CN110033402A - 基于能力分级的思维数学学习方法及计算机学习*** - Google Patents
基于能力分级的思维数学学习方法及计算机学习*** Download PDFInfo
- Publication number
- CN110033402A CN110033402A CN201910291996.9A CN201910291996A CN110033402A CN 110033402 A CN110033402 A CN 110033402A CN 201910291996 A CN201910291996 A CN 201910291996A CN 110033402 A CN110033402 A CN 110033402A
- Authority
- CN
- China
- Prior art keywords
- thinking
- user
- information
- classifier
- mathematics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004513 sizing Methods 0.000 title claims abstract description 19
- 238000003066 decision tree Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010422 painting Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于能力分级的思维数学学习方法及计算机学习***,所述学习方法包括:获取学生用户的思维数学画像信息;将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;基于所述筛选信息推送学习内容。与现有技术相比,本发明具有利于学习效率等优点。
Description
技术领域
本发明涉及一种在线学习装置,尤其是涉及一种基于能力分级的思维数学学习方法及计算机学习***。
背景技术
在现在的学习环境中,家长经常会要求孩子学习思维数学,但是效果往往非常差。传统的学习方式是报名线下的班课,跟着真人老师进行学习。随着在线教育的兴起,也有非常多的学生会选择在网络上报名课程,通过观看视频加做题进行学习。通过在网络上报名上课,能节约学生和家长不少的时间,并且让教育资源得到了更合理的分配。后来又出现了双师课堂的形式,即视频里名师讲解,同时配有班主任,能够督促学生完成作业,并且为学生答疑,一定程度提升了课程的结课率。但是这种学习***可以说只是线下教学模式的复刻,是在思维数学的学习上效果有限。
这种***存在的缺陷主要有:
1、没有考虑学生自身的接受程度和他们的学***
2、在思维数学中有很多知识点都不适合一般的学生,但是***依旧会让学生学习这部分的知识点,反而会让学生得到挫败感,难以提高学习效率。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于能力分级的思维数学学习方法及计算机学习***。
本发明的目的可以通过以下技术方案来实现:
一种基于能力分级的思维数学学习方法,包括:
获取学生用户的思维数学画像信息;
将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;
基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;
基于所述筛选信息推送学习内容。
进一步地,所述思维数学画像信息包括用户作答记录、用户地理位置、用户年龄和用户性别。
进一步地,所述分类器为决策树分类器,通过k-fold方法获得所述决策树分类器的参数。
进一步地,利用动态更新的数据集训练所述分类器,所述数据集包括多组思维数学画像信息及对应等级标签数据。
进一步地,所述知识点学习模型为基于双参数项目反应理论的逻辑回归模型,该逻辑回归模型基于梯度下降算法和k-fold方法获得最优模型参数。
本发明还提供一种基于能力分级的思维数学计算机学习***,包括:
采集模块,用于获取学生用户的思维数学画像信息;
等级分类模块,用于将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;
知识点筛选模块,基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;
推送模块,基于所述筛选信息推送学习内容。.
进一步地,所述思维数学画像信息包括用户作答记录、用户地理位置、用户年龄和用户性别。
进一步地,所述分类器为决策树分类器,通过k-fold方法获得所述决策树分类器的参数。
进一步地,利用动态更新的数据集训练所述分类器,所述数据集包括多组思维数学画像信息及对应等级标签数据。
进一步地,所述知识点学习模型为基于双参数项目反应理论的逻辑回归模型,该逻辑回归模型基于梯度下降算法和k-fold方法获得最优模型参数。
与传统思维数学的教学方式和现有的思维数学网课相比,本发明具备以下改进点及有益效果:
第一,本发明首次提出了对用户在思维数学学***的分级,从而使得根据学生水平挑选合适的知识点和内容,大大提高了用户的学习效率。
第二,经过本发明的分级,学生学***的知识点的掌握率达到了70%,有效提高了用户对各知识点的掌握率;
第三、本发明根据等级信息获得知识点的筛选信息,进行推送相应知识点的学习内容,用户完课时长更短,知识点的掌握率更高。
附图说明
图1为本发明分类器的训练过程示意图;
图2为本发明知识点模型的训练过程示意图;
图3为本发明学习方法的过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图3所示,本发明提供一种基于能力分级的思维数学学习方法,包括:
S1、获取学生用户的思维数学画像信息,包括用户作答记录、用户地理位置、用户年龄和用户性别等,
将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;
基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;
基于所述筛选信息推送学习内容。.
本发明分类器为决策树分类器,通过k-fold方法获得所述决策树分类器的参数。
决策树分类器采用C4.5算法。信息熵(Information Entropy,以下用Entropy来简写)理论被广泛用在了决策树的训练中,它的定义如下:
其中D代表了样本集,第k类的样本所占比例为pk=1,2,…,|y|)。信息熵衡量了信息的不确定性,信息熵越小,表明样本的信息越纯,即分类越准确。基于信息熵,我们还可以定义信息增益(Gain):
其中a为具体的某一个属性,||表示了数据集合里样本的总体数量,v={1,2,…,V}表示了a的V个取值。为了使决策树能够进行分类,还需要定义信息增益率(Gain ratio):
IV(a)为属性a的固有值,a的取值个数越大,IV(a)的结果越大,信息增益率就会越小。
本发明中决策树分类器的训练过程如图1所示,具体为:建立数据集D,该数据集包括多组思维数学画像信息及对应等级标签数据;利用所述数据集对分类器进行训练,遍历数据集中的属性a,并进一步遍历属性a中的可选值,计算数据集中每个a的可选值的信息增益率;选择信息增益率最大的特征进行分类,直至分类结束;通过k-fold(k折交叉验证)方法挑选精准度最高的模型作为最终的分类器,将参数保存用于模型使用。
为了加强分类器的准确度,本发明利用动态更新的数据集训练所述分类器。
在每次用户开始一次课学习的时候,需要判断当前课时内的各知识点是否适合用户进行学习,本发明通过知识点学习模型进行判断。
本发明中,知识点学习模型为基于双参数项目反应理论的逻辑回归模型,该逻辑回归模型的输入包括归一化为[-1.1]之间的等级信息和知识点难度,基于梯度下降算法和k-fold方法获得最优模型参数。
逻辑回归的分类器公式如下:
f(p)=1/(1+e-α(p-d))
其中e为自然底数,α为区分度,p为学生的的能力,d为知识点的难度。对应的优化目标函数为:
其中m为一个知识点中用于训练的样本数;y(i)为第i个学生是否掌握了知识点的情况,掌握为1,未掌握为0;p(i)为第i个学生的能力水平。目标函数对于学生能力p进行求导后可得每次迭代更新需要优化的参数—区分度(α)。伪代码如下:
其中learningRate为预先设定好的学习速率。
知识点学习模型的训练过程如图2所示,具体为:
a)使用学生的知识点学***和知识点难度作为输入值,优化知识点的区分度(discrimination)
b)通过梯度下降算法进行模型训练(gradient descent),通过500次迭代后得到最终的区分度参数。
c)使用k-fold(k折交叉验证)算法挑选精准度最高的模型;
d)重复上述步骤直到所有知识点的模型训练完毕。
本发明的筛选信息包括是否对某一知识点进行学习的信息,筛选信息根据知识点学习模型的输出确定。如知识点学习模型输出的分值超过0.6则认为适合学习,低于0.6则对应知识点不会出现在本次学习中。
4.每次上课前调用该次课的知识点对应的分类器,得到得分,如果学生得分超过0.6则认为适合学习,低于0.6则不会出现在本次学习中
本发明还提供一种基于能力分级的思维数学计算机学习***,包括采集模块、等级分类模块、知识点筛选模块和推送模块,采集模块用于获取学生用户的思维数学画像信息;等级分类模块用于将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;知识点筛选模块基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;推送模块基于所述筛选信息推送学习内容。
