CN111429005A - 一种基于少量学生反馈的教学评估方法 - Google Patents

一种基于少量学生反馈的教学评估方法 Download PDF

Info

Publication number
CN111429005A
CN111429005A CN202010213449.1A CN202010213449A CN111429005A CN 111429005 A CN111429005 A CN 111429005A CN 202010213449 A CN202010213449 A CN 202010213449A CN 111429005 A CN111429005 A CN 111429005A
Authority
CN
China
Prior art keywords
teaching
evaluation
matrix
sample
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.)
Granted
Application number
CN202010213449.1A
Other languages
English (en)
Other versions
CN111429005B (zh
Inventor
谭嵩
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Bikaqiu Software Technology Co ltd
Original Assignee
Huainan Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huainan Normal University filed Critical Huainan Normal University
Priority to CN202010213449.1A priority Critical patent/CN111429005B/zh
Publication of CN111429005A publication Critical patent/CN111429005A/zh
Application granted granted Critical
Publication of CN111429005B publication Critical patent/CN111429005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于少量学生反馈的教学评估方法，属于教学技术领域，包括构造训练样本集、构造图拉普拉斯矩阵、模型超参数设定、神经网络模型训练、进行教学评估五个主要步骤。传统的教学评估方法主要是对几种输入进行线性加权平均得出，而非考虑学生的真实反馈。与这类传统的方法相比，本发明充分考虑了学生的真实反馈，用学生的评价作为已完成教学课程的最终评价，并从已有的数据中挖掘出适合做教学课程评估的数学模型。由于大部分学生不愿意在课后给教学打分，而且打分缺乏可信度，导致训练数据标签过少与不完整等问题，本发明提供的方法能够应对这类数据集存在缺陷的情况，从而训练出具有较高准确度的评估预测模型。

Description

一种基于少量学生反馈的教学评估方法
技术领域
本发明属于教学技术领域，特别是涉及一种基于少量学生反馈的教学评估方法。
背景技术
教学评估是教学过程中非常重要的一个环节，其评估的准确程度直接影响了教学内容、方式等方面的指定。传统的教学评估方法主要是对几种输入进行线性加权平均得出，而非考虑学生的真实反馈。这些工作相对较多。例如：CN201310113207.5旨在提供一种面向全过程的在线教育服务质量评估方法，以实际系统为依据提供全方位的评价指标和评估方法，实现了评估目标多元化、评价内容多态化、评价方式多样化，更加贴近用户需求。再例如，CN201610564845.2提供一种教学评估方法及系统，通过视频获取包含用户人脸表情的人脸图像，分析人脸表情中是否出现闭眼、点头、和打哈欠的动作，统计闭眼、点头、和打哈欠的动作出现频率，从而根据听课者的状态客观公正的评估教学效果。
然而，一个现实问题是大部分学生不愿意在课后给教学打分，而且打分缺乏可信度。往往评价为高分的课程，其结果是真实的；而评价为低分的课程，其结果可能包含大量的主观情绪，因此可信度较低。本专利旨在解决该问题。
发明内容
本发明的目的在于克服现有技术存在的缺陷，以提高教学评估的准确性。
为实现以上目的，本发明提供一种基于少量学生反馈的教学评估方法，包括如下步骤：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure BDA0002423596380000011
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为
Figure BDA0002423596380000012
评价为“不好”或者缺少评价的样本集合定义为
Figure BDA0002423596380000013
其中x的下标表示不同样本的序号，
Figure BDA0002423596380000014
表示实数域，
Figure BDA0002423596380000015
为评价为“好”的样本数量、n为所有样本数量，u＝n-t为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，t，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure BDA0002423596380000021
其中，xi与xj为样本，i，j∈{1，...，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure BDA0002423596380000022
与N1个特征优化输入偏置
Figure BDA0002423596380000023
Figure BDA0002423596380000024
得到
Figure BDA0002423596380000025
与
Figure BDA0002423596380000026
然后，对每个样本xi计算特征优化中间向量
Figure BDA0002423596380000027
Figure BDA0002423596380000028
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵
Figure BDA0002423596380000029
Figure BDA00024235963800000210
最后，计算特征优化输出权重δ1，当n＜N1时，
Figure BDA00024235963800000211
否则，
Figure BDA00024235963800000212
其中X＝中x1；...；xn]，In为n维单位阵，
Figure BDA00024235963800000213
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure BDA00024235963800000214
与N2个分类判定输入偏置
Figure BDA00024235963800000215
Figure BDA00024235963800000216
得到
Figure BDA00024235963800000217
与
Figure BDA00024235963800000218
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure BDA00024235963800000219
接着，生成分类判定中间矩阵
Figure BDA00024235963800000220
最后，计算分类判定输出权重δ2：当n＜N2时，
Figure BDA00024235963800000221
否则，
Figure BDA00024235963800000222
Figure BDA0002423596380000031
其中，
Figure BDA0002423596380000032
diag(·)表示对角阵，
Figure BDA0002423596380000033
为
Figure BDA0002423596380000034
维单位阵，Ou为u维零矩阵，
Figure BDA0002423596380000035
为n维列向量，其前
Figure BDA0002423596380000036
个元素为1，后u个元素为0；
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值
Figure BDA00024235963800000310
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
其中，所涉及的激活函数τ(a，b，x)为：
Figure BDA0002423596380000037
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。
与已有的技术方案相比，本发明充分考虑了学生的真实反馈，用学生的评价作为已完成教学课程的最终评价，并从已有的数据中挖掘出适合做教学课程评估的数学模型。同时，本发明提供的方法能够应对数据集存在缺陷的情况，从而训练出具有较高准确度的评估预测模型。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本发明方法流程示意图；
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种基于少量学生反馈的教学评估方法，包括如下步骤S1至S5：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure BDA0002423596380000038
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为
Figure BDA0002423596380000039
评价为“不好”或者缺少评价的样本集合定义为
Figure BDA0002423596380000041
其中x的下标表示不同样本的序号，
Figure BDA0002423596380000042
表示实数域，
Figure BDA0002423596380000043
为评价为“好”的样本数量、n为所有样本数量，u＝n-l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure BDA0002423596380000044
其中，xi与xj为样本，i，j∈{1，…，n}，σ>0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2>0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure BDA0002423596380000045
与N1个特征优化输入偏置
Figure BDA0002423596380000046
Figure BDA0002423596380000047
得到
Figure BDA0002423596380000048
与
Figure BDA0002423596380000049
然后，对每个样本xi计算特征优化中间向量
Figure BDA00024235963800000410
Figure BDA00024235963800000411
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵
Figure BDA00024235963800000412
Figure BDA00024235963800000413
最后，计算特征优化输出权重δ1，当n＜N1时，
Figure BDA00024235963800000414
否则，
Figure BDA00024235963800000415
其中X＝[x1；…；xn]，In为n维单位阵，
Figure BDA00024235963800000416
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure BDA00024235963800000417
与N2个分类判定输入偏置
Figure BDA00024235963800000418
Figure BDA00024235963800000419
得到
Figure BDA00024235963800000420
与
Figure BDA00024235963800000421
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure BDA00024235963800000422
接着，生成分类判定中间矩阵
Figure BDA00024235963800000423
最后，计算分类判定输出权重δ2：当n＜N2时，
Figure BDA0002423596380000051
否则，
Figure BDA0002423596380000052
Figure BDA0002423596380000053
其中，
Figure BDA0002423596380000054
diag(·)表示对角阵，
Figure BDA0002423596380000055
为
Figure BDA0002423596380000056
维单位阵，Ou为u维零矩阵，
Figure BDA0002423596380000057
为n维列向量，其前
Figure BDA0002423596380000058
个元素为1，后u个元素为0；
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，…，μ(xn)进行从大到小排列得到μ1≥μ2≥…≥μn，令判定阈值
Figure BDA00024235963800000510
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
优选地，所涉及的激活函数τ(a，b，x)为：
Figure BDA0002423596380000059
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。
具体实施中，样本特征可以包括教学科目、深入程度、是否板书、是否有多媒体、教学考核方式、教师性别、教师年纪、教师学历、作业平均用时、应到人数、互动程度、缺勤率、平均分、上课语言等作为特征。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于少量学生反馈的教学评估方法，其特征在于，包括：
步骤S1、构造训练样本集：
从每个阶段的教学课程中抽取出一个样本
Figure FDA0002423596370000011
其中d为样本的维度，每个阶段的教学课程的综合评价结果作为标签，教学评价包含“好”与“不好”，将所有评价为“好”的样本集合定义为
Figure FDA0002423596370000012
评价为“不好”或者缺少评价的样本集合定义为
Figure FDA0002423596370000013
其中x的下标表示不同样本的序号，
Figure FDA0002423596370000014
表示实数域，
Figure FDA0002423596370000015
为评价为“好”的样本数量、n为所有样本数量，u＝n-l为评价为“不好”或者缺少评价的样本数量，d为样本维度，d，l，n，u均为正整数；
步骤S2、构造图拉普拉斯矩阵：
构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：
Figure FDA0002423596370000016
其中，xi与xj为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤S3、模型超参数设定：
根据实际情况设定模型的超参数：φ，λ1，λ2＞0，判定比γ∈(0，1)，特征优化中间层节点数N1与分类判定中间层节点数N2，其中N1和N2均为正整数；
步骤S4、神经网络模型训练：
步骤S401、构造特征优化网络模块，具体如下：
首先，随机产生N1个特征优化输入权重
Figure FDA0002423596370000017
与N1个特征优化输入偏置
Figure FDA0002423596370000018
Figure FDA0002423596370000019
得到
Figure FDA00024235963700000110
与
Figure FDA00024235963700000111
然后，对每个样本xi计算特征优化中间向量
Figure FDA00024235963700000112
Figure FDA00024235963700000113
其中τ(a，b，x)为激活函数，x表示样本，a为输入权重，b为输入偏置；接着，生成特征优化中间矩阵
Figure FDA00024235963700000114
Figure FDA00024235963700000115
最后，计算特征优化输出权重δ1，当n＜N1时，
Figure FDA00024235963700000116
否则，
Figure FDA00024235963700000117
其中X＝[x1；...；xn]，In为n维单位阵，
Figure FDA00024235963700000118
为N1维单位阵，上标T表示转置；
步骤S402、构造分类判定网络模块，具体如下：
首先，随机产生N2个分类判定输入权重
Figure FDA0002423596370000021
与N2个分类判定输入偏置
Figure FDA0002423596370000022
Figure FDA0002423596370000023
得到
Figure FDA0002423596370000024
与
Figure FDA0002423596370000025
然后，对每个经过特征优化的样本xiδ1计算分类判定中间向量
Figure FDA0002423596370000026
接着，生成分类判定中间矩阵
Figure FDA0002423596370000027
最后，计算分类判定输出权重δ2：当n＜N2时，
Figure FDA0002423596370000028
否则，
Figure FDA0002423596370000029
Figure FDA00024235963700000210
其中，
Figure FDA00024235963700000211
diag(·)表示对角阵，
Figure FDA00024235963700000212
为
Figure FDA00024235963700000213
维单位阵，Ou为u维零矩阵，
Figure FDA00024235963700000214
为n维列向量，其前
Figure FDA00024235963700000215
个元素为1，后u个元素为0；
步骤S403、计算判定阈值，具体如下：
计算样本距离μ(xi)＝|m2(xiδ1)δ2-1|，将μ(x1)，...，μ(xn)进行从大到小排列得到μ1≥μ2≥...≥μn，令判定阈值Γ＝μ[γn]；
步骤S5、进行教学评估：
当一个新的教学课程结束后，抽取出一个新的样本x，求取μ(x)，如果μ(x)≤Γ，则评价为“好”，否则评价为“不好”或不作评价。
2.如权利要求1所述的一种基于少量学生反馈的教学评估方法，其特征在于，所涉及的激活函数τ(a，b，x)为：
Figure FDA00024235963700000216
且所涉及的输入权重a和输入偏置b从零均值的高斯分布中抽样生成。
CN202010213449.1A 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法 Active CN111429005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213449.1A CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213449.1A CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Publications (2)

