[发明专利]应用于教育信息化的信息素养数据挖掘方法及系统有效

专利信息
申请号: 202011306182.7 申请日: 2020-11-19
公开(公告)号: CN112417002B 公开(公告)日: 2023-04-07
发明(设计)人: 吴砥;朱莎;徐建;吴晨 申请(专利权)人: 华中师范大学
主分类号: G06F16/2458 分类号: G06F16/2458;G06N7/01;G06Q50/20
代理公司: 武汉东喻专利代理事务所(普通合伙) 42224 代理人: 雷霄
地址: 430079 *** 国省代码: 湖北;42
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 应用于 教育 信息化 信息 素养 数据 挖掘 方法 系统
【权利要求书】:

1.一种应用于教育信息化的信息素养数据挖掘方法,其特征在于,包括:

采集被测试者输入的信息素养测试数据,将所述测试数据存储为成绩数据矩阵表;

采集专家输入的指标结构数据,将所述指标结构数据存储为JSON格式;

采集专家输入的指标参数数据,将所述指标参数数据存储为JSON格式;

构建信息素养模型生成程序,所述信息素养模型生成程序用于接收所述指标结构数据和所述指标参数数据,根据所述指标结构数据和所述指标参数数据生成基于贝叶斯网络的信息素养模型;

构建信息素养数据挖掘程序,所述信息素养数据挖掘程序用于接收所述信息素养模型和所述成绩数据矩阵表,输出信息素养测试结果;

所述指标结构数据是指定义测试项及指标结构体系的数据;所述指标参数数据是指标或测试项为各等级的概率值的定义数据;

所述生成基于贝叶斯网络的信息素养模型包括步骤:

根据所述指标结构数据和所述指标参数数据,采用尾尾连接的连接方式构建基于贝叶斯网络的信息素养模型,并且采用链式表表示贝叶斯网络,其中贝叶斯网络的节点代表测试项或指标,在节点中使用多维数据存储该节点指标或测试项对应指标参数数据;

采用链式表表示贝叶斯网络包括步骤:

采用链式表构建节点数组,每个节点数组包括三个字段,第一个字段存储节点所代表的测试项或指标的名称,第二个字段存储指向该节点对应指标参数数据的多维数组的指针,第三个字段存储指向该节点存所依赖对象的指针;

所述指标结构数据包括测试项、每个测试项所代表的指标以及指标依赖关系,所述将所述指标结构数据存储为JSON格式包括步骤:

将测试项或指标作为JSON对象的键,将测试项所代表的指标或指标所依赖的指标作为JSON对象的值。

2.如权利要求1所述的一种应用于教育信息化的信息素养数据挖掘方法,其特征在于,所述信息素养测试数据包括多个测试项,每个测试项包括多个等级;

所述成绩数据矩阵表中为n×m矩阵,n为被测试者总数量,m为测试项总数量,所述成绩数据矩阵表的每行代表一个被测试者的所有测试项的测试数据,所述成绩数据矩阵表的每列代表一个测试项的所有被测试者的测试数据。

3.如权利要求2所述的一种应用于教育信息化的信息素养数据挖掘方法,其特征在于,所述指标参数包括先验概率参数和条件概率参数,所述先验概率参数是指没有依赖关系的指标为各等级的概率值,所述条件概率参数是指有依赖关系的指标为各等级的概率值,所述将所述指标参数数据存储为JSON格式包括步骤:

将没有依赖关系的指标存储为先验概率参数对象的键,将没有依赖关系的指标为各等级的概率值存储为所述先验概率参数对象的值;

将有依赖关系的指标或测试项存储为条件概率参数对象的键,所述条件概率参数对象的值为所依赖对象的列表,所述所依赖对象的键为所依赖指标,所述所依赖对象的值为所依赖指标为各等级的概率值。

4.如权利要求3所述的一种应用于教育信息化的信息素养数据挖掘方法,其特征在于,所述输出信息素养测试结果包括步骤:

输入基于贝叶斯的信息素养模型和测试数据,根据贝叶斯公式计算测试者的信息素养各等级概率,最后选择概率最大的等级作为测试者的最终结果。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华中师范大学,未经华中师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011306182.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top