CN116523225B - 一种基于数据挖掘的翻转课堂混合教学方法 - Google Patents
一种基于数据挖掘的翻转课堂混合教学方法 Download PDFInfo
- Publication number
- CN116523225B CN116523225B CN202310411785.0A CN202310411785A CN116523225B CN 116523225 B CN116523225 B CN 116523225B CN 202310411785 A CN202310411785 A CN 202310411785A CN 116523225 B CN116523225 B CN 116523225B
- Authority
- CN
- China
- Prior art keywords
- teaching
- knowledge
- skill
- students
- enterprise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000007418 data mining Methods 0.000 title claims abstract description 9
- 230000001149 cognitive effect Effects 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 230000007306 turnover Effects 0.000 claims abstract description 21
- 238000013210 evaluation model Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000007115 recruitment Effects 0.000 claims description 71
- 238000011156 evaluation Methods 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000019771 cognition Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 230000003930 cognitive ability Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011867 re-evaluation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000003058 natural language processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000009182 swimming Effects 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于数据挖掘的翻转课堂混合教学方法，包括：挖掘企业不同岗位需求数量与技能需求变动；将企业技能需求变动转换为时间序列知识需求分布；分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息；标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取；构建技能能力评价模型；基于能力评价模型计算教学前后能力差；根据翻转课堂教学效果调整教学类型，具体包括:基于计算分数的分布制定标准，根据标准分析是否继续使用该混合比例的翻转课堂教学，结合企业能力需求预测情况调整混合教学比例。
Description
技术领域
本发明涉及信息技术领域，尤其涉及一种基于数据挖掘的翻转课堂混合教学方法。
背景技术
翻转课堂是一种让学生也能够自主学习知识后，主动消化知识，并讲解出来给其他同学和老师上课的方式，它能够让学生自己对知识有更加深入的了解。翻转课堂虽然可以提升教学效果，但这要求参与者对知识具有深度了解，才能讲解给别人听。学生没有接受过讲课培训，可能对自身知识的理解比较好，但是对听的人而言，效果或许条理性、知识度、内容等，讲解效果难以和经过多次训练和教学培养后的正式的老师的讲解效果相比。因此什么样的课程可以变成翻转课堂，什么样的翻转课题其实不合适，什么样的课程只能采用正常的课程去讲解才能提高学生能力，如何甄别课程差异，是一个重要的问题。翻转课堂也可以提高学生能力，只是提高的能力如何进行动态的评估，企业有能力要求，只有适应企业需求的能力才能最终让技能发挥出来，实现最终价值。但是企业的需求是变动的，对人才能力的要求也是变化的，人才能力随着课程的学习和实践，人才本身也是能力在不断变化的。因此学习的课程如何通过企业的评估，融合学校或培训机构的评估，最终再转化为翻转课堂设计内容，这其中从需求到教学的关系的融合和计算，都是一套需要大数据进行挖掘分析，才能获得精确设计的方法。
发明内容
本发明提供了一种基于数据挖掘的翻转课堂混合教学方法，主要包括：
挖掘企业不同岗位需求数量与技能需求变动；将企业技能需求变动转换为时间序列知识需求分布，所述将企业技能需求变动转换为时间序列知识需求分布，具体包括：挖掘企业招聘操作类和认知类需求，预测企业操作类和认知类需求；分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息；标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取，所述标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取，具体包括：进行词语标注，获取领域知识结构，判断知识需求与教学内容是否匹配；构建技能能力评价模型，所述构建技能能力评价模型，具体包括：筛选招聘所需知识需求维度的关键词，根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价，结合图像识别技术和语音识别技术进行学生操作类型技能能力评价，采用模糊变换方法进行学生技能能力综合评价；基于能力评价模型计算教学前后能力差；根据翻转课堂教学效果调整教学类型，所述根据翻转课堂教学效果调整教学类型，具体包括：基于计算分数的分布制定标准，根据标准分析是否继续使用该混合比例的翻转课堂教学，结合企业能力需求预测情况调整混合教学比例。
进一步可选地，所述挖掘企业不同岗位需求数量与技能需求变动包括：
企业招聘基础数据包括岗位名称、数量、岗位内容和岗位要求的文本数据，通过招聘网站和APP获取每条招聘信息包含的数据；针对操作类需求和认知类需求，以月为单位收集企业招聘基础数据，以形成的需求变动的数据；使用ETL方法进行数据预处理，保留包含岗位名称、数量、岗位内容和岗位要求的文本数据；将利用ETL方法与处理的数据利用Jieba库，对岗位要求和岗位内容的文本数据进行分词处理；对分词处理后的文本数据进行数据清洗，去除停用词等，通过POS标记，使用字典为每个单词分配词性列表，使用歧义消除规则将列表分类为每个单词的词性；基于每个单词的词性分类，使用NLP方法,提取各岗位的技能需求特征词，将特征词文本化为N维的向量。
进一步可选地，所述将企业技能需求变动转换为时间序列知识需求分布包括：
利用Web文本挖掘技术，获取各具体职业岗位的招聘信息的知识体系，其中各具体职业岗位的职业能力需求、课程职业能力目标和知识目标需要有对应模块的知识体系以匹配课程教学内容；针对每年招聘的不同企业，以年为单位统计关键词频数，绘制知识时间序列的变动需求分布图；包括：挖掘企业招聘操作类和认知类需求；预测企业操作类和认知类需求；
所述挖掘企业招聘操作类和认知类需求，具体包括：
使用SVM算法，利用岗位大类名称为标签，将这个方案中的特征词文本化为的N维的向量划分为训练集和测试集，以70％作为训练集，30％作为测试集，然后采用基于高斯径向基核函数的SVM进行机器学习分类。对于通过SVM进行机器学习分类的结果，应用Web文本挖掘技术，逐一获取各专业的知识体系,根据上述过程进行岗位间的分类综合分析，构建岗位大类下具体岗位的分布体系。
所述预测企业操作类和认知类需求，具体包括：
将已收集到的特征词文本化为N维的向量转化而来的的定量数据，作为训练数据输入。使用lightGBM算法建立预测模型,遍历训练数据，计算每个离散值在直方图中的累计统计量，在进行特征选择时，根据直方图的离散值，遍历寻找最优的分割点，得到最终预测结果。根据训练数据确定该预测模型的主要参数，将数据输进预测模型综合运算，通过调整参数，得出预测结果。
进一步可选地，所述分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息包括：
从操作类需求和认知类需求两个角度，以“翻转课堂应用”“翻转课堂实践”等为关键词，收集翻转课堂目前应用在哪些知识领域教学的信息；基于收集到的各学科知识领域教学的信息，收集该学科领域的课程名称、知识点名称，建立专业分类词库，以拓展建立的课程词库；对上述收集到的翻转课堂的信息进行数据清洗，通过NLP，对筛选出的信息进行文本分析，建立翻转课堂教学内容的词库；基于所建立的翻转课堂内容的词库，提取出每一门翻转课堂的教学内容特征词，以此作为其具体教学内容。
进一步可选地，所述标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取包括：
所述特征词文本化为的N维的词向量中包括招聘所需知识点的特征词语，对所述招聘所需知识点的特征词语逐一在教学内容的词库中进行匹配，获得可精准匹配的特征词和无法精准匹配的特征词；对所述无法精准匹配的特征词，使用Apriori算法扫描教学内容的词库，统计一级俱选项集的出现次数，消除不满足条件的候选集，在一级频繁集上，生成二级候选集，扫描数据率，统计二级候选项集的出现次数，依次循环，最终挖掘所需知识点与这一领域的教学内容的关联程度；若所需技能对应的知识特征词语在词库中可以找到相匹配的词语，则可以找到合适的翻转课堂进行教学，在翻转课堂内容中寻找匹配的词语，否则，需要优化翻转课堂教学模式，重新进行评估；包括：进行词语标注，获取领域知识结构；判断知识需求与教学内容是否匹配；
所述进行词语标注，获取领域知识结构，具体包括：
对翻转课堂涉及的专业进行数据搜索，收集专业知识文本信息。利用文本分析，对收集到的专业知识文本信息进行处理，标记不同专业知识的术语，建立专业知识体系词库，获取领域知识结构。
所述判断知识需求与教学内容是否匹配，具体包括：
分析翻转课堂教学内容与企业招聘知识需求的之间的匹配程度，将能力需求词向量与教学内容的词向量间的相似度作为文本间的匹配度，以此建立匹配模型。若该翻转课堂教学内容与企业招聘知识需求成功匹配,则用特定数值进行标注。若该翻转课堂教学内容与企业招聘知识需求未匹配成功，则用另一特定数值进行标注。
进一步可选地，所述构建技能能力评价模型包括：
根据招聘需求，确定需要评估的技能能力和相应的知识需求，将招聘所需的技能能力对应的知识需求分为通用基础知识、业务领域知识和专业前沿领域知识三个维度；通过筛选通用基础知识、业务领域知识和专业前沿领域知识三个维度的关键词，制定学生技能能力评价指标；通过设计不同的评价题目，客观和准确反映应聘者的认知能力和知识水平，对认知型技能进行评价；通过图像和语音的形式，收集学生在学***评价具有模糊性的特点，采用模糊变换的评价方法，综合考虑各项评价指标，并根据学生的数据特征，构建出学生技能能力评价模型，通过输入学生在创新、应用和基础知识记忆三个维度对应的认知类技能能力得分和操作类技能能力得分，得到学生的综合分数；包括：筛选招聘所需知识需求维度的关键词；根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价；结合图像识别技术和语音识别技术进行学生操作类型技能能力评价；采用模糊变换方法进行学生技能能力综合评价；
所述筛选招聘所需知识需求维度的关键词，具体包括：
根据企业招聘要求清单，筛选出与学生技能能力相关的关键词；将筛选出来的关键词分类整合，形成涵盖通用基础知识、业务领域知识和专业前沿领域知识三个维度的综合关键词列表；选取关键词作为技能能力评价指标，定义权重。
所述根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价，具体包括：
分别从三个维度收集企业招聘知识需求的关键词，以关键词为索引词，结合教学经验与机器推荐拟定题目定性评价；基于企业招聘知识需求频数分布，进行归一化；在对每个指标进行定义权重以后，细化评价标准和评分规则，利用线上或线下测试，从0分到10分对每个关键词对应的题目分别递归判断并设置标准分值。在对所有关键词对应的操作进行打分后，进行总体平均得分的计算，最终得到学生各个维度的的认知类型技能能力得分。
所述结合图像识别技术和语音识别技术进行学生操作类型技能能力评价，具体包括：
在获得校方及师生授权同意之后，通过摄像机或者其他设备采集学生的课堂图像和课堂语音；分别从三个维度收集企业招聘知识需求的关键词，采集与关键词对应的课堂图像和课堂语音，获取学生在不同场景下的实际操作过程的图像和语音数据，并为其打标签。使用预处理技术从原始图像中提取有关学生操作过程的特征信息。使用深度学***均得分的计算，最终得到学生各个维度的的操作类型技能能力得分。
所述采用模糊变换方法进行学生技能能力综合评价，具体包括：
设定综合评价维度集合R和评分集合Z；按列整合每位学生评分集合，得到每位学生三个维度的模糊矩阵R；将权重值与模糊矩阵相乘，进行模糊变换，得到最终的综合评价值；验证使用新收集的数据,论证企业人才需求预测结果，判断内容主要包括:预测的主要依据是否充分，预测的方法是否恰当、科学，预测结果是否可靠岗位学历规范建立是否合理，预测结果是否可靠；如预测结果与实际不符，则重复预测过程,进行数学模型的调整，最终得出准确、可靠的预测结果。对于企业技能预测部份，收集现有的数据作为测试集进行拟合预测，与使用本文方法进行预测的结果进行效果比对，判断是否符合要求，否则重新预测。
进一步可选地，所述基于能力评价模型计算教学前后能力差包括：
在使用翻转课堂教学之前和翻转课堂教学完成后的文本、图像、语音分别对学生进行能力评价；计算每个学生在创新、应用和基础知识记忆三个维度的使用翻转课堂教学之前分数和翻转课堂教学完成后的分数，记录评价得分数据；利用构建的技能能力评价模型，计算每个学生在使用翻转课堂教学之前的能力评价的综合得分和翻转课堂教学完成后的能力评价的综合得分；计算学生在翻转课堂教学前后的能力评价的综合得分差值。
进一步可选地，所述根据翻转课堂教学效果调整教学类型包括：
基于计算出的教学前后学生能力差值，进行概率和分值的纵、横向对比分析；从能力需求的创新、应用和知识记忆三个维度的权重值与学生教学前后在三个维度的频率分布情况相结合的角度进行比较分析，确定教学效果；结合企业人才需求变动的频率分布的拟合情况，若偏离程度超过预设的阈值则重新进行预测，并根据新的预测结果，调整课堂学习的内容；包括：基于计算分数的分布制定标准；根据标准分析是否继续使用该混合比例的翻转课堂教学；结合企业能力需求预测情况调整混合教学比例；
所述基于计算分数的分布制定标准，具体包括：
将计算分数转化为每个翻转课堂不同维度得分的概率矩阵。将每个维度的权重值与该概率向量相乘，并进行归一化运算，得到该翻转课堂中，学生不同维度的分数分布情况。根据分数分布情况划分能力提升的标准，以预设阈值人数的学生进步预设阈值分数以上作为该课堂能够提升学生能力的标准。
所述根据标准分析是否继续使用该混合比例的翻转课堂教学，具体包括：
如果成绩的概率大于等于教学目标，就可以认为通过这个翻转课堂的教学可以满足相应知识领域招聘企业所需要的技能需求。如果成绩的概率小于教学目标，则通过翻转课堂的学习，并未成功获得招聘企业所需的技能，可以参考同一领域达到标准的翻转课堂教学模式进行改正，或采取其他教学方式。针对各模式在混合教学中的比例进行敏感性分析，对敏感性分析最终的结果进行排序，选取最佳结果进行调整。
所述结合企业能力需求预测情况调整混合教学比例，具体包括：
根据测试种学生表现和课后作业情况，得到教学策略推荐结果。对企业能力需求和学生能力提升情况分别进行拟合，将学生整体能力指数作为输入层，进行量化分级，作为离线模型进行训练，根据企业能力需求对其进行调整，更新在线模型，最终改变教学策略的调整。最终调整混合教学中各建学模式的比例，得到各教学方式比例确定的整体教学策略推荐结果。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明能够通过机器学习方法预测企业招聘的人才需求，结合现有的课程体系，根据企业对知识的需求，调整翻转课堂应该教学的知识类型。根据人才学习结果，包括考试成绩和课堂表现动态调整其能力评价状态，最终反馈回企业。进一步根据企业对人才需求的变动，变化教学内容和翻转课堂形式。
附图说明
图1为本发明的一种基于数据挖掘的翻转课堂混合教学方法的流程图。
图2为本发明的一种基于数据挖掘的翻转课堂混合教学方法的示意图。
具体实施方式
为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
本实施例一种基于数据挖掘的翻转课堂混合教学方法具体可以包括：
步骤101，挖掘企业不同岗位需求数量与技能需求变动。
企业招聘基础数据包括岗位名称、数量、岗位内容和岗位要求的文本数据，通过招聘网站和APP获取每条招聘信息包含的数据；针对操作类需求和认知类需求，以月为单位收集企业招聘基础数据，以形成的需求变动的数据；使用ETL方法进行数据预处理，保留包含岗位名称、数量、岗位内容和岗位要求的文本数据；将利用ETL方法与处理的数据利用Jieba库，对岗位要求和岗位内容的文本数据进行分词处理；对分词处理后的文本数据进行数据清洗，去除停用词等，通过POS标记，使用字典为每个单词分配词性列表，使用歧义消除规则将列表分类为每个单词的词性。基于每个单词的词性分类，使用NLP方法,提取各岗位的技能需求特征词，将特征词文本化为N维的向量。例如，岗位名称为“会计”的岗位，则将相同名称的岗位进行计数得到岗位数量，同时分别提取岗位内容的文字描述段落、岗位要求的文字段落。操作类需求游泳，认知类需求如礼仪学习。将无岗位内容或岗位要求的文字描述段落的数据作为缺失数据，进行删除。将文字段落内容，如“具备英文沟通和翻译能力的同学优先”，分解为“具备”、“英文”“沟通”等词语，最终提取出关键词“英语”、“沟通”和“翻译”。
步骤102，将企业技能需求变动转换为时间序列知识需求分布。
利用Web文本挖掘技术，获取各具体职业岗位的招聘信息的知识体系，其中各具体职业岗位的职业能力需求、课程职业能力目标和知识目标需要有对应模块的知识体系以匹配课程教学内容。针对每年招聘的不同企业，以年为单位统计关键词频数，绘制知识时间序列的变动需求分布图。了解市场需求变化和对人才的具体要求，进行职业能力需求分析，剖析确认具体职业岗位的职业能力需要，针对企业需求，调整人才培养方案，把专业培养目标调整到企业需求上来，才能保证职业教育适应当地经济建设和社会发展的需要，为行业、企业培养大量的合格人才。翻转课堂模式的教育须确立与职业岗位相适应的职业教育培养目标和人才能力培养方案，以能力为本位，以培养实用型、技能型人才为目的，培养面向生产第一线的高素质、技能型创新人才。
挖掘企业招聘操作类和认知类需求。
使用SVM算法，利用岗位大类名称为标签，将这个方案中的特征词文本化为的N维的向量划分为训练集和测试集，以70％作为训练集，30％作为测试集，然后采用基于高斯径向基核函数的SVM进行机器学***面，最终实现样本的分类。例如，收集到的岗位信息中“会计”和“审计”都属寸财会类岗位，以此将具体岗位按照大方向分类。例如，“会计”的知识体系经过获取后为经济学、管理些和财冬管理等。
预测企业操作类和认知类需求。
将已收集到的特征词文本化为N维的向量转化而来的的定量数据，作为训练数据输入。使用lightGBM算法建立预测模型,遍历训练数据，计算每个离散值在直方图中的累计统计量，在进行特征选择时，根据直方图的离散值，遍历寻找最优的分割点，得到最终预测结果。根据训练数据确定该预测模型的主要参数，将数据输进预测模型综合运算，通过调整参数，得出预测结果。例如，用调试好的参数值构建lightGBM模型，输出预测结果，输出结果的ROC值为0.833386,已超过PrivateLeaderboard排名第一的结果(0.829072)，则输出最终预测结果。
步骤103，分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息。
从操作类需求和认知类需求两个角度，以“翻转课堂应用”“翻转课堂实践”等为关键词，收集翻转课堂目前应用在哪些知识领域教学的信息。基于收集到的各学科知识领域教学的信息，收集该学科领域的课程名称、知识点名称，建立专业分类词库，以拓展建立的课程词库。对上述收集到的翻转课堂的信息进行数据清洗，通过NLP，对筛选出的信息进行文本分析，建立翻转课堂教学内容的词库。基于所建立的翻转课堂内容的词库，提取出每一门翻转课堂的教学内容特征词，以此作为其具体教学内容。例如，现有的会计专业的翻转课堂，其课程简介为“主要介绍财务会计的基本理论，以及财务报表的编制方法”，分析后建立该翻转课堂教学内容词库“基本理论”、“财务报表编制”等。
步骤104，标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取。
所述特征词文本化为的N维的词向量中包括招聘所需知识点的特征词语，对所述招聘所需知识点的特征词语逐一在教学内容的词库中进行匹配，获得可精准匹配的特征词和无法精准匹配的特征词；对所述无法精准匹配的特征词，使用Apriori算法扫描教学内容的词库，统计一级俱选项集的出现次数，消除不满足条件的候选集，在一级频繁集上，生成二级候选集，扫描数据率，统计二级候选项集的出现次数，依次循环，最终挖掘所需知识点与这一领域的教学内容的关联程度。若所需技能对应的知识特征词语在词库中可以找到相匹配的词语，则可以找到合适的翻转课堂进行教学，在翻转课堂内容中寻找匹配的词语，否则，需要优化翻转课堂教学模式，重新进行评估。例如，招聘信息分解后，包括“编制财务报表”，该词语存在会计课程的教学内容词库中，则可以判断，该项技能能够通过这个翻转课堂进行学习获得。如果有多门课程匹配成功，可选择一门课程进行验证程序，若该课程不能培养学生这一课程对应的技能能力，则选用下一课程进行验证。例如，教学模式优化包括突出专业导向，改善课程各部分所占比重等。
进行词语标注，获取领域知识结构。
对翻转课堂涉及的专业进行数据搜索，收集专业知识文本信息。利用文本分析，对收集到的专业知识文本信息进行处理，标记不同专业知识的术语，建立专业知识体系词库，获取领域知识结构。知识结构是指一个人经过专门学习培训后拥有的知识体系的构成情况与结合方式，和所谓合理的知识结构，就是既有精深的专门知识，又有广博的知识面，具有事业发展实际需要的最合理、最优化的知识体系，建立起合理的知识结构，培养科学的思维方式，合理的知识结构是担任现代社会职业岗位的必要条件。提高自己的实用技能，以适应将来在社会上从事职业岗位的要求，现代社会的职业岗位，所需要的是知识结构合理、能根据当今社会发展和职业的具体要求，将自己所学到的各类知识，科学地组合起来，成为适应社会要求的人才，因此构建领域知识结构对于满足企业招聘需求十分重要。例如，会计专业的知识术语包括“成本管理”“经营预测”、审计的专业知识术语包括“风险评估”等，以此构建财会领域的知识结构。
判断知识需求与教学内容是否匹配。
分析翻转课堂教学内容与企业招聘知识需求的之间的匹配程度，将能力需求词向量与教学内容的词向量间的相似度作为文本间的匹配度，以此建立匹配模型。若该翻转课堂教学内容与企业招聘知识需求成功匹配,则用特定数值进行标注。若该翻转课堂教学内容与企业招聘知识需求未匹配成功，则用另一特定数值进行标注。例如，企业招聘信息的特征词与教学内容词库中的词语有重合，则将每一条包含该条招聘信息特征词语的翻转课堂和招聘信息，标注为大于0的相同数字(1，1)、(2，2)等，作为一组已匹配的数组，如果未成功匹配，则将该条招聘信息标记为0。
步骤105，构建技能能力评价模型。
根据招聘需求，确定需要评估的技能能力和相应的知识需求，将招聘所需的技能能力对应的知识需求分为通用基础知识、业务领域知识和专业前沿领域知识三个维度；通过筛选通用基础知识、业务领域知识和专业前沿领域知识三个维度的关键词，制定学生技能能力评价指标；通过设计不同的评价题目，客观和准确反映应聘者的认知能力和知识水平，对认知型技能进行评价；通过图像和语音的形式，收集学生在学***评价具有模糊性的特点，采用模糊变换的评价方法，综合考虑各项评价指标，并根据学生的数据特征，构建出学生技能能力评价模型，通过输入学生在创新、应用和基础知识记忆三个维度对应的认知类技能能力得分和操作类技能能力得分，得到学生的综合分数；通用基础知识包括语言和逻辑、数学和统计、计算机基础等；业务领域知识是指企业相关的行业和业务知识，例如金融、医疗、娱乐等；专业前沿领域知识是指最新的技术和趋势，例如人工智能、区块链等。
筛选招聘所需知识需求维度的关键词。
根据企业招聘要求清单，筛选出与学生技能能力相关的关键词；将筛选出来的关键词分类整合，形成涵盖通用基础知识、业务领域知识和专业前沿领域知识三个维度的综合关键词列表；选取关键词作为技能能力评价指标，定义权重；评估基础知识要求,如企业可以通过相关的考试或者面试引导求职者展示对这些知识的掌握程度。例如，金融领域可筛选出“风险控制”、“投资策略”等关键词。评估专业前沿知识要求，如以数据分析师为例，目前在机器学习和数据科学领域，比较新的技术包括深度学习模型、自然语言处理和图像处理等领域。
根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价。
分别从三个维度收集企业招聘知识需求的关键词，以关键词为索引词，结合教学经验与机器推荐拟定题目定性评价；基于企业招聘知识需求频数分布，进行归一化；在对每个指标进行定义权重以后，细化评价标准和评分规则，利用线上或线下测试，从0分到10分对每个关键词对应的题目分别递归判断并设置标准分值。在对所有关键词对应的操作进行打分后，进行总体平均得分的计算，最终得到学生各个维度的的认知类型技能能力得分。在选择关键词作为指标时，根据企业要求，可能需要更多关注业务领域知识或者专业前沿知识，而某些企业可能更注重基础知识的掌握程度，因此，选择关键词时需要考虑实际需求和岗位属性，针对不同职位可能会有不同的指标。例如，某公司需要的SQL数据库经验，可以根据应聘者使用数据的体积、是否合理规范、查询速度等因素进行成绩评价，从0分到10分分别递归判断并打分。
结合图像识别技术和语音识别技术进行学生操作类型技能能力评价。
在获得校方及师生授权同意之后，通过摄像机或者其他设备采集学生的课堂图像和课堂语音；分别从三个维度收集企业招聘知识需求的关键词，采集与关键词对应的课堂图像和课堂语音，获取学生在不同场景下的实际操作过程的图像和语音数据，并为其打标签。使用预处理技术从原始图像中提取有关学生操作过程的特征信息。使用深度学***均得分的计算，最终得到学生各个维度的的操作类型技能能力得分。例如，在烹饪操作中，可以以刀工技巧、烹饪时间、材料切割等为指标确定技能等级。例如，学生在虚拟学习环境或实际场景中进行操作，以及使用模型的反馈作为学生技能与操作类型的参考依据。
采用模糊变换方法进行学生技能能力综合评价。
设定综合评价维度集合R和评分集合Z；按列整合每位学生评分集合，得到每位学生三个维度的模糊矩阵R；将权重值与模糊矩阵相乘，进行模糊变换，得到最终的综合评价值；验证使用新收集的数据,论证企业人才需求预测结果，判断内容主要包括:预测的主要依据是否充分，预测的方法是否恰当、科学，预测结果是否可靠岗位学历规范建立是否合理，预测结果是否可靠；如预测结果与实际不符，则重复预测过程,进行数学模型的调整，最终得出准确、可靠的预测结果。对于企业技能预测部份，收集现有的数据作为测试集进行拟合预测，与使用本文方法进行预测的结果进行效果比对，判断是否符合要求，否则重新预测。例如，三个维度的权重值分别为(0.3，0.5，0.2)，A学生得分为(5，4，3)，则A学生的分值为4.1分。在教学过程中，学生的内心活动变化是无法显示的，只能通过外部行为表现推测，无法对学生认知特点进行精确评价，因此采用以往对知识进行精确处理的方法所建立的模型与实际情况吻合度不高，运用基于模糊变换的综合评价法确定学生的认知能力，可以解决学生学***评价边界模糊和性质不确定问题。
步骤106，基于能力评价模型计算教学前后能力差。
在使用翻转课堂教学之前和翻转课堂教学完成后的文本、图像、语音分别对学生进行能力评价；计算每个学生在创新、应用和基础知识记忆三个维度的使用翻转课堂教学之前分数和翻转课堂教学完成后的分数，记录评价得分数据；利用构建的技能能力评价模型，计算每个学生在使用翻转课堂教学之前的能力评价的综合得分和翻转课堂教学完成后的能力评价的综合得分；计算学生在翻转课堂教学前后的能力评价的综合得分差值；假设，基于构建的技能能力评价模型，计算出这名学生使用翻转课堂教学之前的技能评价综合得分为80，翻转课堂教学完成后的能力评价的综合得分为90，那么学生在翻转课堂教学前后的能力评价的综合得分差值为10。
步骤107，根据翻转课堂教学效果调整教学类型。
基于计算出的教学前后学生能力差值，进行概率和分值的纵、横向对比分析。从能力需求的创新、应用和知识记忆三个维度的权重值与学生教学前后在三个维度的频率分布情况相结合的角度进行比较分析，确定教学效果；结合企业人才需求变动的频率分布的拟合情况，若偏离程度超过预设的阈值则重新进行预测，并根据新的预测结果，调整课堂学***均得分提高、高分段学生数量提高或低分段学生数量降低，如平均分数从60变为80，平均分数在100-80分数段的学生人数由3人变为10人，平均分数在80-60分数段的学生由5人变为3人，则认为该翻转课堂取得成效。
基于计算分数的分布制定标准。
将计算分数转化为每个翻转课堂不同维度得分的概率矩阵。将每个维度的权重值与该概率向量相乘，并进行归一化运算，得到该翻转课堂中，学生不同维度的分数分布情况。根据分数分布情况划分能力提升的标准，以预设阈值人数的学生进步预设阈值分数以上作为该课堂能够提升学生能力的标准。例如对每位学生的分数变化进行赋值，每个维度每上升一个分数段赋分1分，与各维度权重值相乘得到分数值变化情况，如各维度均上升一个分数段，从(2，3，4)上升至(3，4，5)，则与权重值相乘后，上升分数为1分。成功标准为60％的学生提升1分以上，如30名学生参加该课程的学习，则需要达到18名学生提升一分以上。
根据标准分析是否继续使用该混合比例的翻转课堂教学。
如果成绩的概率大于等于教学目标，就可以认为通过这个翻转课堂的教学可以满足相应知识领域招聘企业所需要的技能需求。如果成绩的概率小于教学目标，则通过翻转课堂的学习，并未成功获得招聘企业所需的技能，可以参考同一领域达到标准的翻转课堂教学模式进行改正，或采取其他教学方式。针对各模式在混合教学中的比例进行敏感性分析，对敏感性分析最终的结果进行排序，选取最佳结果进行调整。例如，对于每门翻转课堂，成功标准为60％的学生提升1分以上，提升“4分”的概率+“3分”的概率+“2分”的概率+“1分”的概率>＝0.6，就认为学生可以通过该翻转课堂成功获取这一课程对应的企业所需技能。
结合企业能力需求预测情况调整混合教学比例。
根据测试种学生表现和课后作业情况，得到教学策略推荐结果。对企业能力需求和学生能力提升情况分别进行拟合，将学生整体能力指数作为输入层，进行量化分级，作为离线模型进行训练，根据企业能力需求对其进行调整，更新在线模型，最终改变教学策略的调整。最终调整混合教学中各建学模式的比例，得到各教学方式比例确定的整体教学策略推荐结果。教学策略推荐是基于DNN和XGBoost的融合模型的智能推荐模块，能够量化学生作业水平和教师策略影响，并建立推理关系。教师可根据相关信息改善教学内容、修订课程标准、制定教学计划以及人才培养方案等，提高教学水平,不同教师即便采用相同的策略也会产生不同的效果，因此该模型是针对每个教师构建的专有教学模型。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于数据挖掘的翻转课堂混合教学方法，其特征在于，所述方法包括：
挖掘企业不同岗位需求数量与技能需求变动；将企业技能需求变动转换为时间序列知识需求分布，所述将企业技能需求变动转换为时间序列知识需求分布，具体包括：挖掘企业招聘操作类和认知类需求，预测企业操作类和认知类需求；分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息；标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取，所述标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取，具体包括：进行词语标注，获取领域知识结构，判断知识需求与教学内容是否匹配；构建技能能力评价模型，所述构建技能能力评价模型，具体包括：筛选招聘所需知识需求维度的关键词，根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价，结合图像识别技术和语音识别技术进行学生操作类型技能能力评价，采用模糊变换方法进行学生技能能力综合评价；
所述结合图像识别技术和语音识别技术进行学生操作类型技能能力评价，具体包括:
在获得校方及师生授权同意之后，通过摄像机或者其他设备采集学生的课堂图像和课堂语音；分别从三个维度收集企业招聘知识需求的关键词，采集与关键词对应的课堂图像和课堂语音，获取学生在不同场景下的实际操作过程的图像和语音数据，并为其打标签；使用预处理技术从原始图像中提取有关学生操作过程的特征信息；使用深度学***均得分的计算，最终得到学生各个维度的的操作类型技能能力得分；
所述采用模糊变换方法进行学生技能能力综合评价，具体包括:
设定综合评价维度集合R和评分集合Z；按列整合每位学生评分集合，得到每位学生三个维度的模糊矩阵R；将权重值与模糊矩阵相乘，进行模糊变换，得到最终的综合评价值；验证使用新收集的数据,论证企业人才需求预测结果，判断内容主要包括:预测的主要依据是否充分，预测的方法是否恰当、科学，预测结果是否可靠岗位学历规范建立是否合理，预测结果是否可靠；如预测结果与实际不符，则重复预测过程,进行数学模型的调整，最终得出准确、可靠的预测结果；对于企业技能预测部份，收集现有的数据作为测试集进行拟合预测，与使用本文方法进行预测的结果进行效果比对，判断是否符合要求，否则重新预测；
基于能力评价模型计算教学前后能力差；根据翻转课堂教学效果调整教学类型，所述根据翻转课堂教学效果调整教学类型，具体包括：基于计算分数的分布制定标准，根据标准分析是否继续使用该混合比例的翻转课堂教学，结合企业能力需求预测情况调整混合教学比例。
2.根据权利要求1所述的方法，其中，所述挖掘企业不同岗位需求数量与技能需求变动，包括:
企业招聘基础数据包括岗位名称、数量、岗位内容和岗位要求的文本数据，通过招聘网站和APP获取每条招聘信息包含的数据；针对操作类需求和认知类需求，以月为单位收集企业招聘基础数据，以形成的需求变动的数据；使用ETL方法进行数据预处理，保留包含岗位名称、数量、岗位内容和岗位要求的文本数据；将利用ETL方法与处理的数据利用Jieba库，对岗位要求和岗位内容的文本数据进行分词处理；对分词处理后的文本数据进行数据清洗，去除停用词等，通过POS标记，使用字典为每个单词分配词性列表，使用歧义消除规则将列表分类为每个单词的词性；基于每个单词的词性分类，使用NLP方法,提取各岗位的技能需求特征词，将特征词文本化为N维的向量。
3.根据权利要求1所述的方法，其中，所述将企业技能需求变动转换为时间序列知识需求分布，包括:
利用Web文本挖掘技术，获取各具体职业岗位的招聘信息的知识体系，其中各具体职业岗位的职业能力需求、课程职业能力目标和知识目标需要有对应模块的知识体系以匹配课程教学内容；针对每年招聘的不同企业，以年为单位统计关键词频数，绘制知识时间序列的变动需求分布图；包括：挖掘企业招聘操作类和认知类需求；预测企业操作类和认知类需求；
所述挖掘企业招聘操作类和认知类需求，具体包括:
使用SVM算法，利用岗位大类名称为标签，将这个方案中的特征词文本化为N维的向量划分为训练集和测试集，以70%作为训练集，30%作为测试集，然后采用基于高斯径向基核函数的SVM进行机器学习分类；对于通过SVM进行机器学习分类的结果，应用Web文本挖掘技术，逐一获取各专业的知识体系,根据上述过程进行岗位间的分类综合分析，构建岗位大类下具体岗位的分布体系；
所述预测企业操作类和认知类需求，具体包括:
将已收集到的特征词文本化为N维的向量转化而来的的定量数据，作为训练数据输入；使用lightGBM算法建立预测模型,遍历训练数据，计算每个离散值在直方图中的累计统计量，在进行特征选择时，根据直方图的离散值，遍历寻找最优的分割点，得到最终预测结果；根据训练数据确定该预测模型的主要参数，将数据输进预测模型综合运算，通过调整参数，得出预测结果。
4.根据权利要求1所述的方法，其中，所述分别按照认知类需求和操作类需求挖掘翻转课堂教学内容信息，包括:
从操作类需求和认知类需求两个角度，以“翻转课堂应用”“翻转课堂实践”等为关键词，收集翻转课堂目前应用在哪些知识领域教学的信息；基于收集到的各学科知识领域教学的信息，收集该学科领域的课程名称、知识点名称，建立专业分类词库，以拓展建立的课程词库；对上述收集到的翻转课堂的信息进行数据清洗，通过NLP，对筛选出的信息进行文本分析，建立翻转课堂教学内容的词库；基于所建立的翻转课堂内容的词库，提取出每一门翻转课堂的教学内容特征词，以此作为其具体教学内容。
5.根据权利要求1所述的方法，其中，所述标记知识点分类与教学分类，判断各技能能否通过该种混合比例的翻转课堂获取，包括:
所述特征词文本化为N维的词向量中包括招聘所需知识点的特征词语，对所述招聘所需知识点的特征词语逐一在教学内容的词库中进行匹配，获得可精准匹配的特征词和无法精准匹配的特征词；对所述无法精准匹配的特征词，使用Apriori算法扫描教学内容的词库，统计一级候选项集的出现次数，消除不满足条件的候选集，在一级频繁集上，生成二级候选集，扫描数据率，统计二级候选项集的出现次数，依次循环，最终挖掘所需知识点与这一领域的教学内容的关联程度；若所需技能对应的知识特征词语在词库中可以找到相匹配的词语，则可以找到合适的翻转课堂进行教学，在翻转课堂内容中寻找匹配的词语，否则，需要优化翻转课堂教学模式，重新进行评估；包括：进行词语标注，获取领域知识结构；判断知识需求与教学内容是否匹配；
所述进行词语标注，获取领域知识结构，具体包括:
对翻转课堂涉及的专业进行数据搜索，收集专业知识文本信息；利用文本分析，对收集到的专业知识文本信息进行处理，标记不同专业知识的术语，建立专业知识体系词库，获取领域知识结构；
所述判断知识需求与教学内容是否匹配，具体包括:
分析翻转课堂教学内容与企业招聘知识需求的之间的匹配程度，将能力需求词向量与教学内容的词向量间的相似度作为文本间的匹配度，以此建立匹配模型；若该翻转课堂教学内容与企业招聘知识需求成功匹配,则用特定数值进行标注；若该翻转课堂教学内容与企业招聘知识需求未匹配成功，则用另一特定数值进行标注。
6.根据权利要求1所述的方法，其中，所述构建技能能力评价模型，包括:
根据招聘需求，确定需要评估的技能能力和相应的知识需求，将招聘所需的技能能力对应的知识需求分为通用基础知识、业务领域知识和专业前沿领域知识三个维度；通过筛选通用基础知识、业务领域知识和专业前沿领域知识三个维度的关键词，制定学生技能能力评价指标；通过设计不同的评价题目，客观和准确反映应聘者的认知能力和知识水平，对认知型技能进行评价；通过图像和语音的形式，收集学生在学***评价具有模糊性的特点，采用模糊变换的评价方法，综合考虑各项评价指标，并根据学生的数据特征，构建出学生技能能力评价模型，通过输入学生在创新、应用和基础知识记忆三个维度对应的认知类技能能力得分和操作类技能能力得分，得到学生的综合分数；包括：筛选招聘所需知识需求维度的关键词；根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价；结合图像识别技术和语音识别技术进行学生操作类型技能能力评价；采用模糊变换方法进行学生技能能力综合评价；
所述筛选招聘所需知识需求维度的关键词，具体包括:
根据企业招聘要求清单，筛选出与学生技能能力相关的关键词；将筛选出来的关键词分类整合，形成涵盖通用基础知识、业务领域知识和专业前沿领域知识三个维度的综合关键词列表；选取关键词作为技能能力评价指标，定义权重；
所述根据技能能力评价指标设计题目对学生的认知类型技能能力进行评价，具体包括:
分别从三个维度收集企业招聘知识需求的关键词，以关键词为索引词，结合教学经验与机器推荐拟定题目定性评价；基于企业招聘知识需求频数分布，进行归一化；在对每个指标进行定义权重以后，细化评价标准和评分规则，利用线上或线下测试，从0分到10分对每个关键词对应的题目分别递归判断并设置标准分值；在对所有关键词对应的操作进行打分后，进行总体平均得分的计算，最终得到学生各个维度的的认知类型技能能力得分。
7.根据权利要求1所述的方法，其中，所述基于能力评价模型计算教学前后能力差，包括:
在使用翻转课堂教学之前和翻转课堂教学完成后的文本、图像、语音分别对学生进行能力评价；计算每个学生在创新、应用和基础知识记忆三个维度的使用翻转课堂教学之前分数和翻转课堂教学完成后的分数，记录评价得分数据；利用构建的技能能力评价模型，计算每个学生在使用翻转课堂教学之前的能力评价的综合得分和翻转课堂教学完成后的能力评价的综合得分；计算学生在翻转课堂教学前后的能力评价的综合得分差值。
8.根据权利要求1所述的方法，其中，所述根据翻转课堂教学效果调整教学类型，包括:
基于计算出的教学前后学生能力差值，进行概率和分值的纵、横向对比分析；从能力需求的创新、应用和知识记忆三个维度的权重值与学生教学前后在三个维度的频率分布情况相结合的角度进行比较分析，确定教学效果；结合企业人才需求变动的频率分布的拟合情况，若偏离程度超过预设的阈值则重新进行预测，并根据新的预测结果，调整课堂学习的内容；包括：基于计算分数的分布制定标准；根据标准分析是否继续使用该混合比例的翻转课堂教学；结合企业能力需求预测情况调整混合教学比例；
所述基于计算分数的分布制定标准，具体包括:
将计算分数转化为每个翻转课堂不同维度得分的概率矩阵；将每个维度的权重值与该概率向量相乘，并进行归一化运算，得到该翻转课堂中，学生不同维度的分数分布情况；根据分数分布情况划分能力提升的标准，以预设阈值人数的学生进步预设阈值分数以上作为该课堂能够提升学生能力的标准；
所述根据标准分析是否继续使用该混合比例的翻转课堂教学，具体包括:
如果成绩的概率大于等于教学目标，就可以认为通过这个翻转课堂的教学可以满足相应知识领域招聘企业所需要的技能需求；如果成绩的概率小于教学目标，则通过翻转课堂的学习，并未成功获得招聘企业所需的技能，可以参考同一领域达到标准的翻转课堂教学模式进行改正，或采取其他教学方式；针对各模式在混合教学中的比例进行敏感性分析，对敏感性分析最终的结果进行排序，选取最佳结果进行调整；
所述结合企业能力需求预测情况调整混合教学比例，具体包括:
根据测试中学生表现和课后作业情况，得到教学策略推荐结果；对企业能力需求和学生能力提升情况分别进行拟合，将学生整体能力指数作为输入层，进行量化分级，作为离线模型进行训练，根据企业能力需求对其进行调整，更新在线模型，最终改变教学策略的调整；最终调整混合教学中各建学模式的比例，得到各教学方式比例确定的整体教学策略推荐结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310411785.0A CN116523225B (zh) | 2023-04-18 | 2023-04-18 | 一种基于数据挖掘的翻转课堂混合教学方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310411785.0A CN116523225B (zh) | 2023-04-18 | 2023-04-18 | 一种基于数据挖掘的翻转课堂混合教学方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523225A CN116523225A (zh) | 2023-08-01 |
| CN116523225B true CN116523225B (zh) | 2024-01-23 |
Family
ID=87402274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310411785.0A Active CN116523225B (zh) | 2023-04-18 | 2023-04-18 | 一种基于数据挖掘的翻转课堂混合教学方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523225B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512864A (zh) * | 2016-01-28 | 2016-04-20 | 丁沂 | 一种基于互联网的岗位职业能力需求的自动获取方法 |
| CN107590133A (zh) * | 2017-10-24 | 2018-01-16 | 武汉理工大学 | 基于语义的招聘职位与求职简历匹配的方法及*** |
| CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
| CN108280583A (zh) * | 2018-01-26 | 2018-07-13 | 重庆工商大学 | 基于大数据的岗位技能需求分析方法 |
| CN112132536A (zh) * | 2020-08-31 | 2020-12-25 | 三盟科技股份有限公司 | 一种岗位推荐方法、***、计算机设备及存储介质 |
| CN112686789A (zh) * | 2021-01-11 | 2021-04-20 | 重庆电子工程职业学院 | 一种高校课堂教学效果智能化评价方法 |
| CN112861530A (zh) * | 2021-03-17 | 2021-05-28 | 华南农业大学 | 一种基于文本挖掘的课程设置分析方法 |
| CN113886588A (zh) * | 2021-10-20 | 2022-01-04 | 华南农业大学 | 一种基于招聘文本挖掘的专业主要就业方向识别方法 |
| CN114282056A (zh) * | 2021-12-08 | 2022-04-05 | 华特数字科技有限公司 | 一种互动式翻转课堂教学方法及*** |
| CN115330568A (zh) * | 2022-10-14 | 2022-11-11 | 北京师范大学 | 一种智能教室教学质量评测***及方法 |
-
2023
- 2023-04-18 CN CN202310411785.0A patent/CN116523225B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512864A (zh) * | 2016-01-28 | 2016-04-20 | 丁沂 | 一种基于互联网的岗位职业能力需求的自动获取方法 |
| CN107590133A (zh) * | 2017-10-24 | 2018-01-16 | 武汉理工大学 | 基于语义的招聘职位与求职简历匹配的方法及*** |
| CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
| CN108280583A (zh) * | 2018-01-26 | 2018-07-13 | 重庆工商大学 | 基于大数据的岗位技能需求分析方法 |
| CN112132536A (zh) * | 2020-08-31 | 2020-12-25 | 三盟科技股份有限公司 | 一种岗位推荐方法、***、计算机设备及存储介质 |
| CN112686789A (zh) * | 2021-01-11 | 2021-04-20 | 重庆电子工程职业学院 | 一种高校课堂教学效果智能化评价方法 |
| CN112861530A (zh) * | 2021-03-17 | 2021-05-28 | 华南农业大学 | 一种基于文本挖掘的课程设置分析方法 |
| CN113886588A (zh) * | 2021-10-20 | 2022-01-04 | 华南农业大学 | 一种基于招聘文本挖掘的专业主要就业方向识别方法 |
| CN114282056A (zh) * | 2021-12-08 | 2022-04-05 | 华特数字科技有限公司 | 一种互动式翻转课堂教学方法及*** |
| CN115330568A (zh) * | 2022-10-14 | 2022-11-11 | 北京师范大学 | 一种智能教室教学质量评测***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523225A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nieto et al. | Supporting academic decision making at higher educational institutions using machine learning-based algorithms | |
| CN107230174B (zh) | 一种基于网络的在线互动学习***和方法 | |
| CN109858797B (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 | |
| CN111325529A (zh) | 一种基于人才测评的人岗匹配方法及*** | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN111401828A (zh) | 一种强化排序的动态智能面试方法、装置、设备及计算机存储介质 | |
| PIAD | DETERMINING THE DOMINANT ATTRIBUTES OF INFORMATION TECHNOLOGY GRADUATES EMPLOYABILITY PREDICTION USING DATA MINING CLASSIFICATION TECHNIQUES. | |
| Wilson et al. | Classification of open-ended responses to a research-based assessment using natural language processing | |
| Liu | Data Analysis of Educational Evaluation Using K‐Means Clustering Method | |
| Peng | Research on online learning behavior analysis model in big data environment | |
| Alowaigl et al. | A multi-criteria assessment of decision support systems in educational environments | |
| 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 | |
| Wang | Analysis and prediction of CET4 scores based on data mining algorithm | |
| CN116523225B (zh) | 一种基于数据挖掘的翻转课堂混合教学方法 | |
| Muraina et al. | Forecasting Students’ Job Placement using Data Science Paradigms | |
| Koyuncu et al. | Comparison of data mining classification algorithms on educational data under different conditions | |
| CN113822774A (zh) | 一种财务教学***及其使用方法、计算机可读存储介质 | |
| Carmen | Data analysis of short-term and long-term online activities in LMS | |
| Mahboob et al. | A comparative study of engineering students pedagogical progress | |
| Sanmorino et al. | Building Research Productivity Framework in Higher Education Institution | |
| CN116109456B (zh) | 一种智慧教育综合评价方法、***、电子设备及存储介质 | |
| Khadragy et al. | Adaptive Network Based Fuzzy Inference System and the Future of Employability | |
| Aru et al. | Exploiting the Core Academic Performance Prediction Parameters Using a Neuro-Fuzzy Model | |
| CN117726485B (zh) | 一种基于大数据的智适应教育学习方法及*** | |
| Zhu | Reform and Practice of Public English Examination Mode in Colleges and Universities Using Big Data Analysis and Speech Recognition |
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 |