CN112365177A - 一种基于vr的汽车维修实训的评价方法 - Google Patents
一种基于vr的汽车维修实训的评价方法 Download PDFInfo
- Publication number
- CN112365177A CN112365177A CN202011309523.6A CN202011309523A CN112365177A CN 112365177 A CN112365177 A CN 112365177A CN 202011309523 A CN202011309523 A CN 202011309523A CN 112365177 A CN112365177 A CN 112365177A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- maintenance
- index
- data
- training
- 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 abstract description 115
- 238000012423 maintenance Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008451 emotion Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000638 stimulation 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于VR的汽车维修实训的评价方法,属于维修虚拟实训技术领域。它包括以下步骤:S1:构建基于VR的汽车维修实训的评价指标体系;S2:确定评价分值的范围;S3:利用系统数据及指标权重得出各评价准则的计算公式;S4:利用综合评价法计算各准则及指标的权重;S5:构建综合评价模型;S6:无监督自动化计算学生的综合评价结果;S7:依据综合评价值评定维修实训等级。本发明通过利用虚拟实训环境中学生的操作过程数据结合专家评价指标,确定影响维修实训效果的各方面评价指标及评分标准,使用主客观综合评价法实现指标权重计算的迭代优化,结合维修实训过程数据实现学习效果自动评价,实现对学生全方位多层级的评价。
Description
技术领域
本发明属于维修虚拟实训技术领域,具体涉及一种基于VR的汽车维修实训的评价方法。
背景技术
人工智能技术的发展对汽车维修实训人员的素质和技能水平、汽车维修的操作技能提出要求,加强汽车维修人员的技能培训,使之适应维修实训体系。VR技术应用于汽车装备产品制造与维护检修领域效果甚佳,其运用三维模型行为跟踪等技术和场景虚实融合显示设备工具,突破场景、时间以及空间的限制,实现感官刺激的多样化,同时利用技术营造的增强性及再现性特性引导学生对在理解学习的基础上进行批判性学习,实现深度学习。此外,VR技术的证据性特征将对学生的维修实训进程进行实时跟踪,结合反馈和评价,能有效提高学习效率和效果。
基于VR的汽车维修实训系统的学习目标是实现学习者的有效学习和深度学习,如何评价学生使用虚拟系统的学习效果成为系统应用的重要因素。因此,本发明对评价具体方法及如何实现进行分析归纳,目前在汽车维修虚拟实训系统中的评价方法主要有:
(1)主观指标评价:基于专家或评定者的经验或偏好,根据各维度指标的重要程度进行赋权和计算,该方法实现简单但对教师经验等主观性要求依赖性较大,操作过程中存在诸多因素导致评价不准确,同时并未结合学生实训中的客观数据进行多元化评价;
(2)客观对比评价:利用学生对设备具体的维修流程中操作步骤与标准操作数据进行比对评价,该方法易于教师进行操作。但要求与教师制定的标准操作一致性较高,难以囊括所有可能存在的正确操作解决方案,且忽略学生在操作过程中产生的选择或尝试操作等细节数据,评价不够全面。
综上述,传统的评估方法浪费了大量人力财力、资源利用率较低、评价效率低且效果不够科学,忽略了过程证据导向的综合评价。过程证据导向的综合评价不仅依赖于结果输出,更依赖于过程数据。当学生进行一项学习任务时,系统捕捉学生操作的选择类型、顺序和次数等过程性数据比传统单一操作正误更能精准全面对学生进行评价。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提供一种基于VR的汽车维修实训的综合评价方法,解决现有维修评价中未能挖掘学生的行为数据、效率低、资源利用不足、评价方法主观且依赖性较强的问题。
本发明提供如下技术方案:一种基于VR的汽车维修实训的评价方法,其特征在于:包括以下步骤:
S1:解析汽车维修实训的学习目的,结合沉浸式虚拟现实学习的特征,构建基于VR的汽车维修实训的评价指标体系;
S2:在基于VR的汽车维修实训系统中,通过获取评价指标对应的维修数据,将二级指标所对应的表征数据变量转化为统一的整数型数据,并确定评价分值的范围;
S3:利用系统数据及指标权重得出各评价准则的计算公式;
S4:计算各准则及指标的权重;
S5:获取各准则及指标权重值,构建综合评价模型,根据各准则及指标项的评分与分别对应的权重值加权求出综合评价分值;
S6:系统获取上述步骤中获取的准则及指标权重,结合学生在系统中的实训过程数据,实现无监督自动化计算学生的综合评价结果;
S7:依据综合评价值评定维修实训等级。
所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S1中,评价指标体系采用三级递阶结构,其中,一级准则为二级指标的抽象归类,分为知识掌握度、技能熟练度及情感与态度;二级指标构成可观察的学习过程度量的评价因素,分为维修选择成功率、维修资源使用、维修效率、维修成功率、维修返工率及维修规范;三级数据为系统可实时追踪的表征数据。
所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S2中,利用贝叶斯网络综合不同系统表征数据的计算标准,构建各数据因素的贝叶斯网络模型,确定评价分值的范围。
所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S4中,利用综合评价法计算各准则及指标的权重:结合主、客观评价方法,利用专家评价法和熵权分析法分别计算出准则及指标的权重值,依据拉格朗日乘子法迭代优化得出最终各项权重值。
所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S6中,系统以伪代码形式实现自动评分过程,通过计算第j个学生(j=1,2,3,...,z)依据数据评分标准获取的数据评分,进而获取最终维修实训的综合评价分值Y(j)。
所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S7中,将得到的综合评价值投影到连续的实数区间,以表示评价各等级的标准值,其中,综合评价值对应的标准值越大,维修实训等级评定越高。
通过采用上述技术,与现有技术相比,本发明的有益效果如下:
本发明通过对维修实训过程搭建虚拟实训场景,利用虚拟实训环境中学生的操作过程数据结合专家评价指标,确定影响维修实训效果的各方面评价指标及评分标准,使用主客观综合评价法实现指标权重计算的迭代优化,结合维修实训过程数据实现学习效果自动评价,实现对学生全方位多层级的评价。
附图说明
图1为本发明评价方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合说明书附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
请参阅图1,一种基于VR的汽车维修实训的评价方法,具体包括以下步骤:
S1:解析汽车维修实训的学习目的,结合沉浸式虚拟现实学习的特征,构建基于VR的汽车维修实训的评价指标体系,如表1所示。
该评价指标体系采用三级递阶结构,一级准则为二级指标的抽象归类,二级指标构成可观察的学习过程度量的评价因素,三级数据来源为VR系统获取的维修实训数据。评价体系由n个一级准则组成,其集合为{x1,x2,…,xi,…}(i=1,2,…,n),由m个二级指标因子组成,其集合为{y1,y1,…,yj,…}(j=1,2,…,m)。在本实施例中,将一级评价准则确定为知识掌握度k、技能熟练度t和情感与态度e三方面;
其中,知识掌握度k是指学生在虚拟维修实训中能够调用的知识量以及如何利用结构化的知识应对问题解决和技能训练,因此,其对应的二级评价指标包括维修选择成功率c和维修资源使用u。
技能熟练度t是指维修技能实训结果,验证高度精致的复杂性训练是否促成了知识经验的转化,其熟练程度决定实训者在学习过程中能否实现操作的流畅性,其对应的二级评价指标包括维修效率p和维修成功率s。
情感与态度e是影响学生学习效果的一个重要因素,是学生实现高效学习的内部动机,良好的学习态度、自我效能感及反思在很大程度上影响学生的学习深入程度。其对应的二级评价指标包括维修返工率r和维修规范n。
S2:在基于VR的汽车维修实训系统中,通过获取评价指标对应的维修数据,将二级指标所对应的表征数据变量转化为统一的整数型数据。利用贝叶斯网络综合不同专家对于系统表征数据的计算标准,构建各数据因素的贝叶斯网络模型,确定评价分值的范围。
在本发明实施例中,根据6项二级考核指标划分基于汽车维修虚拟实训系统的学习过程数据,不同专家对于虚拟实训系统表征数据的计算标准不一样,利用贝叶斯网络综合专家意见,构建表征数据的贝叶斯网络模型,确定评价分值的范围。
其中,维修选择成功率c是指工具和零件的选择操作数据,本发明实施例中具体指操作中工具和零件的选择错误次数w,对次数进行对比以得出该项指标的评分标准,具体为:
维修资源使用u是指学生在操作学习过程中查看课程相关课程材料及学习提示反馈等支持性材料的数据,在本发明实施例中具体指查看学习资源的次数o,评分标准具体为:
u=10-2*o(o取正整数且o∈[0,5])
维修效率p是指学生维修操作过程的时长与预期维修时长的比值。其中,将操作维修过程拆分成按照分步骤阶段进行评分,针对某一步骤的维修作业事件,获取各步骤预期维修时间a、维修响应时长m及实际维修时间f,专家最终给出维修效率计算公式,结合贝叶斯网络给定数据确定区间,具体为:
维修成功率s是指维修操作过程中系统日志文件中的脚本数据,在实施例中具体指零件操作位置1、工具使用方法d,分别将两子项目得分对比得出,其中,满分为10分;并将该两项得分的权重进行加权求出维修成功率的评分。零件操作位置1及工具使用方法d两项目对于维修成功有效性占同等份量,分数权重比例为1:1。其中,零件操作位置1是指系统设置操作过程中工具与零件实现维修有效性的触发范围,以百分比表征。工具使用方法d包括工具使用是否正确,包括使用方向、角度及操作次数等,当其中任一项不满足系统构建的实训规则时,对应工具使用方法d为0;反之,工具使用方法完全正确时对应d为1。具体评分为:
维修返工率r是指学生在维修过程中由于操作不熟练重新开始维修或返回学习场景学习的次数b,次数越多,说明学生自我效能感偏低,即学生对自身能否利用所拥有的知识技能去完成学习任务的自信程度较低。具体评分为:
r=10-2*b(b取正整数且b∈[0,5])
维修规范n是指学生在操作过程中及完成是否符合汽车维修的8S管理理念,在本实施例中有且不限于维修现场整洁程度、操作安全规范等,零件及工具等设备归置原位的位置数据情况h。当其中所有项目满足条件标准时,对应维修规范评分为10分,违反任一项则扣除1分,扣完即止。具体评分为:
n=10-2*h(n取正整数且h∈[0,5])
S3:利用系统数据及指标权重得出各评价指标的计算公式,具体表征为:
k=αc*c+αu*u
t=αp*p+αs*s
e=αr*r+αn*n
其中αi为权重,i对应各指标项目。
S4:利用综合评价法计算各准则及指标的权重,本实施例中计算权重αi,βk、βt及βe使用同种方法可得,具体包括:
S41:利用专家评价法,专家依据学生维修操作数据确定各评价因子的重要性,真实反映专家对维修效果的评价。采用对比排序法,首先让专家在3个准则中选取认为最重要的,被选中的准则加一分,权重即由各准则得分在准则总得分的占重百分比确定。指标层利用同类方法确定并进行归一化及均值处理得出各项指标权重,得出最终各指标权重值αi(i=c、u、p、s、r、n)。
S42:利用熵权分析法,使用汽车维修虚拟实训系统模拟课堂实验,获取虚拟实训系统中学生的实训过程数据。结合划分的指标及对应获取的数据,将指标赋予权重。计算个指标的权重具体方法为:
1).设共有y个评价指标、z个学生,则形成原始数据矩阵并将数据进行无量纲化和标准化得到数据矩阵:R=(rij)y×z,(0≤rij≤1,大于1的按1取值),可确定第i个指标的熵为:
其中k=1/lny,当fij=0时,令fijlnfij=0。fij为第i个指标下第j个学生数据占该指标的比重;y为评价指标的总个数;z为学生的数据数量;rij为y个评价指标下z个学生形成的数据矩阵;Hi为第i个指标的熵且0≤Hi≤1。
2).计算第i个指标的熵权:
S43:综合主观专家评价法和熵权评价法得出的权重值,依据拉格朗日乘子法综合迭代优化最终得出评价权重值:
其中,准则层各权重值依据同样方法得出综合权重值βk、βt及βe。
S5:获取各准则及指标权重值,构建综合评价模型。根据各准则及指标项的评分及其分别对应的权重值加权求出综合评价分值。
利用上述归一化后的准则及指标权重值,及学生对应数据评分,计算其评价综合评价值Y:
Y=βk(αc*c+*αu*u)+βt(αp*p+*αs*s)+βe(αr*r+*αn*n)
S6:系统获取所述步骤中获取的准则及指标权重,结合z个学生在虚拟实训系统中的过程数据,实现无监督自动化计算学生的综合评价结果。
其中,以伪代码形式表征自动评分过程,通过计算第x个学生(x=1,2,3,...,z)依据数据评分标准获取的数据评分,进而获取最终维修实训的综合评价分值Y(x)。
S7:依据综合评价值Y大小对维修实训进行等级评定。其中综合评价值越大,维修实训等级评定越高。将得到的综合评价值投影到连续的实数区间,以表示评价各等级的标准值。
本实施例中,参考文献及专家的意见基础上,结合汽车维修实际情况,确定基于VR的汽车维修实训评价分级标准,将上述综合评价值投影到[0,1]区间,得出各等级的标准值以综合指数表示。可以按照如表2所示的方法确定评估等级标准:在确定维修等级时,包括但不限于以上等级内容,可以在分级确定时限定单个准则或指标的得分,即设置阈值。
本发明以汽车维修实训的学习目标解析为导向,构建有效学习评价的指标体系;结合主客观赋权方法计算权重值,实现学习权重的迭代计算过程是有监督的;获取学生在虚拟维修实训的过程数据,系统结合权重及分值计算综合评价分值,其过程实现是无监督自动化的。最后,依据综合评价分值结果评定维修实训等级,以此作为教师及专家对学生维修实训效果评价的辅助。
表1
表2
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于VR的汽车维修实训的评价方法,其特征在于:包括以下步骤:
S1:解析汽车维修实训的学习目的,结合沉浸式虚拟现实学习的特征,构建基于VR的汽车维修实训的评价指标体系;
S2:在基于VR的汽车维修实训系统中,通过获取评价指标对应的维修数据,将二级指标所对应的表征数据变量转化为统一的整数型数据,并确定评价分值的范围;
S3:利用系统数据及指标权重得出各评价准则的计算公式;
S4:计算各准则及指标的权重;
S5:获取各准则及指标权重值,构建综合评价模型,根据各准则及指标项的评分与分别对应的权重值加权求出综合评价分值;
S6:系统获取上述步骤中获取的准则及指标权重,结合学生在系统中的实训过程数据,实现无监督自动化计算学生的综合评价结果;
S7:依据综合评价值评定维修实训等级。
2.根据权利要求1所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S1中,评价指标体系采用三级递阶结构,其中,一级准则为二级指标的抽象归类,分为知识掌握度、技能熟练度及情感与态度;二级指标构成可观察的学习过程度量的评价因素,分为维修选择成功率、维修资源使用、维修效率、维修成功率、维修返工率及维修规范;三级数据为系统可实时追踪的表征数据。
3.根据权利要求1所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S2中,利用贝叶斯网络综合不同系统表征数据的计算标准,构建各数据因素的贝叶斯网络模型,确定评价分值的范围。
4.根据权利要求1所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S4中,利用综合评价法计算各准则及指标的权重:结合主、客观评价方法,利用专家评价法和熵权分析法分别计算出准则及指标的权重值,依据拉格朗日乘子法迭代优化得出最终各项权重值。
5.根据权利要求1所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S6中,系统以伪代码形式实现自动评分过程,通过计算第j个学生(j=1,2,3,...,z)依据数据评分标准获取的数据评分,进而获取最终维修实训的综合评价分值Y(j)。
6.根据权利要求1所述的一种基于VR的汽车维修实训的评价方法,其特征在于所述步骤S7中,将得到的综合评价值投影到连续的实数区间,以表示评价各等级的标准值,其中,综合评价值对应的标准值越大,维修实训等级评定越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309523.6A CN112365177A (zh) | 2020-11-20 | 2020-11-20 | 一种基于vr的汽车维修实训的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011309523.6A CN112365177A (zh) | 2020-11-20 | 2020-11-20 | 一种基于vr的汽车维修实训的评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365177A true CN112365177A (zh) | 2021-02-12 |
Family
ID=74533046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011309523.6A Pending CN112365177A (zh) | 2020-11-20 | 2020-11-20 | 一种基于vr的汽车维修实训的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365177A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333477A (zh) * | 2021-12-28 | 2022-04-12 | 南京财经大学 | 一种基于ar技术的虚拟仿真教学实训系统 |
CN115543087A (zh) * | 2022-10-14 | 2022-12-30 | 广州强基信息技术有限公司 | 一种虚拟环境技能实操的人工智能评分方法 |
CN116862481A (zh) * | 2023-08-31 | 2023-10-10 | 深圳风向标教育资源股份有限公司 | 基于虚拟场景的车辆维修评估方法、设备和可读存储介质 |
-
2020
- 2020-11-20 CN CN202011309523.6A patent/CN112365177A/zh active Pending
Non-Patent Citations (3)
Title |
---|
李丽等: "汽车电路虚拟仿真实训教学评价系统设计", 《实验技术与管理》 * |
郑晓薇等: "基于熵的网络学习模糊综合评价方法", 《计算机工程与设计》 * |
郝晓平: "基于贝叶斯网络的研究生入学奖学金评定", 《电子科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114333477A (zh) * | 2021-12-28 | 2022-04-12 | 南京财经大学 | 一种基于ar技术的虚拟仿真教学实训系统 |
CN115543087A (zh) * | 2022-10-14 | 2022-12-30 | 广州强基信息技术有限公司 | 一种虚拟环境技能实操的人工智能评分方法 |
CN115543087B (zh) * | 2022-10-14 | 2023-04-07 | 广州强基信息技术有限公司 | 一种虚拟环境技能实操的人工智能评分方法 |
CN116862481A (zh) * | 2023-08-31 | 2023-10-10 | 深圳风向标教育资源股份有限公司 | 基于虚拟场景的车辆维修评估方法、设备和可读存储介质 |
CN116862481B (zh) * | 2023-08-31 | 2023-12-05 | 深圳风向标教育资源股份有限公司 | 基于虚拟场景的车辆维修评估方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365177A (zh) | 一种基于vr的汽车维修实训的评价方法 | |
CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
Sari et al. | Sensitivity Of Obtaining Errors In The Combination Of Fuzzy And Neural Networks For Conducting Student Assessment On E-Learning | |
CN114913729A (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
Kour et al. | Analysis of student performance using Machine learning Algorithms | |
CN114119304A (zh) | 一种在线教育平台用户管理方法、系统及计算机存储介质 | |
CN116227729B (zh) | 基于机器学习的学习评价方法及装置、设备 | |
Petscher et al. | Testing the Importance of Individual Growth Curves in Predicting Performance on a High-Stakes Reading Comprehension Test in Florida. REL 2014-006. | |
Bhatt et al. | A novel approach for knowledge state representation and prediction | |
CN115795015A (zh) | 一种试题难度增强的综合知识追踪方法 | |
CN115409257A (zh) | 一种基于条件密度估计模型的成绩分布预测方法及系统 | |
Jiménez-Macías et al. | A model to characterize exercises using probabilistic methods | |
Gao et al. | Evaluation method of creative dance teaching quality based on fuzzy comprehensive evaluation | |
Prabhakar et al. | Learning Group Formation for Massive Open Online Courses (MOOCs). | |
CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 | |
Trisudarmo et al. | Combination of Fuzzy C-Means clustering methods and simple additive weighting in scholarship of decision support systems | |
CN111063226A (zh) | 一种电力仿真培训评分方法、系统及存储介质 | |
Wen et al. | Research on fidelity technology evaluation index of virtual simulation experiment | |
Jiao et al. | Neural Cognitive Diagnosis Based on the Relationship Between Mining Exercise and Concept | |
Musa et al. | Analyzing factors that contribute for timely completion of research work among postgraduate students in federal universities in Nigeria | |
Jianjiang et al. | Adaptability Performance Evaluation of University Teachers’ informatization Teaching based on Entropy Weight Bayesian Bethod | |
Yang | Research on Block Design of Accounting Experiment Intelligent System Based on Supervised Learning Algorithm | |
Li | Data-driven adaptive learning systems | |
Zeng | Analysis of the Implementation Path of Civic Education Work in institution of higher education under the Background of Internet+ | |
Blink et al. | Predictive models of user performance for marksmanship training |
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 |
Application publication date: 20210212 |
|
RJ01 | Rejection of invention patent application after publication |