试题数据库中每道题目的难度系数,并根据计算出的难度系数的数据划分20个难度区间,从样本试题数据库中挑选试题,制作标准试题模型,在本实施例中,所述标准试题模型为数学试题的标准试题模型,题型包括选择题、填空题、解答题,所述试题属性包括难度系数、知识点和思维方法,从而确保标准试题模型中包含不同知识层面、难度等的题目,确定每种题型的题量,每种题型的分值比,从而完成样本试题模型的制作,在制作完样本试题模型后,统计计算在测试日前两个月内,学习者和学习者所在集体所做过的样本题目中对应于各个难度区间内的试题的基础得分率,并且根据样本试题模型中题型、试题属性、题量、分值或分值比的要求制作一份实测试卷,用于测试学生学习是否有提高,并统计在实测试卷中各个难度区间内的试题的分值,根据所计算出的基础得分率,计算出学习者做该实测试卷时的预估得分率,计算学习者所在集体做该实测试卷时的预估平均得分率,同时让学习者、学习者所在集体做该实测试卷,计算出实际得分率,根据实测得分率与预估得分率的第一差值判断学习者学习是否有进步,若第一差值大于零即实际得分率高于预估的结果,则证明学生的学习有进步,由于实测试卷是根据标准试题模型的要求进行制作的,因此通过预估得分率与实际得分率的差距,可准确的判断学生的学习成绩是否有进步,误差较小;同时可根据第二差值的大小,判断学习者所在群体的平均学习成绩是否有提高,可反映学习者所在群体最近的学习是否有效,以方便老师、家长调整学生的学习方法、教育或教学方法,提高训练的有效性。
所述步骤S2为:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,且所述标准试卷模型整张试卷的的标准平均得分率的值为55%~80%,每种题型中对应有不同试题属性的题目,且根据所述试题属性、标准平均得分率确认每种题型的题量、分值比;
所述标准平均得分率=(题目1的分值×题目1的难度系数+题目2的分值×题目2的难度系数+…+题目n的分值×题目n的难度系数)/标准试卷模型的卷面总分值;
其中,题目1、题目2、…、题目n为标准试卷模型中的试题,题目1的难度系数、题目2的难度系数、…、题目n的难度系数的数据可从步骤S1中获得。标准试卷模型的平均得分率的值可根据每科考试实际要求进行调整,具体地,在本实施例中,标准试题的平均得分率的值为65%,在制作标准试题模型时,根据平均得分率的要求选择不同试题属性的题目,以保证标准试卷模型的平均得分率。
所述步骤S3进一步包括以下步骤:
S31:确定具体时间段的起点时间与终点时间,在本实施例中,具体时间段的时间长度为两个月,起点时间为测量日期前两个月对应的日期,终点时间为测量日期前一天。
S32:根据S1中样本试题数据库中划分的若干所述难度区间,将学习者与学习者所在群体在S31中确定的时间段内所做的样本试题中的题目根据题目对应的难度系数归属于不同的难度区间内。
S33:根据S32,计算学习者、学习者所在群体在各个难度区间的基础得分率。将学习者、学习者所在群体在起点时间到终点时间内所做的样本题目中的试题根据试题对应的难度系数归属于不同的难度区间,并计算学习者、学习者所在集体在各个难度区间内的基础得分率,学生在具体时间段内所做的样本试题中的试题均来源于样本试题数据库中的试题。
所述步骤S7还包括:若S6中计算的第一差值小于或等于零,则学习者的学习成绩提高程度不明显;若S6中计算的第二差值小于或等于零,则说明学习者所在集体的平均学习成绩提高程度不明显。若第一差值或第二差值小于或等于零,说明存在误差,误差的原因可能是标准试题模型和实测试卷不完全一致,导致误差的产生,另一方面,是由于学习者由于自身原因正常实力未发挥出来而导致的误差,同时也表明学习者或学习者所在群体内的学习者的学习成绩没有明显提高,需要调整学习方法,老师需要调整教学及训练方法,家长需要调整辅导方法,使得学习者后期的学习更加具有针对性。
综上所述,本发明提供一种基于大数据的评估学习能力是否提高的方法,具有以下有益效果:
1、可准确评估学习者、学习者所在集体的学习成绩是否有提高,以此反应对学习者的辅导、训练的效果,有益于辅导者(家长、老师)不断优化辅导方法;
2、可通过学习者的评估结果,评估课外辅导机构对学习者成绩的提高程度,减少家长选择辅导机构时的盲目性;
3、可通过学习者所在集体的评估结果,评估教师的教学方法、试题训练是否有效,以便调整教学方法、训练方法,使得教学更加具有针对性;
4、可通过所计算的学习者、学习者所在群体的基础得分率、预估平均分等数据,对学习者在不同难度区间内的试题进行针对训练,提高训练的有效性。
以上仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于大数据的评估学习能力是否提高的方法,其特征在于,包括以下步骤:
S1:建立样本试题数据库,并计算样本试题数据库中每道题的难度系数,并根据所计算出的每道题的难度系数的数据划分若干个难度区间;
S2:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,每种题型中对应有不同试题属性的题目,且根据所述试题属性确认每种题型的题量、分值或分值比;
S3:分别计算测量日期前,具体时间段内学习者与学习者所在集体共同做过的样本试题中对应各个难度区间内的试题的基础得分率或基础分数;
所述学习者的基础得分率X=(a1+a2+…+an)/(A1+A2+…+An)×100%;
(a1、a2、an分别表示学习者在同难度区间内所做的试题1、试题2、试题n的所得分数,A1、A2、An分别表示学习者在同难度区间内所做的试题1、试题2、试题n的分值;)
所述学习者所在集体的基础得分率Y=(X1+X2+…+Xn)/n
(X1、X2、Xn分别表示学习者所在集体中各个学习者在同一难度区间的基础得分率,n为所述学习者所在集体中学习者的总数;)
S4:人工或系统自动命制一份实测试卷,并根据所述试题数据库中的若干所述难度区间,统计在实测试卷中处于步骤S1中所述难度区间内的每道试题的分值M1~Mn、实测试卷的总分值M;
所述实测试卷的题型、试题属性、题量、分值或分值比与标准试卷模型的题型、试题属性、题量、分值或分值比完全一致;
所述总分值M=M1+M2+…+Mn;
(M1、M2、Mn分别为难度区间1、难度区间2、难度区间n内所对应的试题的分值;)
S5:根据S3计算的基础得分率,计算每个学习者做实测试卷的预估分数或预估得分率,并计算学习者所在集体的预估平均分或预估平均得分率;
所述学习者的预估分数=X1M1+X2M2+X3M3+…+XnMn;
所述学习者所在集体的预估平均分=Y1M1+Y2M2+Y3M3+…+YnMn;
所述学习者预估得分率=(X1M1+X2M2+X3M3+…+XnMn)/M;
所述学习者所在集体的预估平均得分率=(Y1M1+Y2M2+Y3M3+…+YnMn)/M;
S6:学习者、学习者所在群体做S4中的实测试卷,并根据所做的实测试卷,计算每个学习者的实测分数或实测得分率、学习者所在集体的实测平均分或实测平均得分率,并计算所述实测分数与学习者的预估分数或计算所述实测得分率与学习者的预估得分率的第一差值,计算所述实测平均分与所述学习者所在群体的预估平均分或实测平均得分率与学习者所在群体的预估平均得分率的第二差值;
所述实测得分率=实测分数/实测试卷的卷面总分值;
所述实测平均分=学习者所在群体中所有学习者的实测分数之和/学习者所在群体的总人数;
所述实测平均得分率=学习者所在群体中所有学习者的实测得分率之和/学习者所在群体的总人数;
S7:若S6中计算的第一差值大于零,则说明学习者的学习成绩有提高;
若第二差值大于零,则说明学习者所在群体的平均学习成绩有提高,
且第一差值越大,说明学习者的学习成绩提高越多,第二差值越大,
说明学习者所在群体的平均学习成绩提高的越多。
2.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述步骤S2为:根据S1中的样本试题数据库,建立标准试卷模型,所述标准试卷模型中的试题包括不同的题型,且所述标准试卷模型整张试卷的标准平均得分率的值为55%~80%,每种题型中对应有不同试题属性的题目,且根据所述试题属性、标准平均得分率确认每种题型的题量、分值或分值比;
所述标准平均得分率=(题目1的分值×题目1的难度系数+题目2的分值×题目2的难度系数+…+题目n的分值×题目n的难度系数)/标准试卷模型的卷面总分值;
其中,题目1、题目2、…、题目n为标准试卷模型中的试题,题目1的难度系数、题目2的难度系数、…、题目n的难度系数的数据可从步骤S1中获得。
3.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述步骤S3进一步包括以下步骤:
S31:确定具体时间段的起点时间与终点时间;
S32:根据S1中样本试题数据库中划分的若干所述难度区间,将学习者与学习者所述在群体在S31中确定的时间段内所做的样本试题中的题目根据题目对应的难度系数归属于不同的难度区间内;
S33:根据S32,计算学习者、学习者所在群体在各个难度区间的基础得分率或基础分数。
4.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述学习者所在群体为班级或年级。
5.根据权利要求2所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述标准试卷模型的标准平均得分率的值为60%~80%。
6.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述试题属性包括:难度系数和/或知识点和/或思维方法。
7.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述步骤S7还包括:若S6中计算的第一差值小于或等于零,则学习者的学习成绩提高程度不明显;若S6中计算的第二差值小于或等于零,则说明学习者所在集体的平均学习成绩提高程度不明显。
8.根据权利要求1所述的一种基于大数据的评估学习能力是否提高的方法,其特征在于,所述步骤S1中,根据所计算出的每道题的难度系数的数据,从0到1之间将各个难度系数的数据划分为二十个难度区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700168.9A CN111861207A (zh) | 2020-07-20 | 2020-07-20 | 一种基于大数据的评估学习能力是否提高的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010700168.9A CN111861207A (zh) | 2020-07-20 | 2020-07-20 | 一种基于大数据的评估学习能力是否提高的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111861207A true CN111861207A (zh) | 2020-10-30 |
Family
ID=73001597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010700168.9A Pending CN111861207A (zh) | 2020-07-20 | 2020-07-20 | 一种基于大数据的评估学习能力是否提高的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861207A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199507A (zh) * | 2020-12-09 | 2021-01-08 | 中国人民解放军国防科技大学 | 一种用于在线学习平台的用户学习能力评估方法和装置 |
CN112785039A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
-
2020
- 2020-07-20 CN CN202010700168.9A patent/CN111861207A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199507A (zh) * | 2020-12-09 | 2021-01-08 | 中国人民解放军国防科技大学 | 一种用于在线学习平台的用户学习能力评估方法和装置 |
CN112785039A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
CN112785039B (zh) * | 2020-12-31 | 2023-12-01 | 科大讯飞股份有限公司 | 一种试题作答得分率的预测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koretz | A measured approach | |
Weiss | Better data from better measurements using computerized adaptive testing | |
De Champlain | A primer on classical test theory and item response theory for assessments in medical education | |
Prais | Cautions on OECD's recent educational survey (PISA) | |
Sinclair et al. | Motivations to teach: Psychometric perspectives across the first semester of teacher education | |
Bichi et al. | Item Response Theory: An Introduction to Latent Trait Models to Test and Item Development. | |
Borko et al. | Factors contributing to teachers' judgments about students and decisions about grouping students for reading instruction | |
CN111861207A (zh) | 一种基于大数据的评估学习能力是否提高的方法 | |
Foegen | Progress monitoring in middle school mathematics: options and issues | |
Fox | Applications of multilevel IRT modeling | |
Ahmad et al. | An improved course assessment measurement for analyzing learning outcomes performance using Rasch model | |
Frey et al. | Construction of psychometrically sound written university exams | |
Allal | Quantitative and qualitative components of teachers' evaluation strategies | |
Annisavitri et al. | Analysis of mathematical literacy test as a problem-solving ability assessment of junior high school students | |
Utaberta et al. | Reconstructing a framework for criteria-based assessment and grading in architecture design studio | |
Al-Hoorie | Evolution of L2 motivation in higher education | |
Torgerson | The measurement and prediction of teaching ability | |
CN112907086A (zh) | 一种大学课堂教学质量评测方法 | |
Das | Do “child-friendly” practices affect learning? Evidence from Rural India | |
Al-zboon et al. | The Effect of the Percentage of Missing Data on Estimating the Standard Error of the Items' Parameters and the Test Information Function According to the Three-Parameter Logistic Model in the Item Response Theory. | |
Gao | The exploration of the relationship between guessing and latent ability in IRT models | |
Papanastasiou | Can non-responses speak louder than words? Examining patterns of item non-response in TIMSS 2015 | |
Ataei et al. | Identifying potential misfit items in cognitive process of learning engineering mathematics based on Rasch model | |
Marchant | Assessing the validity of multiple-choice questions, using them to undertake comparative analysis on student cohort performance, and evaluating the methodologies used | |
Saad et al. | Designing a reference based test in statistics for students of the Faculty of Physical Education, Sadat City University, using the logarithmic model of the modern theory of measurement |
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 |