CN117541447A - 一种用于智能教室实训的教学数据处理方法及系统 - Google Patents
一种用于智能教室实训的教学数据处理方法及系统 Download PDFInfo
- Publication number
- CN117541447A CN117541447A CN202410027836.4A CN202410027836A CN117541447A CN 117541447 A CN117541447 A CN 117541447A CN 202410027836 A CN202410027836 A CN 202410027836A CN 117541447 A CN117541447 A CN 117541447A
- Authority
- CN
- China
- Prior art keywords
- teaching
- basic
- data
- situation
- vector
- 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
- 238000012549 training Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 118
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000010076 replication Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003362 replicative effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 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—Systems or methods specially adapted for 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/273—Asynchronous replication or reconciliation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于智能教室实训的教学数据处理方法及系统,涉及数据处理领域,包括:使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;建立教学数据分析模型,获取教学情境问题特征;将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元,教学情境问题特征和至少一个基本问题特征元均配对同一个分配码;对基本问题特征元进行分类合并,根据解决基本元,对于单个教学情境生成教学情境解决方案。通过设置数据分析模块、数据分解模块、数据合并模块和解决匹配模块,进而可以解决教学情境数据不同的问题,可以一次性对多个教学情境进行解决。
Description
技术领域
本发明涉及数据处理领域,具体是涉及一种用于智能教室实训的教学数据处理方法及系统。
背景技术
随着信息技术的不断发展,教育信息化逐渐成为教育领域的一个重要发展方向。目前,多媒体技术已经逐渐走进了课堂,现有技术中,多媒体课堂是在教室里配有计算机、投影机、大屏幕、音响设备等,教师在计算机前对着麦克风讲解课堂知识,并通过计算机对所讲解的内容进行提示。学员通过大屏幕来获取教师讲解的内容,也可以在自己的计算机上获取教师讲课的资料。
由于教学情境的数据不同,为了作出区分,现有的教学情境解决检测方法通常对一次对单个教学情境进行检测解决,当教学情境数量多时,则需要排队进行,检测和解决的效率低,容易耽误教学情境解决,贻误解决的时机。
发明内容
为解决上述技术问题,提供一种用于智能教室实训的教学数据处理方法及系统,本技术方案解决了上述背景技术中提出的现有的教学情境解决检测方法通常对一次对单个教学情境进行检测解决,当教学情境数量多时,则需要排队进行,检测和解决的效率低,容易耽误教学情境解决,贻误解决的时机的问题。
为达到以上目的,本发明采用的技术方案为:
一种用于智能教室实训的教学数据处理方法,包括:
使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元,教学情境问题特征和至少一个基本问题特征元均配对同一个分配码;
对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
使用分布式数据库技术存储教学数据分析模型。
优选的,所述课堂诊断包括以下步骤:
课堂诊断时,进行学生评估和教学评估;
学生评估对学生的学习成绩和课程接受数据进行诊断,存储学习成绩和课程接受数据至第一多元系数向量的每个分量上,第一多元系数向量为二维向量;
教学评估对教师的教学质量数据和学生的反馈打分数据进行诊断,存储教师的教学质量数据和学生的反馈打分数据至第二多元系数向量的每个分量上,第二多元系数向量为二维向量。
优选的,所述课后诊断包括以下步骤:
对课后作业正确率和作业完成时间进行分析;
存储课后作业正确率和作业完成时间至第三多元系数向量的每个分量上,第三多元系数向量为二维向量。
优选的,所述建立教学数据分析模型包括以下步骤:
获取异常教学情境样本数据,异常教学情境样本数据中包含教学情境对应的问题样本特征;
根据异常教学情境样本数据,分别获得第一多元系数向量、第二多元系数向量和第三多元系数向量的非正常取值范围,得到第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量,其中,向量的分量为取值范围;
将第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量的取值范围进行分解,得到至少一个第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量;
将第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量分别与问题样本特征对应。
优选的,所述对初步教学状况进行分析,获取教学情境问题特征包括以下步骤:
将第一多元系数向量、第二多元系数向量和第三多元系数向量汇总,得到教学情境的初步教学状况;
判断第一多元系数向量的每个分量是否均属于第一多元系数范围向量的每个分量;
若是,则找到包含第一多元系数向量的第一多元系数基本范围向量,将第一多元系数基本范围向量对应的问题样本特征作为教学情境问题特征;
若否,则不做任何处理;
对于第二多元系数向量和第三多元系数向量,按照判断第一多元系数向量的步骤,得到其对应的问题样本特征,汇总进入教学情境问题特征。
优选的,所述分解教学情境问题特征为至少一个基本问题特征元包括以下步骤:
大数据获取教学情境的至少一个基本样本问题特征元,基于样本数据,建立神经网络识别模型;
输入教学情境问题特征至神经网络识别模型中,神经网络识别模型对教学情境问题特征进行关键词提取和归类,分解教学情境问题特征为至少一个基本问题特征元。
优选的,所述对同类基本问题特征元匹配解决基本元包括以下步骤:
获取数据及解决的样本数据,按照第一基本问题特征元的分类,对于同类的第一基本问题特征元预先设置解决基本元,构成解决反馈模型;
在解决反馈模型中,输入基本问题特征元,判断基本问题特征元的类别;
在解决反馈模型中,找到与基本问题特征元类别一样的同类的第一基本问题特征元及其对应的解决基本元,将解决基本元匹配至基本问题特征元。
优选的,所述根据解决基本元,对于单个教学情境生成教学情境解决方案包括以下步骤:
获取单个教学情境的分配码;
根据分配码,找到教学情境问题特征分解成的至少一个基本问题特征元,找到每个基本问题特征元对应的同类基本问题特征元;
获取与同类基本问题特征元匹配的解决基本元,将解决基本元汇总,对于单个教学情境生成教学情境解决方案。
优选的,所述使用分布式数据库技术存储教学数据分析模型包括以下步骤:
将教学数据分析模型进行划分和分片,将数据均匀存储在多个分布式数据库节点上;
在分布式数据库中设置数据复制和冗余备份策略,采用主从复制或多主复制方式,复制数据至多个分布式数据库节点;
采用分布式事务处理技术,在分布式数据库中实现数据一致性和同步;
采用数据分片路由方法,在分布式数据库中实施负载均衡和性能优化策略;
在分布式数据库中,设置包括故障检测和自动切换的容灾和故障恢复机制。
一种用于智能教室实训的教学数据处理系统,用于实现上述的用于智能教室实训的教学数据处理方法,包括:
教学诊断模块,所述教学诊断模块使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
数据分析模块,所述数据分析模块建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
数据分解模块,所述数据分解模块将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元;
数据合并模块,所述数据合并模块对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
解决匹配模块,所述解决匹配模块对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
智能存储模块,所述智能存储模块使用分布式数据库技术存储教学数据分析模型。
与现有技术相比,本发明的有益效果在于:
通过设置数据分析模块、数据分解模块、数据合并模块和解决匹配模块,同时对多个教学情境的病情进行分析和检测,对初步教学状况进行分析,获取教学情境问题特征,分解教学情境问题特征为多个基本问题特征元,并为教学情境问题特征和基本问题特征元均配对同一个分配码,保证教学情境问题特征和基本问题特征元都对应单个教学情境,将多个教学情境的基本问题特征元归类,使得基本问题特征元合并为同类基本问题特征元,对于同类基本问题特征元一次性分配解决基本元,进而可以解决教学情境数据不同的问题,并根据分配码与教学情境的对应关系,可以将解决基本元汇总至教学情境解决方案,进而可以一次性对多个教学情境进行解决。
附图说明
图1为本发明的用于智能教室实训的教学数据处理方法流程示意图;
图2为本发明的课堂诊断流程示意图;
图3为本发明的课后诊断流程示意图;
图4为本发明的建立教学数据分析模型流程示意图;
图5为本发明的对初步教学状况进行分析,获取教学情境问题特征流程示意图;
图6为本发明的分解教学情境问题特征为至少一个基本问题特征元流程示意图;
图7为本发明的对同类基本问题特征元匹配解决基本元流程示意图;
图8为本发明的根据解决基本元,对于单个教学情境生成教学情境解决方案流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
参照图1所示,一种用于智能教室实训的教学数据处理方法,包括:
使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元,教学情境问题特征和至少一个基本问题特征元均配对同一个分配码;
对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
使用分布式数据库技术存储教学数据分析模型。
参照图2所示,课堂诊断包括以下步骤:
课堂诊断时,进行学生评估和教学评估;
学生评估对学生的学习成绩和课程接受数据进行诊断,存储学习成绩和课程接受数据至第一多元系数向量的每个分量上,第一多元系数向量为二维向量;
教学评估对教师的教学质量数据和学生的反馈打分数据进行诊断,存储教师的教学质量数据和学生的反馈打分数据至第二多元系数向量的每个分量上,第二多元系数向量为二维向量。
参照图3所示,课后诊断包括以下步骤:
对课后作业正确率和作业完成时间进行分析;
存储课后作业正确率和作业完成时间至第三多元系数向量的每个分量上,第三多元系数向量为二维向量。
参照图4所示,建立教学数据分析模型包括以下步骤:
获取异常教学情境样本数据,异常教学情境样本数据中包含教学情境对应的问题样本特征;
根据异常教学情境样本数据,分别获得第一多元系数向量、第二多元系数向量和第三多元系数向量的非正常取值范围,得到第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量,其中,向量的分量为取值范围;
将第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量的取值范围进行分解,得到至少一个第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量;
将第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量分别与问题样本特征对应;
即每个问题样本特征会有其对应的生理指标范围,因此,问题样本特征对应的生理指标范围可以生成第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量,而当教学情境的生理指标,比如第一多元系数向量中每个分量均属于第一多元系数基本范围向量的每个分量,而其余的各生理指标也分别属于第二多元系数基本范围向量、第三多元系数基本范围向量、教学情境心电基本范围数据和教学情境脑电基本范围数据,则说明教学情境存在与第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量对应的问题样本特征。
参照图5所示,对初步教学状况进行分析,获取教学情境问题特征包括以下步骤:
将第一多元系数向量、第二多元系数向量和第三多元系数向量汇总,得到教学情境的初步教学状况;
判断第一多元系数向量的每个分量是否均属于第一多元系数范围向量的每个分量;
若是,则找到包含第一多元系数向量的第一多元系数基本范围向量,将第一多元系数基本范围向量对应的问题样本特征作为教学情境问题特征;
若否,则不做任何处理;
对于第二多元系数向量和第三多元系数向量,按照判断第一多元系数向量的步骤,得到其对应的问题样本特征,汇总进入教学情境问题特征。
参照图6所示,分解教学情境问题特征为至少一个基本问题特征元包括以下步骤:
大数据获取教学情境的至少一个基本样本问题特征元,基于样本数据,建立神经网络识别模型;
输入教学情境问题特征至神经网络识别模型中,神经网络识别模型对教学情境问题特征进行关键词提取和归类,分解教学情境问题特征为至少一个基本问题特征元;
基本问题特征元是有限的,因此可以穷举获取,使用基本问题特征元,可以将教学情境的数据分解,因而可以将多个教学情境的同类的基本问题特征元合并为一类,对同类的基本问题特征元一次给出解决方案,并根据基本问题特征元的路径,反馈解决方案至对应的教学情境。
参照图7所示,对同类基本问题特征元匹配解决基本元包括以下步骤:
获取数据及解决的样本数据,按照第一基本问题特征元的分类,对于同类的第一基本问题特征元预先设置解决基本元,构成解决反馈模型;
由于第一基本问题特征元是有限的,因此,可以预先对于第一基本问题特征元给出解决方案,即解决基本元;
在解决反馈模型中,输入基本问题特征元,判断基本问题特征元的类别;
在解决反馈模型中,找到与基本问题特征元类别一样的同类的第一基本问题特征元及其对应的解决基本元,将解决基本元匹配至基本问题特征元。
参照图8所示,根据解决基本元,对于单个教学情境生成教学情境解决方案包括以下步骤:
获取单个教学情境的分配码;
根据分配码,找到教学情境问题特征分解成的至少一个基本问题特征元,找到每个基本问题特征元对应的同类基本问题特征元;
获取与同类基本问题特征元匹配的解决基本元,将解决基本元汇总,对于单个教学情境生成教学情境解决方案;
其目的是将对应同一个分配码的解决基本元汇总,进而得到与教学情境病症对应的多个解决基本元,进而得到教学情境解决方案。
使用分布式数据库技术存储教学数据分析模型包括以下步骤:
将教学数据分析模型进行划分和分片,将数据均匀存储在多个分布式数据库节点上;
在分布式数据库中设置数据复制和冗余备份策略,采用主从复制或多主复制方式,复制数据至多个分布式数据库节点;
采用分布式事务处理技术,在分布式数据库中实现数据一致性和同步;
采用数据分片路由方法,在分布式数据库中实施负载均衡和性能优化策略;
在分布式数据库中,设置包括故障检测和自动切换的容灾和故障恢复机制。
一种用于智能教室实训的教学数据处理系统,用于实现上述的用于智能教室实训的教学数据处理方法,包括:
教学诊断模块,所述教学诊断模块使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
数据分析模块,所述数据分析模块建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
数据分解模块,所述数据分解模块将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元;
数据合并模块,所述数据合并模块对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
解决匹配模块,所述解决匹配模块对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
智能存储模块,所述智能存储模块使用分布式数据库技术存储教学数据分析模型。
上述多段式远程教学情境解决检测系统的工作过程如下:
步骤一:教学诊断模块使用课堂诊断和课后诊断,进行学生评估和教学评估,学生评估对学生的学习成绩和课程接受数据进行诊断,对教学评估对教师的教学质量数据和学生的反馈打分数据进行诊断,对课后作业正确率和作业完成时间进行分析,同时获取至少一个教学情境的初步教学状况;
步骤二:数据分析模块建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
步骤三:数据分解模块基于样本数据,建立神经网络识别模型,分解教学情境问题特征为至少一个基本问题特征元,教学情境问题特征和至少一个基本问题特征元均配对同一个分配码;
步骤四:数据合并模块对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
步骤五:解决匹配模块使用解决反馈模型,对同类基本问题特征元匹配解决基本元,根据分配码的对应关系,汇总单个教学情境的解决基本元,对于单个教学情境生成教学情境解决方案;
步骤六:智能存储模块使用分布式数据库技术存储教学数据分析模型。
再进一步的,本方案还提出一种存储介质,其上存储有计算机可读程序,计算机可读程序被调用时执行上述的用于智能教室实训的教学数据处理方法。
可以理解的是,存储介质可以是磁性介质,例如,软盘、硬盘、磁带;光介质例如,DVD;或者半导体介质例如固态硬盘SolidStateDisk,SSD等。
综上所述,本发明的优点在于:通过设置数据分析模块、数据分解模块、数据合并模块和解决匹配模块,同时对多个教学情境的病情进行分析和检测,对初步教学状况进行分析,获取教学情境问题特征,分解教学情境问题特征为多个基本问题特征元,并为教学情境问题特征和基本问题特征元均配对同一个分配码,保证教学情境问题特征和基本问题特征元都对应单个教学情境,将多个教学情境的基本问题特征元归类,使得基本问题特征元合并为同类基本问题特征元,对于同类基本问题特征元一次性分配解决基本元,进而可以解决教学情境数据不同的问题,并根据分配码与教学情境的对应关系,可以将解决基本元汇总至教学情境解决方案,进而可以一次性对多个教学情境进行解决。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种用于智能教室实训的教学数据处理方法,其特征在于,包括:
使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元,教学情境问题特征和至少一个基本问题特征元均配对同一个分配码;
对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
使用分布式数据库技术存储教学数据分析模型。
2.根据权利要求1所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述课堂诊断包括以下步骤:
课堂诊断时,进行学生评估和教学评估;
学生评估对学生的学习成绩和课程接受数据进行诊断,存储学习成绩和课程接受数据至第一多元系数向量的每个分量上,第一多元系数向量为二维向量;
教学评估对教师的教学质量数据和学生的反馈打分数据进行诊断,存储教师的教学质量数据和学生的反馈打分数据至第二多元系数向量的每个分量上,第二多元系数向量为二维向量。
3.根据权利要求2所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述课后诊断包括以下步骤:
对课后作业正确率和作业完成时间进行分析;
存储课后作业正确率和作业完成时间至第三多元系数向量的每个分量上,第三多元系数向量为二维向量。
4.根据权利要求3所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述建立教学数据分析模型包括以下步骤:
获取异常教学情境样本数据,异常教学情境样本数据中包含教学情境对应的问题样本特征;
根据异常教学情境样本数据,分别获得第一多元系数向量、第二多元系数向量和第三多元系数向量的非正常取值范围,得到第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量,其中,向量的分量为取值范围;
将第一多元系数范围向量、第二多元系数范围向量和第三多元系数范围向量的取值范围进行分解,得到至少一个第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量;
将第一多元系数基本范围向量、第二多元系数基本范围向量和第三多元系数基本范围向量分别与问题样本特征对应。
5.根据权利要求4所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述对初步教学状况进行分析,获取教学情境问题特征包括以下步骤:
将第一多元系数向量、第二多元系数向量和第三多元系数向量汇总,得到教学情境的初步教学状况;
判断第一多元系数向量的每个分量是否均属于第一多元系数范围向量的每个分量;
若是,则找到包含第一多元系数向量的第一多元系数基本范围向量,将第一多元系数基本范围向量对应的问题样本特征作为教学情境问题特征;
若否,则不做任何处理;
对于第二多元系数向量和第三多元系数向量,按照判断第一多元系数向量的步骤,得到其对应的问题样本特征,汇总进入教学情境问题特征。
6.根据权利要求5所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述分解教学情境问题特征为至少一个基本问题特征元包括以下步骤:
大数据获取教学情境的至少一个基本样本问题特征元,基于样本数据,建立神经网络识别模型;
输入教学情境问题特征至神经网络识别模型中,神经网络识别模型对教学情境问题特征进行关键词提取和归类,分解教学情境问题特征为至少一个基本问题特征元。
7.根据权利要求6所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述对同类基本问题特征元匹配解决基本元包括以下步骤:
获取数据及解决的样本数据,按照第一基本问题特征元的分类,对于同类的第一基本问题特征元预先设置解决基本元,构成解决反馈模型;
在解决反馈模型中,输入基本问题特征元,判断基本问题特征元的类别;
在解决反馈模型中,找到与基本问题特征元类别一样的同类的第一基本问题特征元及其对应的解决基本元,将解决基本元匹配至基本问题特征元。
8.根据权利要求7所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述根据解决基本元,对于单个教学情境生成教学情境解决方案包括以下步骤:
获取单个教学情境的分配码;
根据分配码,找到教学情境问题特征分解成的至少一个基本问题特征元,找到每个基本问题特征元对应的同类基本问题特征元;
获取与同类基本问题特征元匹配的解决基本元,将解决基本元汇总,对于单个教学情境生成教学情境解决方案。
9.根据权利要求8所述的一种用于智能教室实训的教学数据处理方法,其特征在于,所述使用分布式数据库技术存储教学数据分析模型包括以下步骤:
将教学数据分析模型进行划分和分片,将数据均匀存储在多个分布式数据库节点上;
在分布式数据库中设置数据复制和冗余备份策略,采用主从复制或多主复制方式,复制数据至多个分布式数据库节点;
采用分布式事务处理技术,在分布式数据库中实现数据一致性和同步;
采用数据分片路由方法,在分布式数据库中实施负载均衡和性能优化策略;
在分布式数据库中,设置包括故障检测和自动切换的容灾和故障恢复机制。
10.一种用于智能教室实训的教学数据处理系统,用于实现如权利要求1-9任一项所述的用于智能教室实训的教学数据处理方法,其特征在于,包括:
教学诊断模块,所述教学诊断模块使用课堂诊断和课后诊断,同时获取至少一个教学情境的初步教学状况;
数据分析模块,所述数据分析模块建立教学数据分析模型,基于教学数据分析模型,对初步教学状况进行分析,获取教学情境问题特征;
数据分解模块,所述数据分解模块将教学情境问题特征与教学情境进行对应,分解教学情境问题特征为至少一个基本问题特征元;
数据合并模块,所述数据合并模块对基本问题特征元进行分类合并,得到至少一个同类基本问题特征元;
解决匹配模块,所述解决匹配模块对同类基本问题特征元匹配解决基本元,根据解决基本元,对于单个教学情境生成教学情境解决方案;
智能存储模块,所述智能存储模块使用分布式数据库技术存储教学数据分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027836.4A CN117541447A (zh) | 2024-01-09 | 2024-01-09 | 一种用于智能教室实训的教学数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027836.4A CN117541447A (zh) | 2024-01-09 | 2024-01-09 | 一种用于智能教室实训的教学数据处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117541447A true CN117541447A (zh) | 2024-02-09 |
Family
ID=89786518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410027836.4A Pending CN117541447A (zh) | 2024-01-09 | 2024-01-09 | 一种用于智能教室实训的教学数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541447A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160203208A1 (en) * | 2015-01-12 | 2016-07-14 | International Business Machines Corporation | Enhanced Knowledge Delivery and Attainment Using a Question Answering System |
CN107067864A (zh) * | 2017-04-10 | 2017-08-18 | 上海未来伙伴机器人有限公司 | 一种基于情景的教学方法和装置 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
US20170337838A1 (en) * | 2016-05-18 | 2017-11-23 | Tamera Elkon | Methods and apparatus for learning style preference assessment |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108492233A (zh) * | 2018-05-29 | 2018-09-04 | 黑龙江省经济管理干部学院 | 一种高等职业教育三级预警辅导教学系统 |
WO2018212397A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 시험 점수를 추정하는 방법, 장치 및 컴퓨터 프로그램 |
CN109447407A (zh) * | 2018-09-21 | 2019-03-08 | 河源职业技术学院 | 一种构建问题导向-分布式学习控制系统及方法 |
CN111105171A (zh) * | 2019-12-31 | 2020-05-05 | 江苏德尔斐数字科技有限公司 | 一种用于讲师课堂质量测评评级的方法 |
CN112330191A (zh) * | 2020-11-20 | 2021-02-05 | 安徽文香信息技术有限公司 | 一种基于人工智能黑板的教育教学评估系统及其评估方法 |
CN112667776A (zh) * | 2020-12-29 | 2021-04-16 | 重庆科技学院 | 一种智能教学评估与分析方法 |
CN115659221A (zh) * | 2022-10-31 | 2023-01-31 | 中国联合网络通信集团有限公司 | 一种教学质量的评估方法、装置及计算机可读存储介质 |
CN115796695A (zh) * | 2022-12-15 | 2023-03-14 | 北京十六进制科技有限公司 | 一种教学业绩评估方法及设备 |
CN116777698A (zh) * | 2023-07-11 | 2023-09-19 | 广州银狐科技股份有限公司 | 一种基于ai智能化的智慧教学的方法及系统 |
-
2024
- 2024-01-09 CN CN202410027836.4A patent/CN117541447A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160203208A1 (en) * | 2015-01-12 | 2016-07-14 | International Business Machines Corporation | Enhanced Knowledge Delivery and Attainment Using a Question Answering System |
US20170337838A1 (en) * | 2016-05-18 | 2017-11-23 | Tamera Elkon | Methods and apparatus for learning style preference assessment |
CN107067864A (zh) * | 2017-04-10 | 2017-08-18 | 上海未来伙伴机器人有限公司 | 一种基于情景的教学方法和装置 |
WO2018212397A1 (ko) * | 2017-05-19 | 2018-11-22 | 주식회사 뤼이드 | 시험 점수를 추정하는 방법, 장치 및 컴퓨터 프로그램 |
CN107316261A (zh) * | 2017-07-10 | 2017-11-03 | 湖北科技学院 | 一种基于人脸分析的教学质量评估系统 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108492233A (zh) * | 2018-05-29 | 2018-09-04 | 黑龙江省经济管理干部学院 | 一种高等职业教育三级预警辅导教学系统 |
CN109447407A (zh) * | 2018-09-21 | 2019-03-08 | 河源职业技术学院 | 一种构建问题导向-分布式学习控制系统及方法 |
CN111105171A (zh) * | 2019-12-31 | 2020-05-05 | 江苏德尔斐数字科技有限公司 | 一种用于讲师课堂质量测评评级的方法 |
CN112330191A (zh) * | 2020-11-20 | 2021-02-05 | 安徽文香信息技术有限公司 | 一种基于人工智能黑板的教育教学评估系统及其评估方法 |
CN112667776A (zh) * | 2020-12-29 | 2021-04-16 | 重庆科技学院 | 一种智能教学评估与分析方法 |
CN115659221A (zh) * | 2022-10-31 | 2023-01-31 | 中国联合网络通信集团有限公司 | 一种教学质量的评估方法、装置及计算机可读存储介质 |
CN115796695A (zh) * | 2022-12-15 | 2023-03-14 | 北京十六进制科技有限公司 | 一种教学业绩评估方法及设备 |
CN116777698A (zh) * | 2023-07-11 | 2023-09-19 | 广州银狐科技股份有限公司 | 一种基于ai智能化的智慧教学的方法及系统 |
Non-Patent Citations (1)
Title |
---|
秦亮 等: "《电子设备故障诊断与维修技术》", 30 April 2018, pages: 98 - 99 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boroujeni et al. | Discovery and temporal analysis of latent study patterns in MOOC interaction sequences | |
Kotsiantis et al. | Using learning analytics to identify successful learners in a blended learning course | |
US9189541B2 (en) | Evidence profiling | |
CN109739995B (zh) | 一种信息处理方法及装置 | |
CN111241840A (zh) | 一种基于知识图谱的命名实体识别方法 | |
Daskalaki et al. | Instance matching benchmarks in the era of linked data | |
KR101895959B1 (ko) | 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램 | |
Akhuseyinoglu et al. | Data-driven modeling of learners’ individual differences for predicting engagement and success in online learning | |
CN114266455A (zh) | 一种基于知识图谱的可视化企业风险评估方法 | |
US11915615B2 (en) | Systems and methods for detecting collusion in student testing using graded scores or answers for individual questions | |
Casalino et al. | Incremental and adaptive fuzzy clustering for virtual learning environments data analysis | |
Martínez-Plumed et al. | When ai difficulty is easy: The explanatory power of predicting irt difficulty | |
Li et al. | Cognitive diagnosis focusing on knowledge concepts | |
Huizhong et al. | Research on the automation integration terminal of the education management platform based on big data analysis | |
Mani et al. | Building Bayesian network models in medicine: The MENTOR experience | |
CN117541447A (zh) | 一种用于智能教室实训的教学数据处理方法及系统 | |
Aguagallo et al. | Analysis of student performance applying data mining techniques in a virtual learning environment | |
CN115269870A (zh) | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 | |
Miao et al. | Using Partial Differential Equation Face Recognition Model to Evaluate Students’ Attention in a College Chinese Classroom | |
Jasim et al. | Characteristics of data mining by classification educational dataset to improve student’s evaluation | |
Chen | Detect multiple choice exam cheating pattern by applying multivariate statistics | |
Deepika et al. | Comparison Of Student Academic Performance On Different Educational Datasets Using Different Data Mining Techniques | |
Zhang et al. | Modeling temporal-modal entity graph for procedural multimodal machine comprehension | |
US20130143192A1 (en) | Method for calculating students' time spent answering questions in an on-line homework system | |
CN116703332B (zh) | 一种基于微服务架构的石油问卷调查分析系统及方法 |
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 |