Publication Number Publication Date
CN111429005A true CN111429005A (zh) 2020-07-17
CN111429005B CN111429005B (zh) 2023-06-02

Family

ID=71549729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213449.1A Active CN111429005B (zh) 2020-03-24 2020-03-24 一种基于少量学生反馈的教学评估方法

Country Status (1)

Country Link
CN (1) CN111429005B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0313186A (ja) * 1989-06-12 1991-01-22 Sanyo Electric Co Ltd 符号化装置
US20100161275A1 (en) * 2008-12-18 2010-06-24 Abb Research Ltd. Trend Analysis Methods and System for Incipient Fault Prediction
CN103226796A (zh) * 2013-04-02 2013-07-31 浙江大学 面向全过程的在线教育服务质量评估方法
CN106384364A (zh) * 2016-08-31 2017-02-08 天津大学 一种基于lpp‑elm的立体图像质量客观评价方法
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
WO2018010434A1 (zh) * 2016-07-13 2018-01-18 华为技术有限公司 一种图像分类方法及装置
US20190325313A1 (en) * 2018-04-20 2019-10-24 Google Llc Systems and Methods for Regularizing Neural Networks
CN110675382A (zh) * 2019-09-24 2020-01-10 中南大学 基于CNN-LapsELM的铝电解过热度识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0313186A (ja) * 1989-06-12 1991-01-22 Sanyo Electric Co Ltd 符号化装置
US20100161275A1 (en) * 2008-12-18 2010-06-24 Abb Research Ltd. Trend Analysis Methods and System for Incipient Fault Prediction
CN103226796A (zh) * 2013-04-02 2013-07-31 浙江大学 面向全过程的在线教育服务质量评估方法
WO2018010434A1 (zh) * 2016-07-13 2018-01-18 华为技术有限公司 一种图像分类方法及装置
CN106384364A (zh) * 2016-08-31 2017-02-08 天津大学 一种基于lpp‑elm的立体图像质量客观评价方法
CN107067388A (zh) * 2016-08-31 2017-08-18 天津大学 一种基于ga‑elm的立体图像质量客观评价方法
US20190325313A1 (en) * 2018-04-20 2019-10-24 Google Llc Systems and Methods for Regularizing Neural Networks
CN110675382A (zh) * 2019-09-24 2020-01-10 中南大学 基于CNN-LapsELM的铝电解过热度识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
FAXIAN CAO等: "Sparse Representation-Based Augmented Multinomial Logistic Extreme Learning Machine With Weighted Composite Features for Spectral–Spatial Classification of Hyperspectral Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
LIYANAARACHCHI LEKAMALAGE CHAMARA KASUN等: "Dimension reduction with extreme learning machine", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
MEIYI LI等: "Data Distribution Based Weighted Extreme Learning Machine", 《ICMLT 2019: PROCEEDINGS OF THE 2019 4TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING TECHNOLOGIES》 *
丁世飞等: "拉普拉斯多层极速学习机", 《软件学报》 *
张钰等: "多任务学习", 《计算机学报》 *
戴鹏: "高校体育在新教学理念下的教学评价分析", 《赤峰学院学报(自然科学版)》 *
袁非牛等: "自编码神经网络理论及应用综述", 《计算机学报》 *

Also Published As

Publication number Publication date
CN111429005B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN112508334B (zh) 融合认知特性及试题文本信息的个性化组卷方法及系统
CN114972839B (zh) 一种基于在线对比蒸馏网络的广义持续分类方法
CN109902912B (zh) 一种基于性格特征的个性化图像美学评价方法
CN109582785A (zh) 基于文本向量与机器学习的突发事件舆情演化分析方法
CN109255028A (zh) 基于教学评价数据可信度的教学质量综合评价方法
CN106528656A (zh) 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
CN111611375B (zh) 一种基于深度学习和转折关系的文本情感分类方法
CN118505457A (zh) 一种基于改进随机森林算法的学习预警方法
Ma [Retracted] Study on College English Online Teaching Model in Mixed Context Based on Genetic Algorithm and Neural Network Algorithm
Guo et al. [Retracted] Music Online Education Reform and Wireless Network Optimization Using Artificial Intelligence Piano Teaching
CN117668360A (zh) 一种基于学习者在线学习行为分析的个性化习题推荐方法
CN119338642A (zh) 一种个性化教培辅助方法、系统、终端设备及介质
CN118673161A (zh) 一种基于知识图谱的在线课程质量评价大数据分析方法
Yan et al. Sentiment analysis on massive open online course evaluation
CN115358287B (zh) 基于异质图神经网络的新闻立场判别方法及系统
CN116451171A (zh) 一种基于自适应特征交叉的高校学生画像生成方法
CN110826315A (zh) 使用神经网络系统识别短文本时效性的方法
CN115599839A (zh) 一种基于数据挖掘算法改进教学的方法及系统
CN117407527B (zh) 一种教育领域舆情大数据分类方法
CN111429005A (zh) 一种基于少量学生反馈的教学评估方法
CN118172703A (zh) 基于课堂行为分析的教学内容优化方法及系统
CN110992229B (zh) 一种基于知识迁移的科学教学效果评价方法
CN110046667A (zh) 一种基于深度神经网络学习评分数据对的教学评价方法
CN110472247A (zh) 一种多语义信息融合网络预测帖子回答时间的方法
CN109508380A (zh) 一种结合用户结构相似度进行微博情感分析的方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Gang

Inventor after: Tan Song

Inventor before: Tan Song

Inventor before: Wang Gang

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240426

Address after: Room 611-354, R&D Center Building, 3333 Xiyou Road, High tech Zone, Hefei City, Anhui Province, 230000

Patentee after: Anhui Bikaqiu Software Technology Co.,Ltd.

Country or region after: China

Address before: 232001 cave West Road, Huainan, Anhui

Patentee before: HUAINAN NORMAL University

Country or region before: China