CN115496638B - 基于智慧校园的学生课程成绩分析管理方法及系统 - Google Patents
基于智慧校园的学生课程成绩分析管理方法及系统 Download PDFInfo
- Publication number
- CN115496638B CN115496638B CN202211442407.0A CN202211442407A CN115496638B CN 115496638 B CN115496638 B CN 115496638B CN 202211442407 A CN202211442407 A CN 202211442407A CN 115496638 B CN115496638 B CN 115496638B
- Authority
- CN
- China
- Prior art keywords
- course
- target
- learning
- information
- student
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 199
- 238000007726 management method Methods 0.000 title claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 160
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 239000000203 mixture Substances 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 61
- 235000021184 main course Nutrition 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000013441 quality evaluation Methods 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004080 punching Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 206010063385 Intellectualisation Diseases 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于智慧校园的学生课程成绩分析管理方法及系统,用于实现对学生进行学习习惯分析并提高个性化教学指导方案的生成准确率。所述方法包括:对课程关联信息进行课程组成解析,得到课程组成因子,并对图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据课程组成因子和借阅行为因子生成学习行为评价因子;并对个人兴趣信息进行个人兴趣特征提取,得到个人兴趣影响因子;将学习行为评价因子和个人兴趣影响因子输入学习习惯分析模型进行学习习惯分析,得到学习习惯分析结果;构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,并根据关系报告生成个性化教学指导方案。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于智慧校园的学生课程成绩分析管理方法及系统。
背景技术
随着科技的发展,很多物联网行业都得到了飞速发展,人们的生活也发生了很大的改变,由于智慧校园能够实现数据采集、数据存储和数据分析,因此被很多学校广泛使用。
现有的智慧校园建设还存在了一定的问题,现有的智慧校园在对学生课程成绩分析上还存在了局限性,因此针对学生课程成绩分析和教学指导方面准确率较低。
发明内容
本发明提供了一种基于智慧校园的学生课程成绩分析管理方法及系统,用于实现对学生进行学习习惯分析并提高个性化教学指导方案的生成准确率。
本发明第一方面提供了一种基于智慧校园的学生课程成绩分析管理方法,所述基于智慧校园的学生课程成绩分析管理方法包括:从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案。
可选的,在本发明第一方面的第一种实现方式中,所述对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子,包括:分别对所述课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对所述主修课程类型和所述选修课程类型进行课程组成提取,得到课程组成因子;分别对所述图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据所述借阅信息分析结果生成借阅行为因子;对所述课程组成因子和所述借阅行为因子进行行为信息关联,得到学习行为评价因子。
可选的,在本发明第一方面的第二种实现方式中,所述查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子,包括:从预置的智慧校园平台中查询所述目标学生的个人兴趣信息;基于预设的兴趣特征关键词对所述个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对所述多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成所述目标学生对应的个人兴趣影响因子。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵,包括:按照预设的排列顺序对所述学习行为评价因子和所述个人兴趣影响因子进行排列,得到目标阵列;对所述目标阵列进行矩阵元素补齐,生成所述目标学生对应的目标特征矩阵。
可选的,在本发明第一方面的第四种实现方式中,所述将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果,包括:将所述目标特征矩阵输入预置的学习习惯分析模型,其中,所述学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;通过所述学习习惯分析模型对所述目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;根据所述学习行为特征预测值匹配所述目标学生对应的学习习惯类型;根据所述学习习惯类型生成所述目标学生对应的学习习惯分析结果。
可选的,在本发明第一方面的第五种实现方式中,所述获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案,包括:从预置的智慧校园平台中获取所述目标学生的课程成绩数据;构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告;将所述关系报告作为评价指标,并根据所述评价指标生成个性化教学指导方案。
