CN117522222A - 一种基于大数据的教育测评软件实现方法 - Google Patents
一种基于大数据的教育测评软件实现方法 Download PDFInfo
- Publication number
- CN117522222A CN117522222A CN202311601775.XA CN202311601775A CN117522222A CN 117522222 A CN117522222 A CN 117522222A CN 202311601775 A CN202311601775 A CN 202311601775A CN 117522222 A CN117522222 A CN 117522222A
- Authority
- CN
- China
- Prior art keywords
- data
- education
- educational
- quality
- teaching
- 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 72
- 238000011156 evaluation Methods 0.000 claims abstract description 140
- 238000004140 cleaning Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008878 coupling Effects 0.000 claims abstract description 18
- 238000010168 coupling process Methods 0.000 claims abstract description 18
- 238000005859 coupling reaction Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000003190 augmentative effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000003058 natural language processing Methods 0.000 claims description 12
- 230000009193 crawling Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000009472 formulation Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 17
- 230000006872 improvement Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003749 cleanliness Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及大数据技术领域,尤其涉及一种基于大数据的教育测评软件实现方法。该方法包括以下步骤:获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,获取教育领域预处理数据;对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,获取多维学生学习情况特征数据以及多维教师教学质量特征数据;根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,获取教学教育质量关联模型;获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,获取教育测评评估指标模型。本发明通过改进教学方法、优化教学资源配置的措施,优化教育教学质量。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及一种基于大数据的教育测评软件实现方法。
背景技术
教育测评软件实现方法主要指的是通过使用软件工具和技术,对学生的学习进度、教师的教学质量以及教育系统的效率进行评估的方法。这些方法通常包括数据收集、数据分析、生成评估报告的步骤。很多教育测评软件主要依赖标准化的评估方法,例如选择题测试、等级评分。这些方法虽然便于操作和理解,但可能难以全面、准确地反映学生的学习情况和需求,也难以评估教师的教学质量。
发明内容
本发明为解决上述技术问题,提出了一种基于大数据的教育测评软件实现方法,以解决至少一个上述技术问题。
本申请提供了一种基于大数据的教育测评软件实现方法,包括以下步骤:
步骤S1:获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
步骤S2:对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
步骤S3:根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
步骤S4:获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
步骤S5:获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
本发明中通过使用大数据处理和机器学习模型,本发明能自动处理和分析大量的教育领域数据,从而大大提高了教育测评的效率。本发明能从大量数据中提取出学生学习情况和教师教学质量的特征,这样得出的教育测评结果会比传统方法更准确。基于学生学习情况特征数据和教师教学质量特征数据的深度学习模型,能根据每个学生和教师的实际情况提供个性化的教育建议,有助于提高教育质量。通过获取的教育测评报告数据,教育决策者可以更全面、准确地了解教学效果,有助于进行更好的教育决策。本发明可以适用于各种不同的教育环境和教育模式,具有很强的通用性和灵活性。通过对教育活动数据的评估,能够发现教育资源的使用情况,有助于教育资源的优化配置。本发明通过对教育领域预处理数据的深度学习,能够科学地生成教育评估指标,使教育评估更加科学和准确。
优选地,步骤S1具体为:
步骤S11:获取原始数据源列表数据;
步骤S12:利用预设的数据源爬取技术对原始数据源列表数据进行数据爬取,从而获取原始数据集;
步骤S13:对原始数据集进行教育数据质量审查并筛选,从而获取优质原始数据集;
步骤S14:对优质原始数据集进行教育数据清洗,从而获取教育清洗数据;
步骤S15:对教育清洗数据进行标签化处理,从而获取教育领域预处理数据。
本发明中通过原始数据源列表的获取和优质数据的筛选,可以保证处理和分析的数据质量,提高了教育测评结果的准确性。本发明通过数据清洗和标签化处理,去除无关项和错误数据,增强了数据的整洁度和可用性,为后续数据分析和模型训练打下了坚实基础。本发明利用预设的数据源爬取技术自动进行数据收集和预处理,大大提高了数据处理的效率,减轻了人力负担。本发明可以处理来自不同数据源的数据,适应各种类型和格式的数据,具有很强的适应性。本发明获取的教育领域预处理数据可以为后续的学生学习情况分析和教师教学质量评估提供依据,帮助教育决策者更快地做出决策。
优选地,原始数据源列表数据包括增强现实数据源列表数据、文本语言数据源列表数据以及自然语言数据源列表数据,原始数据集包括增强现实原始数据集、文本语言原始数据集以及自然语言原始数据集,步骤S12具体为:
步骤S121:利用预设的视觉识别模型对增强现实数据源列表数据进行数据识别并提取,从而获取增强现实原始数据集;
步骤S122:利用预设的自然语言处理爬虫对文本语言数据源列表数据进行自然语言关键词识别并教育主题提取,从而获取文本语言原始数据集;
步骤S123:对自然语言数据源列表数据进行语义分析提取,从而获取自然语言原始数据集。
本发明中通过处理增强现实数据、文本语言数据以及自然语言数据,本发明可以从多维度理解和分析教育场景,从而获取更全面的数据支持。通过使用预设的视觉识别模型和自然语言处理爬虫,可以精确地提取出有用的信息,这大大提高了数据的准确性和利用率。利用自然语言处理和视觉识别等先进技术,提高了数据处理的效率和准确性。通过对文本语言数据进行自然语言关键词识别和教育主题提取,可以更深入地理解学生的学习情况和教师的教学效果,从而为教育评估和改进提供更有针对性的依据。通过对自然语言数据进行语义分析提取,本发明可以理解学生和教师的真实意图和需求,从而为提高教育质量提供有力的支持。本发明采用了大数据处理和分析的方法,可以处理大量的数据,得出更为准确和科学的结果,有利于教育决策。
优选地,步骤S14中教育数据清洗通过教育数据清洗计算公式进行数据清洗,其中教育数据清洗计算公式具体为:
y为教育清洗数据,x为优质原始数据集中的特定项属性项,a为教育清洗底数常数项,n为优质原始数据集的特定项数据数量,f(x)为根据x选定的第一教育数据清洗函数,g(x)为根据x选定的第二教育数据清洗函数,h(x)为根据x选定的第三教育数据清洗函数,k(x)为根据x选定的第四教育数据清洗函数,c为教育清洗振幅项,b为教育清洗振幅项。
本发明构造了一种教育数据清洗计算公式,该计算公式利用此公式进行数据清洗,可以实现数据标准化,将原始数据转换为具有一定范围和规律的数据,有利于后续的数据分析和处理。公式中包含极限的概念,可以处理数据中的异常值,保证数据的整体质量。公式中的导数和对数运算有助于提取数据中的重要特征,强化了数据中的重要信息。通过将不同的数据处理函数f(x),g(x),h(x),k(x)应用到数据集上,实现了对数据的多维度处理,使得数据清洗更加全面。x是特定的属性项,可以理解为数据中的特定维度或特征。a是底数,决定了对数函数的基准,可以影响数据的变化率。n是数据集中特定项的数量,与极限运算结合,用于处理大量数据和异常值。f(x),g(x),h(x),k(x)是根据x选定的不同的清洗函数,用于处理数据的不同方面,如去噪、规范化、填补缺失值。c和b是三角函数的振幅和频率,可以用于在数据清洗过程中引入某种周期性的变化,有助于处理具有周期性特征的数据。本发明实现了对数据的综合处理能力,包括标准化、特征提取、异常值处理和多维度处理,能够使数据清洗更加全面和准确,为后续的数据分析提供高质量的数据。
优选地,步骤S2具体为:
步骤S21:对教育领域预处理数据进行学生学习情况数据提取以及教师教学质量数据提取,从而获取学生学习情况数据以及教师教学质量数据;
步骤S22:对学生学习情况数据以及教师教学质量数据进行数据关联,从而获取教学关联数据;
步骤S23:对教学关联数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据;
步骤S24:对初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据进行特征数据转换并数据规模调整,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据。
本发明中步骤S21和步骤S23通过数据提取和特征提取,可以有效地提取出关键信息,从而提升数据的质量和使用价值。数据的质量直接影响到模型训练的效果,高质量的数据可以显著提升模型的性能。步骤S22通过数据关联,将学生的学习情况和教师的教学质量进行关联,强化了数据之间的关联性,这有助于挖掘数据深层次的信息,提供更为丰富和全面的视角。步骤S23和步骤S24通过特征提取和特征转换,将原始数据转化为具有明确意义的特征数据,增强了数据的可解释性,有利于理解数据,并使得后续的模型训练和评估更为便利。步骤S24通过数据规模调整,可以使得不同的特征数据具有相同的规模,消除了由于数据规模不同导致的影响,提升了数据处理的效率,优化了后续模型训练的效果。
优选地,步骤S22中数据关联通过教学数据关联计算公式进行处理,其中教学数据关联计算公式具体为:
R为教学关联数据,m为根据学生学习情况数据以及教师教学质量数据生成的数据总数,i为关联序次项,k为第一教学关联底数常数项,l为第二教学关联底数常数项,Si为第i个学生学习情况数据,Ti为第i个教师教学质量数据,Qi为第i个学生学习情况数据以及第i个教师教学质量数据的匹配度项,Pi为第i个学生学习情况数据以及第i个教师教学质量数据的潜力值。
本发明构造了一种教学数据关联计算公式,通过这个公式,能够以科学的方法衡量并显示学生的学习情况和教师的教学质量之间的关联性。它将两种不同类型的数据(学生学习情况Si和教师教学质量Ti)通过数学方式关联在一起,有助于挖掘更深层次的数据信息。由于该公式充分考虑了各种因素(如匹配度项Qi和潜力值Pi),因此在衡量学生学习情况和教师教学质量的关联度时,会更加准确和全面。这将有助于提升后续模型训练的精度。通过这个公式,原本难以直接使用的学生学习情况和教师教学质量数据,被转化为具有明确意义的教学关联数据,极大地提升了这些数据的价值。这个公式不仅仅将学生学习情况和教师教学质量数据进行关联,同时还考虑了它们的匹配度和潜力值,这为数据添加了新的维度,有利于进行更为深入和全面的分析。这个教学数据关联计算公式通过科学的方式,将学生学习情况和教师教学质量进行关联,提升了数据的价值和使用效果,为后续的教育测评提供了重要的支持。
优选地,步骤S3具体为:
步骤S31:根据多维学生学习情况特征数据进行学生学习特性模型构建,从而获取学生学习特性模型,其中学生学习特性模型构建为采用深度神经网络算法进行模型构建;
步骤S32:根据多维教师质量特征数据进行教师教学质量模型构建,从而获取教师教学质量模型,其中教师教学质量模型构建为通过生成决策树算法进行模型构建;
步骤S33:对学生学习特性模型以及教师教学质量模型进行输出耦合关联,从而获取教学教育质量关联模型。
本发明中由于采用了深度神经网络和生成决策树两种算法进行模型训练,可以更准确地识别和预测学生学习情况和教师教学质量,提供精准的数据支持。通过构建模型对教育数据进行处理,能够显著提升数据处理和分析的效率。相较于传统的数据处理方式,模型的构建和训练能够更快更准确地提取有用信息。通过模型的训练和构建,可以识别学生学习情况和教师教学质量之间复杂的内在关系,为进一步的教学改进提供依据。生成的教学教育质量关联模型可用于多种场合和目标,例如课程设计、教师培训、学生评估,具有广泛的应用价值。通过对学生学习特性模型和教师教学质量模型进行耦合关联,生成的教学教育质量关联模型能够更全面、精确地反映出教育教学的真实情况,为提升教学质量提供强有力的数据支持。
优选地,步骤S4具体为:
步骤S41:获取教育评估指标数据,其中教育评估指标数据包括教师教育质量评估指标数据以及学生喜欢程度评估指标数据;
步骤S42:对教育评估指标数据进行评估指标权重分配,从而获取教育评估指标权重分配数据;
步骤S43:利用教育评估指标权重分配数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型。
本发明中通过设定的评估指标,可以对教师的教育质量和学生的喜欢程度进行客观、公正的评估。评估结果更具参考性和可比性。根据不同指标的重要性进行权重分配,可以使得评估结果更加准确。这样可以确保对重要指标的关注,同时也不会忽视其他的评估因素。根据实际需求,可以随时调整评估指标和权重,使得测评模型能更好地适应不同的教育环境和目标。通过教育评估指标模型的应用,可以发现教学的问题和不足,为教学改进提供依据,从而提高教学质量。通过对学生喜欢程度的评估,可以了解学生对教学的反馈,进一步优化教学,提升学生的满意度。
优选地,步骤S5具体为:
步骤S51:获取教育活动数据,并对教育活动数据进行教育活动数据预处理,从而获取教育活动预处理数据;
步骤S52:对教育活动预处理数据进行教育质量相关数据提取,从而获取教育质量相关数据;
步骤S53:利用教育测评评估指标模型对教育质量相关数据进行评估,从而获取教育测评评估指标数据;
步骤S54:根据教育测评评估指标数据生成教育测评报告数据。
本发明中通过获取并预处理教育活动数据,进行相关数据的提取和评估,可以更客观、准确地评估教育活动的质量和效果,有利于提高教育活动的有效性。生成的教育测评报告数据可以为教育决策者提供有力的支持,包括教学方法的改进、教材的调整、教学策略的优化,都可以基于这些数据做出更有依据的决策。对教育活动的质量和效果的评估,可以帮助教育管理者更好地配置教育资源,例如调整教学人员配置,优化教学设施。本步骤的实施有助于及时发现教育活动的问题和不足,从而更早地进行改正和优化,提升整体教育质量。通过对教育活动的持续监控和评估,可以实现教育活动的持续改进,促使教育活动更加适应学生需求和社会发展。
优选地,本申请还提供了一种基于大数据的教育测评软件实现系统,用于执行如上所述的基于大数据的教育测评软件实现方法,该基于大数据的教育测评软件实现系统包括:
教育数据清洗并修复模块,用于获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
特征提取模块,用于对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
教学教育质量关联耦合模型训练模块,用于根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
评估指标制定模块,用于获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
教育活动评估模块,用于获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
本发明的有益效果在于:通过多维度提取学生学习和教师教学的特征,可以全面把握学生的学习状况和教师的教学质量。与传统方法相比,本发明可以考虑更多种类的特征,如学生的学习热情、专注度、学习速度,以及教师的教学方法、教学互动。本发明使得评估结果更为准确,能够真实反映学生学习和教师教学的情况。本发明通过关联耦合模型的训练,能够精确地描述学生学习和教师教学之间的关联关系,这样可以更好地理解和预测教育质量。此外,本发明通过使用先进的数据处理技术和机器学习模型,可以进一步提高评估结果的精确性。能够根据教育评估指标数据来动态地制定评估指标,使得评估过程可以根据具体的需求和环境进行调整。本发明还可以应对各种教育活动,具有很强的通用性和适应性。本发明可以实时获取教育活动数据,并利用教育测评评估指标模型进行评估,生成教育测评报告。这种实时性能够让教师和学生及时了解教育质量的情况,有助于及时调整教学方法和学习策略,从而提高教育效果。本发明生成的教育测评报告可以为教师、学生、家长、教育管理者的提供参考,帮助他们更好地了解教育质量,优化教育资源配置,提高教育效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的基于大数据的教育测评软件实现方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S12的步骤流程图;
图4示出了一实施例的步骤S2的步骤流程图;
图5示出了一实施例的步骤S3的步骤流程图;
图6示出了一实施例的步骤S4的步骤流程图;
图7示出了一实施例的步骤S5的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7,本申请提供了一种基于大数据的教育测评软件实现方法,包括以下步骤:
步骤S1:获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
具体地,例如过互联网获取来自各个学校的教育领域基础数据,包括学生的成绩、出勤情况、作业提交情况等。获取的数据可能包括许多无关的信息,比如冗余字段,缺失值。系统使用Apache Hadoop大数据处理框架进行数据清洗和修复,比如删除冗余字段,填充缺失值等。经过预处理后,教育领域预处理数据即可用于下一步。
步骤S2:对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
具体地,例如系统使用特征工程技术,对教育领域预处理数据进行多维特征提取。具体地,软件使用“随机森林”算法来选择重要的特征。例如,对于学生学习情况,可能选取的特征包括成绩、出勤情况、作业提交情况;对于教师教学质量,可能选取的特征包括教学评分、教学时长、课程反馈。
步骤S3:根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
具体地,例如系统对多维特征数据进行关联耦合模型训练。具体地,系统通过支持向量机(SVM),对学生学习情况特征数据和教师教学质量特征数据进行训练。例如,如果学生的成绩和教师的教学评分呈正相关,那么这种关系会被学习并嵌入到模型中。
步骤S4:获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
具体地,例如获取教育评估指标数据,包括学校设定的各种教育质量标准。然后,软件使用这些数据来对教学教育质量关联模型进行评估指标制定。具体地,系统通过数据/特征标准化技术,把模型的输出结果转换成具体的评估指标。例如,如果模型预测学生的成绩为85分,那么这个结果可能会被转换成“优秀”的评估指标。
步骤S5:获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
具体地,例如获取教育活动数据,包括学生的学习行为数据、教师的教学行为数据。然后,软件利用前面得到的评估指标模型,对这些数据进行评估。具体地,系统采用批量处理技术,对大量的数据进行快速评估。最后,软件生成教育测评报告数据,并输出给用户。
本发明中通过使用大数据处理和机器学习模型,本发明能自动处理和分析大量的教育领域数据,从而大大提高了教育测评的效率。本发明能从大量数据中提取出学生学习情况和教师教学质量的特征,这样得出的教育测评结果会比传统方法更准确。基于学生学习情况特征数据和教师教学质量特征数据的深度学习模型,能根据每个学生和教师的实际情况提供个性化的教育建议,有助于提高教育质量。通过获取的教育测评报告数据,教育决策者可以更全面、准确地了解教学效果,有助于进行更好的教育决策。本发明可以适用于各种不同的教育环境和教育模式,具有很强的通用性和灵活性。通过对教育活动数据的评估,能够发现教育资源的使用情况,有助于教育资源的优化配置。本发明通过对教育领域预处理数据的深度学习,能够科学地生成教育评估指标,使教育评估更加科学和准确。
优选地,步骤S1具体为:
步骤S11:获取原始数据源列表数据;
具体地,例如在获取原始数据源列表数据的过程中,主要依赖于各学校提供的在线数据库或者开放接口。例如,学校的学生信息系统(SIS)可能会提供学生的成绩,出勤记录的数据,而教学管理系统(LMS)可能会提供教师的教学评分,课程反馈的数据。
步骤S12:利用预设的数据源爬取技术对原始数据源列表数据进行数据爬取,从而获取原始数据集;
具体地,例如具体的爬取技术可以根据数据源的类型和结构来选择。例如,对于提供API接口的数据源,可以使用请求(Request)库进行数据爬取;对于网页类型的数据源,可以使用BeautifulSoup或者Scrapy库进行爬取。
步骤S13:对原始数据集进行教育数据质量审查并筛选,从而获取优质原始数据集;
具体地,例如数据质量审查通常包括数据完整性,一致性,准确性等方面的检查。例如,对于数据完整性,可以检查每个记录是否都包含必要的字段;对于数据一致性,可以检查同一字段在不同记录中是否具有一致的格式;对于数据准确性,可以通过一些基础的逻辑规则(例如,成绩不能为负数)来进行检查。
步骤S14:对优质原始数据集进行教育数据清洗,从而获取教育清洗数据;
具体地,例如数据清洗通常包括删除冗余字段,填充缺失值,纠正错误值等操作。例如,可以使用Python的pandas库来实现数据清洗。例如,pandas库的dropna函数可以用来删除含有缺失值的记录,而fillna函数可以用来填充缺失值。
步骤S15:对教育清洗数据进行标签化处理,从而获取教育领域预处理数据。
具体地,例如标签化处理通常是指将类别型的数据转换为数值型的数据,以便于机器学习算法的处理。例如,可以使用Python的sklearn库的LabelEncoder类来实现标签化处理。例如,对于学生的成绩字段,可以将其转换为“优秀”,“良好”,“及格”,“不及格”的标签。
本发明中通过原始数据源列表的获取和优质数据的筛选,可以保证处理和分析的数据质量,提高了教育测评结果的准确性。本发明通过数据清洗和标签化处理,去除无关项和错误数据,增强了数据的整洁度和可用性,为后续数据分析和模型训练打下了坚实基础。本发明利用预设的数据源爬取技术自动进行数据收集和预处理,大大提高了数据处理的效率,减轻了人力负担。本发明可以处理来自不同数据源的数据,适应各种类型和格式的数据,具有很强的适应性。本发明获取的教育领域预处理数据可以为后续的学生学习情况分析和教师教学质量评估提供依据,帮助教育决策者更快地做出决策。
优选地,原始数据源列表数据包括增强现实数据源列表数据、文本语言数据源列表数据以及自然语言数据源列表数据,原始数据集包括增强现实原始数据集、文本语言原始数据集以及自然语言原始数据集,步骤S12具体为:
步骤S121:利用预设的视觉识别模型对增强现实数据源列表数据进行数据识别并提取,从而获取增强现实原始数据集;
具体地,例如预设的视觉识别模型如图像识别模型,例如ResNet,VGG,可以对增强现实数据源列表数据进行数据识别并提取,获取增强现实原始数据集。增强现实数据通常来自于教学过程中使用的AR教育软件,例如Google Expeditions,视觉识别模型能够识别其中的教学元素,并提取关键的教学信息。
步骤S122:利用预设的自然语言处理爬虫对文本语言数据源列表数据进行自然语言关键词识别并教育主题提取,从而获取文本语言原始数据集;
具体地,例如预设的自然语言处理爬虫,例如使用Python的BeautifulSoup库结合自然语言处理库如NLTK,SpaCy进行关键词识别并教育主题提取,从而获取文本语言原始数据集。文本语言数据源列表数据可能来自于教学论文,教学方案,学生作业,自然语言处理爬虫能够通过对这些文本进行语义理解,抽取出与教育相关的主题。
步骤S123:对自然语言数据源列表数据进行语义分析提取,从而获取自然语言原始数据集。
具体地,例如对自然语言数据源列表数据进行语义分析提取,从而获取自然语言原始数据集。这里的自然语言数据源可能来自于教学评价,教师反馈,学生心得等,可以使用自然语言处理中的情感分析方法(例如,基于机器学习的情感分析模型,或者基于情感词典的方法)来进行语义分析提取。
本发明中通过处理增强现实数据、文本语言数据以及自然语言数据,本发明可以从多维度理解和分析教育场景,从而获取更全面的数据支持。通过使用预设的视觉识别模型和自然语言处理爬虫,可以精确地提取出有用的信息,这大大提高了数据的准确性和利用率。利用自然语言处理和视觉识别等先进技术,提高了数据处理的效率和准确性。通过对文本语言数据进行自然语言关键词识别和教育主题提取,可以更深入地理解学生的学习情况和教师的教学效果,从而为教育评估和改进提供更有针对性的依据。通过对自然语言数据进行语义分析提取,本发明可以理解学生和教师的真实意图和需求,从而为提高教育质量提供有力的支持。本发明采用了大数据处理和分析的方法,可以处理大量的数据,得出更为准确和科学的结果,有利于教育决策。
优选地,步骤S14中教育数据清洗通过教育数据清洗计算公式进行数据清洗,其中教育数据清洗计算公式具体为:
y为教育清洗数据,x为优质原始数据集中的特定项属性项,a为教育清洗底数常数项,n为优质原始数据集的特定项数据数量,f(x)为根据x选定的第一教育数据清洗函数,g(x)为根据x选定的第二教育数据清洗函数,h(x)为根据x选定的第三教育数据清洗函数,k(x)为根据x选定的第四教育数据清洗函数,c为教育清洗振幅项,b为教育清洗振幅项。
本发明构造了一种教育数据清洗计算公式,该计算公式利用此公式进行数据清洗,可以实现数据标准化,将原始数据转换为具有一定范围和规律的数据,有利于后续的数据分析和处理。公式中包含极限的概念,可以处理数据中的异常值,保证数据的整体质量。公式中的导数和对数运算有助于提取数据中的重要特征,强化了数据中的重要信息。通过将不同的数据处理函数f(x),g(x),h(x),k(x)应用到数据集上,实现了对数据的多维度处理,使得数据清洗更加全面。x是特定的属性项,可以理解为数据中的特定维度或特征。a是底数,决定了对数函数的基准,可以影响数据的变化率。n是数据集中特定项的数量,与极限运算结合,用于处理大量数据和异常值。f(x),g(x),h(x),k(x)是根据x选定的不同的清洗函数,用于处理数据的不同方面,如去噪、规范化、填补缺失值。c和b是三角函数的振幅和频率,可以用于在数据清洗过程中引入某种周期性的变化,有助于处理具有周期性特征的数据。本发明实现了对数据的综合处理能力,包括标准化、特征提取、异常值处理和多维度处理,能够使数据清洗更加全面和准确,为后续的数据分析提供高质量的数据。
优选地,步骤S2具体为:
步骤S21:对教育领域预处理数据进行学生学习情况数据提取以及教师教学质量数据提取,从而获取学生学习情况数据以及教师教学质量数据;
具体地,例如通过自然语言处理技术(例如,关键词提取,主题模型)对教育领域预处理数据进行分析,提取出反映学生学习情况和教师教学质量的数据。例如,从学生作业中提取出学生的学习关键词,从教师反馈和教学评价中提取出反映教师教学质量的信息。
步骤S22:对学生学习情况数据以及教师教学质量数据进行数据关联,从而获取教学关联数据;
具体地,例如使用数据关联技术,例如,关联规则学习(例如Apriori算法,FP-growth算法),挖掘学生学习情况数据和教师教学质量数据之间的关联规则。例如,找出哪些学生学习的关键词与高教学质量的教师有更高的关联性。
步骤S23:对教学关联数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据;
具体地,例如使用特征提取技术,例如主成分分析(PCA),t-分布邻域嵌入算法(t-SNE),对教学关联数据进行多维特征提取,获取初级多维学生学习情况特征数据和初级多维教师教学质量特征数据。例如,通过PCA将学生学习的关键词和教师教学质量的相关度投影到新的特征空间,从而提取出能反映学生学习情况和教师教学质量的多维特征。
步骤S24:对初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据进行特征数据转换并数据规模调整,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据。
具体地,例如通过特征数据转换和数据规模调整技术,例如,MinMaxScaler或StandardScaler进行数据的规范化处理,将初级多维学生学习情况特征数据和初级多维教师教学质量特征数据转换为适合模型学习的多维特征数据。例如,通过MinMaxScaler将初级多维学生学习情况特征数据和初级多维教师教学质量特征数据的值调整到[0,1]范围内,使得数据在不同的特征维度上有相同的规模。
本发明中步骤S21和步骤S23通过数据提取和特征提取,可以有效地提取出关键信息,从而提升数据的质量和使用价值。数据的质量直接影响到模型训练的效果,高质量的数据可以显著提升模型的性能。步骤S22通过数据关联,将学生的学习情况和教师的教学质量进行关联,强化了数据之间的关联性,这有助于挖掘数据深层次的信息,提供更为丰富和全面的视角。步骤S23和步骤S24通过特征提取和特征转换,将原始数据转化为具有明确意义的特征数据,增强了数据的可解释性,有利于理解数据,并使得后续的模型训练和评估更为便利。步骤S24通过数据规模调整,可以使得不同的特征数据具有相同的规模,消除了由于数据规模不同导致的影响,提升了数据处理的效率,优化了后续模型训练的效果。
优选地,步骤S22中数据关联通过教学数据关联计算公式进行处理,其中教学数据关联计算公式具体为:
R为教学关联数据,m为根据学生学习情况数据以及教师教学质量数据生成的数据总数,i为关联序次项,k为第一教学关联底数常数项,l为第二教学关联底数常数项,Si为第i个学生学习情况数据,Ti为第i个教师教学质量数据,Qi为第i个学生学习情况数据以及第i个教师教学质量数据的匹配度项,Pi为第i个学生学习情况数据以及第i个教师教学质量数据的潜力值。
本发明构造了一种教学数据关联计算公式,通过这个公式,能够以科学的方法衡量并显示学生的学习情况和教师的教学质量之间的关联性。它将两种不同类型的数据(学生学习情况Si和教师教学质量Ti)通过数学方式关联在一起,有助于挖掘更深层次的数据信息。由于该公式充分考虑了各种因素(如匹配度项Qi和潜力值Pi),因此在衡量学生学习情况和教师教学质量的关联度时,会更加准确和全面。这将有助于提升后续模型训练的精度。通过这个公式,原本难以直接使用的学生学习情况和教师教学质量数据,被转化为具有明确意义的教学关联数据,极大地提升了这些数据的价值。这个公式不仅仅将学生学习情况和教师教学质量数据进行关联,同时还考虑了它们的匹配度和潜力值,这为数据添加了新的维度,有利于进行更为深入和全面的分析。这个教学数据关联计算公式通过科学的方式,将学生学习情况和教师教学质量进行关联,提升了数据的价值和使用效果,为后续的教育测评提供了重要的支持。
优选地,步骤S3具体为:
步骤S31:根据多维学生学习情况特征数据进行学生学习特性模型构建,从而获取学生学习特性模型,其中学生学习特性模型构建为采用深度神经网络算法进行模型构建;
具体地,例如利用深度神经网络(例如,卷积神经网络(CNN)或循环神经网络(RNN))建立学生学习特性模型。具体地,可以先将多维学生学习情况特征数据输入到深度神经网络中,然后通过反向传播和梯度下降等算法进行训练,最后得到可以预测学生学习特性的模型。例如,假设有一个1000个学生的数据集,每个学生有10个特征(例如,学习时长,作业完成度),建立一个三层的全连接神经网络,其中输入层有10个神经元,隐藏层有50个神经元,输出层有1个神经元(表示学生的学习特性)。
步骤S32:根据多维教师质量特征数据进行教师教学质量模型构建,从而获取教师教学质量模型,其中教师教学质量模型构建为通过生成决策树算法进行模型构建;
具体地,例如利用决策树算法(例如,C4.5,CART)建立教师教学质量模型。具体地,将多维教师质量特征数据作为输入,然后通过决策树算法构建一棵可以预测教师教学质量的决策树。例如,假设有一个500个教师的数据集,每个教师有5个特征(例如,教学经验,学生评价),根据这些特征建立一棵决策树,从而得到教师教学质量模型。
步骤S33:对学生学习特性模型以及教师教学质量模型进行输出耦合关联,从而获取教学教育质量关联模型。
具体地,例如对学生学习特性模型以及教师教学质量模型进行输出耦合关联,以得到教学教育质量关联模型。具体地,通过一种集成学习方法,例如堆叠(stacking),将学生学习特性模型和教师教学质量模型的预测结果作为输入,通过训练一个元学习器(例如,逻辑回归,支持向量机等),得到最终的教学教育质量关联模型。
本发明中由于采用了深度神经网络和生成决策树两种算法进行模型训练,可以更准确地识别和预测学生学习情况和教师教学质量,提供精准的数据支持。通过构建模型对教育数据进行处理,能够显著提升数据处理和分析的效率。相较于传统的数据处理方式,模型的构建和训练能够更快更准确地提取有用信息。通过模型的训练和构建,可以识别学生学习情况和教师教学质量之间复杂的内在关系,为进一步的教学改进提供依据。生成的教学教育质量关联模型可用于多种场合和目标,例如课程设计、教师培训、学生评估,具有广泛的应用价值。通过对学生学习特性模型和教师教学质量模型进行耦合关联,生成的教学教育质量关联模型能够更全面、精确地反映出教育教学的真实情况,为提升教学质量提供强有力的数据支持。
优选地,步骤S4具体为:
步骤S41:获取教育评估指标数据,其中教育评估指标数据包括教师教育质量评估指标数据以及学生喜欢程度评估指标数据;
具体地,例如需要获取教育评估指标数据,这可能来自多种来源,包括以前的教师评估、学生调查。例如,教师教育质量评估指标数据可能包括教师的经验、教学效果、课堂管理能力,学生喜欢程度评估指标数据可能包括学生对教师的满意度、学习内容的喜好。
步骤S42:对教育评估指标数据进行评估指标权重分配,从而获取教育评估指标权重分配数据;
具体地,例如对教育评估指标数据进行权重分配。这个过程可以利用主观评分或者数据驱动的方法进行。例如,系统通过预设的专家规则为每个指标分配一个权重,或者可以使用分析性层次过程(AHP)的决策支持工具进行更客观的权重分配。假设为教师教育质量评估指标分配0.7的权重,为学生喜欢程度评估指标分配0.3的权重。
步骤S43:利用教育评估指标权重分配数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型。
具体地,例如使用教育评估指标权重分配数据,对教学教育质量关联模型进行评估指标制定。这一步可以看作是一个加权求和的过程,根据每个指标的权重和模型预测的每个指标值,计算出最终的教育质量评估结果。例如,如果教师教育质量模型的预测结果是80分,学生喜欢程度模型的预测结果是90分,那么最终的教育测评评估结果可以通过以下公式计算得出:0.7*80+0.3*90=83。
本发明中通过设定的评估指标,可以对教师的教育质量和学生的喜欢程度进行客观、公正的评估。评估结果更具参考性和可比性。根据不同指标的重要性进行权重分配,可以使得评估结果更加准确。这样可以确保对重要指标的关注,同时也不会忽视其他的评估因素。根据实际需求,可以随时调整评估指标和权重,使得测评模型能更好地适应不同的教育环境和目标。通过教育评估指标模型的应用,可以发现教学的问题和不足,为教学改进提供依据,从而提高教学质量。通过对学生喜欢程度的评估,可以了解学生对教学的反馈,进一步优化教学,提升学生的满意度。
优选地,步骤S5具体为:
步骤S51:获取教育活动数据,并对教育活动数据进行教育活动数据预处理,从而获取教育活动预处理数据;
具体地,例如获取教育活动数据可能涉及许多方面,包括但不限于课堂考勤、学生的学术成绩、课后活动参与度。预处理可能包括去除重复的记录,处理缺失的值(例如通过插值或删除对应的记录),以及将类别数据编码为数值数据,如使用one-hot encoding方式。
步骤S52:对教育活动预处理数据进行教育质量相关数据提取,从而获取教育质量相关数据;
具体地,例如系统进行提取学生的出勤率、平均成绩、作业提交情况的指标。这些数据可以直接从教育活动数据中提取出来。
步骤S53:利用教育测评评估指标模型对教育质量相关数据进行评估,从而获取教育测评评估指标数据;
具体地,例如将在S43步骤中构建的模型应用于S52步骤中提取的数据,以得到每个评估指标的值。例如,如果模型预测一个学生的数学成绩会是85分,那么这就是一个评估指标数据。
步骤S54:根据教育测评评估指标数据生成教育测评报告数据。
具体地,例如生成一份包含所有学生学习情况的报告,报告中包括学生的名字、各科成绩、出勤率等。在这一步中,系统将教育测评评估指标数据整理成易于理解和操作的格式,如表格、图形,这可以利用各种数据可视化工具,如Python的matplotlib、seaborn库,或是商业软件如Tableau。
本发明中通过获取并预处理教育活动数据,进行相关数据的提取和评估,可以更客观、准确地评估教育活动的质量和效果,有利于提高教育活动的有效性。生成的教育测评报告数据可以为教育决策者提供有力的支持,包括教学方法的改进、教材的调整、教学策略的优化,都可以基于这些数据做出更有依据的决策。对教育活动的质量和效果的评估,可以帮助教育管理者更好地配置教育资源,例如调整教学人员配置,优化教学设施。本步骤的实施有助于及时发现教育活动的问题和不足,从而更早地进行改正和优化,提升整体教育质量。通过对教育活动的持续监控和评估,可以实现教育活动的持续改进,促使教育活动更加适应学生需求和社会发展。
优选地,本申请还提供了一种基于大数据的教育测评软件实现系统,用于执行如上所述的基于大数据的教育测评软件实现方法,该基于大数据的教育测评软件实现系统包括:
教育数据清洗并修复模块,用于获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
特征提取模块,用于对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
教学教育质量关联耦合模型训练模块,用于根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
评估指标制定模块,用于获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
教育活动评估模块,用于获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
本发明的有益效果在于:通过多维度提取学生学习和教师教学的特征,可以全面把握学生的学习状况和教师的教学质量。与传统方法相比,本发明可以考虑更多种类的特征,如学生的学习热情、专注度、学习速度,以及教师的教学方法、教学互动。本发明使得评估结果更为准确,能够真实反映学生学习和教师教学的情况。本发明通过关联耦合模型的训练,能够精确地描述学生学习和教师教学之间的关联关系,这样可以更好地理解和预测教育质量。此外,本发明通过使用先进的数据处理技术和机器学习模型,可以进一步提高评估结果的精确性。能够根据教育评估指标数据来动态地制定评估指标,使得评估过程可以根据具体的需求和环境进行调整。本发明还可以应对各种教育活动,具有很强的通用性和适应性。本发明可以实时获取教育活动数据,并利用教育测评评估指标模型进行评估,生成教育测评报告。这种实时性能够让教师和学生及时了解教育质量的情况,有助于及时调整教学方法和学习策略,从而提高教育效果。本发明生成的教育测评报告可以为教师、学生、家长、教育管理者的提供参考,帮助他们更好地了解教育质量,优化教育资源配置,提高教育效率。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的精神或范围的情况下,在其它实施例中实现。因此,本发明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发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于大数据的教育测评软件实现方法,其特征在于,包括以下步骤:
步骤S1:获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
步骤S2:对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
步骤S3:根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
步骤S4:获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
步骤S5:获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:获取原始数据源列表数据;
步骤S12:利用预设的数据源爬取技术对原始数据源列表数据进行数据爬取,从而获取原始数据集;
步骤S13:对原始数据集进行教育数据质量审查并筛选,从而获取优质原始数据集;
步骤S14:对优质原始数据集进行教育数据清洗,从而获取教育清洗数据;
步骤S15:对教育清洗数据进行标签化处理,从而获取教育领域预处理数据。
3.根据权利要求2所述的方法,其特征在于,原始数据源列表数据包括增强现实数据源列表数据、文本语言数据源列表数据以及自然语言数据源列表数据,原始数据集包括增强现实原始数据集、文本语言原始数据集以及自然语言原始数据集,步骤S12具体为:
步骤S121:利用预设的视觉识别模型对增强现实数据源列表数据进行数据识别并提取,从而获取增强现实原始数据集;
步骤S122:利用预设的自然语言处理爬虫对文本语言数据源列表数据进行自然语言关键词识别并教育主题提取,从而获取文本语言原始数据集;
步骤S123:对自然语言数据源列表数据进行语义分析提取,从而获取自然语言原始数据集。
4.根据权利要求2所述的方法,其特征在于,步骤S14中教育数据清洗通过教育数据清洗计算公式进行数据清洗,其中教育数据清洗计算公式具体为:
y为教育清洗数据,x为优质原始数据集中的特定项属性项,a为教育清洗底数常数项,n为优质原始数据集的特定项数据数量,f(x)为根据x选定的第一教育数据清洗函数,g(x)为根据x选定的第二教育数据清洗函数,h(x)为根据x选定的第三教育数据清洗函数,k(x)为根据x选定的第四教育数据清洗函数,c为教育清洗振幅项,b为教育清洗振幅项。
5.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
步骤S21:对教育领域预处理数据进行学生学习情况数据提取以及教师教学质量数据提取,从而获取学生学习情况数据以及教师教学质量数据;
步骤S22:对学生学习情况数据以及教师教学质量数据进行数据关联,从而获取教学关联数据;
步骤S23:对教学关联数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据;
步骤S24:对初级多维学生学习情况特征数据以及初级多维教师教学质量特征数据进行特征数据转换并数据规模调整,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据。
6.根据权利要求4所述的方法,其特征在于,步骤S22中数据关联通过教学数据关联计算公式进行处理,其中教学数据关联计算公式具体为:
R为教学关联数据,m为根据学生学习情况数据以及教师教学质量数据生成的数据总数,i为关联序次项,k为第一教学关联底数常数项,l为第二教学关联底数常数项,Si为第i个学生学习情况数据,Ti为第i个教师教学质量数据,Qi为第i个学生学习情况数据以及第i个教师教学质量数据的匹配度项,Pi为第i个学生学习情况数据以及第i个教师教学质量数据的潜力值。
7.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:根据多维学生学习情况特征数据进行学生学习特性模型构建,从而获取学生学习特性模型,其中学生学习特性模型构建为采用深度神经网络算法进行模型构建;
步骤S32:根据多维教师质量特征数据进行教师教学质量模型构建,从而获取教师教学质量模型,其中教师教学质量模型构建为通过生成决策树算法进行模型构建;
步骤S33:对学生学习特性模型以及教师教学质量模型进行输出耦合关联,从而获取教学教育质量关联模型。
8.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:获取教育评估指标数据,其中教育评估指标数据包括教师教育质量评估指标数据以及学生喜欢程度评估指标数据;
步骤S42:对教育评估指标数据进行评估指标权重分配,从而获取教育评估指标权重分配数据;
步骤S43:利用教育评估指标权重分配数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型。
9.根据权利要求1所述的方法,其特征在于,步骤S5具体为:
步骤S51:获取教育活动数据,并对教育活动数据进行教育活动数据预处理,从而获取教育活动预处理数据;
步骤S52:对教育活动预处理数据进行教育质量相关数据提取,从而获取教育质量相关数据;
步骤S53:利用教育测评评估指标模型对教育质量相关数据进行评估,从而获取教育测评评估指标数据;
步骤S54:根据教育测评评估指标数据生成教育测评报告数据。
10.一种基于大数据的教育测评软件实现系统,其特征在于,用于执行如权利要求1所述的基于大数据的教育测评软件实现方法,该基于大数据的教育测评软件实现系统包括:
教育数据清洗并修复模块,用于获取教育领域基础数据,并对教育领域基础数据进行教育数据清洗并修复,从而获取教育领域预处理数据;
特征提取模块,用于对教育领域预处理数据进行多维学生学习情况特征提取以及多维教师教学质量特征提取,从而获取多维学生学习情况特征数据以及多维教师教学质量特征数据;
教学教育质量关联耦合模型训练模块,用于根据多维学生学习情况特征数据以及多维教师教学质量特征数据进行关联耦合模型训练,从而获取教学教育质量关联模型;
评估指标制定模块,用于获取教育评估指标数据,并利用教育评估指标数据对教学教育质量关联模型进行评估指标制定,从而获取教育测评评估指标模型;
教育活动评估模块,用于获取教育活动数据,并利用教育测评评估指标模型对教育活动数据进行评估,从而获取教育测评报告数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601775.XA CN117522222A (zh) | 2023-11-27 | 2023-11-27 | 一种基于大数据的教育测评软件实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601775.XA CN117522222A (zh) | 2023-11-27 | 2023-11-27 | 一种基于大数据的教育测评软件实现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117522222A true CN117522222A (zh) | 2024-02-06 |
Family
ID=89743538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311601775.XA Pending CN117522222A (zh) | 2023-11-27 | 2023-11-27 | 一种基于大数据的教育测评软件实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522222A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976148A (zh) * | 2024-04-01 | 2024-05-03 | 成都市双流区妇幼保健院 | 一种基于机器学习的儿童心理健康问题预测方法及系统 |
CN118171954A (zh) * | 2024-03-19 | 2024-06-11 | 浙江广欣网络科技有限公司 | 一种智慧校园教育数据管理系统 |
CN118333466A (zh) * | 2024-06-12 | 2024-07-12 | 山东理工职业学院 | 教学水平评估方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-27 CN CN202311601775.XA patent/CN117522222A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171954A (zh) * | 2024-03-19 | 2024-06-11 | 浙江广欣网络科技有限公司 | 一种智慧校园教育数据管理系统 |
CN117976148A (zh) * | 2024-04-01 | 2024-05-03 | 成都市双流区妇幼保健院 | 一种基于机器学习的儿童心理健康问题预测方法及系统 |
CN118333466A (zh) * | 2024-06-12 | 2024-07-12 | 山东理工职业学院 | 教学水平评估方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kermanshachi et al. | Development of the project complexity assessment and management framework for heavy industrial projects | |
CN117522222A (zh) | 一种基于大数据的教育测评软件实现方法 | |
CN106127634B (zh) | 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统 | |
Graczyk-Kucharska et al. | Knowledge accelerator by transversal competences and multivariate adaptive regression splines | |
Obsie et al. | Prediction of student academic performance using neural network, linear regression and support vector regression: a case study | |
Stoica et al. | Digitalization in accounting: A structured literature review | |
Luo et al. | [Retracted] Exploring the Fuzzy Integrated Assessment of College Students’ Education for Innovative Entrepreneurship under the Background of Internet+ | |
Jones et al. | Comparative judgement in education research | |
Haddara et al. | Applications of big data analytics in financial Auditing-A study on the big four | |
Ali et al. | The Effect of Activating Artificial Intelligence techniques on Enhancing Internal Auditing Activities" Field Study | |
Aguagallo et al. | Analysis of Student Performance Applying Data Mining Techniques in a Virtual Learning Environment. | |
Shibli et al. | Machine learning-based predictive modeling of student counseling gratification: a case study of Aligarh Muslim University | |
Al-Ani et al. | Creating Visual Knowledge Representation Based on Data Mining in Educational Jordanian Databases. | |
Jafar | A tools-based approach to teaching data mining methods | |
Jakkaladiki et al. | Deep learning-based education decision support system for student E-learning performance prediction | |
Li et al. | Retrieving and classifying LinkedIn job titles for alumni career analysis | |
Subahi | Data Collection for Career Path Prediction Based on Analysing Body of Knowledge of Computer Science Degrees. | |
Baleghi-Zadeh et al. | Behavior intention to use of learning management system among Malaysian pre-service teachers: A confirmatory factor analysis | |
Ogunkunle et al. | A data mining based optimization of selecting learning material in an intelligent tutoring system for advancing STEM education | |
Subha et al. | Skill Analysis and Scouting Platform Using Machine Learning | |
Singh et al. | Concepts of data mining and process mining | |
Shukla et al. | A comparative study of ChatGPT, Gemini, and Perplexity | |
Deshmukh et al. | Student’s employability concern for colleges and universities | |
Zhao | Application of decision tree algorithm in teaching quality analysis of physical education | |
Zhang et al. | Research on practical teaching of cross-border e-commerce in applied universities based on big data technology |
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 |