一种基于教育大数据画像的学情评价方法及其装置与流程

【技术领域】

本发明涉及学情教育技术，尤其是一种基于教育大数据画像的学情评价方法及其装置。

背景技术：

大数据画像是以大量的数据为基础建立的模型。教育大数据画像是指，以大量的教育领域的基础数据为基础，建立的教育模型。教育大数据画像对于学生、老师、家长和教育机构均具有指导意义。

但是，目前省市区教育局、学校校长、年级主任等存在信息的数据共享壁垒，大量教育基础数据不能实现整合，更谈不上对于教育基础数据的分析和挖掘。而且传统的教育评价模式比较单一，学校老师忙于教学，只能了解到学生的考试结果，而不能全方面了解学生那些结果造成的原因，从而不能真正对症下药的帮助学生提高成绩。如何形成科学、系统和完整的评价系统，从而达到实现了信息化和自动化程度较高的学情评价的目的是当前亟待解决的问题。

技术实现要素：

本发明提供一种基于教育大数据画像的学情评价方法及其装置，形成科学、系统和完整的评价系统，实现学生、教师、家长和教育局人员四方的共同需求，综合提高学生的各项素质，实现多方的协同发展和提高。

为达到上述明目的，采用的技术方案如下：

一种基于教育大数据画像的学情评价方法，包括以下步骤：

步骤s1，收集教育基础数据；

步骤s2，从预设的类型中，确定收集到的所述教育基础数据所属的类型；

步骤s3，将确定类型的教育基础数据输入训练得到的分析模型，得到分析模型输出的分析结果；

所述分析模型包括个人分析模型、卷面分析模型、班级分析模型、学科分析模型、校级分析模型和综合报表分析模型；

步骤s4，基于所述分析结果，对学生学情进行评价。

进一步地，所述步骤s3中分析模型的训练过程包括以下步骤：

s3.1，收集教育样本数据；

s3.2，将所述教育样本数据划分为预设的类型；

s3.3，依据划分类型后的教育样本数据，训练预设的分析模型。

进一步地，所述步骤s3.2中，所述预设的类型包括：课前作业、当堂检测、课后作业、课课练习作业、单元检测、期中检测和期末检测。

进一步地，所述步骤s3中的所述个人分析模型包括：考生各科成绩概况、考试各科层次分析和考生成绩趋势；

考生各科成绩概况属性包括科目、原始分、班级排名、学校排名、考生答卷、低于全班平均分题号和得分率最低top3；

考试各科层次分析中各科层次分为班级层次的统计和校级层次的统计，包括某科目下该考生成绩与全班或全校最高分、全班或全校平均分的比较；

考生成绩趋势为个人分数与班级均分、校级均分的趋势比较。

进一步地，所述步骤s3中的所述卷面分析模型包括：针对某次考试某一学科进行成绩概况、单题质量分析、各班级单题得分情况、学生作答详情、知识点分析和试卷讲评的分析。

某次考试某一学科的成绩概况包括统计平均分、最高分、最低分、标准差、难度、信度、区分度、难度比例(难中易题目比例)，成绩概况可反映本学科的试卷概况。标准差：表示所有考生考试分数间的绝对离散程度，值越大表示个体之间的分数离散程度越大，反之，值越小表示个体之间的分数离散程度越小；难度：某道题或者学科的难度系数，表示试题的难易程度，介于0-1之间，值越大表示试题越简单；信度：表示测验结果的稳定程度，介于0-1之间，值越大说明试卷的质量越高(0.9以上为优秀，0.7～0.9为良好，0.35～0.7为中等，0.35以下为较低)；区分度：表示试题对考生能力的区分程度，值越大表明试题区分不同能力考生的效果越好，试题采用的价值也越大，取值范围介于-1.00至+1.00之间，评价标准为：0.4以上为很好，0.3～0.39为良好，0.20～0.29为尚可，0.19以下为不好；难度比例：难题、中等题和简单题的分值比例，其中小题得分率小于30％为难题，得分率处于30％至80％为中等题，大于80％为容易题。

单题质量分析属性包括：题号、题型、满分、平均分、得分率、难度系数、区分度、标准差、零分占比和满分占比。

各班级单题得分情况属性包括：题号、题型、总体得分率、各班级单题得分率。

学生作答情况属性包括：题号、题型、正确答案、得分率、作答情况(选择题会展示出每个选项的选择概率)。

知识点分析属性包括：序号、知识点、分值占比、知识点得分率和对应题目。

试卷讲评指针对于独立的题目，展示题号、题型、题干、班级得分率、年级得分率、满分人数、丢分人数及作答详情。

进一步地，所述步骤s3中的所述班级分析模型包括：选择考试的一个班级，得出该班级的成绩概况、四分位数分析、成绩分段分析、三率一分分析、分档达线分析、学科考试表现分析、学科成绩结构分布、学生作答详情和重点学生信息。

班级的成绩概况包括：最高分、最低分、平均分、标准差、中位数和差异系数，成绩概况可反映本次考试学生的考试概况；标准差：表示所有考生考试分数间的绝对离散程度，值越大表示个体之间的分数离散程度越大，反之，值越小表示个体之间的分数离散程度越小；中位数：按照由低到高排列的考生分数中居于中间位置的分数；差异系数：标准差与平均分之比，表示不同样本的相对离散程度，值越大表示相对离散程度越大，反之，值越小表示相对离散程度越小。

四分位数分析中，第一四分位数(q1)：按照由低到高排列的考生分数中第25％的数字；第三四分位数(q3)：按照由低到高排列的考生分数中第75％的数字；四分位距iqr：第三四分位数与第一四分位数的差距；峰度：峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大；偏度：偏度的绝对值数值越大表示其分布形态的偏斜程度越大；异常值：是指样本中的个别值，其数值明显偏离它所属样本的其余观测值；高、低分段：高分段得分率≥80％，低分段得分率≤20％。

成绩分段分析可反映本次考试学生成绩分布状态，允许评价对象自行设置最高分、最低分、分数间隔，就可以得到各分数段的人数柱状图。

三率一分分析可反映本次考试各班级的学生学业水平基本情况，包括优秀率、良好率、及格率，并且数值可以由评价对象自行设置。

分档达线分析可反映本次考试各班级的学生分档达线表现，允许评价对象自行设置分档线。

学科表现分析引用学科超均率反映本次考试班级各个学科上的优劣势表现，用此来评价分析学科对班级得分水平的贡献大小，指数值为正，是促进作用，为负则是拖后腿；学科超均率：学科超均率＝(本班该科的平均分-年级学科平均分)*100％/年级学科平均分。

学科成绩结构分布利用a、b、c、d、e五个等级来反映本次考试班级各个学科的成绩结构的分布情况，并且允许评价对象自行设置每个等级的百分比。

学生作答详情可反映本班级学科各题的作答情况；重点学生信息通过对重点排名段的设置，分析学生在重点排名段的分布情况，包括班级前十名和班级后十名。

进一步地，所述步骤s3中的所述学科分析报告模型包括：成绩概况、成绩分段分析、四率一分分析、分档达线分析、临界生群体分析、成绩结构比例分析、重点学生信息和学科均衡对比分析。

所述四率一分分析可反映本次考试各班级的学生学业水平基本情况，包括优秀率、良好率、及格率、低分率，用柱状图或表格形象统计各个班级的四个率的人数，然后计算各个班级的综合排名，综合排名计算方法是：取平均分排名、优秀排名良好排名和及格排名的平均数进行排名。

临界生群体分析可反映本次考试各班级的在不同分档线临界状态的人数分布情况，以提醒班级及时关注，并可以及时进行临界生转化，提高学校升学率，允许评价对象自行设置临界生分档线。

重点学生信息通过对重点排名段的设置，分析学生在重点排名段的分布情况，提供四个排名段，允许评价对象自行设置。

学科均衡对比分析是基于实际的综合水平表现来考察某学科对班级学科综合水平的贡献，并结合考试总体的对应情况进行综合分析，提炼出体现学业水平的“学科超均率”指标，用此来评价分析学科对学校得分水平的贡献大小，指数值为正，是促进作用，为负则是拖后腿；学科超均率：学科超均率＝(本班该科的平均分-年级学科平均分)*100％/年级学科平均分。

进一步地，所述步骤s3中的所述校级分析报告模型包括：成绩概况、成绩分段分析、四率一分分析、分档达线分析、临界生群体分析、成绩结构比例分析、重点学生信息和学科均衡对比分析。

进一步地，所述步骤s3中的所述综合报表分析模型包括：综合成绩表、成绩分段表、排名分段表、达线率表、班级对比表、小题得分表、卷面分析表和班级之间的卷面分析对比表，以上所有表的额分析不仅能从单个学科分析、单个班级分析，还能全学科、全班级综合分析。

进一步地，所述步骤s3的所述预设的类型中，确定收集到的所述教育基础数据所属的类型之前，还包括对收集到的所述教育基础数据进行预处理，所述预处理包括统一格式、以及去除噪声和冗余数据。

进一步地，所述步骤s4中，对所述学生学情进行评价包括对学生个人、卷面、班级、学科、校级和综合分析进行六个维度的评价。

一种基于教育大数据画像的教育评价装置，包括：

数据收集模块，用于收集教育基础数据；

分类模块，用于从预设的类型中，确定收集到的所述教育基础数据所属的类型；

模型分析模块，用于将确定类型的教育基础数据输入训练得到的分析模型，得到分析模型输出的分析结果，所述分析模型包含个人分析模型、卷面分析模型、班级分析模型、学科分析模型、校级分析模型和综合报表分析模型；

评价模块，用于基于所述分析结果，对学情进行评价。

进一步地，还包括：

模型训练模块，用于收集教育样本数据，将所述教育样本数据划分为预设的类型，并依据划分类型后的教育样本数据，训练预设的分析模型。

进一步地，所述预设的类型包括课前作业、当堂检测、课后作业、课课练习作业、单元检测、期中检测和期末检测。

进一步地，所述模型训练模块中还包括：

预处理模块，用于对收集到的所述教育基础数据进行预处理，所述预处理包括统一格式、以及去除噪声和冗余数据。

进一步地，所述评价模块对所述学生学情进行评价包括对学生个人、卷面、班级、学科、校级和综合分析进行六个维度的评价。

本发明的优点：

本发明的学情评价方法能够对教育基础数据深入分析和挖掘，实现教育基础数据整合，打破省市区教育局、学校校长、年级主任等存在信息的数据共享壁垒。

对于学生，实现对于每个学生的个性化和智能化学习的引导。

对于教师，可以实时了解学生的学习情况，实时的学情分析报告让教师快速准确掌握教学效果，以便于及时调整教学策略。

对于家长，能够一目了然看到孩子的学习进展和了解学习情况。

对于教育局人员，能够便捷地开展教学管理工作，清晰地管理学生学习档案。

【附图说明】

图1是本发明的学情评价方法流程图；

图2是本发明的学情评价结构图；

图3是本发明教育评价装置的模块结构图。

【具体实施方式】

下面通过具体实例对本发明的内容作进一步的说明。

一种基于教育大数据画像的学情评价方法，如图1所示，包括以下步骤：

步骤s1，收集教育基础数据；

步骤s2，从预设的类型中，确定收集到的教育基础数据所属的类型；

步骤s3，将确定类型的教育基础数据输入训练得到的分析模型，得到分析模型输出的分析结果；分析模型包括个人分析模型、卷面分析模型、班级分析模型、学科分析模型、校级分析模型和综合报表分析模型；

其中，(1)、个人分析模型包括：考生各科成绩概况、考试各科层次分析和考生成绩趋势；考生各科成绩概况属性包括科目、原始分、班级排名、学校排名、考生答卷、低于全班平均分题号和得分率最低top3；考试各科层次分析中各科层次分为班级层次的统计和校级层次的统计，包括某科目下该考生成绩与全班或全校最高分、全班或全校平均分的比较；考生成绩趋势为个人分数与班级均分、校级均分的趋势比较。

(2)、卷面分析模型包括：针对某次考试某一学科进行成绩概况、单题质量分析、各班级单题得分情况、学生作答详情、知识点分析和试卷讲评的分析。

某次考试某一学科的成绩概况包括统计平均分、最高分、最低分、标准差、难度、信度、区分度、难度比例(难中易题目比例)，成绩概况可反映本学科的试卷概况。标准差：表示所有考生考试分数间的绝对离散程度，值越大表示个体之间的分数离散程度越大，反之，值越小表示个体之间的分数离散程度越小；难度：某道题或者学科的难度系数，表示试题的难易程度，介于0-1之间，值越大表示试题越简单；信度：表示测验结果的稳定程度，介于0-1之间，值越大说明试卷的质量越高(0.9以上为优秀，0.7～0.9为良好，0.35～0.7为中等，0.35以下为较低)；区分度：表示试题对考生能力的区分程度，值越大表明试题区分不同能力考生的效果越好，试题采用的价值也越大，取值范围介于-1.00至+1.00之间，评价标准为：0.4以上为很好，0.3～0.39为良好，0.20～0.29为尚可，0.19以下为不好；难度比例：难题、中等题和简单题的分值比例，其中小题得分率小于30％为难题，得分率处于30％至80％为中等题，大于80％为容易题。

单题质量分析属性包括：题号、题型、满分、平均分、得分率、难度系数、区分度、标准差、零分占比和满分占比。

各班级单题得分情况属性包括：题号、题型、总体得分率、各班级单题得分率。

学生作答情况属性包括：题号、题型、正确答案、得分率、作答情况(选择题会展示出每个选项的选择概率)。

知识点分析属性包括：序号、知识点、分值占比、知识点得分率和对应题目。

试卷讲评指针对于独立的题目，展示题号、题型、题干、班级得分率、年级得分率、满分人数、丢分人数及作答详情。

(3)、班级分析模型包括：选择考试的一个班级，得出该班级的成绩概况、四分位数分析、成绩分段分析、三率一分分析、分档达线分析、学科考试表现分析、学科成绩结构分布、学生作答详情和重点学生信息。

班级的成绩概况包括：最高分、最低分、平均分、标准差、中位数和差异系数，成绩概况可反映本次考试学生的考试概况；标准差：表示所有考生考试分数间的绝对离散程度，值越大表示个体之间的分数离散程度越大，反之，值越小表示个体之间的分数离散程度越小；中位数：按照由低到高排列的考生分数中居于中间位置的分数；差异系数：标准差与平均分之比，表示不同样本的相对离散程度，值越大表示相对离散程度越大，反之，值越小表示相对离散程度越小。

四分位数分析中，第一四分位数(q1)：按照由低到高排列的考生分数中第25％的数字；第三四分位数(q3)：按照由低到高排列的考生分数中第75％的数字；四分位距iqr：第三四分位数与第一四分位数的差距；峰度：峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大；偏度：偏度的绝对值数值越大表示其分布形态的偏斜程度越大；异常值：是指样本中的个别值，其数值明显偏离它所属样本的其余观测值；高、低分段：高分段得分率≥80％，低分段得分率≤20％。

成绩分段分析可反映本次考试学生成绩分布状态，允许评价对象自行设置最高分、最低分、分数间隔，就可以得到各分数段的人数柱状图。

三率一分分析可反映本次考试各班级的学生学业水平基本情况，包括优秀率、良好率、及格率，并且数值可以由评价对象自行设置。

分档达线分析可反映本次考试各班级的学生分档达线表现，允许评价对象自行设置分档线。

学科表现分析引用学科超均率反映本次考试班级各个学科上的优劣势表现，用此来评价分析学科对班级得分水平的贡献大小，指数值为正，是促进作用，为负则是拖后腿；学科超均率：学科超均率＝(本班该科的平均分-年级学科平均分)*100％/年级学科平均分。

学科成绩结构分布利用a、b、c、d、e五个等级来反映本次考试班级各个学科的成绩结构的分布情况，并且允许评价对象自行设置每个等级的百分比。

学生作答详情可反映本班级学科各题的作答情况；重点学生信息通过对重点排名段的设置，分析学生在重点排名段的分布情况，包括班级前十名和班级后十名。

(4)、学科分析报告模型包括：成绩概况、成绩分段分析、四率一分分析、分档达线分析、临界生群体分析、成绩结构比例分析、重点学生信息和学科均衡对比分析。

所述四率一分分析可反映本次考试各班级的学生学业水平基本情况，包括优秀率、良好率、及格率、低分率，用柱状图或表格形象统计各个班级的四个率的人数，然后计算各个班级的综合排名，综合排名计算方法是：取平均分排名、优秀排名良好排名和及格排名的平均数进行排名。

临界生群体分析可反映本次考试各班级的在不同分档线临界状态的人数分布情况，以提醒班级及时关注，并可以及时进行临界生转化，提高学校升学率，允许评价对象自行设置临界生分档线。

重点学生信息通过对重点排名段的设置，分析学生在重点排名段的分布情况，提供四个排名段，允许评价对象自行设置。

学科均衡对比分析是基于实际的综合水平表现来考察某学科对班级学科综合水平的贡献，并结合考试总体的对应情况进行综合分析，提炼出体现学业水平的“学科超均率”指标，用此来评价分析学科对学校得分水平的贡献大小，指数值为正，是促进作用，为负则是拖后腿；学科超均率：学科超均率＝(本班该科的平均分-年级学科平均分)*100％/年级学科平均分。

(5)、校级分析报告模型包括：成绩概况、成绩分段分析、四率一分分析、分档达线分析、临界生群体分析、成绩结构比例分析、重点学生信息和学科均衡对比分析。

(6)、综合报表分析模型包括：综合成绩表、成绩分段表、排名分段表、达线率表、班级对比表、小题得分表、卷面分析表和班级之间的卷面分析对比表，以上所有表的额分析不仅能从单个学科分析、单个班级分析，还能全学科、全班级综合分析。

s3.1，收集教育样本数据；

s3.2，将教育样本数据划分为预设的类型，预设的类型包括课前作业、当堂检测、课后作业、课课练习作业、单元检测、期中检测和期末检测；

s3.3，依据划分类型后的教育样本数据，训练预设的分析模型。

另外，在预设的类型中，确定收集到的教育基础数据所属的类型之前，还包括对收集到的教育基础数据进行预处理，该预处理包括统一格式、以及去除噪声和冗余数据。

步骤s4，基于所述分析结果，对学生学情进行评价。

对学生学情进行评价包括对学生个人、卷面、班级、学科、校级和综合分析进行六个维度的评价。

该基于教育大数据画像的教育评价装置，如图3所示，包括：

数据收集模块1，用于收集教育基础数据；

分类模块2，用于从预设的类型中，确定收集到的教育基础数据所属的类型；

预处理模块3，用于对收集到的教育基础数据进行预处理，该预处理包括统一格式、以及去除噪声和冗余数据。

模型分析模块4，用于将确定类型的教育基础数据输入训练得到的分析模型，得到分析模型输出的分析结果，该分析模型包含个人分析模型41、卷面分析模型42、班级分析模型43、学科分析模型44、校级分析模型45和综合报表分析模型46；该模型分析模块还包括模型训练模块40，用于收集教育样本数据，将教育样本数据划分为预设的类型，并依据划分类型后的教育样本数据，训练预设的分析模型；预设的类型包括课前作业、当堂检测、课后作业、课课练习作业、单元检测、期中检测和期末检测。

评价模块5，用于基于分析结果，对学情进行评价。评价模块5对学生学情进行评价包括对学生个人、卷面、班级、学科、校级和综合分析进行六个维度的评价。

本发明的学情评价方法能够对教育基础数据深入分析和挖掘，实现教育基础数据整合，打破省市区教育局、学校校长、年级主任等存在信息的数据共享壁垒。

对于学生，实现对于每个学生的个性化和智能化学习的引导。

对于教师，可以实时了解学生的学习情况，实时的学情分析报告让教师快速准确掌握教学效果，以便于及时调整教学策略。

对于家长，能够一目了然看到孩子的学习进展和了解学习情况。

对于教育局人员，能够便捷地开展教学管理工作，清晰地管理学生学习档案。

以上所述实施例只是为本发明的较佳实施例，并非以此限制本发明的实施范围，除了具体实施例中列举的情况外；凡依本发明之方法及原理所作的等效变化，均应涵盖于本发明的保护范围内。