CN113408957B - 一种基于组合赋权法的课堂教学评测方法 - Google Patents
一种基于组合赋权法的课堂教学评测方法 Download PDFInfo
- Publication number
- CN113408957B CN113408957B CN202110816529.0A CN202110816529A CN113408957B CN 113408957 B CN113408957 B CN 113408957B CN 202110816529 A CN202110816529 A CN 202110816529A CN 113408957 B CN113408957 B CN 113408957B
- Authority
- CN
- China
- Prior art keywords
- teaching
- evaluation
- evaluated
- classroom
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008451 emotion Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000002996 emotional effect Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000001802 infusion Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (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
本发明提供一种基于组合赋权法的课堂教学评测方法,属于智慧教育技术领域。所述方法包括:获取样本教学课堂数据,生成第一特征序列;根据预设指标类型,对第一特征序列进行归一化处理得到第二特征序列;根据第二特征序列,使用层次分析法计算各预设指标的主观权重,并使用熵权法计算各预设指标的客观权重;所述预设指标为预设课堂教学评测模型的输出参数;基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重;获取待评测课堂教学的课堂数据;将所述待评测的课堂数据输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值。本发明兼顾了主、客观权重中的有效信息,评测结果有效性和可靠性高。
Description
技术领域
本发明属于智慧教育技术领域,尤其涉及一种基于组合赋权法的课堂教学评测方法。
背景技术
在教学活动中,客观公正地对课堂教学进行评测是衡量教师教学水平和学生课堂表现的主要手段。
早期,使用人力的方式组织调研人员深入课堂,在观察课堂的同时,根据提前设计好的传统量表,进行评测分析。这种方式需要耗费大量的时间和人力资源,而且无法评价大量课程。随后,录音录像技术的出现使得部分课程的评价可以用录像代替课堂观察,之后依然用人工的方式反复观看进行后续的评测分析。再往后,计算机的发展伴随了课堂分析软件的出现,替代了部分的人工分析工作量,但是,还未有有效的课堂评价软件能够给出有效的评测结果。
可见,传统的课堂评价方法是使用人工的分析测评方式,分析结果会引入观察者的主观因素影响,导致评估不够客观,没有足够的客观数据进行支撑。另一方面,评测人员深入课堂也会不可避免地影响到正常地教学活动。此外,传统评测方式会让评测人员进行重复性地评测活动,会耗费大量地人力资源,且无法对大量地课堂进行教学评测。
发明内容
有鉴于此,本发明实施例提供一种基于组合赋权法的课堂教学评测方法,用于解决传统的课堂评价方式人工依赖性强、耗费人力、主观因素影响大、评估结果不客观以及无法大量评测的问题。本发明通过组合赋权法进行课堂教学评测,兼顾了主客观权重中的有效信息,能够实现少人力,大规模的课堂教学智能评测。
本发明实施例提供一种基于组合赋权法的课堂教学评测方法,包括以下步骤:
获取样本教学课堂数据,生成第一特征序列;
根据预设指标类型,对所述第一特征序列进行归一化处理,得到第二特征序列;所述预设指标为预设课堂教学评测模型的输出参数;
根据所述第二特征序列,使用层次分析法计算各预设指标的主观权重,并使用熵权法计算各预设指标的客观权重;
基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重,作为所述课堂教学评测模型中各评测指标的权重;
获取待评测课堂教学的课堂数据;
将所述待评测的课堂数据输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值。
