CN115578226A - 一种基于大数据的学情分析方法及系统 - Google Patents
一种基于大数据的学情分析方法及系统 Download PDFInfo
- Publication number
- CN115578226A CN115578226A CN202211373431.3A CN202211373431A CN115578226A CN 115578226 A CN115578226 A CN 115578226A CN 202211373431 A CN202211373431 A CN 202211373431A CN 115578226 A CN115578226 A CN 115578226A
- Authority
- CN
- China
- Prior art keywords
- information
- score
- stability
- subject
- value
- 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 42
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 4
- 230000008451 emotion Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102220516895 Estrogen-related receptor gamma_S45A_mutation Human genes 0.000 description 1
- 102220588433 Keratin, type I cytoskeletal 18_S42A_mutation Human genes 0.000 description 1
- 102220588444 Keratin, type I cytoskeletal 18_S44A_mutation Human genes 0.000 description 1
- 102220484577 Protein NDNF_S43A_mutation Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于大数据的学情分析方法及系统，其包括步骤当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。本申请具有实现高中学生文理科学习情况的系统分析，协助高中生进行文理科方向的选择的效果。
Description
技术领域
本申请涉及智能分析的技术领域，尤其是涉及一种基于大数据的学情分析方法及系统。
背景技术
目前，在校高中生普遍在高一或高二年级时即面临着文理科专业的选择，而大多数学生由于对文理科方向的认知不足，或各个学科成绩较为综合，导致学生自身或学生家长在帮助学生选择文理科方向时，大部分仅能靠学生对于专业的兴趣或回忆学生过往成绩进行判断选择，选择较为随意，易出现错选专业方向的情况，学生在文理科专业的选择上缺少系统的分析。
发明内容
为了实现高中学生文理科学习情况的系统分析，协助高中生进行文理科方向的选择；本申请提供了一种基于大数据的学情分析方法及系统。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种基于大数据的学情分析方法，包括步骤：
当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
通过采用上述技术方案，实时接收用户终端上传的学生的成绩数据，并从中获取到学生每个学科对应的分数，通过运算规则能够计算出每个学生的任一学科截止到目前的成绩稳定性值，再将计算得到的各个学科信息的成绩稳定性值制成雷达图发送值与学生信息对应的家长终端，家长通过雷达图能够了解到学生各个学科的学情情况，具体能够获知各个学科的成绩稳定性值，即能够了解到没个学科的成绩分数具体稳定在哪个值上，由于学科分文科理科，通过比较各个学科信息对应的成绩稳定性值的大小，则能够判断出学生在理科或文科专业上的成绩稳定性值较大，通过学生每次考试成绩的稳定性进行分析，能够更加系统地判断学生在理科或文科两个专利方向上的学情情况，实现高中学生文理科学习情况的系统分析，协助高中生进行文理科方向的选择。
本申请在一较佳示例中：所述依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值的步骤，包括：
获取本次分数信息预先绑定的考试权重值；
将分数信息乘以对应的考试权重值，得到对应的分数运算值；
计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值，得到代表该学科的成绩稳定性的成绩稳定性值。
通过采用上述技术方案，由于存在代表性不同的考试，代表性不同的考试，其分数信息能够反应学生真实学情的程度不同，将每次考试的分数信息乘以对应的考试权重值，得到分数运算值，使得进一步计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值所得到的成绩稳定性值，能够更加准确地反应学生任一学科的成绩稳定性，学生的学情情况分析更为准确。
本申请在一较佳示例中：成绩数据还包括本次考试的考试信息，考试信息与分数信息进行绑定，所述获取本次分数信息预先绑定的考试权重值包括步骤：
获取本次分数信息预先绑定的考试信息，考试信息包括本次考试的统考级别信息；
基于考试信息中的统考级别信息筛选对应的考试权重值，将所筛选的考试权重值作为该考试信息所绑定分数信息的考试权重值。
通过采用上述技术方案，不同级别的考试具有的代表性不同，例如校级统考的级别较低，仅所在学校的考生参与考试，反应的成绩较为片面，则其所匹配的考试权重值较小，市级统考的级别较高，参与考试的考生较多能够更好地反应学生地真实学情，则其对应的考试权重值较高，因此，依据考试的级别对考试权重值进行划分，实现成绩稳定性值的准确计算。
本申请在一较佳示例中：学科信息包括理科学科信息和文科学科信息，所述将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端的步骤之后，执行如下步骤：
计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值；
若理科稳定性均值大于文科稳定性均值，且理科稳定性均值与文科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第一建议信息；
若文科稳定性均值大于理科稳定性均值，且文科稳定性均值与理科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第二建议信息。
通过采用上述技术方案，学科信息分为文科和理科，例如数学、物理、化学、生物属于理科，语文、历史、地理属于文科，通过计算理科稳定性均值和文科稳定性均值，能够获知并判断该学生的文理科成绩的稳定性均值大小，进而能够判断出该学生在理科或文科的成绩上较为有优势，进一步，当理科稳定性均值大于文科稳定性均值时，向家长终端发出第一建议信息至家长终端以建议学生或学生家长选择理科的专业方向，当文科稳定性均值大于理科稳定性均值时，向家长终端发出第二建议信息至家长终端以建议学生或学生家长选择文科的专业方向，方便家长终端了解学生的学情。
本申请在一较佳示例中：所述计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值的步骤之后，还执行如下步骤：
若理科稳定性均值与文科稳定性均值的差值小于预设的差值阈值，则获取每个学生的各个学科的成绩稳定性值的排名信息；
识别成绩稳定性值排名前N位的学科信息，并识别学科信息属于理科学科信息或文科学科信息；其中N大于等于3且N为单数；
若前N位学科信息中理科学科信息的数量大于文科学科信息的数量，则向家长终端发出第一建议信息；
若前N位学科信息中理科学科信息的数量小于文科学科信息的数量，则向家长终端发出第二建议信息。
通过采用上述技术方案，当理科稳定性均值和文科稳定性均值的差值小于预设的差值阈值时，证明该学生的理科成绩稳定性和文科成绩稳定性较为接近，通过比较理科稳定性均值和文科稳定性均值较难准确获知该学生擅长的专业方向，因此通过比较成绩稳定性值排名前N位的学科信息，能够获知该学生所有学科信息中，成绩稳定性排名靠前的学科的专业方向，即能够获知该学生的优势专业方向，N为单数且N大于等于3，使得优势专业方向的选定更为合理，进一步，前N位学科信息中理科学科信息的数量大于文科学科信息的数量，证明该学生的理科专业较有优势并生成第一建议信息，反之则文科专业较有优势并生成第二建议信息。
本申请在一较佳示例中：所述计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值的步骤之后，还执行如下步骤：
当任一学生的理科稳定性均值或文科稳定性均值连续比上一次计算得到的理科稳定性均值或文科稳定性均值低的次数达到预设次数时，向与该学生的学生信息关联的家长终端发送提醒消息。
通过采用上述技术方案，当学生的理科稳定性均值或文科稳定性均值较上一次的理科稳定性均值或文科稳定性均值低，且连续降低的次数达到预设次数时，则证明该学生的文科或理科学习成绩出现下滑的现象，则生成提醒消息发送至家长终端以提醒学生家长，起到了对学生的学情变化的监控的作用。
本申请的上述发明目的二是通过以下技术方案得以实现的：
一种基于大数据的学情分析系统，包括：
学科、分数获取模块，用于当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
稳定性计算模块，用于依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
查看请求模块，用于当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
图形发送模块，用于将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
通过采用上述技术方案，实时接收用户终端上传的学生的成绩数据，并从中获取到学生每个学科对应的分数，通过运算规则能够计算出每个学生的任一学科截止到目前的成绩稳定性值，再将计算得到的各个学科信息的成绩稳定性值制成雷达图发送值与学生信息对应的家长终端，家长通过雷达图能够了解到学生各个学科的学情情况，具体能够获知各个学科的成绩稳定性值，即能够了解到没个学科的成绩分数具体稳定在哪个值上，由于学科分文科理科，通过比较各个学科信息对应的成绩稳定性值的大小，则能够判断出学生在理科或文科专业上的成绩稳定性值较大，通过学生每次考试成绩的稳定性进行分析，能够更加系统地判断学生在理科或文科两个专利方向上的学情情况，实现高中学生文理科学习情况的系统分析，协助高中生进行文理科方向的选择。
可选的，稳定性计算模块包括：
权重获取子模块，用于获取本次分数信息预先绑定的考试权重值；
分数运算值子模块，用于将分数信息乘以对应的考试权重值，得到对应的分数运算值；
稳定性计算子模块，用于计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值，得到代表该学科的成绩稳定性的成绩稳定性值。
通过采用上述技术方案，由于存在代表性不同的考试，代表性不同的考试，其分数信息能够反应学生真实学情的程度不同，将每次考试的分数信息乘以对应的考试权重值，得到分数运算值，使得进一步计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值所得到的成绩稳定性值，能够更加准确地反应学生任一学科的成绩稳定性，学生的学情情况分析更为准确。
本申请的上述目的三是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于大数据的学情分析方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于大数据的学情分析方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1.通过学生每次考试成绩的稳定性进行分析，能够更加系统地判断学生在理科或文科两个专利方向上的学情情况，实现高中学生文理科学习情况的系统分析，协助高中生进行文理科方向的选择；
2.将每次考试的分数信息乘以对应的考试权重值，得到分数运算值，使得进一步计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值所得到的成绩稳定性值，能够更加准确地反应学生任一学科的成绩稳定性；
3.N为单数且N大于等于3，使得优势专业方向的选定更为合理，进一步，前N位学科信息中理科学科信息的数量大于文科学科信息的数量，证明该学生的理科专业较有优势并生成第一建议信息，反之则文科专业较有优势并生成第二建议信息；
4.当学生的理科稳定性均值或文科稳定性均值较上一次的理科稳定性均值或文科稳定性均值低，且连续降低的次数达到预设次数时，则证明该学生的文科或理科学习成绩出现下滑的现象，则生成提醒消息发送至家长终端以提醒学生家长，起到了对学生的学情变化的监控的作用。
附图说明
图1是本申请一种基于大数据的学情分析方法实施例的一流程图；
图2是本申请一种一种基于大数据的学情分析方法实施例的另一实现流程图；
图3是本申请一种一种基于大数据的学情分析方法实施例的另一实现流程图；
图4是本申请一种一种基于大数据的学情分析方法实施例的另一实现流程图；
图5是本申请一种计算机设备的一原理框图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种基于大数据的学情分析方法，具体包括如下步骤：
S10：当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
在本实施例中，用户终端为教师、学校相关工作人员所使用的用于上传该学校高中生考试成绩的PC端，学科信息为学生考试的学科名称，分数信息是指学生考试的分数，每个学科信息对应一个分数信息。
具体的，当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学生考试学科的名称数据和每个考试学科得到的具体分数数据。
S20：依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
在本实施例中，运算规则包括预设的平均值计算公式，用于计算学生的学科的成绩稳定性、成绩稳定性值即每次考试分数的平均值；能够获知学生考试的分值稳定在哪个数值区间。
具体的，依据预设的运算规则，将同个学科信息的新输入的和已存储的分数信息进行计算，计算得到成绩稳定性值，成绩稳定性值能够反映该学科截止目前位置的分数信息稳定的数值区间。
S30：当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
在本实施例中，家长终端是指与学生家长身份信息绑定的手机移动终端或PC端，学生家长通过手机APP实名登录家长终端，每个家长终端均绑定一个学生信息，学生信息包括学生的名字、班级、学号等。
具体的，学生家长通过手机APP实名登录后，通过APP界面发送学科稳定性查看请求，以获取与家长终端关联的学生信息，进一步能够获取到学生信息的相关成绩数据。
S40：将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
在本实施例中，雷达图的每个角代表一个学科信息，成绩稳定性值则是雷达图每个角的拓张趋势，从雷达图的数据拓张趋势可以获知学生各个学科的成绩稳定性值的拓张趋势，进而能够获知学生的理科优势较大或文科优势较大。
具体的，当接收到家长终端发出的学科稳定性查看请求时，基于该学生各个学科的成绩稳定性值生成雷达图发送值家长终端，以便学生家长通过家长终端展示的雷达图获知学生的文理科优势。
在一实施例中，参照图2，步骤S20包括：
S21：获取本次分数信息预先绑定的考试权重值；
S22：将分数信息乘以对应的考试权重值，得到对应的分数运算值；
S23：计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值，得到代表该学科的成绩稳定性的成绩稳定性值。
在本实施例中，考试权重值用于折算本次考试的分数信息，不同考试级别对应的分数信息的代表性不同，例如市级统考的分数信息的代表性大于学校统考的分数信息的代表性，则市级统考的分数数据的考试权重值大于校级考试分数数据的考试权重值。
分数运算值是指分数信息与对应的考试权重值的乘积。
具体的，获取本次分数信息预先绑定的考试权重值，将分数信息乘以考试权重值得到分数运算值，通过计算该学科新输入的和已存储的分数运算值的平均值，即实现学科信息的成绩稳定性值的计算。
在一实施例中，成绩数据还包括本次考试的考试信息，考试信息与分数信息进行绑定，步骤S21包括：
S211：获取本次分数信息预先绑定的考试信息，考试信息包括本次考试的统考级别信息；
S212：基于考试信息中的统考级别信息筛选对应的考试权重值，将所筛选的考试权重值作为该考试信息所绑定分数信息的考试权重值。
在本实施例中，考试信息包括本次考试的统考级别信息，统考级别包括但不限于省级、市级和校级，校级统考对应的考试权重值为60%，市级统考的考试权重值为80%，省级统考的考试权重值为90%。考试权重值可自定义设置。
考试权重值的筛选为基于统考级别的文本数据进行文本识别，进一步根据文本识别结果进行考试权重值的匹配。
具体的，接收到用户终端新上传的成绩数据中的考试信息后，从考试信息中获取本次考试的统考级别信息，基于统考级别信息进行文本识别并筛选出对应的考试权重值，将所筛选的考试权重值作为该考试信息所绑定分数信息的考试权重值。
在一实施例中，学科信息包括理科学科信息和文科学科信息，参照图3，步骤S40之后，执行如下步骤：
S41：计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值；
S42：若理科稳定性均值大于文科稳定性均值，且理科稳定性均值与文科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第一建议信息；
S43：若文科稳定性均值大于理科稳定性均值，且文科稳定性均值与理科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第二建议信息。
在本实施例中，理科学科信息包括但不限于数学、物理、化学以及生物等学科，文科学科信息包括但不限于语文、英语、地理、历史以及政治等学科。
理科稳定性均值是指所有属于理科的学科信息的成绩稳定性值的平均值；文科稳定性均值是指所有属于理科的学科信息的成绩稳定性值的平均值。
第一建议信息是指发送至家长终端的文本信息，文本内容用于建议学生或学生家长选择理科的专业方向，第二建议信息的文本内容用于建议学生或学生家长选择文科的专业方向。
差值阈值为自定义设置，若理科稳定性均值与文科稳定性均值大于差值阈值，则证明学生的文理科成绩差异较大，因此学生的文理科优势判断可根据理科稳定性均值和文科稳定性均值的差值判断。
若理科稳定性均值与文科稳定性均值的差值小于差值阈值，则证明学生的文理科成绩差异较小，不能仅通过理科稳定性均值和文科稳定性均值的差值判断学生的文理科优势。
具体的，分别计算所有理科学科信息的成绩稳定性值和文科学科信息的成绩稳定性值，得到代表学生理科和文科成绩稳定性的理科稳定性均值和文科稳定性均值，通过比较理科稳定性均值和文科稳定性均值的大小，并将理科稳定性均值和文科稳定性均值的差值与差值阈值进行比较。
进一步，当理科稳定性均值大于文科稳定性均值，且理科稳定性均值与文科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第一建议信息以建议学生或学生家长选择理科的专业方向，当文科稳定性均值大于理科稳定性均值，且文科稳定性均值与理科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第二建议信息以建议学生或学生家长选择文科的专业方向。
在一实施例中，参照图4，步骤S41之后，还执行如下步骤：
S42A：若理科稳定性均值与文科稳定性均值的差值小于预设的差值阈值，则获取每个学生的各个学科的成绩稳定性值的排名信息；
S43A：识别成绩稳定性值排名前N位的学科信息，并识别学科信息属于理科学科信息或文科学科信息；其中N大于等于3且N为单数；
S44A：若前N位学科信息中理科学科信息的数量大于文科学科信息的数量，则向家长终端发出第一建议信息；
S45A：若前N位学科信息中理科学科信息的数量小于文科学科信息的数量，则向家长终端发出第二建议信息。
在本实施例中，排名信息基于预设的数据库内的学生信息数量进行排名，数据库内的学生信息为所有学校的用户终端所上传的学生信息；N大于3且N为单数，使得前N位学科信息的比对更具有代表性。
具体的，若理科稳定性均值和文科稳定性均值的差值小于差值阈值，则获取每个学生的所有学科的成绩稳定性值的排名信息，基于成绩稳定性值排名签N为的学科信息，判断给家长终端发送第一建议信息或第二建议信息。
若前N位学科信息中理科学科信息的数量大于文科学科信息的数量，则证明学生的理科学科信息的成绩排名整体较为靠前，则向家长终端发出第一建议信息；若前N位学科信息中理科学科信息的数量小于文科学科信息的数量，则证明学生的理科学科信息的成绩排名整体较为靠前，则向家长终端发出第二建议信息。
在一实施例中，步骤S41之后，还执行如下步骤：
S42B：当任一学生的理科稳定性均值或文科稳定性均值连续比上一次计算得到的理科稳定性均值或文科稳定性均值低的次数达到预设次数时，向与该学生的学生信息关联的家长终端发送提醒消息。
在本实施例中，预设次数可自定义设置，通常为四次。提醒消息为文本消息，例如“某某学生家长您好，某某学生已出现连续四次理科稳定性均值或文科稳定性均值较上一次低的情况，请家长留意”。
具体的，当任一学生的理科稳定性均值或文科稳定性均值连续比上一次计算的理科稳定性均值或文科稳定性均值低的次数超过四次时，生成提醒消息并将提醒消息发送至与改学生的学生信息关联的家长终端。
在一实施例中，家长终端发出A学生的学科稳定性查看请求后，将A学生的雷达图发送至家长终端，雷达图显示A学生理科的文科学科信息的成绩稳定性值较大，因此发送第二建议信息至家长终端。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种基于大数据的学情分析系统，该一种基于大数据的学情分析系统与上述实施例中一种基于大数据的学情分析方法对应。该一种基于大数据的学情分析系统包括：
学科、分数获取模块，用于当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
稳定性计算模块，用于依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
查看请求模块，用于当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
图形发送模块，用于将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
学科、分数获取模块，用于当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
稳定性计算模块，用于依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
查看请求模块，用于当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
图形发送模块，用于将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
可选的，还包括：
均值计算模块，用于计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值；
第一建议信息模块，用于若理科稳定性均值大于文科稳定性均值，且理科稳定性均值与文科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第一建议信息；
第二建议信息模块，用于若文科稳定性均值大于理科稳定性均值，且文科稳定性均值与理科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第二建议信息。
可选的，还包括：
排名信息获取模块，用于若理科稳定性均值与文科稳定性均值的差值小于预设的差值阈值，则获取每个学生的各个学科的成绩稳定性值的排名信息；
名次识别模块，用于识别成绩稳定性值排名前N位的学科信息，并识别学科信息属于理科学科信息或文科学科信息；其中N大于等于3且N为单数；
第一名次判断模块，用于若前N位学科信息中理科学科信息的数量大于文科学科信息的数量，则向家长终端发出第一建议信息；
第二名次判断模块，用于若前N位学科信息中理科学科信息的数量小于文科学科信息的数量，则向家长终端发出第二建议信息。
可选的，还包括：
提醒模块，用于当任一学生的理科稳定性均值或文科稳定性均值连续比上一次计算得到的理科稳定性均值或文科稳定性均值低的次数达到预设次数时，向与该学生的学生信息关联的家长终端发送提醒消息。
关于一种基于大数据的学情分析系统的具体限定可以参见上文中对于一种基于大数据的学情分析方法的限定，在此不再赘述。上述一种基于大数据的学情分析系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储学生信息、成绩数据、成绩稳定性数据、雷达图、考试权重值、文科稳定性均值以及理科稳定性均值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于大数据的学情分析方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现一种基于大数据的学情分析方法；
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于大数据的学情分析方法；
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于大数据的学情分析方法，其特征在于：包括步骤：
当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
2.根据权利要求1所述的一种基于大数据的学情分析方法，其特征在于：所述依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值的步骤，包括：
获取本次分数信息预先绑定的考试权重值；
将分数信息乘以对应的考试权重值，得到对应的分数运算值；
计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值，得到代表该学科的成绩稳定性的成绩稳定性值。
3.根据权利要求2所述的一种基于大数据的学情分析方法，其特征在于：成绩数据还包括本次考试的考试信息，考试信息与分数信息进行绑定，所述获取本次分数信息预先绑定的考试权重值包括步骤：
获取本次分数信息预先绑定的考试信息，考试信息包括本次考试的统考级别信息；
基于考试信息中的统考级别信息筛选对应的考试权重值，将所筛选的考试权重值作为该考试信息所绑定分数信息的考试权重值。
4.根据权利要求1所述的一种基于大数据的学情分析方法，其特征在于：学科信息包括理科学科信息和文科学科信息，所述将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端的步骤之后，执行如下步骤：
计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值；
若理科稳定性均值大于文科稳定性均值，且理科稳定性均值与文科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第一建议信息；
若文科稳定性均值大于理科稳定性均值，且文科稳定性均值与理科稳定性均值的差值大于预设的差值阈值，则向家长终端发送第二建议信息。
5.根据权利要求4所述的一种基于大数据的学情分析方法，其特征在于：所述计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值的步骤之后，还执行如下步骤：
若理科稳定性均值与文科稳定性均值的差值小于预设的差值阈值，则获取每个学生的各个学科的成绩稳定性值的排名信息；
识别成绩稳定性值排名前N位的学科信息，并识别学科信息属于理科学科信息或文科学科信息；其中N大于等于3且N为单数；
若前N位学科信息中理科学科信息的数量大于文科学科信息的数量，则向家长终端发出第一建议信息；
若前N位学科信息中理科学科信息的数量小于文科学科信息的数量，则向家长终端发出第二建议信息。
6.根据权利要求4所述的一种基于大数据的学情分析方法，其特征在于：所述计算所有理科学科信息的成绩稳定性值，得到理科稳定性均值；以及计算所有文科学科信息的成绩稳定性值，得到文科稳定性均值的步骤之后，还执行如下步骤：
当任一学生的理科稳定性均值或文科稳定性均值连续比上一次计算得到的理科稳定性均值或文科稳定性均值低的次数达到预设次数时，向与该学生的学生信息关联的家长终端发送提醒消息。
7.一种基于大数据的学情分析系统，其特征在于，包括：
学科、分数获取模块，用于当接收到用户终端新上传的学生的成绩数据时，从成绩数据中获取学科信息以及分数信息；
稳定性计算模块，用于依据预设的运算规则，将该学科信息对应的分数信息与该学科信息已存储的分数信息进行计算，得到代表该学科的成绩稳定性的成绩稳定性值；
查看请求模块，用于当接收到与学生家长身份信息绑定的家长终端发送的学科稳定性查看请求时，获取与家长终端关联的学生信息；
图形发送模块，用于将该学生信息的所有学科的成绩稳定性值生成的雷达图发送至家长终端。
8.根据权利要求7所述的一种基于大数据的学情分析系统，其特征在于，稳定性计算模块包括：
权重获取子模块，用于获取本次分数信息预先绑定的考试权重值；
分数运算值子模块，用于将分数信息乘以对应的考试权重值，得到对应的分数运算值；
稳定性计算子模块，用于计算该学科信息的分数运算值与该学科信息已存储的分数运算值的平均值，得到代表该学科的成绩稳定性的成绩稳定性值。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种基于大数据的学情分析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于大数据的学情分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211373431.3A CN115578226A (zh) | 2022-11-04 | 2022-11-04 | 一种基于大数据的学情分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211373431.3A CN115578226A (zh) | 2022-11-04 | 2022-11-04 | 一种基于大数据的学情分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115578226A true CN115578226A (zh) | 2023-01-06 |
Family
ID=84588837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211373431.3A Pending CN115578226A (zh) | 2022-11-04 | 2022-11-04 | 一种基于大数据的学情分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578226A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416096A (zh) * | 2023-03-14 | 2023-07-11 | 宁波浙鼎教育科技有限公司 | 一种运动协同管理方法、系统、智能终端及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101318562B1 (ko) * | 2012-06-15 | 2013-10-16 | 김근진 | 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체 |
| CN106168952A (zh) * | 2015-05-18 | 2016-11-30 | 睿智顾问公司 | 学系选择系统及其方法 |
| CN107203614A (zh) * | 2017-05-23 | 2017-09-26 | 合肥昊思云科科技有限公司 | 一种学生成绩自分析智能化方法 |
| CN107682332A (zh) * | 2017-09-29 | 2018-02-09 | 深圳市安诺软件有限公司 | 一种家校互联的方法、系统和用户客户端 |
| CN110363501A (zh) * | 2019-07-16 | 2019-10-22 | 方山县城内小学 | 一种基于大数据的教学学习成长管理系统 |
| CN110807173A (zh) * | 2019-10-15 | 2020-02-18 | 广州摩翼信息科技有限公司 | 学情分析方法、装置、计算机设备和存储介质 |
| CN112685632A (zh) * | 2020-12-29 | 2021-04-20 | 广州宏途教育网络科技有限公司 | 一种学业分析推荐系统 |
| CN112884304A (zh) * | 2021-02-02 | 2021-06-01 | 温州洪启信息科技有限公司 | 一种基于大数据的在线远程教育系统 |
| CN113205160A (zh) * | 2021-07-05 | 2021-08-03 | 北京世纪好未来教育科技有限公司 | 模型训练、文本识别方法、装置、电子设备和介质 |
| CN115115483A (zh) * | 2022-08-31 | 2022-09-27 | 广州数园网络有限公司 | 一种融合隐私保护的学生综合能力评测方法 |
| CN115238166A (zh) * | 2021-12-10 | 2022-10-25 | 荣心爱 | 一种基于云计算的学生分科用辅助系统 |
-
2022
- 2022-11-04 CN CN202211373431.3A patent/CN115578226A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101318562B1 (ko) * | 2012-06-15 | 2013-10-16 | 김근진 | 진학 정보 제공 시스템, 제공 방법 및 그 방법을 위한 기록매체 |
| CN106168952A (zh) * | 2015-05-18 | 2016-11-30 | 睿智顾问公司 | 学系选择系统及其方法 |
| CN107203614A (zh) * | 2017-05-23 | 2017-09-26 | 合肥昊思云科科技有限公司 | 一种学生成绩自分析智能化方法 |
| CN107682332A (zh) * | 2017-09-29 | 2018-02-09 | 深圳市安诺软件有限公司 | 一种家校互联的方法、系统和用户客户端 |
| CN110363501A (zh) * | 2019-07-16 | 2019-10-22 | 方山县城内小学 | 一种基于大数据的教学学习成长管理系统 |
| CN110807173A (zh) * | 2019-10-15 | 2020-02-18 | 广州摩翼信息科技有限公司 | 学情分析方法、装置、计算机设备和存储介质 |
| CN112685632A (zh) * | 2020-12-29 | 2021-04-20 | 广州宏途教育网络科技有限公司 | 一种学业分析推荐系统 |
| CN112884304A (zh) * | 2021-02-02 | 2021-06-01 | 温州洪启信息科技有限公司 | 一种基于大数据的在线远程教育系统 |
| CN113205160A (zh) * | 2021-07-05 | 2021-08-03 | 北京世纪好未来教育科技有限公司 | 模型训练、文本识别方法、装置、电子设备和介质 |
| CN115238166A (zh) * | 2021-12-10 | 2022-10-25 | 荣心爱 | 一种基于云计算的学生分科用辅助系统 |
| CN115115483A (zh) * | 2022-08-31 | 2022-09-27 | 广州数园网络有限公司 | 一种融合隐私保护的学生综合能力评测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王理 等, 北京航空航天大学出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416096A (zh) * | 2023-03-14 | 2023-07-11 | 宁波浙鼎教育科技有限公司 | 一种运动协同管理方法、系统、智能终端及存储介质 |
| CN116416096B (zh) * | 2023-03-14 | 2023-09-01 | 宁波浙鼎教育科技有限公司 | 一种运动协同管理方法、系统、智能终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bednarz et al. | What improves spatial thinking? Evidence from the spatial thinking abilities test | |
| Larusson et al. | Learning analytics: From research to practice | |
| Lee | College for all: Gaps between desirable and actual P–12 math achievement trajectories for college readiness | |
| Cooksey et al. | Assessment as judgment-in-context: Analysing how teachers evaluate students' writing | |
| Zientek et al. | Characterizing the mathematics anxiety literature using confidence intervals as a literature review mechanism | |
| Li et al. | Does class-size reduction close the achievement gap? Evidence from TIMSS 2011 | |
| CN112101828B (zh) | 岗位技能评估方法、系统、电子设备及存储介质 | |
| Pechenizkiy et al. | Mining the student assessment data: Lessons drawn from a small scale case study | |
| CN112749340A (zh) | 基于大数据的课程推荐方法、系统、移动终端及存储介质 | |
| CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
| Ketterlin-Geller et al. | Measuring middle school students’ algebra readiness: Examining validity evidence for three experimental measures | |
| US9508266B2 (en) | Cross-classroom and cross-institution item validation | |
| CN115578226A (zh) | 一种基于大数据的学情分析方法及系统 | |
| Chen | Cognitive diagnosis of mathematics performance between rural and urban students in Taiwan | |
| CN112214688A (zh) | 选修课的推荐方法、装置和服务器 | |
| Doig | Large‐scale mathematics assessment: looking globally to act locally | |
| JP2018510438A (ja) | 応答の査定のための半自動システム及び方法 | |
| JP2019185343A (ja) | 問題分析システム、方法、およびプログラム | |
| George et al. | Focusing on interactions between content and cognition: a new perspective on gender differences in mathematical sub-competencies | |
| KR20220053982A (ko) | 인공지능 기반 학원 추천 방법 | |
| CN115081965B (zh) | 一种学情大数据分析系统及学情服务器 | |
| Scoular et al. | A generalized scoring process to measure collaborative problem solving in online environments | |
| CN111191129A (zh) | 专业推荐方法、装置、计算机设备和存储介质 | |
| CN111652767B (zh) | 用户画像构建方法、装置、计算机设备和存储介质 | |
| CN113469508B (zh) | 基于数据分析的个性化教育管理系统、方法、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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230106 |
|
| RJ01 | Rejection of invention patent application after publication |