CN111415283A - 一种有效在线教学的因素分析方法和装置 - Google Patents
一种有效在线教学的因素分析方法和装置 Download PDFInfo
- Publication number
- CN111415283A CN111415283A CN202010293210.XA CN202010293210A CN111415283A CN 111415283 A CN111415283 A CN 111415283A CN 202010293210 A CN202010293210 A CN 202010293210A CN 111415283 A CN111415283 A CN 111415283A
- Authority
- CN
- China
- Prior art keywords
- teaching
- teacher
- student
- course
- students
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000556 factor analysis Methods 0.000 title claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种有效在线教学的因素分析方法，应用于包含教师客户端、学生客户端和在线教学***服务器的教学***中，所述方法包括：读取课程关联数据、对课程关联数据做共性分析、获得评分高课程的相关因素和输出相关因素用于指导后续教学活动；还公开了一种有效在线教学的因素分析装置，包括采集模块、存储模块、读取模块、计算模块和显示模块。本发明有效的分析出有效在线教学存在的影响因素，为教育机构实施有效的教学活动提供了可行方向，提高学生学习效果。
Description
技术领域
本发明涉及在线教育技术领域，具体涉及一种有效在线教学的因素分析方法和装置。
背景技术
互联网和信息技术带来了教育资源的跨时空整合、教育资源利用率的提高和教学质量的提升。在线教育正推动本行业产生广泛和深刻的变革，在线组卷和题库***、在线1对1和在线直播等在线资源和教学方式极大方便和改变了人们的学习方式。
教育的一个重要目的是提高教学效果，让学习者能够有效掌握更多的知识。但是，如何评估哪些因素影响了教学效果一直是开放而具挑战性的课题。不同老师的教学方式和习惯直接影响着不同学生的学习效果，因此总结出不同老师的教学习惯供后来学习者参考具有重要的价值，大幅度节约了学习者的选课时间，同时更有利于提高学习者的学习兴趣。现在的在线教育比较杂乱，导致学习者很难选择适合自己的教学视频。
相比传统的线下教学，在线教育通过计算机、互联网等多种煤质开展教学活动，可以方便采用计算机技术记录整个教学过程涉及的各方面数据，包括学生和教师个人信息，学生和教师操作教学软件的日志信息、授课过程的音视频信息等。这些丰富的数据为评估教学效果的影响因素提供了良好基础，通过数据挖掘技术，可以发现有效的在线教学与哪些因素相关，有利于迅速提高学生学习成果。
发明内容
有鉴于此，本发明的目的是针对现有技术的不足，提供一种有效在线教学的因素分析方法，该方法利用大数据和数据挖掘技术，可以高效地发现良好的在线教学存在的影响因素，为教育机构实施有效的教学活动提供可行方向，提高学生学习效果。本发明还提供了一种有效在线教学的因素分析装置。
为达到上述目的，本发明采用以下技术方案：
一种有效在线教学的因素分析方法，应用于包含教师客户端、学生客户端和在线教学***服务器的教学***中，所述方法包括：
S110、读取课程关联数据：基于在线教学***服务器，获取高评分课程的关联数据；
S120、对课程关联数据做共性分析；
S130、获得评分高课程的相关因素；
S140、输出相关因素用于指导后续教学活动。
优选的，所述高评分课程的采集过程包括：
S210：课程开始前录入上课教师个人信息和学生个人信息；
S220：定量评估上课中教师学生互动信息；
S230：课程结束录入学生反馈信息；
S240：判断学生对课程的满意度；
S250：将高评分课程的上述信息录入到在线教学***服务器。
优选的，所述在线教学***服务器运行有数据库，所述数据库为关系型数据库MySQL或非关系型数据库MongoDB，用于记录高评分课程采集过程中的信息。
优选的，步骤S210中所述的教师个人信息包括：教师MBTI性格测试结果向量和教师DISC性格测试结果向量；所述的学生个人信息包括：学生所罗门学习风格评估向量、学生MBTI性格测试结果向量和学生DISC性格测试结果向量。
优选的，步骤S220中的所述教师学生互动信息包括：学生-课程内容交互频度、学生-教师交互频度、学生-***交互频度、课程内容切换频率、课后作业及测评强度。
优选的，步骤S120中对课程关联数据做共性分析的方法：以每个教师的学生为一组，分析同个教师高评分课程的共性特征，并对学生做聚类分析。
优选的，步骤S130中获得评分高课程的相关因素的方法为：基于所述聚类分析结果计算同组学生各特征分量的类内方差；获取类内方差最小的前N个特征作为有效教学的相关因素。
优选的，所述聚类分析采用K-Means算法或者DBSCAN算法。
优选的，获取的前N个所述类内方差的最小特征是类内方差相比于类间方差小于某个阈值的特征。
一种有效在线教学的因素分析装置，包括：用于录入高评分课程采集过程中信息的采集模块、用于存储录入高评分课程关联数据的存储模块、用于读取录入高评分课程关联数据的读取模块、计算模块和显示模块，所述计算模块用于对课程关联数据做共性分析和获得评分高课程的相关因素；所述采集模块、存储模块、读取模块、计算模块和显示模块分别通过程序接口依次相连接。
本发明的有益效果是：
本发明首先通过读取出数据库中存储的高评分课程，然后对其课程关联数据做共性分析，分析出同个教师高评分课程中存在的共性特征，然后对学生进行聚类分析，并计算出同类学生各特征分量的类内方差，从而获取出该教师高评分课程中存在的关联因素，根据得出的关联因素指导学生的选择，能够实现在线教师和学生之间的精准、快速匹配，使学生可以选择出更加适合自己的教师，有利于提高学生的学***和教学服务。
本发明的装置通过采集模块录入教师和学生个人信息和上课时教师学生之间的互动信息，然后由读取模块读取采集模块中记录的高评分课程之间的关联数据，用于执行课程关联数据的共性分析；再由计算模块通过读取模块读取的信息对课程关联数据做共性分析，进而获得评分高课程的相关因素；最终由显示模块将计算所得的每个教师有效教学的关联因素显示给教务人员、教师等相关人员，用于指导后续教学服务。
附图说明
图1是本发明一实施例提出的有效在线教学的因素分析方法流程示意图；
图2是本发明一实施例中高评分课程的关联数据采集流程示意图；
图3是本发明一实施例中所采集的关联数据示例图；
图4是本发明一实施例中高评分课程关联数据共性分析方法流程图；
图5是本发明实施例所应用的场景示例图；
图6是本发明另一实施例有效在线教学的因素分析装置的结构示意图；
图7是本发明另一实施例运行计算机的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，下面结合附图和实施例对本发明作进一步描述。
实施例1
本发明实施例的一个可选应用场景为一对一在线教学，如图5所示，一个线上教学***所能实施的示意网络环境600包括：教师客户端631、学生客户端621和在线教学***服务器641，且它们均通过程序接口与网络通信***610相连。
网络通信***610：在线学生、教师和在线教学***服务器均通过该网络进行相关数据交互、传输，该网络包括但不限于有线网、无线网、Internet广义网等。
学生通过学生客户端621进行上课，学生客户端621包括但不限于个人电脑、平板电脑和智能手机等。学生客户端621上可运行线上上课软件622，学生可以通过该软件录入相关个人信息，进行性格、学习风格等测试；学生也能通过该软件和教师进行一对一视频教学互动、做课后作业和课后测评等。
教师通过教师客户端631进行，教师客户端631包括但不限于个人电脑、平板电脑和智能手机等。教师客户端上运行有线上教学软件632，教师可以通过该软件录入相关个人信息，开展线上教学活动。
在线教学***服务器641配有计算机组件，提供线上教学的功能服务，上面运行有数据库642或其他软件，可用于存储学生和教师个人信息、上课音频信息等课程相关数据，用于执行本发明实施例所提供的有效在线教学的因素分析方法。
教师客户端设备、学生客户端设备、在线教学***服务器均包括计算机***700。如图7所示，计算机***700包括内存、硬盘、处理器、输入/输出设备、通信端口，内存、硬盘、处理器、输入/输出设备通过总线进行通信。
基于网络环境600，提供一种有效在线教学的因素分析方法，如图1所示，包括：
S110、读取课程关联数据：基于在线教学***服务器641，从储存有高评分课程的关联数据100的数据库中读取高评分课程的关联数据。
S120、对课程关联数据做共性分析：
S130、获得评分高课程的相关因素；
S140、输出相关因素指导后续教学活动。
以下对有效在线教学的因素分析方法的过程做进一步解释：
如图2所示，步骤S110中高评分课程的关联数据100的采集流程，包括：
S210：课程开始前录入上课教师和学生个人信息；
如图3所示，上课教师和学生个人信息包括但不限于：教师MBTI性格测试结果向量211，教师DISC性格测试结果向量212；学生所罗门学习风格评估向量213，学生MBTI性格测试结果向量214，学生DISC性格测试结果向量215，还可通过其他测试进行评估。
S220：定量评估上课中教师学生互动信息；
如图3所示，教师学生互动信息包括但不限于：学生-课程内容交互频度221，学生-教师交互频度222，学生-***交互频度223，课程内容切换频率224，课后作业及测评强度225，还可通过其他测试进行评估。
S230：课程结束录入学生反馈信息。
S240：判断学生是否对课程满意，如若满意，执行步骤S250；课程满意度可以让学生在课程结束后对上课效果进行打分反馈。
S250：将教师、学生个人信息、上课中互动信息等录入数据库，记录在在线教学***服务器641内。存储上述信息的数据库可以是关系型数据库MySQL或非关系型数据库MongoDB。
上述S210和S220录入的信息经过结构化和定量化处理后，形成可计算的数量值，构成每个教师和每个学生之间的课程关联数据。
如图4所示，有效在线教学的因素分析方法过程中的步骤S120和S130的具体实施方式为：
S310：将同个教师授课的学生分为一组，即在进行有效教学的关联因素分析时，以每个教师的学生为一组，分析同个教师高评分课程存在的共性特征，从而对课程关联数据做共性分析。
S320：基于图3所示例的特征信息，对每组的学生进行聚类分析；聚类分析采用K-Means算法或者DBSCAN算法；
S330：基于S320的聚类分析结果，计算同类学生各特征分量的类内方差；
S340：取类内方差最小的前N个特征；类内方差最小的特征，表示该类内的学生这个特征的共性最大。进而，采用类内方差相比于类间方差小于某个阈的前N个特征作为输出特征。
S350：输出该N个特征作为有效教学的关联因素。这些特征表明了同个教师高评分课程存在的关联因素，例如对于某个教师，其高评分课程的学生MBTI性格测试结果向量和DISC性格测试结果向量与其相似，且学生-教师交互频度高。那么，基于这些关联因素，可以指导该教师开展有效教学，例如为其分配性格测试相似的学生，建议教师提高和学生的互动频度等，从而提高教师的教学水平和教学成效。
实施例2
一种有效在线教学的因素分析装置，如图6所示，该有效在线教学的因素分析装置300包括：
采集模块301，用于录入教师和学生个人信息、录入上课过程中教师和学生之间的互动信息等。
存储模块302，用于存储录入的高评分课程的关联数据。包括图3所示的教师、学生个人信息和教师学生互动信息等。
读取模块303，读取存储模块302中所有高评分课程关联数据，用于执行图4所示的关联因素分析算法。
计算模块304，对课程关联数据做共性分析，执行如图1和图4所示的关联因素分析算法。
显示模块305，将计算所得的每个教师有效教学的关联因素显示给教务人员、教师等相关人员，用于指导后续教学服务。
采集模块、存储模块、读取模块、计算模块和显示模块分别通过程序接口依次相连接。
通过本发明可以分析出不同教师的有效在线教学因素，通过分析出来的因素对该教师的在线学生进行分类，根据学生个人信息情况进行课程匹配，增加教师的教学成效，同时有效提高学生的学习成绩；另外根据教师的教学因素可以用来指导教师在后续教学中的教学任务，加强教师的教学服务能力。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种有效在线教学的因素分析方法，应用于包含教师客户端、学生客户端和在线教学***服务器的教学***中，其特征在于，所述方法包括：
S110、读取课程关联数据：基于在线教学***服务器，获取高评分课程的关联数据；
S120、对课程关联数据做共性分析；
S130、获得评分高课程的相关因素；
S140、输出相关因素用于指导后续教学活动。
2.根据权利要求1所述的有效在线教学的因素分析方法，其特征在于，所述高评分课程的采集过程包括：
S210：课程开始前录入上课教师个人信息和学生个人信息；
S220：定量评估上课中教师学生互动信息；
S230：课程结束录入学生反馈信息；
S240：判断学生对课程的满意度；
S250：将高评分课程的上述信息录入到在线教学***服务器。
3.根据权利要求2所述的有效在线教学的因素分析方法，其特征在于，所述在线教学***服务器运行有数据库，所述数据库为关系型数据库MySQL或非关系型数据库MongoDB，用于记录高评分课程采集过程中的信息。
4.根据权利要求2所述的有效在线教学的因素分析方法，其特征在于，步骤S210中所述的教师个人信息包括：教师MBTI性格测试结果向量和教师DISC性格测试结果向量；所述的学生个人信息包括：学生所罗门学习风格评估向量、学生MBTI性格测试结果向量和学生DISC性格测试结果向量。
5.根据权利要求2所述的有效在线教学的因素分析方法，其特征在于，步骤S220中的所述教师学生互动信息包括：学生-课程内容交互频度、学生-教师交互频度、学生-***交互频度、课程内容切换频率、课后作业及测评强度。
6.根据权利要求1所述的有效在线教学的因素分析方法，其特征在于，步骤S120中对课程关联数据做共性分析的方法：以每个教师的学生为一组，分析同个教师高评分课程的共性特征，并对学生做聚类分析。
7.根据权利要求6所述的有效在线教学的因素分析方法，其特征在于，步骤S130中获得评分高课程的相关因素的方法为：基于所述聚类分析结果计算同组学生各特征分量的类内方差；获取类内方差最小的前N个特征作为有效教学的相关因素。
8.根据权利要求6所述的有效在线教学的因素分析方法，其特征在于，所述聚类分析采用K-Means算法或者DBSCAN算法。
9.根据权利要求7所述的有效在线教学的因素分析方法，其特征在于，获取的前N个所述类内方差的最小特征是类内方差相比于类间方差小于某个阈值的特征。
10.一种有效在线教学的因素分析装置，其特征在于，包括：用于录入高评分课程采集过程中信息的采集模块、用于存储录入高评分课程关联数据的存储模块、用于读取录入高评分课程关联数据的读取模块、计算模块和显示模块，所述计算模块用于对课程关联数据做共性分析和获得评分高课程的相关因素；所述采集模块、存储模块、读取模块、计算模块和显示模块分别通过程序接口依次相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293210.XA CN111415283A (zh) | 2020-04-15 | 2020-04-15 | 一种有效在线教学的因素分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010293210.XA CN111415283A (zh) | 2020-04-15 | 2020-04-15 | 一种有效在线教学的因素分析方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111415283A true CN111415283A (zh) | 2020-07-14 |
Family
ID=71494867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010293210.XA Pending CN111415283A (zh) | 2020-04-15 | 2020-04-15 | 一种有效在线教学的因素分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415283A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793238A (zh) * | 2021-04-26 | 2021-12-14 | 王晶 | 一种教育***及方法 |
| CN116563068A (zh) * | 2023-05-16 | 2023-08-08 | 广东同异教育科技有限公司 | 一种5g网络服务平台式的远程教育*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875309A (zh) * | 2017-04-01 | 2017-06-20 | 福建云课堂教育科技有限公司 | 一种课程推荐方法及*** |
| CN108764710A (zh) * | 2018-05-25 | 2018-11-06 | 中山大学 | 教学质量评价方法及装置 |
| CN109754349A (zh) * | 2019-01-07 | 2019-05-14 | 上海复岸网络信息科技有限公司 | 一种在线教育智能师生匹配*** |
| CN109801525A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市鹰硕技术有限公司 | 一种用于网络教学的师生多维匹配方法和*** |
| US20190272765A1 (en) * | 2018-03-04 | 2019-09-05 | NN Medical, Inc. | Online Teaching System and Method thereof |
-
2020
- 2020-04-15 CN CN202010293210.XA patent/CN111415283A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106875309A (zh) * | 2017-04-01 | 2017-06-20 | 福建云课堂教育科技有限公司 | 一种课程推荐方法及*** |
| CN109801525A (zh) * | 2017-11-17 | 2019-05-24 | 深圳市鹰硕技术有限公司 | 一种用于网络教学的师生多维匹配方法和*** |
| US20190272765A1 (en) * | 2018-03-04 | 2019-09-05 | NN Medical, Inc. | Online Teaching System and Method thereof |
| CN108764710A (zh) * | 2018-05-25 | 2018-11-06 | 中山大学 | 教学质量评价方法及装置 |
| CN109754349A (zh) * | 2019-01-07 | 2019-05-14 | 上海复岸网络信息科技有限公司 | 一种在线教育智能师生匹配*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793238A (zh) * | 2021-04-26 | 2021-12-14 | 王晶 | 一种教育***及方法 |
| CN116563068A (zh) * | 2023-05-16 | 2023-08-08 | 广东同异教育科技有限公司 | 一种5g网络服务平台式的远程教育*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107203953A (zh) | 一种基于互联网、表情识别和语音识别的教学***及其实现方法 | |
| CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
| CN109063587B (zh) | 数据处理方法、存储介质和电子设备 | |
| CN110782375B (zh) | 基于数据的在线学习全过程动态分析方法及*** | |
| CN109754349B (zh) | 一种在线教育智能师生匹配*** | |
| CN108898115B (zh) | 数据处理方法、存储介质和电子设备 | |
| CN111460221A (zh) | 评论信息处理方法、装置及电子设备 | |
| US20230419347A1 (en) | Systems and methods for machine learning predictions of the impact of digital content | |
| CN112163162A (zh) | 基于人像识别的选修课程推荐方法、存储介质及电子设备 | |
| WO2020007097A1 (zh) | 数据处理方法、存储介质和电子设备 | |
| CN112163614A (zh) | 一种主播分类方法、装置、电子设备及存储介质 | |
| CN111415283A (zh) | 一种有效在线教学的因素分析方法和装置 | |
| CN108833595B (zh) | 用于在线客服服务的计算机可读存储介质 | |
| CN112101231A (zh) | 学习行为的监控方法、终端、小程序以及服务器 | |
| CN110648086A (zh) | 一种线上教学学生分组方法和装置 | |
| US9547995B1 (en) | Dynamic instructional course | |
| CN111563697A (zh) | 一种线上课堂学生情绪分析方法和*** | |
| CN113591678A (zh) | 课堂注意力确定方法、装置、设备、存储介质及程序产品 | |
| CN113259763A (zh) | 教学视频处理方法、装置和电子设备 | |
| CN108039081B (zh) | 机器人教学测评方法及装置 | |
| CN113627198A (zh) | 一种基于历史问答数据的参考回答生成方法、***、装置和计算机设备 | |
| CN111950472A (zh) | 教师磨课测评方法及*** | |
| CN110796364A (zh) | 在线课堂的质检方法、装置、电子设备及存储介质 | |
| CN111612659A (zh) | 一种在线财会考试自动评分***及评分方法 | |
| CN117455126B (zh) | 一种泛在实训教学和考评管理***及方法 |
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: 20200714 |
|
| RJ01 | Rejection of invention patent application after publication |