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() 基于机器学习的教育教学资源动态分配管理系统及方法技术方案_技高网

基于机器学习的教育教学资源动态分配管理系统及方法技术方案

技术编号:44062691 阅读:3 留言:0更新日期:2025-01-17 16:02
本发明专利技术公开了基于机器学习的教育教学资源动态分配管理系统及方法,涉及资源分配管理领域,本发明专利技术通过对当前资源特征数据集矩阵以及当前需求者特征数据集矩阵进行聚类操作,获取可以反映出每种教育教学资源以及每种教育教学资源需求者的特征分类中心数据,为后续进行教育教学资源与教育教学资源需求者匹配提供了数据支持;通过构建最终学生成绩等级映射方程,为后续进行教育教学资源与教育教学资源需求者匹配提供了映射工具;若满足要求的最佳的学生成绩等级数据的数量不满足要求时,重新对上述进行聚类操作得到的聚类中心数据进行优化,从而使得大多数类型的教育教学资源需求者都能匹配到最合适的教育教学资源类型。

【技术实现步骤摘要】

本专利技术属于资源分配管理领域,具体来说,特别涉及基于机器学习的教育教学资源动态分配管理系统及方法


技术介绍

1、中国专利cn111861265b公开了基于全局搜索算法的教学资源在线分配方法及计算机系统,包括获取班级信息、资源信息、课程信息以及课时数并对资源信息进行整合分类,对初始化数据进行降维处理;对教学班级、教学课程、教学资源之间的分配关系、次序进行迭代调优,得到分配结果;将分配结果统计整理形成分配列表后输出。

2、目前随着互联网的普及,学生学习的方式以及对应的教育教学资源类型的多样性大幅增加;然而,每种教育教学资源类型的适应学生人群不同,若不能为不同类型的教育教学资源需求者分配与其最为匹配的教育教学资源,导致学习效果不佳,进而影响成绩。


技术实现思路

1、针对相关技术中的问题,本专利技术提出基于机器学习的教育教学资源动态分配管理系统及方法,以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题,本专利技术是通过以下技术方案实现的:

3、本专利技术为基于机器学习的教育教学资源动态分配管理方法,包括以下步骤:

4、s1、采集当前多种教育教学资源类型以及教育教学资源需求者类型对应的特征数据,得到当前资源特征数据集矩阵以及当前需求者特征数据集矩阵;

5、s2、对当前资源特征数据集矩阵以及当前需求者特征数据集矩阵进行聚类操作,得到资源特征数据分类中心矩阵集以及需求者特征数据分类中心矩阵集;

6、s3、配合当前资源特征数据集矩阵以及当前需求者特征数据集矩阵采集历史多种教育教学资源类型、教育教学资源需求者类型的特征数据以及对应的历史学生成绩等级数据,得到历史资源特征数据矩阵、历史需求者特征数据矩阵以及学生成绩等级数据集;再根据历史资源特征数据矩阵、历史需求者特征数据矩阵以及学生成绩等级数据集构建最终学生成绩等级映射方程;

7、s4、根据最终学生成绩等级映射方程对资源特征数据分类中心矩阵集以及需求者特征数据分类中心矩阵集进行映射并筛选,得到资源特征匹配数据矩阵集以及最优学生成绩等级映射数据矩阵;根据最优学生成绩等级映射数据矩阵对资源特征数据分类中心矩阵集以及需求者特征数据分类中心矩阵集进行优化;

8、由于教育教学资源有多种类型,不同类型的教育教学资源的最佳使用场景也不同;相对应的,教学资源的需求者因自身的条件不同,若要达到最佳的教学效果,所需要的教育教学资源的类型也不同;基于上述,本方案中通过定义教育教学资源的特征以及教育教学资源需求者的特征以区别不同的类型的教育教学资源以及教育教学资源需求者;并根据所定义出的教育教学资源类型、教育教学资源特征类型、教育教学需求者类型以及教育教学需求者特征类型来采集不同类型教育教学资源以及教育教学资源需求者的特征数据,为后续聚类操作提供了数据基础;通过对当前资源特征数据集矩阵以及当前需求者特征数据集矩阵进行聚类操作,获取可以反映出每种教育教学资源以及每种教育教学资源需求者的特征分类中心数据,不仅降低了数据的复杂性,为后续进行教育教学资源与教育教学资源需求者匹配提供了数据支持;由于学生的成绩可以直接的反映出当前的教育教学资源是否与当前教育教学资源需求者是否匹配,因此本方案中通过采集历史多种教育教学资源类型、教育教学资源需求者类型的特征数据以及对应的历史学生成绩等级数据,通过这些数据来对构建的学生成绩等级映射方程进行优化,使得得到的最终学生成绩等级映射方程可以将教育教学资源类型以及教育教学资源需求者类型的特征数据与学生成绩等级数据之间可以进行准确的映射,为后续进行教育教学资源与教育教学资源需求者匹配提供了映射工具;当匹配完成后,若满足要求的最佳的学生成绩等级数据的数量不满足要求时,重新对上述进行聚类操作得到的聚类中心数据进行优化,从而使得大多数类型的教育教学资源需求者都能匹配到最合适的教育教学资源类型。

9、优选地,所述s1包括以下步骤:

10、s11、设定多种教育教学资源类型以及对应的多种特征类型,得到资源类型集以及资源特征类型集;

11、再设定多种教育教学资源需求者类型以及对应的多种特征类型,得到资源需求者类型集以及需求者特征类型集;

12、s12、根据所述资源类型集以及资源特征类型集采集当前多种类型的教育教学资源的特征数据,得到当前资源特征数据集矩阵;

13、s13、根据所述资源需求者类型集以及需求者特征类型集采集当前多种类型的教育教学资源需求者的特征数据,得到当前需求者特征数据集矩阵;

14、资源类型集中包括教科书、参考书、课外读物、在线课程、数学解题软件、语言学习应用、电子书、学术论文、期刊文章、教育视频、音频讲座、动画、虚拟实验室、科学实验室、艺术工作室、实习基地、教师的专业指导、辅导和反馈、学习管理系统、游戏化学习资源、学习小组、在线论坛以及学术社区等;需求者特征类型集中包括学生、终身学习者、特殊教育需求者等;资源特征类型集中包括文本占比特征、图片占比特征、声音占比特征、视频占比特征、互动媒体占比特征、数字占比特征、实体占比特征、人力占比特征以及环境占比特征等;需求者特征类型集中包括系统性和全面性特征、实证研究导向特征、理论与实践相结合特征、关注教育公平特征、技术整合能力特征、数据驱动的决策支持特征、跨学科视角特征、政策敏感性特征、持续更新和迭代特征以及国际视野特征等;

15、优选地,所述s2包括以下步骤:

16、s21、对所述资源特征数据集矩阵中每种类型的教育教学资源的特征数据集进行聚类操作,得到资源特征数据分类中心矩阵集;

17、s22、对所述需求者特征数据集矩阵中每种类型的教育教学资源需求者的特征数据集进行聚类操作,得到需求者特征数据分类中心矩阵集;

18、在同种类型的教育教学资源以及教育教学资源需求者之间也存在不同的种类,这些不同种类导致即便是同种类型的教育教学资源需求者对于教育教学资源的需求也不尽相同;因此,本方案中通过对采集的每种类型的教育教学资源类型以及教育教学资源需求者类型中的多个教育教学资源特征数据以及教育教学资源需求者特征数据进行聚类操作,为后续进行需求者与资源之间的匹配通过了数据依据。

19、优选地,所述s21包括以下步骤:

20、s211、设定第一初始簇数量集;

21、s212、根据所述第一初始簇数量集并采用k均值算法分别对资源特征数据集矩阵中每种类型的教育教学资源的特征数据集进行聚类操作,得到资源特征数据分类中心矩阵集;

22、优选地,所述s22包括以下步骤:

23、s221、设定第二初始簇数量集;

24、s222、根据所述第二初始簇数量集并采用k均值算法分别对需求者特征数据集矩阵中每种类型的教育教学资源需求者的特征数据集进行聚类操作,得到需求者特征数据分类中心矩阵集;

25、k均值算法的原理相对简单,且在处理大量数据时仍然能够保持较高的效率,能够产生紧凑且分本文档来自技高网...

【技术保护点】

1.基于机器学习的教育教学资源动态分配管理方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述S1包括以下步骤:

3.根据权利要求2所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述S2包括以下步骤:

4.根据权利要求3所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述S3包括以下步骤:

5.根据权利要求4所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述S33包括以下步骤:

6.根据权利要求5所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,S333中对所述初始学生成绩等级映射方程进行优化包括以下步骤:

7.根据权利要求6所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所示S4包括以下步骤:

8.根据权利要求7所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述S42包括以下步骤:

9.根据权利要求8所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,S421中对所述资源特征数据分类中心矩阵集以及需求者特征数据分类中心矩阵集进行优化调整采用斑点鬣狗优化算法。

10.一种实现如权利要求1-9任一项所述的基于机器学习的教育教学资源动态分配管理方法的系统。

...

【技术特征摘要】

1.基于机器学习的教育教学资源动态分配管理方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述s1包括以下步骤:

3.根据权利要求2所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述s2包括以下步骤:

4.根据权利要求3所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述s3包括以下步骤:

5.根据权利要求4所述的基于机器学习的教育教学资源动态分配管理方法,其特征在于,所述s33包括以下步骤:

6.根据权利要求5所述的基于机器学习的教育教学资源动态分配管理方法...

【专利技术属性】
技术研发人员:段玉珍张学和黄敏
申请(专利权)人:中国科学技术大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1