可选的,在本发明第一方面的第六种实现方式中,所述基于智慧校园的学生课程成绩分析管理方法还包括:获取多个学生的课程成绩数据,并对所述多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建所述教学质量评价结果和所述个性化教学指导方案对应的相关系数;根据所述相关系数对所述个性化教学指导方案进行优化,得到目标教学指导方案。
本发明第二方面提供了一种基于智慧校园的学生课程成绩分析管理系统,所述基于智慧校园的学生课程成绩分析管理系统包括:获取模块,用于从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;解析模块,用于对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;提取模块,用于查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;构建模块,用于根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;处理模块,用于将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;生成模块,用于获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案。
可选的,在本发明第二方面的第一种实现方式中,所述解析模块具体用于:分别对所述课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对所述主修课程类型和所述选修课程类型进行课程组成提取,得到课程组成因子;分别对所述图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据所述借阅信息分析结果生成借阅行为因子;对所述课程组成因子和所述借阅行为因子进行行为信息关联,得到学习行为评价因子。
可选的,在本发明第二方面的第二种实现方式中,所述提取模块具体用于:从预置的智慧校园平台中查询所述目标学生的个人兴趣信息;基于预设的兴趣特征关键词对所述个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对所述多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成所述目标学生对应的个人兴趣影响因子。
可选的,在本发明第二方面的第三种实现方式中,所述构建模块具体用于:按照预设的排列顺序对所述学习行为评价因子和所述个人兴趣影响因子进行排列,得到目标阵列;对所述目标阵列进行矩阵元素补齐,生成所述目标学生对应的目标特征矩阵。
可选的,在本发明第二方面的第四种实现方式中,所述处理模块具体用于:将所述目标特征矩阵输入预置的学习习惯分析模型,其中,所述学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;通过所述学习习惯分析模型对所述目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;根据所述学习行为特征预测值匹配所述目标学生对应的学习习惯类型;根据所述学习习惯类型生成所述目标学生对应的学习习惯分析结果。
可选的,在本发明第二方面的第五种实现方式中,所述生成模块具体用于:从预置的智慧校园平台中获取所述目标学生的课程成绩数据;构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告;将所述关系报告作为评价指标,并根据所述评价指标生成个性化教学指导方案。
可选的,在本发明第二方面的第六种实现方式中,所述基于智慧校园的学生课程成绩分析管理系统还包括:优化模块,用于获取多个学生的课程成绩数据,并对所述多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建所述教学质量评价结果和所述个性化教学指导方案对应的相关系数;根据所述相关系数对所述个性化教学指导方案进行优化,得到目标教学指导方案。
本发明第三方面提供了一种基于智慧校园的学生课程成绩分析管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于智慧校园的学生课程成绩分析管理设备执行上述的基于智慧校园的学生课程成绩分析管理方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于智慧校园的学生课程成绩分析管理方法。
本发明提供的技术方案中,通过对目标学生的课程关联信息和图书馆关联信息进行行为评价因子提取,通过分析目标学生的这两项行为数据可以更加有效的提取出目标学生的行为真实性,进而提高行为分析的准确率,然后将目标学生的个人兴趣影响因子引入目标特征矩阵中,并通过预先构建的学习习惯分析模型进行分析,实现了对目标学生进行学习习惯分析的智能化,并且根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
附图说明
图1为本发明实施例中基于智慧校园的学生课程成绩分析管理方法的一个实施例示意图;
图2为本发明实施例中基于智慧校园的学生课程成绩分析管理方法的另一个实施例示意图;
图3为本发明实施例中基于智慧校园的学生课程成绩分析管理系统的一个实施例示意图;
图4为本发明实施例中基于智慧校园的学生课程成绩分析管理系统的另一个实施例示意图;
图5为本发明实施例中基于智慧校园的学生课程成绩分析管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于智慧校园的学生课程成绩分析管理方法及系统,用于实现对学生进行学习习惯分析并提高个性化教学指导方案的生成准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于智慧校园的学生课程成绩分析管理方法的一个实施例包括:
101、从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,课程关联信息包括:选修课程信息和主修课程信息,图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
可以理解的是,本发明的执行主体可以为基于智慧校园的学生课程成绩分析管理系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,获取课程关联信息,所述课程关联信息包括以下信息中的至少两类选修课程信息和主修课程信息,服务器可以获取目标学生的课程关联信息,需要说明的是,课程时间表信息包括但不限于课程名称、上课时间、课程是否结束等,同时获取对应的图书馆关联信息,其中,上述图书馆关联信息包括:图书馆打卡信息和图书借阅信息。
102、对课程关联信息进行课程组成解析,得到课程组成因子,并对图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据课程组成因子和借阅行为因子生成学习行为评价因子;
需要说明的是,课程组成因子包括课程的目标、内容、形式、逻辑和过程,当服务器得到课程组成因子后,服务器获取借阅行为数据,基于借阅行为数据,确定基本特征因子,及采用权重计算算法TFIDF和余弦相似度方法,确定预测类特征因子,将基本特征因子和预测类特征因子输入至基于因子分解机构建的神经网络模型DeepFM中进行Embedding特征向量化,并对特征向量进行特征交叉后输入到深度神经网络,输出学习行为评价因子,本步骤在分析图书馆借阅行为的基础上构建兴趣预测因子,并采用DeepFM对进行图书推荐。本发明方法有效的构建行为因子体系,以便于后续进行学生课程成绩分析及管理。
103、查询目标学生的个人兴趣信息,并对个人兴趣信息进行个人兴趣特征提取,得到目标学生对应的个人兴趣影响因子;
具体的,从预置的智慧校园平台中查询目标学生的个人兴趣信息,基于预设的兴趣特征关键词对个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词,分别对多个兴趣特征关键词进行特征影响因子匹配,需要说明的是,本发明通过结合目标学生的行为数据量化得到的影响因子,确定目标学生兴趣值,以目标学生兴趣值为中心进行推送消息的匹配,以便于后续提高推送消息的匹配度,具体的,服务器量化学生个人兴趣信息行为,得到对应的影响因子,影响因子用于指示目标学生的行为数据针对于目标学生兴趣值的影响程度,目标学生兴趣值用于指示目标学生对看房应用提供的应用服务的兴趣程度,结合影响因子、服务器对个人兴趣信息进行个人兴趣特征提取,得到目标学生对应的个人兴趣影响因子。
104、根据学习行为评价因子和个人兴趣影响因子构建目标学生对应的目标特征矩阵;
具体的,获取学习行为评价因子和个人兴趣影响因子,对调制后评价因子和个人兴趣影响因子对应的画像图进行卷积处理,得到预设数目个通道的卷积后特征矩阵,对于预设数目个通道的卷积后特征矩阵中的卷积后特征矩阵,将该卷积后特征矩阵转换为通道特征向量,基于所得到的通道特征向量,确定通道关系矩阵,基于通道关系矩阵,对调制后特征图进行变换,构建目标学生对应的目标特征矩阵,本发明实施例通过利用所得到的变换后特征图可以从学习行为评价因子和个人兴趣影响因子提取更丰富的特征,这些特征可以更全面、准确地表征目标学生。
105、将目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到目标学生对应的学习习惯分析结果;
具体的,服务器预先设置统计学习习惯的指标,对不同的学习指标进行区分和标记,采集学生学习时的各个指标的数据,对采集到的数据进行统计和分析,得出分析结论,也即服务器将目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,可以明确学生的学习情况。
106、获取目标学生的课程成绩数据,并构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,并根据关系报告生成个性化教学指导方案。
具体的,服务器获取课程成绩数据,进而服务器根据课程成绩数据,对学生进行分类,根据学生分类,并对上述预先获取的目标学生的课程成绩数据,进而服务器对课程成绩数据进行分类,将不同类型学生的课程学习数据进行统计分析并做可视化呈现,根据统计结果对不同类型学生在不同时间维度的学习行为进行分析,进而服务器构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,并根据关系报告生成个性化教学指导方案,本申请中的实施例通过分析不同类型学生在不同时间因素下课程学习数据上的差异,找出影响学生学习效果的时间因素,为教师和学生提供反馈,帮助教师制定个性化教学方案,辅助学生改进学习效果。
本发明实施例中,通过对目标学生的课程关联信息和图书馆关联信息进行行为评价因子提取,通过分析目标学生的这两项行为数据可以更加有效的提取出目标学生的行为真实性,进而提高行为分析的准确率,然后将目标学生的个人兴趣影响因子引入目标特征矩阵中,并通过预先构建的学习习惯分析模型进行分析,实现了对目标学生进行学习习惯分析的智能化,并且根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
请参阅图2,本发明实施例中基于智慧校园的学生课程成绩分析管理方法的另一个实施例包括:
201、从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,课程关联信息包括:选修课程信息和主修课程信息,图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
具体的,在本实施例中,步骤201的具体实施方式与上述步骤101类似,此处不再赘述。
202、对课程关联信息进行课程组成解析,得到课程组成因子,并对图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据课程组成因子和借阅行为因子生成学习行为评价因子;
具体的,分别对课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对主修课程类型和选修课程类型进行课程组成提取,得到课程组成因子;分别对图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据借阅信息分析结果生成借阅行为因子;对课程组成因子和借阅行为因子进行行为信息关联,得到学习行为评价因子。
其中,服务器分别对课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对主修课程类型和选修课程类型进行课程组成提取,得到课程组成因子读取数据,具体的,服务器首先对数据进行预处理。进而服务器还可以对数据进行可视化分析及基本标签构建,并对预处理后的数据绘制柱状图和词云图进行数据的可视化分析,构建事实类、规则类和文本类类基本标签,需要说明的是,在服务器对数据进行预处理时,具体是通过对数据去重、异常值处理、缺失值处理、时间格式归一化的方式进行的,其中异常值处理主要针对超出正常时间范围的异常数据进行正常化处理,缺失值处理是指将存在图书编号为空的行进行删除;时间格式归一化是指对于时间格式不统一的数据通过python中的预置的时间函数进行时间格式转换,最终服务器分别对图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据借阅信息分析结果生成借阅行为因子,对课程组成因子和借阅行为因子进行行为信息关联,得到学习行为评价因子,根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
