System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及教学分析,尤其涉及一种基于大数据的教学分析方法及系统。
技术介绍
1、目前,各高校的教务系统都具有学生评教的功能,学生评教数据库中存储的评教数据多达几十万、上千万,而且随着时间的前进,各种教学活动也开始不断进行,这些数据还在急剧上升,数据量之大可想而知。
2、然而,如此庞大的数据却被闲置在很多高校的教学服务体系中,基本没有发挥任何作用,即使被利用,也基本是作为评奖、评优、职称晋升的必要条件,数据应用简单化,但这只是这些数据存储的真正意义和价值的冰山一角,远远没有发挥其应有的价值,对于教师的教学水平的评测也只是依靠学生对于老师打分以及学生的考试成绩来评价,这不仅不能够对评教数据库中的评教数据进行充分的利用,而且这种评价方式也过于的单一,评价结果也不够准确,不利于提高教学质量和效果。
技术实现思路
1、针对现有技术存在的不足,本专利技术的目的在于提供一种基于大数据的教学分析方法及系统,旨在解决上述技术问题。
2、为了实现上述目的,本专利技术采用了如下技术方案:
3、第一方面,一种基于大数据的教学分析方法,包括以下步骤:
4、获取所有学生对所有教师的网络评分数据;
5、对所述网络评分数据进行预处理,以得到网络评分预处理数据;
6、对所述网络评分预处理数据进行特征提取,以得到特征数据;
7、对所述特征数据进行样本划分,以得到分类样本数据;
8、利用所述分类样本数据对预设的分类模型进
9、根据所有学生分别对教师的网络评分数据,以及教学水平分类模型,以得到对应教师的教学水平。
10、优选地,所述网络评分数据包括教学态度评分数据集、教师素质评分数据集、教学内容评分数据集、教学方法评分数据集和教学效果评分数据集。
11、优选地,对所述网络评分数据进行预处理,以得到网络评分预处理数据,包括:
12、识别网络评分数据中含有缺失值的样本;
13、根据每个含有缺失值的样本,通过欧氏距离计算缺失值的样本与所有完整样本之间的距离;
14、根据距离,确定与样本距离最近的k个样本作为邻居;
15、根据k个邻居的已知值,通过取平均值预测样本的缺失值;
16、将预测出的缺失值填充到原始数据中的缺失位置,得到填充后的数据;
17、对填充后数据转换到统一的尺度上,以得到归一化数据;
18、从归一化数据中提取出对分析任务有用的特征,以得到网络评分预处理数据。
19、优选地,对所述网络评分预处理数据进行特征提取,以得到特征数据,包括:
20、根据用户id对预处理后的网络评分数据进行分组;
21、对于每个用户的评分子集,计算特定时间段内的评分数据;
22、根据评分数据,计算每个用户在特定时间段内的平均评分;
23、根据评分数据,计算每个用户在特定时间段内评分的标准差;
24、对每个用户的评分数据按时间戳进行排序,计算相邻评分之间的差异,以得到每个用户的评分趋势。
25、优选地,根据每个含有缺失值的样本,通过欧氏距离计算缺失值的样本与所有完整样本之间的距离,包括:
26、从含有缺失值的样本集合中确定一个样本作为目标样本;
27、对于数据集中的每一个完整样本,计算样本与目标样本之间的距离
28、其中,ii是特征i的重要性;σi是特征i的尺度因子,γi是一个介于0和1之间的参数,β是一个调整参数,ai是特征i的非线性指数,xi和yi分别是样本x和样本y在第i个特征上的值。
29、优选地,根据距离,确定与样本距离最近的k个样本作为邻居,包括:
30、将距离按从小到大的顺序排序,以得到距离列表;
31、从距离列表中,选择前k个样本作为给定样本的最近邻居。
32、优选地,根据k个邻居的已知值,通过取平均值预测样本的缺失值,包括:
33、预测样本x在特征f上的缺失值,样本x的k个最近邻分别为(y1,y2,…,yk),且在特征f上的已知值分别为每个邻居yi到样本x的距离为d(x,yi),对应的权重为wi,则样本x在特征f上的缺失值的计算公式为:
34、
35、
36、其中,σ是高斯核的宽度参数。
37、第二方面,一种基于大数据的教学分析系统,包括:
38、获取模块,用于获取所有学生对所有教师的网络评分数据;对所述网络评分数据进行预处理,以得到网络评分预处理数据;对所述网络评分预处理数据进行特征提取,以得到特征数据;
39、处理模块,用于对所述特征数据进行样本划分,以得到分类样本数据;利用所述分类样本数据对预设的分类模型进行训练和测试,通过深度学习方法,并结合神经网络模型,得到教学水平分类模型;根据所有学生分别对教师的网络评分数据,以及教学水平分类模型,以得到对应教师的教学水平。
40、第三方面,一种计算设备,包括:
41、一个或多个处理器;
42、存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的方法。
43、第四方面,一种计算机可读存储介质,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现上述任一项所述的方法。
44、综上所述,由于采用了上述技术方案,本专利技术的有益效果是:
45、通过对网络评分数据进行预处理,包括缺失值处理和数据填充,能够提高学生对教师的网络评分数据的完整性和准确性,从而确保后续分析的可靠性。
46、通过根据用户id对数据进行分组,并计算特定时间段内的平均评分、评分标准差以及评分趋势等特征,有助于深入了解每个学生的评价习惯和变化趋势,从而一定程度上提高了对教学水平分类模型对教师教学水平分类的准确性。
47、通过结合学生对教师的网络评分数据和教学水平分类模型,从而可对网络评分数据进行充分的利用,同时可以客观评估教师的教学水平,为学校管理部门和教师个人提供重要参考依据,有助于提高教学质量和效果。
48、通过对所有学生对教师的网络评分数据的分析得到各个因素对教师教学水平影响程度,从而使得全校的教师能够根据各个因素对教学水平影响程度来调整自身的教学方式,进而方便优化提升教师的教学水平,从而达到提高教学质量的目的。
本文档来自技高网...【技术保护点】
1.一种基于大数据的教学分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于大数据的教学分析方法,其特征在于,所述网络评分数据包括教学态度评分数据集、教师素质评分数据集、教学内容评分数据集、教学方法评分数据集和教学效果评分数据集。
3.根据权利要求2所述的基于大数据的教学分析方法,其特征在于,对所述网络评分数据进行预处理,以得到网络评分预处理数据,包括:
4.根据权利要求3所述的基于大数据的教学分析方法,其特征在于,对所述网络评分预处理数据进行特征提取,以得到特征数据,包括:
5.根据权利要求4所述的基于大数据的教学分析方法,其特征在于,根据每个含有缺失值的样本,通过欧氏距离计算缺失值的样本与所有完整样本之间的距离,包括:
6.根据权利要求5所述的基于大数据的教学分析方法,其特征在于,根据距离,确定与样本距离最近的K个样本作为邻居,包括:
7.根据权利要求6所述的基于大数据的教学分析方法,其特征在于,根据K个邻居的已知值,通过取平均值预测样本的缺失值,包括:
8.一种基于大数据的教学
9.一种计算设备,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
...【技术特征摘要】
1.一种基于大数据的教学分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于大数据的教学分析方法,其特征在于,所述网络评分数据包括教学态度评分数据集、教师素质评分数据集、教学内容评分数据集、教学方法评分数据集和教学效果评分数据集。
3.根据权利要求2所述的基于大数据的教学分析方法,其特征在于,对所述网络评分数据进行预处理,以得到网络评分预处理数据,包括:
4.根据权利要求3所述的基于大数据的教学分析方法,其特征在于,对所述网络评分预处理数据进行特征提取,以得到特征数据,包括:
5.根据权利要求4所述的基于大数据的教学分析方法,其特征在于,根据每...
【专利技术属性】
技术研发人员:傅金波,
申请(专利权)人:广州汇思信息科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。