CN106997571A - 一种基于数据驱动的学科学习发展推荐***及方法 - Google Patents
一种基于数据驱动的学科学习发展推荐***及方法 Download PDFInfo
- Publication number
- CN106997571A CN106997571A CN201710196482.6A CN201710196482A CN106997571A CN 106997571 A CN106997571 A CN 106997571A CN 201710196482 A CN201710196482 A CN 201710196482A CN 106997571 A CN106997571 A CN 106997571A
- Authority
- CN
- China
- Prior art keywords
- subject
- student
- data
- index
- subjects
- 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
- 238000011161 development Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 12
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003236 psychic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于数据驱动的学科学习发展推荐***及方法,包括移动终端、计算机;所述计算机中运行推荐***,所述推荐***包括数据收集模块、推荐算法模块、可视化输出模块和推荐数据库;所述数据收集模块包括成绩数据收集、评价数据收集和心理测评数据收集;所述推荐算法模块包括推荐指数计算、推荐指数分析、学科分析与学生分类、生成推荐;所述可视化呈现模块包括可视化群体学科关系图、个体学科状态图与个性化学科推荐结果。本发明适用于中学生学业学习的规划和指导,通过对多种类型和来源的数据分析识别个人学科优势特征,形成个性化的学科学习指导方案,合理选择中考、高考考试科目,提升学业规划的科学性和准确性。
Description
技术领域
本发明涉及一种基于数据驱动的学科学习发展推荐***及方法,属于教育领域信息推荐***。
背景技术
一些省市已经或即将开始在中考和高考实行7选3(从7门学科中选择3门参加考试)或6选3(从6门学科中选择3门参加考试)的政策。学生对自我未来发展的选择权极大地增强了,但众多学生因难以准确识别自身的优势,选择能力不足,而面临不知如何选择考试科目的困境,难以合理选择考试学科,对自身学科状态认识不足,无法科学的规划学业发展;同时,教师也面临指导学生规划学习生涯的挑战。
国内外尚没有能够满足学生、教师这一需求的指导或推荐***。
发明内容
本发明要解决的问题是:基于学生多方面数据,识别学生类别及学生的学科发展能力和优势特长,提前预警学业发展障碍,并向学生推荐个性化的学科学习发展建议。降低学生面对考试科目选择的困惑和选择的盲目性,提高选考的准确性和适应性;根据个人学科发展状态,科学规划个人学习进程,提高学习的针对性和精确性,为学生进行科学的学业发展规划提供帮助。
本发明解决问题所采用的技术方案为:一种基于数据驱动的学科学习发展推荐***,包括移动终端、计算机;所述计算机中运行推荐***,所述推荐***包括数据收集模块、推荐算法模块、可视化输出模块和推荐数据库;其中:
数据收集模块:教师通过移动终端将学生的考试成绩数据和评价数据传送至推荐数据库;通过移动终端收集学生心理测评数据,并将所述心理测评数据上传至推荐数据库,所述考试成绩数据为学生既往的学科考试成绩;所述评价数据为学科教师对学生在该学科的兴趣、投入度和潜能进行的等级评价;所述心理测评数据为学生通过移动终端完成心理测评的数据;
推荐算法模块:将数据收集模块中的心理测评数据、考试成绩数据和评价数据按照推荐指数计算模型计算得到学科推荐指数,并通过对学科推荐指数的分析,得到学科关系数据、学生个体学科推荐指数数据、学生分类数据和个性化学科学***均得到,其中g为学科X某次考试的成绩,ω为该次考试成绩的权重,Ex通过学科X的评价数据计算得到,其中Xx为学科X的兴趣度得分,Tx为学科X的学科投入度得分,Qx为学科X的学科潜能得分,为学科X的教师评价与学科X综合成绩的皮尔逊相关系数,Px通过心理测评数据计算得到,其中Pi为第i个与学科X关系密切的心理测验得分,为第i个心理测验得分与学科X综合成绩的皮尔逊相关系数;然后,对所有学生在学学科的推荐指数进行分析,确定学科之间的关系,采用皮尔逊相关分析每两个学科之间的相关度,并进行显著性检验,通过显著性检验,且相关系数高于0.5的两个学科定义为高相关学科;通过显著性检验,且相关系数大于0.3小于0.5的两个学科定义为低相关学科;其他的称为无关学科;若某个学科与三个及以上学科存在高相关,则该学科为群体的高影响学科;随后,通过对学生的学科推荐指数分析确定学生类型,依据学生的学科推荐指数的不同将学生分为5种不同类型,第一类为高发展型学生,是指所有学科推荐指数均高于群体的平均值的学生,表明学生在所有学科的学***均值附近的学生,表明学生所有学科的学***均水平,第三类为晚发展型学生是指所有学科推荐指数均在群体均值以下的学生,表明学生所有学科的学***均值,有些学科推荐指数低于群体平均值的学生,第五类为其他类型学生,是指不能归为以上四类的学生;针对不同类别的学生,根据事先制订的推荐规则生成个性化学科发展推荐方案;
可视化输出模块:对推荐算法模块得到的结果进行可视化的输出,包括描述学科之间关系的网状图和表现学生个体学科推荐指数的状态图,以及个性化学科发展推荐结果基于用户角色生成Word推荐报告,并呈现给学生、教师和家长;学生、教师和家长根据不同的角色通过移动终端或计算机查看上述数据和推荐结果;
推荐数据库,包括三部分,一是学科成绩数据表,存储的是每个学科的学科名称、考试时间、考试总分、考试成绩;二是教师评价数据表,存储的是每个学科的学科名称、学科潜能、学科努力度、学科兴趣度、评价者、评价时间;三是心理测试数据表,存储的是心理测试名称、测试成绩、测试时间;这个模块主要为推荐算法模块提供数据调用,
所述移动终端是装有心理测试、考试数据上传和教师评价客户端的手机或平板电脑。
一种基于数据驱动的学科学习发展推荐方法,实现步骤如下:
步骤(1)学生通过移动终端完成内置的心理测试,并将测试过程数据和结果数据输入到推荐数据库的心理测试数据表;
步骤(2)教师通过移动终端导入学生的学科名称、考试时间、考试总分、考试成绩,将数据存储到推荐数据库的成绩数据表;
步骤(3)学科教师通过移动终端对学生在该学科的学习兴趣度、学习努力度和学科潜能进行1到10分的评级,得分越高表明学生在该项目的表现越好,将评价数据存储到推荐数据库的教师评价数据表,供推荐算法调用;
步骤(4)推荐算法调用数据库中存储的数据,通过预订的规则计算学生的学科推荐指数,RIX=Gx+Ex+Px,其中RIx为学科X的推荐指数,Gx为学科X的综合成绩,通过学生既往历次学科成绩加权平均得到,其中g为学科X某次考试的成绩,ω为该次考试成绩的权重,Ex通过学科X的评价数据计算得到,其中Xx为学科X的兴趣度得分,Tx为学科X的学科投入度得分,Qx为学科X的学科潜能得分,为学科X的教师评价与学科X综合成绩的皮尔逊相关系数,Px通过学生心理测评数据计算得到,其计算方案为其中Pi为第i个与学科X关系密切的心理测验得分,为第i个心理测验得分与学科X综合成绩的皮尔逊相关系数;
步骤(5)对所有学生的学科推荐指数进行相关分析,采用皮尔逊相关分析每两个学科之间的相关度,并进行显著性检验,通过显著性检验,且相关系数高于0.5的两个学科定义为高相关学科;通过显著性检验,且相关系数大于0.3小于0.5的两个学科定义为低相关学科;其他的称为无关学科;若某个学科与三个及以上学科存在高相关,则该学科为群体的高影响学科;将以上数据以网状图的形式保存起来,并传至可视化输出模块;
步骤(6)对学生所有学科推荐指数进行分析,从而将学生分成5类:高发展型学生是指所有学科推荐指数均高于群体的平均值的学生,表明学生在所有学科的学***均值附近的学生,表明学生所有学科的学***均水平,晚发展型学生是指所有学科推荐指数均在群体均值以下的学生,表明学生所有学科的学***均值,有些学科推荐指数低于群体平均值的学生,其他类型学生是指不能归为以上各类的学生;将以上数据图的形式保存起来,并传至可视化输出模块;
步骤(7)依据学生分类,根据预设的推荐规则生成学业发展推荐报告;
步骤(8)学生、教师、家长根据不同的角色通过移动终端或计算机查看推荐***生成的报告,包括学科之间关系的网状图和表现学生个体学科推荐指数的柱状图,以及个性化学科发展推荐结果基于用户角色生成Word推荐报告。
本发明与现有技术相比的优点在于:
(1)目前尚没有结合群体数据,针对学生个体学科现状进行学生学科学习发展推荐的计算机***,本***是第一个面向中学生,为中学生提供基于数据驱动的学科学习发展推荐,帮助学生进行学科选择的推荐***。
(2)目前学生的学业规划或选考策略往往单纯依赖某一方面的数据,比如考试成绩或个人兴趣,难以综合各方面的数据。本***数据收集模块收集了学生多方面的数据,存储在推荐数据库中,并通过推荐算法模块对多种影响学生未来学业发展的数据进行分析,使得推荐更准确、合理。
(3)目前学生的选考决策过程有较强的主观性,容易被最近的状态影响。本***数据收集模块对学生历次考试数据进行采集,并在推荐算法模块对不同时间段的成绩赋予不同权重,减少学生因最近一次考试理想或不理想而出现决策失误的可能性。
附图说明
图1为一种基于数据驱动的学科学习发展推荐***的流程图;
图2为图1中推荐算法模块的实现流程图;
图3为图2中的推荐指数的计算方案实现流程图;
图4为图2中群体学科关系图及群体高影响学科推荐实现流程;
图5为图2中个体学科状态图及个体高影响学科推荐实现流程。
具体实施方式
下面结合附图及具体实施方式详细介绍本发明。
本发明为一种基于数据驱动的学科学习发展推荐***及方法,其中推荐***包括数据收集模块、推荐算法模块和可视化输出模块。流程如图1所示。
具体实现步骤如下:
步骤(1)通过终端收集学生的学科成绩、教师评价和心理测评结果,形成相应的数据表,存储到推荐数据库。
步骤(2)依据既定的规则调用数据库中的数据,经过计算学科推荐指数、分析推荐指数、分析学科关系和进行学生分类,最终生成学科学习发展推荐结果。
步骤(3)将推荐结果以分析报告形式发送学生、教师和家长,分析报告包括群体学科关系图、个体学科状态图和学科推荐。
推荐算法模块,包括学科推荐指数计算、推荐指数分析、学生分类和生成学科发展推荐。学科推荐指数计算包括既往学科综合成绩评估、教师评价和心理特征分析;推荐指数分析包括推荐指数趋势分析;学科推荐包括优势学科、群体高影响学科推荐和个体高影响学科推荐。流程如图2所示。
具体实现步骤如下:
步骤(1)计算学生在所有学科的推荐指数。
步骤(2)对所有学科的推荐指数进行分析。
步骤(3)依据对推荐指数的分析,确定群体高影响学科和个体高影响学科,并对学生进行分类。
步骤(4)依据不同推荐规则向学生进行推荐,向学生提供个性化的学业学习发展推荐。
本发明的推荐指数的计算方案如图3所示。***调用数据库中存储的学科成绩数据、教师评价数据和心理测评数据,按照推荐指数计算规则计算出学科的推荐指数。
具体实现方法如下:
步骤(1)收集学生某学科一年内的既往考试成绩(百分制),按时间序列进行整理,并对不同时间段的成绩(g)赋予不同权重(ω),时间距离越近权重越高,ω1+ω2+...+ωi=1。学科综合成就G的计算规则如下,
g为学科X某次考试的成绩;
ω为该次考试成绩的权重;
Gx为学科X的综合成绩。
如1年前(g1)、半年前(g2)、三个月内(g3)的测试成绩,在计算时分别赋予20%(ω1)、30%(ω2)、50%(ω3)的权重。根据综合成绩Gx的计算规则计算,
步骤(2)收集教师评价方面的信息,评估学生在该学科的兴趣度X、投入度T与学科发展潜能Q。3个方面均为10级评分。以学科兴趣度为例,分值越高代表对学科的兴趣度越高。1代表对学科完全没兴趣,非常不喜欢,10代表非常喜欢该学科。2~9为两者的中间状态,数字越大对学科的喜欢程度越高。
Xx为学生在学科X的兴趣度得分;
Tx为学生在学科X的学科投入度得分;
Qx为学生在学科X的学科潜能得分;
ex为学生在学科X的教师评价的原始分。
计算学科X综合成绩Gx与教师评价原始分ex的皮尔逊相关系数
利用上述结果,进一步计算教师测评数据Ex:
Ex为学生在学科X的教师评价数据。
步骤(3)采用心理测验对学生的个性心理特征进行测量和分析,包括一般认知能力、学科自我效能感、自我控制能力、数理逻辑能力、阅读理解能力、空间能力、执行能力。因各量表的原始分值不同,无法进行计算。所以,先将学生的各量表得分先求出其在群体的z分数,再将z分数转化为t分数,实现各心理特征测量的刻度统一,计算公式如下。
xi为学生在心理测验i中的量表分;
si为所有学生心理测验i量表分的标准差;
pi为该心理测验i的得分。
计算学生学科综合成绩Gx与上述心理测验转换分之间的皮尔逊相关系数
pi为第i个心理测验的得分。
按照上述方法,计算每个学科与上述7个心理特征的相关系数。每个学科选取相关系数最高的三个心理特质计算该学科的心理测评数据Px。
Px为学生在学科X的心理测评数据
步骤(4)根据学生在该学科的综合成绩、教师评价得分和心理测评得分,计算学生该学科的推荐指数RI。
如,某个学生在学科X的推荐指数的计算:
RIx=Gx+Ex+Px
RIx为学科X的推荐指数;
Gx为学科X的综合成绩;
Ex为学科X的教师评价得分;
Px为学科X的心理测评得分。
步骤(5)依据上述计算步骤和规则,计算学生在学所有学科的推荐指数RI1到RIn。
以推荐指数作为学生学科潜能排序的依据。学科的推荐指数越高,表明学生在该学科的发展的潜能越大,在该学科越具有优势。
本发明的推荐指数分析内容和方法如下:
对所有学生在全部学科的推荐指数进行相关分析得到学科之间的相关度,采用皮尔逊相关系数,计算公式如下:
RIx为学科X的推荐指数;
RIy为学科Y的推荐指数;
Rxy为学科X与学科Y之间的相关系数。
然后,采用t检验对计算出的相关系数进行显著性检验:
Rxy为学科X与学科Y之间的相关系数;
n为参与计算Rxy的学生人数。
如图4所示,计算机调用推荐指数计算模块得到的学生群体学科推荐指数计算学科之间的关系,依据相关学科判定标准绘制学科关系图,其中高相关学科之间用实线连接,低相关学科之间用虚线连接,无关学科之间不连接;如果学科同时与三个及以上学科为高相关学科,则将该学科以高亮显示,并标注为群体高影响学科。判断标准为:通过显著性检验,且相关系数高于0.5的两个学科定义为高相关学科;通过显著性检验,且相关系数大于0.3小于05 的两个学科成为低相关学科;其他的称为无关学科。若某个学科与三个及以上学科存在高相关,则该学科为群体的高影响学科。
学科指数的群体集中度和离散度采用学科推荐指数均值和标准差SRI进行分析,
为学科X群体推荐指数均值;
为学科X群体推荐指数标准差;
n为参与计算的学生人数;
计算学生在学学科推荐指数的标准Z分数,例如学生A在学科X的Z分数计算如下,
RIx为学生A在X学科的推荐指数,
为学科X群体推荐指数标准差,
Zx为学生A在X学科推荐指数的Z分数。
用相同方法计算学生在所有学科的推荐指数Z分数,Z1、Z2、…、Zn。
依据计算结果确定个体的优势学科和个体高影响学科,具体实现步骤如图5所示:计算机调用推荐算法模块得到的学生各学科推荐指数进行分析,并依据判断标准绘制个体学科状态图,其中学生的优势学科和弱势学科以不同的颜色高亮显示和标注。将学生个体学科状态图与群体学科关系进行对比,确定学生的个体高影响学科,进行高亮显示并标注为个体高影响学科。
具体判断标准为:个体优势学科是指学生推荐指数Z分数大于或等于1的学科,如图中所示某学生学科X的推荐指数Z分数,ZX≥1,则该学科X为该学生的优势学科。该学生学科Y的推荐指数Z分数,ZY≤-1,则学科Y为该学生的弱势学科。同时全体数据分析发现学科X与学科Y的相关系数Rxy〉0.5。表明学科X与学科Y可能具有某种内在联系,在大部分学生中两个学科成绩会相互影响。而该学生在两个学科的表现与群体数据不一致,则在未来的学科发展中可能出现表现较弱的学科Y拖累表现较好学科X的发展,将该学科Y定义为该学生的个体高影响学科。
依据学生学科推荐指数Z分数的计算结果将学生分成5类,具体分类标准如下:
高发展型学生:所有学科推荐指数Z分数均大于或等于1,即Z≥1。
均衡发展型学生:学科推荐指数Z分数在0.6和-0.6之间,即-0.6<Z<0.6。
晚发展型学生:学科推荐指数Z分数均小于或等于-1,即Z≤-1。
特征发展型学生:学科推荐指数Z分数离散地分布在-2到3之间,即-2<Z,且Z分数的离散度Sz大于50%学生的离散度。
其中
Zx为学生在学科X推荐指数的Z分数,
n为学科数。
其他类型学生:不能归为以上各类的学生。
本发明针对不同学生的推荐规则设定和具体推荐方案如下:
高发展型学生:此类学生各个学科表现都比较好,均有较高的发展潜能,具有多种发展的可能性和全面发展的潜力。因此,对此类学生的推荐以兴趣优先。以柱状图向学生呈现各学科的推荐指数得分情况,推荐群体高影响学科,推荐学生以兴趣为导向的,较高选择自由度的发展。
特征发展型学生:此类学生属于学科表现有差异的学生,在某些学科上具有发展优势,在某些学科的表现不好。这类学生对自己的优势和劣势具有相对明确的感知,但对劣势所可能带来的影响并没有清晰的认识,容易出现劣势学科影响优势学科表现的情况。因此以柱状图向学生呈现各学科的推荐指数得分情况,推荐群体高影响学科和个体高影响学科,让学生重视这两类具有较高影响力的学科,并提醒学生使非优势学科的水平达到不妨碍优势学科发展的程度。
均衡发展型学生:此类学生属于各个学科的表现和潜能都相对比较平均且在群体中处在中等水平。综合全面地发展是这类学生的优势,而不宜为了过分追求某个学科的突出而忽视其他学科。因此以柱状图向学生呈现各学科的推荐指数得分情况,推荐群体高影响学科和个体高影响学科,鼓励学生在继续全面发展的基础上,并结合自身个性特征发展比较优势。
晚发展型学生:此类学生属于各个学科的表现都比较弱,也难以发现突出学科潜能。对此类学生关键是能够保持各个学科达到合格水平,维持并增加学科学习的兴趣。因此,以柱状图向学生呈现各学科的推荐指数得分情况,推荐群体高影响学科,鼓励此类学生挖掘自身兴趣,并进行更深入的学业诊断找到困难点,提升学业表现,努力形成一技之长。
其他类型学生:对此类学生需进行个体化的分析,以柱状图向学生呈现各学科的推荐指数得分情况,推荐群体高影响学科和个体高影响学科。此外,推荐学生进行更深入的学科和心理诊断,寻找个人突破点。
本发明未详细阐述的部分属于本领域公知技术。
Claims (3)
1.一种基于数据驱动的学科学习发展推荐***,其特征在于:包括移动终端、计算机;所述计算机中运行推荐***,所述推荐***包括数据收集模块、推荐算法模块、可视化输出模块和推荐数据库;其中:
数据收集模块:教师通过移动终端将学生的考试成绩数据和评价数据传送至推荐数据库;通过移动终端收集学生心理测评数据,并将所述心理测评数据上传至推荐数据库,所述考试成绩数据为学生既往的学科考试成绩;所述评价数据为学科教师对学生在该学科的兴趣、投入度和潜能进行的等级评价;所述心理测评数据为学生通过移动终端完成心理测评的数据;
推荐算法模块:将数据收集模块中的心理测评数据、考试成绩数据和评价数据按照推荐指数计算模型计算得到学科推荐指数,并通过对学科推荐指数的分析,得到学科关系数据、学生个体学科推荐指数数据、学生分类数据和个性化学科学***均得到,其中g为学科X某次考试的成绩,ω为该次考试成绩的权重,Ex为通过学科X的评价数据计算得到的结果, 其中Xx为学科X的兴趣度得分,Tx为学科X的学科投入度得分,Qx为学科X的学科潜能得分,为学科X的教师评价与学科X综合成绩的皮尔逊相关系数,Px通过心理测评数据计算得到,其中Pi为第i个与学科X关系密切的心理测验得分,为第i个心理测验得分与学科X综合成绩的皮尔逊相关系数;然后,对所有学生在学学科的推荐指数进行分析,确定学科之间的关系,采用皮尔逊相关分析每两个学科之间的相关度,并进行显著性检验,通过显著性检验,且相关系数高于0.5的两个学科定义为高相关学科;通过显著性检验,且相关系数大于0.3小于0.5的两个学科定义为低相关学科;其他的称为无关学科;若某个学科与三个及以上学科存在高相关,则该学科为群体的高影响学科;随后,通过对学生的学科推荐指数分析确定学生类型,依据学生的学科推荐指数的不同将学生分为5种不同类型,第一类为高发展型学生,是指所有学科推荐指数均高于群体的平均值的学生,表明学生在所有学科的学***均值附近的学生,表明学生所有学科的学***均水平,第三类为晚发展型学生是指所有学科推荐指数均在群体均值以下的学生,表明学生所有学科的学***均值,有些学科推荐指数低于群体平均值的学生,第五类为其他类型学生,是指不能归为以上四类的学生;针对不同类别的学生,根据事先制订的推荐规则生成个性化学科发展推荐方案;
可视化输出模块:对推荐算法模块得到的结果进行可视化的输出,包括描述群体学科关系的网状图和表现学生个体学科推荐指数的状态图,以及个性化学科发展推荐结果基于用户角色生成Word推荐报告,并呈现给学生、教师和家长;学生、教师和家长根据不同的角色通过移动终端或计算机查看上述数据和推荐结果;
推荐数据库,包括三部分,一是学科成绩数据表,存储的是每个学科的学科名称、考试时间、考试总分、考试成绩;二是教师评价数据表,存储的是每个学科的学科名称、学科潜能、学科努力度、学科兴趣度、评价者、评价时间;三是心理测试数据表,存储的是心理测试名称、测试成绩、测试时间;这个模块主要为推荐算法模块提供数据调用。
2.根据权利要求1所述的基于数据驱动的学科学***板电脑。
3.一种基于数据驱动的学科学习发展推荐方法,其特征在于实现步骤如下:
步骤(1)学生通过移动终端完成内置的心理测试,并将测试过程数据和结果数据输入到推荐数据库的心理测试数据表;
步骤(2)教师通过移动终端导入学生的学科名称、考试时间、考试总分、考试成绩,将数据存储到推荐数据库的成绩数据表;
步骤(3)学科教师通过移动终端对学生在该学科的学习兴趣度、学习努力度和学科潜能进行1到10分的评级,得分越高表明学生在该项目的表现越好,将评价数据存储到推荐数据库的教师评价数据表,供推荐算法调用;
步骤(4)推荐算法调用数据库中存储的数据,通过预订的规则计算学生的学科推荐指数,RIX=Gx+Ex+Px,其中RIx为学科X的推荐指数,Gx为学科X的综合成绩,通过学生既往历次学科成绩加权平均得到,其中g为学科X某次考试的成绩,ω为该次考试成绩的权重,Ex为通过学科X的评价数据计算得到的结果,其中Xx为学科X的兴趣度得分,Tx为学科X的学科投入度得分,Qx为学科X的学科潜能得分,为学科X的教师评价与学科X综合成绩的皮尔逊相关系数,Px通过心理测评数据计算得到,其计算方案为其中Pi为第i个与学科X关系密切的心理测验得分,为第i个心理测验得分与学科X综合成绩的皮尔逊相关系数;
步骤(5)对所有学生的学科推荐指数进行相关分析,采用皮尔逊相关分析每两个学科之间的相关度,并进行显著性检验,通过显著性检验,且相关系数高于0.5的两个学科定义为高相关学科;通过显著性检验,且相关系数大于0.3小于0.5的两个学科定义为低相关学科;其他的称为无关学科;若某个学科与三个及以上学科存在高相关,则该学科为群体的高影响学科;将以上数据以群体学科关系网状图的形式保存起来,并传至可视化输出模块;
步骤(6)对学生所有学科推荐指数进行分析,从而将学生分成5类:高发展型学生是指所有学科推荐指数均高于群体的平均值的学生,表明学生在所有学科的学***均值附近的学生,表明学生所有学科的学***均水平,晚发展型学生是指所有学科推荐指数均在群体均值以下的学生,表明学生所有学科的学***均值,有些学科推荐指数低于群体平均值的学生,其他类型学生是指不能归为以上各类的学生;将以上数据以图形的形式保存起来,并传至可视化输出模块;
步骤(7)依据学生分类,根据预设的推荐规则生成学业发展推荐报告;
步骤(8)学生、教师、家长根据不同的角色通过移动终端或计算机查看推荐***生成的报告,包括学科之间关系的网状图和表现学生个体学科推荐指数的状态图,以及个性化学科发展推荐结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710196482.6A CN106997571A (zh) | 2017-03-29 | 2017-03-29 | 一种基于数据驱动的学科学习发展推荐***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710196482.6A CN106997571A (zh) | 2017-03-29 | 2017-03-29 | 一种基于数据驱动的学科学习发展推荐***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106997571A true CN106997571A (zh) | 2017-08-01 |
Family
ID=59431540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710196482.6A Pending CN106997571A (zh) | 2017-03-29 | 2017-03-29 | 一种基于数据驱动的学科学习发展推荐***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106997571A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833170A (zh) * | 2017-11-28 | 2018-03-23 | 东莞优闪电子科技有限公司 | 一种k12教育耦合实现个性化学习的方法 |
CN108389145A (zh) * | 2018-02-08 | 2018-08-10 | 四川元高分网络科技有限公司 | 基于大数据的学业人格测评与培养*** |
CN109614410A (zh) * | 2018-11-15 | 2019-04-12 | 福建大道之行教育科技有限公司 | 一种基于大数据建模的人才结构分析方法及*** |
CN110570336A (zh) * | 2019-03-25 | 2019-12-13 | 北京和气聚力教育科技有限公司 | 一种选科指导*** |
CN111127267A (zh) * | 2019-12-18 | 2020-05-08 | 四川文轩教育科技有限公司 | 基于测评大数据的学校教学问题分析方法 |
CN112396330A (zh) * | 2020-11-24 | 2021-02-23 | 中教云智数字科技有限公司 | 一种基于机器学习的学习方案规划方法 |
CN113748449A (zh) * | 2019-03-27 | 2021-12-03 | 人间制造局有限责任公司 | 评估和培训*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及*** |
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和*** |
CN106530158A (zh) * | 2016-11-07 | 2017-03-22 | 朱长春 | 一种对知识模式结构分解、考试、推理和鉴定人的知识及能力的方法 |
-
2017
- 2017-03-29 CN CN201710196482.6A patent/CN106997571A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680453A (zh) * | 2015-02-28 | 2015-06-03 | 北京大学 | 基于学生属性的课程推荐方法及*** |
CN105096224A (zh) * | 2015-08-21 | 2015-11-25 | 湖南亿谷科技发展股份有限公司 | 志愿推荐方法和*** |
CN106530158A (zh) * | 2016-11-07 | 2017-03-22 | 朱长春 | 一种对知识模式结构分解、考试、推理和鉴定人的知识及能力的方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833170A (zh) * | 2017-11-28 | 2018-03-23 | 东莞优闪电子科技有限公司 | 一种k12教育耦合实现个性化学习的方法 |
CN107833170B (zh) * | 2017-11-28 | 2021-08-24 | 广东墨痕教育科技有限公司 | 一种k12教育耦合实现个性化学习的方法 |
CN108389145A (zh) * | 2018-02-08 | 2018-08-10 | 四川元高分网络科技有限公司 | 基于大数据的学业人格测评与培养*** |
CN109614410A (zh) * | 2018-11-15 | 2019-04-12 | 福建大道之行教育科技有限公司 | 一种基于大数据建模的人才结构分析方法及*** |
CN110570336A (zh) * | 2019-03-25 | 2019-12-13 | 北京和气聚力教育科技有限公司 | 一种选科指导*** |
CN113748449A (zh) * | 2019-03-27 | 2021-12-03 | 人间制造局有限责任公司 | 评估和培训*** |
CN113748449B (zh) * | 2019-03-27 | 2024-05-14 | 人间制造局有限责任公司 | 评估和培训*** |
CN111127267A (zh) * | 2019-12-18 | 2020-05-08 | 四川文轩教育科技有限公司 | 基于测评大数据的学校教学问题分析方法 |
CN111127267B (zh) * | 2019-12-18 | 2023-07-14 | 四川文轩教育科技有限公司 | 基于测评大数据的学校教学问题分析方法 |
CN112396330A (zh) * | 2020-11-24 | 2021-02-23 | 中教云智数字科技有限公司 | 一种基于机器学习的学习方案规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106997571A (zh) | 一种基于数据驱动的学科学习发展推荐***及方法 | |
CN106205248B (zh) | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成***及方法 | |
CN103942993B (zh) | 一种基于irt的自适应在线测评***及其方法 | |
Wu et al. | International comparative study on PISA mathematics achievement test based on cognitive diagnostic models | |
Fahd et al. | Integrating design science research and design based research frameworks for developing education support systems | |
CN109345101A (zh) | 基于综合评价分析法的教育质量评价分析方法 | |
CN108776942A (zh) | 一种走班选科的方法及*** | |
Li et al. | An artificial intelligence based model for evaluation of college students’ ability and characteristics through teaching evaluation | |
Zhang et al. | [Retracted] Decision Tree Algorithm‐Based Model and Computer Simulation for Evaluating the Effectiveness of Physical Education in Universities | |
CN109754349A (zh) | 一种在线教育智能师生匹配*** | |
CN110232343A (zh) | 基于潜变量模型的儿童个性化行为统计分析***及方法 | |
CN113744101A (zh) | 新高考模式下考生志愿智能填报方法、装置及计算机设备 | |
KR20100101281A (ko) | 학습 유형 검사 시스템 및 검사 방법 | |
Wu et al. | Research on construction method of learning paths and learning progressions based on cognitive diagnosis assessment | |
Liu et al. | Prediction and assessment of student learning outcomes in calculus a decision support of integrating data mining and Bayesian belief networks | |
CN114881827B (zh) | 一种基于互联网的远程在线教育培训方法、***及存储介质 | |
Ninasivincha-Apfata et al. | Dashboard Proposal Implemented According to an Analysis Developed on the KNIME Platform. | |
Lin et al. | Association between test item’s length, difficulty, and students’ perceptions: Machine learning in schools’ term examinations | |
Andrews-Todd et al. | Comparing Collaborative Problem Solving Profiles Derived from Human and Semi-Automated Annotation. | |
Nebot et al. | Fuzzy predictive models to help teachers in e-learning courses | |
Nuankaew et al. | Institution recommendation using relationship optimisation between program and student context | |
Kong et al. | [Retracted] Construction and Application of Physical Education Teacher Literacy Evaluation System Based on Grey Relational Model | |
Djelil et al. | Analysing peer assessment interactions and their temporal dynamics using a graphlet-based method | |
Mirbagheri et al. | Using a recommender system to suggest educational resources and drawing a semi-automated concept map to enhance the learning progress | |
Pham et al. | Examining three learning progressions in middle-school mathematics for formative assessment |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170801 |
|
WD01 | Invention patent application deemed withdrawn after publication |