CN113888379B - 一种学生学业增值评价方法、装置和电子设备 - Google Patents

一种学生学业增值评价方法、装置和电子设备 Download PDF

Info

Publication number
CN113888379B
CN113888379B CN202111487391.0A CN202111487391A CN113888379B CN 113888379 B CN113888379 B CN 113888379B CN 202111487391 A CN202111487391 A CN 202111487391A CN 113888379 B CN113888379 B CN 113888379B
Authority
CN
China
Prior art keywords
academic
students
student
increment
measured
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
Application number
CN202111487391.0A
Other languages
English (en)
Other versions
CN113888379A (zh
Inventor
成芳妍
李燕
刘莹莹
刘嘉堃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yiyi Education Technology Co ltd
Original Assignee
Beijing Yiyi Education Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yiyi Education Technology Co ltd filed Critical Beijing Yiyi Education Technology Co ltd
Priority to CN202111487391.0A priority Critical patent/CN113888379B/zh
Publication of CN113888379A publication Critical patent/CN113888379A/zh
Application granted granted Critical
Publication of CN113888379B publication Critical patent/CN113888379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • 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

Abstract

本发明提供了一种学生学业增值评价方法、装置和电子设备，其中，该方法包括：获取多个学生的前测成绩和后测成绩；利用多个学生中各学生的前测成绩和后测成绩，对各学生的学业增值量进行计算；其中，学业增值量，用于对学生的学业的进步情况进行评价；对各学生的学业增值量进行修正。通过本发明实施例提供的学生学业增值评价方法、装置和电子设备，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程容易使用且实用性强。

