CN117808643A - 一种基于汉语言的教学管理系统 - Google Patents
一种基于汉语言的教学管理系统 Download PDFInfo
- Publication number
- CN117808643A CN117808643A CN202410225190.0A CN202410225190A CN117808643A CN 117808643 A CN117808643 A CN 117808643A CN 202410225190 A CN202410225190 A CN 202410225190A CN 117808643 A CN117808643 A CN 117808643A
- Authority
- CN
- China
- Prior art keywords
- word
- sequence
- students
- privacy data
- probability
- 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
- 239000000463 material Substances 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 53
- 238000007726 management method Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 35
- 238000007476 Maximum Likelihood Methods 0.000 claims description 30
- 230000008602 contraction Effects 0.000 claims description 26
- 238000000586 desensitisation Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种基于汉语言的教学管理系统，包括：教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；设置论坛、聊天室社交工具，具有针对实时了解学生听课状况和学生是否在听课以及针对学生学习状况进行定制教学的效果。
Description
技术领域
本发明涉及教学管理的技术领域，特别地，涉及一种基于汉语言的教学管理系统。
背景技术
汉语言文学是研究中国语言的词语、句法，赏析古今诗歌、散文、小说等众多的文学作品，熟悉有关编辑出版的基本知识的一门学科，在汉语言文学的学习中会用到教学装置来进行学术展示，能够更好的将汉语言文学展示给学生，让学生能够在学习过程中更加容易的了解汉语言文学。
传统的汉语言文学教育通常注重汉语言文学习题的训练，大多的教师和家长均通过购买大量的复习资料，或者给孩子报各种汉语言文学辅导班来培养孩子的汉语言文学能力。而复习资料大多采用空洞的习题训练以及习题讲解进行孩子汉语言文学能力的训练，无疑会很枯燥乏味，一方面容易导致学生在大量的习题面前会失去学习汉语言文学的动力及兴趣，另一方面整个训练的过程很容易出现不理解情况的出现，无法真正意义上的提高学生的汉语言文学能力。
而现有的学习机虽然具有视频讲解功能，但是其针对性很差，每个学生都采用一样的习题进行训练，无法做到因材施教，同时习题库更新缓慢，同一个测试模块的习题都是固定不变的，这很容易导致学生只是记住了答案，而没有真正理解知识点的情况的出现；且所有的解答都是提前录制的，学生在学习过程所产生的疑难问题很容易出现无法查询到讲解数据的情况。
课堂教学是高等教育最基础和最重要的教学组织形式，同时也是实现人才培养目标、保证并提高教育质量的最重要环节。提高教学水平进程中的一个重要环节就是课堂教学水平的提高，而当前存在着教师在授课过程中，不能及时统计学生听课状况的问题，特别是对于大班授课，学生课堂听课状况的实时掌握也显得很困难。老师需要了解学生听课状况和学生是否在听课对自己的教学状态进行调整，所以急需一种能够实时了解学生听课状况和学生是否在听课的智能系统，对于学生学习中的问题无法及时获取与反馈。
针对上述现有技术的不足，本发明提供一种基于汉语言的教学管理系统。
发明内容
本发明提供了一种基于汉语言的教学管理系统，以解决现有技术中当前存在着教师在授课过程中，不能及时统计学生听课状况的问题，特别是对于大班授课，学生课堂听课状况的实时掌握也显得很困难。老师需要了解学生听课状况和学生是否在听课对自己的教学状态进行调整的技术问题。
根据本发明的一个方面，提供一种基于汉语言的教学管理系统，包括：
课程规划模块，用于教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；
内容管理模块，用于教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；
作业分发与收集模块，用于教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；
测试和评估模块，包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；
成绩管理模块，记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；
学生管理模块，用于记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；
互动和沟通模块：设置论坛、聊天室社交工具，以便于学生和老师之间和/或学生之间的交流；
报告和分析模块，用于生成班级和/或学生的学习状况报告，用于教师和学校监测和改善教学质量，并制定学生薄弱环节的补救课程；
移动应用和跨平台支持模块，用于连接台式电脑、笔记本电脑、平板和智能手机，还包括满足用户的需求，便于用户随时随地进行学习以及监管；
通过对学生学习数据进行获取建立数据库，对数据库中的学生或者老师或者学习所需的数据进行脱敏处理，包括获取数据库中的隐私数据；
确定所述隐私数据的隐性词组集，对所述隐性词组集进行类别划分，得到多个隐性词组子集，由各个隐性词组子集对所述隐私数据进行隐私数据聚拢，得到多个隐私数据簇；
选取一个隐私数据簇，确定该个隐私数据簇的显性界域，根据所述显性界域对该个隐私数据簇进行显性剔除，得到多个隐性隐私数据收缩簇，根据该个隐私数据簇对应的隐性词组子集确定各个隐性隐私数据收缩簇的隐私数据脱敏值；
选取一个隐性隐私数据收缩簇，根据该个隐性隐私数据收缩簇的隐私数据脱敏值确定该个隐性隐私数据收缩簇的脱敏等级，根据所述脱敏等级对该个隐性隐私数据收缩簇进行脱敏，对于剩余的隐性隐私数据收缩簇，重复上述步骤，对该个隐性隐私数据簇中剩余的隐性隐私数据收缩簇进行脱敏；
对于剩余的隐私数据簇，重复上述步骤，对剩余的隐私数据簇进行脱敏。
进一步地，所述隐私数据中每个标题与各个隐性词组子集的隐私数据聚拢值采用下述公式确定：
；
其中，表示第/>个标题与第/>个隐性词组子集的隐私数据聚拢值，/>表示第/>个标题中字词的总个数，/>表示第/>个隐性词组子集中字词的总个数，/>表示第/>个标题中第/>个字词与第/>个隐性词组子集中第/>个字词的相似度，/>表示第/>个标题中第/>个字词的影响因子，/>，/>。
进一步地，根据内容管理模块，在对用户进行语法练习时，包括对文本序列进行识别，对高频率单词进行识别以及对于用于语法学习中的错误单词进行统计，搭建算法模型如下：
；
其中，为文本序列/>在语料库中出现的概率，其中/>表示一个单词，i表示第i个单词，n表示文本序列中的单词个数，/>为单词/>在文本序列中出现的概率；
且对于给定上下文s中某一单词i的极大似然概率计算公式为：
；
式中，为上下文s与单词i共同出现的次数，上下文s包括一个文本序列或者几个单词，/>为上下文s在语料库中出现的次数。
进一步地，根据文本序列对文本中单词进行识别，针对数据稀疏和维度灾难且利用最大化对数似然,构造目标函数如下：
；
其中，L为最大化对数似然值，log为构建的目标函数，实际上是/>与/>
的函数,公式表示如下：
；
其中,实际上是/>与/>中出现的概率，/>为参数集θ的目标函数，参数θ为模型待定参数集,将计算所有多元语法的条件概率转化为目标函数,并求解参数集θ，选取神经网络适当的情况下,参数集θ的规模小于多元语法中的参数量。
进一步地，多元语法模型中避免数据稀疏根据神经网络模型设置了输入层、隐藏层和输出层，其中根据当前单词的前n-1个单词作为输入,计算当前单词出现的概率如下：
；
；
；
；
其中，W,U,H是神经网络的权重,b,d为偏置,是每个输出单词i的非标准对数概率，L为多元语法模型的损失函数，/>为当前单词/>在文本序列中出现的概率，/>为当前单词的非标准对数概率，/>为当前文本序列的输出模型，为文本序列的极大似然的对数函数，/>为参数集的目标函数，T为比例系数，y为隐藏层函数，h为隐藏层系数。
进一步地，根据多元语法模型搭建双向语言模型对一个单词序列，根据给定单词的上文计算该单词的概率，为前向语言模型，公式如下：
；
其中，为单词序列/>在语料库中出现的概率，为当前单词在前向文本序列中出现的概率，对应的后向语言模型表示如下:
；
其中，为当前单词在后向文本序列中出现的概率，为该模型下的当前单词在后向文本序列中出现的概率其优化目标为最大化两个方向的对数似然如下:
；
其中，为输入单词的表示，/>与/>表示用于前向和后向建模的神经网络参数，/>为前向文本序列中的极大似然对数函数，为后向文本序列中的极大似然对数函数。
进一步地，根据多元语法模型针对文本序列指定预训练目标任务,并融合自回归模型与自编码模型设置排序模型,对给定的输入文本序列，用/>表示输入序列所有可能的排列情况所组成的集合，用/>表示一个排列z/> 中的第t个元素，z＜t表示一个排列z/> 中的前t-1个元素，排序模型的目标函数形式化表示如下：
；
其中， 为对输入模型/>下的根据参数集θ的极大似然的目标函数，其中/>表示一个排列Z/> 中的第t个元素，/>为排序模型中文本序列的极大似然对数函数，/>为当前文本序列的极大似然值，/>是关于集合/>的目标函数，/>为集合/>的文本序列值。
进一步地，根据多元语法模型设置编码器与解码器，
在编码器部分，对于给定的输入文本序列,对每一个时间步t,其隐藏状态/>下式给出：
；
其中为时间步t下的隐藏状态/>的目标函数，/>为t-1时刻下的隐藏层状态值，/>为t时刻的单词序列的序列值，
在输入文本序列的所有元素之后,神经网络的隐藏状态形成了一个中间语义表示c，在解码器部分,神经网络的隐藏状态按照下式计算：
；
其中，为连接解码器时的中间语义c的隐藏状态/>的目标函数，/>为解码后的文本序列基于文本序列值的线性值，解码后输出的条件概率如下计算：
；
其中为连接解码器后，当前输入序列在语料库中的概率,函数g一般为softmax函数，/>为解码后的文本序列集，
编码器-解码器框架以最大化条件对数似然作为优化的目标函数：
；
其中为在参数集θ内的当前文本序列的最优化的极大似然对数函数模型，/>为解码后的极大似然对数函数，/>为当前文本序列的极大似然值，为每个时刻的单词序列的序列值集，/>为每个时刻的单词序列的序列值对应的线性值集，N为文本序列的集合数。
根据本发明的另一个方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的一种基于汉语言的教学管理系统的步骤。
根据本发明的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的一种基于汉语言的教学管理系统的步骤。
本发明具有以下有益效果：
本发明一种基于汉语言的教学管理系统，通过教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；设置论坛、聊天室社交工具，具有针对实时了解学生听课状况和学生是否在听课以及针对学生学习状况进行定制教学的效果。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明一种基于汉语言的教学管理系统优选实施例的整体框架示意图；
图2是本发明一种基于汉语言的教学管理系统优选实施例的内部管理模块的框架示意图；
图3是本发明一种基于汉语言的教学管理系统优选实施例的计算机设备的结构图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
实施例1
如图1、图2所示，本实施例公开一种基于汉语言的教学管理系统，包括：
课程规划模块，用于教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；
内容管理模块，用于教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；
作业分发与收集模块，用于教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；
测试和评估模块，包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；
成绩管理模块，记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；
学生管理模块，用于记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；
互动和沟通模块：设置论坛、聊天室社交工具，以便于学生和老师之间和/或学生之间的交流；
报告和分析模块，用于生成班级和/或学生的学习状况报告，用于教师和学校监测和改善教学质量，并制定学生薄弱环节的补救课程；
移动应用和跨平台支持模块，用于连接台式电脑、笔记本电脑、平板和智能手机，还包括满足用户的需求，便于用户随时随地进行学习以及监管。
优选的，其中内容管理模块包括：
材料上传单元，教师将不同类型的教学材料上传到系统中，包括汉字练习题、词汇列表、语法练习、听力材料和口语材料，且教师通过选择单个文件上传或批量上传；
资源分类和标签单元，通过系统将教师上传的材料进行分类和打标签，以便更好地组织和管理，包括按照课程主题、难度级别和语法知识点进行分类；
材料检索单元，通过系统搜索和过滤包括关键词、标签和文件名筛选所需的教学材料；
材料版本控制单元，通过系统支持对教学材料进行版本控制，并对教师上传新的版本并标注更新内容，以便于学生和其他教师查看和下载最新版本的材料；
分享和访问权限管理单元，通过系统将教学材料分享给特定的班级、学生或其他教师，并通过设定访问权限，确保只有授权的用户访问和下载材料。
通过系统对用户学习进行成绩预测：基于学生的学习行为，课程成绩，以及其他相关数据，预测学生的学习效果。建议生成：生成根据学生个别问题针对性的学习建议，帮助学生解决学习难题。个性化学习：根据学生的学习习惯、成绩、和偏好，制定个性化的学习计划。自动评价：利用模型进行学生作业的自动评估，减轻教师的负担。
通过对学生学习数据进行获取建立数据库，对数据库中的学生或者老师或者学习所需的数据进行脱敏处理，包括获取数据库中的隐私数据；
确定所述隐私数据的隐性词组集，对所述隐性词组集进行类别划分，得到多个隐性词组子集，由各个隐性词组子集对所述隐私数据进行隐私数据聚拢，得到多个隐私数据簇；
选取一个隐私数据簇，确定该个隐私数据簇的显性界域，根据所述显性界域对该个隐私数据簇进行显性剔除，得到多个隐性隐私数据收缩簇，根据该个隐私数据簇对应的隐性词组子集确定各个隐性隐私数据收缩簇的隐私数据脱敏值；
选取一个隐性隐私数据收缩簇，根据该个隐性隐私数据收缩簇的隐私数据脱敏值确定该个隐性隐私数据收缩簇的脱敏等级，根据所述脱敏等级对该个隐性隐私数据收缩簇进行脱敏，对于剩余的隐性隐私数据收缩簇，重复上述步骤，对该个隐性隐私数据簇中剩余的隐性隐私数据收缩簇进行脱敏；
对于剩余的隐私数据簇，重复上述步骤，对剩余的隐私数据簇进行脱敏。
所述隐私数据中每个标题与各个隐性词组子集的隐私数据聚拢值可采用下述公式确定：
；
其中，表示第/>个标题与第/>个隐性词组子集的隐私数据聚拢值，/>表示第/>个标题中字词的总个数，/>表示第/>个隐性词组子集中字词的总个数，/>表示第/>个标题中第/>个字词与第/>个隐性词组子集中第/>个字词的相似度，/>表示第/>个标题中第/>个字词的影响因子，/>，/>。
需要说明的是，本申请中的相似度可采用现有技术中的机器学习模型进行确定，每个字词的影响因子可根据脱敏需求从0到1进行设置，且总的影响因子之和为1，在其它实施例中也可以采用其它方法实现，这里不做具体限定。
在步骤103，选取一个隐私数据簇，确定该个隐私数据簇的显性界域，根据所述显性界域对该个隐私数据簇进行显性剔除，得到多个隐性隐私数据收缩簇，根据该个隐私数据簇对应的隐性词组子集确定各个隐性隐私数据收缩簇的隐私数据脱敏值。
在一些实施例中，确定该个隐私数据簇的显性界域可采用下述步骤实现：
确定该个隐私数据簇的多个数据判定值；选取其中一个数据判定值，若该数据判定值超过预设的显性阈值，则将该数据判定值对应的隐私数据作为显性数据；对于剩余的数据判定值，重复上述步骤，对剩余的数据判定值与所述显性阈值进行比较，得到剩余的数据判定值对应的显性数据；将所有的显性数据的集合作为该个隐私数据簇的显性界域。
优选的，根据内容管理模块，在对用户进行语法练习时，包括对文本序列进行识别，对高频率单词进行识别以及对于用于语法学习中的错误单词进行统计，搭建算法模型如下：
；
其中，为文本序列/>在语料库中出现的概率，其中/>表示一个单词，i表示第i个单词，n表示文本序列中的单词个数，/>为单词/>在文本序列中出现的概率；
且对于给定上下文s中某一单词i的极大似然概率计算公式为：
；
式中，为上下文s与单词i共同出现的次数，上下文s包括一个文本序列或者几个单词，/>为上下文s在语料库中出现的次数。
具体的，根据文本序列对文本中单词进行识别，针对数据稀疏和维度灾难且利用最大化对数似然,构造目标函数如下：
；
其中，L为最大化对数似然值，log为构建的目标函数，实际上是/>与/>的函数,公式表示如下：
；
其中,实际上是/>与/>中出现的概率，/>为参数集θ的目标函数，参数θ为模型待定参数集,将计算所有多元语法的条件概率转化为目标函数,并求解参数集θ，选取神经网络适当的情况下,参数集θ的规模小于多元语法中的参数量。
具体的，多元语法模型中避免数据稀疏根据神经网络模型设置了输入层、隐藏层和输出层，其中根据当前单词的前n-1个单词作为输入,计算当前单词出现的概率如下：
；
；
；
；
其中，W,U,H是神经网络的权重,b,d为偏置,是每个输出单词i的非标准对数概率，L为多元语法模型的损失函数，/>为当前单词/>在文本序列中出现的概率，/>为当前单词的非标准对数概率，/>为当前文本序列的输出模型，/>为文本序列的极大似然的对数函数，/>为参数集的目标函数，T为比例系数，y为隐藏层函数，h为隐藏层系数。
具体的，根据多元语法模型搭建双向语言模型对一个单词序列，根据给定单词的上文计算该单词的概率，为前向语言模型，公式如下：
；
其中，为单词序列/>在语料库中出现的概率，为当前单词在前向文本序列中出现的概率，对应的后向语言模型表示如下:
；
其中，为当前单词在后向文本序列中出现的概率，为该模型下的当前单词在后向文本序列中出现的概率其优化目标为最大化两个方向的对数似然如下:
；
其中，为输入单词的表示，/>与/>表示用于前向和后向建模的神经网络参数，/>为前向文本序列中的极大似然对数函数，为后向文本序列中的极大似然对数函数。
具体的，根据多元语法模型针对文本序列指定预训练目标任务,并融合自回归模型与自编码模型设置排序模型,对给定的输入文本序列，用/>表示输入序列所有可能的排列情况所组成的集合，用/>表示一个排列z/> 中的第t个元素，z＜t表示一个排列z/> 中的前t-1个元素，排序模型的目标函数形式化表示如下：
；
其中， 为对输入模型/>下的根据参数集θ的极大似然的目标函数，其中/>表示一个排列Z/> 中的第t个元素，/>为排序模型中文本序列的极大似然对数函数，/>为当前文本序列的极大似然值，/>是关于集合/>的目标函数，为集合/>的文本序列值。
具体的，根据多元语法模型设置编码器与解码器，
在编码器部分，对于给定的输入文本序列,对每一个时间步t,其隐藏状态/>以下式给出：
；
其中为时间步t下的隐藏状态/>的目标函数，/>为t-1时刻下的隐藏层状态值，/>为t时刻的单词序列的序列值，
在输入文本序列的所有元素之后,神经网络的隐藏状态形成了一个中间语义表示c，在解码器部分,神经网络的隐藏状态按照下式计算：
；
其中，为连接解码器时的中间语义c的隐藏状态/>的目标函数，/>为解码后的文本序列基于文本序列值的线性值，解码后输出的条件概率如下计算：
；
其中为连接解码器后，当前输入序列在语料库中的概率,函数g一般为softmax函数，/>为解码后的文本序列集，
编码器-解码器框架以最大化条件对数似然作为优化的目标函数：
；
其中为在参数集θ内的当前文本序列的最优化的极大似然对数函数模型，/>为解码后的极大似然对数函数，/>为当前文本序列的极大似然值，为每个时刻的单词序列的序列值集，/>为每个时刻的单词序列的序列值对应的线性值集，N为文本序列的集合数。
在中文的基准测试任务中,同样由于研究起步较晚的原因,并未形成类似于英文中GLUE等成型的测试数据集,对基准测试数据的选择还存在一定分歧，下表为中文基准测试任务表。
其通过对测试任务与测试内容一一对应进行安排，将基准测试数据进行归类收集，减少分歧。
本实施例通过目标导向：明确设定学习目标，将学习任务和活动与这些目标对齐，确保学生在每个阶段都有明确、可衡量的目标，差异化教学：了解学生的学习差异和需求，采用不同的教学策略和方法，满足不同学生的学习需求。个性化学习：根据学生的兴趣、能力、学习风格设计个性化的学习计划和教学资源，提供个别指导和支持。任务驱动教学：通过将学生置于真实场景中，设计真实问题和任务，激发学生的学习动机和兴趣，促进汉语语言的应用能力。反馈和评价：提供及时的反馈，针对学生的学习表现给予正面鼓励和建设性指导。采用不同方式的评价方法，多角度、全面地了解学生的学习进展。积极沟通与合作：教师与学生之间、学生之间和教师之间保持积极的沟通和合作，建立良好的学习氛围和互动平台。教师培训和专业发展：提供教师培训和专业发展机会，帮助教师掌握最新的教学方法和技术，提高教学素养和能力。学习资源的管理和使用：建立汉语学习资源库，包括书籍、短视频、在线课程等，优化资源的组织、存储和使用，提供多样化和丰富的学习资源。教学技术和工具的应用：运用教学技术和工具，如虚拟实境、在线学习平台、语言学习应用等，提高教学效率和互动性。教学研究和改进：教师积极从实践中总结经验、参与教学研究，不断反思和改进教学方法，为汉语教学管理提供更有效的策略和实践，并结合现代化教学系统提高教学水平进程中的一个重要环节就是课堂教学水平的提高，在教师在授课过程中，及时统计学生听课状况的问题，特别是对于大班授课，学生课堂听课状况进行实时掌握。老师根据需要了解学生听课状况和学生是否在听课对自己的教学状态进行调整。
根据本发明的一个方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述的基于汉语言的教学管理系统的步骤。该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等；
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述基于汉语言的教学管理系统实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述基于汉语言的教学管理系统实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。
本实施例一种基于汉语言的教学管理系统的工作原理：通过教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；设置论坛、聊天室社交工具，具有针对实时了解学生听课状况和学生是否在听课以及针对学生学习状况进行定制教学的效果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于汉语言的教学管理系统，其特征在于：包括：
课程规划模块，用于教师创建和发布课程大纲、教学计划和课程进度，并制定课程课时以及备选课时规划；
内容管理模块，用于教师上传和组织教学材料，包括汉字、词汇、语法练习、听力和口语材料；
作业分发与收集模块，用于教师通过系统分发作业，学且生在线提交作业以及便于教师在平台上直接批改；
测试和评估模块，包括在线测试、自动评分系统和反馈，便于跟踪和评估学生的学习进度；
成绩管理模块，记录学生的成绩和表现并生成成绩单，用于分析学生的学习成效，且根据学生的学习成效显示该生的薄弱项进行呈现；
学生管理模块，用于记录学生的基本信息，并跟踪学生的出勤情况、作业提交和测试成绩；
互动和沟通模块：设置论坛、聊天室社交工具，以便于学生和老师之间和/或学生之间的交流；
报告和分析模块，用于生成班级和/或学生的学习状况报告，用于教师和学校监测和改善教学质量，并制定学生薄弱环节的补救课程；
移动应用和跨平台支持模块，用于连接台式电脑、笔记本电脑、平板和智能手机，还包括满足用户的需求，便于用户随时随地进行学习以及监管；
通过对学生学习数据进行获取建立数据库，对数据库中的学生或者老师或者学习所需的数据进行脱敏处理，包括获取数据库中的隐私数据；
确定所述隐私数据的隐性词组集，对所述隐性词组集进行类别划分，得到多个隐性词组子集，由各个隐性词组子集对所述隐私数据进行隐私数据聚拢，得到多个隐私数据簇；
选取一个隐私数据簇，确定该个隐私数据簇的显性界域，根据所述显性界域对该个隐私数据簇进行显性剔除，得到多个隐性隐私数据收缩簇，根据该个隐私数据簇对应的隐性词组子集确定各个隐性隐私数据收缩簇的隐私数据脱敏值；
选取一个隐性隐私数据收缩簇，根据该个隐性隐私数据收缩簇的隐私数据脱敏值确定该个隐性隐私数据收缩簇的脱敏等级，根据所述脱敏等级对该个隐性隐私数据收缩簇进行脱敏，对于剩余的隐性隐私数据收缩簇，重复上述步骤，对该个隐性隐私数据簇中剩余的隐性隐私数据收缩簇进行脱敏；
对于剩余的隐私数据簇，重复上述步骤，对剩余的隐私数据簇进行脱敏。
2.根据权利要求1所述的一种基于汉语言的教学管理系统，其特征在于：所述隐私数据中每个标题与各个隐性词组子集的隐私数据聚拢值采用下述公式确定：
；
其中，表示第/>个标题与第/>个隐性词组子集的隐私数据聚拢值，/>表示第/>个标题中字词的总个数，/>表示第/>个隐性词组子集中字词的总个数，/>表示第/>个标题中第/>个字词与第/>个隐性词组子集中第/>个字词的相似度，/>表示第/>个标题中第/>个字词的影响因子，/>，/>。
3.根据权利要求2所述的一种基于汉语言的教学管理系统，其特征在于：根据内容管理模块，在对用户进行语法练习时，包括对文本序列进行识别，对高频率单词进行识别以及对于用于语法学习中的错误单词进行统计，搭建算法模型如下：
；
其中，为文本序列/>在语料库中出现的概率，其中/>表示一个单词，i表示第i个单词，n表示文本序列中的单词个数，/>为单词/>在文本序列中出现的概率；
且对于给定上下文s中某一单词i的极大似然概率计算公式为：
；
式中，为上下文s与单词i共同出现的次数，上下文s包括一个文本序列或者几个单词，/>为上下文s在语料库中出现的次数。
4.根据权利要求3所述的一种基于汉语言的教学管理系统，其特征在于：根据文本序列对文本中单词进行识别，针对数据稀疏和维度灾难且利用最大化对数似然,构造目标函数如下：
；
其中，L为最大化对数似然值，log为构建的目标函数，实际上是/>与/>的函数,公式表示如下：
；
其中,为单词/>在上下文/>中出现的概率，/>为参数集θ的目标函数，参数θ为模型待定参数集,将计算所有多元语法的条件概率转化为目标函数,并求解参数集θ，选取神经网络适当的情况下,参数集θ的规模小于多元语法中的参数量。
5.根据权利要求4所述的一种基于汉语言的教学管理系统，其特征在于：多元语法模型中避免数据稀疏根据神经网络模型设置了输入层、隐藏层和输出层，其中根据当前单词的前n-1个单词作为输入,计算当前单词出现的概率如下：
；
；
；
；
其中，W,U,H是神经网络的权重,b,d为偏置,是每个输出单词i的非标准对数概率，L为多元语法模型的损失函数，/>为当前单词/>在文本序列中出现的概率，/>为当前单词的非标准对数概率，/>为当前文本序列的输出模型，/>为文本序列的极大似然的对数函数，/>为参数集的目标函数，T为比例系数，y为隐藏层函数，h为隐藏层系数。
6.根据权利要求5所述的一种基于汉语言的教学管理系统，其特征在于：根据多元语法模型搭建双向语言模型对一个单词序列，根据给定单词的上文计算该单词的概率，为前向语言模型，公式如下：
；
其中，为单词序列/>在语料库中出现的概率，为当前单词在前向文本序列中出现的概率，对应的后向语言模型表示如下:
；
其中，为当前单词在后向文本序列中出现的概率，为该模型下的当前单词在后向文本序列中出现的概率其优化目标为最大化两个方向的对数似然如下:
；
其中，为输入单词的表示，/>与/>表示用于前向和后向建模的神经网络参数，为前向文本序列中的极大似然对数函数，为后向文本序列中的极大似然对数函数。
7.根据权利要求5所述的一种基于汉语言的教学管理系统，其特征在于：根据多元语法模型针对文本序列指定预训练目标任务,并融合自回归模型与自编码模型设置排序模型,对给定的输入序列，用/>表示输入序列所有可能的排列情况所组成的集合，用/>表示一个排列z/> 中的第t个元素，z＜t表示一个排列z/> 中的前t-1个元素，排序模型的目标函数形式化表示如下：
；
其中， 为对输入模型/>下的根据参数集θ的极大似然的目标函数，其中/>表示一个排列Z/> 中的第t个元素，/>为排序模型中文本序列的极大似然对数函数，/>为当前文本序列的极大似然值，/>是关于集合/>的目标函数，/>为集合/>的文本序列值。
8.根据权利要求7所述的一种基于汉语言的教学管理系统，其特征在于：根据多元语法模型设置编码器与解码器，
在编码器部分，对于给定的输入序列,对每一个时间步t,其隐藏状态/>以下式给出：
；
其中为时间步t下的隐藏状态/>的目标函数，/>为t-1时刻下的隐藏层状态值，/>为t时刻的单词序列的序列值，
在输入序列的所有元素之后,神经网络的隐藏状态形成了一个中间语义表示c，在解码器部分,神经网络的隐藏状态按照下式计算：
；
其中，为连接解码器时的中间语义c的隐藏状态/>的目标函数，/>为解码后的文本序列基于文本序列值的线性值，解码后输出的条件概率如下计算：
；
其中为连接解码器后，当前输入序列在语料库中的概率,函数g一般为softmax函数，/>为解码后的文本序列集，
编码器-解码器框架以最大化条件对数似然作为优化的目标函数：
；
其中为在参数集θ内的当前文本序列的最优化的极大似然对数函数模型，/>为解码后的极大似然对数函数，/>为当前文本序列的极大似然值，/>为每个时刻的单词序列的序列值集，/>为每个时刻的单词序列的序列值对应的线性值集，N为文本序列的集合数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1-8任一所述的一种基于汉语言的教学管理系统。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1-8任一所述的一种基于汉语言的教学管理系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225190.0A CN117808643B (zh) | 2024-02-29 | 2024-02-29 | 一种基于汉语言的教学管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225190.0A CN117808643B (zh) | 2024-02-29 | 2024-02-29 | 一种基于汉语言的教学管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808643A true CN117808643A (zh) | 2024-04-02 |
| CN117808643B CN117808643B (zh) | 2024-05-28 |
Family
ID=90433797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225190.0A Active CN117808643B (zh) | 2024-02-29 | 2024-02-29 | 一种基于汉语言的教学管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808643B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583226A (zh) * | 2018-10-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 数据脱敏处理方法、装置及电子设备 |
| CN110737651A (zh) * | 2019-09-29 | 2020-01-31 | 武汉海昌信息技术有限公司 | 一种可还原脱敏的数据清洗及交换办法 |
| CN111444545A (zh) * | 2020-06-12 | 2020-07-24 | 支付宝(杭州)信息技术有限公司 | 针对多方的隐私数据进行聚类的方法和装置 |
| CN112765653A (zh) * | 2021-01-06 | 2021-05-07 | 山财高新科技(山西)有限公司 | 一种多隐私策略组合优化的多源数据融合隐私保护方法 |
| CN113516410A (zh) * | 2021-07-31 | 2021-10-19 | 北京翰雅科技有限公司 | 一种语言教学系统及方法 |
| CN115221537A (zh) * | 2022-06-02 | 2022-10-21 | 支付宝(杭州)信息技术有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
| CN116011011A (zh) * | 2022-12-30 | 2023-04-25 | 浙江电力交易中心有限公司 | 基于时序随机映射的差分隐私数据脱敏方法及相关装置 |
| CN116955555A (zh) * | 2023-07-10 | 2023-10-27 | 华中师范大学 | 一种基于自然语言处理的数字人教师在课堂教学的方法 |
| CN117521116A (zh) * | 2024-01-04 | 2024-02-06 | 卓世科技(海南)有限公司 | 一种大语言模型隐私信息保护方法 |
-
2024
- 2024-02-29 CN CN202410225190.0A patent/CN117808643B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583226A (zh) * | 2018-10-26 | 2019-04-05 | 平安科技（深圳）有限公司 | 数据脱敏处理方法、装置及电子设备 |
| CN110737651A (zh) * | 2019-09-29 | 2020-01-31 | 武汉海昌信息技术有限公司 | 一种可还原脱敏的数据清洗及交换办法 |
| CN111444545A (zh) * | 2020-06-12 | 2020-07-24 | 支付宝(杭州)信息技术有限公司 | 针对多方的隐私数据进行聚类的方法和装置 |
| WO2021249500A1 (zh) * | 2020-06-12 | 2021-12-16 | 支付宝(杭州)信息技术有限公司 | 针对多方的隐私数据进行聚类的方法和装置 |
| CN112765653A (zh) * | 2021-01-06 | 2021-05-07 | 山财高新科技(山西)有限公司 | 一种多隐私策略组合优化的多源数据融合隐私保护方法 |
| CN113516410A (zh) * | 2021-07-31 | 2021-10-19 | 北京翰雅科技有限公司 | 一种语言教学系统及方法 |
| CN115221537A (zh) * | 2022-06-02 | 2022-10-21 | 支付宝(杭州)信息技术有限公司 | 一种模型处理方法、装置、存储介质及电子设备 |
| CN116011011A (zh) * | 2022-12-30 | 2023-04-25 | 浙江电力交易中心有限公司 | 基于时序随机映射的差分隐私数据脱敏方法及相关装置 |
| CN116955555A (zh) * | 2023-07-10 | 2023-10-27 | 华中师范大学 | 一种基于自然语言处理的数字人教师在课堂教学的方法 |
| CN117521116A (zh) * | 2024-01-04 | 2024-02-06 | 卓世科技(海南)有限公司 | 一种大语言模型隐私信息保护方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余健: "面向中医药临床大数据共享的隐私保护方法研究", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 02, 15 February 2023 (2023-02-15), pages 057 - 342 * |
| 徐东;李贤;张子迎;孟宇龙;冯光升;: "面向聚类挖掘的个性化隐私保护算法", 哈尔滨工程大学学报, vol. 39, no. 11, 3 July 2018 (2018-07-03), pages 1779 - 1785 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808643B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marques et al. | Teaching machine learning in school: A systematic mapping of the state of the art | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| Yang | Toward a model of strategies and summary writing performance | |
| CN110377814A (zh) | 题目推荐方法、装置及介质 | |
| US20230267848A1 (en) | Systems and methods for guided instructional design in electronic learning systems | |
| CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
| CN113196318A (zh) | 一种理科教学系统及其使用方法、计算机可读存储介质 | |
| KR20150071439A (ko) | 실시간/비 실시간 문제풀이 학습시스템 및 방법 | |
| Foltz et al. | Data mining large-scale formative writing | |
| Zhang et al. | How Students Search Video Captions to Learn: An Analysis of Search Terms and Behavioral Timing Data. | |
| Liu et al. | An early-warning method on e-learning | |
| Jayakody et al. | Enhancing competencies of less-able students to achieve learning outcomes: Learner aware tool support through Business intelligence | |
| CN117808643B (zh) | 一种基于汉语言的教学管理系统 | |
| Duong et al. | Exploiting faculty evaluation forms to improve teaching quality: An analytical review | |
| Umutlu et al. | Leveraging artificial intelligence techniques for effective scaffolding of personalized learning in workplaces | |
| Bhaduri | NLP in Engineering Education-Demonstrating the use of Natural Language Processing Techniques for Use in Engineering Education Classrooms and Research | |
| Le | Design of interactive English reading teaching system based on hybrid communication network | |
| Lee et al. | Utilizing natural language processing (NLP) to evaluate engagement in project-based learning | |
| Zhuang et al. | OPTES: A Tool for Behavior-based Student Programming Progress Estimation | |
| Krūmiņš et al. | Input Determination for Models Used in Predicting Student Performance. | |
| Vaishnavi et al. | Implementation of Machine Learning in Higher Education | |
| Mayasari et al. | Student’s writing paragraph: An error exploration of using subject-verb agreement | |
| Jeryluxshigan et al. | BRIGHT MINDS Online E-Learning App for Kids-Web Application | |
| Makhlouf et al. | Prediction Models for Automatic Assessment to Students' Freely-written Comments. | |
| Canale | Artificial Intelligence methodologies to early predict student outcome and enrich learning material |
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 |