CN112819355A - 一种学生学习状态评测方法、装置、及计算机设备 - Google Patents
一种学生学习状态评测方法、装置、及计算机设备 Download PDFInfo
- Publication number
- CN112819355A CN112819355A CN202110181771.5A CN202110181771A CN112819355A CN 112819355 A CN112819355 A CN 112819355A CN 202110181771 A CN202110181771 A CN 202110181771A CN 112819355 A CN112819355 A CN 112819355A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- identifier
- candidate user
- student
- 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 84
- 230000006399 behavior Effects 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000011157 data evaluation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 10
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 239000013256 coordination polymer Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种学习状态评测方法、装置、及相关电子设备，其中所述学习状态评测方法，包括，获取对象标识，包括所述对象标识对应的对象基本数据和对象行为数据；获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，对采样处理后的多个数据进行处理生成候选用户矩阵；候选用户矩阵设有S标识和P标识；根据S标识和P标识进行计算，得到评测结果和评测概率，并基于评测结果和评测概率，输送到终端生成第一分布图。本发明的评测方法克服了主观性，定性、定量的对教学过程和结果进行了全面评测。
Description
【技术领域】
本发明涉及计算机技术领域，尤其涉及一种学生学习状态评测方法、装置、及计算机设备。
【背景技术】
随着网络科技的发展，在线教育凭借“互联网+”的优势在学校、培训机构扮演着重要的角色，用户规模越来越庞大。在线教育不仅仅是做传统教学向直播教学的简单转移，也需要充分利用教学过程中产生的教育大数据实现个性化服务。在线学习环境给予了学生充分的自主学习权，但对学生自主学习的最后结果上，却还只停留在答案的正确与错误上，学生掌握了哪些知识？欠缺了哪些知识？学生学习态度怎么样？学习方法是否得当？现在迫切需要一种科学的、有效的分析方法去解决上述问题。
另外，现有技术中去分析每个学生的学习状态，或者是考察某道题目的合理程度的办法仍带有主观性、片面性，不存在客观化、标准化、定量化及定性化的优点去全面评测教学过程和结果。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种学生学习状态评测方法、装置、及相关电子设备，能够客观、标准、定量、定性的去全面评测教学过程和结果。
为实现上述目的，本发明提出了一种学生学习状态评测方法，包括：
获取对象标识，包括所述对象标识对应的对象基本数据和对象行为数据；
获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
将对象基本数据和对象行为数据输入模型，对所述模型中的多个数据进行预处理和特征处理得到标准数据；
利用所述标准数据生成候选用户矩阵，其中，所述候选用户矩阵设有 S标识和P标识；
根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，并基于所述评测结果和评测概率对所述对象标识的学习状态进行评测。
其中，对象基本数据可指代学生用户信息。例如可以包括学生姓名、学生学号、学生班级等信息；对象行为数据可以指代学生触发的历史事件，例如对应的学生用户信息与电子设备形成的学习质量高低，做题答对等的互动行为。
获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
在本申请中，所述对象基本数据可理解为学生学号对应的数据库，例如为学生1号、学生2号、学生3号……，所述对象行为数据可理解为问题题号对应的数据库，例如为问题1被学生1号做对、问题2被学生1号做对、问题3被学生1做错……。
其中，获得访问用户数据，根据所述基本数据和对象行为数据进行采样处理。根据获取到的对象基本数据和对象行为数据，即学生学号作为列索引；对象行为数据，即问题号作为行索引，根据获取到的学生学号，对应的所做的做题题号的答案，此时答案不唯一，具有多样性，生成候选用户集。
采样处理过程中，对所述基本数据，对象行为数据进行预处理。例如对基本数据和对象行为数据的多种类型进行数据清洗、向量提取、归一化等数据预处理，在本申请中，可理解为简单来说就是对某些缺失的数据进行删除或者填充。
其中，候选用户集利用特征二值法处理得到标准数据，所述标准数据生成候选用户矩阵，具体为标准数据只由0和1组成，该学生答对题目的对应数据改为1，答错题目的改为0。
可选的，在将对象基本数据和对象行为数据输入训练模型，对所述训练模型中的多个数据进行预处理和特征处理得到标准数据步骤后，对所述标准数据进行处理，具体处理步骤包括：
所述对象基本数据所在向量组对应的标准数据作为第一样本数据，所述对象行为数据所在向量组对应的标准数据作为第二样本数据，根据所述第一样本数据和第二样本数据对所述候选用户矩阵进行关联升序或降序。在本申请中，第一样本数据可理解为该学生号答对题目的总得分，第二样本数据可理解为答对该题目的总学生数。
可选的，根据所述第一样本数据和第二样本数据对所述候选用户矩阵进行关联升序或降序，还包括：
当所述第一样本数据或第二样本数据仍相同时，根据所述各个基本数据所在向量组对对应的第一样本数据进行再次降序或者升序，同时，也根据对象行为数据所在向量组对对应的第二样本数据进行再次降序或升序。
在本申请中，所述第一样本数据数值从上到下依次减小，所述第二样本数据数值从左到右依次减小。
可选的，对排序好的候选用户矩阵进行标识，所述S标识根据所述第一样本数据进行标识，具体为根据所述对象基本数据所在的向量组，其中第一样本数据为N，对第N个标准数据进行标识，第一样本数据为N+1，对第N+1个标准数据进行标识，将所述标识首尾端依次相连；所述P标识根据所述第二样本数据进行标识，具体为根据所述对象行为数据所在的向量组，其中第二样本数据为K，对第K个标准数据进行标识，第二样本数据为K+1，对第K+1个标准数据进行标识，将所述标识首尾端依次相连，所述S标识和P标识呈阶梯型。
在本申请中，可理解为所述S标识根据学生作答正确的问题数量进行划分，所述P标识根据问题答对总人数进行划分。
可选的，所述候选用户矩阵中所述基本数据对应的对象行为数据的评测结果包括，根据所述训练模型中的第一预设规则对候选用户矩阵的标准数据进行计算、得到所述评测结果和评测概率。
在本申请中，通过生成的用户候选矩阵，运用第一预设规则对标准数据进行计算，得出学生警告系数和问题警告系数，即所述评测结果,还应该理解的是所述评测概率为公共常识所能求得的答对相应题目的概率，在这里没有赘述写进第一预设规则的具体计算公式。
可选的，基于所述评测结果和评测概率对所述对象标识的学习状态进行评测。
可选的，所述对象标识对应的所述评测结果，还可通过集成函数，集成为视图评测数据，基于所述视图评测数据评价多个对象标识的学习状态。
一种学生学习状态评测装置，所述装置包括：
数据获取模块：获取对象标识，包括所述对象标识对应的对象基本数据和对象行为数据；
数据采样模块：获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
数据评测模块：将对象基本数据和对象行为数据输入模型，对所述模型中的多个数据进行预处理和特征处理得到标准数据；
利用所述标准数据生成候选用户矩阵，其中，所述候选用户矩阵设有 S标识和P标识；
根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，并基于所述评测结果和评测概率对所述对象标识的学习状态进行评测；
数据推送模块：把所述数据评测模块的结果数据推送到终端。
一种计算机可读存储介质，存储有机计算机程序，所述计算机程序被处理时，使得所述处理器执行上述任一所述方法的步骤。
一种计算机设备，包括存储器和处理器，所述存储器存储有机计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述中任一所述方法的步骤。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是一种基于学习状态评测方法的应用场景图示意图；
图2是一种基于学习状态评测方法的流程示意图；
图3是本发明图S23部分的子流程示意图；
图4是本发明一个实施例基于在线教育的学习状态评测装置结构框图；
图5是本发明一个实施例中计算机设备的结构框图；
图6是本发明本发明一个实施例中学生—问题表初始状态示意图；
图7是本发明实施例学生做题数据缺失示意图；
图8是本发明另一个实施例中学生—问题进行特征处理前的示意图；
图9是本发明另一个实施例学生—问题表进行特征处理后的示意图；
图10是本发明实施例中对学生—问题矩阵排序的示意图；
图11是本发明实施例中绘制S标识和P标识结果示意图；
图12是本发明实施例中根据S标识和P标识计算的评测结果示意图；
图13是本发明实施例中根据评测结果生成的第一分布图；
图14是本发明实施例中根据评测结果进一步可生成的第二分布图；
图15是本发明实施例中计算机设备的结构框图；
【具体实施方式】
本发明提供的一种基于在线教育的学生学习状态评测方法，可以应用于如图1所示的场景中。参考图1、图2、图3，其中，终端102可通过网络与服务器104进行通信。其中，终端102可以但不仅限于各种个人计算机、笔记本电脑、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器，也可以是多个服务器组成的服务器集群来实现。终端102可以向服务器104发送用户信息，获取对象标识，包括对象标识对应的对象基本数据和对象行为数据；获取访问用户数据，根据对象基本数据和对象行为数据对访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集，将对象基本数据和对象行为数据输入训练模型，对所述训练模型中的多个数据进行预处理和特征处理得到标准数据；利用所述标准数据生成候选用户矩阵；候选用户矩阵设有S标识和P标识；根据S标识和 P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，并基于所述评测结果和评测概率对所述对象标识的学习状态进行评测。评测结果和评测概率具有客观性、标准性、定量性的特性，可以做到全面评价教学过程和教学结果。
具体的学生学习状态评测方法的流程参考图2。
S20:获取对象标识，包括对象标识对应的对象基本数据和对象行为数据。其中，在本实施例中，对象标识为某一个学生，基于特定的学生从在线教育平台的后台获取该学生的做题数据。
在本实施例中，所述对象基本数据可理解为学生学号对应的数据库，，例如为学生1号，学生2号……，在其他实施例中，所述对象基本数据也可以为学生名字等信息。所述对象行为数据可理解为该学生的学习记录，例如该学生所做的课程和题目数据，例如该学生1号只学过数学，因此对象标识即为学生1号及其所做过的数学习题数据。当该学生学习过多种不同的课程时，所述对象行为数据可以由用户选择，对哪一门课进行学习状态分析；当该学生只学习过一种课程时，系统自动确认对该课程进行学习状态分析。
S21:获取访问用户数据，根据对象基本数据和对象行为数据对访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集。
根据对象基本数据和对象行为数据,获取对象标识对应的访问用户数据。在本实施例中，当对象标识为某一个学生，且选择数学课作为学习状态分析的课程时，所述访问用户数据为该学生同一班或同一年级的数学习题数据，所述访问用户的范围可以自动确认，也可以由用户人为确定。
采样处理过程中，对所述基本数据，对象行为数据进行预处理和特征处理。例如对基本数据和对象行为数据的多种类型进行数据清洗、向量提取、归一化等数据预处理生成候选用户集。
参考图7，候选用户集中存在着数据缺失的问题时，处理数据缺失的方法有很多，最简单直接的方式是直接丢弃存在缺失值的样本数据，以避免填充缺失值带来的噪声。但是直接丢弃可能会造成一些重要信息的丢失，尤其是在数据量较少的情况下，因此可以选择平均数、众数、中位数等统计量进行适当的填充。如图7数据中缺失值为问题id，采用统计量填充不合理，所以选择直接删除缺失值。
S22:将对象基本数据和对象行为数据输入模型，对模型中的多个数据进行预处理和特征处理得到标准数据；
在本实施例中，参考图7,题目正确答案为4，根据“4”对候选用户集利用特征二值法处理得到标准数据，利用标准数据生成候选用户矩阵。参考图8、图9，答对题目的改为1，答错题目的改为0。
S23:利用所述标准数据生成候选用户矩阵，候选用户矩阵设有S标识和P标识，具体过程参考S231至S232。
S231:所述对象基本数据所在向量组对应的标准数据作为为第一样本数据，所述对象行为数据所在向量组对应的标准数据作为为第二样本数据，根据所述第一样本数据和第二样本数据对所述候选用户矩阵进行关联升序或降序。在本申请中，第一样本数据可理解为该学生号答对题目的总得分，第二样本数据可理解为答对该题目的总学生数。
S232:参考图10，根据第一样本数据和第二样本数据对候选用户矩阵进行关联升序或降序。具体为对每个学生答对题目进行求和，再对每道题目答对人数进行求和，从而得到新的分数列(G)和答对人数行(R)，分别合并到原矩阵的右侧和底部，最后对所有行按照分数降序排列，对所有列按照答对人数降序排列，其中分数列(G)对应为第一样本数据，答对人数行 (R)对应为第二样本数据；
排序后的矩阵，学生总得分和问题答对总人数仍可能相同，此时需要对数据进一步分析，对数值相同的数据进行排序，以相同分数的学生为例，假设学生均答对8题，将这些学生答对的问题所对应的答对总人数相加求和，然后按照他们的和降序排列这些行，列同理再排序。
参考图11、图12，排序好的候选用户矩阵设有S标识和P标识，本实施例的S标识和P标识为S(学生)线和P(问题)线。S线是根据学生作答正确的问题数量进行划分的，根据排序后第a个学生的总得分b，在第a行的第b个格子的右侧画竖线，并将所有竖线首尾相连，即可得到阶梯型的S线，具体如图11的实线所示。P线是根据问题答对总人数进行划分的，根据排序后第c个问题的答对总人数d，在第c列的第d个格子的下方画横线，并将所有横线首尾相连，即可得到阶梯型的P线，具体为图 11的虚线所示。
S25:根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，基于所述评测结果和评测概率对所述对象标识的学习状态进行评测。
在本实施例中，评测结果指的是学生警告系数CS和问题警告系数CP，通过第一预设规则算出学生和问题的警告系数，第一预设规则的计算公式具体如下：
对于学生i的警告系数CSi来说，
为学生i对应的第i行中S 线左侧值为0所对应的问题答对人数之和，
则为S线右侧值为 1所对应的问题答对人数之和，
为问题答对一行中前Gi个数之和，Gi为学生i的总得分，
为所有学生的得分之和。
对于问题j的警告系数CPj来说，
为问题j对应的第j列中P 线上方值为0所对应的学生得分之和，
则为P线下方值为1所对应的学生得分之和，
为学生总得分一列中前Rj个数之和，Rj为问题 j的答对总人数，
为所有问题答对总人数之和。
可结合图13、图14、图15更清晰明了的理解通过本申请的方法计算得到的评测数据和评测概率具有客观、准确、定性、定量的优点。其中将评测结果CS设为横坐标,也可以是CP设为横坐标。所测概率，即答对率，为下文提到的P,设为纵坐标，得到原点坐标，其中评测结果具有第一分界值0.5，评测概率具有第二分界值50％和第三分界值75％，根据分界值可对原点坐标进行象限划分，得到所述第一分布图。
以CS为横坐标为例，具体划分：
P<50％,CS<0.5区域为第1象限,其象限输出字段为学习力不足，学习不够充分，需要努力加紧用功；
P<50％,CS>0.5区域为第2象限,其象限输出字段为学习极不稳定，具有随性的学习习惯，对考试内容没有充分准备；
50％<P<75％,CS<0.5区域为第3象限,其象限输出字段为学习尚稳定，需要在用功一点；
50％<P<75％,CS>0.5区域为第4象限,其象限输出字段为偶尔粗心，准备不充分，需要在努力；
75％<P,CS<0.5区域为第5象限,其象限输出字段为学习良好，稳定性高；
75％<P,CS>0.5区域为第6象限,其象限输出字段为学习良好、但粗心大意，不细心造成错误。
参考图14，也可以进一步选择生成第二分布图，
P<50％,CP<0.5区为第1象限，其象限输出字段为试题难度较高，适用来区分高成就者；
P<50％,CP>0.5区域为第2象限,其象限输出字段为试题极为拙劣，含有相当多的异质成分，可能资料登陆错误或者题意含糊不清，必须加以修正；
P>50％,CP<0.5区为第3象限，其象限输出字段为试题难度适当，可以用来区分低成就者和其他学生的不同；
P>50％,CP>0.5区为第4象限，其象限输出字段为可能含有异质成分，需要局部修正或试题中含有拙劣的选项。
参考图15，当评测多个学生的学习状态时，可将计算出来对应的评测结果通过集成函数，集成为视图评测数据，基于所述视图评测数据评价多个对象标识的学习状态。
应该理解的是，虽然图2、图3的流程图的各个步骤不是必然按照所示顺序执行的。除非本文有明确的说明，这些步骤并没有严格的顺序限制，这些步骤可以有其他的顺序执行。而且，图2、3的至少一步可以包括多个字步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时候执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其他步骤或者其他子步骤或者阶段的至少一部分轮流或者交替的执行。
在一个实施例中，该装置还包括
数据获取模块，用于获得对象基本数据和对象行为数据；
采样模块，获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
数据评测模块：将对象基本数据和对象行为数据输入模型，对模型中的多个数据进行预处理和特征处理得到标准数据；
利用标准数据生成候选用户矩阵；
所述候选用户矩阵设有S标识和P标识；
根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率；
基于评测结果和评测概率，输送到终端生成分布图。
在一个实施例中，关于基于在线教育的学生学习状态评测装置的数据处理方法的具体限定可参见上文中对于基于一种学生学习状态评测方法的数据采样处理的限定，在此不再赘述。上述基于机器学习的数据评测处理置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
参考图5，在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述学生学习状态评测方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述学生学习状态评测方法的步骤。此处学生学习状态评测方法的步骤可以是上述各个实施例的学生学习状态评测方法中的步骤。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (9)
1.一种学生学习状态评测方法，其特征在于，包括：
获取对象标识，包括所述对象标识对应的对象基本数据和对象行为数据；
获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
将对象基本数据和对象行为数据输入模型，对所述模型中的多个数据进行预处理和特征处理得到标准数据；
利用所述标准数据生成候选用户矩阵，其中，所述候选用户矩阵设有S标识和P标识；
根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，并基于所述评测结果和评测概率对所述对象标识的学习状态进行评测。
2.如权利要求1所述的一种学生学习状态评测方法，其特征在于，在将对象基本数据和对象行为数据输入模型，对所述模型中的多个数据进行预处理和特征处理得到标准数据步骤后，对所述标准数据进行处理，具体处理步骤包括：
所述对象基本数据所在向量组对应的标准数据作为第一样本数据，所述对象行为数据所在向量组对应的标准数据作为第二样本数据，根据所述第一样本数据和第二样本数据对所述候选用户矩阵进行关联升序或降序。
3.如权利要求2所述的一种学生学习状态评测方法，其特征在于，根据所述第一样本数据和第二样本数据对所述候选用户矩阵进行关联升序或降序，还包括：
当所述第一样本数据或第二样本数据仍相同时，根据所述对象基本数据所在向量组对应的第一样本数据进行再次降序或者升序，同时根据对象行为数据所在向量组对应的第二样本数据进行再次降序或升序。
4.如权利要求2或3所述的一种学生学习状态评测方法，其特征在于，所述候选用户矩阵设有S标识和P标识的具体步骤包括：
所述S标识根据所述第一样本数据进行标识，具体为根据所述对象基本数据所在的向量组，其中第一样本数据为N，对第N个标准数据进行标识，第一样本数据为N+1，对第N+1个标准数据进行标识，将所述标识首尾端依次相连；所述P标识根据所述第二样本数据进行标识，具体为根据所述对象行为数据所在的向量组，其中第二样本数据为K，对第K个标准数据进行标识，第二样本数据为K+1，对第K+1个标准数据进行标识，将所述标识首尾端依次相连，所述S标识和P标识呈阶梯型。
5.如权利要求1所述的一种学生学习状态评测方法，其特征在于，所述模型中设有第一预设规则，基于第一预设规则对候选用户矩阵的标准数据进行计算得到所述评测结果和评测概率。
6.如权利要求1或2所述的一种学生学习状态评测方法，其特征在于，所述评测结果还可通过集成函数集成为视图评测数据，基于所述视图评测数据评价多个对象标识的学习状态。
7.一种学生学习状态评测装置，其特征在于，所述装置包括：
数据获取模块：获取对象标识，包括所述对象标识对应的对象基本数据和对象行为数据；
数据采样模块：获取访问用户数据，根据所述对象基本数据和对象行为数据对所述访问用户数据进行采样处理，利用采样得到的访问用户数据生成候选用户集；
数据评测模块：将对象基本数据和对象行为数据输入模型，对所述模型中的多个数据进行预处理和特征处理得到标准数据；
利用所述标准数据生成候选用户矩阵，其中，所述候选用户矩阵设有S标识和P标识；
根据S标识和P标识对候选用户矩阵的标准数据进行计算，得到评测结果和评测概率，并基于所述评测结果和评测概率对所述对象标识的学习状态进行评测；
数据推送模块：把所述数据评测模块的结果数据推送到终端。
8.一种计算机可读存储介质，存储有机计算机程序，所述计算机程序被处理时，使得所述处理器执行如权利要求1-6中任一项所述方法的步骤。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有机计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181771.5A CN112819355A (zh) | 2021-02-09 | 2021-02-09 | 一种学生学习状态评测方法、装置、及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181771.5A CN112819355A (zh) | 2021-02-09 | 2021-02-09 | 一种学生学习状态评测方法、装置、及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819355A true CN112819355A (zh) | 2021-05-18 |
Family
ID=75864960
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110181771.5A Pending CN112819355A (zh) | 2021-02-09 | 2021-02-09 | 一种学生学习状态评测方法、装置、及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819355A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113590961A (zh) * | 2021-08-03 | 2021-11-02 | 浙江工商大学 | 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 |
| CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130511A1 (en) * | 2017-11-02 | 2019-05-02 | Act, Inc. | Systems and methods for interactive dynamic learning diagnostics and feedback |
| CN111291264A (zh) * | 2020-01-23 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 基于机器学习的访问对象预测方法、装置和计算机设备 |
-
2021
- 2021-02-09 CN CN202110181771.5A patent/CN112819355A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190130511A1 (en) * | 2017-11-02 | 2019-05-02 | Act, Inc. | Systems and methods for interactive dynamic learning diagnostics and feedback |
| CN111291264A (zh) * | 2020-01-23 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 基于机器学习的访问对象预测方法、装置和计算机设备 |
Non-Patent Citations (4)
| Title |
|---|
| 万岩: "S-P表在教学评价中的应用及其计算机实现", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 138 - 845 * |
| 殷英 等: "一种简便直观分析测试信息的方法——S-P线图形信息分析", 中学物理教学参考, vol. 43, no. 12, pages 8 - 9 * |
| 殷英;张锡娟;: "基于S-P表评价法对学生概念掌握状况的调查", 物理通报, no. 04, pages 88 - 91 * |
| 甘泉: "S-P表在教学评价中的应用", 软件导刊（教育技术）, no. 9, pages 76 - 78 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113590961A (zh) * | 2021-08-03 | 2021-11-02 | 浙江工商大学 | 基于认知与状态评价的个性化习题推荐方法、装置及智能终端 |
| CN116774639A (zh) * | 2023-08-24 | 2023-09-19 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
| CN116774639B (zh) * | 2023-08-24 | 2023-10-27 | 中国水利水电第九工程局有限公司 | 一种基于互联网的污水处理设备远程控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110378818B (zh) | 基于难度的个性化习题推荐方法、系统及介质 | |
| CN109857835B (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
| CN109272789A (zh) | 基于数据分析的学习效果评估系统及评估方法 | |
| CN108257052B (zh) | 一种在线学生知识评估方法及其系统 | |
| Van Der Flier et al. | An iterative item bias detection method | |
| CN114579760A (zh) | 一种基于学生错题知识点自适应阶段学习系统 | |
| CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
| CN112819355A (zh) | 一种学生学习状态评测方法、装置、及计算机设备 | |
| CN111090809A (zh) | 题目推荐方法、装置、计算机设备和存储介质 | |
| CN111159419A (zh) | 基于图卷积的知识追踪数据处理方法、系统和存储介质 | |
| CN114913729A (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
| CN116244504A (zh) | 一种用于辅助高考志愿填报方案的推荐方法及系统 | |
| CN116796802A (zh) | 基于错题分析的学习推荐方法、装置、设备及存储介质 | |
| CN105427691A (zh) | 线上学习系统及其能力评量方法 | |
| CN111914801A (zh) | 一种用于智慧教育的课堂分析方法 | |
| CN114897077A (zh) | 一种基于机器学习的英语阅读素养评价方法 | |
| CN112948684A (zh) | 基于大数据分析和云计算的在线学习平台课程智能推荐方法 | |
| CN117079504A (zh) | 一种大数据精准教学批阅系统的错题数据管理方法 | |
| CN116704606A (zh) | 一种理化实验操作行为识别方法、系统、装置及存储介质 | |
| CN111612659A (zh) | 一种在线财会考试自动评分系统及评分方法 | |
| Jendryczko | Multiple group structural equation modeling of the social relations model | |
| CN114881827A (zh) | 一种基于互联网的远程在线教育培训方法、系统及存储介质 | |
| CN114399213A (zh) | 一种教师评价方法 | |
| CN113159528A (zh) | 一种岗位匹配评估方法及装置 |
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 |