CN108573051A - 基于大数据分析的知识点图谱 - Google Patents
基于大数据分析的知识点图谱 Download PDFInfo
- Publication number
- CN108573051A CN108573051A CN201810368358.8A CN201810368358A CN108573051A CN 108573051 A CN108573051 A CN 108573051A CN 201810368358 A CN201810368358 A CN 201810368358A CN 108573051 A CN108573051 A CN 108573051A
- Authority
- CN
- China
- Prior art keywords
- point
- knoeledge
- meta
- knowledge
- knowledge point
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims description 26
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
基于大数据分析的知识点图谱，通过教学大纲录入元知识点和元知识点之间的关联关系，形成知识点数据库，采集试题信息，试题信息采集方法包括手动录入和电子扫描识别，选取试题知识点，根据试题知识点表征的内容从知识点数据库中选取第一元知识点，以及与第一元知识点存在关联关系的元知识点组合；输入第一元知识点、元知识点组合中每个元知识点在试题知识点中所占的比重，根据比重确定每个元知识点相对于第一元知识点的路径长度；根据元知识点相对于第一元知识点的依赖层级以及路径长度，构建知识图谱。
Description
技术领域
本发明涉及大数据教学应用，尤其涉及基于大数据分析的知识点图谱。
背景技术
基于大数据分析的知识图谱构建广泛应用于教学教育领域，目前较多的为通过学生错题知识点进行知识图谱的构建，表达学生对知识点的掌握度，从而帮助教师了解教学情况。而教学中知识点互相关联，一些最为基础的元知识点学生均能掌握，而由错题知识点构建的知识图谱无法体现学生能掌握的元知识点与错题知识点之间的关联，需要教师自行梳理错题知识点与各元知识点之间的关联关系。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的基于大数据分析的知识点图谱。
为了实现上述目的，本发明采用了如下技术方案：基于大数据分析的知识点图谱，构建方法包括：
S1：通过教学大纲录入元知识点和元知识点之间的关联关系，形成知识点数据库；
S2：采集试题信息，试题信息采集方法包括手动录入和电子扫描识别；
S3：根据试题需求选取试题知识点，根据试题知识点表征的内容从知识点数据库中选取第一元知识点，以及与第一元知识点存在关联关系的元知识点组合；
S4：输入第一元知识点、元知识点组合中每个元知识点在试题知识点中所占的比重，比重由试题内每个元知识点占试题内容的权重记为X权、试题类型权重记为Y权、试题来源权重记为Z权，试题得分记为A，比重记为n，n=A*X*Y*Z；
S5：根据比重确定每个元知识点相对于第一元知识点的路径长度；
S6：根据元知识点相对于第一元知识点的依赖层级以及路径长度，构建知识图谱。
优选的，在知识点数据库中存储的元知识点，包括知识点ID、知识点名称、知识点路径、知识点在同层级内的排序信息、知识点描述信息、知识点添加日。
优选的，知识点数据库还包括过预录入的知识点教学大纲，S2中根据预录入的知识点教学大纲提取与第一元知识点存在关联关系的元知识点生成元知识点组合，元知识点组合包括知识点教学大纲中的第一元知识点的前置元知识点、平行元知识点和后置元知识点。
优选的，S6中还包括添加元知识点，添加过程为：
获取待添加元知识点，提取待添加元知识点的知识点路径、以及待添加知识点在同层级的排序信息；
根据待添加元知识点的知识点路径获取待添加元知识点在知识点数据库内存在关联关系的前置元知识点和/或后置元知识点，按关联关系将待添加元知识点存储在前置元知识点后、或后置元知识点前；
根据待添加知识点在同层级的排序信息对待添加元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的添加。
优选的，S6中还包括删除元知识点，删除过程为：
选取待删除元知识点，提取待删除元知识点的知识点路径、以及待删知识点在同层的排序信息；
根据待删除元知识点的知识点路径确定与待删除元知识点存在关联关系的前置元知识点和/或后置元知识点；
删除待删除元知识点与前置元知识点和/或后置元知识点之间的关联关系，删除存储在知识点数据库中与待删除元知识点对应的排序信息；
根据待删除知识点在同层级的排序信息对待删除元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的删除。
优选的，S6中还包括移动元知识点，移动方法为：
获取待移动元知识点，提取待移动元知识点的知识点路径、以及待移动知识点的目的排序信息；
根据待移动元知识点的知识点路径确定与待移动元知识点存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点的目的排序信息选取待移动元知识点在移动后存在关联关系的前置元知识点和/或后置元知识点；
将待移动知识点的知识点路径更换为移动后存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点在同层级的排序信息对待移动元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的移动。
优选的，S2中包括，试题信息包括试题内容、试题分值、试题类型、试题学科、试题来源及试题得分，并存储试题ID，将试题ID与其对应的试题信息绑定存储。
优选的，试题内容X权由试题分值决定，X权=知识点分值/试题总分值，试题类型权重Y权分为Y1、Y2、Y3、Y4，识别试题类型选择题为Y1、填空题为Y2、是非题为Y3、论述题/解答题为Y4，Y1、Y2、Y3、Y4的权重比由试题所属学科决定，试题来源权重记为Z权，分为Z1、Z2、Z3，考试试题为Z1，课堂试题为Z2，作业试题为Z3,权重Z1>Z2>Z3，试题得分记为A，A为试题的标准得分。
优选的，依据考试级数将考试试题Z1分为n级，包括Z11、Z12、Z13、.....Z1n。
优选的，S6中还包括，依据教学大纲中各元知识点之间的关系确定依赖层级。
本发明的有益效果是：1、通过试题得分体现试题中各知识点的关联关系，辅助教师了解教学进度；
2、能根据试题样本体现不同的教学领域面进度，适用面广；
3、对试题中的所有元知识点均有体现，构建更为准确、全面的知识图谱。
附图说明
图1是本发明基于大数据分析的知识点图谱构建方法图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1，基于大数据分析的知识点图谱，构建方法包括：
S1：通过教学大纲录入元知识点和元知识点之间的关联关系，形成知识点数据库；
S2：采集试题信息，试题信息采集方法包括手动录入和电子扫描识别；
S3：根据试题需求选取试题知识点，根据试题知识点表征的内容从知识点数据库中选取第一元知识点，以及与第一元知识点存在关联关系的元知识点组合；
S4：输入第一元知识点、元知识点组合中每个元知识点在试题知识点中所占的比重，比重由试题内每个元知识点占试题内容的权重记为X权、试题类型权重记为Y权、试题来源权重记为Z权，试题得分记为A，比重记为n，n=A*X*Y*Z；
S5：根据比重确定每个元知识点相对于第一元知识点的路径长度；
S6：根据元知识点相对于第一元知识点的依赖层级以及路径长度，构建知识图谱。依据试题得分获得的知识点图谱，得分越低的元知识点与第一元知识点距离最远，有助于教师掌握学生得分中各个元知识点的了解情况，同时通过最远的薄弱知识点，通过知识图谱的联系从学生最易掌握的元知识点出发制定一系列相关知识点辅导计划，获得更好的辅导效果。
基于大数据分析的知识点图谱，在知识点数据库中存储的元知识点，包括知识点ID、知识点名称、知识点路径、知识点在同层级内的排序信息、知识点描述信息、知识点添加日。
基于大数据分析的知识点图谱，S3中的提取元知识点组包括约束规则，约束规则包括知识点本身不能和本身建立关联关系。
基于大数据分析的知识点图谱，知识点数据库还包括过预录入的知识点教学大纲，S2中根据预录入的知识点教学大纲提取与第一元知识点存在关联关系的元知识点生成元知识点组合，元知识点组合包括试题中所有元知识点元知识点组合，。
基于大数据分析的知识点图谱，采集试题信息时识别各比重参数，生成比重。
基于大数据分析的知识点图谱，S6中还包括添加元知识点，添加过程为：
获取待添加元知识点，提取待添加元知识点的知识点路径、以及待添加知识点在同层级的排序信息；
根据待添加元知识点的知识点路径获取待添加元知识点在知识点数据库内存在关联关系的前置元知识点和/或后置元知识点，按关联关系将待添加元知识点存储在前置元知识点后、或后置元知识点前；
根据待添加知识点在同层级的排序信息对待添加元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的添加。
基于大数据分析的知识点图谱，S6中还包括删除元知识点，删除过程为：
选取待删除元知识点，提取待删除元知识点的知识点路径、以及待删知识点在同层的排序信息；
根据待删除元知识点的知识点路径确定与待删除元知识点存在关联关系的前置元知识点和/或后置元知识点；
删除待删除元知识点与前置元知识点和/或后置元知识点之间的关联关系，删除存储在知识点数据库中与待删除元知识点对应的排序信息；
根据待删除知识点在同层级的排序信息对待删除元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的删除。
基于大数据分析的知识点图谱，S6中还包括移动元知识点，移动方法为：
获取待移动元知识点，提取待移动元知识点的知识点路径、以及待移动知识点的目的排序信息；
根据待移动元知识点的知识点路径确定与待移动元知识点存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点的目的排序信息选取待移动元知识点在移动后存在关联关系的前置元知识点和/或后置元知识点；
将待移动知识点的知识点路径更换为移动后存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点在同层级的排序信息对待移动元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的移动。
基于大数据分析的知识点图谱，S2中包括，试题信息包括试题内容、试题分值、试题类型、试题学科、试题来源及试题得分，并存储试题ID，将试题ID与其对应的试题信息绑定存储。
基于大数据分析的知识点图谱，试题内容X权由试题分值决定，X权=知识点分值/试题总分值，试题类型权重Y权分为Y1、Y2、Y3、Y4，识别试题类型选择题为Y1、填空题为Y2、是非题为Y3、论述题/解答题为Y4，Y1、Y2、Y3、Y4的权重比由试题所属学科决定，试题来源权重记为Z权，分为Z1、Z2、Z3，考试试题为Z1，课堂试题为Z2，作业试题为Z3,权重Z1>Z2>Z3，试题得分记为A，A为试题的标准得分，其中，标准得分=试题中所有学生得分总和/学生总人数。
基于大数据分析的知识点图谱，依据考试级数将考试试题Z1分为n级，包括Z11、Z12、Z13、.....Z1n。
基于大数据分析的知识点图谱，S6中还包括，依据教学大纲中各元知识点之间的关系确定依赖层级。
基于大数据分析的知识点图谱，知识图谱中包括游离图谱，即元知识点组合中出现元知识点不在试题范围，试题得分值X=0，将该知识点归于游离图谱。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于大数据分析的知识点图谱，其特征在于，构建方法包括：
S1：通过教学大纲录入元知识点和元知识点之间的关联关系，形成知识点数据库；
S2：采集试题信息，试题信息采集方法包括手动录入和电子扫描识别；
S3：根据试题需求选取试题知识点，根据试题知识点表征的内容从知识点数据库中选取第一元知识点，以及与第一元知识点存在关联关系的元知识点组合；
S4：输入第一元知识点、元知识点组合中每个元知识点在试题知识点中所占的比重，比重由试题内每个元知识点占试题内容的权重记为X权、试题类型权重记为Y权、试题来源权重记为Z权，试题得分记为A，比重记为n，n=A*X*Y*Z；
S5：根据比重确定每个元知识点相对于第一元知识点的路径长度；
S6：根据元知识点相对于第一元知识点的依赖层级以及路径长度，构建知识图谱。
2.根据权利要求1所述的基于大数据分析的知识点图谱，其特征在于，在知识点数据库中存储的元知识点，包括知识点ID、知识点名称、知识点路径、知识点在同层级内的排序信息、知识点描述信息、知识点添加日。
3.根据权利要求1所述的基于大数据分析的知识点图谱，其特征在于，知识点数据库还包括过预录入的知识点教学大纲，S2中根据预录入的知识点教学大纲提取与第一元知识点存在关联关系的元知识点生成元知识点组合，元知识点组合包括知识点教学大纲中的第一元知识点的前置元知识点、平行元知识点和后置元知识点。
4.根据权利要求1或2所述的基于大数据分析的知识点图谱，其特征在于，S6中还包括添加元知识点，添加过程为：
获取待添加元知识点，提取待添加元知识点的知识点路径、以及待添加知识点在同层级的排序信息；
根据待添加元知识点的知识点路径获取待添加元知识点在知识点数据库内存在关联关系的前置元知识点和/或后置元知识点，按关联关系将待添加元知识点存储在前置元知识点后、或后置元知识点前；
根据待添加知识点在同层级的排序信息对待添加元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的添加。
5.根据权利要求1或2所述的基于大数据分析的知识点图谱，其特征在于，S6中还包括删除元知识点，删除过程为：
选取待删除元知识点，提取待删除元知识点的知识点路径、以及待删知识点在同层的排序信息；
根据待删除元知识点的知识点路径确定与待删除元知识点存在关联关系的前置元知识点和/或后置元知识点；
删除待删除元知识点与前置元知识点和/或后置元知识点之间的关联关系，删除存储在知识点数据库中与待删除元知识点对应的排序信息；
根据待删除知识点在同层级的排序信息对待删除元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的删除。
6.根据权利要求1或2所述的基于大数据分析的知识点图谱，其特征在于，S6中还包括移动元知识点，移动方法为：
获取待移动元知识点，提取待移动元知识点的知识点路径、以及待移动知识点的目的排序信息；
根据待移动元知识点的知识点路径确定与待移动元知识点存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点的目的排序信息选取待移动元知识点在移动后存在关联关系的前置元知识点和/或后置元知识点；
将待移动知识点的知识点路径更换为移动后存在关联关系的前置元知识点和/或后置元知识点；
根据待移动知识点在同层级的排序信息对待移动元知识点在数据库内的信息进行修正，得到修正后的组织关系；
根据修正后的组织关系对知识点数据库内的层级进行更新，完成元知识点的移动。
7.根据权利要求1所述的基于大数据分析的知识点图谱，其特征在于，S2中包括，试题信息包括试题内容、试题分值、试题类型、试题学科、试题来源及试题得分，并存储试题ID，将试题ID与其对应的试题信息绑定存储。
8.根据权利要求7所述的基于大数据分析的知识点图谱，其特征在于，试题内容X权由试题分值决定，X权=知识点分值/试题总分值，试题类型权重Y权分为Y1、Y2、Y3、Y4，识别试题类型选择题为Y1、填空题为Y2、是非题为Y3、论述题/解答题为Y4，Y1、Y2、Y3、Y4的权重比由试题所属学科决定，试题来源权重记为Z权，分为Z1、Z2、Z3，考试试题为Z1，课堂试题为Z2，作业试题为Z3,权重Z1>Z2>Z3，试题得分记为A，A为试题的标准得分。
9.根据权利要求8所述的基于大数据分析的知识点图谱，其特征在于，依据考试级数将考试试题Z1分为n级，包括Z11、Z12、Z13、.....Z1n。
10.根据权利要求1所述的基于大数据分析的知识点图谱，其特征在于，S6中还包括，依据教学大纲中各元知识点之间的关系确定依赖层级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810368358.8A CN108573051A (zh) | 2018-04-23 | 2018-04-23 | 基于大数据分析的知识点图谱 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810368358.8A CN108573051A (zh) | 2018-04-23 | 2018-04-23 | 基于大数据分析的知识点图谱 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108573051A true CN108573051A (zh) | 2018-09-25 |
Family
ID=63575121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810368358.8A Pending CN108573051A (zh) | 2018-04-23 | 2018-04-23 | 基于大数据分析的知识点图谱 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108573051A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929012A (zh) * | 2019-12-03 | 2020-03-27 | 上海无漏教育科技有限公司 | 一种从题库自动生成讲义的方法及*** |
| CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN112231522A (zh) * | 2020-09-24 | 2021-01-15 | 北京奥鹏远程教育中心有限公司 | 一种在线课程知识树的生成关联方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008453A (zh) * | 2014-05-29 | 2014-08-27 | 启秀科技（北京）有限公司 | 职业能力测评仿真*** |
| CN104216933A (zh) * | 2013-09-29 | 2014-12-17 | 北大方正集团有限公司 | 一种知识点隐性关系获取方法及其*** |
| CN104317825A (zh) * | 2014-09-30 | 2015-01-28 | 武汉天量数据技术有限公司 | 一种知识点量化分析方法及*** |
| EP3072089A1 (en) * | 2013-11-22 | 2016-09-28 | Cambridge Social Science Decision Lab Inc. | Methods, systems, and articles of manufacture for the management and identification of causal knowledge |
| CN106844384A (zh) * | 2015-12-04 | 2017-06-13 | 北大方正集团有限公司 | 试题标引方法和装置 |
| US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
| CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
-
2018
- 2018-04-23 CN CN201810368358.8A patent/CN108573051A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104216933A (zh) * | 2013-09-29 | 2014-12-17 | 北大方正集团有限公司 | 一种知识点隐性关系获取方法及其*** |
| EP3051435A1 (en) * | 2013-09-29 | 2016-08-03 | Peking University Founder Group Co., Ltd | Method and system for obtaining a knowledge point implicit relationship |
| EP3072089A1 (en) * | 2013-11-22 | 2016-09-28 | Cambridge Social Science Decision Lab Inc. | Methods, systems, and articles of manufacture for the management and identification of causal knowledge |
| CN104008453A (zh) * | 2014-05-29 | 2014-08-27 | 启秀科技（北京）有限公司 | 职业能力测评仿真*** |
| US20170249399A1 (en) * | 2014-07-16 | 2017-08-31 | Baidu Online Network Technology (Beijing) Co., Ltd | Method And Apparatus For Displaying Recommendation Result |
| CN104317825A (zh) * | 2014-09-30 | 2015-01-28 | 武汉天量数据技术有限公司 | 一种知识点量化分析方法及*** |
| CN106844384A (zh) * | 2015-12-04 | 2017-06-13 | 北大方正集团有限公司 | 试题标引方法和装置 |
| CN107784088A (zh) * | 2017-09-30 | 2018-03-09 | 杭州博世数据网络有限公司 | 基于知识点连接关系的知识图谱构建方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929012A (zh) * | 2019-12-03 | 2020-03-27 | 上海无漏教育科技有限公司 | 一种从题库自动生成讲义的方法及*** |
| CN111813920A (zh) * | 2020-07-06 | 2020-10-23 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN111813920B (zh) * | 2020-07-06 | 2021-04-13 | 龙马智芯（珠海横琴）科技有限公司 | 一种学习策略生成方法、装置、生成设备及可读存储介质 |
| CN112231522A (zh) * | 2020-09-24 | 2021-01-15 | 北京奥鹏远程教育中心有限公司 | 一种在线课程知识树的生成关联方法 |
| CN112231522B (zh) * | 2020-09-24 | 2021-09-14 | 北京奥鹏远程教育中心有限公司 | 一种在线课程知识树的生成关联方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Studer et al. | Obstacles and Successes in Implementing the ASCA National Model in Schools. | |
| CN108447326A (zh) | 一种英语教学语言学习*** | |
| Haynes et al. | Assessing the effect of using a science–enhanced curriculum to improve agriculture students’ science scores: A causal comparative study | |
| CN107248019A (zh) | 一种云教学平台在线教学评价*** | |
| CN106780224A (zh) | 一种数学建模教学学习*** | |
| CN108573051A (zh) | 基于大数据分析的知识点图谱 | |
| Mann et al. | The GOFER course in decision making | |
| CN104598582A (zh) | 全程学业跟踪分析*** | |
| Burkett et al. | Simulated vs. hands-on laboratory position paper | |
| CN102034373A (zh) | 辅助学习的方法及其*** | |
| CN107038930A (zh) | 一种基于语境学习的语文词语学业能力诊断方法及其装置 | |
| CN107256522A (zh) | 基于云教学平台的教学评价*** | |
| CN107886451A (zh) | 移动端课堂教学***中的习题个性化匹配方法 | |
| Kaya | The role of peer nomination forms in the identification of lower elementary gifted and talented students | |
| Çetin et al. | A Comparison of Bookmark and Angoff Standard Setting Methods. | |
| CN107609782A (zh) | 一种面向新中高考改革的选课方法 | |
| Song et al. | A quantitative case study in engineering of the efficacy of quality cheat-sheets | |
| Rashid et al. | The levels of attainment in literacy and numeracy of 13-to 19-year-olds in England | |
| Hagborg | A study of homework time of a high school sample | |
| Basweti | Effects of problem-based learning on learners’ acquisition of core critical thinking skills in heating effect of electric current in Nakuru county secondary schools, Kenya | |
| Saadati et al. | Pedagogical problem solving knowledge of Chilean mathematics teachers and instructional reflection | |
| Farida et al. | Sensitivity analysis of the SMARTER and MOORA methods in decision making of achieving students | |
| CN101847176A (zh) | 基于电子设备的学习能力评测方法及*** | |
| Ariyo et al. | A CAUSAL MODEL OF SOME SCHOOL FACTORS AS DETERMINANTS OF NIGERIAN SENIOR SECONDARY STUDENTS’ACHIEVEMENT IN PHYSICS | |
| Young et al. | Examining Engineering Education Research with American Indian and Alaska Native Populations: A Systematic Review Utilizing Tribal Critical Race Theory |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |
|
| RJ01 | Rejection of invention patent application after publication |