CN117333067A - 一种智能化的体育教学数据管理方法及系统 - Google Patents
一种智能化的体育教学数据管理方法及系统 Download PDFInfo
- Publication number
- CN117333067A CN117333067A CN202311318287.8A CN202311318287A CN117333067A CN 117333067 A CN117333067 A CN 117333067A CN 202311318287 A CN202311318287 A CN 202311318287A CN 117333067 A CN117333067 A CN 117333067A
- Authority
- CN
- China
- Prior art keywords
- teaching
- data
- physical education
- quality
- extraction
- 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
Links
- 238000013523 data management Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 111
- 238000013075 data extraction Methods 0.000 claims abstract description 89
- 238000013441 quality evaluation Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 238000013500 data storage Methods 0.000 claims description 77
- 238000013442 quality metrics Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 33
- 238000009395 breeding Methods 0.000 claims description 21
- 230000001488 breeding effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000013524 data verification Methods 0.000 claims description 12
- 238000012351 Integrated analysis Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000000386 athletic effect Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013502 data validation Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning 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
- 230000037081 physical activity Effects 0.000 description 1
- 230000007105 physical stamina Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 230000004382 visual function Effects 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种智能化的体育教学数据管理方法及系统,涉及教学管理技术领域,所述方法包括:先交互体育教学数据管理终端获取M个体育教学数据集,遍历M个校区进行体育教学特征识别,然后进行特征分析得到M个二元提取特征系数,分别对M个体育教学数据集进行数据提取,获取M个教学数据提取结果,根据三维体育教学数据分析通道进行质量评价,然后将教学数据集存储至数据管理终端内。本申请主要解决了现有技术中针对体育教学数据的教学质量评价效率低的技术问题。通过构建三维体育教学数据分析通道对多个学校进行综合教学评价,最终将教学数据集存储至数据管理终端中,可以有效地对多个校区进行教学评价和评价数据管理。
Description
技术领域
本发明涉及教学管理的技术领域,具体涉及一种智能化的体育教学数据管理方法及系统。
背景技术
在多校区办学模式下,由于地理位置、学生教学等因素,不同校区之间的信息沟通可能不畅通,这就会影响到教学管理的效率和教学质量。比如教学动态不同步,教学质量、进度、科研动态不同步,这都会产生问题。
现有技术通过数据可视化技术将数据分析结果以图表等形式呈现出来,方便管理人员和教师进行查看和使用,通过分析教师评估数据和课程成绩数据,了解教师的教学效果和学生的学习情况。
现有技术在确立评价标准时,可能没有考虑到各个校区和课程的特异性,评价标准可能缺乏针对性、针对体育教学数据的教学质量评价效率低的技术问题。
发明内容
本申请主要解决了现有技术中针对体育教学数据的教学质量评价效率低的技术问题。
鉴于上述问题,本申请实施例提供了一种智能化的体育教学数据管理方法及系统,第一方面,本申请实施例提供了一种智能化的体育教学数据管理方法,所述方法包括:交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数,遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果,获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标,基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数,基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果,基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数,基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
第二方面,本申请实施例提供了一种智能化的体育教学数据管理系统,所述系统包括:体育教学数据管理终端交互模块,所述体育教学数据管理终端交互模块用于交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数,特征识别结果遍历模块,所述特征识别结果遍历模块用于遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果,二元提取特征指标获取模块,所述二元提取特征指标获取模块用于获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标,M个二元特征提取特征系数获取模块,所述M个二元特征提取特征系数获取模块是基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数,M个教学数据提取结果获取模块,所述M个教学数据提取结果获取模块是基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果,M个综合体育教学质量系数获取模块,所述M个综合体育教学质量系数获取模块是基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数,分类标识存储模块,所述分类标识存储模块是基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
本申请实施例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:
本申请提供了一种智能化的体育教学数据管理方法及系统,涉及教学管理技术领域,所述方法包括:先交互体育教学数据管理终端获取M个体育教学数据集,遍历M个校区进行体育教学特征识别,然后进行特征分析得到M个二元提取特征系数,分别对M个体育教学数据集进行数据提取,获取M个教学数据提取结果,根据三维体育教学数据分析通道进行质量评价,然后将教学数据集存储至数据管理终端内。
本申请主要解决了现有技术中针对体育教学数据的教学质量评价效率低的技术问题。通过构建三维体育教学数据分析通道对多个学校进行综合教学评价,最终将教学数据集存储至数据管理终端中,可以有效地对多个校区进行教学评价和评价数据管理。
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他目的、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
为了更清楚地说明本公开或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了一种智能化的体育教学数据管理方法流程示意图;
图2为本申请实施例提供了.一种智能化的体育教学数据管理方法中,获取数据存储的分布式数据存储区块的方法流程示意图;
图3为本申请实施例提供了.一种智能化的体育教学数据管理方法中,生成第m校区对应的第m二元提取特征系数的方法流程示意图;
图4为本申请实施例提供了.一种智能化的体育教学数据管理系统的结构示意图。
附图标记说明:体育教学数据管理终端交互模块10,特征识别结果遍历模块20,二元提取特征指标获取模块30,M个二元特征提取特征系数获取模块40,M个教学数据提取结果获取模块50,M个综合体育教学质量系数获取模块60,分类标识存储模块70。
具体实施方式
本申请主要解决了现有技术中针对体育教学数据的教学质量评价效率低的技术问题。通过构建三维体育教学数据分析通道对多个学校进行综合教学评价,最终将教学数据集存储至数据管理终端中,可以有效地对多个校区进行教学评价和评价数据管理。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示一种智能化的体育教学数据管理方法,所述方法包括:
交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数;
具体而言,交互体育教学数据管理终端可以基于N级时域约束,分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集。其中,N级时域约束包括N个时间段,可以是一年中的12个月,并对每个时间段内的数据进行采集和分析。交互体育教学数据管理终端,体育教学管理终端是一个用于收集、处理、分析和利用体育教学数据的系统或工具,交互信息之前确定需要进行体育教学数据采集的目标区域和M个校区。其中目标区域为一个城市,M个校区为城市中的多所大学,然后根据N级时域约束,设计数据采集方案,包括数据采集的时间段、采集的数据类型和采集的频率等。其中,N级时域约束为一段时间内的大学教学数据,比如一周或者一个月内。采集方式为选择一个可以存放数据的管理系统,该系统可以创建和编辑数据集、定义数据结构、导入和导出数据、提供数据查询和筛选功能、支持数据分析和可视化等。然后根据需求和目标,设计数据集的结构和字段,包括学生信息、课程信息、学生选课信息及学生所在的学院信息等字段。使用数据管理系统的数据采集功能,从体育教学数据管理终端采集所需的数据。对采集到的数据进行清洗和标准化处理,以确保数据的准确性和一致性。使用数据管理系统的数据分析功能,对采集到的数据进行处理和分析,以获得有用的信息和知识。对目标区域的M个校区进行体育教学数据采集。对采集到的数据进行处理和分析包括数据清洗、标准化、分类和聚类,将采集到的数据存储在终端中,终端也可提供可视化功能,将数据分析结果以图表、图形的形式呈现出来,并对数据进行管理和维护,确保数据的安全性和可靠性。其中,N,M都为大于1的整数。总之,交互体育教学数据管理终端可以帮助大学体育部门更好地管理和利用体育教学数据,提高教学质量和学生学习效果。
遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果;
具体而言,遍历M个校区进行教学数据收集,收集到全部的M个校区的教学数据,从M个校区中收集相关的体育教学数据,包括学生的体能测试数据、运动数据、体育课程成绩数据等,对收集到的数据进行清洗、标准化和预处理,以确保数据准确性和一致性,确定需要采集的数据类型,包括学生的体能测试数据、运动数据、体育课程成绩数据等。对采集到的数据根据确定的体育教学特征识别方法和流程,对数据进行特征提取和识别。例如,可以通过数据分析和挖掘技术,提取学生体能测试数据的特征,并对每个校区进行分类和识别。方便对该区域的体育教学质量评价进行综合评估。
获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标;
具体而言,获得二元提取特征指标,二元提取指标代表提取所需的算力限制和时域限制,包括提取算力约束指标和提取时域约束指标,其中,提取算力约束指标包括根据数据集的大小、数据的复杂性和可用的计算资源(如CPU、内存等)来评估和优化算法或计算的效率。例如,可以使用算法的复杂性、内存占用情况、运行时间等。计算提取时域约束指标为考虑到时间序列数据或实时数据处理的需求,需要基于数据的时间维度进行约束条件的确定。例如,可以分析数据的时间分辨率、时间延迟、时间序列预测准确性等作为提取时域约束指标。
基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数;
具体而言,根据二元提取特征指标,使用降维、归一化、标准化等从数据中提取所需要的特征。在提取特征后,通过深入分析这些特征来理解数据的特性,以及可能存在的模式或关系。包括统计分析、机器学习或其他高级数据分析技术对特征进行分析,根据选择的特征提取方法,对每个体育教学特征识别结果进行特征提取,得到每个校区的二元提取特征系数。二元提取特征系数包括算力和时域的限制。
基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果;
具体而言,对每个二元提取特征系数进行匹配,找到对应的体育教学数据集。对每个匹配的体育教学数据集,使用对应的二元提取特征系数进行数据提取。基于这些特征系数进行数据过滤、数据选择或数据变换等操作。对采集到的数据进行清洗、标准化和去噪处理,以确保数据准确性和一致性,得到M个体育教学数据集,经过数据提取后,得到每个体育教学数据集的教学数据提取结果。
基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数;
具体而言,三维体育教学数据分析通道包括体育教学质量评价通道、教学质量稳定度识别通道、教学质量综合评价通道,分别用于对各教学数据提取结果进行体育教学质量评价,其中包括多个体育教学指标对应的多个体育教学质量评价器,通过将教学数据提取结果与这些体育教学指标进行匹配和评价,可得到多个体育教学指标-教学质量度。用于对各教学数据提取结果的体育教学质量稳定度进行识别,其中包括基于教学质量度进行教学质量稳定度识别的算法或模型。通过将多个体育教学指标-教学质量度输入该通道,可得到每个教学数据提取结果的体育教学质量稳定度。用于对各教学数据提取结果的体育教学质量进行综合评价,其中包括基于教学质量度和教学质量稳定度的综合评价函数。通过将多个体育教学指标-教学质量度和体育教学质量稳定度输入该通道,可得到每个教学数据提取结果的体育教学质量综合评价结果(即综合体育教学质量系数)。上述三维体育教学数据分析通道的构建,可帮助更全面地评价各教学数据提取结果的体育教学质量,为改进体育教学和提高体育教学质量提供依据。
基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
具体而言,对M个综合体育教学质量系数进行排序或分类:根据综合体育教学质量系数对M个体育教学数据集进行排序或分类。基于这些综合体育教学质量系数对数据进行过滤、分组或聚类等操作。在排序或分类后,对每个体育教学数据集进行标识,以便于后续的数据存储和管理。包括为每个数据集分配一个唯一的标识符、基于特定的分类标准为数据集命名,或者将数据集存储到特定的文件夹或数据库中。将M个体育教学数据集存储至体育教学数据存储模块:将M个已经标识的数据集存储到体育教学数据管理终端内的体育教学数据存储模块中。将数据写入硬盘、数据库或其他存储介质中,或者将数据传输到指定的存储位置。
进一步而言,本申请方法,遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果,还包括:
基于所述M个校区,获得第m校区,其中,m为正整数,且,m属于M;
对所述第m校区进行基础信息采集,获得第m校区信息;
基于所述第m校区信息进行校区规模识别,获得第m校区规模特征;
基于预设历史时区对所述第m校区进行体育教学成果记录采集,获得第m校区体教成果记录库;
基于所述第m校区体教成果记录库进行体教成果稳定性识别,获得第m体教成果稳定度;
基于所述第m校区规模特征和所述第m体教成果稳定度,获得第m体育教学特征识别结果,并将所述第m体育教学特征识别结果添加至所述M个体育教学特征识别结果。
具体而言,从M个校区中选择一个特定的校区,这个校区可以是根据某种特定标准(如校区规模、历史表现等)选择的,具体的选择方法可以根据你的需求和目的进行决定。采集基础信息:对所选择的第m校区进行基础信息采集。包括从各种来源收集和整理关于这个校区的信息,例如校区的面积、学生人数、教师人数、设施数量等。识别校区规模:基于收集到的第m校区信息,可以进行校区规模识别,得到第m校区规模特征。收集体育教学成果记录:基于预设历史时区(例如过去一年、一个学期、一个学年等),对第m校区进行体育教学成果记录的采集。包括收集和整理该校区在体育教学中的各种数据和信息,例如学生参与体育活动的数量、学生在各种体育比赛中的成绩、体育课程的开设情况等。识别体教成果稳定性:基于收集到的第m校区体教成果记录库,进行体教成果稳定性识别,得到第m体教成果稳定度。对体育教学成果的各种数据进行深入分析,例如通过趋势分析、波动率计算等方式,来评估其稳定程度。获得体育教学特征识别结果:基于第m校区规模特征和第m体教成果稳定度,获得第m体育教学特征识别结果。将上述两个特征合并,或者根据某种模型或算法,得出一个综合的评价结果。存储和更新结果:将第m体育教学特征识别结果添加到M个体育教学特征识别结果中,并对这些结果进行存储或更新。
进一步而言,如图3所示,本申请方法还包括:
基于所述M个体育教学特征识别结果,获得所述M个校区对应的M个校区规模特征和M个体教成果稳定度;
基于所述M个校区规模特征进行集成分析,获得集成校区规模特征;
基于所述第m校区规模特征对所述集成校区规模特征进行占比分析,获得第m提取算力约束指标值;
对所述M个体教成果稳定度进行集成分析,获得集成体教成果稳定度;
基于所述第m体教成果稳定度对所述集成体教成果稳定度进行占比分析,获得第m提取时域约束指标值;
基于所述第m提取算力约束指标值和所述第m提取时域约束指标值,生成所述第m校区对应的第m二元提取特征系数,并将所述第m二元提取特征系数添加至所述M个二元提取特征系数。
具体而言,基于M个体育教学特征识别结果,获得每个校区对应的校区规模特征和体教成果稳定度。需要对每个识别结果进行分析和提取,以得到与校区规模和体教成果稳定性相关的特定指标或度量。对M个校区规模特征进行集成分析,获得集成校区规模特征。包括对所有校区的规模特征进行汇总、平均、加权平均或其他统计方法来得到一个集成的规模特征。基于第m校区规模特征对集成校区规模特征进行占比分析,获得第m提取算力约束指标值。到计算第m校区规模特征在集成校区规模特征中的比例、排名或其他度量。对M个体教成果稳定度进行集成分析,获得集成体教成果稳定度。对所有校区的体教成果稳定性进行汇总、平均、加权平均或其他统计方法来得到一个集成的稳定性特征。基于第m体教成果稳定度对集成体教成果稳定度进行占比分析,获得第m提取时域约束指标值。计算第m校区在集成体教成果稳定度中的比例、排名或其他度量。基于第m提取算力约束指标值和第m提取时域约束指标值,生成第m校区对应的第m二元提取特征系数。将第m二元提取特征系数添加到M个二元提取特征系数中。
进一步而言,本申请方法还包括:
构建体育教学质量评价通道,其中,所述体育教学质量评价通道包括Q个体育教学指标对应的Q个体育教学质量评价器,其中,Q为大于1的正整数;
构建教学质量稳定度识别函数,并将所述教学质量稳定度识别函数添加至教学质量稳定度识别通道,其中,所述教学质量稳定度识别函数为:
其中,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,J表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的总数量,且,J小于等于Q,Di表征第m教学数据提取结果对应的任意一个体育教学指标-教学质量度,表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的平均值;
构建教学质量综合评价函数,并将所述教学质量综合评价函数嵌入至教学质量综合评价通道,其中,所述教学质量综合评价函数为:
PEQSm=α*PEQm+β*PESm;
其中,PEQSm表征第m教学数据提取结果对应的第m综合体育教学质量系数,PEQm表征第m教学数据提取结果对应的第m体育教学质量度,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,α表征教学质量度权重,β表征教学质量稳定度权重,且,α、β之和为1;
集成所述体育教学质量评价通道、所述教学质量稳定度识别通道和所述教学质量综合评价通道,生成所述三维体育教学数据分析通道。
具体而言,根据预先构建的三维体育教学数据分析通道,可以对M个教学数据提取结果进行体育教学质量评价,以得到M个综合体育教学质量系数。构建体育教学质量评价通道:根据教学实际情况,选择与教学质量相关的Q个指标,例如体能测试结果、参与体育活动的频率、学生的体育技能掌握程度等。确定体育教学质量评价器的数量:根据选择的体育教学指标数量,确定需要使用多少个体育教学质量评价器。这些评价器应该能够针对不同的指标进行独立的评价,并且每个评价器的评价标准和权重应该根据指标的重要性和实际情况进行适当调整。构建体育教学质量评价通道:将选择的Q个体育教学指标与对应的Q个体育教学质量评价器进行组合,构建一个体育教学质量评价通道。这个通道应该能够将每个指标的评价结果进行整合,并得到一个综合的评价结果。确定评价标准和权重:为每个体育教学质量评价器制定相应的评价标准,并确定每个指标的权重。这些权重应该根据不同指标的重要性和实际情况进行调整,以确保综合评价结果更加客观和准确。对每个教学数据提取结果进行同质体育教学指标分类:对每个教学数据提取结果进行同质体育教学指标分类,以得到多个同质体育教学数据提取结果。匹配同质体育教学数据提取结果对应的多个匹配体育教学质量评价器:将多个同质体育教学数据提取结果输入匹配的多个体育教学质量评价器中。获得多个体育教学指标-教学质量度:通过匹配的多个体育教学质量评价器,可以获得多个体育教学指标-教学质量度。基于Q个体育教学指标,获得Q维指标权重:根据Q个体育教学指标,可以获得Q维指标权重。匹配多维匹配指标权重与多个体育教学指标-教学质量度:将多维匹配指标权重与多个体育教学指标-教学质量度进行匹配,并根据匹配结果对多个体育教学指标-教学质量度进行加权计算,得到每个教学数据提取结果的体育教学质量度。将多个体育教学指标-教学质量度和多个体育教学质量稳定度输入教学质量综合评价通道:将多个体育教学指标-教学质量度和多个体育教学质量稳定度输入教学质量综合评价通道,得到每个教学数据提取结果的体育教学质量综合评价结果(即综合体育教学质量系数)。
进一步而言,本申请方法,基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数,还包括:
基于所述M个教学数据提取结果,获得第m教学数据提取结果;
对所述第m教学数据提取结果进行同质体育教学指标分类,获得多个同质体育教学数据提取结果;
基于所述体育教学质量评价通道,匹配所述多个同质体育教学数据提取结果对应的多个匹配体育教学质量评价器;
将所述多个同质体育教学数据提取结果输入所述多个匹配体育教学质量评价器,获得多个体育教学指标-教学质量度;
基于所述Q个体育教学指标,获得Q维指标权重;
基于所述Q维指标权重匹配所述多个体育教学指标-教学质量度对应的多维匹配指标权重,并根据所述多维匹配指标权重对所述多个体育教学指标-教学质量度进行加权计算,获得第m体育教学质量度;
将所述多个体育教学指标-教学质量度输入所述教学质量稳定度识别通道,获得第m体育教学质量稳定度;
将所述第m体育教学质量度和所述第m体育教学质量稳定度输入所述教学质量综合评价通道,获得所述第m教学数据提取结果对应的第m综合体育教学质量系数,并将所述第m综合体育教学质量系数添加至所述M个综合体育教学质量系数。
具体而言,基于M个教学数据提取结果,获得第m教学数据提取结果:从M个教学数据提取结果中选择一个特定的结果。根据一些特定的标准(如数据质量、时间戳等)进行选择。对第m教学数据提取结果进行同质体育教学指标分类,获得多个同质体育教学数据提取结果:将第m教学数据提取结果按照不同的体育教学质量指标进行分类或聚类。例如,可以按照学生的体能测试结果、参与体育活动的频率等指标进行分类。基于体育教学质量评价通道,匹配多个同质体育教学数据提取结果对应的多个匹配体育教学质量评价器:根据之前分类的结果,每个类别的教学数据提取结果可能会对应一个或多个体育教学质量评价器。到查找或建立与这些类别相对应的评价算法或模型。将多个同质体育教学数据提取结果输入多个匹配体育教学质量评价器,获得多个体育教学指标-教学质量度:将分类后的教学数据提取结果输入到对应的评价器中,得到每个指标下的教学质量度。基于Q个体育教学指标,获得Q维指标权重:对Q个体育教学指标的重要性进行评估,并赋予每个指标相应的权重。基于Q维指标权重匹配多个体育教学指标-教学质量度对应的多维匹配指标权重,并根据多维匹配指标权重对多个体育教学指标-教学质量度进行加权计算,获得第m体育教学质量度:将每个教学质量度与相应的权重相乘,然后求和得到第m体育教学质量度。将多个体育教学指标-教学质量度输入教学质量稳定度识别通道,获得第m体育教学质量稳定度:将这些教学质量度输入到一个模型或算法中,以评估其稳定性或可靠性。将第m体育教学质量度和第m体育教学质量稳定度输入教学质量综合评价通道,获得第m教学数据提取结果对应的第m综合体育教学质量系数:将这些度量输入到另一个模型或算法中,以得到一个综合的评价结果。将第m综合体育教学质量系数添加至M个综合体育教学质量系数:将第m综合体育教学质量系数添加到M个综合体育教学质量系数的集合中。
进一步而言,本申请方法,基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块,还包括:
基于链式存储,构建分布式数据存储区块,其中,所述分布式数据存储区块包括M个数据存储子区块;
基于所述M个综合体育教学质量系数,对所述M个体育教学数据集执行所述分布式数据存储区块的区块分配,获得存储区块分配结果;
基于所述存储区块分配结果,将所述M个体育教学数据集存储至所述分布式数据存储区块,获得完成数据存储的分布式数据存储区块,并将所述完成数据存储的分布式数据存储区块加密传输至所述体育教学数据存储模块。
具体而言,基于链式存储,构建分布式数据存储区块。包括定义数据的存储格式、访问协议、加密方式等。分布式数据存储区块可以提供一个安全、可靠、分布式的存储环境。
在所述分布式数据存储区块中,构建M个数据存储子区块。包括为每个子区块分配特定的存储空间、访问权限等。这些子区块可以作为数据存储的基本单位,用于存储不同的体育教学数据集。
基于M个综合体育教学质量系数,对M个体育教学数据集执行分布式数据存储区块的区块分配。包括根据教学质量系数来决定每个数据集在分布式数据存储区块中的存储位置、访问权限等。
基于存储区块分配结果,将M个体育教学数据集存储至分布式数据存储区块。包括将每个数据集按照分配结果存储到相应的子区块中。
获得完成数据存储的分布式数据存储区块。包括验证数据的存储状态、检查数据的完整性等。
将完成数据存储的分布式数据存储区块加密传输至体育教学数据存储模块。包括使用特定的加密算法对数据进行加密,然后通过安全的网络连接将加密后的数据传输到指定的存储模块中,以保护数据的安全性和隐私性。
这些步骤可以根据实际需要进行调整和修改,并可能需要更多的细节或特定的算法来实现。
进一步而言,如图2所示,本申请方法,基于所述存储区块分配结果,将所述M个体育教学数据集存储至所述分布式数据存储区块,获得完成数据存储的分布式数据存储区块,还包括:
基于所述M个综合体育教学质量系数,获得M个数据验证算力和M个数据分类算力;
基于所述M个数据验证算力对所述M个体育教学数据集进行数据验证,获得验证后的M个体育教学数据集;
基于所述M个数据分类算力对所述验证后的M个体育教学数据集进行分类标识,获得分类标识后的M个体育教学数据集;
基于所述存储区块分配结果,将所述分类标识后的M个体育教学数据集存储至所述分布式数据存储区块,得到所述完成数据存储的分布式数据存储区块。
具体而言,基于所述M个综合体育教学质量系数,获得M个数据验证算力和M个数据分类算力:涉及根据教学质量系数评估出每个数据集所需的验证和分类算力。这里的数据验证算力和数据分类算力指的是用于数据验证和分类的计算资源和能力。基于所述M个数据验证算力对所述M个体育教学数据集进行数据验证,获得验证后的M个体育教学数据集:包括对每个体育教学数据集进行完整性检查、异常值处理、数据清洗等验证操作,以确保数据的准确性和可靠性。基于所述M个数据分类算力对所述验证后的M个体育教学数据集进行分类标识,获得分类标识后的M个体育教学数据集:根据每个体育教学数据集的特征对其进行分类,并标识出每个数据集的类别。例如,可以根据学生的体能测试结果、参与体育活动的频率等指标进行分类和标识。基于所述存储区块分配结果,将所述分类标识后的M个体育教学数据集存储至所述分布式数据存储区块:包括将每个分类标识后的体育教学数据集按照预先分配的存储空间和访问权限存储到分布式数据存储区块中的相应位置。得到了完成数据存储的分布式数据存储区块,这个存储区块已经包含了经过验证和分类标识后的所有体育教学数据集,并且可以通过特定的加密方式进行安全传输和存储,以保护数据的安全性和隐私性。
实施例二
基于与前述实施例一种智能化的体育教学数据管理方法相同的发明构思,如图4所示,本申请提供了一种智能化的体育教学数据管理系统,所述系统包括:
体育教学数据管理终端交互模块10,所述体育教学数据管理终端交互模块10用于交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数;
特征识别结果遍历模块20,所述特征识别结果遍历模块20用于遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果;
二元提取特征指标获取模块30,所述二元提取特征指标获取模块30用于获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标;
M个二元特征提取特征系数获取模块40,所述M个二元特征提取特征系数获取模块40是基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数;
M个教学数据提取结果获取模块50,所述M个教学数据提取结果获取模块50是基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果;
M个综合体育教学质量系数获取模块60,所述M个综合体育教学质量系数获取模块60是基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数;
分类标识存储模块70,所述分类标识存储模块70是基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
进一步地,该系统还包括:
第m校区获取模块,是基于所述M个校区,获得第m校区,其中,m为正整数,且,m属于M;
m校区信息采集模块,用于对所述第m校区进行基础信息采集,获得第m校区信息;
校区规模特征获取模块,是基于所述第m校区信息进行校区规模识别,获得第m校区规模特征;
第m校区体教成果记录库获取模块,是基于预设历史时区对所述第m校区进行体育教学成果记录采集,获得第m校区体教成果记录库;
第m体教成果稳定度获取模块,是基于所述第m校区体教成果记录库进行体教成果稳定性识别,获得第m体教成果稳定度;
特征识别结果添加模块,是基于所述第m校区规模特征和所述第m体教成果稳定度,获得第m体育教学特征识别结果,并将所述第m体育教学特征识别结果添加至所述M个体育教学特征识别结果。
进一步地,该系统还包括:
特征识别模块,是基于所述M个体育教学特征识别结果,获得所述M个校区对应的M个校区规模特征和M个体教成果稳定度;
集成校区规模特征获取模块,是基于所述M个校区规模特征进行集成分析,获得集成校区规模特征;
第m提取算力约束指标值获取模块,是基于所述第m校区规模特征对所述集成校区规模特征进行占比分析,获得第m提取算力约束指标值;
集成体教成果稳定度获取模块,用于对所述M个体教成果稳定度进行集成分析,获得集成体教成果稳定度;
第m提取时域约束指标值获取模块,是基于所述第m体教成果稳定度对所述集成体教成果稳定度进行占比分析,获得第m提取时域约束指标值;
m二元提取特征系数添加模块,是基于所述第m提取算力约束指标值和所述第m提取时域约束指标值,生成所述第m校区对应的第m二元提取特征系数,并将所述第m二元提取特征系数添加至所述M个二元提取特征系数。
进一步地,该系统还包括:
体育教学质量评价通道构建模块,用于构建体育教学质量评价通道,其中,所述体育教学质量评价通道包括Q个体育教学指标对应的Q个体育教学质量评价器,其中,Q为大于1的正整数;
教学质量稳定度识别函数构建模块,用于构建教学质量稳定度识别函数,并将所述教学质量稳定度识别函数添加至教学质量稳定度识别通道,其中,所述教学质量稳定度识别函数为:
其中,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,J表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的总数量,且,J小于等于Q,Di表征第m教学数据提取结果对应的任意一个体育教学指标-教学质量度,表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的平均值;
综合评价函数构建模块,用于构建教学质量综合评价函数,并将所述教学质量综合评价函数嵌入至教学质量综合评价通道,其中,所述教学质量综合评价函数为:
PEQSm=α*PEQm+β*PESm;
其中,PEQSm表征第m教学数据提取结果对应的第m综合体育教学质量系数,PEQm表征第m教学数据提取结果对应的第m体育教学质量度,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,α表征教学质量度权重,β表征教学质量稳定度权重,且,α、β之和为1;
集成所述体育教学质量评价通道、所述教学质量稳定度识别通道和所述教学质量综合评价通道,生成所述三维体育教学数据分析通道。
进一步地,该系统还包括:
第m教学数据提取结果获取模块,是基于所述M个教学数据提取结果,获得第m教学数据提取结果;
多个同质体育教学数据提取结果获取模块,用于对所述第m教学数据提取结果进行同质体育教学指标分类,获得多个同质体育教学数据提取结果;
质量评价器匹配模块,是基于所述体育教学质量评价通道,匹配所述多个同质体育教学数据提取结果对应的多个匹配体育教学质量评价器;
多个体育教学指标-教学质量度获取模块,用于将所述多个同质体育教学数据提取结果输入所述多个匹配体育教学质量评价器,获得多个体育教学指标-教学质量度;
Q维指标权重获取模块,是基于所述Q个体育教学指标,获得Q维指标权重;
第m体育教学质量度获取模块,是基于所述Q维指标权重匹配所述多个体育教学指标-教学质量度对应的多维匹配指标权重,并根据所述多维匹配指标权重对所述多个体育教学指标-教学质量度进行加权计算,获得第m体育教学质量度;
第m体育教学质量稳定度获取模块,用于将所述多个体育教学指标-教学质量度输入所述教学质量稳定度识别通道,获得第m体育教学质量稳定度;
综合教学质量系数获取模块,用于将所述第m体育教学质量度和所述第m体育教学质量稳定度输入所述教学质量综合评价通道,获得所述第m教学数据提取结果对应的第m综合体育教学质量系数,并将所述第m综合体育教学质量系数添加至所述M个综合体育教学质量系数。
进一步地,该系统还包括:
分布式数据存储区块构建模块,是基于链式存储,构建分布式数据存储区块,其中,所述分布式数据存储区块包括M个数据存储子区块;
存储区块分配结果获取模块,是基于所述M个综合体育教学质量系数,对所述M个体育教学数据集执行所述分布式数据存储区块的区块分配,获得存储区块分配结果;
加密传输模块,是基于所述存储区块分配结果,将所述M个体育教学数据集存储至所述分布式数据存储区块,获得完成数据存储的分布式数据存储区块,并将所述完成数据存储的分布式数据存储区块加密传输至所述体育教学数据存储模块。
进一步地,该系统还包括:
综合体育教学质量系数获取模块,是基于所述M个综合体育教学质量系数,获得M个数据验证算力和M个数据分类算力;
体育教学数据集验证模块,是基于所述M个数据验证算力对所述M个体育教学数据集进行数据验证,获得验证后的M个体育教学数据集;
分类标识后的M个体育教学数据集获取模块,是基于所述M个数据分类算力对所述验证后的M个体育教学数据集进行分类标识,获得分类标识后的M个体育教学数据集;
数据存储模块,是基于所述存储区块分配结果,将所述分类标识后的M个体育教学数据集存储至所述分布式数据存储区块,得到所述完成数据存储的分布式数据存储区块。
说明书通过前述一种智能化的体育教学数据管理方法的详细描述,本领域技术人员可以清楚地知识本实施例中一种智能化的体育教学数据管理系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,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,在其他实施例中实现。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)
1.一种智能化的体育教学数据管理方法,其特征在于,所述方法包括:
交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数;
遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果;
获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标;
基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数;
基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果;
基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数;
基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
2.如权利要求1所述的方法,其特征在于,遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果,包括:
基于所述M个校区,获得第m校区,其中,m为正整数,且,m属于M;
对所述第m校区进行基础信息采集,获得第m校区信息;
基于所述第m校区信息进行校区规模识别,获得第m校区规模特征;
基于预设历史时区对所述第m校区进行体育教学成果记录采集,获得第m校区体教成果记录库;
基于所述第m校区体教成果记录库进行体教成果稳定性识别,获得第m体教成果稳定度;
基于所述第m校区规模特征和所述第m体教成果稳定度,获得第m体育教学特征识别结果,并将所述第m体育教学特征识别结果添加至所述M个体育教学特征识别结果。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
基于所述M个体育教学特征识别结果,获得所述M个校区对应的M个校区规模特征和M个体教成果稳定度;
基于所述M个校区规模特征进行集成分析,获得集成校区规模特征;
基于所述第m校区规模特征对所述集成校区规模特征进行占比分析,获得第m提取算力约束指标值;
对所述M个体教成果稳定度进行集成分析,获得集成体教成果稳定度;
基于所述第m体教成果稳定度对所述集成体教成果稳定度进行占比分析,获得第m提取时域约束指标值;
基于所述第m提取算力约束指标值和所述第m提取时域约束指标值,生成所述第m校区对应的第m二元提取特征系数,并将所述第m二元提取特征系数添加至所述M个二元提取特征系数。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
构建体育教学质量评价通道,其中,所述体育教学质量评价通道包括Q个体育教学指标对应的Q个体育教学质量评价器,其中,Q为大于1的正整数;
构建教学质量稳定度识别函数,并将所述教学质量稳定度识别函数添加至教学质量稳定度识别通道,其中,所述教学质量稳定度识别函数为:
其中,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,J表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的总数量,且,J小于等于Q,Di表征第m教学数据提取结果对应的任意一个体育教学指标-教学质量度,表征第m教学数据提取结果对应的多个体育教学指标-教学质量度的平均值;
构建教学质量综合评价函数,并将所述教学质量综合评价函数嵌入至教学质量综合评价通道,其中,所述教学质量综合评价函数为:
PEQSm=α*PEQm+β*PESm;
其中,PEQSm表征第m教学数据提取结果对应的第m综合体育教学质量系数,PEQm表征第m教学数据提取结果对应的第m体育教学质量度,PESm表征第m教学数据提取结果对应的第m体育教学质量稳定度,α表征教学质量度权重,β表征教学质量稳定度权重,且,α、β之和为1;
集成所述体育教学质量评价通道、所述教学质量稳定度识别通道和所述教学质量综合评价通道,生成所述三维体育教学数据分析通道。
5.如权利要求4所述的方法,其特征在于,基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数,包括:
基于所述M个教学数据提取结果,获得第m教学数据提取结果;
对所述第m教学数据提取结果进行同质体育教学指标分类,获得多个同质体育教学数据提取结果;
基于所述体育教学质量评价通道,匹配所述多个同质体育教学数据提取结果对应的多个匹配体育教学质量评价器;
将所述多个同质体育教学数据提取结果输入所述多个匹配体育教学质量评价器,获得多个体育教学指标-教学质量度;
基于所述Q个体育教学指标,获得Q维指标权重;
基于所述Q维指标权重匹配所述多个体育教学指标-教学质量度对应的多维匹配指标权重,并根据所述多维匹配指标权重对所述多个体育教学指标-教学质量度进行加权计算,获得第m体育教学质量度;
将所述多个体育教学指标-教学质量度输入所述教学质量稳定度识别通道,获得第m体育教学质量稳定度;
将所述第m体育教学质量度和所述第m体育教学质量稳定度输入所述教学质量综合评价通道,获得所述第m教学数据提取结果对应的第m综合体育教学质量系数,并将所述第m综合体育教学质量系数添加至所述M个综合体育教学质量系数。
6.如权利要求1所述的方法,其特征在于,基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块,包括:
基于链式存储,构建分布式数据存储区块,其中,所述分布式数据存储区块包括M个数据存储子区块;
基于所述M个综合体育教学质量系数,对所述M个体育教学数据集执行所述分布式数据存储区块的区块分配,获得存储区块分配结果;
基于所述存储区块分配结果,将所述M个体育教学数据集存储至所述分布式数据存储区块,获得完成数据存储的分布式数据存储区块,并将所述完成数据存储的分布式数据存储区块加密传输至所述体育教学数据存储模块。
7.如权利要求6所述的方法,其特征在于,基于所述存储区块分配结果,将所述M个体育教学数据集存储至所述分布式数据存储区块,获得完成数据存储的分布式数据存储区块,包括:
基于所述M个综合体育教学质量系数,获得M个数据验证算力和M个数据分类算力;
基于所述M个数据验证算力对所述M个体育教学数据集进行数据验证,获得验证后的M个体育教学数据集;
基于所述M个数据分类算力对所述验证后的M个体育教学数据集进行分类标识,获得分类标识后的M个体育教学数据集;
基于所述存储区块分配结果,将所述分类标识后的M个体育教学数据集存储至所述分布式数据存储区块,得到所述完成数据存储的分布式数据存储区块。
8.一种智能化的体育教学数据管理系统,其特征在于,所述系统包括:
体育教学数据管理终端交互模块,所述体育教学数据管理终端交互模块用于交互体育教学数据管理终端,基于N级时域约束分别对目标区域的M个校区进行体育教学数据采集,获得M个体育教学数据集,且,N、M均为大于1的正整数;
特征识别结果遍历模块,所述特征识别结果遍历模块用于遍历所述M个校区进行体育教学特征识别,获得M个体育教学特征识别结果;
二元提取特征指标获取模块,所述二元提取特征指标获取模块用于获得二元提取特征指标,其中,所述二元提取特征指标包括提取算力约束指标和提取时域约束指标;
M个二元特征提取特征系数获取模块,所述M个二元特征提取特征系数获取模块是基于所述二元提取特征指标,遍历所述M个体育教学特征识别结果进行提取特征分析,获得M个二元提取特征系数;
M个教学数据提取结果获取模块,所述M个教学数据提取结果获取模块是基于所述M个二元提取特征系数,分别对所述M个体育教学数据集进行数据提取,获得M个教学数据提取结果;
M个综合体育教学质量系数获取模块,所述M个综合体育教学质量系数获取模块是基于预先构建的三维体育教学数据分析通道,分别对所述M个教学数据提取结果进行体育教学质量评价,获得M个综合体育教学质量系数;
分类标识存储模块,所述分类标识存储模块是基于所述M个综合体育教学质量系数,将所述M个体育教学数据集分类标识存储至所述体育教学数据管理终端内的体育教学数据存储模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311318287.8A CN117333067B (zh) | 2023-10-12 | 2023-10-12 | 一种智能化的体育教学数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311318287.8A CN117333067B (zh) | 2023-10-12 | 2023-10-12 | 一种智能化的体育教学数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117333067A true CN117333067A (zh) | 2024-01-02 |
CN117333067B CN117333067B (zh) | 2024-04-05 |
Family
ID=89294943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311318287.8A Active CN117333067B (zh) | 2023-10-12 | 2023-10-12 | 一种智能化的体育教学数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333067B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
CN114035937A (zh) * | 2021-10-15 | 2022-02-11 | 北京潞晨科技有限公司 | 一种基于人工智能的分布式训练和推理方法、系统、设备和可读存储介质 |
CN115511056A (zh) * | 2022-09-30 | 2022-12-23 | 中国人民解放军军事科学院战略评估咨询中心 | 一种深度学习处理器性能测试与评价方法 |
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 |
CN116823028A (zh) * | 2023-06-05 | 2023-09-29 | 中银金融科技有限公司 | 教学质量评价系统及方法 |
-
2023
- 2023-10-12 CN CN202311318287.8A patent/CN117333067B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
CN114035937A (zh) * | 2021-10-15 | 2022-02-11 | 北京潞晨科技有限公司 | 一种基于人工智能的分布式训练和推理方法、系统、设备和可读存储介质 |
CN115511056A (zh) * | 2022-09-30 | 2022-12-23 | 中国人民解放军军事科学院战略评估咨询中心 | 一种深度学习处理器性能测试与评价方法 |
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 |
CN116823028A (zh) * | 2023-06-05 | 2023-09-29 | 中银金融科技有限公司 | 教学质量评价系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117333067B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeFord et al. | Recombination: A family of Markov chains for redistricting | |
CN108182489B (zh) | 一种基于在线学习行为分析的个性化学习推荐方法 | |
Johnson et al. | Ordinal data modeling | |
Jeevalatha et al. | Performance analysis of undergraduate students placement selection using decision tree algorithms | |
Ida et al. | Effects of large-scale research funding programs: a Japanese case study | |
Laureti et al. | Measuring the efficiency of teaching activities in Italian universities: An information theoretic approach | |
Wati et al. | Data mining for predicting students' learning result | |
Gelfand et al. | Handbook of environmental and ecological statistics | |
Rudas | Lectures on categorical data analysis | |
Rani et al. | Determination of student subjects in higher education using hybrid data mining method with the K-Means algorithm and FP growth | |
CN110069550A (zh) | 一种基于教育关联的统计分析方法及云平台系统 | |
Liang et al. | Modeling and regionalization of China’s PM2. 5 using spatial-functional mixture models | |
CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
Borgavakar et al. | Evaluating student’s performance using k-means clustering | |
Durand et al. | How to combine and analyze all the data from diverse sources: a multilevel analysis of institutional trust in the world | |
Safitri et al. | Educational data mining using cluster analysis methods and decision trees based on log mining | |
CN105389646A (zh) | 基于灰色白化函数变权聚类法的评估方法 | |
Georgiadis et al. | On the robustness of stealth assessment | |
CN117333067B (zh) | 一种智能化的体育教学数据管理方法及系统 | |
Wijayanti et al. | K-means cluster analysis for students graduation: case study: STMIK Widya Cipta Dharma | |
Nohadani et al. | Categorizing users of cloud services | |
Maulana et al. | Analysis of the Effectiveness of Online Learning Using Eda Data Science and Machine Learning | |
Fernando et al. | Development of a Predictive Decision Support System for Student Graduation using a Decision Tree Algorithm | |
Ashley et al. | Exploration of educational data mining in improving teaching quality | |
Palani | Identifying At-Risk Students in Virtual Learning Environment using Clustering Techniques |
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 |