CN113052461A - 一种基于概率图模式推断的文本智能教学评价方法 - Google Patents
一种基于概率图模式推断的文本智能教学评价方法 Download PDFInfo
- Publication number
- CN113052461A CN113052461A CN202110317882.4A CN202110317882A CN113052461A CN 113052461 A CN113052461 A CN 113052461A CN 202110317882 A CN202110317882 A CN 202110317882A CN 113052461 A CN113052461 A CN 113052461A
- Authority
- CN
- China
- Prior art keywords
- teaching
- evaluation
- teacher
- data
- probability
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 17
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000013209 evaluation strategy Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Machine Translation (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能教学领域,具体公开了一种基于概率图模式推断的文本智能教学评价方法,其结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合,然后将整合后的多维数据放入LEX‑BERT模型中训练以提取教学评价量表的文本特征并加以适当推理,而后给文本特征加之以权重并放入到PGM模型中,通过PGM模型推断得出教师素养和教学质量的正负概率,最后将推断概率进行归一化处理之后输出最终基于文本的智能教学评价分数。本发明基于多源的教学评价量表数据,结合LEX‑BERT模型与图概率模型的信度推断优势,可获得更可靠的教学评价。
Description
技术领域
本发明涉及智能教学技术领域,尤其涉及一种基于概率图模式推断的文本智能教学评价方法。
背景技术
智能教学技术是当前各种教学系统或各种教学应用软件的核心技术之一,其能够根据教学内容的类型和教学目标的要求,针对性地提供符合教育规律的自动化推送技术,是智能教学系统的真正智能所在。自然语言处理是人工智能的一个重要领域,它是指对自然语言进行语义理解,以理解和分析不同文本内容的技术。
课堂教学评价是课堂教学质量的必要保障,是促进教师专业发展,保障育人目标顺利实现的重要手段。在课堂教学评价实践中,评价者运用一定的评价标准和工具,对评价对象的行为和活动过程进行评价。评价标准是教学评价体系的核心,是价值判断的依据,其合理性、科学性直接影响教学活动,并且课堂教学评价能否对教师专业发展起到促进作用,与课堂教学评价标准有很大关系。如果评价系统里缺乏清晰合理的标准,那么这种教育评价系统就不全面。
发明内容
本发明提供一种基于概率图模式推断的文本智能教学评价方法,解决的技术问题在于:如何结合教师的多源数据对教师的教学进行全面的智能化评价。
为解决以上技术问题,本发明提供一种基于概率图模式推断的文本智能教学评价方法,包括步骤:
(1)预训练处理
S1:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语数据进行分析,提取相应的教师素养评价策略和教学质量评价策略;
(2)多维数据整合
S2:对所述教学评价量表数据及所述教师素养评价策略、所述教学质量评价策略进行整合并利用基于G-Mean的混合特征选择方法降维,并进行维度处理得到维度相同的输出特征;
S3:将降维后的多维数据放入LEX-BERT模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征,该文本特征包括教学过程实体、教学结果实体和教师素质实体;
(3)概率图模型优化
S4:将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断,得到教师素养的正负概率和教学质量的正负概率;
S5:将所述教师素养的正负概率和所述教学质量的正负概率分别进行归一化处理,得到对应的教师素养评价分数和教学质量评价分数。
进一步地,步骤S1具体包括步骤:
S11:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语文本数据进行分组编号;
S12:分别采取不同的n-gram内核对步骤S11得到的数据进行预处理,得到分组后的文本数据。
进一步地,在所述步骤S2中,基于G-Mean的混合特征选择方法中选择的G-Mean公式为:
其中式(1)为G-mean原理公式,TP、FP、FN、TN分别代表预测和真实均为肯定的情况、预测为肯定且真实为否定的情况、预测为否定且真实为肯定的情况、预测和真实均为否定的情况。
进一步地,在所述步骤S2中,并进行维度处理得到维度相同的输出特征步骤包括:
进一步地,在所述步骤S4中,进行加权平均的公式为:
其中,w(i;j)表示权重公式,n(i,j)表示教师素养i和教学质量j测量结果为优秀的次数,i=1,2,…,N,N表示代表按概率排序的前top-N预测。
进一步地,所述步骤S12采用1-gram、3-gram、5-gram相结合的n-grams方式对步骤S11得到的数据进行预处理。
进一步地,所述概率图模型的变体包括:
其中,d代表步骤,Pr(d)指的是步骤d输出的先验概率,F+、F-代表实体极性,“+”代表相关,“-”代表不相关,下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体,Pr(dLEX-BERT)代表根据所述LEX-BERT模型得到的先验概率,Pr(dPGM)代表根据所述概率图模型得到的后验概率,avg表示求均值;式(5)表示第一种变体,各种类型实体之间互不干扰,均独立地进行推论,最后取均值为推断的结果;式(6)表示第二种变体,其将各种类型实体混合在一起形成一个网络,执行无类型的贝叶斯推断;式(7)表示第三种变体,其将不同类型的实体分层,来构建多层贝叶斯网络,其将查找类型作为层,将前一层的输出用作当前层的先验概率。
进一步地,通过下式进行步骤S5的归一化处理:
其中,Xnorm为归一化后的数据,X代表步骤S4所得的所述教师素养的正负概率或所述教学质量的正负概率,Xmax、Xmin分别为训练数据集对应所得正负概率中的最大值和最小值。
本发明提供的一种概率图模式推断的文本智能教学评价方法,结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合,然后将整合后的多维数据放入LEX-BERT模型中训练以提取教学评价量表的文本特征,而后给文本特征加之以权重并放入到PGM(概率图)模型中,通过PGM模型推断得出教师素养和教学质量的正负概率,最后将推断概率进行归一化处理之后输出最终基于文本的智能教学评价分数。本发明基于多源的教学评价量表数据,结合深度学习网络(LEX-BERT模型)与图概率模型的信度推断优势,可获得更可靠的教学评价。
附图说明
图1是本发明实施例提供的一种基于概率图模式推断的文本智能教学评价方法的网络框架示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
本实施例基于教学评价量表数据进行推断,这些量表数据包含教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标,这种数据在预处理过程中,存在多元离散数据之间的耦合关联问题;并且数据来自实际,存在各种不确定性因素会对模型的稳定性和精确性提出很高的要求,特征学习难度大,同时之前所做的研究大都缺乏可解释性,而本实施例则综合考虑了这些因素。
如图1所示的网络框架图,本发明实施例提供的一种基于概率图模式推断的文本智能教学评价方法,具体包括步骤:(1)预训练图像处理;(2)多维数据整合;(3)概率图模型优化。
(1)预训练处理
S1:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语数据进行分析,提取相应的教师素养评价策略和教学质量评价策略;
本实施例所提出的方法基于教学评价量表文本文档数据(包含反馈评语数据)特征提取过程中的多维数据S在教学质量及教师素养d∈D上输出的PGM(概率图)分布Pr(d|S)。S由少部分文本、图像和一些结构化数据组成,主要包含:对教学文案、教学过程、技术运用、教师素养、教学质量、创新应用等指标的评价结果。
具体的,步骤S1具体包括步骤:
S11:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语文本数据进行分组编号;
S12:分别采取不同的n-gram内核对步骤S11得到的数据进行预处理,得到分组后的文本数据。
具体的,步骤S12采用1-gram、3-gram、5-gram相结合的n-grams方式对步骤S11得到的数据进行预处理。本例引入了第三方评估的机制,即通过不同的分类模型,利用其分类准确率这一指标来反映样本质量。
(2)多维数据整合
S2:对教学评价量表数据及教师素养评价策略、教学质量评价策略进行整合并利用基于G-Mean的混合特征选择方法降维,并进行维度处理得到维度相同的输出特征;
S3:将降维后的多维数据放入LEX-BERT模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征,该文本特征包括教学过程实体、教学结果实体和教师素质实体。
在步骤S2中,基于G-Mean的混合特征选择方法中选择的G-Mean公式为:
其中式(1)为G-mean原理公式,TP、FP、FN、TN分别代表预测和真实均为肯定的情况、预测为肯定且真实为否定的情况、预测为否定且真实为肯定的情况、预测和真实均为否定的情况。
在步骤S2中,并进行维度处理得到维度相同的输出特征的步骤包括:
在将实时提取数据抛入神经网络之前,首先需要做的是本发明所提出框架的基本组成部分实体命名识别。实体命名识别从文本句子中提取实体及其类型,对于捕获文本的关键信息非常重要。本方法所使用的是LEX-BERT模型,该模型以自然的方式将词典信息合并到中文BERT模型中,以执行NER任务,其使用特殊标记来标识句子中单词的边界,并且修改后的句子将直接由BERT模型进行编码,模型没有引入任何新参数且不需要在词典集合中附带任何单词嵌入。该模型集成了先进的中文NER模型,从中提取出教师素养及教学质量的实体,在其中添加实体的极性(“+”、“-”、或“?”,分别表示“相关”、“不相关”和“不明确”)来客观地表示给定的评价表数据中是否存在所提取的实体。它可以与基于规则的方法一起使用,该方法使用带有否定中文单词的词汇表以及极性检测模型。提取了实施提取过程中相关内容当中的实体。
(3)概率图模型优化
S4:将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断,得到教师素养的正负概率和教学质量的正负概率;
S5:将教师素养的正负概率和教学质量的正负概率分别进行归一化处理,得到对应的教师素养评价分数和教学质量评价分数。
在步骤S4中,进行加权平均的公式为:
其中,w(i;j)表示权重公式,n(i,j)表示教师素养i和教学质量j测量结果为优秀的次数,i=1,2,…,N,N表示代表按概率排序的前top-N预测。
在步骤S5中,概率图模型的变体包括:
其中,d代表步骤,Pr(d)指的是步骤d输出的先验概率,F+、F-代表实体极性,“+”代表相关,“-”代表不相关,下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体,Pr(dLEX-BERT)代表根据LEX-BERT模型得到的先验概率,Pr(dPGM)代表根据概率图模型得到的后验概率,avg表示求均值;式(5)表示第一种变体,各种类型实体之间互不干扰,均独立地进行推论,最后取均值为推断的结果;式(6)表示第二种变体,其将各种类型实体混合在一起形成一个网络,执行无类型的贝叶斯推断;式(7)表示第三种变体,其将不同类型的实体分层,来构建多层贝叶斯网络,其将查找类型作为层,将前一层的输出用作当前层的先验概率。
本例通过下式进行步骤S5的归一化处理:
其中,Xnorm为归一化后的数据,X代表步骤S4所得的所述教师素养的正负概率或所述教学质量的正负概率,Xmax、Xmin分别为训练数据集对应所得正负概率中的最大值和最小值。
综上,本发明实施例提供的一种概率图模式推断的文本智能教学评价方法,结合教学评价量表来源多维的特点将多源数据(包括教学文案、教学过程、技术应用、教师素养、教学质量、创新应用等指标)先进行整合,然后将整合后的多维数据放入LEX-BERT模型中训练以提取教学评价量表的文本特征,而后给文本特征加之以权重并放入到PGM模型中,通过PGM模型模式推断得出教师素养和教学质量的正负概率,最后将推断概率进行归一化处理之后输出最终基于文本的智能教学评价分数。本发明实施例基于多源的教学评价量表数据,结合深度学习网络(LEX-BERT模型)与图概率模型的信度推断优势,可获得更可靠的教学评价。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (8)
1.一种基于概率图模式推断的文本智能教学评价方法,其特征在于,包括步骤:
(1)预训练处理
S1:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语数据进行分析,提取相应的教师素养评价策略和教学质量评价策略;
(2)多维数据整合
S2:对所述教学评价量表数据及所述教师素养评价策略、所述教学质量评价策略进行整合并利用基于G-Mean的混合特征选择方法降维,并进行维度处理得到维度相同的输出特征;
S3:将降维后的多维数据放入LEX-BERT模型中训练以提取实际应用中各位教师的教学评价量表数据的文本特征,该文本特征包括教学过程实体、教学结果实体和教师素质实体;
(3)概率图模型优化
S4:将提取的文本特征进行加权平均后作为先验概率放入到概率图模型中进行概率推断,得到教师素养的正负概率和教学质量的正负概率;
S5:将所述教师素养的正负概率和所述教学质量的正负概率分别进行归一化处理,得到对应的教师素养评价分数和教学质量评价分数。
2.如权利要求1所述的一种基于概率图模式推断的文本智能教学评价方法,其特征在于,步骤S1具体包括步骤:
S11:收集专家预设或基于经验的教学评价量表数据,并对其中的反馈评语文本数据进行分组编号;
S12:分别采取不同的n-gram内核对步骤S11得到的数据进行预处理,得到分组后的文本数据。
6.如权利要求2所述的一种基于概率图模式推断的文本智能教学评价方法,其特征在于,所述步骤S12采用1-gram、3-gram、5-gram相结合的n-grams方式对步骤S11得到的数据进行预处理。
7.如权利要求1~6任一项所述的一种基于概率图模式推断的文本智能教学评价方法,其特征在于,所述概率图模型的变体包括:
其中,d代表步骤,Pr(d)指的是步骤d输出的先验概率,F+、F-代表实体极性,“+”代表相关,“-”代表不相关,下标1、2、3分别对应教学过程实体、教学结果实体、教师素质实体,Pr(dLEX-BERT)代表根据所述LEX-BERT模型得到的先验概率,Pr(dPGM)代表根据所述概率图模型得到的后验概率,avg表示求均值;式(5)表示第一种变体,各种类型实体之间互不干扰,均独立地进行推论,最后取均值为推断的结果;式(6)表示第二种变体,其将各种类型实体混合在一起形成一个网络,执行无类型的贝叶斯推断;式(7)表示第三种变体,其将不同类型的实体分层,来构建多层贝叶斯网络,其将查找类型作为层,将前一层的输出用作当前层的先验概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317882.4A CN113052461B (zh) | 2021-03-25 | 2021-03-25 | 一种基于概率图模式推断的文本智能教学评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110317882.4A CN113052461B (zh) | 2021-03-25 | 2021-03-25 | 一种基于概率图模式推断的文本智能教学评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052461A true CN113052461A (zh) | 2021-06-29 |
CN113052461B CN113052461B (zh) | 2022-04-08 |
Family
ID=76515452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317882.4A Active CN113052461B (zh) | 2021-03-25 | 2021-03-25 | 一种基于概率图模式推断的文本智能教学评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052461B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852955A (zh) * | 2024-01-04 | 2024-04-09 | 北京和气聚力教育科技有限公司 | 一种基于数据分析的教学质量监测与综合评价系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017125735A1 (en) * | 2016-01-20 | 2017-07-27 | Developing Experts Limited | A teaching and assessment system and method |
CN108460139A (zh) * | 2018-03-09 | 2018-08-28 | 上海开放大学 | 基于网络爬虫数据挖掘在线课程教学质量评估管理系统 |
CN108491994A (zh) * | 2018-02-06 | 2018-09-04 | 北京师范大学 | 基于大数据的stem教育测评系统及方法 |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN110245874A (zh) * | 2019-03-27 | 2019-09-17 | 中国海洋大学 | 一种基于机器学习和知识推理的决策融合方法 |
US20190354809A1 (en) * | 2018-05-21 | 2019-11-21 | State Street Corporation | Computational model management |
CN111241243A (zh) * | 2020-01-13 | 2020-06-05 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN112069970A (zh) * | 2020-08-31 | 2020-12-11 | 首都师范大学 | 课堂教学事件分析方法及装置 |
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和系统 |
-
2021
- 2021-03-25 CN CN202110317882.4A patent/CN113052461B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017125735A1 (en) * | 2016-01-20 | 2017-07-27 | Developing Experts Limited | A teaching and assessment system and method |
CN108491994A (zh) * | 2018-02-06 | 2018-09-04 | 北京师范大学 | 基于大数据的stem教育测评系统及方法 |
CN108460139A (zh) * | 2018-03-09 | 2018-08-28 | 上海开放大学 | 基于网络爬虫数据挖掘在线课程教学质量评估管理系统 |
US20190354809A1 (en) * | 2018-05-21 | 2019-11-21 | State Street Corporation | Computational model management |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN110245874A (zh) * | 2019-03-27 | 2019-09-17 | 中国海洋大学 | 一种基于机器学习和知识推理的决策融合方法 |
CN111241243A (zh) * | 2020-01-13 | 2020-06-05 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和系统 |
CN112069970A (zh) * | 2020-08-31 | 2020-12-11 | 首都师范大学 | 课堂教学事件分析方法及装置 |
Non-Patent Citations (4)
Title |
---|
QIANG JIAN等: "Multimedia Teaching Quality Evaluation System in Colleges Based on Genetic Algorithm and Social Computing Approach", 《IEEE ACCESS》 * |
余小高著: "《基于大数据的高风险学生预测研究》", 31 May 2019, 厦门大学出版社 * |
孙力等: "MOOC评价系统中同伴互评概率模型研究", 《开放教育研究》 * |
黄涛等: "数据驱动的精准化学习评价机制与方法", 《现代远程教育研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852955A (zh) * | 2024-01-04 | 2024-04-09 | 北京和气聚力教育科技有限公司 | 一种基于数据分析的教学质量监测与综合评价系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113052461B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bharadiya | A comprehensive survey of deep learning techniques natural language processing | |
WO2018028077A1 (zh) | 一种基于深度学习的中文语义分析的方法及装置 | |
CN113268609B (zh) | 基于知识图谱的对话内容推荐方法、装置、设备及介质 | |
CN110647619A (zh) | 一种基于问题生成和卷积神经网络的常识问答方法 | |
CN111368086A (zh) | 一种基于CNN-BiLSTM+attention模型的涉案新闻观点句情感分类方法 | |
CN113505200B (zh) | 一种结合文档关键信息的句子级中文事件检测的方法 | |
CN111783428B (zh) | 基于深度学习的应急管理类客观题自动生成系统 | |
CN113268561B (zh) | 一种基于多任务联合训练的问题生成方法 | |
CN111984780A (zh) | 多意图识别模型训练方法和多意图识别方法及相关装置 | |
CN114492441A (zh) | 基于机器阅读理解的BiLSTM-BiDAF命名实体识别方法 | |
CN112650845B (zh) | 一种基于bert与知识表示学习的问答系统及方法 | |
CN113032570A (zh) | 一种基于ATAE-BiGRU的文本方面情感分类方法及系统 | |
CN112818106A (zh) | 一种生成式问答的评价方法 | |
CN115062104A (zh) | 融合知识提示的法律文本小样本命名实体识别方法 | |
CN114818717A (zh) | 融合词汇和句法信息的中文命名实体识别方法及系统 | |
CN115759092A (zh) | 一种基于albert的网络威胁情报命名实体识别方法 | |
CN118261163B (zh) | 基于transformer结构的智能评价报告生成方法及系统 | |
CN113869055A (zh) | 基于深度学习的电网项目特征属性识别方法 | |
CN115510230A (zh) | 一种基于多维特征融合与比较增强学习机制的蒙古语情感分析方法 | |
CN113052461B (zh) | 一种基于概率图模式推断的文本智能教学评价方法 | |
CN114626463A (zh) | 语言模型的训练方法、文本匹配方法及相关装置 | |
CN111091002A (zh) | 一种中文命名实体的识别方法 | |
CN113869054A (zh) | 一种基于深度学习的电力领域项目特征识别方法 | |
CN116910196A (zh) | 一种基于多任务学习的校园安全突发事件抽取方法 | |
CN114417880B (zh) | 一种基于电网实训问答知识库的交互式智能问答方法 |
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 |