一种基于证据的教育数据转化模型的构建方法及其系统技术方案

本发明专利技术公开了一种基于证据的教育数据转化模型的构建方法及其系统，属于教学技术领域。包括：基于教育语义结构创建若干个存在预定顺序的教育量化模型；获取源输入数据集，按照教育语义结构进行划分，得到与教育量化模型相对应的若干个教育数据集；于每个教育量化模型中嵌入计算模型，基于所述计算模型对输入数据做量化处理得到输出数据，并存储、输出。本发明专利技术公开的基于量化模型的教育应用数据转化方法应用于不同厂商、以及不同教育产品之间的数据转化，实现数据流通性，让“数据孤岛”相互连接最终变成“数据湖”。。。

【技术实现步骤摘要】
一种基于证据的教育数据转化模型的构建方法及其系统


[0001]本专利技术属于教学
，特别是涉及一种基于证据的教育数据转化模型的构建方法及其系统。

技术介绍

[0002]教育行业涉及教学、管理、教研、服务等诸多业务，不同地区、不同学校的教育业务虽然具有一定的共性，但差异性也很突出，而业务的差异性直接导致教育数据来源更加多元、数据采集更加复杂。
[0003]在数据层面，一方面，目前教育行业的不同厂商产品之间数据流通性差，原因在于厂商间产品孤立，导致“数据孤岛”问题频发。另一方面，现有产品采集的数据对教育实际应用意义不大，原因在于厂商的数据管理停留在通用数据层面，并没有结合当下教学数据特征及内在规律，缺乏有可靠理论支撑的稳定的数据结构。
[0004]在模型层面，目前市面上各教育产品可运用的模型较单一，用户可一次使用的模型丰富度不够；模型质量参差不齐，目前市面上的教育产品中所使用的教育模型，多以简单量表的方式，没有更加底层的结构与规范且权威性有待考证；模型同质性严重，缺乏区域、校级特色；模型使用的数据点大多仅支持手动填报。模型使用费时，分析维度单一。

技术实现思路

[0005]本专利技术为解决
技术介绍
中的问题，提供了一种基于证据的教育数据转化模型的构建方法及其系统。
[0006]本专利技术采用以下技术方案：一种基于证据的教育数据转化模型的构建方法，至少包括以下步骤：基于教育语义结构创建若干个存在预定顺序的教育量化模型，基于所述预定顺序对每个教育量化模型的输入数据和输出数据分别进行定义；获取教育应用数据，并处理得到源输入数据集；将所述源输入数据集按照教育语义结构进行划分，得到与教育量化模型相对应的若干个教育数据集；于每个教育量化模型中嵌入计算模型，基于所述计算模型对输入数据做量化处理得到输出数据，并存储、输出；所述计算模型包括基础计算模型和复合计算模型，其中，所述基础计算模型为最小计算单元，所述复合计算模型由若干个基础计算模型和/或复合计算模型按照顺序结构组成。
[0007]在进一步的实施例中，所述教育量化模型至少包括：参考模型、证据评分模型、属性测量模型以及相关型模型；对应的，所述教育数据集至少包括参考数据集、证据评分数据集、属性测量数据集以及相关型数据集。
[0008]在进一步的实施例中，对每个教育量化模型的输入数据和输出数据的定义流程如下：
定义参考模型的输入数据为参考数据集，输出数据为参考数据簇，所述参考数据簇由参考模型内的计算模型将参考数据集量化处理得到；定义证据评分模型的输入数据为参考数据簇和/或证据评分数据集，输出数据为证据评分数据簇，所述证据评分数据簇由证据评分模型内的计算模型将参考数据簇、证据评分数据集量化处理而成；定义属性测量模型的输入数据为证据评分数据簇和/或属性测量数据集，输出数据为属性测量数据簇，所述属性测量数据簇由属性测量模型内的计算模型将证据评分数据簇、属性测量数据集做量化处理得到；定义相关型模型的输入数据为相关型数据集，输出数据为相关型数据簇，所述相关型数据簇由相关型模型内的计算模型将相关型数据集量化处理得到。
[0009]在进一步的实施例中，所述基础计算模型均具有至少一个输入端和至少一个输出端。
[0010]在进一步的实施例中，所述复合计算模型的顺序结构通过连接关系表示，如下：定义当前的复合计算模型内的若干个基础计算模型和/或复合计算模型均为其对应的子模型，则顺序结构至少包括：输入
‑
输入连接、输出
‑
输入连接和输出
‑
输出连接；其中，所述输入
‑
输入连接表示为复合计算模型的某个输入端与其子模型的某个输入端之间的连接关系；输出
‑
输入连接表示为复合计算模型的子模型相互之间的输入端与输出端之间的连接关系；输出
‑
输出连接表示为复合计算模型的某个输出端与其子模型的某个输出端之间的连接关系。
[0011]在进一步的实施例中，所述基础计算模型采用以下运算方法：加、减、乘、除、乘方、对数、阶乘、最大值、最小值、平均数、中位数、众数、方差、标准差、求相关系数中的一种；其中，当采用加、减、乘、除、乘方、对数运算时，对应的基础计算模型包括两个输入端；当采用阶乘运算时，对应的基础计算模型包括一个输入端；当采用最大值、最小值、平均数、中位数、众数、方差、标准差、求相关系数运算时，对应的基础计算模型包括至少两个输入端。
[0012]在进一步的实施例中，所述教育应用数据为教育对象在学习过程做出的行为类别、以及对应的次数统计。
[0013]在进一步的实施例中，所述复合计算模型的运算流程如下：将复合计算模型的输入端处的对应的数据采用任意一种或多种基础计算模型进行复合，将复合后的数据再使用基础计算模型进行运算。
[0014]一种基于证据的教育数据转化模型的构建系统，用于实现如上所述的构建方法，包括：第一模块，被设置为基于教育语义结构创建若干个存在预定顺序的教育量化模型，基于所述预定顺序对每个教育量化模型的输入数据和输出数据分别进行定义；第二模块，被设置为获取教育应用数据，并处理得到源输入数据集；将所述源输入数据集按照教育语义结构进行划分，得到与教育量化模型相对应的若干个教育数据集；第三模块，被设置为于每个教育量化模型中嵌入计算模型，基于所述计算模型对
输入数据做量化处理得到输出数据，并存储、输出。
[0015]本专利技术的有益效果：本专利技术公开的基于量化模型的教育应用数据转化方法应用于不同厂商、以及不同教育产品之间的数据转化，实现数据流通性，让“数据孤岛”相互连接最终变成“数据湖”。
[0016]在数据转化过程中通过教育语义结构创建多个分析维度，增加数据分析的有效性和详细性。同时在数据转化计算中使用了动态的计算公式，在使用过程中根据需要动态调整，实现量化模型中公式的可配置。
[0017]根据基于证据的理论并进行改进，将从教育应用接入进来的教育数据，分为两大类：相关型数据、非相关型数据（参考数据、证据评分数据、属性测量数据）。以解决现有技术中的数据结构缺少理论支撑。
附图说明
[0018]图1为实施例1中教育量化模型的关系图及数据转化流程图。
[0019]图2为实施例1中的教育量化模型与计算模型的关系示意图。
[0020]图3为实施例1中的参考模型的结构示意图。
[0021]图4为实施例1中的证据评分模型的结构示意图。
[0022]图5为实施例1中的属性测量模型的结构示意图一。
[0023]图6为实施例1中的属性测量模型的结构示意图二。
[0024]图7为实施例1中的相关型模型的结构示意图。
具体实施方式
[0025]下面结合实施例和说明书附图对本专利技术做进一步的阐述。
[0026]申请人经研究发现：目前教育产品的种类繁多，不同厂商之间的产品之间存在差异性，以及同一厂商内的不同产品之间存在差异性。不管用户如何选择其目的是始终如一的，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于证据的教育数据转化模型的构建方法，其特征在于，至少包括以下步骤：基于教育语义结构创建若干个存在预定顺序的教育量化模型，基于所述预定顺序对每个教育量化模型的输入数据和输出数据分别进行定义；获取教育应用数据，并处理得到源输入数据集；将所述源输入数据集按照教育语义结构进行划分，得到与教育量化模型相对应的若干个教育数据集；于每个教育量化模型中嵌入计算模型，基于所述计算模型对输入数据做量化处理得到输出数据，并存储、输出；所述计算模型包括基础计算模型和复合计算模型，其中，所述基础计算模型为最小计算单元，所述复合计算模型由若干个基础计算模型和/或复合计算模型按照顺序结构组成。2.根据权利要求1所述的一种基于证据的教育数据转化模型的构建方法，其特征在于，所述教育量化模型至少包括：参考模型、证据评分模型、属性测量模型以及相关型模型；对应的，所述教育数据集至少包括参考数据集、证据评分数据集、属性测量数据集以及相关型数据集。3.根据权利要求2所述的一种基于证据的教育数据转化模型的构建方法，其特征在于，对每个教育量化模型的输入数据和输出数据的定义流程如下：定义参考模型的输入数据为参考数据集，输出数据为参考数据簇，所述参考数据簇由参考模型内的计算模型将参考数据集量化处理得到；定义证据评分模型的输入数据为参考数据簇和/或证据评分数据集，输出数据为证据评分数据簇，所述证据评分数据簇由证据评分模型内的计算模型将参考数据簇、证据评分数据集量化处理而成；定义属性测量模型的输入数据为证据评分数据簇和/或属性测量数据集，输出数据为属性测量数据簇，所述属性测量数据簇由属性测量模型内的计算模型将证据评分数据簇、属性测量数据集做量化处理得到；定义相关型模型的输入数据为相关型数据集，输出数据为相关型数据簇，所述相关型数据簇由相关型模型内的计算模型将相关型数据集量化处理得到。4.根据权利要求1所述的一种基于证据的教育数据转化模型的构建方法，其特征在于，所述基础计算模型均具有至少一个输入端和至少一个输出端。5.根据权利要求1所述的一种基于证据的教育数据转化模型的构建方法，其特征在于，所述复合计算模型的顺序结构通过连接关系表示，如下：定义当前的复合计算模型内的若干个基础计算模型和/或复合计算模型均为其...

【专利技术属性】
技术研发人员：彭振宇，许嘉良，宛平，顾小清，
申请(专利权)人：五石炼成上海信息科技有限公司，
类型：发明
国别省市：