CN111626372B - 一种线上教学监督管理方法及*** - Google Patents
一种线上教学监督管理方法及*** Download PDFInfo
- Publication number
- CN111626372B CN111626372B CN202010477322.0A CN202010477322A CN111626372B CN 111626372 B CN111626372 B CN 111626372B CN 202010477322 A CN202010477322 A CN 202010477322A CN 111626372 B CN111626372 B CN 111626372B
- Authority
- CN
- China
- Prior art keywords
- index
- indexes
- teaching
- training
- learning
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 118
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 62
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供的线上教学监督管理方法及***，方法包括以下步骤：预设教师的在线教学特征指标；预设学生的学习行为特征指标；根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施。该方法对学生学业预警，并进行针对性地教学干预，保障了线上教学的效果。
Description
技术领域
本发明属于深度学习技术领域，具体涉及一种线上教学监督管理方法及***。
背景技术
随着目前线上教学的发展，人工智能与线上教学的融合成了必然趋势。线上教学势在必行，与线上教学资源建设协同发展的是配套的线上教学监督管理***，线上教学监督管理***主要包括学业预警和教学干预两大块，学业预警主要包括课程考核成绩预警。教学干预作为对学习者学习产生影响的介入手段，能够阐释学习过程中多方面的要素和关系，能为改善学习绩效提供新的思路和视角。
但是现有的线上教学监督管理***中，大多数的学业预警模型是一个通用的预测模型，不能解决所有课程的复杂性，且这些学业预警模型往往只针对学生行为，往往忽略了教师授课行为。且现有的线上教学监督管理***并没有***的教学干预方法，所以现有的线上教学监督管理***缺乏适应新时代新技术的监管措施，无法保障线上教学与线下教学效果实质等效。
发明内容
针对现有技术中的缺陷，本发明提供一种线上教学监督管理方法及***，实现学生学业预警，并进行针对性地教学干预，保障了线上教学的效果。
第一方面，一种线上教学监督管理方法，包括以下步骤：
预设教师的在线教学特征指标；
预设学生的学习行为特征指标；
根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施。
优选地，所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
优选地，所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
优选地，所述预警模型的构建和训练方法包括：
对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序；
由所有的样本数据构成训练样本；
对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集；分别对每个训练集进行训练，以获得k个分类器；
在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
优选地，所述对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标具体包括：
输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
计算指标之间的相关矩阵，以获得各个指标的相关性；
去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
第二方面，一种线上教学监督管理***，包括：
指标设置单元：用于预设教师的在线教学特征指标和学生的学习行为特征指标；
采集单元：用于根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
构建单元：用于根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
预警单元：用于获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
干预单元：用于根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施。
优选地，所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
优选地，所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
优选地，所述预警模型的构建和训练方法包括：
对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序；
由所有的样本数据构成训练样本；
对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集；分别对每个训练集进行训练，以获得k个分类器；
在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
优选地，所述构建单元具体用于：
输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
计算指标之间的相关矩阵，以获得各个指标的相关性；
去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
由上述技术方案可知，本发明提供的线上教学监督管理方法及***，利用机器学习技术、以及获取的教师教学行为和学生学习行为构建预警模型，用来预测学业成绩，然后不断地对预警模型进行训练测试，提高预警模型的精准度。并在获得学生或教师的分类结果和对应的指标排名后，进行干预。干预包括针对教师情况进行干预，或针对学生情况进行干预，或针对课程进行干预，以达到监督教师，警示学生,形成了智能预警、干预教学和学生行为，实现智能预警的线上教学监管闭环，综上所述，该方法实现学生学业预警，并进行针对性地教学干预，保障了线上教学的效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例一提供的线上教学监督管理方法的流程图。
图2为本发明实施例三提供的预警模型的构建和训练方法的流程图。
图3为本发明实施例三提供的筛选指标获取方法的流程图。
图4为本发明实施例四提供的线上教学监督管理***的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
实施例一：
一种线上教学监督管理方法，参见图1，包括以下步骤：
S1：预设教师的在线教学特征指标；
S2：预设学生的学习行为特征指标；
具体地，在线教学特征指标和学习行为特征指标由用户自行设置，可以根据课程来设置，也可以根据教学要求设置等等。
S3：根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
具体地，该方法根据在线教学特征指标和学习行为特征指标采集对应的数据构成样本数据。
S4：根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
S5：获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
S6：根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施；
具体地，该方法根据预警模型输出分类结果和对应的指标排名进行精准干预，例如如果预警模型输出分类结果为不及格时，获取对应的指标排名中重要性较大的指标，并执行这些指标的干扰措施。如果重要性较大的指标为在线教学特征指标时，执行基于教师行为数据制定的干预措施，如果重要性较大的指标为学习行为特征指标时，执行基于学生行为数据制定的干预措施，如果预警模型输出分类结果为优秀，执行的干预措施可能就包括表彰等等。
该方法不仅通过精准的监测预警，来分析教师教学行为和学生学***台技术干预措施，具体见表1。
表1干预措施
本实施例提供的线上教学监督管理方法，利用机器学习技术、以及获取的教师教学行为和学生学习行为构建预警模型，用来预测学业成绩，然后不断地对预警模型进行训练测试，提高预警模型的精准度。并在获得学生或教师的分类结果和对应的指标排名后，进行干预。干预包括针对教师情况进行干预，或针对学生情况进行干预，或针对课程进行干预，以达到监督教师，警示学生,形成了智能预警、干预教学和学生行为，实现智能预警的线上教学监管闭环，综上所述，该方法实现学生学业预警，并进行针对性地教学干预，保障了线上教学的效果。
实施例二：
实施例二在实施例一的基础上，增加了以下内容：
所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
具体地，该方法为了分析教师在线教学与学生课程考核成绩之间的关系，并通过预警模型来监测教师在线教学活动，对可能产生影响学生课程考核成绩的行为进行干预，需要根据在线教学特征指标收集教师在线教学特征数据。参见表2，该方法设置了13种在线教学特征指标集合X＝{x1,x2,x3,···,xn},n＝13：
表2在线教学特征指标表：
优选地，所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
具体地，该方法为了分析学生在线学习情况与课程考核成绩之间的关系，并针对异常学习行为的学生进行监测，对学生成绩可能产生的学习行为进行干预，需要根据学习行为特征指标收集学生学习行为特征数据。参见表3，该方法设置了11种学习行为特征指标集合Y＝{y1,y2,y3,···,yn},n＝11：
表3学习行为特征指标表
| 特征指标 | 指标名称 | 指标描述 |
| 登录次数 | y1 | 登陆次数 |
| 学习进度 | y2 | 学生视频资源学习进度 |
| 签到数 | y3 | 学生每门课程签到数量 |
| 作业 | y5 | 完成作业数量 |
| 考试 | y6 | 完成考试次数 |
| 课堂活动参与数 | y7 | 课堂活动参与次数 |
| 与教师互动评分 | y8 | 学生给教师互动打分折算分数 |
| 课堂评分 | y9 | 学生评价老师分数 |
| 问答 | y10 | 完成教师课堂问答次数 |
| 笔记 | y11 | 课堂学习记录笔记次数 |
本发明实施例所提供的方法，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三：
实施例三在上述实施例的基础上，限定了预警模型的具体构建方法。
参见图2，所述预警模型的构建和训练方法包括：
S11：对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序，参见图3，具体包括：
S21：输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
S22：计算指标之间的相关矩阵，以获得各个指标的相关性；
S23：去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
具体地，该方法首先输入指标集合X，计算指标之间的相关矩阵W，得到第i个指标的相关性
其中wij为指标权重，Pij为第j个指标，εij为偏置参数。该方法首先对指标进行初步筛选，例如假设一共有N个指标，从N个指标中选取m个最佳指标作为筛选指标，其中0≤m≤N。筛选条件可以根据具体情况自行设置，例如设置为去除相关性低于某个设定值的指标。
S12：由所有的样本数据构成训练样本；
S13：对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集；
S14：分别对每个训练集进行训练，以获得k个分类器；
具体地，分类结果根据具体的情况进行设置，例如如果设置为2类，分类结果包括及格和不及格。如果设置为3类，分类结果包括优秀、及格和不及格。也可以根据不同情况设置为N类。该方法可以根据每个样本数据手动添加分类结果。分类模型对样本数据和对应的分类结果进行训练，得到分类器。该方法，首先随机根据训练样本生成k个训练集T1,T2,...Tk，然后分别对每个训练集进行训练得到k个分类器，例如得到的k个分类器分别为C1(X),C2(X),...Ck(X)。其中训练集的生成方法包括：首先从所有训练样本中随机选取n个数据作为一个训练集，然后把这n个数据放回原训练样本中，再随机抽取n个数据构成另一个训练集，这样最终随机产生k个训练集。
S15：在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
S16：对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
具体地，测试集可以是由没有参与预警模型训练的数据构成，也可以是随机抽取一定比例的数据构成。测试集可以用来评估模型泛化性能，同时评估指标重要性。
该方法在所述训练样本中抽取部分数据作为测试集L，计算测试集L的准确率AccL1，在测试集L中针对干扰指标xi加入干扰数据后，再次测试集L的准确率AccL2，计算重要性score＝AccL1-AccL2。若score大于0，说明加入干扰数据后准确率下降，说明该特征重要性较高。反之，若score小于0，说明加入干扰数据后准确率上升，说明该特征重要性较低。由此可以计算出特征体系中的重要性指标，针对学生和教师进行精准干预。
本发明实施例所提供的方法，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例四：
一种线上教学监督管理***，参见图4，包括：
指标设置单元：用于预设教师的在线教学特征指标和学生的学习行为特征指标；
采集单元：用于根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
构建单元：用于根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
预警单元：用于获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
干预单元：用于根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施。
优选地，所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
优选地，所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
优选地，所述预警模型的构建和训练方法包括：
对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序；
由所有的样本数据构成训练样本；
对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集；
分别对每个训练集进行训练，以获得k个分类器；
在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
优选地，所述构建单元具体用于：
输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
计算指标之间的相关矩阵，以获得各个指标的相关性；
去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
该线上教学监督管理***，利用机器学习技术、以及获取的教师教学行为和学生学习行为构建预警模型，用来预测学业成绩，然后不断地对预警模型进行训练测试，提高预警模型的精准度。并在获得学生或教师的分类结果和对应的指标排名后，进行干预。干预包括针对教师情况进行干预，或针对学生情况进行干预，或针对课程进行干预，以达到监督教师，警示学生,形成了智能预警、干预教学和学生行为，实现智能预警的线上教学监管闭环，综上所述，该方法实现学生学业预警，并进行针对性地教学干预，保障了线上教学的效果。
本发明实施例所提供的***，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种线上教学监督管理方法，其特征在于，包括以下步骤：
预设教师的在线教学特征指标；
预设学生的学习行为特征指标；
根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施；
所述预警模型的构建和训练方法包括：
对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序；
由所有的样本数据构成训练样本；
对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集；
分别对每个训练集进行训练，以获得k个分类器；
在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
2.根据权利要求1所述线上教学监督管理方法，其特征在于，
所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
3.根据权利要求1所述线上教学监督管理方法，其特征在于，
所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
4.根据权利要求1所述线上教学监督管理方法，其特征在于，所述对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标具体包括：
输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
计算指标之间的相关矩阵，以获得各个指标的相关性；
去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
5.一种线上教学监督管理***，其特征在于，包括：
指标设置单元：用于预设教师的在线教学特征指标和学生的学习行为特征指标；
采集单元：根据所述在线教学特征指标和学习行为特征指标采集学生的历史学习行为或者是教师的历史教学行为，以获得样本数据；
构建单元：用于根据所述在线教学特征指标、学习行为特征指标和样本数据构建并训练预警模型；
预警单元：用于获取学生的实时学习行为或者是教师的实时教学行为，将所述实时学习行为或者是实时教学行为传输给训练好的预警模型，由预警模型输出分类结果和对应的指标排名；
干预单元：用于根据所述分类结果和对应的指标排名从预设的干预体系中调取对应的干预措施，执行所述干扰措施；
所述预警模型的构建和训练方法包括：
对所述在线教学特征指标和学习行为特征指标进行粗筛选，以获得筛选指标，对筛选指标进行排序；
由所有的样本数据构成训练样本；
对所述训练样本进行k次抽取以获得k个训练集；抽取方法包括每次抽取训练样本中的n个数据形成一个训练集，然后再将这些抽取的数据放回到训练样本中，再抽取训练样本中的n个数据形成另一个训练集，如此循环，直至抽取k个训练集分别对每个训练集进行训练，以获得k个分类器；
在所述训练样本中抽取部分数据作为测试集，定义第一个筛选指标为目标指标，执行重要性判断步骤；
对重要性判断步骤获得的每个筛选指标的重要性进行排名，以获得指标排名；
所述重要性判断步骤包括：计算测试集的准确率，以获得原始准确率；在所述测试集中针对目标指标加入干扰数据后，再次计算测试集的准确率，以获得干扰准确率，计算所述原始准确率和干扰准确率之间的差值，以获得该目标指标的重要性；判断下一个筛选指标是否为空，如果是，退出所述重要性判断步骤；如果不是，定义下一个筛选指标为目标指标，重复执行重要性判断步骤。
6.根据权利要求5所述线上教学监督管理***，其特征在于，
所述在线教学特征指标包括以下一种或几种指标的组合：
登录次数、视频资源数量、授课数量、导入题库的题目数量、布置作业数量、布置考试数量、上传视频数量、引用他人视频数量、批改作业次数、批改考试次数、课堂教学次数、课堂教学评分、平均在线教学签到率。
7.根据权利要求5所述线上教学监督管理***，其特征在于，
所述学习行为特征指标包括以下一种或几种指标的组合：
登录次数、视频资源学习进度、每门课程的签到数量、完成作业数量、完成考试次数、课堂活动参与次数、与教师互动评分、课堂评分、完成课堂问答次数、课堂学习记录笔记次数。
8.根据权利要求5所述线上教学监督管理***，其特征在于，所述构建单元具体用于：
输入指标，所述指标包括在线教学特征指标和学习行为特征指标；
计算指标之间的相关矩阵，以获得各个指标的相关性；
去除相关性不满足预设的筛选条件的指标，以获得所述筛选指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477322.0A CN111626372B (zh) | 2020-05-29 | 2020-05-29 | 一种线上教学监督管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010477322.0A CN111626372B (zh) | 2020-05-29 | 2020-05-29 | 一种线上教学监督管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626372A CN111626372A (zh) | 2020-09-04 |
| CN111626372B true CN111626372B (zh) | 2023-06-23 |
Family
ID=72271972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010477322.0A Active CN111626372B (zh) | 2020-05-29 | 2020-05-29 | 一种线上教学监督管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626372B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149884A (zh) * | 2020-09-07 | 2020-12-29 | 南京莱斯网信技术研究院有限公司 | 一种面向大规模学员的学业预警监测方法 |
| CN115086363B (zh) * | 2022-05-23 | 2024-02-13 | 北京声智科技有限公司 | 学习任务的预警方法、装置、电子设备和存储介质 |
| US20230419848A1 (en) * | 2022-06-28 | 2023-12-28 | HonorEd Technologies, Inc. | Class-wide comprehension modeling and ai-sourced teacher content recommendations |
| CN116227729B (zh) * | 2023-03-20 | 2023-10-10 | 广州工程技术职业学院 | 基于机器学习的学习评价方法及装置、设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485964B (zh) * | 2016-10-19 | 2019-04-02 | 深圳市鹰硕技术有限公司 | 一种课堂教学的录制和点播的方法及*** |
| CN109658004A (zh) * | 2018-12-28 | 2019-04-19 | 杭州博世数据网络有限公司 | 智能任务管理及预警推送教务管理*** |
| CN110910038A (zh) * | 2019-12-02 | 2020-03-24 | 成都中医药大学 | 基于网络课程的教师教学画像模型的构建方法 |
-
2020
- 2020-05-29 CN CN202010477322.0A patent/CN111626372B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626372A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626372B (zh) | 一种线上教学监督管理方法及*** | |
| CN110196814B (zh) | 一种软件质量评价方法 | |
| CN109345101A (zh) | 基于综合评价分析法的教育质量评价分析方法 | |
| Verma et al. | National identity predictive models for the real time prediction of European school’s students: preliminary results | |
| Ashenafi et al. | Predicting Student Progress from Peer-Assessment Data. | |
| Hadzhikolev et al. | Models for multicomponent fuzzy evaluation, with a focus on the assessment of higher-order thinking skills | |
| CN111553581B (zh) | 一种基于熵值的装备维修性评价模型 | |
| CN116664001B (zh) | 一种基于人工智能的学员技能评估方法及*** | |
| CN111369140A (zh) | 一种教学评价***及方法 | |
| CN117313947A (zh) | 一种基于随机森林和金枪鱼群优化算法的学习预警方法 | |
| CN111126812A (zh) | 综合学习能力监测方法、装置、电子设备和存储介质 | |
| CN115409257A (zh) | 一种基于条件密度估计模型的成绩分布预测方法及*** | |
| CN112015830B (zh) | 适用于自适应学习的题目存储方法 | |
| Sghir et al. | Using learning analytics to improve students' enrollments in higher education | |
| CN112184040A (zh) | 基于行为与学***台 | |
| CN113537738A (zh) | 一种多循环与多约束融合的航空应急救援效能评估方法 | |
| Wu et al. | Analysis of students' learning behavior under network learning environment | |
| Bendjebar et al. | An improvement of a data mining technique for early detection of at-risk learners in distance learning environments | |
| CN112766765A (zh) | 基于区间中智理论的专业学习能力评价方法及*** | |
| Tan et al. | Predicting dropout from online education based on neural networks | |
| Noskov et al. | Mathematical model for early prediction of learning success | |
| Jing | Continuous improvement of college english teaching based on quantitative analysis of course objective achievement | |
| Ratnaningsih et al. | Identifying Students’ Behavioral Online Learning Patterns Through Learning Analytics: a Case of Universitas Terbuka | |
| Şevgin et al. | MARS ve BRT Veri Madenciliği Yöntemlerinin Sınıflama Performanslarının Karşılaştırılması: ABİDE-2016 Örneği | |
| Murad et al. | Student Assessment Factors in Study Success Using the Decision Tree Algorithm |
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 |