CN112184040A - 基于行为与学习数据进行软件工程能力评估的平台 - Google Patents
基于行为与学习数据进行软件工程能力评估的平台 Download PDFInfo
- Publication number
- CN112184040A CN112184040A CN202011070307.0A CN202011070307A CN112184040A CN 112184040 A CN112184040 A CN 112184040A CN 202011070307 A CN202011070307 A CN 202011070307A CN 112184040 A CN112184040 A CN 112184040A
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- evaluation
- module
- capability
- 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
- 230000006399 behavior Effects 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 14
- 238000013079 data visualisation Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 230000008676 import Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 34
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于行为与学习数据进行软件工程能力评估的平台,包括:数据收集模块、数据库、数据分析模块、能力评价模块和数据可视化模块;数据收集模块用于收集用户的软件工程学习行为数据并存储在数据库中,作为原始数据;数据分析模块将原始数据处理为能力评价模块规定的统一规约格式数据,并存储在数据库中;能力评价模块将统一规约格式数据导入预先构建的能力评价模型,得到能力评估结果,并存储在数据库中;数据可视化模块根据用户需求从数据库中读取相应数据进行可视化展示。本发明能够基于学习行为数据分析出学生的学习进度特征,从而使学生本人了解自己的学习特征,让老师了解到不同学生的学习进度和特征,进而进行特征化的备课和教学。
Description
技术领域
本发明涉及软件工程与教育技术领域,具体涉及一种基于行为与学习数据进行软件工程能力评估的平台。
背景技术
在线教育是互联网技术与传统教育的结合,教学依托互联网,从根本上打破了空间与时间的限制,一定程度上提高了教学效率,使学习变得更加人性化、生活化。当前的课程网站都集中于课程学习以及课程管理,通过模拟线下教学各个环节,让每一个线上用户都能以同样的方式进行学习。
但在软件工程的教育中,传统的慕课不再能满足要求。软件工程的教育中,知识点众多且学生需要进行实践来掌握,目前已有的平台不具备细化到知识点来分析学生数据的能力,也不能够对学生的实践活动进行评估,从而根据学生的学习进度调整教师的教学方案。
发明内容
发明目的:为弥补现有技术的不足,本发明提出一种基于行为与学习数据进行软件工程能力评估的平台。能够基于学生在学习软件工程课程的过程中所产生的学习行为数据,分析出学生的学习进度特征,从而使学生本人了解自己的学习特征,让老师了解到不同学生的学习进度和特征,进而进行特征化的备课和教学。
技术方案:为实现上述技术效果,本发明提出一种基于行为与学习数据进行软件工程能力评估的平台,包括:数据收集模块、数据库、数据分析模块、能力评价模块和数据可视化模块;
数据收集模块用于收集用户的软件工程学习行为数据并存储在数据库中,作为原始数据;
数据分析模块将原始数据处理为能力评价模块规定的统一规约格式数据,并存储在数据库中;
能力评价模块将统一规约格式数据导入预先构建的能力评价模型,得到能力评估结果,并存储在数据库中;
数据可视化模块根据用户需求从数据库中读取相应数据进行可视化展示。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
可选的,所述软件工程学习行为数据包括:学习事件信息、题目训练数据、考试、文档评分数据、代码提交数据、身份信息。
可选的,所述可视化展示包括:原始数据可视化展示、统一规约格式数据可视化展示、能力评估结果可视化展示。
可选的,所述数据分析模块采用5W1H分析法分析原始数据,得到统一规约格式数据,所述统一规约格式数据中保留了事件的属性,所述属性包括:人物、时间、对象、操作、描述。
可选的,所述能力评价模型的构建方法为:
设置评价指标体系,包括设置一级指标并将每个一级指标进行多维度细分,对于细分后的每一项指标设计评分方式;所述一级指标包括:需求、设计、构造、测试、运维、人机交互,所述维度包括:基础、技术、过程、工具、质量;
采用模糊层次分析法计算出指标权重关系;然后以建立的指标体系为评价因素集、以计算出的指标权重关系为权重集,设置评语集,构建模糊综合评价模型,通过模糊综合评价模型可得到对用户数据的模糊评价结果。
可选的,所述能力评价模型中还引入了单维度聚类评级模型,即基于所述评价指标体系,采用K-means++算法计算出每个单维度指标在整体评价结果中的等级。
有益效果:与现有技术相比,本发明具有以下优势:
本发明提出的是一种软件工程教学/学习辅助平台,它通过构建独特的能力评价模型,能够在充分收集的学生学习行为数据的前提下,快速对收集到的数据进行分析,得到学生的学习进度特征,可以使学生本人了解自己的学习特征,从而调整自己的学习进度;可以让老师了解到不同学生的学习进度和特征,以便进行特征化的备课和教学。
附图说明
图1为实施例涉及的系统结构图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是,本发明可以以各种形式实施,以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例,并不意图将本发明限制于所说明的具体实施例。
应当理解的是,在技术上可行的情况下,以上针对不同实施例所列举的技术特征可以相互组合,从而形成本发明范围内的另外的实施例。此外,本发明所述的特定示例和实施例是非限制性的,并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
实施例:
图1示出了本发明的一种示例性的系统结构图,包括数据收集模块、数据库、数据分析模块、能力评价模块和数据可视化模块。其中数据库采用的是MySQL。数据收集模块用于收集用户的软件工程学习行为数据并存储在数据库中,作为原始数据;数据分析模块将原始数据处理为能力评价模块规定的统一规约格式数据,并存储在数据库中;能力评价模块将统一规约格式数据导入预先构建的能力评价模型,得到能力评估结果,并存储在数据库中;数据可视化模块根据用户需求从数据库中读取相应数据进行可视化展示。由于SEEC(Software Engineering Education Cloud)软件工程教育云已经提供了软件工程课程以及开发教学实践平台以及一套相关子系统,因此,本实施例中,引用SEEC平台作为数据采集对象。
本实施例中涉及的几项关键的技术分别是:能力评估指标的确定(涉及FAHP模糊层次分析法、冰山模型、5W1H分析法),K-means++聚类算法,持续集成工具Jenkins,代码质量分析工具Sonarqube。
1、FAHP模糊层次分析法
20世纪70年代著名运筹学家T.L Satty等人提出的层次分析法(AnalyticHierarchy Process)简称AHP。层次分析法是一种将定性与定量分析方法相结合的多目标决策分析方法。层次分析法通过将目标分解层多个准则、指标、方案等层次关系,并进行定性和定量的分析,从而获得决策结果。AHP的具体步骤为:(1)建立层次指标体系;(2)获取判断矩阵;(3)进行层次单排序;(4)层次总排序。其中判断矩阵是通过指标两两进行重要性对比获得的。而层次排序的过程是计算指标的权重关系。模糊层次分析法是在层次分析法的基础上,改进了传统层次分析法在指标过多时思维一致性难以保证的缺点。模糊层次分析法改良了层次分析法获取判断矩阵的方式。层次分析法使用确切数衡量元素之间的关系,而模糊层次分析法则是使用模糊数衡量元素之间关系。因此,模糊层次分析法采用模糊一致矩阵作为判断矩阵。
关于模糊一致矩阵的相关定义表述如下:
设矩阵R=(rij)n×n。
定义(1):满足0≤rij≤1,(i,j=1,2...,n),R为模糊矩阵。
定义(2):满足rij+rji=1,(i,j=1,2,...,n),R为模糊互补矩阵。
定义(3):模糊矩阵R满足rij=rik-rjk+0.5,R为模糊一致矩阵。
在获取到指标权重排序后,就可以利用模糊综合评价法进行最后的结果评估。模糊综合评价法需要选择适当的隶属函数和算子,将获取到的模糊评估矩阵和矩阵进行计算,最终得到模糊评估结果,进行指定方案的决策。
2、冰山模型
在进行软件工程能力评价中,除了确定评价指标以外,还需要我们建立一个能力评价模型。能力属于心理学范畴,通常指完成一定活动的技能和艺术,包括完成一定活动的具体方式以及顺利完成一定活动所需的心理特征。美国著名心理学家麦克利兰提出的″冰山模型″是目前较为著名的能力素质模型之一。如今企业招揽人才的方式也不完全是考察专业能力,同时还做了许多专业的素质测试,可见能力的评判标准不仅仅体现在知识和技能上。因此在进行软件工程能力评价模型的建立的时候,也参考“冰山模型”增加了用户行为信息的收集。冰山模型将被测试者的综合能力比喻为一座冰山。冰山之上的部分为现实生活中便于考察的外在表现,如基本知识、专业技能等。这些部分相对而言更加容易通过培训来改变和发展。冰山之下的部分往往代表了人的内在特性,这些内在特性是不容易测量的特征,且不易通过外在的影响而收到改变,如社会角色、自我认知、特质和动机。
3、5W1H分析法(数据分析模块)
为了考察学生冰山下的特质,系统需要在各个子系统中收集用户的行为信息。而为了让信息内容统一化,在收集的时候参考了5W1H分析法,将各类信息定义为行为事件信息,并定义了信息的属性标准。″5W1H″分析法是对选定的项目、工序或操作都要从原因(WHY)、对象(WHAT)、地点(WHERE)、时间(WHEN)、人员(WHO)、方法(HOW)等六个方面提出问题进行思考。这种简单直接的问话和思考办法,可使思考的内容深化、科学化。而面对系统中的事件信息收集,本文对5W1H进行了适应性修改,去掉了原因(WHY),保留了事件的五个属性:人物、时间、对象、操作、描述。
4、K-means++聚类算法
在对学生的单维度能力进行分析时,可以使用简单有效的K-means聚类算法进行等级评价,让学生了解到单方面能力在整体中的位置。K-means算法的好处在于简洁、高效率,其基本思想为:选取初始的聚类中心;计算剩下各点距离各个聚类中心的距离并划分到对应类中;重新计算各个类别的中心,并再次对每个点进行划分,直到聚类中心不再改变。
K-means虽然简单高效,但也存在着K值选择及初始中心选择合理性等问题。K-means++算法改良了K-means算法初始聚类中心选取的方式,改善了分类结果的最终误差。K-means++初始聚类中心的选取基本思想是,初始中心之间的距离尽可能远。初始聚类中心的选取步骤为:
(1)随机选定一个样本作为第一个聚类中心;
(2)计算每一个样本距离已有聚类中心的最短距离,并计算每个样本被选为下一个聚类中心的概率。采用轮盘法的方式选择下一个聚类中心;
(3)重复(2)中步骤,直到选择完K个聚类中心。
5、Jenkins
Jenkins是一个开源的、提供友好操作界面的持续集成(CI)工具,起源于Hudson,主要用于持续、自动的构建/测试软件项目、监控外部任务的运行。Jenkins用Java语言编写,可在Tomcat等流行的servlet容器中运行,也可独立运行。通常与版本管理工具(SCM)、构建工具结合使用。常用的版本控制工具有SVN、GIT,构建工具有Maven、Ant、Gradle。除了利用到持续集成交付以外,在Jenkins的Pipeline中还可以增添Sonarqube的质量检查步骤,后续可以通过Sonarqube提供的web API来查询检查结果并进行二次分析利用。
6、Sonarqube
随着IT行业中软件产品的推陈出新,客户对于软件产品的要求也越来越高,因此如何高质量的交付软件代码,及时、持续地对代码质量进行分析并给出合理的解决方案就成为了当下必须要解决的一个问题。SonarQube是一个开源平台,用于管理源代码的质量。SonarQube不只是一个质量数据报告工具,更是代码质量管理平台。它支持Java,C#,C/C++,PL/SQL,Cobol,JavaScript,Groovy等等二十几种编程语言的代码质量管理与检测。在目前的企业开发中,越来越多地借助SonarQube进行代码的质量检查,帮助开发者及时发现代码缺陷,改善代码质量,提高开发速度。SonarQube支持插件的形式,也可以用B/S的模式放到服务器上生成分析报告。SonarQube提供了web API进行代码分析结果的查询,可将结果进行二次利用。
7、能力评估模型的构建与能力评估
根据AHP层次分析法的思想,参考软件工程教育领域对于软件工程专业课程体系的研究,将软件工程能力衡量标准分为六个方面:需求、设计、构造、测试、运维、人机交互,并对每一个指标维度细分第二级学习衡量标准:基础、技术、过程、工具、质量,形成如下软件工程能力评价指标表。
基础 | 技术 | 过程 | 工具 | 质量 | |
需求 | |||||
设计 | |||||
构造 | |||||
测试 | |||||
运维 | |||||
人机交互 |
针对每个一级指标维度下的二级指标,设计了对应了评分方式,如下表所示。
接下来进行指标权重的计算。指标权重的计算运用了模糊层次分析法,首先需要建立指标的优先关系矩阵。平台采用了两两进行重要性判断的方式,以及下表所示的0.1~0.9的数量标度,构建起指标之间的优先关系矩阵。
构建起优先关系矩阵,即前述的模糊互补矩阵。由于二级指标相对一级指标采用了相同的属性度量,因此总共生成了两个优先关系矩阵。
一级指标优先关系矩阵
二级指标优先关系矩阵
A<sub>i1</sub> | A<sub>i2</sub> | A<sub>i3</sub> | A<sub>i4</sub> | A<sub>i5</sub> | p<sub>i</sub> | |
A<sub>i1</sub> | 0.5 | 0.7 | 0.8 | 0.8 | 0.8 | 3.6 |
A<sub>i2</sub> | 0.3 | 0.5 | 0.7 | 0.6 | 0.7 | 2.8 |
A<sub>i3</sub> | 0.2 | 0.3 | 0.5 | 0.4 | 0.5 | 1.9 |
A<sub>i4</sub> | 0.2 | 0.4 | 0.6 | 0.5 | 0.6 | 2.3 |
A<sub>i5</sub> | 0.2 | 0.3 | 0.5 | 0.4 | 0.5 | 1.9 |
根据前述公式计算模糊一致性矩阵,用于后续指标权重的计算,得到模糊一致性矩阵如下。
一级指标模糊一致性矩阵
二级指标模糊一致性矩阵
应用以下权重计算公式计算权重:
在计算出各个指标的权重之后,根据模糊综合评价法,还需要构建出模糊评价矩阵。模糊综合评估的过程需要明确评价因素集,评语集以及指标权重集。
其中评价因素集已经在上面进行了描述,包括一级指标集{需求,设计,构造,测试,运维,人机交互},和一级指标集中每一项对应一个二级指标集{基础,技术,过程,工具,质量}。
评语集主要是对软件工程能力评估结果的描述。本平台将软件工程能力分为了五个等级,分别为A、B、C、D、E。考虑到指标的评分分值范围以及后续的计算方便,确定了五个等级的数值区间,为[1,0.8],(0.8,0.6],(0.6,0.4],(0.4,0.2],(0.2,0]。
模糊评价矩阵的构建需要衡量评价因素集合中每个指标对于评语集中各个等级的影响,这也叫做因素的元素对于评语集元素的隶属度。我们可以构建出模糊评价矩阵U={uij}nxm,其中n为因素集中指标元素个数,m为评语集中评价等级个数。隶属函数的定义如下所示:
其中,xi是评估对象第i个评价指标的取值。
在获取到因素集和评语集之间的模糊关系(即模糊评价矩阵U)后,需要选取一个合适的模糊合成算子,将前面获得的指标权重矢量与模糊关系矩阵合成,从而得到评价对象的模糊综合评价矢量。我们选取了加权求和的模糊算子,最终获得模糊综合评估模型B=wU=(b1,b2,...,bn)。在计算最终评估结果Q时,需要对bi进行归一化处理,得到Q的计算公式为:
其中,n为评语集元素个数。Q就是学生最终软件工程能力评估结果。
实验结果
由于数据分析子系统的各个模块相互支持,面向用户的用例主要集中在信息的修改、任务创建以及学习分析视图的查看。因此在测试不同模块的时候采用了不同的方式。
本次实验中,数据收集过程中采用了拉和推两种方式。在测试通过OpenFeign进行数据拉取的方法中,主要使用到了Junit测试,检验获取结果是否符合预期。而测试通过OpenFeign获取其他子系统上报数据收集(即由其它子系统推送数据)的方法中,主要使用Postman工具调用系统接口,查看数据是否上报成功并进入数据库进行持久化。通过表1可知,数据收集模块的方法通过了所有测试,可以正常进行数据收集。
表1外部数据收集测试用例表
除了其他系统中产生的数据,还有一部分数据是从本系统中产生的。一个是学习任务事件数据,另一个是学生身份数据。如表2所示,学生任务板块功能和信息板块功能工作正常。
表2内部数据收集测试用例表
数据分析模块中产生的结果不能完全可见,一部分用于系统的可视化展示,而一部分用于能力评价模块中评估模型的建立和能力评估。在测试分析模块、能力评价模块以及可视化模块的时候,主要验证的是整体功能,即能力视图显示、能力评估报告显示。通过表3可知,数据分析模块、能力评价模块、数据可视化模块通过了所有测试。
表3数据交互部分测试用例表
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于行为与学习数据进行软件工程能力评估的平台,其特征在于,包括:数据收集模块、数据库、数据分析模块、能力评价模块和数据可视化模块;
数据收集模块用于收集用户的软件工程学习行为数据并存储在数据库中,作为原始数据;
数据分析模块将原始数据处理为能力评价模块规定的统一规约格式数据,并存储在数据库中;
能力评价模块将统一规约格式数据导入预先构建的能力评价模型,得到能力评估结果,并存储在数据库中;
数据可视化模块根据用户需求从数据库中读取相应数据进行可视化展示。
2.根据权利要求1所述的基于行为与学习数据进行软件工程能力评估的平台,其特征在于,所述软件工程学习行为数据包括:学习事件信息、题目训练数据、考试、文档评分数据、代码提交数据、身份信息。
3.根据权利要求1所述的基于行为与学习数据进行软件工程能力评估的平台,其特征在于,所述可视化展示包括:原始数据可视化展示、统一规约格式数据可视化展示、能力评估结果可视化展示。
4.根据权利要求1所述的基于行为与学习数据进行软件工程能力评估的平台,其特征在于,所述数据分析模块采用5W1H分析法分析原始数据,得到统一规约格式数据,所述统一规约格式数据中保留了事件的属性,所述属性包括:人物、时间、对象、操作、描述。
5.根据权利要求1所述的基于行为与学习数据进行软件工程能力评估的平台,其特征在于,所述能力评价模型的构建方法为:
设置评价指标体系,包括设置一级指标并将每个一级指标进行多维度细分,对于细分后的每一项指标设计评分方式;所述一级指标包括:需求、设计、构造、测试、运维、人机交互,所述维度包括:基础、技术、过程、工具、质量;
采用模糊层次分析法计算出指标权重关系;然后以建立的指标体系为评价因素集、以计算出的指标权重关系为权重集,设置评语集,构建模糊综合评价模型,通过模糊综合评价模型可得到对用户数据的模糊评价结果。
6.根据权利要求1所述的基于行为与学习数据进行软件工程能力评估的平台,其特征在于,所述能力评价模型中还引入了单维度聚类评级模型,即基于所述评价指标体系,采用K-means++算法计算出每个单维度指标在整体评价结果中的等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070307.0A CN112184040A (zh) | 2020-09-30 | 2020-09-30 | 基于行为与学习数据进行软件工程能力评估的平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011070307.0A CN112184040A (zh) | 2020-09-30 | 2020-09-30 | 基于行为与学习数据进行软件工程能力评估的平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112184040A true CN112184040A (zh) | 2021-01-05 |
Family
ID=73948569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011070307.0A Pending CN112184040A (zh) | 2020-09-30 | 2020-09-30 | 基于行为与学习数据进行软件工程能力评估的平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184040A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065737A (zh) * | 2021-02-04 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于DevOps的效能度量方法和系统 |
-
2020
