网课教学评价方法及系统

1.本公开涉及教学评价技术领域，尤其涉及一种网课教学评价方法及系统。


背景技术：

2.目前，随着社会经济水平及文化水平的飞速发展，随着智能时代的到来，高校考虑到节约教学开支，节省人力物力，丰富教学内容等原因，线上教学逐步走进高校的舞台，在高校教学中采取课堂与在线混合式教学，信息化教学，学生可以通过电子设备和互联网来在线观看视频音频等来学习知识、技能。但是老师无法像传统课堂教学那么实时了解每个学生的听课效果和专注程度，老师无法监控或得到学生的听课反馈，导致学生上网课的听课质量大打折扣。需要提高网课教学的效率，建立一个科学、合理的教学评价体系对保证和稳步提高教学质量起着举足轻重的作用。但是评价中往往不可避免存在缺失数据。
3.造成数据缺失的原因有多种，一方面，设计上可能带来测验数据缺失，另一方面，除设计造成的缺失数据外，由于其他原因产生的缺失数据也很常见。降低了教学评价精度，降低网课教学效率，无法监控或得到学生的听课反馈，学生上网课的听课质量大打折扣，老师无法对教学质量进行监督，从而无法提升与改进教学质量，无法提高学生的学习效率和成绩。


技术实现要素：

4.提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
5.本公开实施例提供了一种网课教学评价方法及系统，解决了在不增加测验题目的情况下，提高缺失数据处理方法的精度的问题，对缺失数据进行插值补充，提高了教学评价精度，提高网课教学效率，能监控或得到学生的听课反馈，学生上网课的听课质量提高，老师对教学质量进行监督，从而提升与改进教学质量，提高学生的学习效率和成绩。
6.第一方面，本公开实施例提供了网课教学评价方法，包括：缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。
7.结合第一方面的实施例，在一些实施例中，所述插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵，包括：
8.设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；
9.第一概率阈值为0.5，第二概率阈值为τ；
10.当非参数插补方法得到插补概率值t大于等于t时，对应缺失值位置插入数值1；
11.当概率值t小于等于0.5时，对应缺失值位置插入数值0；
12.当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；
13.具体公式为
[0014][0015]
其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；
[0016]
按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。
[0017]
结合第一方面的实施例，在一些实施例中，所述个人拟合指数，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，包括：
[0018]
根据概率阈值τ对带有插补概率值的矩阵重新赋值，转化为新的作答矩阵数据集newdata；
[0019]
比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；
[0020]
对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为
[0021][0022][0023][0024][0025]
其中，bc为第c个题目对应的失误参数，lc为第c个题目对应的猜测参数，αz为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，αz为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，oz为第z个被试揷补后非缺失数据的试题个数，mean_rcz为被试z的个人拟合指数，m为被试的个数，mean_rci为所以被试的个人拟合指数的均值，o为试题的个数，tc(αz)为属性掌握模式为αz的被试正确作答试题c的概率，zc(αz)为属性掌握模式为αz的被试在试题c上的理想作答反应。
[0026]
结合第一方面的实施例，在一些实施例中，所述插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集，包括：
[0027]
将不同阈值的个人拟合指数的均值进行排序；
[0028]
选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；
[0029]
将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。
[0030]
第二方面，本公开实施例提供了一种网课教学评价系统，包括：缺失数据矩阵单元，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵单元，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算单元，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集单元，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。
[0031]
结合第二方面的实施例，在一些实施例中，所述插补后矩阵单元，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵，包括：
[0032]
设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；
[0033]
第一概率阈值为0.5，第二概率阈值为τ；
[0034]
当非参数插补方法得到插补概率值t大于等于τ时，对应缺失值位置插入数值1；
[0035]
当概率值t小于等于0.5时，对应缺失值位置插入数值0；
[0036]
当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；
[0037]
具体公式为
[0038][0039]
其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；
[0040]
按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。
[0041]
结合第二方面的实施例，在一些实施例中，所述均值计算单元，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，包括：
[0042]
根据概率阈值τ对带有插补概率值的矩阵重新赋值，转化为新的作答矩阵数据集newdata；
[0043]
比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；
[0044]
对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为
[0045][0046][0047][0048][0049]
其中，bc为第c个题目对应的失误参数，lc为第c个题目对应的猜测参数，αz为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，αz为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，oz为第z个被试揷补后非缺失数据的试题个数，mean_rciz为被试z的个人拟合指数，m为被试的个数，mean
_
rci为所以被试的个人拟合指数的均值，o为试题的个数，tc(αz)为属性掌握模式为αz的被试正确作答试题c的概率，zc(αz)为属性掌握模式为αz的被试在试题c上的理想作答反应。
[0050]
结合第二方面的实施例，在一些实施例中，所述插补后数据集单元，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集，包括：
[0051]
将不同阈值的个人拟合指数的均值进行排序；
[0052]
选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；
[0053]
将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。
[0054]
第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的网课教学评价方法。
[0055]
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的网课教学评价方法的步骤。
[0056]
本发明有益效果：该方法，通过缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。解决了在不增加测验题目的情况下，提高缺失数据处理方法的精度的问题，对缺失数据进行插值补充，提高了教学评价精度，提高网课教学效率，能监控或得到学生的听课反馈，学生上网课的听课质量提高，老师对教学质量进行监督，从而提升与改进教学质量，提高学生的学习效率和成绩。
附图说明
[0057]
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0058]
图1是根据本公开的网课教学评价方法的一个实施例的流程图；
[0059]
图2是本公开的网课教学评价系统的结构示意图；
[0060]
图3是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
[0061]
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0062]
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
[0063]
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0064]
请参考图1，其示出了根据本公开的网课教学评价方法的一个实施例的流程。如图1所示，该方法包括以下步骤：
[0065]
步骤101，缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵。
[0066]
在这里，步骤101的包括：
[0067]
基于目标变量上未缺失被试的数据训练模型；
[0068]
对于生成的完整作答数据，从中随机选取80％的被试作答数据用于生成缺失数据；
[0069]
剩下20％的被试保留完整数据集，作为随机森林的训练样本集；
[0070]
实际中完整的训练数据集并非必须的；
[0071]
mcar数据的生成是一个完全随机的过程，当数据总体缺失比例确定以后，可以通过产生随机数的方式来确定被试及某一题目的缺失,缺失的产生并不依赖于被试的能力及项目本身；
[0072]
根据数据缺失的整体比例计算出每个被试缺失试题的个数；
[0073]
为每个被试设置一个概率调节因子，初值为0，计算被试正确作答某道试题的概率；
[0074]
再通过产生一个0和1之间的随机数来判断被试在某试题上的作答是否被设定为缺失；
[0075]
当随机数大于概率调节因子和概率值之和时被试在该试题上的作答则被设置为
缺失；
[0076]
过程中如果实际缺失个数与初始设定的个数不相等则重新设置概率调节因子的值；
[0077]
若缺失个数大于预设的缺失个数则增大概率调节因子的值；
[0078]
若缺失个数小于预设分配缺失个数则减小概率调节因子的值；
[0079]
不断调整概率调节因子的值并重新生成缺失数据直到各被试缺失作答的试题个数等于初始设定的个数时结束。
[0080]
步骤102，插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵。
[0081]
在这里，步骤102包括：
[0082]
设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；
[0083]
第一概率阈值为0.5，第二概率阈值为τ；
[0084]
当非参数插补方法得到插补概率值t大于等于τ时，对应缺失值位置插入数值1；
[0085]
当概率值t小于等于0.5时，对应缺失值位置插入数值0；
[0086]
当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；
[0087]
具体公式为
[0088][0089]
其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；
[0090]
按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。
[0091]
步骤103，均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值。
[0092]
在这里，步骤103包括：
[0093]
根据概率阈值τ对带有插补概率值的矩阵重新赋值，转化为新的作答矩阵数据集newdata；
[0094]
比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；
[0095]
对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为
[0096]
[0097][0098][0099][0100][0101]
z＝1,2,
…
,e
[0102]
w＝1,2,
…
,w
[0103]
其中，bc为第c个题目对应的失误参数，lc为第c个题目对应的猜测参数，αz为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，αz为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，oz为第z个被试揷补后非缺失数据的试题个数，mean_rciz为被试z的个人拟合指数，m为被试的个数，mean_rci为所以被试的个人拟合指数的均值，o为试题的个数，tc(αz)为属性掌握模式为αz的被试正确作答试题c的概率，zc(αz)为属性掌握模式为αz的被试在试题c上的理想作答反应，φ-1
为标准多元正态分布的逆累积分布函数。
[0104]
步骤104，插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。
[0105]
该方法，通过缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。解决了在不增加测验题目的情况下，提高缺失数据处理方法的精度的问题，对缺失数据进行插值补充，提高了教学评价精度，提高网课教学效率，能监控或得到学生的听课反馈，学生上网课的听课质量提高，老师对教学质量进行监督，从而提升与改进教学质量，提高学生的学习效率和成绩。
[0106]
在这里，步骤104包括：
[0107]
将不同阈值的个人拟合指数的均值进行排序；
[0108]
选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；
[0109]
将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。
[0110]
进一步参考图2，作为为对上述图1所示方法的实现，本公开了一种网课教学评价系统，该系统实施例与图1所示的方法实施例相对应。该系统具体可以应用于各种电子设备
中。
[0111]
如图2所示，本实施例的系统包括：
[0112]
缺失数据矩阵单元201，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；
[0113]
插补后矩阵单元202，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；
[0114]
均值计算单元203，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；
[0115]
插补后数据集单元204，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。
[0116]
在一些可选实施例中，插补后矩阵单元202，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵，包括：
[0117]
设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；
[0118]
第一概率阈值为0.5，第二概率阈值为τ；
[0119]
当非参数插补方法得到插补概率值t大于等于τ时，对应缺失值位置插入数值1；
[0120]
当概率值t小于等于0.5时，对应缺失值位置插入数值0；
[0121]
当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；
[0122]
具体公式为
[0123][0124]
其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；
[0125]
按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。
[0126]
在一些可选实施例中，均值计算单元203，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，包括：
[0127]
比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；
[0128]
对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为
[0129]
[0130][0131][0132][0133]
其中，bc为第c个题目对应的失误参数，lc为第c个题目对应的猜测参数，αz为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，αz为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，oz为第z个被试揷补后非缺失数据的试题个数，mean_rciz为被试z的个人拟合指数，m为被试的个数，mean_rci为所以被试的个人拟合指数的均值，o为试题的个数，tc(αz)为属性掌握模式为αz的被试正确作答试题c的概率，zc(αz)为属性掌握模式为αz的被试在试题c上的理想作答反应。
[0134]
在一些可选实施例中，插补后数据集单元204，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集，包括：
[0135]
将不同阈值的个人拟合指数的均值进行排序；
[0136]
选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；
[0137]
将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。
[0138]
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0139]
如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有电子设备这操作所需的各种程序和数据。处理装置901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0140]
通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0141]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可
读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
[0142]
需要说明的是，本公开的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0143]
在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。
[0144]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0145]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。
[0146]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网
络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0147]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0148]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，预处理模块还可以被描述为“基于掌子面精细化分级结果，对掌子面各层围岩级别进行模糊化预处理的单元”。
[0149]
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
[0150]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0151]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0152]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0153]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应
当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
[0154]
以上仅为本技术的优选实施方式而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种网课教学评价方法，其特征在于，所述方法包括：缺失数据矩阵，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。2.根据权利要求1所述的方法，其特征在于，所述插补后矩阵，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵，包括：设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；第一概率阈值为0.5，第二概率阈值为τ；当非参数插补方法得到插补概率值t大于等于τ时，对应缺失值位置插入数值1；当概率值t小于等于0.5时，对应缺失值位置插入数值0；当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；具体公式为其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。3.根据权利要求2所述的方法，其特征在于，所述个人拟合指数，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，包括：根据概率阈值τ对带有插补概率值的矩阵重新赋值，转化为新的作答矩阵数据集newdata；比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为
其中，b
c
为第c个题目对应的失误参数，l
c
为第c个题目对应的猜测参数，α
z
为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，α
z
为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，o
z
为第z个被试揷补后非缺失数据的试题个数，mean_rci
z
为被试z的个人拟合指数，m为被试的个数，mean
_
rci为所以被试的个人拟合指数的均值，o为试题的个数，t
c
(α
z
)为属性掌握模式为α
z
的被试正确作答试题c的概率，z
c
(α
z
)为属性掌握模式为α
z
的被试在试题c上的理想作答反应。4.根据权利要求3所述的方法，其特征在于，所述插补后数据集，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集，包括：将不同阈值的个人拟合指数的均值进行排序；选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。5.一种网课教学评价系统，其特征在于，所述系统包括：缺失数据矩阵单元，从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；插补后矩阵单元，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；均值计算单元，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；插补后数据集单元，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。6.根据权利要求5所述的系统，其特征在于，所述插补后矩阵单元，采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵，包括：设置概率阈值τ的范围和步长，τ值的范围为0.5-1，默认步长为0.01；第一概率阈值为0.5，第二概率阈值为τ；当非参数插补方法得到插补概率值t大于等于τ时，对应缺失值位置插入数值1；当概率值t小于等于0.5时，对应缺失值位置插入数值0；当概率值t小于τ且大于0.5时，对应的缺失值位置保留缺失；具体公式为
其中，u
zc
为第z个被试在第c道试题上的插补值，t
zc
为第z个被试在第c道试题上非参数插补的概率值，τ为概率阈值，em表示缺失；按照步长递增，得到不同的阈值，根据不同阈值采用插补公式得到得到对应概率阈值τ的作答矩阵。7.根据权利要求6所述的系统，其特征在于，所述均值计算单元，对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，包括：根据概率阈值τ对带有插补概率值的矩阵重新赋值，转化为新的作答矩阵数据集newdata；比较原缺失数据集与新的作答矩阵数据集newdata对比，若原缺失数据集和newdata两个作答矩阵不完全相同，则将newdata数据集赋值给原缺失数据，重复重新赋值和原缺失数据集与新的作答矩阵数据集newdata对比操作，直到原缺失数据集与新的作答矩阵数据集newdata完全相同，迭代停止；对最终的newdata数据集采用采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值，其中，校正后公式为应一致性指数公式进行校正并计算其均值，其中，校正后公式为应一致性指数公式进行校正并计算其均值，其中，校正后公式为应一致性指数公式进行校正并计算其均值，其中，校正后公式为其中，b
c
为第c个题目对应的失误参数，l
c
为第c个题目对应的猜测参数，α
z
为知识掌握状态向量或属性掌握模式向量，α
zw
为元素，被试i是否掌握属性w，α
z
为被试z的属性掌握模式，a
cw
为a矩阵中对应题目c和属性w的值，o
z
为第z个被试揷补后非缺失数据的试题个数，mean_rci
z
为被试z的个人拟合指数，m为被试的个数，mean
_
rci为所以被试的个人拟合指数的均值，o为试题的个数，t
c
(α
z
)为属性掌握模式为α
z
的被试正确作答试题c的概率，z
c
(α
z
)为属性掌握模式为α
z
的被试在试题c上的理想作答反应。8.根据权利要求7所述的系统，其特征在于，所述插补后数据集单元，通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集，包括：将不同阈值的个人拟合指数的均值进行排序；选择最小个人拟合指数的均值的阈值作为缺失数据插补的第二个概率阈值；
将最小个人拟合指数的均值的阈值其对应的插补后的作答矩阵作为最终的插补后的作答数据。9.电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

技术总结
本发明实施例公开了网课教学评价方法及系统，通过从教学评价测试集中选择带有缺失值的作答形成一个缺失数据集矩阵；采用非参数插补方法对缺失数据集矩阵中的缺失值进行插补的得到带有插补概率值的矩阵；对插补后矩阵得到数据集采用期望最大化算法估计非补偿模型参数，对相应的反应一致性指数公式进行校正并计算其均值；通过个人拟合指数排序选择最小个人拟合指标均值所对应的矩阵数据集作为插补后数据集。解决了在不增加测验题目的情况下，提高缺失数据处理方法的精度的问题，对缺失数据进行插值补充，提高了教学评价精度，老师对教学质量进行监督，从而提升与改进教学质量，提高学生的学习效率和成绩。提高学生的学习效率和成绩。提高学生的学习效率和成绩。


技术研发人员：高海燕 任哲 张晓雪
受保护的技术使用者：吉林体育学院
技术研发日：2023.04.23
技术公布日：2023/7/22