CN112950038A - 一种基于学情数据的个性化作业布置方法 - Google Patents
一种基于学情数据的个性化作业布置方法 Download PDFInfo
- Publication number
- CN112950038A CN112950038A CN202110258158.9A CN202110258158A CN112950038A CN 112950038 A CN112950038 A CN 112950038A CN 202110258158 A CN202110258158 A CN 202110258158A CN 112950038 A CN112950038 A CN 112950038A
- Authority
- CN
- China
- Prior art keywords
- answering
- real
- data
- time
- user
- 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.)
- Granted
Links
- 230000013016 learning Effects 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 12
- 230000004044 response Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 206010052804 Drug tolerance Diseases 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000026781 habituation Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000007246 mechanism Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06F16/26—Visual data mining; Browsing structured data
-
- 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)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (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
本发明提供一种基于学情数据的个性化作业布置方法,包括:获取用户作业的反馈信息,根据反馈信息,生成用户的学情数据;所述反馈信息包括用户作业作答的作答数据、作答效率和作答正确率;所述学情数据包括用户在预设的作业作答时间内作业作答的正确率、作答效率和知识点掌握程度;基于预设的时间周期,定时将学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图;将个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据融合数据,生成个性化学情规则;获取用户的学情报告,并将学情报告传输至个性化学情规则,筛选用户的定制化目标数据;根据定制化目标数据,确定定制化目标作业,并将定制化目标作业推送用户终端。
Description
技术领域
本发明涉及个性化定制、自动训练技术领域,特别涉及一种基于学情数据的个性化作业布置方法。
背景技术
目前,随着社会不断进步,线上类作业产品层出不穷,一些学习产品App成为学校学生的必备,传统学习产品App中虽然具备知识作答部分,但一般是录入大量题库,方便用户进行作答,或者针对不同知识点进行作答,不能进行个性化作业作答,这样的操作模式难免造成用户学习过程机械,不灵活,学习效率低下,无法针对性地对用户作业作答进行信息提取,并进行针对性训练。
发明内容
本发明提供一种基于学情数据的个性化作业布置方法,以解决上述背景技术出现的问题。
本发明提供一种基于学情数据的个性化作业布置方法,包括:
获取用户作业的反馈信息,根据所述反馈信息,生成用户的学情数据;其中,
所述反馈信息包括用户作业作答的作答数据、作答效率和作答正确率;
所述学情数据包括用户在预设的作业作答时间内作业作答的正确率、作答效率和知识点掌握程度;
基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图;
将所述个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据所述融合数据,生成个性化学情规则;
获取用户的学情报告,并将所述学情报告传输至所述个性化学情规则,筛选用户的定制化目标数据;
根据所述定制化目标数据,确定定制化目标作业,并将所述定制化目标作业推送至用户终端。
优选的,所述获取用户作业的反馈信息之前,还包括:
步骤1000:统计用户作业作答的作答数据;其中,
所述作答数据包括作答数量,作答知识点和作答时长;其中,
所述作答数量包括作答总值、作答正确值和作答错误值;
步骤1001:根据所述作答时长和作答总值,计算用户作业作答的作答效率;
步骤1002:根据所述作答正确值和作答总值,确定用户作业的作答正确率;
步骤1003:根据所述作答数据、作答效率和作答正确率,生成用户作业的反馈信息。
优选的,所述根据所述反馈信息,生成用户的学情数据,包括:
步骤S1:获取用户作业的反馈信息;
步骤S2:基于作答数据中预先划分的不同知识点,确定用户作业的知识点作答正确率;
步骤S3:根据所述知识点作答正确率,统计用户的知识点掌握程度;
步骤S4:根据所述用户作业的作答正确率、作答效率和知识点掌握程度,确定用户的学情数据。
优选的,所述基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图,包括:
通过预设的时间周期,定时获取用户的学情数据,确定用户作业作答的实时作答时长和实时学情数据;其中,
所述实时学情数据包括实时作答正确率、实时作答效率和实时知识点掌握程度;
根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图;其中,所述实时学情数据曲线图包括实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线;
基于大数据中心,提取所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的对应关系,并根据所述对应关系,生成习惯数据;
将所述习惯数据传输到用户终端,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图;
优选的,所述根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图,包括:
根据所述实时作答时长和实时作答正确率,绘制实时作答正确率曲线;
根据所述实时作答时长和实时作业作答效率,绘制实时作答效率曲线;
根据所述实时作答时长和实时作业作答知识点掌握程度,绘制实时作答知识点掌握程度曲线;
将所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线传输至预存的实时曲线图上,绘制实时学情数据曲线图。
优选的,所述基于终端设备的处理系统,利用所述习惯数据,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图,包括以下步骤:
步骤S1:获取实时学情数据曲线图上的实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的特征点,并根据所述特征点确定特征参数:
其中,αR代表实时作答正确率曲线的特征参数;Rk(xr,k,yr,k)代表采集的第k个实时作答正确率曲线上的特征点;xr,k代表采集的第k个实时作答正确率的值为xr;yr,k代表采集的第k个实时作答正确率值为xr相对应的实时时间为yr;n代表采集到的实时作答特征点的总量,k∈(1,n);βE代表实时作答效率曲线的特征参数;Ek(xe,k,ye,k)代表采集的第k个实时作答效率曲线上的特征点;xe,k代表采集的第k个实时作答效率的效率值为xe;ye,k代表采集的第k个实时作答效率值为xr相对应的实时时间为ye;γG代表实时作答知识点掌握程度曲线的特征参数;Gk(xg,k,yg,k)代表采集的第k个实时作答知识点掌握程度曲线上的特征点;xg,k代表采集的第k个实时作答知识点掌握程度的程度值为xg;yg,k代表采集的第k个实时作答知识点掌握程度为xr相对应的实时时间为yg;
步骤S2:获取并利用习惯数据,拟合所述实时正确率曲线的特征参数,实时作答效率曲线的特征参数和实时作答知识点掌握程度的特征参数,确定拟合基函数:
其中,ω表示习惯因数;τ表示拟合基函数;
步骤S3:根据所述拟合基函数,融合实时学情数据曲线图,绘制用户的个性化学情曲线图。
优选的,所述将所述个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据所述融合数据,生成个性化学情规则,包括:
步骤SS1:获取用户的实时学情数据曲线图;
步骤SS2:导入所述实时学情数据曲线图和个性化学情曲线图至预设大数据中心,确定导入结果;
步骤SS3:根据所述导入结果,提取所述实时学情数据曲线图和个性化学情曲线图的融合数据;
步骤SS4:根据所述融合数据,训练用户作业的反馈信息,生成训练数据;
步骤SS5:根据所述训练函数,生成个性化学情规则。
优选的,所述根据所述个性化学情曲线,筛选所述个性化作业数据,包括以下步骤:
步骤1:获取个性化学情曲线,抽取个性化作业数据样本特征集合;
M={m1,m2,…,mn}
其中,M代表个性化作业数据总集合,m1代表不同的个性化作业数据特征集合,n代表采集的个性化作业数据特征集合批数;
步骤2:累加并统计所述个性化作业数据样本特征集合,确定统计概率:
其中,i采集到的第i批个性化作业数据特征集合个数,i∈(1,n);ρ1代表采集到第一批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρ2代表采集到第二批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρj代表采集到第j批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρN代表采集到第N批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;j∈(1,N);p(M)代表统计概率;
步骤3:当所述概率p(M)<0.5,进行数据清洗;
当所述概率>0.5,提取所述特征个性化作业数据,并对所述个性化作业数据进行筛选。
优选的,所述将所述定制化目标作业推送至用户终端,还包括推送方法;其中,
所述推送方法至少包括作答题库更新、安装包发送和信息推送;
所述定制化目标作业至少包括作答安排时间、作答安排知识点出题数量、知识点作答安排时长占比和作答安排顺序。
本发明通过提供一种基于学情数据的个性化作业布置方法,通过获取用户作业的反馈信息之前,进行一部分的算法计算,减轻了若整个环境开始运行大计算量的负荷,提高了个性化学情机制的运行速度,自动生成适合用户学习习惯的个性化作业,不仅提高用户的学习效率,同时减轻了老师的负担,提供了一种自动、智能方便的高效学习方法。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于学情数据的个性化作业布置方法流程图;
图2为本发明实施例中一种基于学情数据的个性化作业布置方法流程图;
图3为本发明实施例中一种基于学情数据的个性化作业布置方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例1:
根据图1所示,本技术方案提供一种基于学情数据的个性化作业布置方法,包括:
步骤100:获取用户作业的反馈信息,根据所述反馈信息,生成用户的学情数据;其中,
所述反馈信息包括用户作业作答的作答数据、作答效率和作答正确率;
所述学情数据包括用户在预设的作业作答时间内作业作答的正确率、作答效率和知识点掌握程度;
步骤101:基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图;
步骤102:将所述个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据所述融合数据,生成个性化学情规则;
步骤103:获取用户的学情报告,并将所述学情报告传输至所述个性化学情规则,筛选用户的定制化目标数据;
步骤104:根据所述定制化目标数据,确定定制化目标作业,并将所述定制化目标作业推送至用户终端。
本技术方案在实施例时,老师可以通过平板设备浏览学生的作业的反馈情况,即获取用户作业的反馈信息,例如语文作业:老师可以确定学生写一篇作文的时间,也可以根据测验题,判断学生的作文、阅读、判断、文言文哪一类型的知识接收度不高,也就是统计用户作业作答的作答数量,知识点作答量和作答时长,通过对学生的作文、阅读、判断、文言文哪一类型的知识接收度不高计算用户作业作答的作答效率,获取用户作业作答正确信息,确定用户作业作答的正确率,通过统计用户作业作答的正确率和作答效率,确定用户的知识点掌握程度,从而掌握一个用户的学情数据,定时将所述用户的学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图,个性化学情曲线图包括作业作答正确率曲线图、作业作答效率曲线图、作业作答时间习惯曲线图和作业作答知识点曲线图,通过预设的时间周期定时获取用户的学情数据,确定用户作业作答的时间时长和实时学情数据,根据用户作业作答的时间时长和实时学情数据,绘制实时作业作答正确率曲线、实时作业作答效率曲线和实时作业作答知识点曲线,提取作业作答正确率曲线、作业作答效率曲线和作业作答知识点曲线的对应关系,生成用户的作业作答习惯数据,将实时学情数据曲线图和作业作答习惯数据曲线图传输至终端设备的处理系统,绘制用户的个性化学情曲线图,从而确定用户个性化的作业问答数据,同时基于大数据中心,融合并处理所述个性化学情曲线图,训练个性化学情机制,个性化学情机制用于获取不同用户的实时学情数据,并自动计算和推断出适合用户的个性化作业,在此基础上,获取用户预存的学情报告,将学情报告传输至个性化学情机制,确定用户的定制化目标数据,也就是专属用户的个性化布置的作业数据,最后再根据定制化目标数据,打包定制化目标作业,并将定制化目标作业推送至用户终端,从而实现个性化、基于用户学情数据的作业布置。
上述技术方案的有益效果在于:
本技术方案通过获取用户作业作答情况,自动生成适合用户学习习惯的个性化作业,不仅提高用户的学习效率,同时减轻了老师的负担,提供了一种自动、智能方便的高效学习方法。
实施例2:
如附图2所示,本技术方案提供了一种实施例,所述获取用户作业的反馈信息之前,还包括:
步骤1000:统计用户作业作答的作答数据;其中,
所述作答数据包括作答数量,作答知识点和作答时长;其中,
所述作答数量包括作答总值、作答正确值和作答错误值;
步骤1001:根据所述作答时长和作答总值,计算用户作业作答的作答效率;
步骤1002:根据所述作答正确值和作答总值,确定用户作业的作答正确率;
步骤1003:根据所述作答数据、作答效率和作答正确率,生成用户作业的反馈信息。
上述技术方案的工作原理和有益效果在于:
本技术方案通过对统计用户作业作答的作答数据,包括作答数量,作答知识点和作答时长,计算用户作业作答的作答效率,确定用户作业的作答正确率,并生成用户作业的反馈信息,整个过程用于向学情数据提供原始材料,从中获取用户个性化特征数据。
实施例3:
如附图3所示,本技术方案提供了一种实施例,所述根据所述反馈信息,生成用户的学情数据,包括:
步骤S1:获取用户作业的反馈信息;其中,
所述反馈信息包括用户作业作答的作答数据、作答效率和作答正确率;
步骤S2:基于作答数据中预先划分的不同知识点,确定用户作业的知识点作答正确率;
步骤S3:根据所述知识点作答正确率,统计用户的知识点掌握程度;
步骤S4:根据所述用户作业的作答正确率、作答效率和知识点掌握程度,确定用户的学情数据。
上述技术方案的工作原理在于:
本技术方案的学情数据主要用于绘制实时学情数据曲线图,通过获取用户作业的反馈信息,并根据反馈信息,生成用户的学情数据,包括统计用户作业作答的作答数据内的作答数量,知识点作答量和作答时长,首先计算用户作业作答的作答效率,作答效率包括不同知识点作答效率不同时间段作答效率,再通过用户作业作答正确信息,划分用户作业作答的正确数量和对应的知识点,用户作业作答的正确数量用来确定用户作业作答的正确率,最后通过不同范围的知识点,统计用户作业作答的正确率和作答效率,确定用户的知识点掌握程度,从而熟知每个用户不相同的知识掌握程度,由于这些数据是在用户端进行自行计算,然后将数据传输至统一调度和服务的数据云端,所以生成学情数据便于输送。
上述技术方案的有益效果在于:
本技术方案通过生成学情数据,减轻服务云端的数据负载,提高云端的数据运行效率,提取不同用户的学情数据,针对性的、灵活性的给不同的用户指定个性化作业布置方法。
实施例4:
本技术方案提供了一种实施例,所述基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图,包括:
通过预设的时间周期,定时获取用户的学情数据,确定用户作业作答的实时作答时长和实时学情数据;其中,
所述实时学情数据包括实时作答正确率、实时作答效率和实时知识点掌握程度;
根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图;其中,
所述实时学情数据曲线图包括实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线;
基于大数据中心,提取所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的对应关系,并根据所述对应关系,生成习惯数据;
基于终端设备的处理系统,利用所述习惯数据,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图;
上述技术方案的工作原理在于:
本技术方案的个性化学情曲线图主要通过绘制三部分曲线并拟合生成,主要通过时间时长和实时作业作答正确率,绘制实时作业作答正确率曲线,同时根据时间时长和实时作业作答效率,绘制实时作业作答效率曲线,此外还同时根据时间时长和实时作业作答知识点掌握程度,绘制实时作业作答知识点曲线,最终将所述实时作业作答正确率曲线、实时作业作答效率曲线、实时作业作答知识点曲线传输至预存的实时曲线图上,绘制实时学情数据曲线图,接着通过预设的时间周期,定时获取用户的学情数据,确定用户作业作答的时间时长和实时学情数据,根据用户作业作答的时间时长和实时学情数据绘制的实时学情数据曲线图包括实时作业作答正确率曲线、实时作业作答效率曲线和实时作业作答知识点曲线,实时学情数据包括实时作业作答正确率、实时作业作答效率和实时作业作答知识点掌握程度,同时提取所述作业作答正确率曲线、作业作答效率曲线和作业作答知识点曲线的对应关系至云服务端或者大数据中心,进行处理后形成用户的作业作答习惯数据,根据作业作答习惯数据,绘制作业作答习惯数据曲线图,将实时学情数据曲线图和作业作答习惯数据曲线图经过处理,得到专属于各个用户的个性化学情曲线图,用于表示用户个人的个性化学情
上述技术方案的有益效果在于:
本技术方案通过对用户个性化学情曲线图的绘制,提供了一种具有针对性的、灵活的、符合用户自身学习情况的个性化学情曲线图,更智能、更自动的了解用户的知识作答情况。
实施例5:
本技术方案提供了一种实施例,所述根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图,包括:
根据所述实时作答时长和实时作答正确率,绘制实时作答正确率曲线;
根据所述实时作答时长和实时作业作答效率,绘制实时作答效率曲线;
根据所述实时作答时长和实时作业作答知识点掌握程度,绘制实时作答知识点掌握程度曲线;
将所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线传输至预存的实时曲线图上,绘制实时学情数据曲线图。
上述技术方案的工作原理在于:
本技术方案根据用户作业作答的时间时长和实时学情数据绘制实时学情数据曲线图,首先通过时间时长和实时作业作答正确率,绘制实时作业作答正确率曲线,实时作业作答正确率曲线用于采集分析用户学习效率较高的时间段范围,同时通过时间时长和实时作业作答效率,绘制实时作业作答效率曲线,实时作业作答效率曲线用于监测用户效率最高的作答内容和做单时间范围,最后利用时间时长和实时作业作答知识点掌握程度,绘制实时作业作答知识点曲线,实时作业作答知识点曲线用于查看用户对不同知识点的掌握程度,将这些实时作业作答正确率曲线、实时作业作答效率曲线和实时作业作答知识点曲线传输至预存的实时曲线图上,通过预设的不同的颜色,生成三条色彩不同的实时曲线,确定实时学情数据曲线图。
上述技术方案的有益效果在于:
本技术方案通过计算实时作业作答正确率,绘制实时作业作答正确率曲线,实时作业作答正确率曲线,利用数据云的大量计算,挖掘数据中用户的作答习惯,学情总结,智能化的对学生的学习进行查漏补缺。
实施例6:
本技术方案提供了一种实施例,所述基于终端设备的处理系统,利用所述习惯数据,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图,包括以下步骤:
步骤S1:获取实时学情数据曲线图上的实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的特征点,并根据所述特征点确定特征参数:
其中,αR代表实时作答正确率曲线的特征参数;Rk(xr,k,yr,k)代表采集的第k个实时作答正确率曲线上的特征点;xr,k代表采集的第k个实时作答正确率的值为xr;yr,k代表采集的第k个实时作答正确率值为xr相对应的实时时间为yr;n代表采集到的实时作答特征点的总量,k∈(1,n);βE代表实时作答效率曲线的特征参数;Ek(xe,k,ye,k)代表采集的第k个实时作答效率曲线上的特征点;xe,k代表采集的第k个实时作答效率的效率值为xe;ye,k代表采集的第k个实时作答效率值为xr相对应的实时时间为ye;γG代表实时作答知识点掌握程度曲线的特征参数;Gk(xg,k,yg,k)代表采集的第k个实时作答知识点掌握程度曲线上的特征点;xg,k代表采集的第k个实时作答知识点掌握程度的程度值为xg;yg,k代表采集的第k个实时作答知识点掌握程度为xr相对应的实时时间为yg;
步骤S2:获取并利用习惯数据,拟合所述实时正确率曲线的特征参数,实时作答效率曲线的特征参数和实时作答知识点掌握程度的特征参数,确定拟合基函数:
其中,ω表示习惯因数;τ表示拟合基函数;
步骤S3:根据所述拟合基函数,融合实时学情数据曲线图,绘制用户的个性化学情曲线图。
上述技术方案的工作原理和有益效果在于:
本技术方案基于终端设备的处理系统,利用所述习惯数据,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图,首先获取实时学情数据曲线图上的实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的特征点,根据实时作答正确率曲线上的特征点Rk(xr,k,yr,k),确定实时作答正确率曲线的特征参数αR,根据实时作答效率曲线上的特征点Ek(xe,k,ye,k),确定实时作答效率曲线的特征参数βE,根据实时作答效率曲线上的特征点Gk(xg,k,yg,k),确定实时作答知识点掌握程度曲线的特征参数γG,最终获取特征参数Rk(xr,k,yr,k)、Ek(xe,k,ye,k)、Gk(xg,k,yg,k),然后再获取并利用习惯数据,获取习惯因数ω,利用习惯因数ω,拟合实时正确率曲线的特征参数,实时作答效率曲线的特征参数和实时作答知识点掌握程度的特征参数,确定拟合基函数τ,最后通过拟合基函数,融合实时学情数据曲线图,绘制用户的个性化学情曲线图,利用数据云的大量计算,挖掘数据中用户的作答习惯,学情总结,智能化的对学生的学习进行查漏补缺,提高云端的数据运行效率,提取不同用户的学情数据,针对性的、灵活性的给不同的用户指定个性化作业布置方法。
实施例7:
本技术方案提供了一种实施例,所述基于大数据中心,处理所述个性化学情曲线图,提取融合数据,根据所述融合数据,构建个性化学情机制,包括:
获取用户的实时学情数据曲线图;
基于大数据中心,提取所述实时学情数据曲线图和个性化学情曲线图的融合数据;
根据所述融合数据,训练用户作业的反馈信息,生成训练数据;
根据所述训练函数,构建个性化学情机制。
上述技术方案的工作原理在于:
本技术方案在云端服务器或者大数据中心的基础上,融合并处理个性化学情曲线图,提取出关键的融合数据,并根据融合数据,生成个性化学情机制,其过程包括拟合所述个性化学情曲线图上的作业作答正确率曲线、作业作答效率曲线和作业作答知识点曲线,确定融合数据,生成用户个性化学情的训练数据,基于大数据中心预设的算法,获取并统计所有的训练数据,确定训练函数,根据训练函数,生成个性化学情机制,个性化学情机制用来训练获取的用户学情数据。
上述技术方案的有益效果在于:
本技术方案通过构建个性化学情机制从而向用户提供属于不同用户的个性化作业布置方法,从而达到灵活,针对性的布置作业,减轻了老师的工作负担,提高了学生的工作效率。
实施例8:
本技术方案提供了一种实施例,所述获取用户的学情报告,并将所述学情报告传输至所述个性化学情机制,生成用户的定制化目标数据,包括:
获取用户预存的学情报告;其中,
所述学情报告用于记录用户作答习惯和用户历史学情信息;
根据所述学情报告,提取报告信息,并根据所述报告信息,生成报告数据;
将所述报告数据融入个性化学情曲线图,确定个性化作业数据;其中,
所述个性化作业数据用于向不同用户提供个性化作业布置;
将所述个性化作业数据传输至个性化学情机制,确定用户的定制化目标数据。
上述技术方案的工作原理在于:
本技术方案通过获取用户预存的学情报告,并将学情报告传输至个性化学情机制,确定用户的定制化目标数据,为用户布置个性化作业提供原始数据和材料,首先获取用户预存的学情报告,包括记录用户习惯数据和用户历史学情数据,再根据用户习惯数据和用户历史学情数据,确定个性化作业数据,个性化作业数据至少包括个性化作业安排时间作业数据和个性化作业知识点出题数量作业数据,将个性化作业数据再挖掘和提取,并传输至个性化学情机制,确定用户的定制化目标数据。
上述技术方案的有益效果在于:
本技术方案提供了针对性的、灵活性的给不同的用户指定个性化作业布置方案,从而减轻老师负担,提高学生学习效率。
实施例9:
本技术方案提供了一种实施例,所优选的,所述根据所述个性化学情曲线,筛选所述个性化作业数据,包括以下步骤:
步骤1:获取个性化学情曲线,抽取个性化作业数据样本特征集合;
M={m1,m2,…,mn}
其中,M代表个性化作业数据总集合,m1代表采集的第一批个性化作业数据特征集合,n代表采集的个性化作业数据特征集合批数;
步骤2:累加并统计所述个性化作业数据样本特征集合,确定统计概率:
其中,i采集到的第i批个性化作业数据特征集合个数,mi代表采集的第i批个性化作业数据特征集合,i∈(1,n);ρ1代表采集到第一批个性化作业数据特征集合时,基于mi贝叶斯概率提取时的影响率;ρ2代表采集到第二批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρj代表采集到第j批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρN代表采集到第N批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;j∈(1,N);p(M)代表统计概率;
步骤3:当所述概率p(M)<0.5,进行数据清洗;
当所述概率>0.5,提取所述特征个性化作业数据,并对所述个性化作业数据进行筛选。
上述技术方案的工作原理和有益效果在于:
本技术方案获取个性化学情曲线,抽取个性化作业数据样本特征集合M,采集不同批个性化作业数据特征集合,加并统计所述个性化作业数据样本特征集合,确定统计概率:并根据统计概率较大的数值生成具有针对性的个性化作业数据。
实施例10:
本技术方案提供了一种实施例,优选的,所述将所述定制化目标作业推送至用户终端,还包括推送方法;其中,
所述推送方式至少包括作答题库更新、安装包发送和信息推送;
所述定制化目标作业至少包括作答安排时间、作答安排知识点出题数量、知识点作答安排时长占比和作答安排顺序。上述技术方案的工作原理在于:
上述技术方案的工作原理和有益效果在于:
本技术方案向用户推送定制化目标作业,至少包括符合用户需求的作业方案定制,包括作答安排时间、作答安排知识点出题数量、知识点作答安排时长占比和作答安排顺序等作答安排,也可以通过用户的自行设置,更灵活、更加个性化、更加针对化的指定用户的定制化目标作业,同时获取用户作业的反馈信息,并自动生成不同的作业布置方案,从而通过多种方式对用户进行推送,保证用户接受范围和及时接收时间,可以及时的发现用户作业作答的信息数据,并从信息数据中挖掘出用户作答的情况,及时进行个性化作业布置方案的制定。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于学情数据的个性化作业布置方法,其特征在于,包括:
获取用户作业的反馈信息,根据所述反馈信息,生成用户的学情数据;其中,
所述反馈信息包括用户作业作答的作答数据、作答效率和作答正确率;
所述学情数据包括用户在预设的作业作答时间内作业作答的正确率、作答效率和知识点掌握程度;
基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图;
将所述个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据所述融合数据,生成个性化学情规则;
获取用户的学情报告,并将所述学情报告传输至所述个性化学情规则,筛选用户的定制化目标数据;
根据所述定制化目标数据,确定定制化目标作业,并将所述定制化目标作业推送至用户终端。
2.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述获取用户作业的反馈信息之前,还包括:
步骤1000:统计用户作业作答的作答数据;其中,
所述作答数据包括作答数量,作答知识点和作答时长;其中,
所述作答数量包括作答总值、作答正确值和作答错误值;
步骤1001:根据所述作答时长和作答总值,计算用户作业作答的作答效率;
步骤1002:根据所述作答正确值和作答总值,确定用户作业的作答正确率;
步骤1003:根据所述作答数据、作答效率和作答正确率,生成用户作业的反馈信息。
3.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述根据所述反馈信息,生成用户的学情数据,包括:
步骤S1:获取用户作业的反馈信息;
步骤S2:基于作答数据中预先划分的不同知识点,确定用户作业的知识点作答正确率;
步骤S3:根据所述知识点作答正确率,统计用户的知识点掌握程度;
步骤S4:根据所述用户作业的作答正确率、作答效率和知识点掌握程度,确定用户的学情数据。
4.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述基于预设的时间周期,定时将所述学情数据传输至终端设备的处理系统,绘制用户的个性化学情曲线图,包括:
通过预设的时间周期,定时获取用户的学情数据,确定用户作业作答的实时作答时长和实时学情数据;其中,
所述实时学情数据包括实时作答正确率、实时作答效率和实时知识点掌握程度;
根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图;其中,
所述实时学情数据曲线图包括实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线;
基于大数据中心,提取所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的对应关系,并根据所述对应关系,生成习惯数据;
将所述习惯数据传输到用户终端,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图。
5.如权利要求4所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述根据所述实时作答时长和实时学情数据,绘制实时学情数据曲线图,包括:
根据所述实时作答时长和实时作答正确率,绘制实时作答正确率曲线;
根据所述实时作答时长和实时作业作答效率,绘制实时作答效率曲线;
根据所述实时作答时长和实时作业作答知识点掌握程度,绘制实时作答知识点掌握程度曲线;
将所述实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线传输至预存的实时曲线图上,绘制实时学情数据曲线图。
6.如权利要求4所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述基于终端设备的处理系统,利用所述习惯数据,拟合所述实时学情数据曲线图,绘制用户的个性化学情曲线图,包括以下步骤:
步骤S1:获取实时学情数据曲线图上的实时作答正确率曲线、实时作答效率曲线和实时作答知识点掌握程度曲线的特征点,并根据所述特征点确定特征参数:
其中,αR代表实时作答正确率曲线的特征参数;Rk(xr,k,yr,k)代表采集的第k个实时作答正确率曲线上的特征点;xr,k代表采集的第k个实时作答正确率的值为xr;yr,k代表采集的第k个实时作答正确率值为xr相对应的实时时间为yr;n代表采集到的实时作答特征点的总量,k∈(1,n);βE代表实时作答效率曲线的特征参数;Ek(xe,k,ye,k)代表采集的第k个实时作答效率曲线上的特征点;xe,k代表采集的第k个实时作答效率的效率值为xe;ye,k代表采集的第k个实时作答效率值为xr相对应的实时时间为ye;γG代表实时作答知识点掌握程度曲线的特征参数;Gk(xg,k,yg,k)代表采集的第k个实时作答知识点掌握程度曲线上的特征点;xg,k代表采集的第k个实时作答知识点掌握程度的程度值为xg;yg,k代表采集的第k个实时作答知识点掌握程度为xr相对应的实时时间为yg;
步骤S2:获取并利用习惯数据,拟合所述实时正确率曲线的特征参数,实时作答效率曲线的特征参数和实时作答知识点掌握程度的特征参数,确定拟合基函数:
其中,ω表示习惯因数;τ表示拟合基函数;
步骤S3:根据所述拟合基函数,融合实时学情数据曲线图,绘制用户的个性化学情曲线图。
7.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述将所述个性化学情曲线图导入预设的大数据中心进行处理,提取融合数据,根据所述融合数据,生成个性化学情规则,包括:
步骤SS1:获取用户的实时学情数据曲线图;
步骤SS2:导入所述实时学情数据曲线图和个性化学情曲线图至预设大数据中心,确定导入结果;
步骤SS3:根据所述导入结果,提取所述实时学情数据曲线图和个性化学情曲线图的融合数据;
步骤SS4:根据所述融合数据,训练用户作业的反馈信息,生成训练数据;
步骤SS5:根据所述训练函数,生成个性化学情规则。
8.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述获取用户的学情报告,并将所述学情报告传输至所述个性化学情规则,筛选用户的定制化目标数据,包括:
获取用户预存的学情报告;其中,
所述学情报告用于记录用户作答习惯和用户历史学情信息;
根据所述学情报告,提取报告信息,并根据所述报告信息,生成报告数据;
将所述报告数据传输至所述个性化学情规则,确定个性化作业数据;其中,
所述个性化作业数据用于向不同用户提供个性化作业布置;
根据所述个性化学情曲线,筛选所述个性化作业数据,确定用户的定制化目标数据。
9.如权利要求8所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述根据所述个性化学情曲线,筛选所述个性化作业数据,包括以下步骤:
步骤1:获取个性化学情曲线,抽取个性化作业数据样本特征集合;
M={m1,m2,...,mn}
其中,M代表个性化作业数据总集合,m1代表不同的个性化作业数据特征集合,n代表采集的个性化作业数据特征集合批数;
步骤2:累加并统计所述个性化作业数据样本特征集合,确定统计概率:
其中,i采集到的第i批个性化作业数据特征集合个数,i∈(1,n);ρ1代表采集到第一批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρ2代表采集到第二批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρj代表采集到第j批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;ρN代表采集到第N批个性化作业数据特征集合时,基于贝叶斯概率提取时的影响率;j∈(1,N);p(M)代表统计概率;
步骤3:当所述概率p(M)<0.5,进行数据清洗;
当所述概率>0.5,提取所述特征个性化作业数据,并对所述个性化作业数据进行筛选。
10.如权利要求1所述的一种基于学情数据的个性化作业布置方法,其特征在于,所述将所述定制化目标作业推送至用户终端,还包括推送方法;其中,
所述推送方法至少包括作答题库更新、安装包发送和信息推送;
所述定制化目标作业至少包括作答安排时间、作答安排知识点出题数量、知识点作答安排时长占比和作答安排顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258158.9A CN112950038B (zh) | 2021-03-09 | 2021-03-09 | 一种基于学情数据的个性化作业布置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110258158.9A CN112950038B (zh) | 2021-03-09 | 2021-03-09 | 一种基于学情数据的个性化作业布置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950038A true CN112950038A (zh) | 2021-06-11 |
CN112950038B CN112950038B (zh) | 2024-04-05 |
Family
ID=76229245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110258158.9A Active CN112950038B (zh) | 2021-03-09 | 2021-03-09 | 一种基于学情数据的个性化作业布置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950038B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674571A (zh) * | 2021-08-24 | 2021-11-19 | 科学出版社成都有限责任公司 | 一种习题练习方法、系统及存储介质 |
CN116578755A (zh) * | 2022-03-30 | 2023-08-11 | 江苏控智电子科技有限公司 | 基于人工智能和大数据的信息分析系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072390A1 (zh) * | 2016-10-19 | 2018-04-26 | 深圳市鹰硕技术有限公司 | 一种课堂教学的录制和点播的方法及系统 |
CN110309201A (zh) * | 2019-06-28 | 2019-10-08 | 广州云蝶科技有限公司 | 作业定制方法及系统 |
CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技(北京)有限公司 | 动态生成个性化题目的方法及装置 |
CN111081106A (zh) * | 2019-12-13 | 2020-04-28 | 北京爱论答科技有限公司 | 一种作业推送的方法、系统、设备和存储介质 |
CN112150090A (zh) * | 2019-06-26 | 2020-12-29 | 广东小天才科技有限公司 | 一种作业规划提醒终端及方法 |
-
2021
- 2021-03-09 CN CN202110258158.9A patent/CN112950038B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072390A1 (zh) * | 2016-10-19 | 2018-04-26 | 深圳市鹰硕技术有限公司 | 一种课堂教学的录制和点播的方法及系统 |
CN112150090A (zh) * | 2019-06-26 | 2020-12-29 | 广东小天才科技有限公司 | 一种作业规划提醒终端及方法 |
CN110309201A (zh) * | 2019-06-28 | 2019-10-08 | 广州云蝶科技有限公司 | 作业定制方法及系统 |
CN111081106A (zh) * | 2019-12-13 | 2020-04-28 | 北京爱论答科技有限公司 | 一种作业推送的方法、系统、设备和存储介质 |
CN111062842A (zh) * | 2019-12-27 | 2020-04-24 | 小船出海教育科技(北京)有限公司 | 动态生成个性化题目的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674571A (zh) * | 2021-08-24 | 2021-11-19 | 科学出版社成都有限责任公司 | 一种习题练习方法、系统及存储介质 |
CN116578755A (zh) * | 2022-03-30 | 2023-08-11 | 江苏控智电子科技有限公司 | 基于人工智能和大数据的信息分析系统及方法 |
CN116578755B (zh) * | 2022-03-30 | 2024-01-09 | 张家口微智网络科技有限公司 | 基于人工智能和大数据的信息分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112950038B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106409041B (zh) | 一种填空题试题的生成和判卷的方法及系统 | |
CN108959331B (zh) | 运用设备学习框架的方法、装置及计算机程序 | |
CN110377814A (zh) | 题目推荐方法、装置及介质 | |
EP4083857A1 (en) | Information prediction model training method and apparatus, information prediction method and apparatus, storage medium, and device | |
CN112950038A (zh) | 一种基于学情数据的个性化作业布置方法 | |
CN111126552B (zh) | 一种智能学习内容推送方法及系统 | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
CN117252047B (zh) | 基于数字孪生的教学信息处理方法及系统 | |
CN110619772A (zh) | 一种数据处理方法、装置、设备及介质 | |
JP2018205354A (ja) | 学習支援装置、学習支援システム及びプログラム | |
CN110609947A (zh) | 智能学习系统的学习内容推荐方法、终端及存储介质 | |
US20150100512A1 (en) | Detecting and engaging participants in an online course that are otherwise not likely to continue to attend the online course | |
Zheng et al. | Understanding the process of teachers’ technology adoption with a dynamic analytical model | |
CN110648263A (zh) | 一种基于校园大数据的自适应学习方法、装置及设备 | |
Kharis et al. | Design of student success prediction application in online learning using Fuzzy-KNN | |
US20190272608A1 (en) | Class schedule optimization based on projected student growth and achievement | |
CN112734142B (zh) | 基于深度学习的资源学习路径规划方法及装置 | |
CN114662920A (zh) | 课程推送方法、装置、计算机设备、存储介质和程序产品 | |
CN113888021A (zh) | 一种基于知识图谱的智能化学习评测方法及系统 | |
CN115129971A (zh) | 基于能力评估数据的课程推荐方法、设备及可读存储介质 | |
CN113469508A (zh) | 基于数据分析的个性化教育管理系统、方法、介质 | |
KR20220010109A (ko) | 무료 학습 큐레이션 서비스를 제공하는 서버 및 방법 | |
Virvou et al. | A learning analytics tool for supporting teacher decision | |
CN111382263A (zh) | 数据处理方法、装置和系统 | |
CN112987943B (zh) | 一种远程控制学生移动终端输入法的云架构系统 |
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 |