CN112686789A - 一种高校课堂教学效果智能化评价方法 - Google Patents
一种高校课堂教学效果智能化评价方法 Download PDFInfo
- Publication number
- CN112686789A CN112686789A CN202110032734.8A CN202110032734A CN112686789A CN 112686789 A CN112686789 A CN 112686789A CN 202110032734 A CN202110032734 A CN 202110032734A CN 112686789 A CN112686789 A CN 112686789A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- colleges
- universities
- intelligent
- 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.)
- Withdrawn
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供一种高校课堂教学效果智能化评价方法,包括以下步骤,S1获取高校课堂教学各项动态数据、建立先验概率模型;S2建立高校课堂教学效果智能动态评价模型;S3结合步骤S1的先验概率模型,步骤S2的智能动态评价模型建立智能反馈系统,以学生的个性化数据为依据,推送定制化的培养方案。本发明借助人工智能技术、VR技术、数据计算技术、5G技术、物联网技术的融合创新,评价数据全面、评价体系指标可以量化,评价结果呈现多元化、推动教育评价进入新的发展阶段,体现智能化新趋势或让教育回归本质。
Description
技术领域
本发明涉及本发明属于教育智慧化领域,具体涉及一种高校课堂教学效果智能化评价方法。
背景技术
加强高校课堂教育,重点在课堂教学这个环节。然而,高校课堂教学的内容广泛、形式多样、特色鲜明,课堂必然需要一种全新的、智慧化方式才能实现相关目标。
现有技术中高校课堂教学效果智能化评价存在“评价数据不全面、评价体系指标难以量化”、“评价结果呈现单一、缺乏交互分析”的缺陷。
发明内容
本发明的发明目的是解决现有技术中高校课堂教学效果智能化评价存在“评价数据不全面、评价体系指标难以量化”、“评价结果呈现单一、缺乏交互分析”的缺陷。
本发明提供一种高校课堂教学效果智能化评价方法,包括以下步骤,
S1获取高校课堂教学各项动态数据、建立先验概率模型,所述先验概率模型包括,高校课程知识点之间的第一先验概率模型,各个知识点的演示形式数据与学生性格数据之间的第二先验概率模型;
S2按照学生性格特点数据、知识展示形式数据,以知识、技能、素质和情感价值观方面作为评价目标,以学生、同行、督导专家及教学管理人员作为评价主体的生成的评价范围数据和评价内容数据为约束条件,建立高校课堂教学效果智能动态评价模型;
S3结合步骤S1的先验概率模型,步骤S2的智能动态评价模型建立智能反馈系统,以学生的个性化数据为依据,推送定制化的培养方案。
进一步的,
所述步骤S1包括以下子步骤:
S101对学生、家长、教研机构、学校、教育行政部门、教师、社会相关人员进行数据采集,数据采集的内容包括上课数据、考试数据、参加活动数据、上兴趣班数据、过马路数据、睡觉数据、生物基因数据,数据的形式包括文本、图像、视频、音频、生物基因等,数据采集方式包括从在线学习环境中捕获学习者学习行为数据、基于摄像头、传感器等智慧教室设备感知学习者生理特征信息的传感数据、生物基因库;
S102采用形式化语言对高校课程知识点进行离散化,对每个知识点建立考核里程碑数据,及各个知识点的关联数据,建立高校课程知识点之间关联的第一先验概率模型;
S103对每个知识点进行展示;
S104基于S101的采集数据对学生性格进行标注;
S106基于生成对抗网络技术对个别采集类别不全面的学生的数据进行自动填充;
S107基于学生日常行为特征数据、生物基因数据、知识点的里程碑考核数据,构建智能决策评价指标数据;
S108采用深度学习的方法,进一步分析调研领域内数据分布特征,根据 S107评价指标体系,基于学生的性格特征及各知识点的展示形式,建立学生个体定制评价的第二先验概率模型。
进一步的,
所述步骤S2包括,
S201对S1采集的高校课堂教学效果智能评价指标进行降维;
S202对高校课堂教学效果智能评价的重要指标分别按知识点的演示形式及学生性格进行聚类;
S203针对动态环境下高校课堂教学效果智能评价指标进行重要性预测;
S204建立高校课堂教学效果智能评价动态多目标模型,所述多目标模型包括,按照学生的培养目标,从知识、技能、素质和情感价值观方面作为优化目标,依据教学规律,学生课堂学习质量评价指标体系,针对学生的心理特点,以学生、同行、督导专家及教学管理人员等不同评价主体的评价范围和评价内容为约束条件,按照深度强化学习的技术原理,构建教学评价系统。
进一步的,
所述步骤S3包括,以内容信息做出推断,依据用户对项目的评价意见,协同步骤S1的第一先验概率模型和第二先验概率模型,步骤S2的高校课堂教学效果智能评价模型进行综合反馈,以学生的个性化差异表现为依据,推送定制化的培养方案,
本发明的有益效果是,借助人工智能技术、VR技术、数据计算技术、5G 技术、物联网技术的融合创新,评价数据全面、评价体系指标可以量化,评价结果呈现多元化、推动教育评价进入新的发展阶段,体现智能化新趋势或让教育回归本质。
附图说明
图1为本发明流程图。
具体实施方式
如图1所示,本发明提供一种高校课堂教学效果智能化评价方法,包括以下步骤,
S1通过人工智能、数据挖掘等技术,从全过程、全方位、多层面地对高校课堂教学各项数据动态、自动采集技术,及分类、汇总技术,建立高校课程知识点之间的关联的先验概率模型,各个知识点的演示形式(教师讲授、分角色朗读、课本剧本表演、说评书特色、换角度创意展示、现场辩论、艺术表演、知识竞赛、逻辑推理、影视展示)与学生性格的各个类型(A型性格,情绪稳定,社会适应性及向性均衡,但智力表现一般,主观能动性一般,交际能力较弱;B型性格,具有外向性的特点,情绪不稳定,社会适应性较差,遇事急躁,人际关系不融洽;C型性格,具有内向性特点,情绪稳定,社会适应性良好,但在一般情况下表现被动;D型性格,具有外向性特点,社会适应性良好或一般,人际关系较好,有组织能力;E型性格,具有内向性特点,情绪不稳定,社会适应性较差或一般,不善交际,但往往善于独立思考,有钻研性。)匹配的先验概率模型;
S2,根据教育岗要,按照学生性格特点、知识展示形式,从知识、技能、素质和情感价值观方面作为评价目标,以学生、同行、督导专家及教学管理人员等不同评价主体的评价范围和评价内容为约束条件,建立高校课堂教学效果智能动态评价模型;
S3,基于强化学习技术,结合S1的概率模型,S2的高校课堂教学效果智能评价模型,建立智能反馈系统,以学生的个性化差异表现,推送定制化的培养方案,促进以德育才,并对相关问题预警及干预,促进其健康、正确成长。
进一步,所述步骤S1包括以下子步骤:
S101对学生、家长、教研机构、学校、教育行政部门、教师、社会相关人员进行相关数据采集;采集的内容包括上课、考试、参加活动、上兴趣班、过马路、睡觉、生物基因等相关信息;采集的形式包括文本、图像、视频、音频、生物基因等;数据采集方式包括在线学习数据,从在线学习环境中捕获学习者数据(学习日志数据、学习行为与结果数据)、基于摄像头、传感器等智慧教室设备感知学习者生理特征信息的传感数据、生物基因库。
S102采用形式化语言对高校课程知识点进行离散化,每个知识点建立考核里程碑,及各个知识点的关联关系,及高校课程知识点之间的关联的先验概率模型。
S103对每个知识点以“教师讲授、分角色朗读、课本剧本表演、说评书特色、换角度创意展示、现场辩论、艺术表演、知识竞赛、逻辑推理、影视展示”等形式进行展示。
S104基于S101的采集数据,从“A型性格,情绪稳定,社会适应性及向性均衡,但智力表现一般,主观能动性一般,交际能力较弱;B型性格,具有外向性的特点,情绪不稳定,社会适应性较差,遇事急躁,人际关系不融洽; C型性格,具有内向性特点,情绪稳定,社会适应性良好,但在一般情况下表现被动;D型性格,具有外向性特点,社会适应性良好或一般,人际关系较好,有组织能力;E型性格,具有内向性特点,情绪不稳定,社会适应性较差或一般,不善交际,但往往善于独立思考,有钻研性。”五个方面对学生性格进行标注。
S106基于生成对抗网络技术对个别采集类别不全面的学生进行自动填充。
S107考虑学生日常行为特征、生物基因(基于人的性格特征与生活环境父母遗传有很大的关系)、知识点的里程碑考核情况,构建智能决策评价指标体系。
S108采用深度学习的方法,进一步分析调研领域内数据分布特征,根据 S107评价指标体系,基于学生的性格特征及各知识点的展示形式,建立学生个体的定制评价的先验概率模型。
进一步,所述步骤S2包括以下子步骤:
S201对S1采集的高校课堂教学效果智能评价指标进行降维。在给定训练数据D={(X1,Y1),(X2,Y2),…,(Xm,Ym)},考虑线性回归模型,以平方误差为损失函数,定义职业教育教学评价指标的优化目标为:
m为给定数集中数据的个数,X={x1,x2,...}为高校课堂教学效果智能评价的具体指标数据,Y={y1,y2,...}为高校课堂教学效果智能评价的结果数据,ω为特征的系数,T为矩阵转置,i表示数据的序号。根据近端梯度下降法可得 (1)式闭式解。取ω的值大于“0”的指标为高校课堂教学效果智能评价指标,从而实现评价指标的降维。
S202对高校课堂教学效果智能评价的重要指标分别按知识点的演示形式及学生性格采用(2)式进行聚类。从机遇实现将样本按相似程度划分类别,使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类里元素的同质性最大化和类间元素的异质性最大化。其主要依据是聚到同一个数据集中的样本应该彼此相似,而属于不同组的样本应该足够不相似。
其中,xj表示第j个高校课堂教学效果智能评价的指标。k属于第k类。 K表示总计的类别数。ak是观察数据属于第k个子模型的概率。是第k个子模型的高斯分布密度函数。μk表示k类指标的均值,σ表示方差。rjk表示第j个观测数据属于第k个子模型的概率。
S203针对动态环境下高校课堂教学效果智能评价指标重要性预测:
基于机器学习的方法对动态环境下各职业教育教学评价指标的权值随时间变化建立预测模型。先对职业教育教学评价环境进行感知,根据感知量进行初步预测处理,分辨各种特征,如(3)式所示。
x(k+1)=Ax(k)+bu(k) (3)
其中x(k)表示第k步的实测量,bu(k)表示第k步的变化量,A表示惯性权重。
再选择合适的特征进行建立状态方程控制模型,根据式(3)我们可以预测第M步的变化情况:
x(k+M)=AMx(k)+AM-1bu(k)+…+bu(k+M-1) (4)
滚动优化:根据第一步的预测模型,结合高校课堂教学效果智能评价动态环境下设定优化方案。反馈校正:在实际应用中,各个学校、各个专业所面临的学生、家长、就业的企业都是不一样的,且存在很多人为主观的因素,所以需要根据特别因素来调整滚动优化。
S204建立高校课堂教学效果智能评价动态多目标模型:
按照学生的培养目标,从知识、技能、素质和情感价值观方面作为优化目标。依据教学规律,学生课堂学习质量评价指标体系,针对学生的心理特点,以学生、同行、督导专家及教学管理人员等不同评价主体的评价范围和评价内容为约束条件。按照深度强化学习的技术原理,在遵循科学性、系统性、可操作性的原则下,构建一种全方位、多层次的教学评价系统。
进一步,所述步骤S3包括以下子步骤:
S301基于内容反馈:
以内容信息(运动能力、学习能力)上做出推断,依据用户(学校、企业、政府、家长、学生)对项目的评价意见,采用式(5)协同步骤S1的先验概率模型,步骤S2的高校课堂教学效果智能评价模型进行综合反馈,以学生的个性化差异表现,推送定制化的培养方案。
sim(i,j)表示学生个体i和高校课堂教学效果智能评价模型j之间的相似度,Iij是代表学生个体i和高校课堂教学效果智能评价模型j共同特征,即学生的性格及知识点展示的类型及相关的共同点,Ri,x代表学生个体i对评价指标x的评分,Ri头上有一杠的代表学生个体i所有评分的平均分,归一化用户打分避免相互影响。Rj,x代表高校课堂教学效果智能评价模型i对评价指标x的评分(主要是指学校、企业、政府、家长对评价指标的评分)。
本发明的有益效果是,借助人工智能技术、VR技术、数据计算技术、5G 技术、物联网技术的融合创新,评价数据全面、评价体系指标可以量化,评价结果呈现多元化、推动教育评价进入新的发展阶段,体现智能化新趋势或让教育回归本质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (4)
1.一种高校课堂教学效果智能化评价方法,其特征在于,包括以下步骤,
S1获取高校课堂教学各项动态数据、建立先验概率模型,所述先验概率模型包括,高校课程知识点之间的第一先验概率模型,各个知识点的演示形式数据与学生性格数据之间的第二先验概率模型;
S2按照学生性格特点数据、知识展示形式数据,以知识、技能、素质和情感价值观方面作为评价目标,以学生、同行、督导专家及教学管理人员作为评价主体的生成的评价范围数据和评价内容数据为约束条件,建立高校课堂教学效果智能动态评价模型;
S3结合步骤S1的先验概率模型,步骤S2的智能动态评价模型建立智能反馈系统,以学生的个性化数据为依据,推送定制化的培养方案。
2.如权利要求1所述的一种高校课堂教学效果智能化评价方法,其特征在于,
所述步骤S1包括以下子步骤:
S101对学生、家长、教研机构、学校、教育行政部门、教师、社会相关人员进行数据采集,数据采集的内容包括上课数据、考试数据、参加活动数据、上兴趣班数据、过马路数据、睡觉数据、生物基因数据,数据的形式包括文本、图像、视频、音频、生物基因等,数据采集方式包括从在线学习环境中捕获学习者学习行为数据、基于摄像头、传感器等智慧教室设备感知学习者生理特征信息的传感数据、生物基因库;
S102采用形式化语言对高校课程知识点进行离散化,对每个知识点建立考核里程碑数据,及各个知识点的关联数据,建立高校课程知识点之间关联的第一先验概率模型;
S103对每个知识点进行展示;
S104基于S101的采集数据对学生性格进行标注;
S106基于生成对抗网络技术对个别采集类别不全面的学生的数据进行自动填充;
S107基于学生日常行为特征数据、生物基因数据、知识点的里程碑考核数据,构建智能决策评价指标数据;
S108采用深度学习的方法,进一步分析调研领域内数据分布特征,根据S107评价指标体系,基于学生的性格特征及各知识点的展示形式,建立学生个体定制评价的第二先验概率模型。
3.如权利要求1所述的一种高校课堂教学效果智能化评价方法,其特征在于,所述步骤S2包括,
S201对S1采集的高校课堂教学效果智能评价指标进行降维;
S202对高校课堂教学效果智能评价的重要指标分别按知识点的演示形式及学生性格进行聚类;
S203针对动态环境下高校课堂教学效果智能评价指标进行重要性预测;
S204建立高校课堂教学效果智能评价动态多目标模型,所述多目标模型包括,按照学生的培养目标,从知识、技能、素质和情感价值观方面作为优化目标,依据教学规律,学生课堂学习质量评价指标体系,针对学生的心理特点,以学生、同行、督导专家及教学管理人员等不同评价主体的评价范围和评价内容为约束条件,按照深度强化学习的技术原理,构建教学评价系统。
4.如权利要求1所述的一种高校课堂教学效果智能化评价方法,其特征在于,所述步骤S3包括,以内容信息做出推断,依据用户对项目的评价意见,协同步骤S1的第一先验概率模型和第二先验概率模型,步骤S2的高校课堂教学效果智能评价模型进行综合反馈,以学生的个性化差异表现为依据,推送定制化的培养方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032734.8A CN112686789A (zh) | 2021-01-11 | 2021-01-11 | 一种高校课堂教学效果智能化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032734.8A CN112686789A (zh) | 2021-01-11 | 2021-01-11 | 一种高校课堂教学效果智能化评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686789A true CN112686789A (zh) | 2021-04-20 |
Family
ID=75457322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032734.8A Withdrawn CN112686789A (zh) | 2021-01-11 | 2021-01-11 | 一种高校课堂教学效果智能化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686789A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470448A (zh) * | 2021-06-30 | 2021-10-01 | 上海松鼠课堂人工智能科技有限公司 | 基于生成对抗网络的科学实验的模拟方法、系统及设备 |
CN113487213A (zh) * | 2021-07-20 | 2021-10-08 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