203、查询目标学生的个人兴趣信息,并对个人兴趣信息进行个人兴趣特征提取,得到目标学生对应的个人兴趣影响因子;
具体的,从预置的智慧校园平台中查询目标学生的个人兴趣信息;基于预设的兴趣特征关键词对个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成目标学生对应的个人兴趣影响因子。
其中,服务器通过网络爬虫或者通过各社交网站开放API平台获取从预置的智慧校园平台中查询目标学生的个人兴趣信息,提取目标学生的个人属性、目标学生的好友关系信息以及目标学生的社团信息,根据所提取的信息建立个人兴趣影响因子函数、好友关系影响因子函数和社团驱动影响因子函数,以最大熵原理为基础构建目标学生关系分析模型,并对目标学生关系分析模型进行参数训练,获得最优参数集合。根据最优参数集合以及目标学生关系分析模型对目标学生之间是否存在关系进行预测,最终服务器到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成目标学生对应的个人兴趣影响因子,本发明可以量化影响因子的驱动强度,以便于后续服务器预测目标学生关系的发展趋势。
204、根据学习行为评价因子和个人兴趣影响因子构建目标学生对应的目标特征矩阵;
具体的,按照预设的排列顺序对学习行为评价因子和个人兴趣影响因子进行排列,得到目标阵列;对目标阵列进行矩阵元素补齐,生成目标学生对应的目标特征矩阵。
需要说明的是,矩阵元素补齐就是将一个含有缺失值的矩阵通过一定的方法将其恢复为一个完全的矩阵,通过解一个凸优化问题实现将一个低秩矩阵恢复,本发明实施例中,服务器按照预设的排列顺序对学习行为评价因子和个人兴趣影响因子进行排列,得到目标阵列,对目标阵列进行矩阵元素补齐,生成目标学生对应的目标特征矩阵。
205、将目标特征矩阵输入预置的学习习惯分析模型,其中,学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;
206、通过学习习惯分析模型对目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;
207、根据学习行为特征预测值匹配目标学生对应的学习习惯类型;
208、根据学习习惯类型生成目标学生对应的学习习惯分析结果;
具体的,服务器用学习习惯分析模型中的卷积神经网络提取学习行为和答题结果数据组成的复合向量中的有效特征,并通过第一卷积网络和第二卷积网络提取包含知识点在内的行为特征,最终将学习行为特征与学习习惯特征相结合,经过归一化输出层,获得学生对知识的掌握程度状态,在建模过程中,本发明融合了学生在学习过程中的一系列学习行为特征和习惯及知识点的丰富信息,最终服务器根据学习习惯类型生成目标学生对应的学习习惯分析结果。
209、获取目标学生的课程成绩数据,并构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,并根据关系报告生成个性化教学指导方案。
具体的,从预置的智慧校园平台中获取目标学生的课程成绩数据;构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告;将关系报告作为评价指标,并根据评价指标生成个性化教学指导方案。
其中,服务器获取课程成绩数据,具体而言,课程成绩数据是指学生的基本信息,包括学生编号、姓名、班级、成绩,所述课程学习数据是学生在视频学习过程中所产生的数据,包括学生编号、视频编号、视频长度、观看时间、观看次数,能够通过智慧校园平台来获取,具体的,服务器实时采集课程成绩数据,并对采集的课程成绩数据按照学生ID号、时间戳和地点的格式进行缓存,进而服务器将课程成绩数据传输至行为分析系统,最终服务器根据处理结果对学生的行为进行分析和预测,并构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告;将关系报告作为评价指标,并根据评价指标生成个性化教学指导方案。
可选的,获取多个学生的课程成绩数据,并对多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建教学质量评价结果和个性化教学指导方案对应的相关系数;根据相关系数对个性化教学指导方案进行优化,得到目标教学指导方案。
其中,服务器获取多个学生的课程成绩数据,并利用深度学习算法的深度分层结构与人类大脑认知系统具有深度分层的相一致的特点,构建在线学习过程分析模型,进而满足教育质量评估及以此为基础的政策分析研究,最终服务器得到教学质量评价结果,构建教学质量评价结果和个性化教学指导方案对应的相关系数,根据相关系数对个性化教学指导方案进行优化,得到目标教学指导方案。
本发明实施例中,通过对目标学生的课程关联信息和图书馆关联信息进行行为评价因子提取,通过分析目标学生的这两项行为数据可以更加有效的提取出目标学生的行为真实性,进而提高行为分析的准确率,然后将目标学生的个人兴趣影响因子引入目标特征矩阵中,并通过预先构建的学习习惯分析模型进行分析,实现了对目标学生进行学习习惯分析的智能化,并且根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
上面对本发明实施例中基于智慧校园的学生课程成绩分析管理方法进行了描述,下面对本发明实施例中基于智慧校园的学生课程成绩分析管理系统进行描述,请参阅图3,本发明实施例中基于智慧校园的学生课程成绩分析管理系统一个实施例包括:
获取模块301,用于从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
解析模块302,用于对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;
提取模块303,用于查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;
构建模块304,用于根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;
处理模块305,用于将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;
生成模块306,用于获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案。
