CN111415089A - 一种基于学***板学习结果预警方法 - Google Patents
一种基于学***板学习结果预警方法 Download PDFInfo
- Publication number
- CN111415089A CN111415089A CN202010199604.9A CN202010199604A CN111415089A CN 111415089 A CN111415089 A CN 111415089A CN 202010199604 A CN202010199604 A CN 202010199604A CN 111415089 A CN111415089 A CN 111415089A
- Authority
- CN
- China
- Prior art keywords
- learning
- degree
- course
- test question
- learning result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013100 final test Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 241001649081 Dina Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 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
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于学***板学***板课程学习结果预警的需求,分阶段进行课程学习度特征的数据实时采集,通过建立粗略的回归曲线信任区间,实现对在学习课程学习结果的预警。
Description
技术领域
本发明涉及在线学***板学习结果预警方法。
背景技术
近年来,随着宽带互联网不断在普通家庭和教育机构中普及,教与学可以不受时间、空间和地点条件的限制,知识获取渠道灵活与多样化;在线教育的模式通过把线下学***板教学过程中的课程在线学习的结果进行预判和了解,以达到在线学习的高质量效果。。
发明内容
本发明的目的是为克服已有技术的不足,提出一种基于学***板学习结果预警方法:
具有用于采集完整学习课程过程学习度特征参数的数据采集器,用于学习度特征参数的存储器,用于进行数据处理的处理器,用于进行远程控制的控制中心,用于控制中心和处理器进行通信的通讯模块,其特征在于:该方法包含以下预警控制步骤:
1)、将在线学习课程划分为多个时间阶段,每个时间阶段具有可比较的相应学习度特征参数,数据采集器采集每个时间阶段相应的学习度特征参数;
2)、处理器根据该课程的大量的历史数值,以学习度特征参数作为输入,以学习结果为输出,通过线性回归方法来确定该课程学习度的回归曲线,并且确定所述回归曲线的信任区间(a,b),根据历史数据推测出所述区域学习度不存在异常,其中,所述信任区间(a,b)内的测量值表示没有超标;
3)、确定进行学***均值;
4)、设置N个所述的测量周期,生成所述课程基于时间序列的学***均值测量值,存储于存储器中;
5)、处理器将所述基于时间序列的学***均值测量值与所述回归曲线相比较,其中,处于所述信任区间(a,b)外的测量值表示对应课程存在学习结果异常;
6)、若测量值处于所述信任区间外的情况,则触发报警,将报警中心发送到控制中心。
优选的,所述学习结果表示为对应课程该测量周期内的考评得分;
优选的,其考评得分的试题集获取方式为:
1)、首先利用认知诊断模型进行增量学习,得到学生技能掌握程度,并计算试题考查的技能信息与用户技能掌握程度的第一匹配度:
2)、利用IRT模型进行增量学习,得到试题难度、试题区分度、以及学生的章节或者整个课程学习能力,并计算试题的难度和区分度与用户的整体能力的第二匹配度;
3)、据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合;
4)、处理器根据筛选后的试题集合难度分布呈纺锤形结构和筛选后的试题集合应该覆盖尽可能多的考查技能的筛选原则获得最终的试题。
优选的,所述的测量周期为平板在线学习***对应课程的每一个课时。
优选的,所述课程可以是实际不同类别的课程,也可以是同一学科下的不同内容的分区。
优选的,所述脸部区域学习度特征表现为:学习度特征参数包括阶段学习内容完成度、阶段学习互动频次、阶段学习课后习题完成度。
优选的,所述信任区间a和b可以和回归曲线具有相同的距离,也可以根据不同区域的学***面。其采取不同性别、年龄学生的正常学习结果情况下的相应学习度特征数据,组成历史数据。
学习内容完成度表现为在线学习课程对应课,在学生学习正常状态下播放的完成度;阶段学习互动频次表现为针对课程内容的反馈次数,阶段学习课后习题完成度表现为完成的习题与总习题的占比。
本发明与现有技术相比,其有益的技术效果为:
针对在线平板学习过程中课程学习结果预警的需求,分课程阶段和内容进行学习度数据实时采集,通过建立粗略的回归曲线信任区间,可以根据不同课程或课程分支内容的特点和要求选择信任范围,克服单一的以考分为评判特点的局限性,提高了学习结果监测预警的适应性和科学性。
附图说明
图1是本发明的结构模块图。
图2是本发明的步骤流程图。
具体实施方式
具有用于采集完整学习课程过程学习度特征参数的数据采集器,用于学习度特征参数的存储器,用于进行数据处理的处理器,用于进行远程控制的控制中心,用于控制中心和处理器进行通信的通讯模块,其特征在于:该方法包含以下预警控制步骤:
1)、将在线学习课程划分为多个时间阶段,每个时间阶段具有可比较的相应学习度特征参数,数据采集器采集每个时间阶段相应的学习度特征参数;
2)、处理器根据该课程的大量的历史数值,以学习度特征参数作为输入,以学习结果为输出,通过线性回归方法来确定该课程学习度的回归曲线,并且确定所述回归曲线的信任区间(a,b),根据历史数据推测出所述区域学习度不存在异常,其中,所述信任区间(a,b)内的测量值表示没有超标;
3)、确定进行学***均值;
4)、设置N个所述的测量周期,生成所述课程基于时间序列的学***均值测量值,存储于存储器中;
5)、处理器将所述基于时间序列的学***均值测量值与所述回归曲线相比较,其中,处于所述信任区间(a,b)外的测量值表示对应课程存在学习结果异常;
6)、若测量值处于所述信任区间外的情况,则触发报警,将报警中心发送到控制中心。
优选的,所述学习结果表示为对应课程该测量周期内的考评得分。
优选的,其考评得分的试题集获取方式为:
1)、首先利用认知诊断模型进行增量学习,得到学生技能掌握程度,并计算试题考查的技能信息与用户技能掌握程度的第一匹配度:
2)、利用IRT模型进行增量学习,得到试题难度、试题区分度、以及学生的章节或者整个课程学习能力,并计算试题的难度和区分度与用户的整体能力的第二匹配度;
3)、据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合;
4)、处理器根据筛选后的试题集合难度分布呈纺锤形结构和筛选后的试题集合应该覆盖尽可能多的考查技能的筛选原则获得最终的试题。
其中,DINA模型是目前被广泛应用的认知诊断模型之一,该模型相对比较简洁,诊断准确率较高。DINA模型的项目参数主要有两个,分别是猜测参数(g)和失误参数(s),g是指被试未掌握项目考核的所有属性,但却答对项目的概率;s指被试掌握了项目考核的所有属性,但却答错的概率。参数s和g在一定程度上反映了诊断中的噪声。认知诊断中,一般认为若被试未掌握项目考核的所有属性,则被试倾向于答错该项目;
试题难度、区分度及用户的整体能力可以根据传统的IRT(Item ResponseTheory,项目反应理论)模型进行增量学习来得到,当然试题难度及区分度也可以通过领域专家给出;
所述第一匹配度的具体计算过程如下:首先,计算用户对试题考查的各技能的掌握程度与中间水平掌握程度差值的和,作为第一计算值。例如用户掌握程度使用0到1之间的值表示时,中间水平掌握程度可以使用0.5表示。随后,将第一计算值除以课程考查的技能总数,得到第二计算值。最后,使用第二计算值的相反数来表示用户对试题考查技能的掌握程度与中间水平掌握程度的接近程度。
上述计算过程可以用如下公式(1)来描述
其中,其中,Hi为用户对试题i考查的技能的掌握程度与中间水平掌握程度的接近程度;Qij为试题i对技能j的考查情况,若试题i考查了技能j,则Qij=1,否则Qij=0;Uj为用户对技能j的掌握程度,例如其取值为Uj∈[0,1],0为完全没有掌握,1为完全掌握;σ为用户对技能的掌握程度处于中间水平的值,例如其取值为0.5。
根据IRT理论,试题对用户提供的信息量越大,越适合推荐给用户做,试题信息量的计算具体可以根据用户整体能力值计算出用户对待推荐试题的正确作答概率之后,利用用户正确作答概率计算待推荐试题的信息量,如式(2)所示:
其中,Ii(θ)表示第i道试题提供给整体能力值为θ的用户的信息量,Pi(θ)表示整体能力值为θ的用户在试题i上的正确作答概率,具体计算公式如下所示:
其中,θ是用户整体能力值,bi为第i道试题的难度系数,a i为第i道试题的区分度系数。
根据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合。
优选的,所述的测量周期为平板在线学习***对应课程的每一个课时。
优选的,所述课程可以是实际不同类别的课程,也可以是同一学科下的不同内容的分区。
优选的,所述脸部区域学习度特征表现为:学习度特征参数包括阶段学习内容完成度、阶段学习互动频次、阶段学习课后习题完成度。
优选的,所述信任区间a和b可以和回归曲线具有相同的距离,也可以根据不同区域的学***面。其采取不同性别、年龄学生的正常学习结果情况下的相应学习度特征数据,组成历史数据。
学习内容完成度表现为在线学习课程对应课,在学生学习正常状态下播放的完成度;阶段学习互动频次表现为针对课程内容的反馈次数,阶段学习课后习题完成度表现为完成的习题与总习题的占比。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于学***板学习结果预警方法,具有用于采集完整学习课程过程学习度特征参数的数据采集器,用于学习度特征参数的存储器,用于进行数据处理的处理器,用于进行远程控制的控制中心,用于控制中心和处理器进行通信的通讯模块,其特征在于:该方法包含以下预警控制步骤:
1)、将在线学习课程划分为多个时间阶段,每个时间阶段具有可比较的相应学习度特征参数,数据采集器采集每个时间阶段相应的学习度特征参数;
2)、处理器根据该课程的大量的历史数值,以学习度特征参数作为输入,以学习结果为输出,通过线性回归方法来确定该课程学习度的回归曲线,并且确定所述回归曲线的信任区间(a,b),根据历史数据推测出所述区域学习度不存在异常,其中,所述信任区间(a,b)内的测量值表示没有超标;
3)、确定进行学***均值;
4)、设置N个所述的测量周期,生成所述课程基于时间序列的学***均值测量值,存储于存储器中;
5)、处理器将所述基于时间序列的学***均值测量值与所述回归曲线相比较,其中,处于所述信任区间(a,b)外的测量值表示对应课程存在学习结果异常;
6)、若测量值处于所述信任区间外的情况,则触发报警,将报警中心发送到控制中心。
2.根据权利要求1所述的方法,其特征在于:所述学习结果表示为对应课程该测量周期内的考评得分。
3.根据权利要求2所述的方法,其特征在于:所述的考评得分其试题集获取方式为:
1)、首先利用认知诊断模型进行增量学习,得到学生技能掌握程度,并计算试题考查的技能信息与用户技能掌握程度的第一匹配度:
2)、利用IRT模型进行增量学习,得到试题难度、试题区分度、以及学生的章节或者整个课程学习能力,并计算试题的难度和区分度与用户的整体能力的第二匹配度;
3)、据所述第一匹配度及所述第二匹配度构建侯选推荐试题集合;
4)、处理器根据筛选后的试题集合难度分布呈纺锤形结构和筛选后的试题集合应该覆盖尽可能多的考查技能的筛选原则获得最终的试题。
4.根据权利要求1所述的方法,其特征在于:所述的测量周期为平板在线学习***对应课程的每一个课时。
5.根据权利要求1所述的方法,其特征在于:所述课程可以是实际不同类别的课程,也可以是同一学科下的不同内容的分区。
6.根据权利要求1所述的方法,其特征在于:所述脸部区域学习度特征表现为:学习度特征参数包括阶段学习内容完成度、阶段学习互动频次、阶段学习课后习题完成度。
7.根据权利要求1所述的方法,其特征在于:所述信任区间a和b可以和回归曲线具有相同的距离,也可以根据不同区域的学***面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199604.9A CN111415089B (zh) | 2020-03-20 | 2020-03-20 | 一种基于学***板学习结果预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199604.9A CN111415089B (zh) | 2020-03-20 | 2020-03-20 | 一种基于学***板学习结果预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111415089A true CN111415089A (zh) | 2020-07-14 |
CN111415089B CN111415089B (zh) | 2021-07-06 |
Family
ID=71493115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199604.9A Active CN111415089B (zh) | 2020-03-20 | 2020-03-20 | 一种基于学***板学习结果预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111415089B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及*** |
US20170294133A1 (en) * | 2016-04-12 | 2017-10-12 | Acament Oy | Arrangement and method for online learning |
CN107508815A (zh) * | 2017-08-30 | 2017-12-22 | 杭州安恒信息技术有限公司 | 基于网站流量分析预警方法及装置 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN109345894A (zh) * | 2018-12-05 | 2019-02-15 | 西安培华学院 | 一种经济教学***及其教学方法 |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习***中的学生建模与个性化课程推荐方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
-
2020
- 2020-03-20 CN CN202010199604.9A patent/CN111415089B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及*** |
US20170294133A1 (en) * | 2016-04-12 | 2017-10-12 | Acament Oy | Arrangement and method for online learning |
CN107508815A (zh) * | 2017-08-30 | 2017-12-22 | 杭州安恒信息技术有限公司 | 基于网站流量分析预警方法及装置 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN109345894A (zh) * | 2018-12-05 | 2019-02-15 | 西安培华学院 | 一种经济教学***及其教学方法 |
CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习***中的学生建模与个性化课程推荐方法 |
CN110751289A (zh) * | 2019-09-29 | 2020-02-04 | 江苏大学 | 基于Bagging_BP算法的在线学习行为分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111415089B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919810B (zh) | 在线学习***中的学生建模与个性化课程推荐方法 | |
Finley | Science processes | |
Wright et al. | Item banks: What, why, how | |
CN108053117A (zh) | 一种学生学科掌握能力的个性化评估方法 | |
CN109858797A (zh) | 基于知识网络精准在线教育***的多维度信息学情分析方法 | |
CN106981227A (zh) | 一种数学教学*** | |
Skakun et al. | Comparability of methods for setting standards | |
Tashiro et al. | Characterizing change in students' self-assessments of understanding when engaged in instructional activities | |
Tjabolo et al. | Quality of school exam tests based on item response theory | |
CN114065031A (zh) | 一种基于模糊认知图谱的个性化学习路径推荐方法 | |
CN111415089B (zh) | 一种基于学***板学习结果预警方法 | |
Choi et al. | Logs or self-reports? Misalignment between behavioral trace data and surveys when modeling learner achievement goal orientation | |
CN108320603A (zh) | 一种智能测评***和方法 | |
CN115827724A (zh) | 一种试题推荐方法 | |
Arifin et al. | MEASUREMENT OF STUDENT ACHIEVEMENT DURING THE COVID-19 PANDEMIC | |
Chalip et al. | The development of achievement and ability among Chinese children: A new contribution to an old controversy | |
Parmaningsih et al. | Rasch analysis on item response theory: Review of model suitability | |
Baruah et al. | A construction and standardization of a concept achievement test in mathematics for class-VIII students | |
Jumini et al. | Estimating item parameters and student abilities: An IRT 2PL analysis of mathematics examination | |
Zulaiha et al. | Analysis of difficulty level and discriminating power between multiple choices and essay items on math test | |
Gaertner | Norm-Referenced Assessment | |
Iancu | The usage of adaptive assessments in the computer science learning process: A case study for Java | |
Yang | Investigation and Research of Mathematics Academic Quality Evaluation in Ordinary Senior High School | |
CN116542826A (zh) | 一种具有分级考核功能的计算机与数学教学*** | |
CN117153007A (zh) | 基于人工智能的课堂教学互动*** |
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 |