CN114820249A - 一种基于区块链技术的学情分析系统 - Google Patents
一种基于区块链技术的学情分析系统 Download PDFInfo
- Publication number
- CN114820249A CN114820249A CN202210329797.4A CN202210329797A CN114820249A CN 114820249 A CN114820249 A CN 114820249A CN 202210329797 A CN202210329797 A CN 202210329797A CN 114820249 A CN114820249 A CN 114820249A
- Authority
- CN
- China
- Prior art keywords
- data
- test data
- block chain
- analysis result
- analysis
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000008451 emotion Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 36
- 238000007405 data analysis Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012258 culturing Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013589 supplement Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及学情分析领域,具体提供了一种基于区块链技术的学情分析系统,包括数据预处理单元、联盟链平台、服务器端和前端,所述数据预处理单元用于获取考试数据,并研究考试数据中学科的知识点体系结构,研究知识点与题目的对应关系,给数据添加标签,所述联盟链平台包括HDFS分布式文件存储系统,所述联盟链平台利用MapReduce进行并行清洗、处理、计算、分析、分类操作,最终得到分析结果发往服务器端存储在MySQL中,所述服务器端中通过ServLet接口来响应小程序及Web页面的Request请求,最后把数据发往前端使用Highcharts和ECharts的多样化图表展示分析结果,对个性化教学、科学化评价和促进教育公平、提高教学质量以及培养创新人才具有不可估量的作用。
Description
技术领域
本发明涉及学情分析领域,具体而言,涉及一种基于区块链技术的学情分析系统。
背景技术
如果能通过一次考试分析出每个人的知识薄弱点,不管是对于学生自己的学习,还是帮助老师制订合适的教学方针都有着重要的意义。现有技术中的学情分析都是通过人工分析或是通过智能终端对单一部分的学习进行分析,普适性和效率都很低。
发明内容
本发明的主要目的在于提供一种基于区块链技术的学情分析系统,以解决相关技术中的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种基于区块链技术的学情分析系统,包括数据预处理单元、联盟链平台、服务器端和前端,所述数据预处理单元用于获取考试数据,并研究考试数据中学科的知识点体系结构,研究知识点与题目的对应关系,给数据添加标签,所述联盟链平台包括HDFS分布式文件存储系统,所述联盟链平台利用MapReduce进行并行清洗、处理、计算、分析、分类操作,最终得到分析结果发往服务器端存储在MySQL中,所述服务器端中通过ServLet接口来响应小程序及Web页面的Request请求,最后把数据发往前端使用Highcharts和ECharts的多样化图表展示分析结果。
进一步地,MapReduce具体为:
将数据分析规则转为代码写入Map函数中,调用启动类开始对存储在HDFS中的数据进行批量读取,数据读取完成后,系统自动使用分治法将数据分为许多记录着数据位置和长度的分片,并给每个分片分别创建Map任务,在每一个Map中每处理好一行数据即一个同学的数据,系统将按照提前规定好的key和规则来分类数据并进行多文件输出,最终得到多个含有一个科目、一个班级的分析结果的数据文件存放在HDFS中。
进一步地,获取考试数据包括:通过各个区块链节点获取各个班级的考试数据,其中,每个班级的考试数据对应一个区块链节点,并将各个区块链节点的考试数据生成excel考试数据文件。
进一步地,给数据添加标签至少包括大标签和小标签,所述大标签指代章节知识点,所述小标签指代小节知识点。
进一步地,数据分析规则具体为:
其中,P为薄弱知识点的赋值,Si为第i道题目的得分率。
进一步地,多样化图表包括散点图、折线图、条形图、饼状图和区域图和区域曲线图。
进一步地,数据预处理单元利用Java的poi包将excel文件中的考试数据逐行读取然后传入Hive。
进一步地,数据清洗包括取所述缺失值上下两个邻近值的平均值来代替所述缺失值,或者取所述缺失值所在列的所有属性值中出现频率最高的值来代替所述缺失值;直接剔除所述异常值,或者取所述异常值上下两个邻近值的平均值来代替所述异常值。
进一步地,通过各个区块链节点获取各个班级的考试数据具体包括根据至少一个教育终端传输的考试数据生成,所述教育终端为参与所述区块链的节点终端。
进一步地,考试数据生成采用区块链节点从各教育终端通过无线网络下载获取。
与现有技术相比,本发明具有以下有益效果:本发明利用其强大的离线数据处理能力来海量的、静态的、考试数据进行分析处理最终得到每个人或集体的知识薄弱点,通过Hive 利用其分布式文件系统HDFS用于存储并管理海量的考试数据,再用其分布式计算框架 MapReduce对数据进行并行处理,然后将分析结果发往服务器端,通过ServLet接口实现响应request请求并发送数据到前端,最后通过多样化报表的方式展现于微信小程序上,对个性化教学、科学化评价和促进教育公平、提高教学质量以及培养创新人才具有不可估量的作用。
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性的前提下,还可以根据这些附图获得其它的附图。
本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明整体系统流程示意图;
图2为本发明MapReduce实现流程图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
一种基于区块链技术的学情分析系统,包括数据预处理单元、联盟链平台、服务器端和前端,数据预处理单元用于获取考试数据,并研究考试数据中学科的知识点体系结构,研究知识点与题目的对应关系,给数据添加标签,给数据添加标签至少包括大标签和小标签,大标签指代章节知识点,小标签指代小节知识点。联盟链平台包括HDFS分布式文件存储系统,联盟链平台利用MapReduce进行并行清洗、处理、计算、分析、分类操作,最终得到分析结果发往服务器端存储在MySQL中,服务器端中通过ServLet接口来响应小程序及Web页面的Request请求,最后把数据发往前端使用Highcharts和ECharts的多样化图表展示分析结果。考虑到考试数据一般是静态、数据量庞大的,所以利用Hadoop来储存和计算海量数据,其HDFS分布式文件系统与MapReduce编程模型框架为核心,具有可扩展、稳定性强、成本低廉等优势,为大数据处理提供了一种新的工具。由于需要将数据展示于小程序,而最新版本的小程序request请求不支持http或ip地址访问,所以需要一台服务器来储存和传递最终的分析结果,然后响应小程序的请求发送数据最后展示到前端。该系统可应用于各种需要考试数据分析、测验数据分析等场景,虽然这个系统叫学情分析系统,但也可用于问卷调查的数据分析。例如初高中的联考、中高考前的模拟考试的数据分析,网络问卷调查数据分析,学校或年级组织的一次模拟测验等等。
本实施例中,MapReduce具体为:将数据分析规则转为代码写入Map函数中,调用启动类开始对存储在HDFS中的数据进行批量读取,数据读取完成后,系统自动使用分治法将数据分为许多记录着数据位置和长度的分片,并给每个分片分别创建Map任务,在每一个Map 中每处理好一行数据即一个同学的数据,系统将按照提前规定好的key和规则来分类数据并进行多文件输出,最终得到多个含有一个科目、一个班级的分析结果的数据文件存放在 HDFS中。上述手段通过利用联盟链平台上的MapReduce分布式计算框架实现。流程如下:首先将上述数据分析规则转为代码写入Map函数中,调用启动类开始对存储在HDFS中的数据进行批量读取,数据读取完成后,系统自动使用分治法将数据分为许多记录着数据位置和长度的分片(split),并给每个分片分别创建Map任务,在每一个Map中每处理好一行数据即一个同学的数据,系统将按照提前规定好的key和规则来分类数据并进行多文件输出,最终得到多个含有一个科目、一个班级等等的分析结果的数据文件存放在HDFS中即完成了所有的数据分析。本实施例使用Java的JFrame编写了一个简单的控制面板,进入控制面板后首先选择目录选择excel考试数据文件(这里使用excel表格数据进行测试),利用Java的poi包将excel文件中的考试数据逐行读取然后传入Hive(实际是hdfs),然后点击确认系统便开始执行第一次MapReduce进行数据清洗得到以班级为分组(可自定义)的数据。然后再执行第二次MapReduce正式开始数据分析然后得到每个人、每个班级的知识薄弱项、平均分、合格率等数据。
获取考试数据包括:通过各个区块链节点获取各个班级的考试数据,其中,每个班级的考试数据对应一个区块链节点,并将各个区块链节点的考试数据生成excel考试数据文件。
通常来说,每个人对科目的知识的掌握的层次是参差不齐的,因无法将数据分析细节到每一个人,但又为了最大保障分析结果的准确性,所以根据考试成绩占总分的比例将考生划分为三部分:占80%及以上、60%至80%、60%及以下。对于所有人,客观题错误即为该题知识点未能掌握(注:若某一选择题与某主观题属于同一知识点,而选择题错误,主观题无错或错误很小并且(选择题分值/主观题分值)<(1/3)则系统不会将该选择题涉及知识点算作薄弱知识点。但若同一知识点选择题错误超过1次则算作未能掌握)。而主观题,占80%及以上的同学主要关注填补剩下的知识空缺,所以主观题若得分占分值低于80%即为空缺需要加强;而对于占60%~80%和60%及以下的同学来说,则需要着重掌握那些得分最低也就是最薄弱的知识点,之后再将较为薄弱的部分给补充上,所以主观题占分值分别设为65%跟50% (一些题目类型需要做一些调整或相应的添加一些规则,例如政治、历史类无固定答案很难得满分的题)。不同数据集有不同的薄弱知识点判别方式,例如一所学校的范围内,对于一个科目的知识薄弱点,是由参与该科目考试所有班级的班级薄弱点的整合;对于一个班级,它的知识薄弱点是班级内所有同学的知识薄弱点的整合;对于一个同学来说,则是由答题情况、小题占分比、错题的知识点之间的关系计算得到的。由此可见较为准确的判断每个学生的薄弱点是尤为重要的,是所有数据集判断的基础,也是最终分析出的结果是否可靠的决定性因素。同时若是能获得数据源地区的教学偏重点或考试偏重点(例如中高考)则能定制更好的数据分析算法让分析结果更加精确和对提供学习思路和方向有更多更有见地建议。本实施例中数据分析规则具体为:
其中,P为薄弱知识点的赋值,Si为第i道题目的得分率。
多样化图表包括散点图、折线图、条形图、饼状图和区域图和区域曲线图。
数据预处理单元利用Java的poi包将excel文件中的考试数据逐行读取然后传入Hive。
数据清洗包括取缺失值上下两个邻近值的平均值来代替缺失值,或者取缺失值所在列的所有属性值中出现频率最高的值来代替缺失值;直接剔除异常值,或者取异常值上下两个邻近值的平均值来代替异常值。
通过各个区块链节点获取各个班级的考试数据具体包括根据至少一个教育终端传输的考试数据生成,教育终端为参与区块链的节点终端。考试数据生成采用区块链节点从各教育终端通过无线网络下载获取。
除此之外,小程序的功能结构图是多层级结构,首先选择数据集,在数据集页面可知各科目的参考人数等信息。然后选择要查询的科目,在科目页面可知道该科目所有人的平均分、合格率,还有薄弱的知识点和数据来源的班级,最后在该页还有查询班级、学生的入口。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于区块链技术的学情分析系统,其特征在于,包括数据预处理单元、联盟链平台、服务器端和前端,所述数据预处理单元用于获取考试数据,并研究考试数据中学科的知识点体系结构,研究知识点与题目的对应关系,给数据添加标签,所述联盟链平台包括HDFS分布式文件存储系统,所述联盟链平台利用MapReduce进行并行清洗、处理、计算、分析、分类操作,最终得到分析结果发往服务器端存储在MySQL中,所述服务器端中通过ServLet接口来响应小程序及Web页面的Request请求,最后把数据发往前端使用Highcharts和ECharts的多样化图表展示分析结果。
2.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述MapReduce具体为:
将数据分析规则转为代码写入Map函数中,调用启动类开始对存储在HDFS中的数据进行批量读取,数据读取完成后,系统自动使用分治法将数据分为许多记录着数据位置和长度的分片,并给每个分片分别创建Map任务,在每一个Map中每处理好一行数据即一个同学的数据,系统将按照提前规定好的key和规则来分类数据并进行多文件输出,最终得到多个含有一个科目、一个班级的分析结果的数据文件存放在HDFS中。
3.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述获取考试数据包括:通过各个区块链节点获取各个班级的考试数据,其中,每个班级的考试数据对应一个区块链节点,并将各个区块链节点的考试数据生成excel考试数据文件。
4.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述给数据添加标签至少包括大标签和小标签,所述大标签指代章节知识点,所述小标签指代小节知识点。
6.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述多样化图表包括散点图、折线图、条形图、饼状图和区域图和区域曲线图。
7.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述数据预处理单元利用Java的poi包将excel文件中的考试数据逐行读取然后传入Hive。
8.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述数据清洗包括取所述缺失值上下两个邻近值的平均值来代替所述缺失值,或者取所述缺失值所在列的所有属性值中出现频率最高的值来代替所述缺失值;直接剔除所述异常值,或者取所述异常值上下两个邻近值的平均值来代替所述异常值。
9.根据权利要求1所述的基于区块链技术的学情分析系统,其特征在于,所述通过各个区块链节点获取各个班级的考试数据具体包括根据至少一个教育终端传输的考试数据生成,所述教育终端为参与所述区块链的节点终端。
10.根据权利要求9所述的基于区块链技术的学情分析系统,其特征在于,所述考试数据生成采用区块链节点从各教育终端通过无线网络下载获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329797.4A CN114820249A (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链技术的学情分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210329797.4A CN114820249A (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链技术的学情分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820249A true CN114820249A (zh) | 2022-07-29 |
Family
ID=82532825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210329797.4A Pending CN114820249A (zh) | 2022-03-30 | 2022-03-30 | 一种基于区块链技术的学情分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820249A (zh) |
-
2022
- 2022-03-30 CN CN202210329797.4A patent/CN114820249A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruipérez-Valiente et al. | ALAS-KA: A learning analytics extension for better understanding the learning process in the Khan Academy platform | |
Moreno-Marcos et al. | A learning analytics methodology for understanding social interactions in MOOCs | |
Martin et al. | Applying learning analytics to investigate timed release in online learning | |
CN102598085B (zh) | 用于生成、递送和管理教育资料的系统和方法 | |
CN101465069A (zh) | 一种学习支持系统及其学习评价方法 | |
CN113851020A (zh) | 一种基于知识图谱的自适应学习平台 | |
KR101248283B1 (ko) | 스마트 학습 에이전트 시스템 및 이를 이용한 학습 관리 방법 | |
CN111143750B (zh) | 基于碎片化学习的大学计算机类课程管理平台 | |
Dogan et al. | OPCOMITS: Developing an adaptive and intelligent web based educational system based on concept map model | |
KR20100000017A (ko) | 지능형 맞춤화된 학습서비스 방법 | |
CN110609947A (zh) | 智能学习系统的学习内容推荐方法、终端及存储介质 | |
KR101382132B1 (ko) | 학습 패턴 평가 시스템 | |
Mirata et al. | Developing an implementation framework for adaptive learning: A case study approach | |
JP6489723B1 (ja) | 学習支援装置、方法、及びコンピュータプログラム | |
Ronoh et al. | Factors affecting requirements elicitation for heterogeneous users of information systems | |
CN111462560A (zh) | 一种基于云计算的网络教育方法及平台 | |
Scherman | The validity of value-added measures in secondary schools | |
Koong et al. | The learning effectiveness analysis of JAVA programming with automatic grading system | |
Reiners et al. | Six key topics for automated assessment utilisation and acceptance | |
CN114820249A (zh) | 一种基于区块链技术的学情分析系统 | |
CN108614771A (zh) | 一种数学建模教学学习系统 | |
CN114971384A (zh) | 一种人工智能机器学习实验技能评分方法及系统 | |
Alachiotis et al. | Learning analytics with Excel in a blended learning course | |
CN113706025A (zh) | 一种学习报告生成方法、装置、计算机设备和存储介质 | |
Khan et al. | Utilizing machine learning models to predict student performance from LMS activity logs |
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 |