在一可选实施例中,在所述基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重之前,还包括:
对各预设指标的主观权重从大到小进行排序,得到主观权重排序结果;
所述优化策略为根据以下目标函数确定各预设指标的综合权重:
所述目标函数满足以下条件:
其中,i=1,2,…,n,n为所述预设指标的总数,wsi为所述主观权重排序结果中第i个主观权重,woi为与所述第i个主观权重对应的第i个客观权重,wi为与所述第i个主观权重对应的第i个综合权重,min()为取最小值函数,max()为取最大值函数。
在一可选实施例中,所述指标包括教师分析指标和学生分析指标;
所述教师分析指标至少包括:教学类型评价指标、教学风格评价指标、教学媒体评价指标;
所述学生分析指标至少包括:听课专注度指标、课堂活跃度指标。
在一可选实施例中,所述教学类型包括灌输型、自然型、互动型三种类别;所述教学风格包括激昂型、幽默型、严肃型三种类别;所述教学媒体包括板书型、课件型两种类别。
在一可选实施例中,所述课堂数据包括:教师行为特征数据、教师情绪特征数据、学生行为特征数据和学生情绪特征数据。
在一可选实施例中,所述教师行为特征数据包括以下至少一种类别的行为特征:讲授课本或试题、手指黑板、手指投影、无手势、双手比划、做举手状、低头或弯腰操作桌面、转身、来回走动;
所述学生行为数据包括以下至少一种类别的行为特征:举手、记笔记、趴桌子、抬头、阅读;
所述教师情绪特征数据包括以下一种情绪特征:笑、不笑;
所述学生情绪特征数据包括以下一种情绪特征:笑、不笑。
在一可选实施例中,所述课堂数据还包括教师的音量和语速;
所述教学类型评价指标对应的评测依据为教师行为特征和教师情绪特征;
所述教学风格评价指标对应的评测依据为教师行为特征、教师情绪特征、音量和语速;
所述教学媒体评价指标对应的评测依据为教师行为特征;
所述听课专注度指标对应的评测依据为学生行为特征和学生情绪特征;
所述课堂活跃度指标对应的评测依据为学生行为特征和学生情绪特征。
在一可选实施例中,在所述将所述第三特征序列输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值之后,还包括以下步骤:
步骤A1:根据所述待评测课堂教学的各指标的评测值以及所述待评测课堂教学的各指标的综合权重,利用公式(1)计算得到本堂课的综合评测值:
其中,P表示本堂课的综合评测值;wj表示所述待评测课堂教学的第j个指标的综合权重;Pj表示所述待评测课堂教学的第j个指标的评测值;j=1,2,…,n;
步骤A2:根据所述待评测课堂教学后学生的随堂测试分数以及学生对所述待评测课堂教学教师的评分,利用公式(2)对所述本堂课的综合测评值进行综合修正:
其中,P′表示进行综合修正后的本堂课的综合评测值;Sa表示所述待评测课堂教学后第a个学生的随堂测试分数;S表示所述待评测课堂教学后的随堂测试满分值;A表示所述待评测课堂教学上的学生个数;Fa表示第a个学生对所述待评测课堂教学教师的评分值;F表示预设评分满分值;a=1,2,…,A;
步骤A3:根据进行综合修正后的本堂课的综合评测值以及所述待评测课堂教学教师的历史综合评测值,计算所述待评测课堂教学教师的本次进步标志值:
其中,l为所述待评测课堂教学教师的本次进步标志值,P′(k)表示所述待评测课堂教学教师的历史第k堂课的综合评测值;max[]表示取最大值函数;k=1,2,…,K,K表示所述待评测课堂教学教师的历史评测次数;L为用于表征最大进步的第一预设值。
在一可选实施例中,在所述步骤A3之后,还包括:
步骤A4:判断所述待评测课堂教学教师的本次进步标志值是否达到第二预设值,若是,则执行步骤A5,否则,执行步骤A6;
步骤A5:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第一颜色填充显示;
步骤A6:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第二颜色填充显示;
其中,所述预设显示条的总长度为L,步骤A5/A6中填充显示时所述显示条的填充长度为|l|,符号||表示取绝对值。
本发明提供的基于组合赋权法的课堂教学评测方法,只要通过部署智能教室,数据源头是课堂中的音视频,可以使用无感采集的方式,人工依赖性低,不会耗费大量的人力资源,也不会影响课堂的正常进行,且兼顾了主、客观权重中的有效信息,评测结果有效性和可靠性高,且基于计算机技术进行评测,可以对大规模的课堂教学进行评测。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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它的附图。
图1为本发明实施例提供的基于组合赋权法的课堂教学评测方法流程图;
图2为使用层次分析法计算各预设指标的主观权重的方法流程图;
图3为使用熵权法计算各预设指标的客观权重的方法流程图。
具体实施方式
近年来,人工智能的发展为智慧教育带来新动力,尤其是智能学习与评价这一领域。一方面,在智慧教育政策的支持下,智慧校园的部署已经初具规模,智能硬件技术的发展也为课堂教学评测的智能化提供了设备基础。另一方面,人工智能、大数据等技术为课堂教学评测的智能化提供了算法基础。因此用智能技术的手段分析课堂教学行为,带来更便捷更客观的结果。关于AI课堂教学评测的相关理论研究,目前国内的较多但更偏向于工程应用,而国外的则较少。AI评测系统能够对课堂音视频数据进行分析,结果较为客观可靠,能够在一定程度上克服传统评测的主观性与经验依赖性的特点。基于此,本发明提出一种应用AI技术对课堂中师生的行为、情绪等课堂数据进行统计建模,实现智能化课堂教学评测。
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的基于组合赋权法的课堂教学评测方法流程图。
参见图1,该方法包括如下步骤S101-S106:
S101:获取样本教学课堂数据,生成第一特征序列;
本实施例中,可以获取已经有标准评测结果的至少一堂之前的教学课堂数据,作为样本教学课堂数据,并根据预先设置的特征类型,基于所述样本教学课堂数据生成第一特征序列。
可选地,所述课堂数据包括:教师行为特征数据、教师情绪特征数据、学生行为特征数据和学生情绪特征数据。
优选地,所述教师行为特征数据包括以下至少一种类别的行为特征:讲授课本或试题、手指黑板、手指投影、无手势、双手比划、做举手状、低头或弯腰操作桌面、转身、来回走动。
优选地,所述学生行为数据包括以下至少一种类别的行为特征:举手、记笔记、趴桌子、抬头、阅读。
优选地,所述教师情绪特征数据包括以下一种情绪特征:笑、不笑。
所述学生情绪特征数据包括以下一种情绪特征:笑、不笑。
例如,采集某一次教学课堂上的教师和学生的表现数据,记录课堂上教师以及学生的行为特征数据和情绪特征数据,将这些特征数据集合作为第一特征序列。
S102:根据预设指标类型,对所述第一特征序列进行归一化处理,得到第二特征序列。
其中,所述预设指标为预设课堂教学评测模型的输出参数,所述预设课堂教学评测模型以由课堂数据得到的归一化后的特征序列为输入。
在一可选实施例中,预设指标如下表1所示:
表1预设指标
优选地,如表1中所示,所述指标包括教师分析指标和学生分析指标;所述教师分析指标至少包括:教学类型评价指标、教学风格评价指标、教学媒体评价指标;所述学生分析指标至少包括:听课专注度指标、课堂活跃度指标。其中,所述教学类型包括灌输型、自然型、互动型三种类别;所述教学风格包括激昂型、幽默型、严肃型三种类别;所述教学媒体包括板书型、课件型两种类别。
S103:根据所述第二特征序列,使用层次分析法计算各预设指标的主观权重,并使用熵权法计算各预设指标的客观权重。
S104:基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重,作为所述课堂教学评测模型中各评测指标的权重。
本实施例中,在统一指标的主观权重和客观权重得到综合权重的过程中,需要遵循如下几条原则:
(1)综合权重的排序应该和主观权重一致。由于主观权重顺序是教学分析专家评测结果的体现,所以综合模型采用主观权重的顺序信息,以加强权重的可解释性。
(2)将优化策略的目标函数设为综合权重和客观权重的几何距离。由于客观权重稳定性较强,所以优先将客观权重的强度信息作为综合权重的参考。
(3)组合权重取值大小在主观权重和客观权重之间,且组合权重之和等于1。
根据以上原则设计求解组合权重的方法如下:
首先对各预设指标的主观权重从大到小进行排序,得到主观权重排序结果;
随后根据以下目标函数确定各预设指标的综合权重:
上述目标函数的求解需要满足以下条件:
其中,i=1,2,…,n,n为所述预设指标的总数,wsi为所述主观权重排序结果中第i个主观权重,woi为与所述第i个主观权重对应的第i个客观权重,wi为与所述第i个主观权重对应的第i个综合权重,min()为取最小值函数,max()为取最大值函数。
S105:获取待评测课堂教学的课堂数据,生成第三特征序列。
此步骤中获取待评测课堂教学的课堂数据,所述课堂数据如S101中所述,获取特征数据并生成相应特征序列,此处不再赘述。
S106:将所述第三特征序列输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值
本实施例中,通过步骤S101-S104,基于样本教学课堂数据,计算得到课堂教学评测模型中各指标的综合权重值,随后将所述待评测的课堂数据输入所述课堂教学评测模型,即可通过课堂教学评测模型计算并输出所述待评测课堂教学的各指标的评测值,以实现对课堂教学的智能评测。
本发明提供的基于组合赋权法的课堂教学评测方法,只要通过部署智能教室,数据源头是课堂中的音视频,可以使用无感采集的方式,人工依赖性低,不会耗费大量的人力资源,也不会影响课堂的正常进行,且兼顾了主、客观权重中的有效信息,评测结果有效性和可靠性高,且基于计算机技术进行评测,可以对大规模的课堂教学进行评测。
图2为使用层次分析法计算各预设指标的主观权重的方法流程图,包括以下步骤S201-S205:
S201:根据预设指标和评测依据之间的关系构建层次分析模型;
优选地,如表1中所示,所述教学类型评价指标对应的评测依据为教师行为特征和教师情绪特征,即:在确定了所述课堂教学评测模型中各指标的综合权重值后,所述课堂教学评测模型已得到,则在需要评测某堂课上教师的教学类型时,只需要采集该课堂上该教师的行为特征和情绪特征数据,将采集的这些特征数据生成相应的特征序列作为所述课堂教学评测模型的输入,随后经所述课堂教学评测模型计算即可输出该堂课的教学类型评价结果是灌输型还是自然型或互动型。类似优选地,所述教学风格评价指标对应的评测依据为教师行为特征、教师情绪特征、音量和语速;所述教学媒体评价指标对应的评测依据为教师行为特征;所述听课专注度指标对应的评测依据为学生行为特征和学生情绪特征;所述课堂活跃度指标对应的评测依据为学生行为特征和学生情绪特征。
S202:通过一致矩阵法将所述层次分析模型中每一层的不同组成因素两两比较,根据重要程度量化表计算组成因素的相对权重,得到判断矩阵;
S203:计算判断矩阵的最大特征根的归一化特征向量,并将所述最大特征根的归一化特征向量中的各元素进行排序;
S204:对每一层的相对权重进行一致性检查,判断是否检查通过;若一致性检查不通过,则返回步骤S201;若通过一致性检查通过,则执行S205;
S205:得到各预设指标的主观权重。
图2所示实施例中使用的层次分析法为现有技术,此处不再赘述。
图3为使用熵权法计算各预设指标的客观权重的方法流程图,包括以下步骤S301-S304:所述使用熵权法计算各预设指标的客观权重,包括:
S301:对所述第二特征序列进行标准化处理,得到第四特征序列;
S302:根据所述第四特征序列,计算各特征的熵值;
S303:计算所述样本教学课堂数据对应的每个指标的信息熵冗余度;
S304:计算信息效用值,并将其归一化后得到每个指标的熵权,将其作为各预设指标的客观权重。
图3所示实施例中使用的熵权法计算客观权重的方法为现有技术,此处不再赘述。
在一可选实施例中,上述方法中,在步骤S106之后,还包括以下步骤:
步骤A1:根据所述待评测课堂教学的各指标的评测值以及所述待评测课堂教学的各指标的综合权重,利用公式(1)计算得到本堂课的综合评测值:
其中,P表示本堂课的综合评测值;wj表示所述待评测课堂教学的第j个指标的综合权重;Pj表示所述待评测课堂教学的第j个指标的评测值;j=1,2,…,n;
步骤A2:根据所述待评测课堂教学后学生的随堂测试分数以及学生对所述待评测课堂教学教师的评分,利用公式(2)对所述本堂课的综合测评值进行综合修正:
其中,P′表示进行综合修正后的本堂课的综合评测值;Sa表示所述待评测课堂教学后第a个学生的随堂测试分数;S表示所述待评测课堂教学后的随堂测试满分值;A表示所述待评测课堂教学上的学生个数;Fa表示第a个学生对所述待评测课堂教学教师的评分值;F表示预设评分满分值;a=1,2,…,A;
步骤A3:根据进行综合修正后的本堂课的综合评测值以及所述待评测课堂教学教师的历史综合评测值,计算所述待评测课堂教学教师的本次进步标志值:
其中,l为所述待评测课堂教学教师的本次进步标志值,P′(k)表示所述待评测课堂教学教师的历史第k堂课的综合评测值;max[]表示取最大值函数;k=1,2,…,K,K表示所述待评测课堂教学教师的历史评测次数;L为用于表征最大进步的第一预设值。
在一可选实施例中,在所述步骤A3之后,还包括:
步骤A4:判断所述待评测课堂教学教师的本次进步标志值是否达到第二预设值,若是,则执行步骤A5,否则,执行步骤A6;
步骤A5:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第一颜色填充显示;
步骤A6:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第二颜色填充显示;
其中,所述预设显示条的总长度为L,步骤A5/A6中填充显示时所述显示条的填充长度为|l|,符号||表示取绝对值。
步骤A1-A6所述实施例中,根据所述待评测课堂教学的各指标的评测值以及所述待评测课堂教学的各指标的综合权重得到本堂课的综合评测值,进而准确的得到本堂课的综合评测结果;再根据本堂课学生的随堂测试分数以及学生对本堂课教师的评分对所述评测值对所述综合测评值进行综合修正,进而保证评测的可靠性以及评测的多元性;最后根据进行综合修正后本堂课的综合评测值以及历史课堂该教师的综合评测值,分析所述教师在本堂课的教学是否有所进步,并通过显示条的长度和颜色来展示所述教师在本堂课的进步/退步程度,然后发给教师从而让教师根据显示条知道本堂课的讲课程度,能够通过图形的方式显示测评结果,可以将教师的讲课是否有进步的结果量化表示,智能化程度高。
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。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于组合赋权法的课堂教学评测方法,其特征在于,包括以下步骤:
获取样本教学课堂数据,生成第一特征序列;
根据预设指标类型,对所述第一特征序列进行归一化处理,得到第二特征序列;所述预设指标为预设课堂教学评测模型中的评测指标;
根据所述第二特征序列,使用层次分析法计算各预设指标的主观权重,并使用熵权法计算各预设指标的客观权重;
基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重,作为所述课堂教学评测模型中各评测指标的权重;
获取待评测课堂教学的课堂数据,生成第三特征序列;
将所述第三特征序列输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值。
2.如权利要求1所述的基于组合赋权法的课堂教学评测方法,其特征在于,在所述基于预设优化策略对各预设指标的主观权重和客观权重进行结合,得到各预设指标的综合权重之前,还包括:
对各预设指标的主观权重从大到小进行排序,得到主观权重排序结果;
所述优化策略为根据以下目标函数确定各预设指标的综合权重:
所述目标函数满足以下条件:
其中,i=1,2,…,n,n为所述预设指标的总数,wsi为所述主观权重排序结果中第i个主观权重,woi为与所述第i个主观权重对应的第i个客观权重,wi为与所述第i个主观权重对应的第i个综合权重,min()为取最小值函数,max()为取最大值函数。
3.如权利要求1所述的基于组合赋权法的课堂教学评测方法,其特征在于,所述指标包括教师分析指标和学生分析指标;
所述教师分析指标至少包括:教学类型评价指标、教学风格评价指标和教学媒体评价指标;
所述学生分析指标至少包括:听课专注度指标和课堂活跃度指标。
4.如权利要求3所述的基于组合赋权法的课堂教学评测方法,其特征在于,所述教学类型包括灌输型、自然型、互动型三种类别;所述教学风格包括激昂型、幽默型、严肃型三种类别;所述教学媒体包括板书型、课件型两种类别。
5.如权利要求4所述的基于组合赋权法的课堂教学评测方法,其特征在于,所述课堂数据包括:教师行为特征数据、教师情绪特征数据、学生行为特征数据和学生情绪特征数据。
6.如权利要求5所述的基于组合赋权法的课堂教学评测方法,其特征在于,所述教师行为特征数据包括以下至少一种类别的行为特征:讲授课本或试题、手指黑板、手指投影、无手势、双手比划、做举手状、低头或弯腰操作桌面、转身、来回走动;
所述学生行为数据包括以下至少一种类别的行为特征:举手、记笔记、趴桌子、抬头、阅读;
所述教师情绪特征数据包括以下一种情绪特征:笑、不笑;
所述学生情绪特征数据包括以下一种情绪特征:笑、不笑。
7.如权利要求6所述的基于组合赋权法的课堂教学评测方法,其特征在于,所述课堂数据还包括教师的音量和语速;
所述教学类型评价指标对应的评测依据为教师行为特征和教师情绪特征;
所述教学风格评价指标对应的评测依据为教师行为特征、教师情绪特征、音量和语速;
所述教学媒体评价指标对应的评测依据为教师行为特征;
所述听课专注度指标对应的评测依据为学生行为特征和学生情绪特征;
所述课堂活跃度指标对应的评测依据为学生行为特征和学生情绪特征。
8.如权利要求2-7任一项所述的基于组合赋权法的课堂教学评测方法,其特征在于,在所述将所述第三特征序列输入所述课堂教学评测模型,得到所述待评测课堂教学的各指标的评测值之后,还包括以下步骤:
步骤A1:根据所述待评测课堂教学的各指标的评测值以及所述待评测课堂教学的各指标的综合权重,利用公式(1)计算得到本堂课的综合评测值:
其中,P表示本堂课的综合评测值;wj表示所述待评测课堂教学的第j个指标的综合权重;Pj表示所述待评测课堂教学的第j个指标的评测值;j=1,2,…,n;
步骤A2:根据所述待评测课堂教学后学生的随堂测试分数以及学生对所述待评测课堂教学教师的评分,利用公式(2)对所述本堂课的综合测评值进行综合修正:
其中,P′表示进行综合修正后的本堂课的综合评测值;Sa表示所述待评测课堂教学后第a个学生的随堂测试分数;S表示所述待评测课堂教学后的随堂测试满分值;A表示所述待评测课堂教学上的学生个数;Fa表示第a个学生对所述待评测课堂教学教师的评分值;F表示预设评分满分值;a=1,2,…,A;
步骤A3:根据进行综合修正后的本堂课的综合评测值以及所述待评测课堂教学教师的历史综合评测值,计算所述待评测课堂教学教师的本次进步标志值;
步骤A4:判断所述待评测课堂教学教师的本次进步标志值是否达到第二预设值,若是,则执行步骤A5,否则,执行步骤A6;
步骤A5:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第一颜色填充显示;
步骤A6:控制所述待评测课堂教学教师使用的电子设备上的预设显示条以第二颜色填充显示;
其中,按照如下公式计算所述待评测课堂教学教师的本次进步标志值:
其中,l为所述待评测课堂教学教师的本次进步标志值,P′(k)表示所述待评测课堂教学教师的历史第k堂课的综合评测值;max[]表示取最大值函数;
k=1,2,…,K,K表示所述待评测课堂教学教师的历史评测次数;所述预设显示条的总长度为L,步骤A5/A6中填充显示时所述显示条的填充长度为|l|,符号||表示取绝对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816529.0A CN113408957B (zh) | 2021-07-20 | 2021-07-20 | 一种基于组合赋权法的课堂教学评测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110816529.0A CN113408957B (zh) | 2021-07-20 | 2021-07-20 | 一种基于组合赋权法的课堂教学评测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408957A CN113408957A (zh) | 2021-09-17 |
CN113408957B true CN113408957B (zh) | 2023-07-18 |
Family
ID=77687079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110816529.0A Active CN113408957B (zh) | 2021-07-20 | 2021-07-20 | 一种基于组合赋权法的课堂教学评测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408957B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034688A (zh) * | 2022-08-10 | 2022-09-09 | 北京师范大学 | 一种教师教学评价分析系统及方法 |
CN115130932B (zh) * | 2022-08-31 | 2023-07-25 | 中国医学科学院阜外医院 | 一种课堂活动数字化评估方法 |
CN115759849A (zh) * | 2022-11-23 | 2023-03-07 | 华中师范大学 | 一种针对差异化教学需求的课堂教学质量评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675676A (zh) * | 2019-10-14 | 2020-01-10 | 江苏食品药品职业技术学院 | 一种基于微信小程序的课堂教学及时评分方法 |
CN112907086A (zh) * | 2021-03-01 | 2021-06-04 | 东北石油大学 | 一种大学课堂教学质量评测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862970B (zh) * | 2017-11-20 | 2020-09-08 | 无锡开放大学 | 一种用于翻转课堂的教学质量评价模型 |
CN108920513B (zh) * | 2018-05-31 | 2022-03-15 | 深圳市图灵机器人有限公司 | 一种多媒体数据处理方法、装置和电子设备 |
-
2021
- 2021-07-20 CN CN202110816529.0A patent/CN113408957B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675676A (zh) * | 2019-10-14 | 2020-01-10 | 江苏食品药品职业技术学院 | 一种基于微信小程序的课堂教学及时评分方法 |
CN112907086A (zh) * | 2021-03-01 | 2021-06-04 | 东北石油大学 | 一种大学课堂教学质量评测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113408957A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408957B (zh) | 一种基于组合赋权法的课堂教学评测方法 | |
Juhaňák et al. | Using process mining to analyze students' quiz-taking behavior patterns in a learning management system | |
Kumar | Impact of online learning readiness on students satisfaction in higher educational institutions | |
CN109523194A (zh) | 汉语阅读能力测评方法、装置及可读存储介质 | |
CN102800220A (zh) | 教育测评网站系统 | |
CN102842071A (zh) | 电力作业人员安全素质测评方法及系统 | |
CN103106626A (zh) | 一种培训课程管理系统及方法 | |
Khairuddin et al. | Application of Bloom’s taxonomy in software engineering assessments | |
CN102708717A (zh) | 一种利用电子书写板进行测试的方法及系统 | |
CN105719205A (zh) | 一种职业美学教学质量评价与监控系统 | |
CN110956142A (zh) | 一种智能交互培训系统 | |
CN109840867B (zh) | 一种智能教学的方法、设备及装置 | |
Abdullah et al. | Assessing the Influence of Learning Styles, Instructional Strategies, and Assessment Methods on Student Engagement in College-Level Science Courses | |
CN112785192A (zh) | 一种对区域教育质量进行测评的方法 | |
CN111429044A (zh) | 基于学习行为的智能科技教学系统及控制方法 | |
Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
Santika et al. | Green entrepreneurial intention: A survey of students in Bali | |
CN114119932A (zh) | Vr教学方法、装置、电子设备、存储介质和程序产品 | |
Verleger | Using natural language processing tools to classify student responses to open-ended engineering problems in large classes | |
Sussy et al. | Teaching team software process in graduate courses to increase productivity and improve software quality | |
Gao | Reforming to improve the teaching quality of computer programming language | |
CN113223356B (zh) | 一种用于plc控制技术的技能培训和考核的系统 | |
Wang | Exploration of Evaluation Method for Achievement of Learning Effectiveness Based on Virtual Reality Technology | |
CN108416496A (zh) | 基于数据分析的教学评估方法、存储介质及服务器 | |
Bihui | Design and implementation of mathematical MOOC based on BP Neural Network Algorithm |
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 |