- 2020-09-30 CN CN202011070307.0A patent/CN112184040A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065737A (zh) * | 2021-02-04 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于DevOps的效能度量方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Magruk | Innovative classification of technology foresight methods | |
Tunas Bangsa Pematangsiantar | Comparison of weighted sum model and multi attribute decision making weighted product methods in selecting the best elementary school in Indonesia | |
Chou et al. | Open student models of core competencies at the curriculum level: Using learning analytics for student reflection | |
Nuankaew | Dropout situation of business computer students, University of Phayao | |
CN111626372B (zh) | 一种线上教学监督管理方法及系统 | |
CN109522962B (zh) | 一种化工厂安全定量评估方法 | |
CN109345101A (zh) | 基于综合评价分析法的教育质量评价分析方法 | |
Manohar et al. | Utilizing big data analytics to improve education | |
Peng | Research on online learning behavior analysis model in big data environment | |
Kour et al. | Analysis of student performance using Machine learning Algorithms | |
Aji et al. | An implementation of C4. 5 classification algorithm to analyze student’s performance | |
CN112184040A (zh) | 基于行为与学习数据进行软件工程能力评估的平台 | |
CN117313947A (zh) | 一种基于随机森林和金枪鱼群优化算法的学习预警方法 | |
Zheng et al. | A personalized programming exercise recommendation algorithm based on knowledge structure tree | |
CN113592311B (zh) | 用于复杂人机系统选择人因方法的方法 | |
Sghir et al. | Using learning analytics to improve students' enrollments in higher education | |
Rujuan et al. | Research on e-learning behavior evaluation of students based on three-way decisions classification algorithm | |
Tan et al. | Predicting dropout from online education based on neural networks | |
Gorin et al. | Test design with higher order cognition in mind | |
Chugh et al. | A Comprehensive Study on the Association Between Personality Traits and Software Development | |
Lv | Student Behavior Analysis System Based on Kmeans Algorithm Under the Background of Smart Campus | |
CN109345104A (zh) | 一种用户能力提升方法、系统及存储介质 | |
Fan et al. | Research on auto-generating test-paper model based on spatial-temporal clustering analysis | |
KR100531432B1 (ko) | 기억과 이해능력의 input 지수와, 논리와 평가능력의 output 지수를 고려한 심층적 영재 판별과영재성 패턴 분석 및 영재 지수화 방법 | |
Pathan et al. | Identifying Metacognitive Processes Using Trace Data in an Open-Ended Problem-Solving Learning Environment |
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 |