本发明实施例中,通过对目标学生的课程关联信息和图书馆关联信息进行行为评价因子提取,通过分析目标学生的这两项行为数据可以更加有效的提取出目标学生的行为真实性,进而提高行为分析的准确率,然后将目标学生的个人兴趣影响因子引入目标特征矩阵中,并通过预先构建的学习习惯分析模型进行分析,实现了对目标学生进行学习习惯分析的智能化,并且根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
请参阅图4,本发明实施例中基于智慧校园的学生课程成绩分析管理系统另一个实施例包括:
获取模块301,用于从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
解析模块302,用于对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;
提取模块303,用于查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;
构建模块304,用于根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;
处理模块305,用于将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;
生成模块306,用于获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案。
可选的,所述解析模块302具体用于:分别对所述课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对所述主修课程类型和所述选修课程类型进行课程组成提取,得到课程组成因子;分别对所述图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据所述借阅信息分析结果生成借阅行为因子;对所述课程组成因子和所述借阅行为因子进行行为信息关联,得到学习行为评价因子。
可选的,所述提取模块303具体用于:从预置的智慧校园平台中查询所述目标学生的个人兴趣信息;基于预设的兴趣特征关键词对所述个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对所述多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成所述目标学生对应的个人兴趣影响因子。
可选的,所述构建模块304具体用于:按照预设的排列顺序对所述学习行为评价因子和所述个人兴趣影响因子进行排列,得到目标阵列;对所述目标阵列进行矩阵元素补齐,生成所述目标学生对应的目标特征矩阵。
可选的,所述处理模块305具体用于:将所述目标特征矩阵输入预置的学习习惯分析模型,其中,所述学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;通过所述学习习惯分析模型对所述目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;根据所述学习行为特征预测值匹配所述目标学生对应的学习习惯类型;根据所述学习习惯类型生成所述目标学生对应的学习习惯分析结果。
可选的,所述生成模块306具体用于:从预置的智慧校园平台中获取所述目标学生的课程成绩数据;构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告;将所述关系报告作为评价指标,并根据所述评价指标生成个性化教学指导方案。
可选的,所述基于智慧校园的学生课程成绩分析管理系统还包括:
优化模块307,用于获取多个学生的课程成绩数据,并对所述多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建所述教学质量评价结果和所述个性化教学指导方案对应的相关系数;根据所述相关系数对所述个性化教学指导方案进行优化,得到目标教学指导方案。
本发明实施例中,通过对目标学生的课程关联信息和图书馆关联信息进行行为评价因子提取,通过分析目标学生的这两项行为数据可以更加有效的提取出目标学生的行为真实性,进而提高行为分析的准确率,然后将目标学生的个人兴趣影响因子引入目标特征矩阵中,并通过预先构建的学习习惯分析模型进行分析,实现了对目标学生进行学习习惯分析的智能化,并且根据构建课程成绩数据和学习习惯分析结果之间的关联关系,生成关系报告,根据关系报告生成个性化教学指导方案,提高了个性化教学指导方案的生成准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于智慧校园的学生课程成绩分析管理系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于智慧校园的学生课程成绩分析管理设备进行详细描述。
图5是本发明实施例提供的一种基于智慧校园的学生课程成绩分析管理设备的结构示意图,该基于智慧校园的学生课程成绩分析管理设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于智慧校园的学生课程成绩分析管理设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于智慧校园的学生课程成绩分析管理设备500上执行存储介质530中的一系列指令操作。
基于智慧校园的学生课程成绩分析管理设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于智慧校园的学生课程成绩分析管理设备结构并不构成对基于智慧校园的学生课程成绩分析管理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于智慧校园的学生课程成绩分析管理设备,所述基于智慧校园的学生课程成绩分析管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于智慧校园的学生课程成绩分析管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于智慧校园的学生课程成绩分析管理方法的步骤。
进一步地,计算机可读存储介质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等;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种基于智慧校园的学生课程成绩分析管理方法,其特征在于,所述基于智慧校园的学生课程成绩分析管理方法包括:
从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;服务器获取目标学生的课程关联信息,课程时间表信息包括课程名称、上课时间以及课程是否结束,并获取对应的图书馆关联信息,其中,上述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;其中,分别对所述课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对所述主修课程类型和所述选修课程类型进行课程组成提取,得到课程组成因子;分别对所述图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据所述借阅信息分析结果生成借阅行为因子;对所述课程组成因子和所述借阅行为因子进行行为信息关联,得到学习行为评价因子;其中,服务器分别对课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对主修课程类型和选修课程类型进行课程组成提取,得到课程组成因子读取数据;服务器首先对数据进行预处理,进而服务器对数据进行可视化分析及基本标签构建,并对预处理后的数据绘制柱状图和词云图进行数据的可视化分析,构建事实类、规则类和文本类基本标签;在服务器对数据进行预处理时,具体是通过对数据去重、异常值处理、缺失值处理以及时间格式归一化的方式进行的,其中异常值处理针对超出正常时间范围的异常数据进行正常化处理,缺失值处理是指将存在图书编号为空的行进行删除;时间格式归一化是指对于时间格式不统一的数据通过python中的预置的时间函数进行时间格式转换,最终服务器分别对图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果;
查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;其中,从预置的智慧校园平台中查询所述目标学生的个人兴趣信息;基于预设的兴趣特征关键词对所述个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对所述多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成所述目标学生对应的个人兴趣影响因子;其中,服务器通过网络爬虫或者通过各社交网站开放API平台从预置的智慧校园平台中查询目标学生的个人兴趣信息,提取目标学生的个人属性、目标学生的好友关系信息以及目标学生的社团信息,根据所提取的信息建立个人兴趣影响因子函数、好友关系影响因子函数和社团驱动影响因子函数,以最大熵原理为基础构建目标学生关系分析模型,并对目标学生关系分析模型进行参数训练,获得最优参数集合;根据最优参数集合以及目标学生关系分析模型对目标学生之间是否存在关系进行预测,最终服务器得到每个兴趣特征关键词的特征影响因子;
根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;其中,按照预设的排列顺序对所述学习行为评价因子和所述个人兴趣影响因子进行排列,得到目标阵列;对所述目标阵列进行矩阵元素补齐,生成所述目标学生对应的目标特征矩阵;矩阵元素补齐是将一个含有缺失值的矩阵恢复为一个完全的矩阵,通过解一个凸优化问题将一个低秩矩阵恢复,服务器按照预设的排列顺序对学习行为评价因子和个人兴趣影响因子进行排列,得到目标阵列,对目标阵列进行矩阵元素补齐,生成目标学生对应的目标特征矩阵;获取学习行为评价因子和个人兴趣影响因子,对调制后评价因子和个人兴趣影响因子对应的画像图进行卷积处理,得到预设数目个通道的卷积后特征矩阵,对于预设数目个通道的卷积后特征矩阵中的卷积后特征矩阵,将该卷积后特征矩阵转换为通道特征向量,基于所得到的通道特征向量,确定通道关系矩阵,基于通道关系矩阵,对调制后特征图进行变换,构建目标学生对应的目标特征矩阵;
将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;其中,将所述目标特征矩阵输入预置的学习习惯分析模型,其中,所述学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;通过所述学习习惯分析模型对所述目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;根据所述学习行为特征预测值匹配所述目标学生对应的学习习惯类型;根据所述学习习惯类型生成所述目标学生对应的学习习惯分析结果;服务器用学习习惯分析模型中的卷积神经网络提取学习行为和答题结果数据组成的复合向量中的有效特征,并通过第一卷积网络和第二卷积网络提取包含知识点在内的行为特征,最终将学习行为特征与学习习惯特征相结合,经过归一化输出层,获得学生对知识的掌握程度状态,在建模过程中,通过融合学生在学习过程中的一系列学习行为特征和习惯及知识点的信息,最终服务器根据学习习惯类型生成目标学生对应的学习习惯分析结果;
获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案;其中,将所述关系报告作为评价指标,并根据所述评价指标生成个性化教学指导方案;其中,课程成绩数据是指学生的基本信息,包括学生编号、姓名、班级和成绩,课程学习数据是学生在视频学习过程中所产生的数据,包括学生编号、视频编号、视频长度、观看时间、观看次数,通过智慧校园平台来获取,服务器实时采集课程成绩数据,并对采集的课程成绩数据按照学生ID号、时间戳和地点的格式进行缓存,进而服务器将课程成绩数据传输至行为分析系统,最终服务器根据处理结果对学生的行为进行分析和预测;服务器根据课程成绩数据,对学生进行分类,进而服务器对课程成绩数据进行分类,将不同类型学生的课程成绩数据进行统计分析并做可视化呈现,根据统计结果对不同类型学生在不同时间维度的学习行为进行分析;获取多个学生的课程成绩数据,并对所述多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建所述教学质量评价结果和所述个性化教学指导方案对应的相关系数;根据所述相关系数对所述个性化教学指导方案进行优化,得到目标教学指导方案。
2.一种基于智慧校园的学生课程成绩分析管理系统,其特征在于,所述基于智慧校园的学生课程成绩分析管理系统包括:
获取模块,用于从预置的智慧校园平台中获取目标学生的课程关联信息和图书馆关联信息,其中,所述课程关联信息包括:选修课程信息和主修课程信息,所述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;服务器获取目标学生的课程关联信息,课程时间表信息包括课程名称、上课时间以及课程是否结束,并获取对应的图书馆关联信息,其中,上述图书馆关联信息包括:图书馆打卡信息和图书借阅信息;
