CN117291770A - 教学效果的可视化用户数据评定方法及系统 - Google Patents
教学效果的可视化用户数据评定方法及系统 Download PDFInfo
- Publication number
- CN117291770A CN117291770A CN202311276621.8A CN202311276621A CN117291770A CN 117291770 A CN117291770 A CN 117291770A CN 202311276621 A CN202311276621 A CN 202311276621A CN 117291770 A CN117291770 A CN 117291770A
- Authority
- CN
- China
- Prior art keywords
- data
- course
- module
- evaluation
- auditing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000000007 visual effect Effects 0.000 title claims abstract description 58
- 230000000694 effects Effects 0.000 title claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 116
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000012797 qualification Methods 0.000 claims abstract description 30
- 238000012550 audit Methods 0.000 claims abstract description 25
- 238000007621 cluster analysis Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000008520 organization Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 28
- 238000011835 investigation Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012098 association analyses Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000011157 data evaluation Methods 0.000 abstract description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了教学效果的可视化用户数据评定方法及系统，涉及数据评定技术领域，包括：建立教学效果评定平台，包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块，采集校内老师和校外机构的素质教育课程数据并进行聚类分析，建立素质教育课程库，将审核不通过的数据进行剔除，传输至数据输出模块，与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据，接收学生和家长对素质教育课程的反馈意见，对学习进程数据和反馈意见进行综合评定，生成可视化评定报告。本发明解决了传统的教学评估方法只依赖于单一指标，并且无法综合分析学习进程数据和学生反馈意见，导致教学效果评估不够全面的技术问题。
Description
技术领域
本发明涉及数据评定技术领域，具体涉及教学效果的可视化用户数据评定方法及系统。
背景技术
素质教育体现在德、智、体、美、劳，传统的学校教学方式是通过线下设置对应的课程，招聘对应有能力教学的老师完成教学任务，学生对于课程内容不一定能反馈真实想法，教育局等监管部门对课程过程的监管局限性比较强，学校在师资上不能灵活地配备更优的老师或者校外机构，学校素质教育教学能力提升受限，导致学校素质教育教学能力不能有效得到全面提升。
因此，需要通过有效的数据处理和综合分析实现准确的教学效果评估，为教师和学生提供准确、可操作的评估结果，进而支持素质教育教学质量的提升和学生学习成果的改善。
发明内容
本申请通过提供了教学效果的可视化用户数据评定方法及系统，旨在解决传统的教学评估方法只依赖于单一指标，并且无法综合分析学习进程数据和学生反馈意见，导致教学效果评估不够全面的技术问题。
鉴于上述问题，本申请提供了教学效果的可视化用户数据评定方法及系统。
本申请公开的第一个方面，提供了教学效果的可视化用户数据评定方法，所述方法包括：建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
本申请公开的另一个方面，提供了教学效果的可视化用户数据评定系统，所述系统用于上述方法，所述系统包括：评定平台搭建单元，所述评定平台搭建单元用于建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；聚类分析单元，所述聚类分析单元用于基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；课程库更新单元，所述课程库更新单元用于基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；进程数据记录单元，所述进程数据记录单元用于将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；反馈意见接收单元，所述反馈意见接收单元用于通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；综合评定单元，所述综合评定单元用于基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过建立教学效果评定平台提供了全面的教学效果评估报告和个性化反馈，具体的，通过数据采集模块，可以收集校内和校外课程的素质教育数据，并进行聚类分析和建立素质教育课程库；通过资质审核和课程库更新处理，确保所使用的课程符合要求；通过双向通信的数据输出模块与学生端建立联系，记录学习进程数据并展示素质教育课程；结合学生和家长的反馈意见，在可视化评定模块中进行综合评定，生成可视化评定报告，该报告提供了全面的教学效果评估结果，帮助教师和学生了解课程的优势和改进方向，并提供个性化的反馈意见。通过这种方法，解决了传统教学评估方法的局限性，提供更全面、客观的教学效果评估，并且教师和学生可以根据评定报告中的可视化数据和反馈意见，有针对性地改进教学和学习，提高教学质量和学生成绩。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了教学效果的可视化用户数据评定方法流程示意图；
图2为本申请实施例提供了教学效果的可视化用户数据评定系统结构示意图。
附图标记说明：评定平台搭建单元10，聚类分析单元20，课程库更新单元30，进程数据记录单元40，反馈意见接收单元50，综合评定单元60。
具体实施方式
本申请实施例通过提供教学效果的可视化用户数据评定方法，解决了传统的教学评估方法只依赖于单一指标，并且无法综合分析学习进程数据和学生反馈意见，导致教学效果评估不够全面的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了教学效果的可视化用户数据评定方法，所述方法包括：
建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；
数据采集模块用于收集校内老师和校外机构的素质教育课程数据，并建立素质教育课程库；资质审核模块用于对素质教育课程库进行审核，输出课程评估等级，并将低于预设评估等级的课程标记为审核不通过；将更新后的素质教育课程库传输至数据输出模块，用于展示素质教育课程和记录学习进程数据；评价模块接收学生和家长对素质教育课程的反馈意见；可视化评定模块用于综合学习进程数据和反馈意见进行评定。
基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；
通过数据采集模块收集校内老师和校外机构德、智、体、美、劳方面的课程信息，包括课程名称、课程描述、教学目标、学习资源、上课时长等信息，以及关于老师的教学资质信息，如教师资格证书、教学经验、教育背景等。
进一步而言，通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，包括：
所述数据处理域包括数据预处理通道、聚类分析通道；
通过所述数据预处理通道对所述素质教育课程数据进行特征提取，获取课程特征；
对所述课程特征进行预处理，获取标准课程特征，并将所述标准课程特征转化为特征向量；
将所述特征向量输入所述聚类分析通道，执行聚类，获取多个聚类簇；
基于师资水平对每个聚类簇内的课程数据进行分级，生成聚类结果。
对素质教育课程数据进行预处理操作，包括数据清洗、去除异常值、填补缺失值等，以确保输入数据的准确性和一致性。在数据预处理之后，基于文本挖掘等方法，从素质教育课程数据中提取重要的特征，包括课程名称、课程类别、课程描述、学习资源、教师信息等方面的属性。
通过最大最小值缩放方法，对提取的课程特征进行归一化处理，以确保不同特征之间的量纲一致性，获取标准化课程特征。对于得到的标准化的课程特征，通过向量化的方式将其表示为一个数值序列，每个元素对应一个特定的特征维度，以此将其转化为特征向量的表示形式，以便后续的聚类分析和处理。
将经过预处理和转化的特征向量作为输入数据，输入所述聚类分析通道，根据任务需求和数据特点，选择合适的聚类算法，例如K-means、层次聚类、DBSCAN等。将预处理得到的特征向量输入所选的聚类算法，聚类算法根据样本间的相似性度量，将课程数据划分为多个聚类簇，每个簇内的课程特征较为相似。
对于每个聚类簇内的课程数据，根据教师的背景、资历、教学经验等指标，进行师资水平的评估。根据师资水平评估的结果，将每个聚类簇内的课程数据进行分级，例如，根据教师的专业能力、教学质量等因素进行划分，获取高级水平、中级水平、初级水平等。将分级处理后的数据与聚类簇进行关联，生成最终的聚类结果，得到的聚类结果包含多个聚类簇以及各自对应的师资水平分级的结构。
进一步而言，将所述特征向量输入所述聚类分析通道，执行聚类，获取多个聚类簇，包括：
随机选择K个数据点作为K个初始聚类中心，k≥2；
计算第一特征向量与所述K个初始聚类中心的距离，并根据距离计算结果，将所述第一特征向量分配给距离最近的初始聚类中心所属的初始簇；
遍历所有特征向量，生成k个初始簇；
计算所述k个初始簇的平均值，将所述平均值作为更新聚类中心；
以所述更新聚类中心作为新聚类基准，进行迭代，直到聚类中心不再发生变化或达到预定迭代次数，生成所述多个聚类簇。
随机选择K个数据点作为初始的聚类中心，其中K是预先设定的聚类簇的数量，为大于等于2的整数，这些初始化的聚类中心用作后续聚类过程的起点。
分别计算第一特征向量与这K个初始聚类中心之间的欧氏距离，根据计算得到的距离结果，找到与第一个特征向量距离最近的初始聚类中心，并将该特征向量归属于该初始簇，这样，可以将第一特征向量分配至与之距离最近的初始聚类中心所属的初始簇。
对于每一个特征向量，重复上述过程，计算它们与K个初始聚类中心之间的距离，并根据它们与初始聚类中心的距离来生成K个初始簇。
在生成了K个初始簇后，计算每个初始簇内所有特征向量的平均值，这个平均值代表了初始簇的中心位置，将这些平均值作为新的聚类中心，用于下一次迭代的聚类过程。通过计算每个初始簇内特征向量的平均值并更新聚类中心，能够优化聚类结果，使得簇内的样本更加紧密，并提高整体的聚类效果。
使用得到的新的聚类中心作为下一次迭代的基准，重复上述过程进行新一轮的聚类，在每一次聚类结束后，检查新的聚类中心和上一轮迭代的聚类中心之间的差异，如果聚类中心不再发生变化，则停止迭代；或者，根据实际需求预设一个迭代次数，例如100次，当迭代次数达到预设迭代次数时，同样判定为停止迭代。在迭代过程中，聚类中心的变化会逐渐减小，簇内的样本会更加相似，在迭代停止后，生成最终的多个聚类簇。
基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；
获取师资水平信息，例如教师资格证书、教学经验、教育背景等，根据这些信息，提取相应的审核指标，使用获取到的审核指标对素质教育课程库内的样本素质教育课程进行评估，并给出相应的课程评估等级，根据预设的评估等级，将课程评估等级小于预设等级的课程标记为审核不通过。
将审核不通过的课程从素质教育课程库中剔除或标记为无效状态。根据剔除结果，对素质教育课程库进行更新，确保只有符合审核通过标准的课程留在库中，使得库中的课程具有一定的质量和可信度。
进一步而言，基于所述资质审核模块对所述素质教育课程库进行审核，包括：
获取师资水平信息，基于所述师资水平信息提取审核指标，所述审核指标包括但不限于教师资格证书、教学经验、教育背景，并且每个审核指标具有权值；
获取样本素质教育课程，基于所述审核指标对所述样本素质教育课程进行标注，获取样本课程评估等级；
采用神经网络，构建审核模型，并采用所述样本素质教育课程和所述样本课程评估等级对所述审核模型进行监督训练，生成审核模型；
采用所述审核模型对所述素质教育课程库内的素质教育课程进行审核，输出课程评估等级；
将所述课程评估等级小于预设评估等级的标记为审核不通过。
通过教育部门、学校档案、教职工简历等途径获取与教师师资相关的信息，基于师资水平信息，确定用于审核的指标，包括教师资格证书、教学经验、教育背景等，但不限于这些指标，根据实际应用需求，选择合适的指标来评估教师的师资水平。基于专家判断、数据分析，为每个审核指标赋予相应的权值，以反映其在审核中的重要程度。
从素质教育课程库中选择一部分作为样本素质教育课程，所述样本素质教育课程具有代表性，涵盖不同领域、难度和教师水平的课程。使用提取的审核指标和权值，根据审核指标的条件和权值，对每个样本课程给出相应的评估等级，并根据评估等级对每个样本素质教育课程进行标注。
基于神经网络构建审核模型的网络结构，将样本素质教育课程作为输入数据，对应的样本课程评估等级作为输出标签，对审核模型的网络结构进行监督训练，通过优化算法，如梯度下降，和损失函数，调整神经网络的权重和参数，使其能够更好地拟合样本数据，使用测试数据对审核模型进行测试，当满足准确率要求时，输出最终的审核模型，用于后续的素质教育课程库审核，预测和评估课程的等级。
将所述素质教育课程库内需要进行审核的素质教育课程输入到审核模型中进行评估，审核模型基于学习到的规则和特征，预测该课程的评估等级，根据模型的预测结果，为每个素质教育课程输出相应的课程评估等级，评估等级可以分为不同的类别或者使用连续值来表示，例如S级、A级、B级、C级，越往后表示数据越差。
根据需求和标准，设置一个预设的评估等级，表示符合要求的最低标准，例如B级，对于每个课程，比较其评估等级和预设评估等级，如果评估等级小于预设等级，则将该课程标记为审核不通过。
进一步而言，还包括：
获取所述素质教育课程库内多个聚类簇的数量；
计算每个聚类簇的数量在总数量的占比，作为审核系数；
在进行素质教育课程时，采用所述审核系数对审核力度进行约束。
通过前述聚类算法将课程划分为多个簇，每个簇代表一组具有相似特征的课程，统计每一个聚类簇中课程数据的数量。
将每个聚类簇的数量除以总数量，得到每个聚类簇在总数量中的占比，占比可以表示为百分比形式，占比越大表示对应的聚类簇内课程数据的量越大。将每个聚类簇的占比作为审核系数，较大的占比意味着该聚类簇在审核中具有较高的权重，而较小的占比则表示较低的权重。这样，在进行素质教育课程审核时，可以根据不同聚类簇的数据量性来调整审核力度。
审核力度表示为一个参数，用于调整审核结果的严格程度，审核力度越高，筛选出不符合要求的课程的概率越大。将计算得到的审核系数应用于审核力度中，对于每个聚类簇，将其对应的审核系数与审核力度相乘，得到该聚类簇所应用的实际审核力度。在进行素质教育课程审核时，使用所得到的实际审核力度来判断课程是否通过审核，通过调整审核力度，可以根据聚类簇的数据量性和审核系数来灵活控制审核结果，这样可以实现对不同聚类簇的灵活审核，并确保素质教育课程库中的课程符合要求。
将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；
通过网络连接将经过审核和更新的素质教育课程库传输至数据输出模块，数据输出模块通过网络平台、应用程序等与学生端建立双向通信，以便进行信息交流和数据传输。在学生端界面上，展示数据输出模块的素质教育课程信息，学生可以浏览素质教育课程库，获取关于课程名称、描述、目标等方面的详细信息，并根据自己的具体情况进行课程选择。
学生在学习过程中，数据输出模块同步记录学习进程数据，包括学习时间、已完成的课程、学习成绩等信息，数据输出模块将这些学习进程数据保存，并与学生端进行同步更新。这样，学生可以通过学生端界面浏览素质教育课程，同时学习进程数据也会被记录下来，以便后续评估和分析。
通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；
确定评价的指标和维度，例如课程内容、教师表现、学习资源等，并在评价模块提供相应的评价选项或自由文字输入框。在学生端界面上，基于评价模块提供评价页面，如在线表单、问卷调查的形式，学生和家长可以在此处进行课程评价和反馈意见的提交，以此接收学生和家长提交的评价和反馈意见，以便后续的分析和汇总。
基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
可视化评定模块整合学生的学习进程数据和收集到的反馈意见，其中，学习进程数据包括学习时间、已完成的课程、学习成绩等信息；反馈意见包括学生和家长对课程内容、教学质量、学习资源等方面的意见和建议。将学习进程数据和反馈意见进行关联分析，找出它们之间的相互影响和关系，例如，分析学习进程数据与反馈意见的相关性，以确定其对教学效果的重要程度。
根据关联分析的结果和预设评估规则，对学习进程数据和反馈意见进行综合评定，根据综合评定结果，生成可视化的评定报告，可以采用图表、图形、文字等形式，直观地展示教学效果和学生反馈的情况，包括课程评分、学习成绩、学生满意度等指标的可视化呈现。这样能够更好地了解教学效果和学生反馈，并为相关人员提供决策和改进的依据。
进一步而言，基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，包括：
所述可视化评定模块包括学习有效性规则和教学有效性规则；
对所述学习进程数据和所述反馈意见进行关联分析，根据关联分析结果生成学生因素、教师因素、课程因素；
基于所述学习有效性规则对所述学生因素进行学习有效性评估，将学生因素对应的数据中不满足评估阈值的部分标记为无效学习；
基于所述教学有效性规则对所述教师因素、所述课程因素进行教学有效性评估，将所述教师因素、所述课程因素对应的数据中不满足评估阈值的部分标记为无效教学。
学习有效性规则是用来评估学生在学习过程中的表现和效果的规则，这些规则基于学习进程数据，例如学习时间、完成作业情况、参与讨论等，来判断学生的学习是否达到预期目标。
教学有效性规则是用来评估教师和课程对学生学习的影响和效果的规则，这些规则基于反馈意见和学习进程数据，例如学生对教学质量的评价、教师的互动方式、课程内容等，来判断教学的效果和质量。
学习进程数据包括学生的学习时间、作业完成情况、考试成绩等，反馈意见包括学生和家长对教学质量、教师的互动方式、课程内容等的评价和反馈。采用关联分析方法，如关联规则挖掘，来挖掘学习进程数据和反馈意见之间的关联关系，通过分析数据之间的关联性，获取各个因素之间的联系和相互影响。其中，学生因素包括学习能力、自主学习程度等；教师因素包括教学风格、互动方式等；课程因素包括内容设计、资源利用等。
基于前述学习有效性规则，对学生因素相关的数据，包括学习时间、作业完成情况、参与讨论等，进行分析，对于每个学生因素，将其相关的学习进程数据与相应的规则进行比较，判断学生的学习是否达到预期目标。
如果学生因素对应的数据不满足学习有效性规则中的评估阈值，即未达到预期要求，则将其标记为无效学习，这样可以识别出学习效果不理想的部分，以便后续进行改进和优化。
采用前述相同的方法，基于所述教学有效性规则对所述教师因素、所述课程因素进行分析，将未达到预期要求的部分标记为无效教学，这样可以识别出教学效果不理想的部分，以便后续进行改进和优化。
进一步而言，还包括：
当N位学生完成课程学习后，生成调研指令，N≥1；
基于所述调研指令激活所述调研模块，对所述N位学生进行持续跟进，根据预设调研周期，生成调研报告；
将所述调研报告反馈至所述资质审核模块进行审核指标及其权值的更新。
N位学生完成课程学习后，基于生成的调研指令，对已经完成课程的N位学生持续跟进其后续发展，N为完成课程学习的学生数量，例如10人，以3-5年为周期，定期收集这些学生的成长数据，并将其整理和分析形成调研报告，调研报告包括学生对于所学习课程的实际应用、是否进行深入学习，以及带来的生活学习状态变化等。
将生成的调研报告反馈至资质审核模块，通过分析调研报告中的学生的成长数据，对资质审核模块中的审核指标和其权值进行更新，这样可以根据学生的真实成长情况，对教学质量和素质教育课程进行不断改进和优化，以便更好地改进素质教育课程。
综上所述，本申请实施例所提供的教学效果的可视化用户数据评定方法及系统具有如下技术效果：
1.通过建立教学效果评定平台提供了全面的教学效果评估报告和个性化反馈，具体地，通过数据采集模块，可以收集校内和校外课程的素质教育数据，并进行聚类分析和建立素质教育课程库；通过资质审核和课程库更新处理，确保所使用的课程符合要求；
2.通过双向通信的数据输出模块与学生端建立联系，记录学习进程数据并展示素质教育课程；结合学生和家长的反馈意见，在可视化评定模块中进行综合评定，生成可视化评定报告，该报告提供了全面的教学效果评估结果，帮助教师和学生了解课程的优势和改进方向，并提供个性化的反馈意见。
综上所述，这种方法解决了传统教学评估方法的局限性，提供更全面、客观的教学效果评估，并且教师和学生可以根据评定报告中的可视化数据和反馈意见，有针对性地改进教学和学习，提高教学质量和学生成绩。
实施例二
基于与前述实施例中教学效果的可视化用户数据评定方法相同的发明构思，如图2所示，本申请提供了教学效果的可视化用户数据评定系统，所述系统包括：
评定平台搭建单元10，所述评定平台搭建单元10用于建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；
聚类分析单元20，所述聚类分析单元20用于基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；
课程库更新单元30，所述课程库更新单元30用于基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；
进程数据记录单元40，所述进程数据记录单元40用于将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；
反馈意见接收单元50，所述反馈意见接收单元50用于通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；
综合评定单元60，所述综合评定单元60用于基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
进一步而言，所述系统还包括持续跟进单元，以执行如下操作步骤：
当N位学生完成课程学习后，生成调研指令，N≥1；
基于所述调研指令激活所述调研模块，对所述N位学生进行持续跟进，根据预设调研周期，生成调研报告；
将所述调研报告反馈至所述资质审核模块进行审核指标及其权值的更新。
进一步而言，所述系统还包括聚类结果获取单元，以执行如下操作步骤：
所述数据处理域包括数据预处理通道、聚类分析通道；
通过所述数据预处理通道对所述素质教育课程数据进行特征提取，获取课程特征；
对所述课程特征进行预处理，获取标准课程特征，并将所述标准课程特征转化为特征向量；
将所述特征向量输入所述聚类分析通道，执行聚类，获取多个聚类簇；
基于师资水平对每个聚类簇内的课程数据进行分级，生成聚类结果。
进一步而言，所述系统还包括聚类簇获取单元，以执行如下操作步骤：
随机选择K个数据点作为K个初始聚类中心，k≥2；
计算第一特征向量与所述K个初始聚类中心的距离，并根据距离计算结果，将所述第一特征向量分配给距离最近的初始聚类中心所属的初始簇；
遍历所有特征向量，生成k个初始簇；
计算所述k个初始簇的平均值，将所述平均值作为更新聚类中心；
以所述更新聚类中心作为新聚类基准，进行迭代，直到聚类中心不再发生变化或达到预定迭代次数，生成所述多个聚类簇。
进一步而言，所述系统还包括审核单元，以执行如下操作步骤：
获取师资水平信息，基于所述师资水平信息提取审核指标，所述审核指标包括但不限于教师资格证书、教学经验、教育背景，并且每个审核指标具有权值；
获取样本素质教育课程，基于所述审核指标对所述样本素质教育课程进行标注，获取样本课程评估等级；
采用神经网络，构建审核模型，并采用所述样本素质教育课程和所述样本课程评估等级对所述审核模型进行监督训练，生成审核模型；
采用所述审核模型对所述素质教育课程库内的素质教育课程进行审核，输出课程评估等级；
将所述课程评估等级小于预设评估等级的标记为审核不通过。
进一步而言，所述系统还包括审核约束单元，以执行如下操作步骤：
获取所述素质教育课程库内多个聚类簇的数量；
计算每个聚类簇的数量在总数量的占比，作为审核系数；
在进行素质教育课程时，采用所述审核系数对审核力度进行约束。
进一步而言，所述系统还包括综合评定单元，以执行如下操作步骤：
所述可视化评定模块包括学习有效性规则和教学有效性规则；
对所述学习进程数据和所述反馈意见进行关联分析，根据关联分析结果生成学生因素、教师因素、课程因素；
基于所述学习有效性规则对所述学生因素进行学习有效性评估，将学生因素对应的数据中不满足评估阈值的部分标记为无效学习；
基于所述教学有效性规则对所述教师因素、所述课程因素进行教学有效性评估，将所述教师因素、所述课程因素对应的数据中不满足评估阈值的部分标记为无效教学。
本说明书通过前述对教学效果的可视化用户数据评定方法的详细描述，本领域技术人员可以清楚得知道本实施例中教学效果的可视化用户数据评定方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.教学效果的可视化用户数据评定方法，其特征在于，所述方法包括：
建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；
基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；
基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；
将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；
通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；
基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
2.如权利要求1所述的方法，其特征在于，所述教学效果评定平台还包括调研模块，所述方法还包括：
当N位学生完成课程学习后，生成调研指令，N≥1；
基于所述调研指令激活所述调研模块，对所述N位学生进行持续跟进，根据预设调研周期，生成调研报告；
将所述调研报告反馈至所述资质审核模块进行审核指标及其权值的更新。
3.如权利要求1所述的方法，其特征在于，通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，所述方法包括：
所述数据处理域包括数据预处理通道、聚类分析通道；
通过所述数据预处理通道对所述素质教育课程数据进行特征提取，获取课程特征；
对所述课程特征进行预处理，获取标准课程特征，并将所述标准课程特征转化为特征向量；
将所述特征向量输入所述聚类分析通道，执行聚类，获取多个聚类簇；
基于师资水平对每个聚类簇内的课程数据进行分级，生成聚类结果。
4.如权利要求3所述的方法，其特征在于，将所述特征向量输入所述聚类分析通道，执行聚类，获取多个聚类簇，包括：
随机选择K个数据点作为K个初始聚类中心，k≥2；
计算第一特征向量与所述K个初始聚类中心的距离，并根据距离计算结果，将所述第一特征向量分配给距离最近的初始聚类中心所属的初始簇；
遍历所有特征向量，生成k个初始簇；
计算所述k个初始簇的平均值，将所述平均值作为更新聚类中心；
以所述更新聚类中心作为新聚类基准，进行迭代，直到聚类中心不再发生变化或达到预定迭代次数，生成所述多个聚类簇。
5.如权利要求1所述的方法，其特征在于，基于所述资质审核模块对所述素质教育课程库进行审核，包括：
获取师资水平信息，基于所述师资水平信息提取审核指标，所述审核指标包括但不限于教师资格证书、教学经验、教育背景，并且每个审核指标具有权值；
获取样本素质教育课程，基于所述审核指标对所述样本素质教育课程进行标注，获取样本课程评估等级；
采用神经网络，构建审核模型，并采用所述样本素质教育课程和所述样本课程评估等级对所述审核模型进行监督训练，生成审核模型；
采用所述审核模型对所述素质教育课程库内的素质教育课程进行审核，输出课程评估等级；
将所述课程评估等级小于预设评估等级的标记为审核不通过。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
获取所述素质教育课程库内多个聚类簇的数量；
计算每个聚类簇的数量在总数量的占比，作为审核系数；
在进行素质教育课程时，采用所述审核系数对审核力度进行约束。
7.如权利要求1所述的方法，其特征在于，基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，包括：
所述可视化评定模块包括学习有效性规则和教学有效性规则；
对所述学习进程数据和所述反馈意见进行关联分析，根据关联分析结果生成学生因素、教师因素、课程因素；
基于所述学习有效性规则对所述学生因素进行学习有效性评估，将学生因素对应的数据中不满足评估阈值的部分标记为无效学习；
基于所述教学有效性规则对所述教师因素、所述课程因素进行教学有效性评估，将所述教师因素、所述课程因素对应的数据中不满足评估阈值的部分标记为无效教学。
8.教学效果的可视化用户数据评定系统，其特征在于，用于实施权利要求1-7任一项所述的教学效果的可视化用户数据评定方法，包括：
评定平台搭建单元，所述评定平台搭建单元用于建立教学效果评定平台，其中，所述教学效果评定平台包括数据采集模块、资质审核模块、数据输出模块、评价模块、可视化评定模块；
聚类分析单元，所述聚类分析单元用于基于所述数据采集模块采集校内老师和校外机构的素质教育课程数据，并通过所述数据采集模块内的数据处理域对所述素质教育课程数据进行聚类分析，根据聚类结果建立素质教育课程库；
课程库更新单元，所述课程库更新单元用于基于所述资质审核模块对所述素质教育课程库进行审核，将审核不通过的数据进行剔除，根据剔除结果对所述素质教育课程库进行更新；
进程数据记录单元，所述进程数据记录单元用于将更新后的所述素质教育课程库传输至数据输出模块，所述数据输出模块与学生端建立双向通信，进行素质教育课程展示并记录学习进程数据；
反馈意见接收单元，所述反馈意见接收单元用于通过所述评价模块接收学生和家长对所述素质教育课程的反馈意见；
综合评定单元，所述综合评定单元用于基于所述可视化评定模块对所述学习进程数据和所述反馈意见进行综合评定，根据综合评定结果生成可视化评定报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276621.8A CN117291770A (zh) | 2023-10-05 | 2023-10-05 | 教学效果的可视化用户数据评定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311276621.8A CN117291770A (zh) | 2023-10-05 | 2023-10-05 | 教学效果的可视化用户数据评定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117291770A true CN117291770A (zh) | 2023-12-26 |
Family
ID=89256838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311276621.8A Pending CN117291770A (zh) | 2023-10-05 | 2023-10-05 | 教学效果的可视化用户数据评定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291770A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807631A (zh) * | 2023-12-29 | 2024-04-02 | 北京万讯博通科技发展有限公司 | 基于多方安全计算的在线评估方法及系统 |
-
2023
- 2023-10-05 CN CN202311276621.8A patent/CN117291770A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807631A (zh) * | 2023-12-29 | 2024-04-02 | 北京万讯博通科技发展有限公司 | 基于多方安全计算的在线评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
| Osmanbegovic et al. | Data mining approach for predicting student performance | |
| CN112446591A (zh) | 一种用于学生综合能力评价的评价体系及零样本评价方法 | |
| Asanbe et al. | Teachers’ performance evaluation in higher educational institution using data mining technique | |
| Khan et al. | Data mining based analysis to explore the effect of teaching on student performance | |
| Shrestha et al. | Machine Learning algorithm in educational data | |
| CN117291770A (zh) | 教学效果的可视化用户数据评定方法及系统 | |
| Hilliger et al. | Evaluating Usage of an Analytics Tool to Support Continuous Curriculum Improvement. | |
| Thach et al. | A dynamic fuzzy multiple criteria decision-making approach for lecturer performance evaluation | |
| Doneva et al. | LEARNING ANALYTICS SOFTWARE TOOL SUPPORTING DECISION MAKING IN HIGHER EDUCATION. | |
| Oreski et al. | CRISP-DM process model in educational setting | |
| Aji et al. | An implementation of C4. 5 classification algorithm to analyze student’s performance | |
| CN117474353A (zh) | 一种基于在线教育的决策自动生成方法和装置 | |
| CN117522222A (zh) | 一种基于大数据的教育测评软件实现方法 | |
| Pavlin-Bernardić et al. | The application of artificial neural networks in predicting children's giftedness | |
| Sghir et al. | Using learning analytics to improve students' enrollments in higher education | |
| Felix et al. | Predicting student outcome in moodle | |
| CN114626654A (zh) | 基于职业技能培训人员管理系统的人员培训预警分析方法 | |
| Brown et al. | System of Digital Services for Supporting the Individualized Learning Process | |
| Merembayev et al. | Using item response theory in machine learning algorithms for student response data | |
| Sunarti et al. | Optimation Parameter and Attribute Naive Bayes in Machine Learning for Performance Assessment in Online Learning | |
| CN118096461B (zh) | 一种教学活跃积分分析方法、装置、电子设备及介质 | |
| Jayaratna | Understanding university students’ journey using advanced data analytics | |
| Chorbev | Case Study: Predicting Students Objectivity in Self-evaluation Responses Using Bert Single-Label and Multi-Label Fine-Tuned Deep-Learning Models | |
| Asanbe et al. | DATA MINING TECHNIQUE AS A TOOL FOR INSTRUCTORS’PERFORMANCE EVALUATION IN HIGHER EDUCATIONAL INSTITUTION |
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 |