基于改进雷达图的选课推荐方法技术

本发明专利技术所要解决的技术问题是提供一种基于改进雷达图的选课推荐方法，包括如下步骤：S1，建立/修正选课推荐评估指标体系；S2，计算生成单个学生已修课程评价指标雷达图；S3，计算生成指导老师选课引导指标雷达图；S4，计算生成选课学生个体需求指标雷达图；S5：动态确立选课个体与已修群体阶位关系；S6：生成个体学生选课目标评估改进雷达图；S7：计算发布个体学生选课目标推荐值；S8：分析系统推荐与选课学生采用差异率。该选课方法从单一指标向组合指标转变、从单一雷达模型向多雷达图叠加模型转变，并建立了一种基于多参照原的数据分析防范，避免了无法为学生提供严谨而清晰的选课指引，又或者对学生选课行为干预过深等系列问题。

【技术实现步骤摘要】
基于改进雷达图的选课推荐方法
本专利技术涉及一种选课方法，特别涉及根据群体指标、个体指标、导向指标的叠加进行所选课程推荐值的计算方法。
技术介绍
随着以选课制、学分制为重要内容的教育教学改革在国内高校全面推行，尤其对习惯了中小学教育模式的大学新生来说，面对令人眼花缭乱的课程信息，选课操作容易带有盲目性和随从性。课程的优化选择不仅关系着学习精力和学习时间的有序安排，影响奖学金、毕业、直研、出国、就业等个人事务，还涉及学校教学资源的合理安排，是教学活动过程中的重要内容。目前，选课系统实现了对当前学生可选课程的名称、类型、学分、教师、上课地点、排课情况等信息全面展示，允许以留言的方式对课程进行评价，或对课程历史选择情况进行统计。这些技术措施对学生选课决策的帮助仍然比较浅显，某些情况下增加了盲从的可能性，甚至存在一定的误导。对几十所学校选课过程的专项研究分析，我们认识到：多年的选课实践在系统中积累了大量的选课过程与结果数据，蕴含着丰富的群体经验，有必要作进一步科学和充分的挖掘；学生个人的知识积累、兴趣爱好、学习目的对课程的选择有着较大的影响，应该予以尊重；同时，作为教学资源的合理调控，个性化培养的具体实现，学校也承担着对学生课程选择的引导作用。因此，单一群体意见数字化模型的建立并不能全面揭示课程属性与学生属性之间的对应关系。本专利将选课推荐方法置于个人行为智能分析的技术背景下进行研究，建立包含参照群体指标、个体需求指标、引导调控指标的“多位一体式”数学模型，通过雷达图的分离与叠加，按特定算法得出单一数值，为学生选课提供参考性指引。本专利在其他应用场景下同样具有一定的推广价值。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于改进雷达图的选课推荐方法，该选课方法从单一指标向组合指标转变、从单一雷达模型向多雷达图叠加模型转变，并建立了一种基于多参照原的数据分析防范，从而较好解决当前选课系统课程推荐指标体系不完善、计算方法不科学，无法为学生提供严谨而清晰的选课指引，又或者对学生选课行为干预过深等系列问题。为此，本专利技术所述的选课推荐方法包括如下步骤：S1，建立/修正选课推荐评估指标体系；S2，计算生成单个学生已修课程评价指标雷达图；S3，计算生成指导老师选课引导指标雷达图；S4，计算生成选课学生个体需求指标雷达图；S5：动态确立选课个体与已修群体阶位关系；S6：生成个体学生选课目标评估改进雷达图；S7：计算发布个体学生选课目标推荐值；S8：分析系统推荐与选课学生采用差异率。进一步的，步骤S2包括以下步骤：S21：按预设采集规则，确定符合采样要求的学生群体集合；S22：通过系统向各采样学生发放调查问卷，获取学生对已修课程评估指标项的评分值；S23：生成采样学生已修课程的个人评价指标雷达图合集Radar_mapSim。其中i和m分别代表学生和课程的变量标识，以雷达图的形式存储学生对指定课程多个评估项评定分值的合集。进一步的，步骤S3包括以下步骤：S31：根据预设关联规则，分别确定各门课程对应指导老师，形成群体集合；S32：通过系统向指导老师发放对应课程选课引导评分表，老师对可能影响学生选课行为的课程指标项进行评分，形成选课建议量化数据；S33:计算老师群体课程引导指标项合并评分值Tm。进一步的，步骤S4包括以下步骤：S41：当前学生通过系统设置个人选课需求，设定选课目标指标项分值；S42：计算当前学生指标项评分值Um，如果有6个指标项，则分别计算U1、U2、U3……U6的值，生成个体需求指标雷达图Radar_mapU。进一步的，步骤S5包括以下步骤：S51：按预设的学生群体细分规则绘制对应散点图，针对具体课程确定选课学生个体与已修学生群体间的阶位关系；S52：以散点模型为基础，以当前学生取值为基数，按照一定容差率(可调)，从个人评价指标雷达图合集Radar_mapSim中，筛选出与其背景和目标/成果趋同的学生群体指标值作为参照样本，形成参照群体指标雷达图合集Radar_mapSCnm，该指标项评分值计算公式：进一步的，步骤S6详细为：：生成Radar_mapT、Radar_mapS、Radar_mapU同指标对应叠加雷达图。进一步的，步骤S7包括以下步骤：S71：计算Radar_mapT、Radar_mapU雷达图重合区域面积值ST，以及Radar_mapS、Radar_mapU雷达图重合区域面积值SU；S72：计算Radar_mapT、Radar_mapU雷达图区域面积差值SCT，以及Radar_mapS、Radar_mapU雷达图区域面积差值SCU；S73：以雷达图区域面积交集ST、SU值为基准值，雷达图区域面积差SCT、SCU值为修正值，按预定权重计算课程最终推荐值S；进一步的，步骤S8详细为：计算获取课程推荐值与学生最终课程选取情况差异率，提供给管理人员作为修订指标项和权重比的参考依据，以持续提升课程推荐准确度，面向个体学生，综合其所有课程推荐值，定位最小推荐值Smin和最大推荐值Smax，将此区间均分为五个分值区段，结合学生最终选取课程及该课程在推荐值中所处区段，计算各区段采用率。本专利技术提供的基于改进雷达图的选课推荐方法，与现有技术相比，具有以下优势：1、充分利用学校现有信息化应用建设成果，通过大数据分析与利用，提升样本抽取的规范性、匹配性和准确性；2、通过数学模型合理归纳、分析不同人群对同一件事务的意见和建议，并结合个人倾向分配参考权重，使最后结果呈现出对群体意见与个体意见的相互协调与尊重；3、选课推荐值方式的引入，保障不同层次学生在不同学习阶段、不同选课目的下均能获得可参照的量化指引，避免单一评估结果对学生个性化需求的忽略，避免对业务行为的实际介入与干预。4、雷达图方式的应用，不仅从展现上让评估过程可视化，同时，区别于常规单纯通过最终结果值对采用人进行影响，采用人可以仅关注单一或多个指标项的结果值。满足不同个体切身需求。5、多雷达图叠加方式的应用，使数据处理更加流畅，计算方法更加简洁，方便前台用户直观了解数据分析过程，并在综合指标与个体指标间进一步对比权衡。6、本方法融合了统计学原理、大数据分析技术，图形计算技术，脉络清晰、公式合理，调度得当，可以较为容易的实现。7、计算方法与业务方法最大限度分离，支持评估指标灵活定义与发展，从而扩大本方法的可应用范围。附图说明图1为本专利技术所述方法的主要步骤。图2为选课个体与已修群体关系模型示意图。图3为雷达图叠加模型示意图。图4为非均衡夹角雷达图模型示意图。图5为相邻指标项线区域内形成三角形交集示意图。图6为相邻指标项线区域内形成四边形交集示意图。图7为个人评价指标雷达图合集示例。图8为课程A引导指标雷达图示例。图9为课程B引导指标雷达图示例。图10为选课学生1个体需求指标雷达图示例。图11为面向选课学生1课程A的群体指标雷达图示例。图12为面向选课学生1课程B的群体指标雷达图示例。图13为面向选课学生1课程A的叠加雷达图示例。图14为面向选课学生1课程B的叠加雷达图示例。具体实施方式本专利技术提供一种基于改进雷达图的选课推荐方法，为使本专利技术的目的、技术方案及效果更加清晰、明确，以下对本专利技术进一步详细说明，应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限本文档来自技高网...

【技术保护点】
基于改进雷达图的选课推荐方法，其特征在于它包括以下步骤：S1，建立/修正选课推荐评估指标体系；S2，计算生成单个学生已修课程评价指标雷达图；S3，计算生成指导老师选课引导指标雷达图；S4，计算生成选课学生个体需求指标雷达图；S5：动态确立选课个体与已修群体阶位关系；S6：生成个体学生选课目标评估改进雷达图；S7：计算发布个体学生选课目标推荐值；S8：分析系统推荐与选课学生采用差异率。

【技术特征摘要】
1.基于改进雷达图的选课推荐方法，其特征在于它包括以下步骤：S1，建立/修正选课推荐评估指标体系；S2，计算生成单个学生已修课程评价指标雷达图；S3，计算生成指导老师选课引导指标雷达图；S4，计算生成选课学生个体需求指标雷达图；S5：动态确立选课个体与已修群体阶位关系；S6：生成个体学生选课目标评估改进雷达图；S7：计算发布个体学生选课目标推荐值；S8：分析系统推荐与选课学生采用差异率。2.根据权利要求1所述的基于改进雷达图的选课推荐方法，其特征在于步骤S2包括以下步骤：S21：按预设采集规则，确定符合采样要求的学生群体集合；S22：通过系统向各采样学生发放调查问卷，获取学生对已修课程评估指标项的评分值；S23：生成采样学生已修课程的个人评价指标雷达图合集Radar_mapSim。其中i和m分别代表学生和课程的变量标识，以雷达图的形式存储学生对指定课程多个评估项评定分值的合集。3.根据权利要求1所述的基于改进雷达图的选课推荐方法，其特征在于步骤S3包括以下步骤：S31：根据预设关联规则，分别确定各门课程对应指导老师，形成群体集合；S32：通过系统向指导老师发放对应课程选课引导评分表，老师对可能影响学生选课行为的课程指标项进行评分，形成选课建议量化数据；S33:计算老师群体课程引导指标项合并评分值Tm。4.根据权利要求1所述的基于改进雷达图的选课推荐方法，其特征在于步骤S4包括以下步骤：S41：当前学生通过系统设置个人选课需求，设定选课目标指标项分值；S42：计算当前学生指标项评分值Um，如果有6个指标项，则分别计算U1、U2、U3……U6的值，生成个体需求指标雷达图Radar_mapU。5.根据权利要求1所述的基于改进雷达图的选课推荐...

【专利技术属性】
技术研发人员：叶青松，
申请(专利权)人：正方软件股份有限公司，
类型：发明
国别省市：浙江,33