Description

一种学生学业增值评价方法、装置和电子设备
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种学生学业增值评价方法、装置和电子设备。
背景技术
目前，在教育测评领域，一般会进行相隔一段时间的前后两次考试的成绩（即前测成绩和后测成绩），然后以前后测结果为基础来衡量学生的学业进步情况，这就是增值评价。
通常来说，考试是有满分值的，并且存在得分接近满分的高分学生。高分学生相对于其他学生而言，其进步空间是更小的，例如前测和后测的满分值均为100分时，前测中考了90分的学生，后测最多可以拿到100分，从卷面成绩来看，其进步空间为10分，而前测中考了80分的学生，后测也是最多可以拿到100分，从卷面成绩来看，其进步空间则为20分。由于进步空间的局限，增值评价结果对高分学生可能是不公平的。这便是天花板效应的体现。
为了缓解天花板效应，可以构建垂直量表，把每次考试得到的学生能力值放在一个统一的量尺上进行比较；但这样的方法在现阶段比较难实现。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种学生学业增值评价方法、装置和电子设备。
第一方面，本发明实施例提供了学生学业增值评价方法，包括：
获取多个学生的前测成绩和后测成绩；
利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；
对各所述学生的学业增值量进行修正。
第二方面，本发明实施例还提供了一种学生学业增值评价装置，包括：
获取模块，用于获取多个学生的前测成绩和后测成绩；
处理模块，用于利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；
修正模块，用于对各所述学生的学业增值量进行修正。
第三方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面，本发明实施例还提供了一种电子设备，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本发明实施例上述第一方面至第四方面提供的方案中，利用多个学生中各学生的前测成绩和后测成绩，对用于对学生的学业的进步情况进行评价的学业增值量进行计算；并对各学生的学业增值量进行修正，从而利用修正后的学业增值量，最终确定学生的学业的进步情况，与相关技术中为了缓解天花板效应，需要把每次考试得到的学生能力值放在一个统一的量尺上进行比较的方式相比，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程更容易使用且实用性更强。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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他的附图。
图1示出了本发明实施例1所提供的一种学生学业增值评价方法的流程图；
图2示出了本发明实施例2所提供的一种学生学业增值评价装置的结构示意图；
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
目前，在教育测评领域，一般会进行相隔一段时间的前后两次考试的成绩（即前测成绩和后测成绩），然后以前后测结果为基础来衡量学生的学业进步情况，这就是增值评价。
通常来说，考试是有满分值的，并且存在得分接近满分的高分学生。高分学生相对于其他学生而言，其进步空间是更小的，例如前测和后测的满分值均为100分时，前测中考了90分的学生，后测最多可以拿到100分，从卷面成绩来看，其进步空间为10分，而前测中考了80分的学生，后测也是最多可以拿到100分，从卷面成绩来看，其进步空间则为20分。由于进步空间的局限，增值评价结果对高分学生可能是不公平的。这便是天花板效应的体现。
为了缓解天花板效应，可以构建垂直量表，把每次考试得到的学生能力值放在一个统一的量尺上进行比较；但这样的方法在现阶段比较难实现。
因此，为了解决上述的技术问题，可以更公平、更便利地进行学生学业的增值评价，本申请提出了一种学生学业增值评价方法、装置和电子设备，基于学生的学术共同体对学生学业进行增值评价，来缓解天花板效应，并辅以其他功能，形成了一个方便、易用的增值评价体系。
所述学生的学术共同体，指的是学习水平/测试得分接近的一组学生。
基于此，本申请各实施例提供的学生学业增值评价方法、装置和电子设备，利用多个学生中各学生的前测成绩和后测成绩，对用于对学生的学业的进步情况进行评价的学业增值量进行计算；并对各学生的学业增值量进行修正，从而利用修正后的学业增值量，最终确定学生的学业的进步情况，与相关技术中为了缓解天花板效应，需要把每次考试得到的学生能力值放在一个统一的量尺上进行比较的方式相比，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程更容易使用且实用性更强。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出一种学生学业增值评价方法，执行主体是服务器。
参见图1所示的一种学生学业增值评价方法的流程图，本实施例提出一种学生学业增值评价方法，包括以下具体步骤：
步骤100、获取多个学生的前测成绩和后测成绩。
在上述步骤100中，多个学生的前测成绩和后测成绩，是老师在进行完两次测试后，将两次测试中在前完成的测试，确定为前测测验；将两次测试中在后完成的测试，确定为后测测验。
学生在前测测验中的成绩，被确定为前测成绩；学生在后测测验中的成绩，被确定为后测成绩。
