CN113379320A - 学习效果的评估方法、装置、设备及存储介质 - Google Patents
学习效果的评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113379320A CN113379320A CN202110756827.5A CN202110756827A CN113379320A CN 113379320 A CN113379320 A CN 113379320A CN 202110756827 A CN202110756827 A CN 202110756827A CN 113379320 A CN113379320 A CN 113379320A
- Authority
- CN
- China
- Prior art keywords
- learning
- evaluation
- answer
- evaluation parameter
- determining
- 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 260
- 230000000694 effects Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 47
- 230000004044 response Effects 0.000 claims description 7
- 230000000750 progressive effect Effects 0.000 claims description 2
- 238000013097 stability assessment Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (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
本发明实施例提供一种学习效果的评估方法、装置、设备及存储介质，该方法包括，获取学生在设定学习阶段内的学习数据；对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；根据所述第一评估参数确定学习效果指数；根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。利用该方法从多维度生成设定评估图谱，可以实现对学生在线上教育学习过程中学习效果的评估，提高学习效果评估的可靠性和准确性。
Description
技术领域
本发明实施例涉及线上教学技术领域，尤其涉及一种学习效果的评估方法、装置、设备及存储介质。
背景技术
在如今升学压力越来越大的社会，学生以及家长不满足于仅仅依靠传统教学，而是倾向于利用课后时间去进行额外的补习。线上学习因其方便、高效、灵活等优势受到学生以及家长的支持。而一个好的学习平台是线上补课高效学习的关键，其中评测学生水平是否准确是好的线上学习平台的关键，准确评估学生学习效果有利于学习平台为学生设定今后的学习计划。
在现有的评估系统中，评估学生的方法就是看学生答题快慢以及是否做对题目，评估的指标也只有正答率、掌握程度以及掌握率。虽然现有的评估系统可以比较好的体现出学生对该阶段的学习掌握程度以及整体进步程度，但影响学生的答题除了自身能力外，还有其他方面，如做题的战略以及做题的心态，这些是现有的评估系统中所不能够体现的。
发明内容
本发明实施例提供一种学习效果的评估方法、装置、设备及存储介质，可以全面的对学生线上的学习效果进行评估，提高学习效果评估的可靠性和准确性。
第一方面，本发明实施例提供了一种学习效果的评估方法，该方法包括：
获取学生在设定学习阶段内的学习数据；
对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
根据所述第一评估参数确定学习效果指数；
根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。
第二方面，本发明实施例还提供了一种学习效果的评估装置，该装置包括：
学习数据获取模块，用于获取学生在设定学习阶段内的学习数据；
学习数据处理模块，用于对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
学习效果指数确定模块，根据所述第一评估参数确定学习效果指数；
设定评估图谱生成模块，根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的学习效果的评估方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的学习效果的评估方法。
本发明实施例提供一种学习效果的评估方法、装置、设备及存储介质，该方法包括，获取学生在设定学习阶段内的学习数据；对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；根据所述第一评估参数确定学习效果指数；根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。利用该方法从多维度生成设定评估图谱，可以全面的对学生线上的学习效果进行评估，提高学习效果评估的可靠性和准确性。
附图说明
图1是本发明实施例一提供的一种学习效果的评估方法的流程图；
图2是本发明实施例一提供的某学生的设定评估图谱的示例图；
图3是本发明实施例二提供的一种学习效果的评估装置的结构框图；
图4是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种学习效果的评估方法的流程图，本实施例可适用于进行线上学习效果评估的情况，该方法可以由学习效果的评估装置来执行，并一般集成在计算机设备中。具体包括如下步骤：
S110、获取学生在设定学习阶段内的学习数据。
在本实施例中，学习数据具体可以理解为学生登录线上学习平台后，在一段时间内(如，一小时、一天或一周)对线上学习平台进行学习操作时产生的学习数据。
具体的，本步骤可以通过访问线上学习平台的数据库，获取学生在设定学习阶段内对线上学习平台进行学习操作时产生的学习数据，该学习数据可以作为学习效果评估的基础数据。其中，设定学习阶段可根据用户需求设定。
优选的，学习数据可以包括：在设定学习阶段内学习的知识点、总答题数量、实际答题时长、推荐答题时长、答题结果、试题难度信息及答题信息。
其中，实际答题时长是指学生完成解答一道题所用的实际时长。试题难度信息可以用1-99来表达一道题目难度，数值越大则该试题越难，可以由试题编辑者设置并存储至数据库。答题信息具体可以理解为学生答题情况，可以以序列表征。示例性的，一个学生在一个知识点下回答了三道题，答题情况序列可以表示为[1,0,1]，1表示答对，0表示答错。题目难度序列可以表示为[50,60,40]，分别对应第一题难度为50，第二道题难度为60，第三题难度为40。
S120、对学习数据进行处理，获得第一评估参数。
其中，第一评估参数包括：时间管理能力(TimeManagementAbility，TMA)评估参数、进步潜力(PotentialForImprovement，PFI)评估参数、正确率把握能力(CorrectRateControlling，CRC)评估参数及学习稳定性(Stabilityof Learning，SOL)评估参数。
第一评估参数具体可以理解为用于对学生学习效果进行评估的参数。第一评估参数可以是直接从学习数据提取的基础数据，也可以是通过学习数据中的基础数据进行计算获得综合参数，第一评估参数的获取途径由实际要得到的参数决定。这里，第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数。
其中，时间管理能力评估参数具体可以理解为通过学生在预计时长内完成行为的多少，来判断这个学生的时间管理能力，在预计的时间内完成的行为越多，说明学生对于会的题目以及不会的题目都有清晰的认知，知道什么时候该快速答题，什么时候该放弃。现有的学习系统并没有对学生的做题习惯进行评估，为了获得学生对做题时间的掌控能力，即对简单的题能快速答对，而对难度较大的题目且学生不具备解题能力的情况下可以果断放弃，避免浪费时间。本发明实施例使用了该评估参数来判断学生对题目的理解以及对自身能力的一种了解，通过该评估参数，学生可以有意识的去增强对时间的敏感度，增强学生的专注程度。时间管理能力评估参数值越大，说明学生的时间管理能力越强，节约的时间也越多。
优选的，对学习数据进行处理，获得时间管理能力评估参数，具体可以包括：
a1)获取实际答题时长小于推荐答题时长且答题结果为正确的答题数量，确定为第一数量。
本实施例中，通过对学生在预计时长内完成行为的多少，来判断这个学生的时间管理能力。实际答题时长是指学生完成解答一道题所用的实际时长，本实施例中，确定实际答题时长的方式可以是：从学生点击“开始做题”按钮开始计时，当学生点击“提交”时，结束计时，并统计该段时长，即为实际答题时长。
可以清楚的是，实际答题时长和推荐答题时长均是学习数据，可通过线上学习平台数据库获得，答题时长具体是指学生完成解答一道题所用的实际时长。将实际答题时长小于推荐答题时长且答题结果为正确的答题数量，确定为第一数量。
b1)获取在推荐答题时长内跳过的试题的数量，确定为第二数量。
跳过试题是指学生在遇到不会的题目时，可以选择跳过不做这道题，将推荐答题时长内跳过的试题的数量确定为第二数量。可以清楚的是，推荐时长内跳过题数同样也是学习数据，可通过线上学习平台数据库获得。在推荐答题时长内跳过试题，表明学生时间管理能力强。
c1)对第一数量和第二数量进行求和，并计算求和与总答题数量的比例，确定为第一占比。
具体的，本步骤通过将第一数量和第二数量进行求和，并将求和结果与总答题数量作商，即可得到第一占比。
d1)将第一占比确定为时间管理能力评估参数。
将第一占比确定为时间管理能力评估参数，该参数越大，表明学生的时间管理能力越强。
其中，进步潜力评估参数是指学生通过知识点的学前与学后的比较，来了解自己的进步情况，该参数主要用于衡量学生的进步涨幅，通过一段时间的学习情况，来对于该时间段的整体进步水平有一个整体统一的了解。现有的学习系统只能通过学生的学前和学后的差异来表示学生的进步程度，但无法对学生的某一个学习阶段提供进步与否的参考，为了得到学生在某一个学习阶段的进步程度，本发明实施例使用了该参数来表示学生的进步程度。在一个学习阶段中，学生的进步潜力评估参数越高表示学生有进步的知识点占比越高，或者是学生进步幅度很大。通过该评估参数，学生可以整体的把握自身的进步程度。该评估参数值越大，说明学生进步程度越大。
优选的，答题信息包括学前答题信息和学后答题信息。学前答题信息可以理解为学生学习某个知识点之前解答该知识点对应的试题的情况；学后答题信息可以理解为学生学习某个知识点之后解答该知识点对应的试题的情况。
具体的，对学习数据进行处理，获得进步潜力评估参数，具体可以包括：
a2)针对每个知识点，根据学前答题信息和试题难度信息确定第一知识点能力值。
本实施例中，可以采用基于项目反应理论(ItemResponseTheory，IRT)的能力值计算模型确定知识点能力值。其中，IRT模型用于评估被试项目的某一种潜在特性，假设学生的答题能力与题目难度以及是否学过该知识点有关，则将答题信息和试题难度信息输入能力值计算模型，就可以获得该知识点的能力值。
示例性的，针对每个知识点，将学前答题信息和试题难度信息输入基于IRT的能力值计算模型中，获得第一知识点能力值。如，输入：答题情况序列[1,0,1]；题目难度序列[50,60,40]，则可以输出：学生能力值(0,1]。
可选的，基于IRT的能力值计算模型确定知识点能力值的过程可以是：预设一定数量的知识点能力值，并对各知识点能力值分别取对数，获得对数能力值。将各对数能力值和知识点对应的题目难度序列输入IRT模型，获得各对数能力值做对该知识点对应的题目的概率序列。对于每个对数能力值对应的概率序列，根据学生的答题情况序列进行概率累乘，获得累乘概率。示例性的，假设某个知识点对应4道题，且其中一个对数能力值对应的概率序列为[p1,p2,p3,p4]，学生的答题情况序列为[1,0,1,1]，则累乘概率为p1*(1-p2)*p3*p4。最终获得一定数量的累乘概率，将最大的累乘概率对应的知识点能力值确定为最终的知识点能力值。
b2)根据学后答题信息和试题难度信息确定第二知识点能力值。
与第一知识点能力值的获取方法相同，基于IRT能力值计算模型，根据学后答题信息和试题难度信息确定第二知识点能力值。
c2)若第二知识点能力值与第一知识点能力值的差值大于设定阈值，则知识点为已进步知识点。
设定阈值可根据实际要达到的学习效果设定，想达到的学习效果好，则阈值设定为较大值。
d2)计算已进步知识点与总知识点的比例，确定为第二占比。
具体的，本步骤通过将已进步的知识点数量与总知识点数量作商，即可得到已进步知识点与总知识点所占比例，即第二占比。
e2)将第二占比确定为进步潜力评估参数。
将第二占比确定为进步潜力评估参数，学生的进步潜力评估参数越高表示学生有进步的知识点占比越高，或者是学生进步幅度很大。
其中，正确率把握能力评估参数是指通过学生在一段时间内学习的答题情况，衡量学生整体的正确率把握能力，该参数主要的评估标准为正答率，正确率把握能力评估参数越高，说明学生在某个学习阶段的整体答对率较高，学生为了提高这个指标需要对每个知识点的题目认真对待，所以可以减少学生避免盲目快速答题的情况，让学生有意识的谨慎小心的做题。
优选的，对学习数据进行处理，获得正确率把握能力评估参数，具体可以包括：
a3)对于每个知识点，计算答题结果为正确的试题数量占知识点对应的总试题数量的比例，确定为初始正答率。
正答率是指在当前学习阶段作答过的题目中，学生正确作答的题目占比。对于每个知识点，将计算答题结果为正确的试题数量占知识点对应的总试题数量的比例，确定为初始正答率。
b3)计算各个知识点的初始正答率的平均值，获得平均正答率。
为了全面评估学生对各个知识点的掌握情况，计算各个知识点的初始正答率的平均值，获得平均正答率。
c3)将平均正答率确定为正确率把握能力评估参数。
将平均正答率确定为正确率把握能力评估参数，正确率把握能力评估参数值越高，说明学生在某个学习阶段的整体答对率较高。
其中，学习稳定性评估参数是指综合学生每道题目的作答正误，评判其学习表现的稳定性以及做题的谨慎性与认真程度。
优选的，对学习数据进行处理，获得学习稳定性评估参数，具体可以包括：
a4)获取实际答题时长小于推荐答题时长且答题结果为正确的试题，确定为目标试题。
相较于现有的评估方法，本步骤中使用了答题时间、推荐答题时长以及答题情况三个维度来综合评估学生的学习稳定性。可以清楚的是，实际答题时长和推荐答题时长及答题结果是否正确均是学习数据，可通过线上学习平台数据库获得。将获取实际答题时长小于推荐答题时长且答题结果为正确的试题，确定为目标试题。
b4)计算每一个目标试题的实际答题时长与推荐答题时长的比值。
将每一个目标试题的实际答题时长与推荐答题时长作商，得到一个比值。
c4)将比值进行求和，获得目标比值。
可选的，还可以将一个特定值减去该实际答题时长与推荐答题时长之比，再将计算得到的值进行求和，获得目标比值。其中，特定值可以由线上学习平台管理者提前设置。
d4)计算目标比值与总答题数量的比例，确定为第三占比。
具体的，本步骤通过将上述获得目标比值与总答题数量作商，即可得到第三占比。
e4)将第三占比确定为学习稳定性评估参数。
将第三占比确定为学习稳定性评估参数，通过该指标，学生可以知道在某一个学习阶段自己的学习稳定情况，影响该指标的因素为正答率与答题速度。答题准，做题快，可以增加该指标数值。该指标可以让学生有意识的提高专注度，提高答题效率。学习稳定性评估参数值越高，学生的稳定性越好，题目回答得又快又好。
具体的，本步骤对学生线上学习平台进行学习操作时产生的学习数据进行分析，获得第一评估参数，作为对学生的学习效果进行评估的参考。
S130、根据第一评估参数确定学习效果指数。
学习效果指数(LearningEfficiencyIndex，LEI)是综合多个评估参数从多维度得到的一个整体性指标，代表学生在学习效果方面的综合表现，通过该参数可以得到学生在某个学习阶段或课次的学习效果情况，学生可以根据其余评估参数的高低去改善学习效果指数，该指标数值越大，说明该学生在某个学习阶段的学习效果越好，为了提升该指标，学生可以针对其余组成参数的情况进行查漏补缺，有助于学生整体进步，以及改善学生的做题习惯。
优选的，根据第一评估参数确定学习效果指数，包括：
计算时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数的平均值，获得学习效果指数。
学习效果指数可以依据计算时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数得到的一个整体性指标，具体的，可以对以上四个指标进行平均值计算，获得学习效果指数。
S140、根据第一评估参数和学习效果指数生成设定评估图谱，并将设定评估图谱进行展示。
现有的学习系统产出的学习报告一般采用文字加数字的表达方式，不直观易读，本实施例通过图型加上数据的组合可以让数据一目了然，也更有趣味性。设定评估图谱是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。
本实施例中，根据第一评估参数和学习效果指数，即根据综合计算时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数、学习稳定性评估参数以及学习效果指标生成五维设定评估图谱。设定评估图谱展示于学生的一个学习阶段结束后的学习报告中，该报告可展示给具有查看此报告的权限用户，如，老师、家长与学生。对学生来说，得到设定评估图谱后，可以通过设定评估图谱得到第一印象，图像直观的展示学生的各方面学习效果，令人印象深刻。
进一步地，在根据第一评估参数和学习效果指数生成设定评估图谱之后，还包括：
获取多个学生的平均第一评估参数以及平均学习效果指数。
具体的，获取多个学生的第一评估参数，第一评估参数获取方法同上述实施例中获取第一评估参数方法，将所有学生的第一评估参数求和与学生人数作商，得到多个学生的平均第一评估参数，其中第一评估参数可以包括时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数。
同样，获取多个学生的平均学习效果指数，学习效果指数获取方法同上述实施例中获取学习效果指数方法，将所有学生的学习效果指数求和与学生人数作商，得到多个学生的平均学习效果指数。
将平均第一评估参数以及平均学习效果指数添加至设定评估图谱中。
将上述获取的平均第一评估参数以及平均学习效果指数添加至设定评估图谱中。学生将自己的学习效率指标与平均效率指标进行比较后，如果学习效率很高，五维图会显示的很好看，让学生满足有成就感。而当学生学习效率比平均值低的话，学生可以通过五维图知道自身不足之处，并会想要努力将五维图中较差的指标提升。对于老师和家长来说，可以更直观的了解孩子的学习情况。对系统来说，通过学生的五维图，可以通过比较指标平均值与学生的设定评估图谱参数来有针对性的辅导学生。
图2给出了某学生的设定评估图谱的示例图，示例性的，学习系统的主要核心输出为五个维度的参数，包括时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数、学习稳定性评估参数及学习效果指数。而这五个参数用五维设定评估图谱展示。在图2中每个参数都会展示学生的第一评估参数和学习效果指标数据，也会展示所有学生的平均第一评估参数和平均学习效果指标数据。
进一步地，在将设定评估图谱进行展示之后，还包括：
根据设定评估图谱获取学习建议，并将学习建议推送至学生所在的客户端。
具体的，设定评估图谱可以直观的反应学生各方面的学习效果，根据设定评估图谱获取学习建议，并将学习建议推送至学生所在的客户端。
示例性的，学生系统在得到该同学的五维设定评估图谱时，对应该如何提升学生各方面能力提出了建议：
提升时间管理能力，需要在做题目的时候注意力集中，提高专注度，并且给自己一些紧张感，在推荐时间内做完，或者实在超出自己能力范围，要果断放弃，避免浪费时间。
提升进步潜力，需要在学习的时候，注意听讲，在做题的时候专心，并提高自己的做题准确率。
提升正确率把握能力，因为正确率把握能力参数主要是衡量学生的平均正答率，做对的题目越多，该指标就越高，所以要谨慎，认真做题，避免因不审题，贪快做题而导致题目做错。
提升学习稳定性，学习稳定性参数主要衡量的是学生的做题速度与正答率的结合，所以需要学生有有效率的细心答题，也就是又快又好，基于这个方向，学生可以在学习的时候有意识的训练自己的专注度以及准确性。
提升学习效果，学习效果指标是基于上述4个参数所评估的，将其余能力提高，学习效果指标也会提高，如果学习效果指标较低就说明有某个或某些评估参数偏低了，所以学生可以根据该评估参数去查漏补缺，学生可以找找自身是哪方面做的不够好，从而有针对性的去练习，避免大量无用功。
示例性的，某个学生在进行一个阶段的学习后生成了一份学习报告，该报告上有五维设定评估图谱，该学生发现自己所有评估参数都低于平均值。该学生发现自己时间管理能力评估参数值很低，立即反应过来自己做题的时候，走神了，所以做题速度很慢导致时间管理能力评估参数值很低。而进步潜力评估参数值低的原因是学前测试能力值低，自己在学习阶段的时候还没有认真学习，学后答题正确率不高，学后能力值也不高，所以进步潜力评估参数值就低。该同学看到自己的正确率把握能力参数后开始反思，为什么自己的正确率把握参数值这么低，后来发现，该同学除了难题没做出来，简单的题目也没做出来，所以该参数值比较低。该同学注意到自己的学习稳定性评估参数值也低于平均值，该学生立马反应过来自己因走神而导致做题慢，而且做的题目回答还不对，做题过程简直是又慢又错，所以学习稳定性参数值低也是情有可原了。该同学就在想，前面指标的4个评估参数都低了，所以学习效果指数也低了。该学生根据系统的学习建议，以及对自身的反思，找到薄弱点，并有针对性的去练习，可以提升学习能力，答题策略以及答题习惯都得以改善，学习效率大大提高。
本发明实施例提供一种学习效果的评估方法、装置、设备及存储介质，该方法包括，获取学生在设定学习阶段内的学习数据；对学习数据进行处理，获得第一评估参数；其中，第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；根据第一评估参数确定学习效果指数；根据第一评估参数和学习效果指数生成设定评估图谱，并将设定评估图谱进行展示。利用该方法从多维度生成设定评估图谱，可以全面的对学生线上的学习效果进行评估，提高学习效果评估的可靠性和准确性。
实施例二
图3为本申请实施例二提供的一种学习效果的评估装置的结构框图，该装置适用于进行线上学习效果评估的情况。该装置可以由硬件和/或软件实现，并一般集成在计算机设备中。如图3所示，该装置包括：学习数据获取模块21、学习数据处理模块22、学习效果指数确定模块23和设定评估图谱生成模块24。
学习数据获取模块21，用于获取学生在设定学习阶段内的学习数据；
学习数据处理模块22，用于对学习数据进行处理，获得第一评估参数；其中，第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
学习效果指数确定模块23，根据第一评估参数确定学习效果指数；
设定评估图谱生成模块24，根据第一评估参数和学习效果指数生成设定评估图谱，并将设定评估图谱进行展示。
优选的，学习数据包括：在设定学习阶段内学习的知识点、总答题数量、实际答题时长、推荐答题时长、答题结果、试题难度信息及答题信息。
进一步地，学习数据处理模块22具体可以用于：
确定实际答题时长小于推荐答题时长的答题数量且答题结果为正确的答题数量，确定为第一数量；
获取在推荐答题时长内跳过的试题的数量，确定为第二数量；
对第一数量和第二数量进行求和，并计算求和与总答题数量的比例，确定为第一占比；
将第一占比确定为时间管理能力评估参数。
进一步地，答题信息包括学前答题信息和学后答题信息，学习数据处理模块22具体可以用于：
针对每个知识点，根据学前答题信息和试题难度信息确定第一知识点能力值；
根据学后答题信息和试题难度信息确定第二知识点能力值；
若第二知识点能力值与第一知识点能力值的差值大于设定阈值，则知识点为已进步知识点；
计算已进步知识点与总知识点的比例，确定为第二占比；
将第二占比确定为进步潜力评估参数。
进一步地，学习数据处理模块22具体可以用于：
对于每个知识点，计算答题结果为正确的试题数量占知识点对应的总试题数量的比例，确定为初始正答率；
计算各个知识点的初始正答率的平均值，获得平均正答率；
将平均正答率确定为正确率把握能力评估参数。
进一步地，学习数据处理模块22具体可以用于：
获取实际答题时长小于推荐答题时长且答题结果为正确的试题，确定为目标试题；
计算每一个目标试题的实际答题时长与推荐答题时长的比值；
将比值进行求和，获得目标比值；
计算目标比值与总答题数量的比例，确定为第三占比；
将第三占比确定为学习稳定性评估参数。
进一步地，学习效果指数确定模块23，具体可以用于：
计算时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数的平均值，获得学习效果指数。
进一步地，该装置还包括：平均学习效果指数确定模块和设定评估图谱添加模块；
平均学习效果指数确定模块，具体可以用于获取多个学生的平均第一评估参数以及平均学习效果指数；
设定评估图谱添加模块，具体可以用于将平均第一评估参数以及平均学习效果指数添加至设定评估图谱中。
进一步地，该装置还包括：学习建议推送模块；
学习建议推送模块，具体可以用于根据设定评估图谱获取学习建议，并将学习建议推送至学生所在的客户端。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图4为本申请实施例三提供的一种计算机设备的结构示意图，如图4所示，该设备包括处理器31、存储器32、输入装置33和输出装置34；设备中处理器31的数量可以是一个或多个，图4中以一个处理器31为例；设备中的处理器31、存储器32、输入装置33和输出装置34可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的学习效果的评估方法对应的程序指令/模块(例如，学习数据获取模块21、学习数据处理模块22、学习效果指数确定模块23和设定评估图谱生成模块24)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的学习效果的评估方法。
存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置33可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
实施例四
本申请实施例四还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种学习效果的评估方法，该方法包括：
获取学生在设定学习阶段内的学习数据；
对学习数据进行处理，获得第一评估参数；其中，第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
根据第一评估参数确定学习效果指数；
根据第一评估参数和学习效果指数生成设定评估图谱，并将设定评估图谱进行展示。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的学习效果的评估方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
值得注意的是，上述学习效果的评估装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种学习效果的评估方法，其特征在于，包括：
获取学生在设定学习阶段内的学习数据；
对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
根据所述第一评估参数确定学习效果指数；
根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。
2.根据权利要求1所述的方法，其特征在于，所述学习数据包括：在所述设定学习阶段内学习的知识点、总答题数量、实际答题时长、推荐答题时长、答题结果、试题难度信息及答题信息。
3.根据权利要求2所述的方法，其特征在于，对所述学习数据进行处理，获得第一评估参数，包括：
获取所述实际答题时长小于推荐答题时长且答题结果为正确的答题数量，确定为第一数量；
获取在所述推荐答题时长内跳过的试题的数量，确定为第二数量；
对所述第一数量和所述第二数量进行求和，并计算所述求和与所述总答题数量的比例，确定为第一占比；
将所述第一占比确定为时间管理能力评估参数。
4.根据权利要求2所述的方法，其特征在于，所述答题信息包括学前答题信息和学后答题信息；对所述学习数据进行处理，获得第一评估参数，包括：
针对每个知识点，根据所述学前答题信息和所述试题难度信息确定第一知识点能力值；
根据所述学后答题信息和所述试题难度信息确定第二知识点能力值；
若所述第二知识点能力值与所述第一知识点能力值的差值大于设定阈值，则所述知识点为已进步知识点；
计算已进步知识点与总知识点的比例，确定为第二占比；
将所述第二占比确定为进步潜力评估参数。
5.根据权利要求2所述的方法，其特征在于，对所述学习数据进行处理，获得第一评估参数，包括：
对于每个知识点，计算答题结果为正确的试题数量占所述知识点对应的总试题数量的比例，确定为初始正答率；
计算各个知识点的初始正答率的平均值，获得平均正答率；
将所述平均正答率确定为正确率把握能力评估参数。
6.根据权利要求2所述的方法，其特征在于，对所述学习数据进行处理，获得第一评估参数，包括：
获取实际答题时长小于推荐答题时长且答题结果为正确的试题，确定为目标试题；
计算每一个目标试题的实际答题时长与推荐答题时长的比值；
将所述比值进行求和，获得目标比值；
计算所述目标比值与所述总答题数量的比例，确定为第三占比；
将所述第三占比确定为学习稳定性评估参数。
7.根据权利要求1所述的方法，其特征在于，根据所述第一评估参数确定学习效果指数，包括：
计算时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数的平均值，获得学习效果指数。
8.根据权利要求1所述的方法，其特征在于，在根据所述第一评估参数和所述学习效果指数生成设定评估图谱之后，还包括：
获取多个学生的平均第一评估参数以及平均学习效果指数；
将所述平均第一评估参数以及平均学习效果指数添加至所述设定评估图谱中。
9.根据权利要求1所述的方法，其特征在于，在将所述设定评估图谱进行展示之后，还包括：
根据所述设定评估图谱获取学习建议，并将所述学习建议推送至学生所在的客户端。
10.一种学习效果的评估装置，其特征在于，包括：
学习数据获取模块，用于获取学生在设定学习阶段内的学习数据；
学习数据处理模块，用于对所述学习数据进行处理，获得第一评估参数；其中，所述第一评估参数包括：时间管理能力评估参数、进步潜力评估参数、正确率把握能力评估参数及学习稳定性评估参数；
学习效果指数确定模块，根据所述第一评估参数确定学习效果指数；
设定评估图谱生成模块，根据所述第一评估参数和所述学习效果指数生成设定评估图谱，并将所述设定评估图谱进行展示。
11.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的学习效果的评估方法。
12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-9中任一所述的学习效果的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756827.5A CN113379320A (zh) | 2021-07-05 | 2021-07-05 | 学习效果的评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110756827.5A CN113379320A (zh) | 2021-07-05 | 2021-07-05 | 学习效果的评估方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113379320A true CN113379320A (zh) | 2021-09-10 |
Family
ID=77580868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110756827.5A Pending CN113379320A (zh) | 2021-07-05 | 2021-07-05 | 学习效果的评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113379320A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442900A (zh) * | 2022-01-28 | 2022-05-06 | 上海橙掌信息科技有限公司 | 显示装置以及学习效果获取方法 |
| CN115907288A (zh) * | 2022-10-31 | 2023-04-04 | 中安华邦(北京)安全生产技术研究院股份有限公司 | 一种安全能力培养效果评估方法、装置、电子设备及介质 |
| CN116664013A (zh) * | 2023-07-24 | 2023-08-29 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
| CN117557426A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
-
2021
- 2021-07-05 CN CN202110756827.5A patent/CN113379320A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442900A (zh) * | 2022-01-28 | 2022-05-06 | 上海橙掌信息科技有限公司 | 显示装置以及学习效果获取方法 |
| CN115907288A (zh) * | 2022-10-31 | 2023-04-04 | 中安华邦(北京)安全生产技术研究院股份有限公司 | 一种安全能力培养效果评估方法、装置、电子设备及介质 |
| CN116664013A (zh) * | 2023-07-24 | 2023-08-29 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
| CN116664013B (zh) * | 2023-07-24 | 2023-09-22 | 西南林业大学 | 协作学习模式的效果评估方法、泛在智慧学习系统及介质 |
| CN117557426A (zh) * | 2023-12-08 | 2024-02-13 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
| CN117557426B (zh) * | 2023-12-08 | 2024-05-07 | 广州市小马知学技术有限公司 | 基于智能题库的作业数据反馈方法及学习评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113379320A (zh) | 学习效果的评估方法、装置、设备及存储介质 | |
| Mitrovic et al. | Evaluating the effect of open student models on self-assessment | |
| Romero et al. | Educational process mining: A tutorial and case study using moodle data sets | |
| Papousek et al. | Adaptive practice of facts in domains with varied prior knowledge | |
| US20060099563A1 (en) | Computerized teaching, practice, and diagnosis system | |
| Conati | Bayesian student modeling | |
| CA2724054A1 (en) | Differentiated, integrated and individualized education | |
| Ulusoy | Serious Obstacles Hindering Middle School Students' Understanding of Integer Exponents. | |
| CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
| Zakharov | Feedback micro-engineering in EER-Tutor | |
| Hutt et al. | Investigating SMART Models of Self-Regulation and Their Impact on Learning. | |
| Dekkers et al. | The dangers of using software metrics to (mis) manage | |
| CN110688480A (zh) | 一种基于消息的实时教学评估方法及系统 | |
| Risha et al. | Stepwise help and scaffolding for java code tracing problems with an interactive trace table | |
| Khalida et al. | Enhancing Usability of the Academic Information System at Bhayangkara University: A Design Thinking and System Usability Approach | |
| CN108921349B (zh) | 一种基于贝叶斯网络预测做题错误位置的方法 | |
| Masthoff | The evaluation of adaptive systems | |
| Lin et al. | Development and evaluation of across-unit diagnostic feedback mechanism for online learning | |
| Spielberg et al. | Revelation of Task Difficulty in Al-aided Education | |
| Osman | Seeing is as good as doing | |
| Seffrin et al. | A dynamic bayesian network for inference of learners' algebraic knowledge | |
| Shahbazova | Applied research in the field of automation of learning and knowledge control | |
| Marepalli et al. | SugarAid 0.2: An online learning tool for STEM | |
| Yuniara et al. | Analysis Of Difficulties In Completing Mathematical Communication Problem Solving In Terms Of Learning Styles Using Inquiry Learning | |
| CN113344204B (zh) | 多重逻辑问题的认知数据处理方法及装置 |
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 |