CN117114495A - 一种能力生成分析的职业本科教育质量评估方法 - Google Patents

一种能力生成分析的职业本科教育质量评估方法 Download PDF

Info

Publication number
CN117114495A
CN117114495A CN202311161482.4A CN202311161482A CN117114495A CN 117114495 A CN117114495 A CN 117114495A CN 202311161482 A CN202311161482 A CN 202311161482A CN 117114495 A CN117114495 A CN 117114495A
Authority
CN
China
Prior art keywords
process data
occupational
education
education process
component
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.)
Granted
Application number
CN202311161482.4A
Other languages
English (en)
Other versions
CN117114495B (zh
Inventor
周海燕
熊晓熙
李惠
彭礼
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.)
Hunan Software Vocational And Technical University
Original Assignee
Hunan Software Vocational And Technical University
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 Hunan Software Vocational And Technical University filed Critical Hunan Software Vocational And Technical University
Priority to CN202311161482.4A priority Critical patent/CN117114495B/zh
Publication of CN117114495A publication Critical patent/CN117114495A/zh
Application granted granted Critical
Publication of CN117114495B publication Critical patent/CN117114495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及教育质量评估的技术领域，揭露了一种能力生成分析的职业本科教育质量评估方法，所述方法包括：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据；分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。

Description

一种能力生成分析的职业本科教育质量评估方法
技术领域
本发明涉及教育质量评估的技术领域，尤其涉及一种能力生成分析的职业本科教育质量评估方法。
背景技术
目前，我国职业本科教育已建成由督导员、同行教师和教学学生评价共同组成的教学质量评估体系，该体系主要由督导员评价标调查表、同行教师评价指标调查表和学生评价指标调查表构成。相较于单方面由学生或督导员评价的手段，该体系更客观，但其最终等级评估结果依赖于加权平均计算，且各权重依赖人为给定经验值，在可靠性上仍有欠缺。此外，受多种不定量因素影响，现行评估方法还存在评分结果与测评结果联系松散的问题，难以直观体现最终教学评价分数代表的实际意义，对教育质量评估的指导意义不强。针对该问题，本专利提出一种能力生成分析的职业本科教育质量评估方法，通过知识点掌握程度动态评估学生能力生成过程，实现职业本科教育全过程发展式评估。
发明内容
有鉴于此，本发明提供一种能力生成分析的职业本科教育质量评估方法，目的在于：对职业本科教育过程数据进行聚类处理，区分不同类别能力的职业本科教育过程数据进行模型训练，提高模型准确性；利用特征分解方法将不同类别的职业本科教育过程数据进行分解，得到职业本科教育过程数据的时序演化信息，更好分析学生能力水平的变化情况，并进行综合评估，提高职业本科教育质量评估的准确性。
实现上述目的，本发明提供的一种能力生成分析的职业本科教育质量评估方法，包括以下步骤：
S1：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据，所述原始职业本科教育过程数据包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据；
S2：分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；
S3：选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；
S4：构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；
S5：将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集原始职业本科教育过程数据，包括：
采集在教育测试过程中的原始职业本科教育过程数据，所述原始职业本科教育过程数据x(t)的格式为：
x(t)＝(x(t1)，x(t2)，…，x(ti)，…，x(tn))
其中：
x(ti)表示采集到ti时刻的过程数据，包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据。
可选地，所述S1步骤中对原始职业本科教育过程数据进行相似性类别聚类，包括：
对原始职业本科教育过程数据x(t)进行相似性类别聚类，得到不同类别的原始职业本科教育过程数据，所述相似性类别聚类流程为：
S11：从原始职业本科教育过程数据x(t)中随机选取k个过程数据作为初始类别的中心点，计算原始职业本科教育过程数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始职业本科教育过程数据x(t)中未被选取的过程数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和distance1；
S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和distance2；
S15：若distance2＞distance1，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的原始职业本科教育过程数据集合data＝{Xk|k∈[1，K]}，Xk表示第k个类别的原始职业本科教育过程数据，其中每个类别的原始职业本科教育过程数据包含若干个时刻的过程数据，按照时序排列。
可选地，所述S2步骤中对不同类别中的原始职业本科教育过程数据进行特征分解，包括：
对K个类别的职业本科教育过程数据集合data中任意第k个类别的职业本科教育过程数据Xk进行特征分解，所述特征分解的流程为：
S21：将不同类别的职业本科教育过程数据Xk转换为轨迹矩阵Matrixk：
其中：
表示第k个类别职业本科教育过程数据Xk中第Wk个学生的第Nk个过程数据，Nk表示学生职业本科教育过程数据Xk的数据总数，Wk表示第k个类别职业本科教育过程数据中的学生数量；
S22：计算矩阵Ak＝(Maatrixk)TMatrixk，其中T表示转置；
S23：计算矩阵Ak的协方差矩阵Convariancek：
S24：计算得到协方差矩阵Convariancek的第u个特征值λku：
|Convariancek-λkuI|＝0
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵Convariancek最大的N个特征值其中/>特征值/>所对应的特征向量αkN为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个职业本科教育过程数据分解分量，其中特征值/>所对应的职业本科教育过程数据分解分量sk(r)为：
所述构建得到的r个职业本科教育过程数据分解分量集合为：{sk(j)|j∈[1，r]}；
S26：将其余特征值以及特征向量构建为职业本科教育过程数据Xk的残余分量：
其中：
sk(*)表示职业本科教育过程数据Xk的残余分量；
所述职业本科教育过程数据Xk的特征分解结果S(Xk)为：S(Xk)＝{sk(j)，sk(*)|j∈[1，r]}；
所述K个类别的职业本科教育过程数据的特征分解结果为{S(Xk)|k∈[1，K]}。
可选地，所述S3步骤中选取最优类别的职业本科教育过程数据进行分解得到职业本科教育过程数据的分解分量和残余分量，包括：
计算不同类别职业本科教育过程数据的价值，其中过程数据Xk的价值为：
其中：
V(Xk)表示第k个类别的职业本科教育过程数据Xk的价值；
Nk表示职业本科教育过程数据Xk中的数据总数；
将价值最大的类别作为最优类别k*，所述最优类别k*所对应的职业本科教育过程数据为特征分解结果为/>其中/>表示职业本科教育过程数据/>在第z个特征值上的分解分量，/>表示残余分量。
可选地，所述S3步骤中职业本科教育过程数据分解分量相似性度量模型，将最优类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，包括：
构建职业本科教育过程数据分解分量相似性度量模型，其中所述职业本科教育过程数据分解分量相似性度量模型的输入为同一类别职业本科教育过程数据中两个不同学生的职业本科教育过程数据分解分量，输出为分解分量的相似性，将相似性较高的职业本科教育过程数据分解分量进行重构合并，其中重构合并方法为叠加职业本科教育过程数据分解分量；
将中任意两个学生的职业本科教育过程数据分解分量/>输入到职业本科教育过程数据分解分量相似性度量模型中，其中j1，j2表示不同学生，所述相似性度量流程为：
S32：计算职业本科教育过程数据分解分量之间的分量距离dis
其中：
表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值，/> 表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值；
S33：对于任意j1≠j2，计算的职业本科教育过程数据分解分量数量为hum，其中σ表示容许偏差；
S34：计算职业本科教育过程数据分解分量之间的相似度：
若则令/>得到合并后的职业本科教育过程数据分解分量，其中/>表示相似阈值。
可选地，所述S4步骤中使用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测，包括：
构建动态学生知识点掌握程度评估模型，利用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量分别进行知识点掌握程度预测；
所述动态学生知识点掌握程度评估模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括职业本科教育过程数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的知识点掌握程度预测结果。
可选地，所述S5步骤中将各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，包括：
所述基于职业本科教育过程数据分解分量的知识点掌握程度预测结果为g1，所述基于残余分量的知识点掌握程度预测结果为g2，所述各分量的预测结果叠加公式为：
g＝0.7×g1+0.3×g2
其中：
g表示知识点掌握程度预测结果；
职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，公式为：
其中：
N表示学生数量；
g(i)表示学生i的知识点掌握程度预测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的能力生成分析的职业本科教育质量评估方法。
为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的能力生成分析的职业本科教育质量评估方法。
相对于现有技术，本发明提出一种能力生成分析的职业本科教育质量评估方法，该技术具有以下优势：
首先，本方案提出一种职业本科教育过程数据特征分解方法，对K个类别的职业本科教育过程数据集合data中任意第k个类别的职业本科教育过程数据Xk进行特征分解，所述特征分解的流程为：
S21：将不同类别的职业本科教育过程数据Xk转换为轨迹矩阵Matrixk：
其中：
表示第k个类别职业本科教育过程数据Xk中第Wk个学生的第Nk个过程数据，Nk表示学生职业本科教育过程数据Xk的数据总数，Wk表示第k个类别职业本科教育过程数据中的学生数量；
S22：计算矩阵Ak＝(Maatrixk)TMatrixk，其中T表示转置；
S23：计算矩阵Ak的协方差矩阵Convariancek：
S24：计算得到协方差矩阵Convariancek的第u个特征值λku：
|Convariancek-λkuI|＝0
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵Convariancek最大的N个特征值其中/>特征值/>所对应的特征向量αkN为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个职业本科教育过程数据分解分量，其中特征值/>所对应的职业本科教育过程数据分解分量sk(r)为：
所述构建得到的r个职业本科教育过程数据分解分量集合为：{sk(j)|j∈[1，r]}；
S26：将其余特征值以及特征向量构建为职业本科教育过程数据Xk的残余分量：
其中：
sk(*)表示职业本科教育过程数据Xk的残余分量；
所述职业本科教育过程数据Xk的特征分解结果S(Xk)为：
S(Xk)＝{sk(j)，sk(*)|j∈[1，r]}
所述K个类别的职业本科教育过程数据的特征分解结果为{S(Xk)|k∈[1，K]}。本方案利用特征分解方法将不同类别的职业本科教育过程数据进行分解，得到职业本科教育过程数据序列在不同尺度的规律信息，提高学生能力分析的准确性。
同时，本方案提出一种数据降维方法，将相似职业本科教育过程数据分解分量合并为一类，减少数据维度，提高后续的学生能力分析效率，通过将中任意两个职业本科教育过程数据分解分量/>输入到相似性度量模型中，其中j1，j2∈[1，r]，所述相似性度量流程为：计算职业本科教育过程数据分解分量/>的长度L；计
算职业本科教育过程数据分解分量之间的分量距离
其中：表示职业本科教育过程数据分解分量/>中的第z个值，表示职业本科教育过程数据分解分量/>中的第z个值；对于任意j2∈[1，r]，j1≠j2，计算/>的职业本科教育过程数据分解分量数量为num(j1)，其中σ表示容许偏差，并令/>计算职业本科教育过程数据分解分量(j2)之间的相似度：
若则令/>得到合并后的职业本科教育过程数据分解分量，其中/>表示相似阈值。
最后，本方案提出一种动态学生知识点掌握程度评估模型实现对学生知识点掌握程度的综合评估，进而用于实现职业本科教育质量准确评估。
附图说明
图1为本发明一实施例提供的一种能力生成分析的职业本科教育质量评估方法的流程示意图；
图2为本发明一实施例提供的实现职业本科教育质量评估方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种能力生成分析的职业本科教育质量评估方法。所述能力生成的职业本科教育评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述能力生成的职业本科教育评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据，所述原始职业本科教育过程数据包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据。
所述S1步骤中采集原始职业本科教育过程数据，包括：
采集在教育测试过程中的原始职业本科教育过程数据，所述原始职业本科教育过程数据x(t)的格式为：
x(t)＝(x(t1)，x(t2)，…，x(ti)，…，x(tn))
其中：
x(ti)表示采集到ti时刻的过程数据，包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据。
所述S1步骤中对原始职业本科教育过程数据进行相似性类别聚类，包括：
对原始职业本科教育过程数据x(t)进行相似性类别聚类，得到不同类别的原始职业本科教育过程数据，所述相似性类别聚类流程为：
S11：从原始职业本科教育过程数据x(t)中随机选取k个过程数据作为初始类别的中心点，计算原始职业本科教育过程数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始职业本科教育过程数据x(t)中未被选取的过程数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和distance1；
S14：随机选取每个聚类簇中非中心点作为该簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和distance2；
S15：若distance2＞distance1，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的原始职业本科教育过程数据集合data＝{Xk|k∈[1，K]}，Xk表示第k个类别的原始职业本科教育过程数据，其中每个类别的原始职业本科教育过程数据包含若干个时刻的过程数据，按照时序排列。
S2：分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量。
所述S2步骤中对不同类别中的原始职业本科教育过程数据进行特征分解，包括：
对K个类别的职业本科教育过程数据集合data中任意第k个类别的职业本科教育过程数据Xk进行特征分解，所述特征分解的流程为：
S21：将不同类别的职业本科教育过程数据Xk转换为轨迹矩阵Matrixk：
其中：
表示第k个类别职业本科教育过程数据Xk中第Wk个学生的第Nk个过程数据，Nk表示学生职业本科教育过程数据Xk的数据总数，Wk表示第k个类别职业本科教育过程数据中的学生数量；
S22：计算矩阵Ak＝(Maatrixk)TMatrixk，其中T表示转置；
S23：计算矩阵Ak的协方差矩阵Convariancek：
S24：计算得到协方差矩阵Convariancek的第u个特征值λku：
|Convariancek-λkuI|＝0
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵Convariancek最大的N个特征值其中/>特征值/>所对应的特征向量αkN为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个职业本科教育过程数据分解分量，其中特征值/>所对应的职业本科教育过程数据分解分量sk(r)为：
所述构建得到的r个职业本科教育过程数据分解分量集合为：{sk(j)|j∈[1，r]}；
S26：将其余特征值以及特征向量构建为职业本科教育过程数据Xk的残余分量：
其中：
sk(*)表示职业本科教育过程数据Xk的残余分量；
所述职业本科教育过程数据Xk的特征分解结果S(Xk)为：
S(Xk)＝{sk(j)，sk(*)|j∈[1，r]}
所述K个类别的职业本科教育过程数据的特征分解结果为{S(Xk)|k∈[1，K]}。
S3：选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量。
所述S3步骤中选取最优类别的职业本科教育过程数据进行分解得到职业本科教育过程数据的分解分量和残余分量，包括：
计算不同类别职业本科教育过程数据的价值，其中过程数据Xk的价值为：
其中：
V(Xk)表示第k个类别的职业本科教育过程数据Xk的价值；
Nk表示职业本科教育过程数据Xk中的数据总数；
将价值最大的类别作为最优类别k*，所述最优类别k*所对应的职业本科教育过程数据为特征分解结果为/>其中/>表示职业本科教育过程数据/>在第z个特征值上的分解分量，/>表示残余分量。
所述S3步骤中职业本科教育过程数据分解分量相似性度量模型，将最优类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，包括：
构建职业本科教育过程数据分解分量相似性度量模型，其中所述职业本科教育过程数据分解分量相似性度量模型的输入为同一类别职业本科教育过程数据中两个不同学生的职业本科教育过程数据分解分量，输出为分解分量的相似性，将相似性较高的职业本科教育过程数据分解分量进行重构合并，其中重构合并方法为叠加职业本科教育过程数据分解分量；
将中任意两个学生的职业本科教育过程数据分解分量/>输入到职业本科教育过程数据分解分量相似性度量模型中，其中j1，j2表示不同学生，所述相似性度量流程为：
S32：计算职业本科教育过程数据分解分量之间的分量距离/>
其中：
表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值，/> 表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值；
S33：对于任意j1≠j2，计算的职业本科教育过程数据分解分量数量为num，其中σ表示容许偏差；
S34：计算职业本科教育过程数据分解分量之间的相似度：
若则令/>得到合并后的职业本科教育过程数据分解分量，其中/>表示相似阈值。
S4：构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测。
所述S4步骤中使用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测，包括：
构建动态学生知识点掌握程度评估模型，利用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量分别进行知识点掌握程度预测；
所述动态学生知识点掌握程度评估模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括职业本科教育过程数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的知识点掌握程度预测结果。
S5：将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。
所述S5步骤中将各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，包括：
所述基于职业本科教育过程数据分解分量的知识点掌握程度预测结果为g1，所述基于残余分量的知识点掌握程度预测结果为g，所述各分量的预测结果叠加公式为：
g＝0.7×g1+0.3×g2
其中：
g表示知识点掌握程度预测结果。
职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，公式为：
其中：
N表示学生数量；
g(i)表示学生i的知识点掌握程度预测结果。
实施例2：
如图2所示，是本发明一实施例提供的实现能力生成分析的职业本科教育质量评估方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(用于职业本科质量评估的程序12等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据，所述原始职业本科教育过程数据包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据；
分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；
选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；
构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；
将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述方法包括：
S1：采集学生原始职业本科教育过程数据并进行分类，得到不同类别的原始职业本科教育过程数据，所述原始职业本科教育过程数据包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据；
S2：分别对不同类别中的原始职业本科教育过程数据进行特征分解，得到若干职业本科教育过程数据分解分量和残余分量；
S3：选取最优类别的职业本科教育过程数据分解分量和残余分量，构建职业本科教育过程数据分解分量相似性度量模型，将所选取类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，得到重构合并后的职业本科教育过程数据分解分量；
S4：构建动态学生知识点掌握程度评估模型，使用该模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测；
S5：将动态学生知识点掌握程度评估模型输出的各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生的知识点掌握程度加权结果。
2.如权利要求1所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S1步骤中采集原始职业本科教育过程数据，包括：
采集在教育测试过程中的原始职业本科教育过程数据，所述原始职业本科教育过程数据x(t)的格式为：
x(t)＝(x(t1)，x(t2)，...，x(ti)，...，x(tn))
其中：
x(ti)表示采集到ti时刻的过程数据，包括学生在教育测试过程中产生的知识点、题目得分、作答时间、作答持续时间、作答次数数据。
3.如权利要求1所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S1步骤中对原始职业本科教育过程数据进行相似性类别聚类，包括：
对原始职业本科教育过程数据x(t)进行相似性类别聚类，得到不同类别的原始职业本科教育过程数据，所述相似性类别聚类流程为：
S11：从原始职业本科教育过程数据x(t)中随机选取k个过程数据作为初始类别的中心点，计算原始职业本科教育过程数据中所有非中心点到中心点的欧式距离，其中所述非中心点表示原始职业本科教育过程数据x(t)中未被选取的过程数据；
S12：将每个中心点构建为聚类簇，将非中心添加到与自身距离最近的聚类簇中；
S13：计算每个聚类簇中非中心点到其他点的距离和distance1；
S14：随机选取每个聚类簇中非中心点作为簇的候选中心点，计算每个聚类簇中非候选中心点到其他点的距离和distance2；
S15：若distance2＞distance1，则将聚类簇中的候选中心点作为该聚类簇的中心点，将原中心点作为非中心点，返回步骤S13，否则将候选中心点作为非中心点，返回步骤S13；
重复上述步骤，直到每个聚类簇的中心点均不发生变化，得到K个类别的原始职业本科教育过程数据集合data＝{Xk|k∈[1，K]}，Xk表示第k个类别的原始职业本科教育过程数据，其中每个类别的原始职业本科教育过程数据包含若干个时刻的过程数据，按照时序排列。
4.如权利要求1所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S2步骤中对不同类别中的原始职业本科教育过程数据进行特征分解，包括：
对K个类别的职业本科教育过程数据集合data中任意第k个类别的职业本科教育过程数据Xk进行特征分解，所述特征分解的流程为：
S21：将不同类别的职业本科教育过程数据Xk转换为轨迹矩阵Matrixk：
其中：
表示第k个类别职业本科教育过程数据Xk中第Wk个学生的第Nk个过程数据，Nk表示学生职业本科教育过程数据Xk的数据总数，Wk表示第k个类别职业本科教育过程数据中的学生数量；
S22：计算矩阵Ak＝(Maatrixk)TMatrixk，其中T表示转置；
S23：计算矩阵Ak的协方差矩阵Convariancek：
S24：计算得到协方差矩阵Convariancek的第u个特征值λku：
|Convariancek-λkuI|＝0
其中：
I表示单位矩阵；
选取所计算得到的协方差矩阵Convariancek最大的N个特征值其中特征值/>所对应的特征向量αkN为：
S25：将所选取的N个特征值中最大的r个特征值分别构建为r个职业本科教育过程数据分解分量，其中特征值/>所对应的职业本科教育过程数据分解分量sk(r)为：
所述构建得到的r个职业本科教育过程数据分解分量集合为：{sk(j)|j∈[1，r]}；
S26：将其余特征值以及特征向量构建为职业本科教育过程数据Xk的残余分量：
其中：
sk(*)表示职业本科教育过程数据Xk的残余分量；
所述职业本科教育过程数据Xk的特征分解结果S(Xk)为：
S(Xk)＝{sk(j)，sk(*)|j∈[1，r]}
所述K个类别的职业本科教育过程数据的特征分解结果为{S(Xk)|k∈[1，K]}。
5.如权利要求1所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S3步骤中选取最优类别的职业本科教育过程数据进行分解得到职业本科教育过程数据的分解分量和残余分量，包括：
计算不同类别职业本科教育过程数据的价值，其中过程数据Xk的价值为：
其中：
V(Xk)表示第k个类别的职业本科教育过程数据Xk的价值；
Nk表示职业本科教育过程数据Xk中的数据总数；
将价值最大的类别作为最优类别k*，所述最优类别k*所对应的职业本科教育过程数据为特征分解结果为/>其中/>表示职业本科教育过程数据/>在第z个特征值上的分解分量，/>表示残余分量。
6.如权利要求1所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S3步骤中职业本科教育过程数据分解分量相似性度量模型，将最优类别中相似性较高的职业本科教育过程数据分解分量进行重构合并，包括：
构建职业本科教育过程数据分解分量相似性度量模型，其中所述职业本科教育过程数据分解分量相似性度量模型的输入为同一类别职业本科教育过程数据中两个不同学生的职业本科教育过程数据分解分量，输出为分解分量的相似性，将相似性较高的职业本科教育过程数据分解分量进行重构合并，其中重构合并方法为叠加职业本科教育过程数据分解分量；
将中任意两个学生的职业本科教育过程数据分解分量/>输入到职业本科教育过程数据分解分量相似性度量模型中，其中j1，j2表示不同学生，所述相似性度量流程为：
S32：计算职业本科教育过程数据分解分量之间的分量距离/>
其中：
表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值，/> 表示职业本科教育过程数据分解分量/>中的第z个特征上的分量值；
S33：对于任意j1≠j2，计算的职业本科教育过程数据分解分量数量为hum，其中σ表示容许偏差；
S34：计算职业本科教育过程数据分解分量之间的相似度：
若则令/>得到合并后的职业本科教育过程数据分解分量，其中/>表示相似阈值。
7.如权利要求6所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S4步骤中使用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量进行知识点掌握程度预测，包括：
构建动态学生知识点掌握程度评估模型，利用动态学生知识点掌握程度评估模型对重构合并后的职业本科教育过程数据分解分量以及残余分量分别进行知识点掌握程度预测；
所述动态学生知识点掌握程度评估模型包括输入层、记忆层以及输出层，记忆层由8个记忆块串联构成，每个记忆块包括输入门、输出门以及遗忘门，其中输出层用于接收特征分量，所述特征分量包括职业本科教育过程数据分解分量以及残余分量，将接收的特征分量输入到记忆层中，并在最后一个记忆块输出记忆处理向量，输出层对记忆处理向量进行映射，得到特征分量对应的知识点掌握程度预测结果。
8.如权利要求5所述的一种能力生成分析的职业本科教育质量评估方法，其特征在于，所述S5步骤中将各分量的预测结果进行叠加，得到学生知识点掌握程度评估结果，职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，包括：
所述基于职业本科教育过程数据分解分量的知识点掌握程度预测结果为g1，所述基于残余分量的知识点掌握程度预测结果为g2，所述各分量的预测结果叠加公式为：
g＝0.7×g1+0.3×g2
其中：
g表示知识点掌握程度预测结果；
职业本科教育质量评估结果为所有学生在不同知识点上的加权结果，公式为：
其中：
N表示学生数量；
g(i)表示学生i的知识点掌握程度预测结果。
CN202311161482.4A 2023-09-11 2023-09-11 一种能力生成分析的职业本科教育质量评估方法 Active CN117114495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311161482.4A CN117114495B (zh) 2023-09-11 2023-09-11 一种能力生成分析的职业本科教育质量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311161482.4A CN117114495B (zh) 2023-09-11 2023-09-11 一种能力生成分析的职业本科教育质量评估方法

Publications (2)

Publication Number Publication Date
CN117114495A true CN117114495A (zh) 2023-11-24
CN117114495B CN117114495B (zh) 2024-01-26

Family

ID=88800001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311161482.4A Active CN117114495B (zh) 2023-09-11 2023-09-11 一种能力生成分析的职业本科教育质量评估方法

Country Status (1)

Country Link
CN (1) CN117114495B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158396A1 (en) * 2008-12-24 2010-06-24 Microsoft Corporation Distance Metric Learning with Feature Decomposition
KR20170011933A (ko) * 2015-07-22 2017-02-02 주식회사 베티 온라인 강의를 추천하는 시스템
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
CN109191001A (zh) * 2018-09-21 2019-01-11 常州工学院 基于主成分分析的教育质量评价方法
WO2019095446A1 (zh) * 2017-11-17 2019-05-23 深圳市鹰硕音频科技有限公司 一种具有语音评价功能的跟随教学系统
CN109993453A (zh) * 2019-04-10 2019-07-09 沈阳哲航信息科技有限公司 一种探究式测评系统及方法
CN111931875A (zh) * 2020-10-10 2020-11-13 北京世纪好未来教育科技有限公司 数据处理方法、电子设备及计算机可读介质
CN113487213A (zh) * 2021-07-20 2021-10-08 贵州大学 一种基于大数据的职业教育教学评价方法
WO2022068435A1 (zh) * 2020-09-30 2022-04-07 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
CN115600922A (zh) * 2022-10-09 2023-01-13 厦门优优汇联信息科技股份有限公司（Cn） 一种多维度智能化教学质量评估方法及系统
CN115689340A (zh) * 2022-10-19 2023-02-03 江苏师范大学 一种基于彩色动态人脸特征的课堂质量监控系统
CN116307877A (zh) * 2023-03-08 2023-06-23 广州泓锐信息技术有限公司 一种基于grm模型的作业四象限评估学生能力方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158396A1 (en) * 2008-12-24 2010-06-24 Microsoft Corporation Distance Metric Learning with Feature Decomposition
KR20170011933A (ko) * 2015-07-22 2017-02-02 주식회사 베티 온라인 강의를 추천하는 시스템
EP3258333A1 (en) * 2016-06-17 2017-12-20 Siemens Aktiengesellschaft Method and system for monitoring sensor data of rotating equipment
WO2019095446A1 (zh) * 2017-11-17 2019-05-23 深圳市鹰硕音频科技有限公司 一种具有语音评价功能的跟随教学系统
CN109191001A (zh) * 2018-09-21 2019-01-11 常州工学院 基于主成分分析的教育质量评价方法
CN109993453A (zh) * 2019-04-10 2019-07-09 沈阳哲航信息科技有限公司 一种探究式测评系统及方法
WO2022068435A1 (zh) * 2020-09-30 2022-04-07 上海松鼠课堂人工智能科技有限公司 对知识点掌握状态进行测量的方法
CN111931875A (zh) * 2020-10-10 2020-11-13 北京世纪好未来教育科技有限公司 数据处理方法、电子设备及计算机可读介质
CN113487213A (zh) * 2021-07-20 2021-10-08 贵州大学 一种基于大数据的职业教育教学评价方法
CN115600922A (zh) * 2022-10-09 2023-01-13 厦门优优汇联信息科技股份有限公司（Cn） 一种多维度智能化教学质量评估方法及系统
CN115689340A (zh) * 2022-10-19 2023-02-03 江苏师范大学 一种基于彩色动态人脸特征的课堂质量监控系统
CN116307877A (zh) * 2023-03-08 2023-06-23 广州泓锐信息技术有限公司 一种基于grm模型的作业四象限评估学生能力方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JING ZHOU , JUN XIONG , ZE CHEN: "Research of Cluster Feature Extraction and Evaluation System Construction for Mixed Teaching Data", 《ISCSIC 2020: PROCEEDINGS OF THE 2020 4TH INTERNATIONAL SYMPOSIUM ON COMPUTER SCIENCE AND INTELLIGENT CONTRO》, pages 1 - 5 *
王冬青;刘欢;邱美玲;: "智慧课堂教师行为数据的分析方法与应用验证", 中国电化教育, no. 05, pages 120 - 127 *

Also Published As

Publication number Publication date
CN117114495B (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Karasakal et al. A multicriteria sorting approach based on data envelopment analysis for R&D project selection problem
CN110427466B (zh) 用于问答匹配的神经网络模型的训练方法和装置
CN111651676B (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
CN113887930B (zh) 问答机器人健康度评估方法、装置、设备及存储介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN115641101A (zh) 一种智能化招聘的方法、装置及计算机可读介质
CN113742069A (zh) 基于人工智能的容量预测方法、装置及存储介质
CN113837631A (zh) 员工评价方法、装置、电子设备及可读存储介质
CN116350203B (zh) 一种体质测试数据处理方法及系统
Tanjaya et al. Pilates Pose Classification Using MediaPipe and Convolutional Neural Networks with Transfer Learning
CN117114495B (zh) 一种能力生成分析的职业本科教育质量评估方法
CN111724050A (zh) 一种基于教学过程数据的教学风险预警方法
CN117095578A (zh) 音乐基础知识自适应测评方法、装置、设备及存储介质
CN113011164B (zh) 数据质量检测方法、装置、电子设备及介质
WO2023279692A1 (zh) 基于问答平台的数据处理方法、装置及相关设备
US20210358317A1 (en) System and method to generate sets of similar assessment papers
CN114357297A (zh) 学生画像构建及学习资源分发方法、计算机设备及存储介质
CN113570322A (zh) 面向高职学生的职业测评方法及装置
CN112598202A (zh) 试题难度评估方法、装置及存储介质、计算设备
CN111522943A (zh) 逻辑节点的自动化测试方法、装置、设备及存储介质
CN117291775B (zh) 一种深度知识追踪的精准化教学方法
CN111191914A (zh) 专业推荐方法、装置、计算机设备和计算机可读存储介质
CN114781833B (zh) 基于业务人员的能力测评方法、装置、设备及存储介质
CN115274123B (zh) 体能水平预测方法、系统、设备、介质及程序产品
CN112037911B (zh) 基于机器学习的精神评估的筛查系统及其训练方法

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