所述服务器获取到的多个学生的前测成绩和后测成绩，是老师输入到所述服务器中的，或者是通过与其他数据平台连接传输到所述服务器中的。
步骤102、利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价。
在上述步骤102中，为了利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算，可以执行以下步骤：
通过以下公式1对各所述学生的学业增值量进行计算：
Figure 881617DEST_PATH_IMAGE001
（1）
其中，
Figure 100002_DEST_PATH_IMAGE002
表示学生i的后测成绩；
Figure 249144DEST_PATH_IMAGE003
表示学生i的前测成绩；
Figure 100002_DEST_PATH_IMAGE004
表示剔除前测成绩的影响之后所有学生的后测成绩的平均水平；
Figure 428453DEST_PATH_IMAGE005
表示所有学生前测成绩对后测成绩的影响程度；
Figure 100002_DEST_PATH_IMAGE006
表示学生i的学业增值量。
如果计算得到的
Figure 641259DEST_PATH_IMAGE006
是正数，则说明学生i获得了进步，如果增值量是负数，则说明学生i没有获得进步。
这里，上述公式1是使用的残差模型。在上述残差模型中，
Figure 284730DEST_PATH_IMAGE004
是残差模型中的截距；
Figure 56115DEST_PATH_IMAGE005
是残差模型中的斜率；为了得到残差模型中的
Figure 785036DEST_PATH_IMAGE004
和
Figure 801534DEST_PATH_IMAGE005
，使用极大似然法对残差模型进行参数估计，便可得到截距
Figure 299511DEST_PATH_IMAGE004
和斜率
Figure 8841DEST_PATH_IMAGE004
。具体过程是现有技术，这里不再赘述。
步骤104、对各所述学生的学业增值量进行修正。
具体地，为了对各所述学生的学业增值量进行修正，可以执行以下步骤（1）至步骤（8）：
（1）按照前测成绩由高到低的顺序，对各学生进行排序；
（2）当各所述学生中存在未进行学业增值量修正的学生时，将各所述学生中需要进行学业增值量修正的学生确定为目标学生；
（3）获取所述目标学生、排序在所述目标学生前面的预设数量的学生和排序在所述目标学生后面的预设数量的学生组成所述目标学生的学术共同体；
（4）计算所述目标学生的学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差；
（5）基于各所述目标学生的前测成绩、各所述目标学生所在学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差，对所述学业增值量的平均值的估计值的计算方程以及所述学业增值量的标准差的估计值的计算方程进行拟合；
（6）基于拟合得到的所述学业增值量的平均值的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的平均值的估计值；
（7）基于拟合得到的所述学业增值量的标准差的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的标准差的估计值；
（8）基于所述目标学生的学术共同体的学生的学业增值量的平均值的估计值和所述学业增值量的标准差的估计值，对所述目标学生的学业增值量进行修正，得到所述目标学生的学业增值量的修正值。
在上述步骤（1）中，排序的数值为分数小于当前学生的人数+1。
在上述步骤（3）中，所述预设数量，缓存在所述服务器中，可以根据学生数量的不同，设置大于等于5的任何整数数值，亦可根据学生成绩情况，设置学术共同体中的学生与目标学生的最大分差，由服务器自动计算每个学生的学术共同体的人数来作为预设数量，分差的值域为0到前测试卷的满分值。
当预设数量是10，那么就把分数排序在目标学生之前10名的学生以及分数排序在目标学生之后10名的学生、以及目标学生一起组成目标学生的学术共同体；当目标学生属于排序在前11名中的学生时，直接把排序在前21名的学生作为目标学生的学术共同体；当目标学生属于排序在后11名中的学生时，直接把排序在后21名的学生作为目标学生的学术共同体。
可选地，当设置了学术共同体中的学生与目标学生的最大分差为5时，服务器可以把与目标学生的分差在±5分以内的学生与所述目标学生一起组成所述目标学生的学术共同体。
这样构成的学术共同体中的学生的前测成绩差距较小，可认为学术共同体中的学生所受到的天花板效应也是类似的，以学术共同体为参照来修正学业增值量，能够保证最后得到的增值量是相对公平的。
为了更好地说明这一点，下面举一个例子。假设在修正前，一个高分段学生A的增值量为0.5，一个中等分段学生B的增值量为1，这样看来，学生B比学生A获得了更大的进步。但实际上，学生A的增值量较小是受到了天花板效应的影响，同为高分段的其他学生的增值量的数值也不大。进一步假设，学生A所在的学术共同体，其增值量均值估计值为0.3，增值量标准差估计值为0.2，那么学生A修正后的增值量为(0.5-0.3）/0.2=1；学生B所在的学术共同体，其增值量均值估计值为0.8，增值量标准差估计值为0.5，那么学生B修正后的增值量为(1-0.8）/0.5=0.4。由此可知，把增值量放到学术共同体中进行修正，排除了天花板效应的影响之后，学生A的进步大于学生B，而这才是较为公平的结果。
在上述步骤（4）中，计算所述目标学生的学术共同体的学业增值量的平均值和所述学业增值量的标准差的计算方式都是现有的，这里不再赘述。
在上述步骤（5）中，为了对所述学业增值量的平均值的估计值的计算方程以及所述学业增值量的标准差的估计值的计算方程进行拟合，可以执行以下步骤（51）至步骤（53）：
（51）构建各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的平均值之间的第一关系模型集、以及各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的标准差之间的第二关系模型集；其中，所述第一关系模型集和所述第二关系模型集中使用的模型均为多项式函数模型；所述第一关系模型集和所述第二关系模型集分别包括多个模型；
（52）使用极大似然算法对所述第一关系模型集和所述第二关系模型集中各个模型的参数进行估计，并计算所述第一关系模型集的多个模型中各个模型的拟合指标和所述第二关系模型集中多个模型中各个模型的拟合指标；
（53）将第一关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的平均值的估计值的计算方程，并将第二关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的标准差的估计值的计算方程。
在上述步骤（51）中，在一个实现方式中，所述第一关系模型集中的模型，可以如下公式2表示：
Figure 959480DEST_PATH_IMAGE007
（2）
其中，
Figure 100002_DEST_PATH_IMAGE008
表示学生i的学业增值量的平均值；
Figure 779668DEST_PATH_IMAGE009
表示学生i的前测成绩的k次方；
Figure 100002_DEST_PATH_IMAGE010
表示前测成绩的k次方对学业增值量的平均值的影响程度；K表示上述公式2中的最高次幂。不同的K下的公式2，均是第一关系模型集中的一个多项式函数模型。
在一个实现方式中，所述第二关系模型集中的模型，可以如下公式3表示：
Figure 568371DEST_PATH_IMAGE011
（3）
其中，
Figure 100002_DEST_PATH_IMAGE012
表示学生i的学业增值量的平均值；
Figure 448602DEST_PATH_IMAGE013
表示学生i的前测成绩的k次方；
Figure 100002_DEST_PATH_IMAGE014
表示前测成绩的k次方对学业增值量的平均值的影响程度。不同的K下的公式2，均是第一关系模型集中的一个多项式函数模型。
在上述步骤（52）中，公式2、公式3均为多项式函数模型，
Figure 824220DEST_PATH_IMAGE010
和
Figure 244837DEST_PATH_IMAGE014
分别是公式2、公式3的k次项中的回归系数。使用极大似然算法对所述第一关系模型集和所述第二关系模型集中各个模型的回归参数进行估计的具体过程是现有技术，这里不再一一赘述。
计算所述第一关系模型集的多个模型中各个模型的拟合指标和所述第二关系模型集中多个模型中各个模型的拟合指标，拟合指标可以使用赤池信息准则（AIC）或贝叶斯信息准则（BIC）。AIC和BIC的具体计算公式，以及使用策略是现有技术，这里不再赘述。
在上述步骤（6）中，在计算得到所述目标学生的学术共同体的学生的所述学业增值量的平均值的估计值时，就是将所述目标学生的前测成绩代入到拟合得到的所述学业增值量的平均值的估计值的计算方程中，就可以计算得到所述目标学生的学术共同体的学生的所述学业增值量的平均值的估计值。
在上述步骤（7）中，在计算得到所述目标学生的学术共同体的学生的所述学业增值量的标准差的估计值时，就是将所述目标学生的前测成绩代入到拟合得到的所述学业增值量的标准差的估计值的计算方程中，就可以计算得到所述目标学生的学术共同体的学生的所述学业增值量的标准差的估计值。
在上述步骤（8）中，通过以下公式4对所述目标学生的学业增值量进行修正：
Figure 717406DEST_PATH_IMAGE015
（4）
其中，
Figure 100002_DEST_PATH_IMAGE016
表示所述目标学生j的学业增值量的修正值；
Figure 768539DEST_PATH_IMAGE017
表示所述目标学生j的学业增值量；
Figure 100002_DEST_PATH_IMAGE018
表示所述目标学生j的学术共同体的学生的学业增值量的平均值的估计值；
Figure 135847DEST_PATH_IMAGE019
表示所述目标学生j的学术共同体的学生的学业增值量的标准差的估计值。
通过以上描述的内容可以确定：各学生修正之前的学业增值量，是将每个学生的实际成绩（
Figure 297838DEST_PATH_IMAGE002
）与期望成绩（
Figure 100002_DEST_PATH_IMAGE020
）进行比较得到的。由于存在部分测验成绩较好的学生受到天花板效应的影响，而另一部分测验成绩一般的学生却没有受到天花板效应的影响，那么直接根据学生修正之前的学业增值量来描述学生的学业进步情况并进行增值比较的话，得到的结论是不准确的。
而对每个学生的学业增值量进行修正时，是将每个学生的实际成绩与所在的学术共同体的学生的学业增值量的平均值和标准差进行比较而修正得到的。由于每个学生与所在的学术共同体中的其他学生受到的天花板效应的影响是相当的，所以这样的比较修正是相对公平的。因此，也就缓解了在对学生的学业的进步情况进行评价时产生的天花板效应，提高了对学生的学业的进步情况进行评价时的准确性。
综上所述，本实施例提出一种学生学业增值评价方法，利用多个学生中各学生的前测成绩和后测成绩，对用于对学生的学业的进步情况进行评价的学业增值量进行计算；并对各学生的学业增值量进行修正，从而利用修正后的学业增值量，确定学生的学业的进步情况，与相关技术中为了缓解天花板效应，需要把每次考试得到的学生能力值放在一个统一的量尺上进行比较的方式相比，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程容易使用且实用性强。
实施例2
本实施例提出一种学生学业增值评价装置，用于执行上述实施例1提出的学生学业增值评价方法。
参见图2所示的一种学生学业增值评价装置的结构示意图,本实施例提出一种学生学业增值评价装置，包括：
获取模块200，用于获取多个学生的前测成绩和后测成绩；
处理模块202，用于利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；
修正模块204，用于对各所述学生的学业增值量进行修正。
所述处理模块202，具体用于：
通过以下公式对各所述学生的学业增值量进行计算：
Figure 359335DEST_PATH_IMAGE021
其中，
Figure 581369DEST_PATH_IMAGE002
表示学生i的后测成绩；
Figure 993896DEST_PATH_IMAGE003
表示学生i的前测成绩；
Figure 959578DEST_PATH_IMAGE004
表示剔除前测成绩的影响之后所有学生的后测成绩的平均水平；
Figure 141160DEST_PATH_IMAGE005
表示所有学生前测成绩对后测成绩的影响程度；
Figure 767052DEST_PATH_IMAGE006
表示学生i的学业增值量。
所述修正模块204，具体用于：
按照前测成绩由高到低的顺序，对各学生进行排序；
当各所述学生中存在未进行学业增值量修正的学生时，将各所述学生中需要进行学业增值量修正的学生确定为目标学生；
获取所述目标学生、排序在所述目标学生前面的预设数量的学生和排序在所述目标学生后面的预设数量的学生组成所述目标学生的学术共同体；
计算所述目标学生的学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差；
基于各所述目标学生的前测成绩、各所述目标学生所在学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差，对所述学业增值量的平均值的估计值的计算方程以及所述学业增值量的标准差的估计值的计算方程进行拟合；
基于拟合得到的所述学业增值量的平均值的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的平均值的估计值；
基于拟合得到的所述学业增值量的标准差的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的标准差的估计值；
基于所述目标学生的学术共同体的学生的学业增值量的平均值的估计值和所述学业增值量的标准差的估计值，对所述目标学生的学业增值量进行修正，得到所述目标学生的学业增值量的修正值。
综上所述，本实施例提出一种学生学业增值评价装置，利用多个学生中各学生的前测成绩和后测成绩，对用于对学生的学业的进步情况进行评价的学业增值量进行计算；并对各学生的学业增值量进行修正，从而利用修正后的学业增值量，确定学生的学业的进步情况情况，与相关技术中为了缓解天花板效应，需要把每次考试得到的学生能力值放在一个统一的量尺上进行比较的方式相比，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程更容易使用且实用性更强。
实施例3
本实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例1描述的学生学业增值评价方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤（1）至步骤（3）：
（1）获取多个学生的前测成绩和后测成绩；
（2）利用多个所述学生中各学生的前测成绩和后测成绩，对各所述学生的学业增值量进行计算；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；
（3）对各所述学生的学业增值量进行修正。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构（用总线51来代表），总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本发明实施例中的存储器55可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器 (Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器 (Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出一种计算机可读存储介质和电子设备，利用多个学生中各学生的前测成绩和后测成绩，对用于对学生的学业的进步情况进行评价的学业增值量进行计算；并对各学生的学业增值量进行修正，从而利用修正后的学业增值量，确定学生的学业的进步情况，与相关技术中为了缓解天花板效应，需要把每次考试得到的学生能力值放在一个统一的量尺上进行比较的方式相比，采用简单直观的学生的前测成绩和后测成绩得到的学业增值量，确定学生的学业的进步情况，整个评价过程更容易使用且实用性更强。
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所述权利要求的保护范围为准。

Claims (6)

1.一种学生学业增值评价方法，其特征在于，包括：
获取多个学生的前测成绩和后测成绩；
将多个学生中各学生的后测成绩与期望成绩进行比较，得到各所述学生的学业增值量；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；所述期望成绩，用于表示所有学生前测成绩对后测成绩的影响程度和前测成绩的乘积，与剔除前测成绩的影响之后所有学生的后测成绩的平均水平之和；
按照前测成绩由高到低的顺序，对各学生进行排序；
当各所述学生中存在未进行学业增值量修正的学生时，将各所述学生中需要进行学业增值量修正的学生确定为目标学生；
获取所述目标学生、排序在所述目标学生前面的预设数量的学生和排序在所述目标学生后面的预设数量的学生组成所述目标学生的学术共同体；
计算所述目标学生的学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差；
构建各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的平均值之间的第一关系模型集、以及各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的标准差之间的第二关系模型集；其中，所述第一关系模型集和所述第二关系模型集中使用的模型均为多项式函数模型；所述第一关系模型集和所述第二关系模型集分别包括多个模型；
使用极大似然算法对所述第一关系模型集和所述第二关系模型集中各个模型的参数进行估计，并计算所述第一关系模型集的多个模型中各个模型的拟合指标和所述第二关系模型集中多个模型中各个模型的拟合指标；
将第一关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的平均值的估计值的计算方程，并将第二关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的标准差的估计值的计算方程；
基于拟合得到的所述学业增值量的平均值的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的平均值的估计值；
基于拟合得到的所述学业增值量的标准差的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的标准差的估计值；
基于所述目标学生的学术共同体的学生的学业增值量的平均值的估计值和所述学业增值量的标准差的估计值，对所述目标学生的学业增值量进行修正，得到所述目标学生的学业增值量的修正值，包括：
通过以下公式对所述目标学生的学业增值量进行修正：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示所述目标学生j的学业增值量的修正值；
Figure DEST_PATH_IMAGE006
表示所述目标学生j的学业增值量；
Figure DEST_PATH_IMAGE008
表示所述目标学生j的学术共同体的学生的学业增值量的平均值的估计值；
Figure DEST_PATH_IMAGE010
表示所述目标学生j的学术共同体的学生的学业增值量的标准差的估计值。
2.根据权利要求1所述的方法，其特征在于，所述将多个学生中各学生的后测成绩与期望成绩进行比较，得到各所述学生的学业增值量，包括：
通过以下公式得到各所述学生的学业增值量：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
表示学生i的后测成绩；
Figure DEST_PATH_IMAGE016
表示学生i的前测成绩；
Figure DEST_PATH_IMAGE018
表示剔除前测成绩的影响之后所有学生的后测成绩的平均水平；
Figure DEST_PATH_IMAGE020
表示所有学生前测成绩对后测成绩的影响程度；
Figure DEST_PATH_IMAGE022
表示学生i的学业增值量。
3.一种学生学业增值评价装置，其特征在于，包括：
获取模块，用于获取多个学生的前测成绩和后测成绩；
处理模块，用于将多个学生中各学生的后测成绩与期望成绩进行比较，得到各所述学生的学业增值量；其中，所述学业增值量，用于对所述学生的学业的进步情况进行评价；所述期望成绩，用于表示所有学生前测成绩对后测成绩的影响程度和前测成绩的乘积，与剔除前测成绩的影响之后所有学生的后测成绩的平均水平之和；
修正模块，用于按照前测成绩由高到低的顺序，对各学生进行排序；
当各所述学生中存在未进行学业增值量修正的学生时，将各所述学生中需要进行学业增值量修正的学生确定为目标学生；
获取所述目标学生、排序在所述目标学生前面的预设数量的学生和排序在所述目标学生后面的预设数量的学生组成所述目标学生的学术共同体；
计算所述目标学生的学术共同体的学生的学业增值量的平均值和所述学业增值量的标准差；
构建各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的平均值之间的第一关系模型集、以及各所述目标学生的前测成绩与所述目标学生的学术共同体中学生的学业增值量的标准差之间的第二关系模型集；其中，所述第一关系模型集和所述第二关系模型集中使用的模型均为多项式函数模型；所述第一关系模型集和所述第二关系模型集分别包括多个模型；
使用极大似然算法对所述第一关系模型集和所述第二关系模型集中各个模型的参数进行估计，并计算所述第一关系模型集的多个模型中各个模型的拟合指标和所述第二关系模型集中多个模型中各个模型的拟合指标；
将第一关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的平均值的估计值的计算方程，并将第二关系模型集的各个模型中计算得到拟合指标最小的模型确定为所述学业增值量的标准差的估计值的计算方程；
基于拟合得到的所述学业增值量的平均值的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的平均值的估计值；
基于拟合得到的所述学业增值量的标准差的估计值的计算方程和所述目标学生的前测成绩，计算得到所述目标学生的学术共同体的学生的学业增值量的标准差的估计值；
基于所述目标学生的学术共同体的学生的学业增值量的平均值的估计值和所述学业增值量的标准差的估计值，对所述目标学生的学业增值量进行修正，得到所述目标学生的学业增值量的修正值，包括：
通过以下公式对所述目标学生的学业增值量进行修正：
Figure 2117DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE024
表示所述目标学生j的学业增值量的修正值；
Figure DEST_PATH_IMAGE026
表示所述目标学生j的学业增值量；
Figure DEST_PATH_IMAGE028
表示所述目标学生j的学术共同体的学生的学业增值量的平均值的估计值；
Figure 732307DEST_PATH_IMAGE010
表示所述目标学生j的学术共同体的学生的学业增值量的标准差的估计值。
4.根据权利要求3所述的装置，其特征在于，所述处理模块，具体用于：
通过以下公式得到各所述学生的学业增值量：
Figure 951192DEST_PATH_IMAGE012
其中，
Figure 284085DEST_PATH_IMAGE014
表示学生i的后测成绩；
Figure 98457DEST_PATH_IMAGE016
表示学生i的前测成绩；
Figure 858602DEST_PATH_IMAGE018
表示剔除前测成绩的影响之后所有学生的后测成绩的平均水平；
Figure 63319DEST_PATH_IMAGE020
表示所有学生前测成绩对后测成绩的影响程度；
Figure 262219DEST_PATH_IMAGE022
表示学生i的学业增值量。
5.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-2任一项所述的方法的步骤。
6.一种电子设备，其特征在于，所述电子设备包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1-2任一项所述的方法的步骤。
CN202111487391.0A 2021-12-08 2021-12-08 一种学生学业增值评价方法、装置和电子设备 Active CN113888379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111487391.0A CN113888379B (zh) 2021-12-08 2021-12-08 一种学生学业增值评价方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111487391.0A CN113888379B (zh) 2021-12-08 2021-12-08 一种学生学业增值评价方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113888379A CN113888379A (zh) 2022-01-04
CN113888379B true CN113888379B (zh) 2022-03-22

Family

ID=79015865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111487391.0A Active CN113888379B (zh) 2021-12-08 2021-12-08 一种学生学业增值评价方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113888379B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377078A (zh) * 2018-11-12 2019-02-22 重庆靶向科技发展有限公司 一种基于大数据的学生学习质量评价方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140199674A1 (en) * 2013-01-16 2014-07-17 Empowered Schools, Inc. Combined Curriculum And Grade Book Manager With Integrated Student/Teacher Evaluation Functions Based On Adopted Standards
CN107274083A (zh) * 2017-06-06 2017-10-20 高岩峰 一种达标、增值、协同的评价系统
CN111489081A (zh) * 2020-04-10 2020-08-04 深圳市海云天科技股份有限公司 一种教学增值评价方法、装置及计算机可读存储介质
CN112465291A (zh) * 2020-10-15 2021-03-09 北京教育考试院 一种学业增值分析方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377078A (zh) * 2018-11-12 2019-02-22 重庆靶向科技发展有限公司 一种基于大数据的学生学习质量评价方法

Also Published As

Publication number Publication date
CN113888379A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
Staley et al. Semiparametric methods for estimation of a nonlinear exposure‐outcome relationship using instrumental variables with application to Mendelian randomization
Schermelleh-Engel et al. Evaluating the fit of structural equation models: Tests of significance and descriptive goodness-of-fit measures
Tang et al. Consistency and consensus-driven models to personalize individual semantics of linguistic terms for supporting group decision making with distribution linguistic preference relations
US11410059B2 (en) Bias estimation apparatus and method and failure diagnosis apparatus and method
CN110222925A (zh) 绩效量化考核方法、装置及计算机可读存储介质
CN106485585A (zh) 用于等级评定的方法及系统
Voncken et al. Improving confidence intervals for normed test scores: Include uncertainty due to sampling variability
CN108255788A (zh) 一种评估数据的可信度的方法及装置
CN113888379B (zh) 一种学生学业增值评价方法、装置和电子设备
Grønneberg et al. Testing model fit by bootstrap selection
Bryington et al. The estimation of interobserver agreement in behavioral assessment.
CN109310325B (zh) 心脏监测系统和方法
Peng et al. Shrinkage estimation of varying covariate effects based on quantile regression
CN111358436B (zh) 健康测量数据的处理方法、电子设备及存储介质
Brahimi et al. A bias-reduced estimator for the mean of a heavy-tailed distribution with an infinite second moment
Wu et al. Pediatric weight estimation: validation of the PAWPER XL tape and the PAWPER XL tape mid-arm circumference method in a South African hospital
CN115687854A (zh) 高精度土样参数测量方法及其系统
Melo et al. Trust on beliefs: Source, time and expertise
CN114240654A (zh) 基于交易链路的性能能力透视方法、系统、设备及可读存储介质
Magis et al. On the finiteness of the weighted likelihood estimator of ability
CN109614878B (zh) 一种模型训练、信息预测方法及装置
CN111221878B (zh) 一种知识空间中知识点相关值确定方法、装置、计算机设备及存储介质
CN113032445B (zh) 一种数据转化排序方法、装置和电子设备
CN115993538B (zh) 一种电池容量增量综合曲线的拟合方法、装置和电子设备
Powers Impact of matched samples equating methods on equating accuracy and the adequacy of equating assumptions

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