解析模块,用于对所述课程关联信息进行课程组成解析,得到课程组成因子,并对所述图书馆关联信息进行借阅行为特征提取,得到借阅行为因子,以及根据所述课程组成因子和所述借阅行为因子生成学习行为评价因子;其中,分别对所述课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对所述主修课程类型和所述选修课程类型进行课程组成提取,得到课程组成因子;分别对所述图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果,并根据所述借阅信息分析结果生成借阅行为因子;对所述课程组成因子和所述借阅行为因子进行行为信息关联,得到学习行为评价因子;其中,服务器分别对课程关联信息进行课程类型提取,得到主修课程类型和选修课程类型,并对主修课程类型和选修课程类型进行课程组成提取,得到课程组成因子读取数据;服务器首先对数据进行预处理,进而服务器对数据进行可视化分析及基本标签构建,并对预处理后的数据绘制柱状图和词云图进行数据的可视化分析,构建事实类、规则类和文本类基本标签;在服务器对数据进行预处理时,具体是通过对数据去重、异常值处理、缺失值处理以及时间格式归一化的方式进行的,其中异常值处理针对超出正常时间范围的异常数据进行正常化处理,缺失值处理是指将存在图书编号为空的行进行删除;时间格式归一化是指对于时间格式不统一的数据通过python中的预置的时间函数进行时间格式转换,最终服务器分别对图书馆关联信息进行图书借阅类型和图书借阅频率分析,得到借阅信息分析结果;
提取模块,用于查询所述目标学生的个人兴趣信息,并对所述个人兴趣信息进行个人兴趣特征提取,得到所述目标学生对应的个人兴趣影响因子;其中,从预置的智慧校园平台中查询所述目标学生的个人兴趣信息;基于预设的兴趣特征关键词对所述个人兴趣信息进行关键词匹配,得到多个兴趣特征关键词;分别对所述多个兴趣特征关键词进行特征影响因子匹配,得到每个兴趣特征关键词的特征影响因子;根据每个兴趣特征关键词的特征影响因子生成所述目标学生对应的个人兴趣影响因子;其中,服务器通过网络爬虫或者通过各社交网站开放API平台从预置的智慧校园平台中查询目标学生的个人兴趣信息,提取目标学生的个人属性、目标学生的好友关系信息以及目标学生的社团信息,根据所提取的信息建立个人兴趣影响因子函数、好友关系影响因子函数和社团驱动影响因子函数,以最大熵原理为基础构建目标学生关系分析模型,并对目标学生关系分析模型进行参数训练,获得最优参数集合;根据最优参数集合以及目标学生关系分析模型对目标学生之间是否存在关系进行预测,最终服务器得到每个兴趣特征关键词的特征影响因子;
构建模块,用于根据所述学习行为评价因子和所述个人兴趣影响因子构建所述目标学生对应的目标特征矩阵;其中,按照预设的排列顺序对所述学习行为评价因子和所述个人兴趣影响因子进行排列,得到目标阵列;对所述目标阵列进行矩阵元素补齐,生成所述目标学生对应的目标特征矩阵;矩阵元素补齐是将一个含有缺失值的矩阵恢复为一个完全的矩阵,通过解一个凸优化问题将一个低秩矩阵恢复,服务器按照预设的排列顺序对学习行为评价因子和个人兴趣影响因子进行排列,得到目标阵列,对目标阵列进行矩阵元素补齐,生成目标学生对应的目标特征矩阵;获取学习行为评价因子和个人兴趣影响因子,对调制后评价因子和个人兴趣影响因子对应的画像图进行卷积处理,得到预设数目个通道的卷积后特征矩阵,对于预设数目个通道的卷积后特征矩阵中的卷积后特征矩阵,将该卷积后特征矩阵转换为通道特征向量,基于所得到的通道特征向量,确定通道关系矩阵,基于通道关系矩阵,对调制后特征图进行变换,构建目标学生对应的目标特征矩阵;
处理模块,用于将所述目标特征矩阵输入预置的学习习惯分析模型进行学习习惯分析,得到所述目标学生对应的学习习惯分析结果;其中,将所述目标特征矩阵输入预置的学习习惯分析模型,其中,所述学习习惯分析模型包括:第一卷积网络、第二卷积网络和归一化输出层;通过所述学习习惯分析模型对所述目标特征矩阵进行学习行为特征提取,得到学习行为特征预测值;根据所述学习行为特征预测值匹配所述目标学生对应的学习习惯类型;根据所述学习习惯类型生成所述目标学生对应的学习习惯分析结果;服务器用学习习惯分析模型中的卷积神经网络提取学习行为和答题结果数据组成的复合向量中的有效特征,并通过第一卷积网络和第二卷积网络提取包含知识点在内的行为特征,最终将学习行为特征与学习习惯特征相结合,经过归一化输出层,获得学生对知识的掌握程度状态,在建模过程中,通过融合学生在学习过程中的一系列学习行为特征和习惯及知识点的信息,最终服务器根据学习习惯类型生成目标学生对应的学习习惯分析结果;
生成模块,用于获取所述目标学生的课程成绩数据,并构建所述课程成绩数据和所述学习习惯分析结果之间的关联关系,生成关系报告,并根据所述关系报告生成个性化教学指导方案;其中,将所述关系报告作为评价指标,并根据所述评价指标生成个性化教学指导方案;其中,课程成绩数据是指学生的基本信息,包括学生编号、姓名、班级和成绩,课程学习数据是学生在视频学习过程中所产生的数据,包括学生编号、视频编号、视频长度、观看时间、观看次数,通过智慧校园平台来获取,服务器实时采集课程成绩数据,并对采集的课程成绩数据按照学生ID号、时间戳和地点的格式进行缓存,进而服务器将课程成绩数据传输至行为分析系统,最终服务器根据处理结果对学生的行为进行分析和预测;服务器根据课程成绩数据,对学生进行分类,进而服务器对课程成绩数据进行分类,将不同类型学生的课程成绩数据进行统计分析并做可视化呈现,根据统计结果对不同类型学生在不同时间维度的学习行为进行分析;获取多个学生的课程成绩数据,并对所述多个学生的课程成绩数据进行教学质量评价,得到教学质量评价结果;构建所述教学质量评价结果和所述个性化教学指导方案对应的相关系数;根据所述相关系数对所述个性化教学指导方案进行优化,得到目标教学指导方案。
3.一种基于智慧校园的学生课程成绩分析管理设备,其特征在于,所述基于智慧校园的学生课程成绩分析管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于智慧校园的学生课程成绩分析管理设备执行如权利要求1所述的基于智慧校园的学生课程成绩分析管理方法。
4.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1所述的基于智慧校园的学生课程成绩分析管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442407.0A CN115496638B (zh) | 2022-11-18 | 2022-11-18 | 基于智慧校园的学生课程成绩分析管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211442407.0A CN115496638B (zh) | 2022-11-18 | 2022-11-18 | 基于智慧校园的学生课程成绩分析管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115496638A CN115496638A (zh) | 2022-12-20 |
CN115496638B true CN115496638B (zh) | 2023-04-07 |
Family
ID=85116068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211442407.0A Active CN115496638B (zh) | 2022-11-18 | 2022-11-18 | 基于智慧校园的学生课程成绩分析管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496638B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163258A (zh) * | 2011-03-23 | 2011-08-24 | 皮发万 | 测验学校成绩的方法及其测试智力表 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10789602B2 (en) * | 2014-06-11 | 2020-09-29 | Michael Levy | System and method for gathering, identifying and analyzing learning patterns |
CN112001739A (zh) * | 2019-05-27 | 2020-11-27 | 广东小天才科技有限公司 | 一种生成用户学习画像的方法和系统 |
CN112800274B (zh) * | 2019-11-14 | 2024-03-29 | 深圳云天励飞技术有限公司 | 课程视频推荐方法及相关装置 |
CN111080079A (zh) * | 2019-11-25 | 2020-04-28 | 创新奇智(北京)科技有限公司 | 一种基于大数据的人才职业技能评估方法及系统 |
-
2022
- 2022-11-18 CN CN202211442407.0A patent/CN115496638B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163258A (zh) * | 2011-03-23 | 2011-08-24 | 皮发万 | 测验学校成绩的方法及其测试智力表 |
Also Published As
Publication number | Publication date |
---|---|
CN115496638A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN111831636A (zh) | 一种数据处理方法、装置、计算机系统及可读存储介质 | |
CN112035620B (zh) | 医疗查询系统的问答管理方法、装置、设备及存储介质 | |
CN113139628A (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
CN111782826A (zh) | 知识图谱的信息处理方法、装置、设备及存储介质 | |
CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN117520503A (zh) | 基于llm模型的金融客服对话生成方法、装置、设备及介质 | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN113986660A (zh) | 系统调整策略的匹配方法、装置、设备及存储介质 | |
CN114461853A (zh) | 视频场景分类模型的训练样本生成方法、装置及设备 | |
CN114372532A (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
CN113570391A (zh) | 基于人工智能的社群划分方法、装置、设备及存储介质 | |
CN115496638B (zh) | 基于智慧校园的学生课程成绩分析管理方法及系统 | |
CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
Zhang et al. | Domain-specific topic model for knowledge discovery in computational and data-intensive scientific communities | |
CN113516205B (zh) | 基于人工智能的员工稳定性分类方法及相关设备 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN115099988A (zh) | 模型训练方法、数据处理方法、设备及计算机介质 | |
CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
CN115880702A (zh) | 数据处理方法、装置、设备、程序产品及存储介质 | |
CN114064893A (zh) | 一种异常数据审核方法、装置、设备及存储介质 | |
CN113269179A (zh) | 数据处理方法、装置、设备及存储介质 | |
Srivastava et al. | Hyperautomation in transforming underwriting operation in the life insurance industry | |
CN115204436A (zh) | 检测业务指标异常原因的方法、装置、设备及介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method and System for Analyzing and Managing Student Course Scores Based on Smart Campus Effective date of registration: 20230828 Granted publication date: 20230407 Pledgee: Bank of Communications Limited Shenzhen Branch Pledgor: Shenzhen fangyuanbao Information Technology Service Co.,Ltd. Registration number: Y2023980054257 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |