CN110992229B - 一种基于知识迁移的科学教学效果评价方法 - Google Patents
一种基于知识迁移的科学教学效果评价方法 Download PDFInfo
- Publication number
- CN110992229B CN110992229B CN201911259418.3A CN201911259418A CN110992229B CN 110992229 B CN110992229 B CN 110992229B CN 201911259418 A CN201911259418 A CN 201911259418A CN 110992229 B CN110992229 B CN 110992229B
- Authority
- CN
- China
- Prior art keywords
- teaching effect
- teaching
- training
- matrix
- label
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 230000005012 migration Effects 0.000 title claims abstract description 18
- 238000013508 migration Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识迁移的科学教学效果评价方法,主要包括收集大量数据以建立教学效果评价的一般模型与收集少量数据以建立教学效果评价的特殊模型两个步骤;在步骤一中还包括收集数据与初始化、生成伪标签、训练教学效果预测分类器、预测教学效果四个步骤;在步骤二中还包括收集数据与初始化、微调参数与计算域差指数、训练教学效果预测分类器、预测教学效果四个步骤。本发明优点在于:能够克服教学评价中构造教学效果预测模型存在的类不均衡、训练时间较长、以及平滑假设不确定的问题,并能够在新环境中利用少量数据快速获取适应新环境的特殊模型,具有一定的自适应性能。
Description
技术领域
本发明涉及教学技术领域,特别是涉及一种基于知识迁移的科学教学效果评价方法。
背景技术
教学评价是依据教学目标对教学过程及结果进行价值判断并为教学决策服务的活动,是对教学活动现实的或潜在的价值做出判断的过程。随着人们的生活水平不断提高,人们对教育越发的重视,但对学校的教师的教学效果评价更多的是考虑孩子的成绩,往往忽略了其他因素,较为片面。
专利《CN109559260A一种教学效果评价***》公开了一种教学效果评价***,包括测试模块和评价模块,所述测试模块是对学生期中和期末考试的成绩进行考核,所述评价模块是学生、领导或同事和学生家长对老师的教学方法、教学环境、教学管理和教学态度进行综合打分。本发明对老师的教学效果评价不仅考虑学生的成绩,还考虑老师的平常的教学方法、教学环境、教学管理和教学态度,并且学生、领导或同事、学生家长多方位对老师一个综合评估,避免因为学生的考试成绩不理想,从而否定老师一学期的辛苦付出。专利《CN110457641A一种实用性强的教学课堂用教学效果评价***》公开了一种实用性强的教学课堂用教学效果评价***,通过设置测试***均值的方法获得所有课堂参与者的脑电数据之间的一致性指标,并通过该一致性指标对课堂教学效果进行评测。
从上可知,虽然已经有部分研究认识到教学效果评价的单一性,但是其评价的科学性仍然不足。一方面,教学效果受到很多因素的影响,且影响方式是复杂的,不能通过对几个指标进行简单的阈值划分而实现;另一方面,采用例如脑电波传感器等侵入式感知成本较高,且会一定程度上影响教学过程。因此,需要设计更为先进的更为科学的教学效果评价方法与***。
发明内容
本发明提出了一种一种基于知识迁移的科学教学效果评价方法,具体包括以下步骤:
步骤1:一般评价模型建立
收集大量数据,建立教学效果评价的一般模型,如下:
步骤101:收集教学内容、方式与效果数据,建立有标注样本集建立无标注样本集p∈{1,2,...,l},q∈{l+1,l+2,...,n},其中l表示有标注样本总数,n表示所有样本总数,样本xp,为15维向量,样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言;yp∈{χ1,χ2,χ3,χ4,χ5}为标签,表示教学效果,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T>0为一个正整数,令训练次数t=0,人工设定鲁棒因子μ∈(0,1),人工设定损失系数C>0,人工设定传播系数α∈(0,1),人工设定隐藏节点数N为一个大于15的正整数,随机生成N个输入权重w,w为9维列向量,得到w1,w2,...,wN;随机生成N个输入偏移b,b为实数,得到b1,b2,...,bN;令Lp=0;
步骤10201:为高斯带宽系数σ>0随机取值,并建立亲和矩阵W如下:
其中(W)ij为W的第i行第j列的元素,i,j=1,2,...,n;
步骤10202:计算最终标签矩阵F:
F=(1-α)(I-αS)-1Y
步骤103:训练教学效果预测分类器,具体如下:
其中,z表示样本,
其中,I为单位阵,C>0为损失系数,e为n维单位列向量,
h(x)=[G(w1,b1,x),...,G(wN,bN,x)]T
步骤10302:对步骤10301获得的进行集成,具体如下:将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则{ξr(z),r=1,2,3,4,5}中最小元素对应的类别即为最终的分类结果;
步骤10303:利用步骤10302取得的分类器集成方法,对{xi,i=1,2,...,n}进行预测,得到对应预测结果{δi,i=1,2,...,n},令δ=[δ1,...,δn]T,然后求Lc=δTLδ,其中为拉普拉斯图矩阵,如果Lc<Lp或者t=0,则保留当前基分类器集合,即令Lp←Lc,令t自增1,如果t≤T则跳至步骤2,否则训练停止,进入下一步;
步骤2、特殊评价模型建立
收集少量数据,建立教学效果评价的特殊模型,如下:
步骤201:收集教学内容、方式与效果数据,建立有标注样本集s∈{n+1,...,n+l2},其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数,样本为15维向量,样本特征与步骤101中所涉及的特征一致;ys∈{χ1,χ2,χ3,χ4,χ5}为标签,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T2>0为一个正整数,令训练次数t=0;人工设定迁移权衡系数γ>0,令Op=0;
将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则 中最小元素对应的类别即为最终的分类结果,为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果;
步骤203:计算域差指数Ω,如下:
其中,所涉及的激活函数为:
或
G(w,b,x)=cos(wTx+b)。
其中,步骤202涉及的微调方法如下:
令微调后的w1,w2,...,wN与b1,b2,...,bN分别为与 在其分布上随机取值,在其分布上随机取值,τ∈{1,2,...,N},表示均值为wτ方差为的高斯分布,表示均值为bτ方差为的高斯分布,Σw=σwIN,IN表示N维单位方阵,σw,σb>0。
与已有的技术相比,本发明具有以下优点:能够克服教学评价中构造教学效果预测模型存在的类不均衡、训练时间较长、以及平滑假设不确定的问题,并能够在新环境中利用少量数据快速获取适应新环境的特殊模型,具有一定的自适应性能。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与具体实施例对本发明进行详细说明。
一种基于知识迁移的科学教学效果评价方法,如图1所示,具体包括以下步骤:
步骤1:一般评价模型建立
收集大量数据,建立教学效果评价的一般模型,如下:
步骤101:收集教学内容、方式与效果数据,建立有标注样本集建立无标注样本集p∈{1,2,...,l},q∈{l+1,l+2,...,n},其中l表示有标注样本总数,n表示所有样本总数,样本xp,为15维向量,样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言;yp∈{χ1,χ2,χ3,χ4,χ5}为标签,表示教学效果,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T>0为一个正整数,令训练次数t=0,人工设定鲁棒因子μ∈(0,1),人工设定损失系数C>0,人工设定传播系数α∈(0,1),人工设定隐藏节点数N为一个大于15的正整数,随机生成N个输入权重w,w为9维列向量,得到w1,w2,...,wN;随机生成N个输入偏移b,b为实数,得到b1,b2,...,bN;令Lp=0;
步骤10201:为高斯带宽系数σ>0随机取值,并建立亲和矩阵W如下:
其中(W)ij为W的第i行第j列的元素,i,j=1,2,...,n;
步骤10202:计算最终标签矩阵F:
F=(1-α)(I-αS)-1Y
步骤103:训练教学效果预测分类器,具体如下:
其中,z表示样本,
其中,I为单位阵,C>0为损失系数,e为n维单位列向量,
h(x)=[G(w1,b1,x),...,G(wN,bN,x)]T
步骤10302:对步骤10301获得的进行集成,具体如下:将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则{ξr(z),r=1,2,3,4,5}中最小元素对应的类别即为最终的分类结果;
步骤10303:利用步骤10302取得的分类器集成方法,对{xi,i=1,2,...,n}进行预测,得到对应预测结果{δi,i=1,2,...,n},令δ=[δ1,...,δn]T,然后求Lc=δTLδ,其中为拉普拉斯图矩阵,如果Lc<Lp或者t=0,则保留当前基分类器集合,即令Lp←Lc,令t自增1,如果t≤T则跳至步骤2,否则训练停止,进入下一步;
步骤2、特殊评价模型建立
收集少量数据,建立教学效果评价的特殊模型,如下:
步骤201:收集教学内容、方式与效果数据,建立有标注样本集s∈{n+1,...,n+l2},其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数,样本为15维向量,样本特征与步骤101中所涉及的特征一致;ys∈{χ1,χ2,χ3,χ4,χ5}为标签,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T2>0为一个正整数,令训练次数t=0;人工设定迁移权衡系数γ>0,令Op=0;
将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则 中最小元素对应的类别即为最终的分类结果,为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果;
步骤203:计算域差指数Ω,如下:
优选地,所涉及的激活函数为:
或
G(w,b,x)=cos(wTx+b)。
优选地,步骤202涉及的微调方法如下:
令微调后的w1,w2,...,wN与b1,b2,...,bN分别为与 在其分布上随机取值,在其分布上随机取值,τ∈{1,2,...,N},表示均值为wτ方差为的高斯分布,表示均值为bτ方差为的高斯分布,Σw=σwIN,IN表示N维单位方阵,σw,σb>0。
在实施本专利时,以下给出特征取值示例:
1、“教学科目”:包括语文、数学、外语等,可以是更细化的科目,例如离散数学、组合数学等。
2、“深入程度”:普及、进阶、高级。
3、“是否有板书”:有、无。
4、“是否有多媒体”:有、无。
5、“教学考核方式”:考试+出勤、报告+出勤、仅出勤。
6、“教师性别”:男、女、其他。
7、“教师年纪”:取正整数。
8、“教师学历”:博士、硕士、本科、高中及以下。
9、“作业平均用时”:取大于等于0的实数。
10、“应到人数”:取正整数。
11、“互动程度”:活跃、一般、无互动。
12、“缺勤率”:0-1之间实数,每节课缺勤率计算方式参考:每节课缺勤率=(每节课缺勤人数/应到人数),缺勤率即为每节课缺勤率的平均。
13、“学生反馈”:优、良、中、差,取众数。
14、“平均分”:取0-100之间的整数。
15、“上课语言”:上课所用语言,包括中文、英文等。
样本集中的教学效果标签可以采用专家评价的方式。
在实施过程中,教学效果评价的一般模型需要采集大量数据,并进行训练获取,训练完成后可以直接使用。
当在新的环境中(例如应用于新的学校),一般模型的预测性能往往较差,可以在一般模型的基础上,进行迁移得到教学效果评价的特殊模型,此时仅仅需要收集少量数据即可,当训练完成后,也可直接使用。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (3)
1.一种基于知识迁移的科学教学效果评价方法,其特征在于,具体包括以下步骤:
步骤1:一般评价模型建立
收集大量数据,建立教学效果评价的一般模型,如下:
步骤101:收集教学内容、方式与效果数据,建立有标注样本集建立无标注样本集p∈{1,2,...,l},q∈{l+1,l+2,...,n},其中l表示有标注样本总数,n表示所有样本总数,样本xp,为15维向量,样本特征包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、学生反馈、平均分、上课语言;yp∈{χ1,χ2,χ3,χ4,χ5}为标签,表示教学效果,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T>0为一个正整数,令训练次数t=0,人工设定鲁棒因子μ∈(0,1),人工设定损失系数C>0,人工设定传播系数α∈(0,1),人工设定隐藏节点数N为一个大于15的正整数,随机生成N个输入权重w,w为9维列向量,得到w1,w2,...,wN;随机生成N个输入偏移b,b为实数,得到b1,b2,...,bN;令Lp=0;
步骤10201:为高斯带宽系数σ>0随机取值,并建立亲和矩阵W如下:
其中(W)ij为W的第i行第j列的元素,i,j=1,2,...,n;
步骤10202:计算最终标签矩阵F:
F=(1-α)(I-αS)-1Y
步骤103:训练教学效果预测分类器,具体如下:
其中,z表示样本,
其中,I为单位阵,C>0为损失系数,e为n维单位列向量,
h(x)=[G(w1,b1,x),...,G(wN,bN,x)]T
步骤10302:对步骤10301获得的进行集成,具体如下:将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则{ξr(z),r=1,2,3,4,5}中最小元素对应的类别即为最终的分类结果;
步骤10303:利用步骤10302取得的分类器集成方法,对{xi,i=1,2,...,n}进行预测,得到对应预测结果{δi,i=1,2,...,n},令δ=[δ1,...,δn]T,然后求Lc=δTLδ,其中为拉普拉斯图矩阵,如果Lc<Lp或者t=0,则保留当前基分类器集合,即令Lp←Lc,令t自增1,如果t≤T则跳至步骤2,否则训练停止,进入下一步;
步骤2、特殊评价模型建立
收集少量数据,建立教学效果评价的特殊模型,如下:
步骤201:收集教学内容、方式与效果数据,建立有标注样本集s∈{n+1,...,n+l2},其中l2表示在建立教学效果评价的特殊模型中收集的有标注样本总数,样本为15维向量,样本特征与步骤101中所涉及的特征一致;ys∈{χ1,χ2,χ3,χ4,χ5}为标签,χ1,χ2,χ3,χ4,χ5分别为很差、差、一般、好、很好,表示实数域;
人工设定最大训练次数T2>0为一个正整数,令训练次数t=0;人工设定迁移权衡系数γ>0,令Op=0;
将样本z输入到中,如果只有一个分类器输出1,则最终的分类结果为该分类器对应的类别;对于其他情况,则 中最小元素对应的类别即为最终的分类结果,为ξr(z)在调整w1,w2,...,wN与b1,b2,...,bN后的结果;
步骤203:计算域差指数Ω,如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259418.3A CN110992229B (zh) | 2019-12-10 | 2019-12-10 | 一种基于知识迁移的科学教学效果评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259418.3A CN110992229B (zh) | 2019-12-10 | 2019-12-10 | 一种基于知识迁移的科学教学效果评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992229A CN110992229A (zh) | 2020-04-10 |
CN110992229B true CN110992229B (zh) | 2021-02-26 |
Family
ID=70091967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259418.3A Active CN110992229B (zh) | 2019-12-10 | 2019-12-10 | 一种基于知识迁移的科学教学效果评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992229B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521734B2 (en) * | 2018-04-20 | 2019-12-31 | Sas Institute Inc. | Machine learning predictive labeling system |
US10599769B2 (en) * | 2018-05-01 | 2020-03-24 | Capital One Services, Llc | Text categorization using natural language processing |
CN109781411B (zh) * | 2019-01-28 | 2020-05-19 | 西安交通大学 | 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法 |
-
2019
- 2019-12-10 CN CN201911259418.3A patent/CN110992229B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110992229A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Purwanto | Education research quantitative analysis for little respondents: comparing of Lisrel, Tetrad, GSCA, Amos, SmartPLS, WarpPLS, and SPSS | |
Bauer | A primer to latent profile and latent class analysis | |
Naser et al. | Predicting student performance using artificial neural network: In the faculty of engineering and information technology | |
CN109919810A (zh) | 在线学习***中的学生建模与个性化课程推荐方法 | |
Guttersrud et al. | Young adolescents’ engagement in dietary behaviour–the impact of gender, socio-economic status, self-efficacy and scientific literacy. Methodological aspects of constructing measures in nutrition literacy research using the Rasch model | |
Ozberk et al. | Investigating the factors affecting Turkish students' PISA 2012 mathematics achievement using hierarchical linear modeling | |
Beytekin et al. | Quality of Faculty Life and Lifelong Learning Tendencies of University Students. | |
Alves | Making diagnostic inferences about student performance on the Alberta education diagnostic mathematics project: An application of the Attribute Hierarchy Method | |
Wang et al. | Reexamining subjective creativity assessments in science tasks: An application of the rater-mediated assessment framework and many-facet Rasch model. | |
Huang et al. | Developing argumentation processing agents for computer-supported collaborative learning | |
Zhang et al. | Formative evaluation of college students’ online English learning based on learning behavior analysis | |
CN113934846A (zh) | 一种联合行为-情感-时序的在线论坛主题建模方法 | |
Shapovalova et al. | Adaptive testing model as the method of quality knowledge control individualizing | |
CN110992229B (zh) | 一种基于知识迁移的科学教学效果评价方法 | |
Guldemond et al. | Group effects on individual learning achievement | |
Akdeniz et al. | Investigating individual innovativeness levels and lifelong learning tendencies of students in TMSC | |
Suniasih | The Effectiveness of Discovery Learning Model and Problem-Based Learning Using Animated Media to Improve Science Learning Outcomes | |
Zeman et al. | Complex cells decrease errors for the Müller-Lyer illusion in a model of the visual ventral stream | |
Mariam et al. | Using the Rasch Model for the Affective Assessment of EFL Learners | |
Liu et al. | Understanding self-directed learning behaviors in a computer-aided 3D design context | |
Zhou | Research on teaching resource recommendation algorithm based on deep learning and cognitive diagnosis | |
Komaravalli et al. | Detecting Academic Affective States of Learners in Online Learning Environments Using Deep Transfer Learning | |
Spoden et al. | Multidimensional Rasch models in first language listening tests | |
Pagudpud et al. | Mining the national career assessment examination result using clustering algorithm | |
McCallum et al. | Using data for monitoring and target setting: A practical guide for teachers |
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 | ||
CP03 | Change of name, title or address |
Address after: Zone 50268, Zhongke Dadaozhen Building, No. 767 Yulan Avenue, High tech Zone, Hefei City, Anhui Province, 230088 Patentee after: Anhui Xinzhi Digital Technology Co.,Ltd. Address before: 230088 building 210-c2, A3 / F, Hefei Innovation Industrial Park, 800 Wangjiang West Road, high tech Zone, Hefei City, Anhui Province Patentee before: Anhui Xinzhi digital media information technology Co.,Ltd. |
|
CP03 | Change of name, title or address |