CN114117054A (zh) * | 2022-01-24 | 2022-03-01 | 华南师范大学 | 基于个性词的学生期末评价方法、系统、装置和存储介质 |
CN114493094A (zh) * | 2021-12-15 | 2022-05-13 | 重庆师范大学 | 一种中小学劳动教育智慧评价系统 |
CN115480923A (zh) * | 2022-10-10 | 2022-12-16 | 北京师范大学 | 一种多模态的智慧教室边缘计算控制系统 |
CN116523225A (zh) * | 2023-04-18 | 2023-08-01 | 泸州职业技术学院 | 一种基于数据挖掘的翻转课堂混合教学方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007133078A (ja) * | 2005-11-09 | 2007-05-31 | Kyushu Institute Of Technology | e−ラーニングにおける学習支援方法 |
CN106203811A (zh) * | 2016-07-05 | 2016-12-07 | 上海电力学院 | 一种教学质量评价方法 |
CN107169903A (zh) * | 2017-07-25 | 2017-09-15 | 山东工商学院 | 基于高校教学大数据的学习行为评价方法及系统 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
-
2021
- 2021-01-11 CN CN202110032734.8A patent/CN112686789A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007133078A (ja) * | 2005-11-09 | 2007-05-31 | Kyushu Institute Of Technology | e−ラーニングにおける学習支援方法 |
CN106203811A (zh) * | 2016-07-05 | 2016-12-07 | 上海电力学院 | 一种教学质量评价方法 |
CN107169903A (zh) * | 2017-07-25 | 2017-09-15 | 山东工商学院 | 基于高校教学大数据的学习行为评价方法及系统 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN111914162A (zh) * | 2020-06-01 | 2020-11-10 | 西安理工大学 | 一种基于知识图谱的个性化学习方案引导方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470448A (zh) * | 2021-06-30 | 2021-10-01 | 上海松鼠课堂人工智能科技有限公司 | 基于生成对抗网络的科学实验的模拟方法、系统及设备 |
CN113487213A (zh) * | 2021-07-20 | 2021-10-08 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
CN113487213B (zh) * | 2021-07-20 | 2022-02-01 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
CN114493094A (zh) * | 2021-12-15 | 2022-05-13 | 重庆师范大学 | 一种中小学劳动教育智慧评价系统 |
CN114493094B (zh) * | 2021-12-15 | 2024-05-07 | 重庆师范大学 | 一种中小学劳动教育智慧评价系统 |
CN114117054A (zh) * | 2022-01-24 | 2022-03-01 | 华南师范大学 | 基于个性词的学生期末评价方法、系统、装置和存储介质 |
CN114117054B (zh) * | 2022-01-24 | 2022-05-17 | 华南师范大学 | 基于个性词的学生期末评价方法、系统、装置和存储介质 |
CN115480923A (zh) * | 2022-10-10 | 2022-12-16 | 北京师范大学 | 一种多模态的智慧教室边缘计算控制系统 |
CN116523225A (zh) * | 2023-04-18 | 2023-08-01 | 泸州职业技术学院 | 一种基于数据挖掘的翻转课堂混合教学方法 |
CN116523225B (zh) * | 2023-04-18 | 2024-01-23 | 泸州职业技术学院 | 一种基于数据挖掘的翻转课堂混合教学方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parsons et al. | Teachers’ instructional adaptations: A research synthesis | |
Hora et al. | Data driven decision-making in the era of accountability: Fostering faculty data cultures for learning | |
Aesaert et al. | The contribution of pupil, classroom and school level characteristics to primary school pupils' ICT competences: A performance-based approach | |
CN112686789A (zh) | 一种高校课堂教学效果智能化评价方法 | |
Shermis et al. | Classroom assessment in action | |
Hall-Ellis et al. | The Dreyfus model of skill acquisition: A career development framework for succession planning and management in academic libraries | |
Thomas | Searching for significance in unstructured data: Text mining with Leximancer | |
Beaulieu | Phenomenography: Implications for expanding the educational action research lens | |
Ömür | Relationships between Students' Socioeconomic Status, Parental Support, Students' Hindering, Teachers' Hindering and Students' Literacy Scores: PISA 2018. | |
Adabas et al. | Lifelong learning key competence levels of graduate students. | |
Ali et al. | Predicting students’ achievement in a hybrid environment through self-regulated learning, log data, and course engagement: A data mining approach | |
Yang et al. | A systematic review of technology-enhanced self-regulated language learning | |
Alves | Making diagnostic inferences about student performance on the Alberta education diagnostic mathematics project: An application of the Attribute Hierarchy Method | |
Papamitsiou et al. | Process mining of interactions during computer-based testing for detecting and modelling guessing behavior | |
Hora et al. | How, If at All, Does Industry Experience Influence How Faculty Teach Cognitive, Inter-, and Intrapersonal Skills in the College Classroom? WCER Working Paper No. 2020-2. | |
CN111460245B (zh) | 多维度人群特征测定方法 | |
Etkind et al. | The evidence-based management of learning: Diagnosis and development of conceptual thinking with meaning equivalence reusable learning objects (MERLO) | |
Zaric et al. | ILSA–an integrated learning styles analytics system | |
Pinochet et al. | Collaborative Work Alternatives with ChatGPT Based on Evaluation Criteria for its Use in Higher Education: Application of the PROMETHEE-SAPEVO-M1 Method | |
Li et al. | Holistic transfer educational learning approach for higher education | |
Gorucu et al. | Examining the physical education teacher concept related metaphor perceptions of secondary school students | |
CN111461153A (zh) | 人群特征深度学习方法 | |
Smith Waller | Teachers' perceptions of school leaders' behaviors and the relationship to student growth/achievement | |
Berhanu et al. | Factors Influencing University Students’ Academic Achievement and Strategies Taken to Improve Their Achievement: Ethiopia as a Sample | |
Tao | [Retracted] A Deep Learning‐Based TE Method for MSs’ Mental Health Analysis |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210420 |