CN112749881B - 学校间的学业水平比较方法、装置及电子设备 - Google Patents
学校间的学业水平比较方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112749881B CN112749881B CN202011574009.5A CN202011574009A CN112749881B CN 112749881 B CN112749881 B CN 112749881B CN 202011574009 A CN202011574009 A CN 202011574009A CN 112749881 B CN112749881 B CN 112749881B
- Authority
- CN
- China
- Prior art keywords
- school
- test
- joint
- score
- virtual
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 412
- 238000011156 evaluation Methods 0.000 claims abstract description 128
- 230000004044 response Effects 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 35
- 238000009826 distribution Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- 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)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种学校间的学业水平比较方法、装置及电子设备,获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;若第一学校和第二学校之间共同参与联考的联考次数少于预设数值,从第一历史作答数据和第二历史作答数据中选取目标试题,得到目标试题集合;根据目标试题集合生成虚拟联考评估试卷;根据虚拟联考评估试卷比较第一学校和第二学校的学校学业水平,如此,可在不同学校间的共同联考数据较少时,通过生成虚拟联考评估试卷,来评估比较不同学校之间的学业水平。
Description
技术领域
本申请涉及智能教育领域,具体涉及一种学校间的学业水平比较方法、装置及电子设备。
背景技术
目前,针对不同学校间学业水平比较方法较为罕见,现有技术中对不同学校之间的学业水平比较主要有以下方法:第一,对于异校间学业水平比较,分别寻找当地老师或该校老师直接根据其对学校的了解或学生历年重本率等进行学校间差异评估;第二,社会上一些教育机构每年会花大量人力和时间对一些特定的学校学业水平在一些常见指标上进行数据收集,包括基础设施、人才培养、综合声誉、硬件和软件设施、师资力量、社会声誉和高考升学率、重本率等,从而评估这些异校间学业水平排名或差距,如辅导机构评估的“全国百强学校”名单;第三,在保证试卷具有区分度和足够高的信度前提下,异校间进行多次联考,从而评估出这些学校间的学业水平差距。
上述三种应用方案在一些场景上虽然可用,但是存在较多缺陷。第一种方案应用方便,但是基本完全依靠老师的主观评估,评估误差比较难控制,且易受到每年学生水平能力不一致等因素影响;第二种方案,虽然涵盖每年的重本率等指标目前较为被社会认可,但该方案仅可在少部分头部学校或者说社会特别关注学校间进行,且特别费时费力,有的辅导机构每年仅对全国前100学校进行评估,但需要花费较大人力资源,且耗时较长,需要几个月时间;第三种方案,实际数据收集难度大,需要有机构能收集学校内真实联考数据,同时需要考试具有区分度,省内联考较为容易获取,但是不同省学校间联考则很难获取,因为会受到教材版本以及学校政策等限制,异省间学校联考基本很少,很多学校的联考或高考数据较难完整获取。
因此,如何针对上述缺陷,更加智能地进行学校间的学业水平评估比较的问题需要解决。
发明内容
本申请实施例提供了一种学校间的学业水平比较方法、装置及电子设备,能够基于现有的数据,在联考次数较少的情况下,实现学校间的学业水平比较评估。
第一方面,本申请实施例提供一种学校间的学业水平比较方法,所述方法包括:
获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
根据所述目标试题集合生成虚拟联考评估试卷;
根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平。
第二方面,本申请实施例提供一种学校间的学业水平比较装置,所述装置包括:
通信单元,用于获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
处理单元,用于若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
所述处理单元,还用于根据所述目标试题集合生成虚拟联考评估试卷;
所述处理单元,还用于根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,具备如下有益效果:
可以看出,本申请实施例中提供的学校间的学业水平比较方法、装置及电子设备,获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;若第一学校和第二学校之间共同参与联考的联考次数少于预设数值,从第一历史作答数据和第二历史作答数据中选取目标试题,得到目标试题集合;根据目标试题集合生成虚拟联考评估试卷;根据虚拟联考评估试卷比较第一学校和第二学校的学校学业水平,如此,可在不同学校间的共同联考数据较少时,通过生成虚拟联考评估试卷,来评估比较不同学校之间的学业水平。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种学校间的学业水平比较方法的流程示意图;
图2是本申请实施例提供的一种学校间的学业水平比较方法的流程示意图;
图3是本申请实施例提供的一种电子设备的结构示意图;
图4是本申请实施例提供的一种学校间的学业水平比较装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
近年来,随着“教育+人工智能”理念的提出,人工智能在教育领域不断生根发芽。同时伴随着海量在线数据的积累,各种人工智能与传统教育结合的产品得到落地应用。类如“个性化学习手册”、 “因材施教”、 “人工智能精准教学” 和“人工智能智慧课堂”等这些产品代言词早已经耳熟能详,并且在传统教学基础上,给学生成绩的提升带来了更多针对性补充,可以说这些产品能在给学生减负降压的同时提升学习成绩,因此得到社会大量认可。
虽然在大数据驱动下,上述人工智能教育产品被大家广泛接受,但是在实施过程中仍然有许多当前技术未能触及的问题,这类问题也是因为教育资源分布不均以及各地区教学差异所致;本方案通过对全国各个考区教材版本、教学体系差异及各省高考的重本率等方向调研,进一步分析上述人工智能产品在实施过程中所遇到的问题,如“个性化学习手册”,在给不同学校进行试题推荐时出现推荐难度不合适问题,特别是好校试题在差校反映难度大,差校试题在好校不同层级学生感觉可用性不一致。原因就是在异校试题复用过程中,未考虑学校学业水平的差异性。如果存在一种可在同维度下比较不同学校间学业水平的方案,则粗粒度上可进行学校间学业水平比较,从而应用于寻找相同水平等级学校进行试题推荐,应用如基于学校水平的“自动组卷”业务;细粒度上可以建立异校间不同层级的学生等值映射,比如A学校的中上等学生与B学校的尖子生水平一致,因此A学校中上等层级学生做的好题可推荐给B学校的尖子生。甚至更细粒度,可以做到异校间人与人的学业水平等值,即异校间寻找相似学生,为“以人推题”异校拓展提供更有效解决方案;
在符合传统教育及教育测评学的原则上,本案提出的一种异校间学业水平比较的方案,用于学校间学业水平的横向比较,也可将学校学生进行聚类分层,从而寻找异校间层与层之间的学业水平等值匹配,进一步可直接进行异校学生学业水平等值匹配,可普遍适用于学校对比和各种个性化教育试题推荐等场景。
针对现有技术的三种方案的局限性,本案提出了一种异校间学业水平比较的方案。本方案有以下四个重要特点:第一,基于个性化教育数据平台及精准教学学生作答数等数据库海量数据,该数据库可包括全国学校多年的学生在校作答数据,包含个册作业/周考/月考/期中/期末/联考等数据,质量和数量都有充分保障;第二,在足够数据支持下,本案可解决上述第三种方法的缺陷,可直接统计学校间多次联考从而进行学校水平评估;第三,对于异省间联考数据稀疏问题,本方案可生成虚拟联考评估试卷,基于海量作答试题为待比较的异省学校间生成多份满足信度和区分度等评估需求的作答结果“试卷”,以此作为学校间联考桥梁。第四,本案结合深度学习模型,根据学校历史作答数据训练出目标学业水平预测模型,进一步保障上述“虚拟联考”可能无法桥接的异校学业水平评估,保障本案整体鲁棒性。
下面对本申请实施例进行详细介绍。
请参阅图1,图1是本申请实施例提供的一种学校间的学业水平比较方法的流程示意图,本申请提供的学校间的学业水平比较方法包括:
101、获取第一学校的第一历史作答数据和第二学校的第二历史作答数据。
其中,上述第一历史作答数据或第二历史作答数据可包括以下数据:学生在校作答数据,包含个册作业、周考、月考、期中、期末、联考等数据,例如,可筛选出近5年来每个学校的学生在校的周考、月考、期中、期末、联考的学生试卷的作答记录,处理出学生试卷得分及每道题的得分。
具体实施中,第一学校与第二学校之间可能存在共同参与的联考,也可能不存在共同参与的联考,不同情况下,第一历史作答数据和第二历史作答数据中的作答数据能够用于评估比较两个学校间的可能性不同,为了便于对本方案的理解,本方案可包括以下情况:第一学校和所述第二学校之间不存在共同参与联考,则第一历史作答数据和第二历史作答数据中不存在联考作答数据;第一学校和所述第二学校之间存在共同参与联考,但共同参与联考的联考次数少于预设数值,则第一历史作答数据和第二历史作答数据中存在联考作答数据但联考作答数据较少;第一学校和所述第二学校之间存在共同参与联考,且共同参与联考的联考次数大于或等于预设数值,则第一历史作答数据和第二历史作答数据中存在联考作答数据,且联考作答数据较充足。
102、若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合。
其中,预设数值可以由系统默认设置,也可以由用户自行设置,预设数值例如可以为3,5等,本申请不作限制。
本申请实施例中,考虑到两个学校之间进行学业水平评估比较,采用足够的联考数据,能够更加准确地得到评估比较结果,因此,可设置预设数值,若共同参与联考的联考次数少于预设数值,则表明两校之间的联考作答数据不够充足,因此,可从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合,上述目标试题可以是从个册作业、周考、月考、期中、期末,或者与其他学校之间的联考试题中选取的试题,目标试题集合包括可以组成一套或者多套完整试卷的目标试题。
可选地,上述步骤102中,所述从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合,可包括:
21、将所述第一历史作答数据和所述第二历史作答数据进行比对,得到待选试题集,所述待选试题集存在以下至少一种待选试题:比对得到的相同试题或相似试题;
22、获取待选试题集中每一待选试题的学业评估参数,得到多个学业评估参数;
23、根据所述多个学业评估参数从所述待选试题集中选取多个目标试题,得到所述目标试题集合。
其中,相似试题是指,题目覆盖的知识点及揭发等指标相近的试题。
其中,学业评估参数可包括以下至少一种:信度、区分度和难度等维度的指标参数。
本申请实施例中,确定试题的难度,具体可计算试题的得分率;确定试题的区分度,可先分别确定试题高分组考试的高分难度值和低分组考生的低分难度值,然后根据高分难度值和低分难度值确定区分度,区分度=高分难度值-低分难度值,通过根据信度、区分度和难度等学业评估参数从待选试题集中选取多个目标试题,可以保证选取的目标试题的难度、区分度和信度满足评估要求。
可选地,所述学业评估指标参数包括信度,上述步骤22中,所述获取待选试题集中每一待选试题的学业评估指标参数,得到多个学业评估参数,可包括:
将所述待选试题集中每一待选试题输入预设的信度预测模型,输出该待选试题的信度,得到多个信度。
本申请实施例中,可通过预设的信度预测模型预测每个试题的信度。
可选地,上述步骤23中,所述根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,可包括:
2301、获取预先设置的试卷评估参数;
2302、根据所述试卷评估参数配置试题分布信息,所述试题分布信息包括分别处于不同的多个参数范围的试题分布信息;
2303、根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,使所述多个目标试题满足所述试题分布信息。
本申请实施例中,选取的多个目标试题,既要覆盖较为全面的知识点,能够组成一套完整的试题,又要保证一套试题整体的难度、信度和区分度等试卷评估参数符合评估要求。具体实施中,可对还未生成的虚拟联考评估试卷预先设置参数,例如,设置难度等级,进而根据该预设的参数配置不同题目难度分布对应的题目数量,例如,需要选n=36道题,第i道题的待选题数量为mi,可根据试卷评估参数配置难度分别为L1、L2、L3级别的试题数目为n1、n2、n3,具体地,主观题,大题小题的难度也可配置,进而,根据试题数目为n1、n2、n3的分布信息选取待选题中相应难度的试题,避免选取的题目统一较难或者统一较容易。
可选地,所述方法还包括:
A1、若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,获取所述第一学校共同参与联考的第一联考成绩,以及所述第二学校共同参与联考的第二联考成绩;
A2、若所述联考次数大于或等于预设数值,根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平。
其中,若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,表明有足够的联考作答数据,因此,可直接根据第一学校的第一联考成绩和第二学校的第二联考成绩进行学业水平评估比较。
可选地,所述第一联考成绩包括至少一次联考对应的至少一个第一联考平均分,所述第二联考成绩包括至少一次联考对应的至少一个第二联考平均分,上述步骤A2中,所述根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平,包括:
A21、根据所述至少一个第一联考平均分计算所述第一学校的第一加权平均分,根据所述至少一个第二联考平均分计算所述第二学校的第二加权平均分;
A22、根据所述第一加权平均分和所述第二加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
其中,根据第一加权平均分和第二加权平均分确定第一学校和所述第二学校的学业水平比较结果,具体地,可将第一加权平均分与第二加权平均分的比值作为学业水平比较结果,例如,举个例子,第一学校平均分为0.9分,第二学校平均分为0.45分,则第一学校学业水平是第二学校的2倍,或者可以粗略对齐一本率,即第一学校的一本率为0.9而第二学校为0.45。
103、根据所述目标试题集合生成虚拟联考评估试卷。
其中,通过根据第一历史作答数据和第二历史作答数据中选取的目标试题集合,可以生成一套或者多套虚拟联考评估试卷。
104、根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平。
具体实施中,若有联考作答数据,则可优先采用联考作答数据进行评估,若联考作答数据不充足,则可联合已有的联考作答数据和生成的虚拟联考评估试卷进行学业水平评估比较,若没有联考作答数据,则可根据生成的虚拟联考评估试卷比较第一学校和第二学校的学校学业水平。
可选地,所述虚拟联考评估试卷的虚拟试卷数目为至少一个,上述步骤104中,所述根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平,可包括:
41、根据所述第一历史作答数据计算所述第一学校关于所述虚拟联考评估试卷的第一虚拟成绩;根据所述第二学校的第二历史作答数据计算所述第二学校关于所述虚拟联考评估试卷的第二虚拟成绩;所述第一虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第一虚拟平均分;所述第二虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第二虚拟平均分;
42、若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,且所述联考次数和所述虚拟试卷数目之和大于或等于所述预设数值,根据所述第一虚拟成绩和所述第一联考成绩计算所述第一学校的第三加权平均分,根据所述第二虚拟成绩和所述第二联考成绩计算所述第二学校的第四加权平均分;
43、根据所述第三加权平均分和所述第四加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
具体实施中,可根据生成的虚拟联考评估试卷计算第一学校对应的第一虚拟成绩和第二学校对应的第二虚拟成绩,若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,例如,预设数值为3,联考次数为1或2,联考次数和虚拟试卷数目之和大于或等于预设数值,表面联考数据和虚拟联考评估试卷足够用于进行学业水平评估,其中,根据第三加权平均分和第四加权平均分确定第一学校和第二学校的学业水平比较结果,具体可将第三加权平均分与第四加权平均分的比值作为学业水平比较结果。
可选地,所述方法还包括:
若所述第一学校和所述第二学校未共同参与联考,且所述虚拟试卷数目大于或等于所述预设数值,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
具体实施中,若虚拟试卷数目大于或等于所述预设数值,表明虚拟联考评估试卷足够用于进行学业水平评估,其中,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平,具体可根据所述第一虚拟成绩计算所述第一学校的第五加权平均分,根据所述第二虚拟成绩计算所述第二学校的第六加权平均分;根据所述第五加权平均分和所述第六加权平均分确定所述第一学校和所述第二学校的学业水平比较结果,具体地,可将第五加权平均分与第六加权平均分的比值作为学业水平比较结果。
可选地,在所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值时,所述方法还包括:
B1、获取多个学校的作答样本数据;
B2、根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型;
B3、根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩;
B4、根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平。
其中,所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值,具体可包括以下两种情况:联考次数大于0且小于预设数值,且所述联考次数和所述虚拟试卷数目之和小于所述预设数值;或者,所述第一学校和所述第二学校未共同参与联考,即联考次数为0,且虚拟试卷数目小于预设数值。
具体实施中,若联考次数大于0且小于预设数值,且联考次数和虚拟试卷数目之和小于所述预设数值,例如,联考次数大于0,联考和虚拟试卷数目小于3,表面联考作答数据和虚拟联考评估试卷不足够用于进行学业水平评估比较。
若第一学校和第二学校未共同参与联考,且虚拟试卷数目小于所述预设数值,例如,联考次数为0,且联考试卷数目小于3,表明虚拟联考评估试卷不足够用于进行学业水平评估比较。
可从多个学校的历史作答数据中提取作答样本数据,所述多个学校的历史作答数据包括所述第一学校的第一历史作答数据和第二学校的第二历史作答数据,根据作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型,进而可根据目标学业水平预测模型进行两个学校之间的学业水平评估比较。
其中,根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平,具体可根据所述第一预测成绩计算所述第一学校的第七加权平均分;根据所述第二预测成绩计算所述第二学校的第八加权平均分;根据所述第七加权平均分和所述第八加权平均分比较所述第一学校和所述第二学校的学校学业水平,具体地,可将第七加权平均分与第八加权平均分的比值作为学业水平比较结果。
可选地,所述作答样本数据包括所述多个学校中每一学校的作答样本数据,上述步骤B2中,所述根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型,可包括:
B21、将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量;
B22、将所述多个学业水平表征向量中每一学业水平表征向量作为输入,将每一学校在试题中的得分作为输出,对所述预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型。
其中,作答样板数据可包括:学校A,[题目i,题目i+1…],[A校题i均分, A校题i+1均分,…],i=1,2,…。
具体实施中,可根据每一学校的作答样本数据确定该学校的学业水平表征向量,从而,可获得多个学校的多个学业水平表征向量,将多个学业水平表征向量中每一学业水平表征向量作为输入,将每一学校在试题中的得分作为输出,对预设的学业水平预测模型进行训练。
可选地,每一学校的作答样本数据包括所述学校标识、学校的题目序列和学校关于所述题目序列的历史平均分序列,上述步骤B21中,所述将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量,包括:
B2101、通过预设的预训练语言模型将所述题目序列中的每一题目转换成题目表征向量,得到题目表征向量序列;
B2102、将所述题目表征向量序列中每一题目表征向量和所述历史平均分序列中与该题目表征向量对应的历史平均分进行融合,得到融合后的题目表征向量序列;
B2103、对所述融合后的题目表征向量序列中的历史平均分进行加权平均和归一化处理,得到所述每一学校的学业水平表征向量。
具体实施中,可采用预训练语言模型将作答样本数据转换成该学校的题目表征向量,并将题目表征向量融入试题的得分信息,例如,如试题得分z-score与试题表征向量相乘,在学校层面,对融合后的题目表征向量序列中的历史平均分进行加权平均和归一化处理,得到所述每一学校的学业水平表征向量。
可选地,上述步骤B3中,所述根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩,包括:
B31、将预设的水平预测试卷的多个试题中每一试题与第一学校的学校标识输入所述目标学业水平预测模型,输出第一学校的第一预测得分,得到多个第一预测得分;将预设的水平预测试卷的多个试题中每一试题与第二学校的学校标识输入所述目标学业水平预测模型,输出第二学校的第二预测得分,得到多个第二预测得分;
B32、根据所述多个第一预测得分计算所述第一学校的第一预测成绩;根据所述多个第二预测得分计算所述第二学校的第二预测成绩。
其中,上述预设的水平预测试卷例如可以是历年高考试卷,也可以为其他试卷,本申请实施例不做限制。
具体实施中,可将第一学校的多个试题中每一试题与第一学校的学校标识输入目标学业水平预测模型,输出第一学校在该试题上的第一预测得分,从而可以得到第一学校在一册试卷中的所有试题的预测得分,即多个第一预测得分,进而可根据多个第一预测得分进行加权平均计算,得到第七加权平均分,第一加权平均分作为第一预测成绩,同理,可根据目标学业水平预测模型预测第二学校的多个第二预测得分,根据多个第二预测得分进行加权平均计算,得到第八加权平均分,第八加权平均分作为第二预测成绩。
可选地,第一学校和第二学校之间的学校学业水平结果为所述第一学校和所述第二学校之间的学业水平比值,本申请实施例中,所述方法还包括:
C1、根据所述第一历史作答数据将所述第一学校的学生进行分层,得到第一学校的多个层级,计算所述第一学校的多个层级中每一层级的层级平均分,得到第一学校的多个层级平均分;
C2、根据所述第二历史作答数据将所述第二学校的学生进行分层,得到第二学校的多个层级,计算所述第二学校的多个层级中每一层级的层级平均分,得到第二学校的多个层级平均分;
C3、根据所述第一学校的多个层级平均分、所述第二学校的多个层级平均分和所述学业水平比值确定处于相同学业水平的所述第一学校的第m层级与所述第二学校的第n层级,m,n为正整数;
C4、向所述第一学校的第m层级的学生和所述第二学校的第n层级的学生推荐相同的学习资源。
本申请实施例中,可根据各个学校的历史作答数据对该学校的学生进行分层,不同层级的学业水平不同,同一层级的学业水平一致,可计算第一学校的多个层级中每一层级的层级平均分,计算第二学校的多个层级中每一层级的层级平均分,根据第一学校的多个层级平均分、第二学校的多个层级平均分和学业水平比值确定处于相同学业水平的第一学校的第m层级与第二学校的第n层级,例如,计算出第二学校与第一学校的学业水平比值β,进而可计算出每个层级是否近似相等,计算公式β ≈第一学校某层均分/第二学校某层均分,如第一学校、第二学校的学业水平比值β=第一学校加权平均分/第二学校加权平均分=0.8,第一学校第一层学生层平均分70分,若第二学校第一层可与A学校一层匹配,则B校第一层平均分应在87.5(即70/0.8)左右,若第二学校的第二层学生层平均分为87分,可向第一学校的第一层级的学生和第二学校的第二层级的学生推荐相同的学习资源。
可以看出,本申请实施例中的应学校间的学业水平比较方法,获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;若第一学校和第二学校之间共同参与联考的联考次数少于预设数值,从第一历史作答数据和第二历史作答数据中选取目标试题,得到目标试题集合;根据目标试题集合生成虚拟联考评估试卷;根据虚拟联考评估试卷比较第一学校和第二学校的学校学业水平,如此,可在不同学校间的共同联考数据较少时,通过生成虚拟联考评估试卷,来评估比较不同学校之间的学业水平。
请参阅图2,图2为本申请实施例提供的一种学校间的学业水平比较方法的流程示意图,所述方法包括:
201、获取第一学校的第一历史作答数据和第二学校的第二历史作答数据。
202、若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,获取所述第一学校共同参与联考的第一联考成绩,以及所述第二学校共同参与联考的第二联考成绩。
203、若所述联考次数大于或等于预设数值,根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平。
204、若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合。
205、根据所述目标试题集合生成虚拟联考评估试卷。
206、若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,且所述联考次数和所述虚拟试卷数目之和大于或等于所述预设数值,根据所述第一虚拟成绩和所述第一联考成绩计算所述第一学校的第三加权平均分,根据所述第二虚拟成绩和所述第二联考成绩计算所述第二学校的第四加权平均分。
207、根据所述第三加权平均分和所述第四加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
208、若所述第一学校和所述第二学校未共同参与联考,且所述虚拟试卷数目大于或等于所述预设数值,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
209、在所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值时,获取多个学校的作答样本数据。
210、根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型。
211、根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩。
212、根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平。
可以看出,本申请实施例,通过获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;在联考作答数据足够时,优先采用联考作答数据进行学业水平评估比较;在联考作答数据不充足时,根据第一历史作答数据和第二历史作答数据生成虚拟联考评估试卷,在同时存在联考作答数据和虚拟联考评估试卷时,优先采用联考作答数据进行学业水平评估比较;在仅有虚拟联考评估试卷,且虚拟联考评估试卷充足时,采用虚拟联考评估试卷进行学业水平评估比较;在联考作答数据和虚拟联考评估试卷均不充足时,通过学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩,如此,可在不同学校间的共同联考数据较少时,通过生成虚拟联考评估试卷,来评估比较不同学校之间的学业水平,在生成的虚拟联考评估试卷充足时,仍可保证能够基于已有的历史作答数据进行学业水平评估比较。
以下是实施上述学校间的学业水平比较方法的装置,具体如下:
与上述一致地,请参阅图3,图3是本申请实施例提供的一种电子设备的结构示意图,该电子设备包括:处理器310、通信接口330和存储器320;以及一个或多个程序321,所述一个或多个程序321被存储在所述存储器320中,并且被配置成由所述处理器执行,所述程序321包括用于执行以下步骤的指令:
获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
根据所述目标试题集合生成虚拟联考评估试卷;
根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平。
在一个可能的示例中,在所述从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合方面,所述程序321包括用于执行以下步骤的指令:
将所述第一历史作答数据和所述第二历史作答数据进行比对,得到待选试题集,所述待选试题集存在以下至少一种待选试题:比对得到的相同试题或相似试题;
获取待选试题集中每一待选试题的学业评估参数,得到多个学业评估参数;
根据所述多个学业评估参数从所述待选试题集中选取多个目标试题,得到所述目标试题集合。
在一个可能的示例中,所述学业评估指标参数包括信度,在所述获取待选试题集中每一待选试题的学业评估指标参数,得到多个学业评估参数方面,所述程序321包括用于执行以下步骤的指令:
将所述待选试题集中每一待选试题输入预设的信度预测模型,输出该待选试题的信度,得到多个信度。
在一个可能的示例中,在所述根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题方面,所述程序321包括用于执行以下步骤的指令:
获取预先设置的试卷评估参数;
根据所述试卷评估参数配置试题分布信息,所述试题分布信息包括分别处于不同的多个参数范围的试题分布信息;
根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,使所述多个目标试题满足所述试题分布信息。
在一个可能的示例中,所述程序321包括用于执行以下步骤的指令:
若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,获取所述第一学校共同参与联考的第一联考成绩,以及所述第二学校共同参与联考的第二联考成绩;
若所述联考次数大于或等于预设数值,根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平。
在一个可能的示例中,所述第一联考成绩包括至少一次联考对应的至少一个第一联考平均分,所述第二联考成绩包括至少一次联考对应的至少一个第二联考平均分,在所述根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平方面,所述程序321包括用于执行以下步骤的指令:
根据所述至少一个第一联考平均分计算所述第一学校的第一加权平均分,根据所述至少一个第二联考平均分计算所述第二学校的第二加权平均分;
根据所述第一加权平均分和所述第二加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
在一个可能的示例中,所述虚拟联考评估试卷的虚拟试卷数目为至少一个,在所述根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平方面,所述程序321包括用于执行以下步骤的指令:
根据所述第一历史作答数据计算所述第一学校关于所述虚拟联考评估试卷的第一虚拟成绩;根据所述第二学校的第二历史作答数据计算所述第二学校关于所述虚拟联考评估试卷的第二虚拟成绩;所述第一虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第一虚拟平均分;所述第二虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第二虚拟平均分;
若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,且所述联考次数和所述虚拟试卷数目之和大于或等于所述预设数值,根据所述第一虚拟成绩和所述第一联考成绩计算所述第一学校的第三加权平均分,根据所述第二虚拟成绩和所述第二联考成绩计算所述第二学校的第四加权平均分;
根据所述第三加权平均分和所述第四加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
在一个可能的示例中,所述程序321还包括用于执行以下步骤的指令:
若所述第一学校和所述第二学校未共同参与联考,且所述虚拟试卷数目大于或等于所述预设数值,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
在一个可能的示例中,在所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值时,所述程序321还包括用于执行以下步骤的指令:
获取多个学校的作答样本数据;
根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型;
根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩;
根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平。
在一个可能的示例中,所述作答样本数据包括所述多个学校中每一学校的作答样本数据,在所述根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型方面,所述程序321包括用于执行以下步骤的指令:
将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量;
将所述多个学业水平表征向量中每一学业水平表征向量作为输入,将每一学校在试题中的得分作为输出,对所述预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型。
在一个可能的示例中,每一学校的作答样本数据包括所述学校标识、学校的题目序列和学校关于所述题目序列的历史平均分序列,在所述将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量方面,所述程序321还包括用于执行以下步骤的指令:
通过预设的预训练语言模型将所述题目序列中的每一题目转换成题目表征向量,得到题目表征向量序列;
将所述题目表征向量序列中每一题目表征向量和所述历史平均分序列中与该题目表征向量对应的历史平均分进行融合,得到融合后的题目表征向量序列;
对所述融合后的题目表征向量序列中的历史平均分进行加权平均和归一化处理,得到所述每一学校的学业水平表征向量。
在一个可能的示例中,在所述根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩方面,所述程序321包括用于执行以下步骤的指令:
将预设的水平预测试卷的多个试题中每一试题与第一学校的学校标识输入所述目标学业水平预测模型,输出第一学校的第一预测得分,得到多个第一预测得分;将预设的水平预测试卷的多个试题中每一试题与第二学校的学校标识输入所述目标学业水平预测模型,输出第二学校的第二预测得分,得到多个第二预测得分;
根据所述多个第一预测得分计算所述第一学校的第一预测成绩;根据所述多个第二预测得分计算所述第二学校的第二预测成绩。
在一个可能的示例中,第一学校和第二学校之间的学校学业水平结果为所述第一学校和所述第二学校之间的学业水平比值,所述程序321还包括用于执行以下步骤的指令:
根据所述第一历史作答数据将所述第一学校的学生进行分层,得到第一学校的多个层级,计算所述第一学校的多个层级中每一层级的层级平均分,得到第一学校的多个层级平均分;
根据所述第二历史作答数据将所述第二学校的学生进行分层,得到第二学校的多个层级,计算所述第二学校的多个层级中每一层级的层级平均分,得到第二学校的多个层级平均分;
根据所述第一学校的多个层级平均分、所述第二学校的多个层级平均分和所述学业水平比值确定处于相同学业水平的所述第一学校的第m层级与所述第二学校的第n层级,m,n为正整数;
向所述第一学校的第m层级的学生和所述二学校的第n层级的学生推荐相同的学习资源。
需要说明的是,本申请实施例中的具体实施步骤和其他实施步骤,可参见图1所示的方法实施例的步骤,为避免重复,这里不再详细描述。
请参阅图4,图4是本实施例提供的一种学校间的学业水平比较装置的结构示意图,该学校间的学业水平比较装置400包括所述装置包括处理单元401和通信单元402,处理单元401用于对电子设备的动作进行控制管理,
通信单元402用于支持电子设备与其他设备的通信。终端还可以包括存储单元403,用于存储终端的程序代码和数据。
其中,处理单元401可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信单元402可以是通信接口、收发器、收发电路等,存储单元403可以是存储器。
具体实现时,所述处理单元401用于执行如上述方法实施例中由电子设备执行的任一步骤,且在执行诸如发送等数据传输时,可选择的调用所述通信单元402来完成相应操作。下面进行详细说明。
语音处理装置400,包括处理单元和通信单元,其中,通信单元402,用于获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
处理单元401,用于若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
所述处理单元401,还用于根据所述目标试题集合生成虚拟联考评估试卷;
所述处理单元401,还用于根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平。
可选地,在所述从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合方面,所述处理单元401具体用于:
将所述第一历史作答数据和所述第二历史作答数据进行比对,得到待选试题集,所述待选试题集存在以下至少一种待选试题:比对得到的相同试题或相似试题;
获取待选试题集中每一待选试题的学业评估参数,得到多个学业评估参数;
根据所述多个学业评估参数从所述待选试题集中选取多个目标试题,得到所述目标试题集合。
可选地,所述学业评估指标参数包括信度,在所述获取待选试题集中每一待选试题的学业评估指标参数,得到多个学业评估参数方面,所述处理单元401具体用于:
将所述待选试题集中每一待选试题输入预设的信度预测模型,输出该待选试题的信度,得到多个信度。
可选地,在所述根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题方面,所述处理单元401具体用于:
获取预先设置的试卷评估参数;
根据所述试卷评估参数配置试题分布信息,所述试题分布信息包括分别处于不同的多个参数范围的试题分布信息;
根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,使所述多个目标试题满足所述试题分布信息。
可选地,所述处理单元401还用于:
若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,获取所述第一学校共同参与联考的第一联考成绩,以及所述第二学校共同参与联考的第二联考成绩;
若所述联考次数大于或等于预设数值,根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平。
可选地,所述第一联考成绩包括至少一次联考对应的至少一个第一联考平均分,所述第二联考成绩包括至少一次联考对应的至少一个第二联考平均分,在所述根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平方面,所述处理单元401具体用于:
根据所述至少一个第一联考平均分计算所述第一学校的第一加权平均分,根据所述至少一个第二联考平均分计算所述第二学校的第二加权平均分;
根据所述第一加权平均分和所述第二加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
可选地,所述虚拟联考评估试卷的虚拟试卷数目为至少一个,在所述根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平方面,所述处理单元401具体用于:
根据所述第一历史作答数据计算所述第一学校关于所述虚拟联考评估试卷的第一虚拟成绩;根据所述第二学校的第二历史作答数据计算所述第二学校关于所述虚拟联考评估试卷的第二虚拟成绩;所述第一虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第一虚拟平均分;所述第二虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第二虚拟平均分;
若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,且所述联考次数和所述虚拟试卷数目之和大于或等于所述预设数值,根据所述第一虚拟成绩和所述第一联考成绩计算所述第一学校的第三加权平均分,根据所述第二虚拟成绩和所述第二联考成绩计算所述第二学校的第四加权平均分;
根据所述第三加权平均分和所述第四加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
可选地,所述处理单元401还用于:
若所述第一学校和所述第二学校未共同参与联考,且所述虚拟试卷数目大于或等于所述预设数值,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
可选地,在所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值时,所述处理单元401还用于:
获取多个学校的作答样本数据;
根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型;
根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩;
根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平。
可选地,所述作答样本数据包括所述多个学校中每一学校的作答样本数据,在所述根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型方面,所述处理单元401具体用于:
将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量;
将所述多个学业水平表征向量中每一学业水平表征向量作为输入,将每一学校在试题中的得分作为输出,对所述预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型。
可选地,每一学校的作答样本数据包括所述学校标识、学校的题目序列和学校关于所述题目序列的历史平均分序列,在所述将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量方面,所述处理单元401具体用于:
通过预设的预训练语言模型将所述题目序列中的每一题目转换成题目表征向量,得到题目表征向量序列;
将所述题目表征向量序列中每一题目表征向量和所述历史平均分序列中与该题目表征向量对应的历史平均分进行融合,得到融合后的题目表征向量序列;
对所述融合后的题目表征向量序列中的历史平均分进行加权平均和归一化处理,得到所述每一学校的学业水平表征向量。。
可选地,在所述根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩方面,所述处理单元401具体用于:
将预设的水平预测试卷的多个试题中每一试题与第一学校的学校标识输入所述目标学业水平预测模型,输出第一学校的第一预测得分,得到多个第一预测得分;将预设的水平预测试卷的多个试题中每一试题与第二学校的学校标识输入所述目标学业水平预测模型,输出第二学校的第二预测得分,得到多个第二预测得分;
根据所述多个第一预测得分计算所述第一学校的第一预测成绩;根据所述多个第二预测得分计算所述第二学校的第二预测成绩。
可选地,第一学校和第二学校之间的学校学业水平结果为所述第一学校和所述第二学校之间的学业水平比值,所述处理单元401,还用于:
根据所述第一历史作答数据将所述第一学校的学生进行分层,得到第一学校的多个层级,计算所述第一学校的多个层级中每一层级的层级平均分,得到第一学校的多个层级平均分;
根据所述第二历史作答数据将所述第二学校的学生进行分层,得到第二学校的多个层级,计算所述第二学校的多个层级中每一层级的层级平均分,得到第二学校的多个层级平均分;
根据所述第一学校的多个层级平均分、所述第二学校的多个层级平均分和所述学业水平比值确定处于相同学业水平的所述第一学校的第m层级与所述第二学校的第n层级,m,n为正整数;
向所述第一学校的第m层级的学生和所述二学校的第n层级的学生推荐相同的学习资源。
可以看出,本申请实施例中所描述的学校间的学业水平比较装置,获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;若第一学校和第二学校之间共同参与联考的联考次数少于预设数值,从第一历史作答数据和第二历史作答数据中选取目标试题,得到目标试题集合;根据目标试题集合生成虚拟联考评估试卷;根据虚拟联考评估试卷比较第一学校和第二学校的学校学业水平,如此,可在不同学校间的共同联考数据较少时,通过生成虚拟联考评估试卷,来评估比较不同学校之间的学业水平。
需要说明的是,本申请实施例中的具体实施步骤和其他实施步骤,可参见图1所示的方法实施例的步骤,为避免重复,这里不再详细描述。
可以理解的是,本实施例的学校间的学业水平比较装置的各程序模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory ,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种学校间的学业水平比较方法,其特征在于,所述方法包括:
获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
根据所述目标试题集合生成虚拟联考评估试卷;
根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平,包括:根据所述第一历史作答数据计算所述第一学校关于所述虚拟联考评估试卷的第一虚拟成绩;根据所述第二学校的第二历史作答数据计算所述第二学校关于所述虚拟联考评估试卷的第二虚拟成绩;根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合,包括:
将所述第一历史作答数据和所述第二历史作答数据进行比对,得到待选试题集,所述待选试题集存在以下至少一种待选试题:比对得到的相同试题或相似试题;
获取待选试题集中每一待选试题的学业评估参数,得到多个学业评估参数;
根据所述多个学业评估参数从所述待选试题集中选取多个目标试题,得到所述目标试题集合。
3.根据权利要求2所述的方法,其特征在于,所述学业评估指标参数包括信度,所述获取待选试题集中每一待选试题的学业评估指标参数,得到多个学业评估参数,包括:
将所述待选试题集中每一待选试题输入预设的信度预测模型,输出该待选试题的信度,得到多个信度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,包括:
获取预先设置的试卷评估参数;
根据所述试卷评估参数配置试题分布信息,所述试题分布信息包括分别处于不同的多个参数范围的试题分布信息;
根据所述多个学业评估指标参数从所述待选试题集中选取多个目标试题,使所述多个目标试题满足所述试题分布信息。
5.根据权利要求1-4任一项所述的方法,所述方法还包括:
若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0,获取所述第一学校共同参与联考的第一联考成绩,以及所述第二学校共同参与联考的第二联考成绩;
若所述联考次数大于或等于预设数值,根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平。
6.根据权利要求5所述的方法,其特征在于,所述第一联考成绩包括至少一次联考对应的至少一个第一联考平均分,所述第二联考成绩包括至少一次联考对应的至少一个第二联考平均分,所述根据所述第一联考成绩和所述第二联考成绩比较所述第一学校和所述第二学校的学校学业水平,包括:
根据所述至少一个第一联考平均分计算所述第一学校的第一加权平均分,根据所述至少一个第二联考平均分计算所述第二学校的第二加权平均分;
根据所述第一加权平均分和所述第二加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
7.根据权利要求5所述的方法,其特征在于,所述虚拟联考评估试卷的虚拟试卷数目为至少一个,所述根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平,包括:
所述第一虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第一虚拟平均分;所述第二虚拟成绩包括至少一个虚拟联考评估试卷对应的至少一个第二虚拟平均分;若所述第一学校和所述第二学校之间共同参与联考的联考次数大于0且小于所述预设数值,且所述联考次数和所述虚拟试卷数目之和大于或等于所述预设数值,根据所述第一虚拟成绩和所述第一联考成绩计算所述第一学校的第三加权平均分,根据所述第二虚拟成绩和所述第二联考成绩计算所述第二学校的第四加权平均分;
根据所述第三加权平均分和所述第四加权平均分确定所述第一学校和所述第二学校的学业水平比较结果。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述第一学校和所述第二学校未共同参与联考,且所述虚拟试卷数目大于或等于所述预设数值,根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
9.根据权利要求1所述的方法,其特征在于,在所述联考次数和所述虚拟联考评估试卷的虚拟试卷数目之和小于所述预设数值时,所述方法还包括:
获取多个学校的作答样本数据;
根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型;
根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩;
根据所述第一预测成绩和所述第二预测成绩比较所述第一学校和所述第二学校的学校学业水平。
10.根据权利要求9所述的方法,其特征在于,所述作答样本数据包括所述多个学校中每一学校的作答样本数据,所述根据所述作答样本数据对预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型,包括:
将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量;
将所述多个学业水平表征向量中每一学业水平表征向量作为输入,将每一学校在试题中的得分作为输出,对所述预设的学业水平预测模型进行训练,得到训练后的目标学业水平预测模型。
11.根据权利要求10所述的方法,其特征在于,每一学校的作答样本数据包括学校标识、学校的题目序列和学校关于所述题目序列的历史平均分序列,所述将所述多个学校中每一学校的作答样本数据转换成该学校的学业水平表征向量,得到多个学业水平表征向量,包括:
通过预设的预训练语言模型将所述题目序列中的每一题目转换成题目表征向量,得到题目表征向量序列;
将所述题目表征向量序列中每一题目表征向量和所述历史平均分序列中与该题目表征向量对应的历史平均分进行融合,得到融合后的题目表征向量序列;
对所述融合后的题目表征向量序列中的历史平均分进行加权平均和归一化处理,得到所述每一学校的学业水平表征向量。
12.根据权利要求9所述的方法,其特征在于,所述根据所述目标学业水平预测模型预测所述第一学校的第一预设成绩和所述第二学校的第二预测成绩,包括:
将预设的水平预测试卷的多个试题中每一试题与第一学校的学校标识输入所述目标学业水平预测模型,输出第一学校的第一预测得分,得到多个第一预测得分;将预设的水平预测试卷的多个试题中每一试题与第二学校的学校标识输入所述目标学业水平预测模型,输出第二学校的第二预测得分,得到多个第二预测得分;
根据所述多个第一预测得分计算所述第一学校的第一预测成绩;根据所述多个第二预测得分计算所述第二学校的第二预测成绩。
13.根据权利要求6-12任一项所述的方法,其特征在于,第一学校和第二学校之间的学校学业水平结果为所述第一学校和所述第二学校之间的学业水平比值,所述方法还包括:
根据所述第一历史作答数据将所述第一学校的学生进行分层,得到第一学校的多个层级,计算所述第一学校的多个层级中每一层级的层级平均分,得到第一学校的多个层级平均分;
根据所述第二历史作答数据将所述第二学校的学生进行分层,得到第二学校的多个层级,计算所述第二学校的多个层级中每一层级的层级平均分,得到第二学校的多个层级平均分;
根据所述第一学校的多个层级平均分、所述第二学校的多个层级平均分和所述学业水平比值确定处于相同学业水平的所述第一学校的第m层级与所述第二学校的第n层级,m,n为正整数;
向所述第一学校的第m层级的学生和所述二学校的第n层级的学生推荐相同的学习资源。
14.一种学校间的学业水平比较装置,其特征在于,所述装置包括:
通信单元,用于获取第一学校的第一历史作答数据和第二学校的第二历史作答数据;
处理单元,用于若所述第一学校和所述第二学校之间共同参与联考的联考次数少于预设数值,从所述第一历史作答数据和所述第二历史作答数据中选取目标试题,得到目标试题集合;
所述处理单元,还用于根据所述目标试题集合生成虚拟联考评估试卷;
所述处理单元,还用于根据所述虚拟联考评估试卷比较所述第一学校和所述第二学校的学校学业水平,包括:根据所述第一历史作答数据计算所述第一学校关于所述虚拟联考评估试卷的第一虚拟成绩;根据所述第二学校的第二历史作答数据计算所述第二学校关于所述虚拟联考评估试卷的第二虚拟成绩;根据所述第一虚拟成绩和所述第二虚拟成绩比较所述第一学校和所述第二学校的学校学业水平。
15.一种电子设备,其特征在于,包括处理器、存储器和通信接口,所述存储器用于存储一个或多个程序,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-13任一项所述的方法中的步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574009.5A CN112749881B (zh) | 2020-12-25 | 2020-12-25 | 学校间的学业水平比较方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011574009.5A CN112749881B (zh) | 2020-12-25 | 2020-12-25 | 学校间的学业水平比较方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749881A CN112749881A (zh) | 2021-05-04 |
CN112749881B true CN112749881B (zh) | 2023-10-27 |
Family
ID=75646256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011574009.5A Active CN112749881B (zh) | 2020-12-25 | 2020-12-25 | 学校间的学业水平比较方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749881B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901555A (zh) * | 2010-07-30 | 2010-12-01 | 政高有限公司 | 学习能力检测系统及其方法 |
CN106095812A (zh) * | 2016-05-31 | 2016-11-09 | 广东能龙教育股份有限公司 | 一种基于相似性度量的智能试卷生成方法 |
CN106373055A (zh) * | 2016-08-31 | 2017-02-01 | 武汉颂大教育科技股份有限公司 | 一种基于大数据的教学质量测评系统 |
CN107705033A (zh) * | 2017-10-24 | 2018-02-16 | 武汉览山科技股份有限公司 | 一种基于大数据的教学质量测评系统 |
CN110490467A (zh) * | 2019-08-22 | 2019-11-22 | 常州易学网络科技有限公司 | 一种中小学生学业能力测评方法及系统 |
CN110706136A (zh) * | 2019-06-01 | 2020-01-17 | 强龙祥 | Ai+数字化校园建设方案研究 |
CN111737450A (zh) * | 2020-08-05 | 2020-10-02 | 江西风向标教育科技有限公司 | 试卷组卷方法、装置、存储介质及计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090197234A1 (en) * | 2008-01-31 | 2009-08-06 | Damian Creamer | System and method for a virtual school |
-
2020
- 2020-12-25 CN CN202011574009.5A patent/CN112749881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901555A (zh) * | 2010-07-30 | 2010-12-01 | 政高有限公司 | 学习能力检测系统及其方法 |
CN106095812A (zh) * | 2016-05-31 | 2016-11-09 | 广东能龙教育股份有限公司 | 一种基于相似性度量的智能试卷生成方法 |
CN106373055A (zh) * | 2016-08-31 | 2017-02-01 | 武汉颂大教育科技股份有限公司 | 一种基于大数据的教学质量测评系统 |
CN107705033A (zh) * | 2017-10-24 | 2018-02-16 | 武汉览山科技股份有限公司 | 一种基于大数据的教学质量测评系统 |
CN110706136A (zh) * | 2019-06-01 | 2020-01-17 | 强龙祥 | Ai+数字化校园建设方案研究 |
CN110490467A (zh) * | 2019-08-22 | 2019-11-22 | 常州易学网络科技有限公司 | 一种中小学生学业能力测评方法及系统 |
CN111737450A (zh) * | 2020-08-05 | 2020-10-02 | 江西风向标教育科技有限公司 | 试卷组卷方法、装置、存储介质及计算机设备 |
Non-Patent Citations (3)
Title |
---|
Prediction of Students’ Academic Success Using Data Mining Methods;Vahide Nida Uzel等;《2018 Innovations in Intelligent Systems and Applications Conference (ASYU)》;第1-5页 * |
建三江地区中小学校效能评价的研究;郎福军;《中国优秀硕士学位论文全文数据库社会科学II辑》;H130-27 * |
测验等值技术在中小学教学管理与评价中的运用;黎光明等;《教育测量与评价(理论版)》;第8-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749881A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shah et al. | Implementation of technology acceptance model in e-learning environment in rural and urban areas of Pakistan | |
Mihaly et al. | Where you come from or where you go? Distinguishing between school quality and the effectiveness of teacher preparation program graduates | |
Mitchell et al. | The new teacher induction experience: Tension between curricular and programmatic demands and the need for immediate help | |
Blasco-Arcas et al. | Using clickers in class. The role of interactivity, active collaborative learning and engagement in learning performance | |
Liu | Outcomes assessment in higher education: Challenges and future research in the context of voluntary system of accountability | |
US20160293036A1 (en) | System and method for adaptive assessment and training | |
US20160005323A1 (en) | Adaptive e-learning system and method | |
US20070224586A1 (en) | Method and system for evaluating and matching educational content to a user | |
Tyler et al. | Factors influencing virtual patron satisfaction with online library resources and services. | |
Palmquist et al. | Participation in the school orchestra and string teachers Facebook v2 group: An online community of practice | |
CN107688883B (zh) | 在线答疑时的调度方法和装置 | |
KR20190098376A (ko) | 대학입시 합격 예측 방법 | |
Shinkareva et al. | The relationship between adult students' instructional technology competency and self-directed learning ability in an online course | |
Guest | Will flexible learning raise student achievement? | |
Ames et al. | Wanted for 21st Century Schools: Renaissance STEM Teacher Preferred. | |
JP2002072856A (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
Baird et al. | Rater accuracy and training group effects in Expert-and Supervisor-based monitoring systems | |
Abu-Shanab | E-learning system's acceptance: A comparative study | |
Edwards | Impact of technology on the content and nature of teaching and learning | |
Buabeng et al. | Physics teachers' views on their initial teacher education | |
Wang et al. | Crowdsourcing-Based Framework for Teaching Quality Evaluation and Feedback Using Linguistic 2-Tuple. | |
CN112749881B (zh) | 学校间的学业水平比较方法、装置及电子设备 | |
CN112883271A (zh) | 基于层次分析法评定的课程教育系统及课程推荐方法 | |
Strayhorn | College in the information age: Gains associated with students’ use of technology | |
Alshammari | Exploring the factors that influence students’ behavioral intention to use M-learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |