CN117670146A - 一种学习过程测评方法、装置、电子设备及介质 - Google Patents
一种学习过程测评方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117670146A CN117670146A CN202410138158.9A CN202410138158A CN117670146A CN 117670146 A CN117670146 A CN 117670146A CN 202410138158 A CN202410138158 A CN 202410138158A CN 117670146 A CN117670146 A CN 117670146A
- Authority
- CN
- China
- Prior art keywords
- feature
- learning
- combination
- determining
- matrix
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008569 process Effects 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 168
- 238000013507 mapping Methods 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims description 71
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract description 7
- 238000011157 data evaluation Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000029087 digestion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据测评技术领域,尤其是涉及一种学习过程测评方法、装置、电子设备及介质,方法包括获取学习特征信息;根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值;根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语;根据每个评价项组合的组合评语,确定反馈测评结果。本申请能够提升测评结果与学生实际学习过程之间的适配度,从而降低系统评价结果与学生实际掌握情况之间的误差。
Description
技术领域
本申请涉及数据测评技术领域,尤其是涉及一种学习过程测评方法、装置、电子设备及介质。
背景技术
随着社会的发展和教育理念的转变,人们对教育的需求也在发生变化。个性化教育、终身学习等教育理念逐渐成为主流,而互联网教学正是一种能够满足这些需求的新型教育模式。与传统教学方式相比,互联网教学还具有更多的优点,如互动性强、教学资源丰富、学习方式灵活等,通过互联网教学,师生之间可以在线讨论、在线递交或下发作业等,能够提升教学效果。
互联网教学的另一优点体现在知识点测评方面,教师通过在线讲解知识点,在讲解完毕之后,通过下发相关测试的方式验证学生对知识点的掌握程度,但是相关技术中只能对测试中的题目正确与否进行识别和判断,因此测评结果可能较为片面,测评结果与每个学生实际学习过程的适配度不高,因此,利用测评结果对每个学生的知识点掌握程度进行评价时,可能会导致评价结果与学生实际掌握情况之间的误差较大。
发明内容
为了提升测评结果与学生实际学习过程之间的适配度,从而降低系统评价结果与学生实际掌握情况之间的误差,本申请实施例提供了一种学习过程测评方法、装置、电子设备及介质。
第一方面,本申请提供一种学习过程测评方法,采用如下的技术方案:
一种学习过程测评方法,包括:
获取学习特征信息,所述学习特征信息包括多个学习特征和每个学习特征对应的特征值,所述学习特征包括学习时长、做题时长、做题结果以及操作轨迹;
根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,所述第一映射关系为学习特征和特征值与参考值之间的对应关系;
根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;
基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,所述预设特征矩阵由每个学习特征之间的特征组合构成;
根据每个评价项组合的组合评语,确定反馈测评结果。
通过采用上述技术方案,通过统计并分析学生在实际学习过程中对应的学习时长、做题时长、做题结果以及操作轨迹等,生成学生的反馈评语,而不是仅仅对测试结果进行正确性判定,通过对学生在学习过程中的实际学习数据进行分析后再得到反馈评语,便于提升反馈评语与学生之间的适配度,另外,在本申请中,并不是依靠一个特征数据得出的测评结果,而是通过特征组合和矩阵特征比对的方式先确定组合评语,再基于组合评语确定反馈测评结果,通过特征组合的方式便于提升对学生的学习过程进行测评时的全面性,从而能够提升系统测评结果的准确性。
在一种可能实现的方式中,所述预设特征矩阵的生成过程,包括:
根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;
获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;
根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;
所有特征组合对应的子特征矩阵组成所述预设特征矩阵。
通过采用上述技术方案,由于不同的学习特征之间无法进行组合,因此,在对多个学习特征进行组合时,依据预设组合规则进行组合,避免产生无效数据,通过每个学习特征对应的所有预设参数值确定预设特征矩阵,便于提升确定预设特征矩阵时的全面性,从而便于提升预设特征矩阵的实用性。
在一种可能实现的方式中,所述基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,包括:
根据每个评价项组合对应的组合键值对,从所述预设特征矩阵中确定每个评价项组合的目标矩阵坐标,每个评价项组合对应的目标矩阵坐标为每个评价项组合对应的组合键值对在所述预设特征矩阵中的位置;
根据每个目标矩阵坐标确定每个目标矩阵坐标对应的所属坐标区域,并根据每个目标矩阵坐标和第二映射关系,确定每个目标矩阵坐标对应评价项组合的组合评语,所述预设特征矩阵由预设划分规则划分为多个坐标区域,每个坐标区域中包含有多个矩阵坐标,所述第二映射关系为所属坐标区域与组合评语之间的对应关系。
通过采用上述技术方案,由于预设特征矩阵中包含有大量的特征组合,通过将预设特征矩阵进行区域划分,再通过确定每个评价项组合的目标矩阵坐标所属矩阵区域,最后通过区域对应的方式确定每个评价项组合的组合评语便于提升确定组合评语时的速率。
在一种可能实现的方式中,该方法还包括:
获取教师评语,并识别所述教师评语中包含的评语特征;
根据所述评语特征,从所述教师评语中确定所述评语特征对应的评语内容;
识别所述评语内容中包含的内容特征;
根据第三映射关系、评语特征以及评语特征的数量,确定评语特征分值,所述第三映射关系为评语特征与评语特征分值之间的对应关系;
根据第四映射关系、内容特征以及内容特征的数量,确定内容特征分值,所述第四映射关系为内容特征与内容特征分值之间的对应关系;
根据所述评语特征分值和所述内容特征分值,确定所述教师评语的总分值。
通过采用上述技术方案,通过对教师评语进行识别和分析,对相关教师给出的评语进行评分,以判断相关教师对学生的评语是否合格,以评估相关教师的教学态度。
在一种可能实现的方式中,该方法还包括:
获取错误测试数据,所述错误测试数据中包含有多个学生的错误测试题目和每个学生的学生信息;
根据所述错误测试数据和第五映射关系,确定每个测试题目对应的待讲解知识点,所述第五映射关系为测试题目与待讲解知识点之间的对应关系;
根据所述错误测试数据中的学生信息,确定每个待讲解知识点对应的学生特征,所述学生特征包括学生数量和学生类型比例;
根据每个待讲解知识点对应的学生特征和学生特征映射关系,确定每个待讲解知识点的讲解分值,所述学生特征映射关系为学生特征与讲解分值之间的对应关系;
根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息。
通过采用上述技术方案,通过对错误测试数据进行分析,确定出需要再次讲解的知识点,再通过分析错误测试题目对应的学生信息,确定出每个待讲解知识点对应的需求权重,以便于相关教师对学生的知识点消化情况进行查看,并且便于相关教师根据反馈结果准备讲解教材。
在一种可能实现的方式中,所述根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息,包括:
根据每个待讲解知识点和预设知识点关联网,确定待讲解知识点关联网,所述预设知识点关联网中包含有多个知识点,和每个知识点之间的关联关系,所述待讲解知识点关联网中至少包含待讲解知识点,和待讲解知识点之间的关联关系;
将每个待讲解知识点对应的讲解分值叠加至所述待讲解知识点关联网中,得到AR讲解网,并将所述AR讲解网进行反馈。
通过采用上述技术方案,通过在反馈需要讲解的知识点时,将包含有待讲解知识点的讲解网进行反馈,便于降低相关教师丢失讲解知识点的概率,另外,通过在讲解网中将每个待讲解知识点对应的讲解分值进行叠加,便于相关教师可以直观查看每个待讲解知识点的讲解需求。
第二方面,本申请提供一种学习过程测评装置,采用如下的技术方案:
一种学习过程测评装置,包括:
获取学习特征信息模块,用于获取学习特征信息,所述学习特征信息包括多个学习特征和每个学习特征对应的特征值,所述学习特征包括学习时长、做题时长、做题结果以及操作轨迹;
确定参考值模块,用于根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,所述第一映射关系为学习特征和特征值与参考值之间的对应关系;
确定组合键值对模块,用于根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;
确定组合评语模块,用于基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,所述预设特征矩阵由每个学习特征之间的特征组合构成;
确定反馈测试结果模块,用于根据每个评价项组合的组合评语,确定反馈测评结果。
通过采用上述技术方案,通过统计并分析学生在实际学习过程中对应的学习时长、做题时长、做题结果以及操作轨迹等,生成学生的反馈评语,而不是仅仅对测试结果进行正确性判定,通过对学生在学习过程中的实际学习数据进行分析后再得到反馈评语,便于提升反馈评语与学生之间的适配度,另外,在本申请中,并不是依靠一个特征数据得出的测评结果,而是通过特征组合和矩阵特征比对的方式先确定组合评语,再基于组合评语确定反馈测评结果,通过特征组合的方式便于提升对学生的学习过程进行测评时的全面性,从而能够提升系统测评结果的准确性。
在一种可能实现的方式中,该装置还包括:
确定特征组合模块,用于根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;
确定参数值矩阵模块,用于获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;
确定子特征矩阵模块,用于根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;
确定预设特征矩阵模块,用于所有特征组合对应的子特征矩阵组成所述预设特征矩阵。
在一种可能实现的方式中,确定组合评语模块在基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语时,具体用于:
根据每个评价项组合对应的组合键值对,从所述预设特征矩阵中确定每个评价项组合的目标矩阵坐标,每个评价项组合对应的目标矩阵坐标为每个评价项组合对应的组合键值对在所述预设特征矩阵中的位置;
根据每个目标矩阵坐标确定每个目标矩阵坐标对应的所属坐标区域,并根据每个目标矩阵坐标和第二映射关系,确定每个目标矩阵坐标对应评价项组合的组合评语,所述预设特征矩阵由预设划分规则划分为多个坐标区域,每个坐标区域中包含有多个矩阵坐标,所述第二映射关系为所属坐标区域与组合评语之间的对应关系。
在一种可能实现的方式中,该装置还包括:
识别评语特征模块,用于获取教师评语,并识别所述教师评语中包含的评语特征;
识别评语内容模块,用于根据所述评语特征,从所述教师评语中确定所述评语特征对应的评语内容;
识别内容特征模块,用于识别所述评语内容中包含的内容特征;
确定评分特征分值模块,用于根据第三映射关系、评语特征以及评语特征的数量,确定评语特征分值,所述第三映射关系为评语特征与评语特征分值之间的对应关系;
确定内容特征分值模块,用于根据第四映射关系、内容特征以及内容特征的数量,确定内容特征分值,所述第四映射关系为内容特征与内容特征分值之间的对应关系;
确定总分值模块,用于根据所述评语特征分值和所述内容特征分值,确定所述教师评语的总分值。
在一种可能实现的方式中,该装置还包括:
获取错题数据模块,用于获取错误测试数据,所述错误测试数据中包含有多个学生的错误测试题目和每个学生的学生信息;
确定待讲解知识点模块,用于根据所述错误测试数据和第五映射关系,确定每个测试题目对应的待讲解知识点,所述第五映射关系为测试题目与待讲解知识点之间的对应关系;
确定学生特征模块,用于根据所述错误测试数据中的学生信息,确定每个待讲解知识点对应的学生特征,所述学生特征包括学生数量和学生类型比例;
确定讲解分值模块,用于根据每个待讲解知识点对应的学生特征和学生特征映射关系,确定每个待讲解知识点的讲解分值,所述学生特征映射关系为学生特征与讲解分值之间的对应关系;
生成反馈信息模块,用于根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息。
在一种可能实现的方式中,生成反馈信息模块在根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息时,具体用于:
根据每个待讲解知识点和预设知识点关联网,确定待讲解知识点关联网,所述预设知识点关联网中包含有多个知识点,和每个知识点之间的关联关系,所述待讲解知识点关联网中至少包含待讲解知识点,和待讲解知识点之间的关联关系;
将每个待讲解知识点对应的讲解分值叠加至所述待讲解知识点关联网中,得到AR讲解网,并将所述AR讲解网进行反馈。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述学习过程测评方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,包括:存储有能够被处理器加载并执行上述学习过程测评方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
通过统计并分析学生在实际学习过程中对应的学习时长、做题时长、做题结果以及操作轨迹等,生成学生的反馈评语,而不是仅仅对测试结果进行正确性判定,通过对学生在学习过程中的实际学习数据进行分析后再得到反馈评语,便于提升反馈评语与学生之间的适配度,另外,在本申请中,并不是依靠一个特征数据得出的测评结果,而是通过特征组合和矩阵特征比对的方式先确定组合评语,再基于组合评语确定反馈测评结果,通过特征组合的方式便于提升对学生的学习过程进行测评时的全面性,从而能够提升系统测评结果的准确性。
通过对教师评语进行识别和分析,对相关教师给出的评语进行评分,以判断相关教师对学生的评语是否合格,以评估相关教师的教学态度。
附图说明
图1是本申请实施例中一种学习过程测评方法的流程示意图;
图2是本申请实施例中一种区域划分示意图;
图3是本申请实施例中一种待讲解知识点关联网示意图;
图4是本申请实施例中一种学习过程测评装置的结构示意图;
图5是本申请实施例中一种电子设备的结构示意图。
具体实施方式
以下结合附图1-5对本申请作进一步详细说明。
本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
具体的,本申请实施例提供了一种学习过程测评方法,由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等,但并不局限于此,该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
参考图1,图1是本申请实施例中一种学习过程测评方法的流程示意图,该方法包括步骤S110-步骤S150,其中:
步骤S110:获取学习特征信息,学习特征信息包括多个学习特征和每个学习特征对应的特征值,学习特征包括学习时长、做题时长、做题结果以及操作轨迹。
具体的,学习特征信息为学生在线上操作时的记录信息,学生端设备可将记录信息上传至电子设备,电子设备也可直接从学生端设备处直接获取,具体的获取方式在本申请实施例中不做具体限定,可由相关技术人员进行设定。
由于教学内容不同,当相关教师讲解不同的知识点时,对应的学习特征信息中包含的学习特征也可能不同,因此,学习特征的数量在本申请实施例中不做具体限定,可由相关技术人员根据相关教师的教学需求进行调整和修改。学习特征中的学习时长为学生在学习某知识点时的所用时长,学习时长也可由相关教师进行设定,例如,“限定背诵某段落30分钟”,此时所有学生的学习时长一致均为30分钟;做题时长为学生端的开始答题时刻与递交答案时刻之间的时长,由于不同学生对知识点的掌握程度不同,做题速度也不同,因此不同的学生对应的做题时长也可能不同;做题结果为学生端递交的答案;操作轨迹为学生端学习阶段和做题阶段的操作轨迹,用于记录学生在学习阶段和操作阶段的行为。
不同的教师对学习时长与做题时长的要求不同,在本申请实施例中,学习时长越长,对应的特征值越高;做题时长越短,对应的特征值越高;做题结果正确率越高,对应的特征值越高;操作轨迹重复率越低,对应的特征值越高。
步骤S120:根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,第一映射关系为学习特征和特征值与参考值之间的对应关系。
具体的,第一映射关系中包含有不同学习特征对应的特征值与参考值之间的对应关系,不同学习特征对应的特征值与参考值之间的对应关系不同,在本申请实施例中不做具体限定,可由相关技术人员进行设定。例如,针对学习特征1,当特征值位于0-20分之间时,对应的参考值为10;当特征值位于21-40分之间时,对应的参考值为20;当特征值位于41-60分之间时,对应的参考值为30;当特征值位于61分及以上时,对应的参考值为40。针对学习特征2,当特征值位于0-30分之间时,对应的参考值为30;当特征值位于31-60分之间时,对应的参考值为60;当特征值位于61-90分之间时,对应的参考值为90;当特征值位于91分及以上时,对应的参考值为100。
由于不同教学内容对应的学习特征不同,并且不同学生的学习特征对应的特征值也不同,因此,当学生数量较多,并且学生特征数量较多时,不同学生特征对应的特征值较为繁杂,因此通过将特征值转换为参考值的方式,便于对大量数据进行管理。
步骤S130:根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对。
具体的,一些学习特征之间不需要进行组合,若将所有的学习特征之间彼此进行组合,可能会产生较多的无效数据,因此,在本申请实施例中,通过预设组合规则对多个学习特征进行组合,预设组合规则可由相关技术人员根据历史组合数据进行确定,也可根据相关教师递交的组合需求进行确定,预设组合规则用于表征需要进行组合的学习特征,以及具体组合方式,例如,需要参与组合的学习特征包含学习特征a、学习特征b、学习特征c以及学习特征d,其中,将学习特征a与学习特征b、学习特征a与学习特征c、学习特征b与学习特征d进行组合。
按照预设组合规则对多个学习特征进行组合后,能够得到至少一个评价项组合,每个评价项组合中包含至少两个学习特征,每个评价项组合的组合键值对中包含每个学习特征和每个学习特征的参考值,例如,学习特征a的参考值为20,学习特征b的参考值为30,学习特征a与学习特征b为评价项组合,该评价项组合对应的组合键值对为(学习特征a,学习特征b)=(20,30)。
步骤S140:基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,预设特征矩阵由每个学习特征之间的特征组合构成。
具体的,预设特征矩阵中包含所有评价项组合对应的组合键值对,预设特征矩阵中每个矩阵位置与组合评语之间存在对应关系,根据每个评价项组合对应的组合键值对在预设特征矩阵中的位置,可确定出每个评价项组合对应的组合评语。其中,预设特征矩阵的生成过程,具体可以包括:
根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;所有特征组合对应的子特征矩阵组成预设特征矩阵。
具体的,为了提升预设特征矩阵的实用性,在生成预设特征矩阵时,可增加学习特征,即,在生成预设特征矩阵时,不必只限定在学习特征信息对应的学生特征中,例如,学习特征信息中只包含学习特征a、学习特征b以及学习特征c,构建预设特征矩阵时,可添加学习特征d、学习特征e以及学习特征f,其中学习特征d、学习特征e以及学习特征f为下一教学内容中可能用到的,具体参与构建预设特征矩阵的学习特征在本申请实施例中不做具体限定,可由相关技术人员进行设定。
每个学习特征对应的预设参数值可能不同,例如,学习特征a对应的预设参数值为10、20、30、40,而学习特征b对应的预设参数值为30、60、90、100,每个学习特征对应的预设参数值可由相关技术人员上传至电子设备,具体内容可根据实际需求进行修改。每个学习特征对应的参数值矩阵可能不同,例如,学习特征a对应的参数值矩阵可以为竖矩阵a=,也可以为横矩阵a=/>。每个学习特征对应的参数值矩阵类型不做限定,但是将两个学习特征对应的参数值矩阵进行矩阵计算时,需要保证进行计算的参数值矩阵的类型存在差异,即进行计算的参数值矩阵的类型不能完全一致。
学习特征a与学习特征b对应的参数值矩阵进行矩阵计算后,得到的子特征矩阵,如下所示:
a*b=。预设特征矩阵为所有子特征矩阵的集合,通过每个学习特征对应的所有预设参数值确定预设特征矩阵,便于提升确定预设特征矩阵时的全面性,从而便于提升预设特征矩阵的实用性。
步骤S150:根据每个评价项组合的组合评语,确定反馈测评结果。
具体的,反馈测评结果中包含每个评价项组合对应的组合评语,生成反馈测试结果后,可将反馈测试结果发送至相关教师对应的教师端设备,以便于相关教师进行查看。
通过统计并分析学生在实际学习过程中对应的学习时长、做题时长、做题结果以及操作轨迹等,生成学生的反馈评语,而不是仅仅对测试结果进行正确性判定,通过对学生在学习过程中的实际学习数据进行分析后再得到反馈评语,便于提升反馈评语与学生之间的适配度,另外,在本申请中,并不是依靠一个特征数据得出的测评结果,而是通过特征组合和矩阵特征比对的方式先确定组合评语,再基于组合评语确定反馈测评结果,通过特征组合的方式便于提升对学生的学习过程进行测评时的全面性,从而能够提升系统测评结果的准确性。
为了便于提升确定组合评语时的速率,基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,具体包括:
根据每个评价项组合对应的组合键值对,从预设特征矩阵中确定每个评价项组合的目标矩阵坐标,每个评价项组合对应的目标矩阵坐标为每个评价项组合对应的组合键值对在预设特征矩阵中的位置;根据每个目标矩阵坐标确定每个目标矩阵坐标对应的所属坐标区域,并根据每个目标矩阵坐标和第二映射关系,确定每个目标矩阵坐标对应评价项组合的组合评语,预设特征矩阵由预设划分规则划分为多个坐标区域,每个坐标区域中包含有多个矩阵坐标,第二映射关系为所属坐标区域与组合评语之间的对应关系。
具体的,由于预设特征矩阵为所有子特征矩阵的集合,在确定每个评价项组合对应的目标矩阵坐标时,可以先根据评价项组合的组合键值对从预设特征矩阵中确定出目标特征矩阵,再基于组合键值对从目标特征矩阵中进行遍历,由于评价项组合对应的组合键值对中包含有至少两个学习特征,例如,评价项组合对应的组合键值对为(学习特征a,学习特征b)=(20,30),可先根据学习特征a和学习特征b从预设特征矩阵中确定出目标特征矩阵,例如,目标特征矩阵为:
a*b=,从目标特征矩阵中确定目标矩阵坐标时,可以先根据学习特征a对应的20,从目标特征矩阵中进行遍历,确定出目标矩阵行为第二行,再基于学习特征b对应的30,从目标矩阵行中进行遍历,确定出目标矩阵列为第一列,此时直接将目标特征矩阵中第二行第一列对应的矩阵位置,确定为该评价项组合对应的目标矩阵坐标。
0由于每个评价项组合对应的组合键值对是根据每个学习特征的参考值确定出来的,预设特征矩阵也是基于每个学习特征的预设参考值创建的,因此,每个评价项组合均可以在预设特征矩阵中确定出对应的目标矩阵坐标。为了便于管理,预设特征矩阵坐标根据预设划分规则可以分为多个所属坐标区域,每个所属坐标区域中包含多个矩阵坐标,如图2所示,目标特征矩阵a*b 可以根据预设划分规则划分成三部分,具体的预设划分规则在本申请实施例中不做具体限定,可由相关技术人员根据历史数据进行设定。同一个所属坐标区域中每个矩阵坐标对应的评价项组合拥有相同的组合评语。
第二映射关系中包含所有所属坐标区域对应的组合评语,根据第二映射关系可以确定出每个所属坐标区域对应的组合评语,即根据第二映射关系可以确定出每个评价项组合对应的组合评语,第二映射关系的具体内容在本申请实施例中不做具体限定,可由相关技术人员进行设定。由于预设特征矩阵中包含有大量的特征组合,通过将预设特征矩阵进行区域划分,再通过确定每个评价项组合的目标矩阵坐标所属矩阵区域,最后通过区域对应的方式确定每个评价项组合的组合评语便于提升确定组合评语时的速率。
进一步地,为了对相关教师在教学过程中的态度进行评测,该方法还包括:
获取教师评语,并识别教师评语中包含的评语特征;根据评语特征,从教师评语中确定评语特征对应的评语内容;识别评语内容中包含的内容特征;根据第三映射关系、评语特征以及评语特征的数量,确定评语特征分值,第三映射关系为评语特征与评语特征分值之间的对应关系;根据第四映射关系、内容特征以及内容特征的数量,确定内容特征分值,第四映射关系为内容特征与内容特征分值之间的对应关系;根据评语特征分值和内容特征分值,确定教师评语的总分值。
具体的,教师评语为相关教师对学生的评价,教师评语可在相关教师提交评语内容后,由电子设备获取,也可以在相关教师提交评语后,自动上传至电子设备,具体的获取方式在本申请实施例中不做具体限定,可由相关技术人员进行设定。可通过特征识别的方式对教师评语中包含的评语特征进行识别,评语特征可以为知识点掌握程度、逻辑清晰程度以及个人建议等,具体的评语特征在本申请实施例中不做具体限定,评语内容为包含有评语特征的部分教师评语,内容特征可以为一般描述、系统描述以及整合描述等,不同的内容特征均对应有特征标识,当从评语内容中识别到对应的特征标识时,即可确定每个评语特征对应评语内容中的内容特征,特征标识与内容特征之间的对应关系可由相关技术人员根据实际情况提前录入至电子设备中,对应关系的具体内容在本申请实施例中不做具体限定,可由相关技术人员根据实际需求进行修改。
由于不同的评语特征对应的重要程度不同,因此,不同的评语特征对应的评语特征分值不同,并且评语特征的数量越多对应的评语特征分值越高,第三映射关系中包含有不同的评语特征在不同数量时,对应的评语特征分值,第三映射关系的具体内容在本申请实施例中不做具体限定。不同的内容特征对应的重要程度不同,因此,不同的内容特征对应的内容特征分值也不同,第四映射关系中包含有不同的内容特征各自对应的内容特征分值,第四映射关系的具体内容在本申请实施例中不做具体限定,可由相关技术人员进行设定。将教师评语对应的评语特征分值和内容特征分值进行求和计算,能够得到教师评语的总分值,通过对教师评语进行识别和分析,对相关教师给出的评语进行评分,以判断相关教师对学生的评语是否合格,以评估相关教师的教学态度。
进一步地,为了便于相关教师根据反馈结果准备讲解教材,该方法还包括:
获取错误测试数据,错误测试数据中包含有多个学生的错误测试题目和每个学生的学生信息;根据错误测试数据和第五映射关系,确定每个测试题目对应的待讲解知识点,第五映射关系为测试题目与待讲解知识点之间的对应关系;根据错误测试数据中的学生信息,确定每个待讲解知识点对应的学生特征,学生特征包括学生数量和学生类型比例;根据每个待讲解知识点对应的学生特征和学生特征映射关系,确定每个待讲解知识点的讲解分值,学生特征映射关系为学生特征与讲解分值之间的对应关系;根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息。
具体的,错误测试数据可从日志信息中获取,错误测试数据中包含所有学生的做题记录,如,每个错误测试题目和对应学生信息,学生信息包括学生姓名和学生类型,学生类型分为第一学生类型和第二类型,其中,学生类型与学生学习成绩相关,例如,根据某次考试的分数和预设分数确定每个学生对应的学生类型,将分数高于预设分数的学生对应的学生类型确定为第一学生类型,将分数不高于预设分数的学生对应的学生类型确定为第二学生类型。由于不同的测试题目可能对应不同的知识点,相同的,不同的错误测试题目也可能对应不同的知识点,第五映射关系中包含所有测试题目对应的讲解知识点,根据第五映射关系可确定出每个错误测试题目对应的知识点,并将错误测试题目对应的知识点确定为待讲解知识点,第五映射关系的具体内容在本申请实施例中不做具体限定,可由相关技术人员进行设定。
根据学生信息确定学生特征时,可确定出每个错误测试题目的学生人数,即每个错误测试题目对应的学生数量,当统计出每个错误测试题目对应的学生数量后,识别每个学生的学生类型,得到每个错误测试题目对应的学生类型比例,例如,错误测试题目1有12名学生出现错误,其中5人为第一类型,7人为第二类型,因此,错误测试题目1对应的学生特征为(12,5/7),学生特征映射关系中包含有不同的学生数量和学生类型比例的组合所对应的讲解分值,学生特征映射关系的具体内容在本申请实施例中不做具体限定,可由相关技术人员进行设定。
不同的错误测试题目可能对应相同的待讲解知识点,也可能对应不同的待讲解知识点,当不同的错误测试题目对应的待讲解知识点相同时,根据每个错误测试题目对应的学生信息,确定出每个错误测试题目对应的带讲解分值,最终通过计算多个讲解分值的平均值以确定对应待讲解知识点的讲解分值。通过将待讲解知识点和每个待讲解知识点对应的讲解分值进行反馈,便于相关教师能够确定出每个待讲解知识点对应的需求权重,从而便于相关教师对学生的知识点消化情况进行查看。
为了进一步便于相关教师可以直观查看每个待讲解知识点的讲解需求,根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息,包括:
根据每个待讲解知识点和预设知识点关联网,确定待讲解知识点关联网,预设知识点关联网中包含有多个知识点,和每个知识点之间的关联关系,待讲解知识点关联网中至少包含待讲解知识点,和待讲解知识点之间的关联关系;将每个待讲解知识点对应的讲解分值叠加至待讲解知识点关联网中,得到AR讲解网,并将AR讲解网进行反馈。
具体的,预设知识点关联网中包含有大量知识点,以及每个知识点之间的关联关系,预设知识点关联网可能是本单元的知识点关联网,也可以时本学期的知识点关联网,具体的内容在本申请实施例中不做具体限定,可由相关教师进行上传。待讲解知识点为预设知识点关联网中的知识点,确定出待讲解知识点后,可根据待讲解知识点从预设知识点关联网中进行截取,以得到待讲解知识点关联网,如图3所示,待讲解知识点关联网中除了包含待讲解知识点之外,还可能会包含其他讲解知识点,通过在反馈需要讲解的知识点时,将包含有待讲解知识点的讲解网进行反馈,便于降低相关教师丢失讲解知识点的概率。
通过AR数据叠加技术,可将待讲解知识点对应的讲解分值进行叠加,具体的AR叠加方式在本申请实施例中不做具体限定,可直接将每个待讲解知识点的讲解分值进行叠加,也可以将每个待讲解知识点对应的错题学生数量和学生类型比例进行叠加,通过将每个待讲解知识点对应的讲解分值进行叠加,便于相关教师可以直观查看每个待讲解知识点的讲解需求。
上述实施例从方法流程的角度介绍一种学习过程测评方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种学习过程测评装置,具体详见下述实施例。
本申请实施例提供一种学习过程测评装置,如图4所示,该装置具体可以包括获取学习特征信息模块410、确定参考值模块420、确定组合键值对模块430、确定组合评语模块440以及确定反馈测试结果模块450,其中:
获取学习特征信息模块410,用于获取学习特征信息,学习特征信息包括多个学习特征和每个学习特征对应的特征值,学习特征包括学习时长、做题时长、做题结果以及操作轨迹;
确定参考值模块420,用于根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,第一映射关系为学习特征和特征值与参考值之间的对应关系;
确定组合键值对模块430,用于根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;
确定组合评语模块440,用于基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,预设特征矩阵由每个学习特征之间的特征组合构成;
确定反馈测试结果模块450,用于根据每个评价项组合的组合评语,确定反馈测评结果。
在一种可能实现的方式中,该装置还包括:
确定特征组合模块,用于根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;
确定参数值矩阵模块,用于获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;
确定子特征矩阵模块,用于根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;
确定预设特征矩阵模块,用于所有特征组合对应的子特征矩阵组成预设特征矩阵。
在一种可能实现的方式中,确定组合评语模块440在基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语时,具体用于:
根据每个评价项组合对应的组合键值对,从预设特征矩阵中确定每个评价项组合的目标矩阵坐标,每个评价项组合对应的目标矩阵坐标为每个评价项组合对应的组合键值对在预设特征矩阵中的位置;
根据每个目标矩阵坐标确定每个目标矩阵坐标对应的所属坐标区域,并根据每个目标矩阵坐标和第二映射关系,确定每个目标矩阵坐标对应评价项组合的组合评语,预设特征矩阵由预设划分规则划分为多个坐标区域,每个坐标区域中包含有多个矩阵坐标,第二映射关系为所属坐标区域与组合评语之间的对应关系。
在一种可能实现的方式中,该装置还包括:
识别评语特征模块,用于获取教师评语,并识别教师评语中包含的评语特征;
识别评语内容模块,用于根据评语特征,从教师评语中确定评语特征对应的评语内容;
识别内容特征模块,用于识别评语内容中包含的内容特征;
确定评分特征分值模块,用于根据第三映射关系、评语特征以及评语特征的数量,确定评语特征分值,第三映射关系为评语特征与评语特征分值之间的对应关系;
确定内容特征分值模块,用于根据第四映射关系、内容特征以及内容特征的数量,确定内容特征分值,第四映射关系为内容特征与内容特征分值之间的对应关系;
确定总分值模块,用于根据评语特征分值和内容特征分值,确定教师评语的总分值。
在一种可能实现的方式中,该装置还包括:
获取错题数据模块,用于获取错误测试数据,错误测试数据中包含有多个学生的错误测试题目和每个学生的学生信息;
确定待讲解知识点模块,用于根据错误测试数据和第五映射关系,确定每个测试题目对应的待讲解知识点,第五映射关系为测试题目与待讲解知识点之间的对应关系;
确定学生特征模块,用于根据错误测试数据中的学生信息,确定每个待讲解知识点对应的学生特征,学生特征包括学生数量和学生类型比例;
确定讲解分值模块,用于根据每个待讲解知识点对应的学生特征和学生特征映射关系,确定每个待讲解知识点的讲解分值,学生特征映射关系为学生特征与讲解分值之间的对应关系;
生成反馈信息模块,用于根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息。
在一种可能实现的方式中,生成反馈信息模块在根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息时,具体用于:
根据每个待讲解知识点和预设知识点关联网,确定待讲解知识点关联网,预设知识点关联网中包含有多个知识点,和每个知识点之间的关联关系,待讲解知识点关联网中至少包含待讲解知识点,和待讲解知识点之间的关联关系;
将每个待讲解知识点对应的讲解分值叠加至待讲解知识点关联网中,得到AR讲解网,并将AR讲解网进行反馈。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的学习过程测评装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图5所示,图5所示的电子设备500包括:处理器501和存储器503。其中,处理器501和存储器503相连,如通过总线502相连。可选地,电子设备500还可以包括收发器504。需要说明的是,实际应用中收发器504不限于一个,该电子设备500的结构并不构成对本申请实施例的限定。
处理器501可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器501也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线502可包括一通路,在上述组件之间传送信息。总线502可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器503可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器503用于存储执行本申请方案的应用程序代码,并由处理器501来控制执行。处理器501用于执行存储器503中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种学习过程测评方法,其特征在于,包括:
获取学习特征信息,所述学习特征信息包括多个学习特征和每个学习特征对应的特征值,所述学习特征包括学习时长、做题时长、做题结果以及操作轨迹;
根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,所述第一映射关系为学习特征和特征值与参考值之间的对应关系;
根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;
基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,所述预设特征矩阵由每个学习特征之间的特征组合构成;
根据每个评价项组合的组合评语,确定反馈测评结果。
2.根据权利要求1所述的一种学习过程测评方法,其特征在于,所述预设特征矩阵的生成过程,包括:
根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;
获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;
根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;
所有特征组合对应的子特征矩阵组成所述预设特征矩阵。
3.根据权利要求2所述的一种学习过程测评方法,其特征在于,所述基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,包括:
根据每个评价项组合对应的组合键值对,从所述预设特征矩阵中确定每个评价项组合的目标矩阵坐标,每个评价项组合对应的目标矩阵坐标为每个评价项组合对应的组合键值对在所述预设特征矩阵中的位置;
根据每个目标矩阵坐标确定每个目标矩阵坐标对应的所属坐标区域,并根据每个目标矩阵坐标和第二映射关系,确定每个目标矩阵坐标对应评价项组合的组合评语,所述预设特征矩阵由预设划分规则划分为多个坐标区域,每个坐标区域中包含有多个矩阵坐标,所述第二映射关系为所属坐标区域与组合评语之间的对应关系。
4.根据权利要求1所述的一种学习过程测评方法,其特征在于,还包括:
获取教师评语,并识别所述教师评语中包含的评语特征;
根据所述评语特征,从所述教师评语中确定所述评语特征对应的评语内容;
识别所述评语内容中包含的内容特征;
根据第三映射关系、评语特征以及评语特征的数量,确定评语特征分值,所述第三映射关系为评语特征与评语特征分值之间的对应关系;
根据第四映射关系、内容特征以及内容特征的数量,确定内容特征分值,所述第四映射关系为内容特征与内容特征分值之间的对应关系;
根据所述评语特征分值和所述内容特征分值,确定所述教师评语的总分值。
5.根据权利要求1所述的一种学习过程测评方法,其特征在于,还包括:
获取错误测试数据,所述错误测试数据中包含有多个学生的错误测试题目和每个学生的学生信息;
根据所述错误测试数据和第五映射关系,确定每个测试题目对应的待讲解知识点,所述第五映射关系为测试题目与待讲解知识点之间的对应关系;
根据所述错误测试数据中的学生信息,确定每个待讲解知识点对应的学生特征,所述学生特征包括学生数量和学生类型比例;
根据每个待讲解知识点对应的学生特征和学生特征映射关系,确定每个待讲解知识点的讲解分值,所述学生特征映射关系为学生特征与讲解分值之间的对应关系;
根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息。
6.根据权利要求5所述的一种学习过程测评方法,其特征在于,所述根据每个待讲解知识点和每个待讲解知识点的讲解分值,生成反馈信息,包括:
根据每个待讲解知识点和预设知识点关联网,确定待讲解知识点关联网,所述预设知识点关联网中包含有多个知识点,和每个知识点之间的关联关系,所述待讲解知识点关联网中至少包含待讲解知识点,和待讲解知识点之间的关联关系;
将每个待讲解知识点对应的讲解分值叠加至所述待讲解知识点关联网中,得到AR讲解网,并将所述AR讲解网进行反馈。
7.一种学习过程测评装置,其特征在于,包括:
获取学习特征信息模块,用于获取学习特征信息,所述学习特征信息包括多个学习特征和每个学习特征对应的特征值,所述学习特征包括学习时长、做题时长、做题结果以及操作轨迹;
确定参考值模块,用于根据每个学习特征、特征值和第一映射关系,确定每个学习特征的参考值,所述第一映射关系为学习特征和特征值与参考值之间的对应关系;
确定组合键值对模块,用于根据预设组合规则对多个学习特征进行组合,得到至少一个评价项组合,并根据每个评价项组合中包含的学习特征,和每个学习特征对应的参考值确定每个评价项组合的组合键值对;
确定组合评语模块,用于基于每个评价项组合对应的组合键值对和预设特征矩阵确定每个评价项组合对应的组合评语,所述预设特征矩阵由每个学习特征之间的特征组合构成;
确定反馈测试结果模块,用于根据每个评价项组合的组合评语,确定反馈测评结果。
8.根据权利要求7所述的一种学习过程测评装置,其特征在于,还包括:
确定特征组合模块,用于根据预设组合规则对多个学习特征进行组合排列,得到多个特征组合;
确定参数值矩阵模块,用于获取每个学习特征对应的预设参数值,根据每个学习特征对应的预设参数值确定每个学习特征对应的参数值矩阵;
确定子特征矩阵模块,用于根据每个特征组合中每个学习特征对应的参数值矩阵进行矩阵计算,得到每个特征组合对应的子特征矩阵;
确定预设特征矩阵模块,用于所有特征组合对应的子特征矩阵组成所述预设特征矩阵。
9.一种电子设备,其特征在于,该电子设备包括:
至少一个处理器;
存储器;
至少一个应用程序,其中所述至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1-6中任一项所述的一种学习过程测评方法。
10.一种计算机可读存储介质,其特征在于,包括:存储有能够被处理器加载并执行如权利要求1-6中任一项所述的一种学习过程测评方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138158.9A CN117670146B (zh) | 2024-02-01 | 2024-02-01 | 一种学习过程测评方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410138158.9A CN117670146B (zh) | 2024-02-01 | 2024-02-01 | 一种学习过程测评方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670146A true CN117670146A (zh) | 2024-03-08 |
CN117670146B CN117670146B (zh) | 2024-04-30 |
Family
ID=90077305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410138158.9A Active CN117670146B (zh) | 2024-02-01 | 2024-02-01 | 一种学习过程测评方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670146B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135991A (zh) * | 2011-03-11 | 2011-07-27 | 桂林电子科技大学 | 基于后向学习的动态多属性服务选择方法 |
CN111340660A (zh) * | 2019-07-01 | 2020-06-26 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 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 |
KR102250854B1 (ko) * | 2021-03-19 | 2021-05-10 | 오영석 | 학습자의 학습수준을 평가하는 컴퓨터 프로그램과 이를 이용한 학습자의 학습수준을 평가하는 방법 |
CN113610235A (zh) * | 2021-08-03 | 2021-11-05 | 北京航空航天大学 | 一种基于深度知识追踪的适应性学习支持装置及方法 |
KR102538340B1 (ko) * | 2022-10-19 | 2023-06-02 | 주식회사 아이스크림에듀 | 학습 이해도에 대한 진단을 지원하는 인공지능 튜터링 시스템 |
CN116308935A (zh) * | 2023-05-19 | 2023-06-23 | 湖南师范大学 | 基于多特征建模和多层次评价的学习预警方法及装置 |
CN116402366A (zh) * | 2021-12-23 | 2023-07-07 | 新智我来网络科技有限公司 | 基于联合学习的数据贡献评价方法及装置 |
CN117252047A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市联特微电脑信息技术开发有限公司 | 基于数字孪生的教学信息处理方法及系统 |
-
2024
- 2024-02-01 CN CN202410138158.9A patent/CN117670146B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135991A (zh) * | 2011-03-11 | 2011-07-27 | 桂林电子科技大学 | 基于后向学习的动态多属性服务选择方法 |
CN111340660A (zh) * | 2019-07-01 | 2020-06-26 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 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 |
KR102250854B1 (ko) * | 2021-03-19 | 2021-05-10 | 오영석 | 학습자의 학습수준을 평가하는 컴퓨터 프로그램과 이를 이용한 학습자의 학습수준을 평가하는 방법 |
CN113610235A (zh) * | 2021-08-03 | 2021-11-05 | 北京航空航天大学 | 一种基于深度知识追踪的适应性学习支持装置及方法 |
CN116402366A (zh) * | 2021-12-23 | 2023-07-07 | 新智我来网络科技有限公司 | 基于联合学习的数据贡献评价方法及装置 |
KR102538340B1 (ko) * | 2022-10-19 | 2023-06-02 | 주식회사 아이스크림에듀 | 학습 이해도에 대한 진단을 지원하는 인공지능 튜터링 시스템 |
CN116308935A (zh) * | 2023-05-19 | 2023-06-23 | 湖南师范大学 | 基于多特征建模和多层次评价的学习预警方法及装置 |
CN117252047A (zh) * | 2023-11-20 | 2023-12-19 | 深圳市联特微电脑信息技术开发有限公司 | 基于数字孪生的教学信息处理方法及系统 |
Non-Patent Citations (3)
Title |
---|
WANG, C. 等: "How learner engagement impacts non-formal online learning outcomes through value co-creation: an empirical analysis", 《INTERNATIONAL JOURNAL OF EDUCATIONAL TECHNOLOGY IN HIGHER EDUCATION》, 8 July 2022 (2022-07-08), pages 1 - 26 * |
徐墨客;吴文峻;周萱;蒲彦均;: "多知识点知识追踪模型与可视化研究", 电化教育研究, no. 10, 21 September 2018 (2018-09-21), pages 55 - 61 * |
李亚婷;陈敏;王欢;周驰;王会军;: "融合网络学习空间过程性数据的中小学教师信息素养评估研究", 中国电化教育, no. 09, 10 September 2020 (2020-09-10), pages 124 - 133 * |
Also Published As
Publication number | Publication date |
---|---|
CN117670146B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200372067A1 (en) | Interfaces, systems, and methods for rating media content | |
US20130017526A1 (en) | Method and apparatus for sharing a tablet computer during a learning session | |
CN112131349A (zh) | 对知识点掌握状态进行测量的方法 | |
US10104027B2 (en) | Systems and methods for inquiry-based learning including collaborative question generation | |
TWI575472B (zh) | 線上學習系統、其能力評量方法以及儲存此能力評量方法之儲存媒體 | |
US20150056578A1 (en) | Methods and systems for gamified productivity enhancing systems | |
CN114021029A (zh) | 试题推荐方法及设备 | |
TW201445489A (zh) | 資料追蹤方法及系統 | |
US20150125844A1 (en) | Server and method for managing learning | |
Webber | Re-examining the effectiveness of manual review | |
CN117670146B (zh) | 一种学习过程测评方法、装置、电子设备及介质 | |
CN111477051A (zh) | 一种测评方法、装置、电子设备及存储介质 | |
CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
CN111553555A (zh) | 培训方法、装置、计算机设备和存储介质 | |
CN109472457B (zh) | 贷款申请在线面审方法及终端设备 | |
KR20150135584A (ko) | 난이도별 문항을 제공하는 학습 시스템에서 학습자의 표준 평균 정답률과 표준 평균 풀이시간을 이용하여 난이도 갱신기능을 갖는 난이도별 문항 제공 학습시스템 | |
CN112395115A (zh) | 实时成绩处理方法、装置、电子设备及计算机可读介质 | |
CN114782224A (zh) | 基于用户特征的网页考评作弊监测方法、装置及电子设备 | |
CN110297989B (zh) | 异常检测的测试方法、装置、设备和介质 | |
CN111612659B (zh) | 一种在线财会考试自动评分系统及评分方法 | |
CN115905576B (zh) | 一种试卷生成方法、装置、电子设备及介质 | |
KR101245824B1 (ko) | 학습 정보를 제공하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체 | |
CN117648934B (zh) | 基于错误试题的知识点确定方法、装置、设备和介质 | |
CN114305417B (zh) | 一种人因测试方法、装置、电子设备及存储介质 | |
CN117648449B (zh) | 基于知识图谱的自适应推送方法、系统、设备和介质 |
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 |