本实施例采集了共372名四年级思维数学的学生学习记录,并且对于这部分的数据进行加工,得到了正答率,知识点掌握情况,能力值等,并将这部分的数据进行离散化,得到学生在各特征维度上的类别。对于这部分的学生,由教研院资深教师进行人工标注,获得分级标签。将标注后的数据用于训练C4.5决策树分类器,训练的过程中每个节点都挑选了信息增益率最大的特征维度和取值进行分类,直到最后没有可以继续分类的属性或者分类后所有的等级的学生都在同一个节点中。最后为了避免出现分类器过拟合的情况,使用了k-fold交叉验证对于决策树进行优化。
为了验证本发明的效果,本实施例在同样内容的两个课程上进行了实验,每个课程的学生人数均为50人,课程内容为一般四年级学生学习的思维数学内容,共设有15次课,学生需要依次上完全部的课程。该课程中共设有114个知识点。注意,这里的15次课是我们***中的15次课,并非传统意义上按照课时来计算的15次课,故根据学生实际学习能力的不同,学习时长会有较大的变化。
课程A作为没有采用本发明的控制组,学生在学***,然后再结合我们的知识点标签信息为学生挑选知识点。其余学习内容,包括视频、讲义、题目完全不变。
为了更好说明本发明的效果,下面对比了如表1所示的两个课程。
表1
此外,本实施例还分别使用了三年级和五年级的学生数据为他们各自训练分类器,并且在三年级和五年级的的思维数学课程中加入了该分级***。取得了如表2所示的成绩。
表2
从这两组数据中可以看到,采用了本发明的课程相较于未采用本发明的课程在思维数学的学习效果上更好,具体体现在完课时长更短,知识点的掌握率更高,把大量的学习学不会的内容的时间给节约下来了。同时这个分级方法适用于多个年级的思维数学课程。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于能力分级的思维数学学习方法,其特征在于,包括:
获取学生用户的思维数学画像信息;
将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;
基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;
基于所述筛选信息推送学习内容。
2.根据权利要求1所述的基于能力分级的思维数学学习方法,其特征在于,所述思维数学画像信息包括用户作答记录、用户地理位置、用户年龄和用户性别。
3.根据权利要求1所述的基于能力分级的思维数学学习方法,其特征在于,所述分类器为决策树分类器,通过k-fold方法获得所述决策树分类器的参数。
4.根据权利要求1所述的基于能力分级的思维数学学习方法,其特征在于,利用动态更新的数据集训练所述分类器,所述数据集包括多组思维数学画像信息及对应等级标签数据。
5.根据权利要求1所述的基于能力分级的思维数学学习方法,其特征在于,所述知识点学习模型为基于双参数项目反应理论的逻辑回归模型,该逻辑回归模型基于梯度下降算法和k-fold方法获得最优模型参数。
6.一种基于能力分级的思维数学计算机学习***,其特征在于,包括:
采集模块,用于获取学生用户的思维数学画像信息;
等级分类模块,用于将离散化处理后的思维数学画像信息作为一分类器的输入,获得学生用户对应的等级信息;
知识点筛选模块,基于所述等级信息和当前课时的知识点学习模型,获得学生用户对于当前课时内各知识点的筛选信息;
推送模块,基于所述筛选信息推送学习内容。.
7.根据权利要求6所述的基于能力分级的思维数学计算机学习***,其特征在于,所述思维数学画像信息包括用户作答记录、用户地理位置、用户年龄和用户性别。
8.根据权利要求6所述的基于能力分级的思维数学计算机学习***,其特征在于,所述分类器为决策树分类器,通过k-fold方法获得所述决策树分类器的参数。
9.根据权利要求6所述的基于能力分级的思维数学计算机学习***,其特征在于,利用动态更新的数据集训练所述分类器,所述数据集包括多组思维数学画像信息及对应等级标签数据。
10.根据权利要求6所述的基于能力分级的思维数学计算机学习***,其特征在于,所述知识点学习模型为基于双参数项目反应理论的逻辑回归模型,该逻辑回归模型基于梯度下降算法和k-fold方法获得最优模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291996.9A CN110033402A (zh) | 2019-04-12 | 2019-04-12 | 基于能力分级的思维数学学习方法及计算机学习*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910291996.9A CN110033402A (zh) | 2019-04-12 | 2019-04-12 | 基于能力分级的思维数学学习方法及计算机学习*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110033402A true CN110033402A (zh) | 2019-07-19 |
Family
ID=67238223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910291996.9A Pending CN110033402A (zh) | 2019-04-12 | 2019-04-12 | 基于能力分级的思维数学学习方法及计算机学习*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033402A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239969A (zh) * | 2014-09-04 | 2014-12-24 | 上海合煦信息科技有限公司 | 一种个性化教育的评测和推题*** |
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及*** |
CN106779079A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于多模型数据驱动的知识点掌握状态的预测***及方法 |
CN108564499A (zh) * | 2018-04-16 | 2018-09-21 | 中山大学 | 基于知识网络的以用户为中心的教学资源组织与服务*** |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
-
2019
- 2019-04-12 CN CN201910291996.9A patent/CN110033402A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239969A (zh) * | 2014-09-04 | 2014-12-24 | 上海合煦信息科技有限公司 | 一种个性化教育的评测和推题*** |
CN106407237A (zh) * | 2015-08-03 | 2017-02-15 | 科大讯飞股份有限公司 | 在线学习试题推荐方法及*** |
CN106779079A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于多模型数据驱动的知识点掌握状态的预测***及方法 |
CN108564499A (zh) * | 2018-04-16 | 2018-09-21 | 中山大学 | 基于知识网络的以用户为中心的教学资源组织与服务*** |
CN109388746A (zh) * | 2018-09-04 | 2019-02-26 | 四川文轩教育科技有限公司 | 一种基于学习者模型的学习资源智能推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ilieva et al. | IoT in distance learning during the COVID-19 pandemic | |
CN106528656A (zh) | 一种基于学员历史和实时学习状态参量实现课程推荐的方法和*** | |
CN109858797A (zh) | 基于知识网络精准在线教育***的多维度信息学情分析方法 | |
Hu | Teaching evaluation system by use of machine learning and artificial intelligence methods | |
CN108256102A (zh) | 一种基于聚类的独立学院学生评教数据分析方法 | |
CN101872557A (zh) | 渐进式学习管理方法及渐进式学习*** | |
CN106373057A (zh) | 一种面向网络教育的成绩不良学习者识别方法 | |
Taslidere et al. | Wireless sensor networks—A hands-on modular experiments platform for enhanced pedagogical learning | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
Sanchez-Torrubia et al. | An approach to automatic learning assessment based on the computational theory of perceptions | |
CN109635869A (zh) | 在线学习干预*** | |
OROZOVA et al. | Generalized net model for dynamic decision making and prognoses | |
Agbonifo et al. | Design of a neurofuzzy-based model for active and collaborative online learning | |
CN110189236A (zh) | 基于大数据的学习预警方法 | |
CN116189074A (zh) | 一种基于人工智能的跨校区联动考勤方法和*** | |
CN110033402A (zh) | 基于能力分级的思维数学学习方法及计算机学习*** | |
KR100453430B1 (ko) | 학습용 맞춤교재 생성시스템 및 그 방법 | |
CN114580912A (zh) | 一种基于知识距离的项目式学习分组方法及装置 | |
Khor et al. | A learning analytics approach to model and predict learners’ success in digital learning | |
CN113919567A (zh) | 一种结合知识追踪和序列标注模型的试卷成绩预测方法 | |
Su | Design of intelligent classroom teaching scheme using artificial intelligence | |
CN112699933A (zh) | 用户教学素材加工处理能力自动识别方法及*** | |
Doctor | A predictive model using machine learning algorithm in identifying students probability on passing semestral course | |
Ademi et al. | Clustering Learners in a Learning Management System to Provide Adaptivity | |
Adam et al. | Using Formative and Summative Assessments in Data Mining to Predict Students’ Final Grades |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |