CN110473123A - 一种多元智能教育方法及*** - Google Patents

一种多元智能教育方法及*** Download PDF

Info

Publication number
CN110473123A
CN110473123A CN201910614149.1A CN201910614149A CN110473123A CN 110473123 A CN110473123 A CN 110473123A CN 201910614149 A CN201910614149 A CN 201910614149A CN 110473123 A CN110473123 A CN 110473123A
Authority
CN
China
Prior art keywords
knowledge
weak
module
link
learning
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
Application number
CN201910614149.1A
Other languages
English (en)
Inventor
夏磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Yushi Xiaoen Information Technology Co Ltd
Original Assignee
Beijing Yushi Xiaoen Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Yushi Xiaoen Information Technology Co Ltd filed Critical Beijing Yushi Xiaoen Information Technology Co Ltd
Priority to CN201910614149.1A priority Critical patent/CN110473123A/zh
Publication of CN110473123A publication Critical patent/CN110473123A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Behavior & Ethology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种多元智能教育方法和***，包括以下步骤：利用隐式马尔可夫模型计算在线学***性。

Description

一种多元智能教育方法及***
技术领域
本发明涉及多媒体教学技术领域，具体来说，涉及一种多元智能教育方法及***。
背景技术
个性化反馈策略是因材施教的主要方式，也是智能在线教育的重要组成部分，有效的个性化反馈对智能***是至关重要的，然而，现有的个性化反馈研究侧重于精确的反馈薄弱知识环节，基本没有关注将有效的教学策略与个性化反馈相结合，所以目前的个性化学习方式，乃至整个在线教育的学习***的有效性仍然存在争议，实践中越来越多的证据表明，目前的智能在线教育设计并未产生预期的效果，智能在线教育的有效性仍待进一步研究。
当前的智能学***性，当智能在线教育平台刚开始出现的时候，缓解教育不公问题被视为智能在线教育的一个亮点，这激发了基础薄弱的学***性，特别是因为禀赋差异扩大造成的不公平问题，面临同样的智能在线教育资源时，与社会经济地位较低的学习者相比，家庭地位较高的学习者受益更多。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种多元智能教育方法及***，解决缺乏分析有效个性化反馈机制的框架所导致的学习效果不佳及无法有效帮忙薄弱学生提高成绩的问题。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种多元智能教育方法，包括以下步骤：
利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图；
根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
进一步地，所述利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节包括：
获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
进一步地，在线学习数据包括历史学习记录、学习行为记录及个人特征。
进一步地，所述初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图包括：
获取导入试题及对应的知识点；
制定知识点的关联关系和层级关系，生成基础知识图；
采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯方法统计后验概率，动态优化知识图。
进一步地，所述构建交叉反馈队列包括：
获取第一薄弱知识环节列表；
基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
本发明的另一方面，提供一种多元智能教育***，包括：
薄弱知识点识别模块，用于利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
知识图构建模块，用于初始化知识图，识别所述薄弱知识环节，利用贝叶斯***实时更新知识图；
交叉反馈队列构建模块，用于根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
测试结果评估模块，用于根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
进一步地，所述薄弱知识点识别模块包括：
查找模块，用于获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
数据挖掘模块，用于采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合模块，用于整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
进一步地，所述知识图构建模块包括：
第一获取模块，用于获取导入试题及对应的知识点；
第一生成模块，用于制定知识点的关联关系和层级关系，生成基础知识图；
构建模块，用于采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯***统计后验概率，动态优化知识图。
进一步地，所述交叉反馈队列构建模块包括：
第二获取模块，用于获取第一薄弱知识环节列表；
第三获取模块，用于基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
第二生成模块，用于采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
进一步地，该***还包括：
家庭作业模块，用于根据知识图***性学习巩固所述知识点；
考试中心模块，用于验证所述第一用户的学习效果；
个性化试题推送模块，用于推送个性化试题，并收集存储每次考评结果；
知识点解析模块，用于浏览每个知识点的答题情况，并解析每个答题错误的知识点。
本发明的有益效果：不仅能够实现良好的在线学***性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的多元智能教育方法的流程图；
图2是根据本发明实施例所述的HMM的学习流程图。
图3是根据本发明实施例所述的多元智能教育***的结构示意图之一；
图4是根据本发明实施例所述的多元智能教育***的结构示意图之二；
图5是根据本发明实施例所述的多元智能教育***的结构示意图之三。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
人的认知负荷是有限的，认知负荷可以分为内在认知负荷、外在认知负荷和关联认知负荷三类，学习的过程中就是将学习材料转变为内在认知负荷，与此同时，尽量最大化关联认知负荷，从而构建图式。
基于认知负荷理论，对交错学***与学***的重要手段，基于知识图的交错反馈策略，可以根据学***，使得个性化反馈既有利于优秀学生，可以帮助基础薄弱学生，从而兼顾有效性和公平性。
如图1所示，根据本发明实施例所述的多元智能教育方法，包括以下步骤：
利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
具体的，利用隐式马尔可夫模型表示学习过程中知识点的熟练度和学习记录之间的依赖关系，并确定每个学习者的薄弱环节，将学习者对每个知识点的掌握程度建模为潜状态(Hidden State)，HMM模型使用可观察到的学习日志，通过两类随机过程，来描述知识点掌握程度和学习记录之间的共同演化关系：(1)潜在的转移过程(Transition Process)和(2)可观测的表达过程(Emission Process)，潜在的转移过程假设潜状态随时间的演变过程是一个马尔科夫链，可观测的HMM模型表达过程假设观察到的结果分布遵循一个混合分布，该混合分布由离散的潜状态产生，在马尔可夫假设下，一旦给定当前的潜状态，观察到的结果序列是有条件的独立状态，因此这种马尔科夫性可以减少序列之间的依赖关系，从而大大简化了HMM模型。
学习者对知识点的掌握程度作为潜变量有两种状态：低掌握程度和高掌握程度，考虑到学习者的掌握程度会随着时间的推移而发生改变，上述两种状态可以在任何离散的时间间隔进行状态转移，对于一个特定的知识点，其潜在的掌握程度状态(y)，令取值为1代表高掌握程度，取值为0代表低掌握程度，而其观察到的学习结果(x)，值为1表示正确回答，0为错误回答，将XT定义为学习者从时间1到时间T的历史学习记录，类似地，YT定义为潜变量从时间1到时间T的衍变记录，HMM模型的核心是最大化观察到学生s学习记录XT的似然函数，也即最大化如下的联合概率：
采用图2表示基于HMM的学习过程，以及潜状态和可观测状态之间的转换关系，基于马尔可夫性的假设，可以将联合概率进行简化，从而推导出条件概率如下：
从似然公式推断，Ps(XT|YT)是潜在的转移过程，转移过程会受一些协变量的影响，包括学***均回答时间以及回答时间的标准差，其中，学习者的个人特征包括年龄和性别。
初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图；
具体的，从使用专家构建的知识图作为初始状态，然后使用数据驱动的方法来不断更新和完善知识图，贝叶斯方法基于学习者的历史学习记录，可以用于查找知识点之间的关联关系；贝叶斯方法的基本原理是非常直观的：如果对于知识点T2掌握程度较低的学习者，T1的题目大概率会回答错误，也即T1上的错误表现可归因于T2没有掌握好，那么我们就可以推断T2是 T1的先验知识点，只有掌握好了T2，才可能掌握好T1，并正确回答与T1 相关的题目，这种L-L型(Low-Low)(Lee et al.2012)的内在联系，可以用于构建出知识点之间的层次关系。
因此，通过学习记录上表现出的关联关系，后端服务器推断出潜在的知识点之间的依赖性，随着***积累了越来越多的学习记录，贝叶斯方法将不断更新知识图并使其更加精确。
根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
具体的，通过HMM识别出学习者的薄弱知识环节，为学习者反馈学习材料，从而让学习者弥补不足，根据不同的学习策略，可以形成不同的反馈序列，对于同组学习，后端服务器指令学习者只关注其最薄弱知识环节；对于交错学习，后端服务器指令学习者关注多个所述薄弱知识环节；对于基于知识图的交错学习，反馈信息包括多个所述薄弱知识环节和必备的先验知识点。
对于每个薄弱知识环节，后端服务器通过回溯知识图找到它的先验知识点，如果学***台选择学习者最薄弱的知识点及其先验知识点。
根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
具体的，个性化反馈主要为与学生进行交互，将构建的交叉反馈队列落实到题目，提供给学生进行复习和做题。主要涉及：
知识点到题目的转化：
知识点与题目并非简单的一一对应关系，一个知识点可以包含1个到多个题目，1个题目也可以归属于1个或多个知识点之下。
在此情况下，拥有了交叉反馈队列中的薄弱知识点和先验知识点后，需根据题目与知识图的映射关系，生成可供学生学习做题的个性化题目。
实现个性化反馈遵循以下规则：
题目尽可能少，1个题目最好能多覆盖交叉反馈队列中的薄弱知识点和先验知识点；因1个题目可能会归属多个知识点，因此尽可能少覆盖交叉反馈队列外的知识点，若题目覆盖的队列外的知识点超过了40％则会考虑更换题目；在前3次个性化反馈题目列表中的，本次模块将不纳入可选题目范围，除非已无其他合适的题目可覆盖交叉反馈队列中的知识点；相同知识点下的，优先选择被选次数少的题目，避免1个题目多次被选而另1个题目无人问津的情况。
学习量的控制：
若学生的基础较差，薄弱知识点及其先验知识点较多，生成的个性化反馈题目大为超过了一次学习周期内的学习量，则个性化反馈模块会根据设置的动态参数，将反馈的题目进行拆分。
可配置的动态参数主要分为：
学生归类：参数为薄弱知识点及其先验知识点的数量，为两个数值，小于第一个数值的为基础薄弱学生，大于第一个小于第二个的为基础一般学生，大于第二个数值的为基础良好学生。
学习量定义：参数为一次学习周期内基础一般学生的反馈题目的个数，为一区间值。
学习量差异：参数为2个百分比数值，分别定义基础薄弱学生和基础良好学生在一个学习周期内的反馈题目个数与基础一般学生的比值，默认基础薄弱学生为75％，基础良好学生为120％。
具体的，根据交叉反馈队列，教师进行个性化反馈后评估学生的测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列，即学习者完成个性化反馈后，后端服务器将评估他们的测试结果，并重新计算学习者的新薄弱知识环节并形成新反馈序列。
在本发明的一个具体实施例中，所述利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节包括：
获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
具体的，获取学生的学习记录，主要为学生通过考试中心的几次测试结果，以及个性化试题推送的答题情况；查找***中是否存在相似的学生的第一薄弱知识环节列表，主要通过答题时效性、答题正确率以及答错题知识点的交错率几个方面查找；采用HMM模型对学习记录进行数据挖掘，得到初始的第二薄弱知识环节列表；整合第一薄弱知识环节列表和第二薄弱知识环节列表，最终得到学生需重点学习掌握的知识点；随着使用，积累到学生越来越多的学习记录，不断调整优化学生的薄弱知识环节列表。
在本发明的一个具体实施例中，在线学习数据包括历史学习记录、学习行为记录及个人特征。
具体的，学生的在线学***均回答时间，以及回答时间的标准差；个人特征：性别和年龄。根据输入的在线学习数据，使用隐式马尔可夫模型进行计算，得到学生对每个知识点的掌握情况。此结果为从学生开始使用，(设为时间1)到本计算周期(设为时间T)的随时间演变的马尔科夫链。
在本发明的一个具体实施例中，所述初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图包括：
获取导入试题及对应的知识点；
制定知识点的关联关系和层级关系，生成基础知识图；
采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯方法统计后验概率，动态优化知识图。
具体的，获取教师导入试题及对应的知识点，根据教师制定的知识点的关联关系和层级关系，初步生成基础知识图，收集学生的学习记录，基于 L-L型(Low-Low)的内在联系建立数据模型，通过贝叶斯统计后验的原理，采用大数据分析的方法，动态优化知识图。
在本发明的一个具体实施例中，所述所述构建交叉反馈队列包括：
获取第一薄弱知识环节列表；
基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
具体的，获取学生的第一薄弱知识环节列表，基于第一薄弱知识环节列表，通过知识图的关系，获取到学生需要掌握的所有先验知识点，将需掌握的所有知识点采用机器学习的方式，参考相似学生的个性化交错学习策略，生成最佳学习路径。
如图3-5所示，本发明的另一方面，提供一种多元智能教育***，包括：
薄弱知识点识别模块，用于利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
知识图构建模块，用于初始化知识图，识别所述薄弱知识环节，利用贝叶斯***实时更新知识图；
交叉反馈队列构建模块，用于根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
测试结果评估模块，用于根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
在本发明的一个具体实施例中，所述薄弱知识点识别模块包括：
查找模块，用于获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
数据挖掘模块，用于采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合模块，用于整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
在本发明的一个具体实施例中，所述知识图构建模块包括：
第一获取模块，用于获取导入试题及对应的知识点；
第一生成模块，用于制定知识点的关联关系和层级关系，生成基础知识图；
构建模块，用于采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯***统计后验概率，动态优化知识图。
在本发明的一个具体实施例中，所述交叉反馈队列构建模块包括：
第二获取模块，用于获取第一薄弱知识环节列表；
第三获取模块，用于基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
第二生成模块，用于采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
在本发明的一个具体实施例中，该***还包括：
家庭作业模块，用于根据知识图***性学习巩固所述知识点；
具体的，根据知识图按顺序逐个推送知识点，直到学生完全掌握当前知识点后，再推送下一个知识点；***性地学***台的信心以及兴趣。
考试中心模块，用于验证所述第一用户的学习效果；
具体的，采用限时答题的方式，全面测试学生对所有知识点的掌握情况，验证学生的学***台学习的最终效果。
个性化试题推送模块，用于推送个性化试题，并收集存储每次考评结果；
具体的，以考试中心模块中前测的结果作为数据基础，通过薄弱知识环节识别和知识图的处理后，对学生进行个性化试题推送，并收集存储每次的考评结果，用于后续的机器学习及大数据分析。
根据每次个性化试题推送的测试结果，动态更新学生的薄弱知识环节，更准确地掌握学生的学习情况，使每次的试题推送更有针对性。
根据每次个性化试题推送的测试结果，不断论证个性化试题推送的有效性，进而验证知识点之间的关联关系和层次关系的准确性，若有差异则通过贝叶斯方法统计的后验概率进行调整，通过人工智能机器学习的方式，不断地完善知识图。
在准确掌握学生的薄弱知识环节之后，结合不断完善的知识图，逐步优化基于交错学习策略的试题推送顺序，让学习者在多个乱序的知识点中同时学习，不断地对问题进行识别和分类，并从脑海中检索出相关的知识点，从而达到良好的学习效果。
知识点解析模块，用于浏览每个知识点的答题情况，并解析每个答题错误的知识点。
具体的，学生可以方便快捷地浏览到每个知识点下的答题情况以及回答错误的试题详情及答题依据，便于学生针对薄弱点重点学习。
在本发明的一个具体实施例中，该***还包括业务功能模块，其中，业务功能模块主要可分为试题导入及知识点归类模块、知识点关系创建模块、试题详情模块和学生详情模块，其中，
试题导入及知识点归类模块，用于导入试题的基本内容及试题所属的知识点信息，为后续的知识图搭建准备数据基础；
知识点关系创建模块，用于充分利用教师的丰富的教学经验，为每个知识点对应找到其先验知识点，构建出基础的知识点的关联关系和层次关系，并以此知识图作为初始状态，随后根据***积累的越来越多的学习记录，贝叶斯方法将不断更新知识图并使其更加精确；
试题详情模块
教师可直观地看到每道试题推送了多少次、正确回答的次数等答题情况，可根据此对试题进行内容修正或者手动调整知识图关系；
学生详情模块
教师所负责学生的答题情况统计，一目了然地展示学生通过使用该***后学习成绩的提升路程。
后端服务总体可分为个性化学习策略、智能化学习、关键指标分析和激励机制共四大模块：
该***还包括关键指标分析模块和激励机制模块，其中，
关键指标分析模块
结合学生的历史学***台采集学生在线行为等非结构化的实时数据，进行影响学习效果的关键指标分析，最终生成统计结果，供学生和教师使用：
学生能够看到近期使用平台的相关情况，包括答题结果统计以及其他的一些行为统计，好的统计结果可起到激励学生积极使用平台的效果，相应的不足的地方也会起到警醒的作用；
教师能看到所负责学生使用平台的总体情况，可根据此调整试题难度及所属知识点等。
激励机制模块
主要为了解决以下问题：
在线学习的激励机制：如何让学生更好地采纳在线学习？
如何提高转化率、活跃度？如果降低学生退出率？
如何培养学生在线使用习惯？
Gamification：如何使得在线学习更加有趣？
再好的理论再好的***，也得吸引学生去使用，针对此，在激励机制模块，当前主要采用了以下两大方式：
游戏机制：将学***台里游戏角色的成长，并且采用同学间游戏角色PK的机制，吸引学生去学习成长；
任务激励：每一项学习任务的完成，都会显式地展示出来，让学生能明确地看到进度的推进，并且针对任务都有相应的实际奖励。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
在具体使用时，如图1所示，根据本发明的多元智能教育方法，具体步骤如下：教师初始化知识图，搭建完成知识图的总体架构及相应逻辑关系；教师导入试题，并制定每个题目所属于的知识点；学生登录多元智能教育***进行答题，生成做题记录；由做题记录，结合题目与知识点的映射关系，整理出学生的知识点掌握情况；使用贝叶斯方法，基于学生的知识点学习记录，查找到知识点之间的关联关系，不断地更新完善知识图；由学生的知识点学习记录，通过隐式马尔可夫模型，掌握到学生学习过程中知识点的熟练度和学习记录之间的依赖关系，并确定每个学生的薄弱知识点；由薄弱知识点记录，结合知识图，明确查找到学生需提前掌握的先验知识点；多元智能教育***是基于知识图的交错学习策略，构建的交叉反馈队列中，同时包含了多个薄弱知识点，以及其的先验知识点，并根据知识图的前后关系对队列进行了最优排序；交叉反馈队列只是知识点的最优学习策略，还需结合题目与知识点的映射关系，生成最终反馈给学生的个性化题目；学生基于最适合他本人的个性化题目进行学习并答题，再次生成答题记录。基于此，***形成了一个良性循环，知识图不断完善更新，学生的薄弱知识点同步调整，制定出更适合学生的个性化学习策略并反馈相应题目。
综上所述，借助于本发明的上述技术方案，不仅能够实现良好的在线学***性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多元智能教育方法，其特征在于，包括以下步骤：
利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图；
根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
2.根据权利要求1所述的多元智能教育方法，其特征在于，所述利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节包括：
获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
3.根据权利要求1所述的多元智能教育方法，其特征在于，所述在线学习数据包括历史学习记录、学习行为记录及个人特征。
4.根据权利要求1所述的多元智能教育方法，其特征在于，所述初始化知识图，识别所述薄弱知识环节，利用贝叶斯方法实时更新知识图包括：
获取导入试题及对应的知识点；
制定知识点的关联关系和层级关系，生成基础知识图；
采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯方法统计后验概率，动态优化知识图。
5.根据权利要求1-4任一项所述的多元智能教育方法，其特征在于，所述构建交叉反馈队列包括：
获取第一薄弱知识环节列表；
基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
6.一种多元智能教育***，其特征在于，包括：
薄弱知识点识别模块，用于利用隐式马尔可夫模型计算在线学习数据，得出薄弱知识环节；
知识图构建模块，用于初始化知识图，识别所述薄弱知识环节，利用贝叶斯***实时更新知识图；
交叉反馈队列构建模块，用于根据不同所述薄弱知识环节制定相应学习交互策略，所述知识图查找每个薄弱知识环节相对应的先验知识点，并构建交叉反馈队列；
测试结果评估模块，用于根据交叉反馈队列，进行个性化反馈后评估测试结果，根据所述测试结果重新获取新薄弱知识环节生成新反馈序列。
7.根据权利要求6所述的多元智能教育***，其特征在于，所述薄弱知识点识别模块包括：
查找模块，用于获取在线学习数据，查找是否存在相似第一薄弱知识环节列表；
数据挖掘模块，用于采用隐式马尔可夫模型对所述在线学习数据进行数据挖掘，得到第二薄弱知识环节列表；
整合模块，用于整合所述第一薄弱知识环节列表和所述第二薄弱知识环节列表，获取重点学习掌握的知识点。
8.根据权利要求6所述的多元智能教育***，其特征在于，所述知识图构建模块包括：
第一获取模块，用于获取导入试题及对应的知识点；
第一生成模块，用于制定知识点的关联关系和层级关系，生成基础知识图；
构建模块，用于采集在线学习数据，基于L-L型的内在联系构建数据模型，通过贝叶斯***统计后验概率，动态优化知识图。
9.根据权利要求6所述的多元智能教育***，其特征在于，所述交叉反馈队列构建模块包括：
第二获取模块，用于获取第一薄弱知识环节列表；
第三获取模块，用于基于第一薄弱知识环节列表，通过知识图的关系获取到需掌握的所有先验知识点；
第二生成模块，用于采用机器学习方式参考相似个性化交错学习策略，生成最佳学习路径。
10.根据权利要求6-10任一项所述的多元智能教育***，其特征在于，该***还包括：
家庭作业模块，用于根据知识图***性学习巩固所述知识点；
考试中心模块，用于验证所述第一用户的学习效果；
个性化试题推送模块，用于推送个性化试题，并收集存储每次考评结果；
知识点解析模块，用于浏览每个知识点的答题情况，并解析每个答题错误的知识点。
CN201910614149.1A 2019-07-09 2019-07-09 一种多元智能教育方法及*** Pending CN110473123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910614149.1A CN110473123A (zh) 2019-07-09 2019-07-09 一种多元智能教育方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910614149.1A CN110473123A (zh) 2019-07-09 2019-07-09 一种多元智能教育方法及***

Publications (1)

Publication Number Publication Date
CN110473123A true CN110473123A (zh) 2019-11-19

Family

ID=68507535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910614149.1A Pending CN110473123A (zh) 2019-07-09 2019-07-09 一种多元智能教育方法及***

Country Status (1)

Country Link
CN (1) CN110473123A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400409A (zh) * 2020-04-29 2020-07-10 漂洋过海(厦门)科技股份有限公司 一种基于学生数据溯源的信息分析***
CN111695496A (zh) * 2020-06-10 2020-09-22 肖刚 一种智能互动学习方法、学习编程方法及机器人
CN111798138A (zh) * 2020-07-07 2020-10-20 广州视源电子科技股份有限公司 数据处理方法、计算机存储介质及相关设备
CN111897945A (zh) * 2020-07-07 2020-11-06 广州视源电子科技股份有限公司 前置知识点的标注、题目推送方法、装置、设备及介质
CN112256805A (zh) * 2020-10-30 2021-01-22 清华大学深圳国际研究生院 一种学习方案的生成方法、***及计算机可读存储介质
CN112396891A (zh) * 2020-10-12 2021-02-23 镇江长香科技服务有限公司 基于人工智能的自适应在线职业培训平台
CN112785140A (zh) * 2021-01-18 2021-05-11 辽宁向日葵教育科技有限公司 一种基于知识图谱的智能教育推荐方法、***、电子设备及计算机存储介质
CN112908067A (zh) * 2021-03-09 2021-06-04 浙江创课网络科技有限公司 一种基于多维度分层机制的学生作业分发***
CN113362202A (zh) * 2020-12-03 2021-09-07 北京睿诺思教育科技有限公司 一种精准筛选学员薄弱知识点的***
CN116561347A (zh) * 2023-07-07 2023-08-08 广东信聚丰科技股份有限公司 基于用户学习画像分析的题目推荐方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599999A (zh) * 2016-12-09 2017-04-26 北京爱论答科技有限公司 少量题目精准探测学生细分薄弱知识点的测评方法及***
CN108615423A (zh) * 2018-06-21 2018-10-02 中山大学新华学院 一种基于深度学习的线上教育管理***
CN109598995A (zh) * 2019-01-08 2019-04-09 上海健坤教育科技有限公司 基于贝叶斯知识跟踪模型的智能教学***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599999A (zh) * 2016-12-09 2017-04-26 北京爱论答科技有限公司 少量题目精准探测学生细分薄弱知识点的测评方法及***
CN108615423A (zh) * 2018-06-21 2018-10-02 中山大学新华学院 一种基于深度学习的线上教育管理***
CN109598995A (zh) * 2019-01-08 2019-04-09 上海健坤教育科技有限公司 基于贝叶斯知识跟踪模型的智能教学***

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400409A (zh) * 2020-04-29 2020-07-10 漂洋过海(厦门)科技股份有限公司 一种基于学生数据溯源的信息分析***
CN111695496A (zh) * 2020-06-10 2020-09-22 肖刚 一种智能互动学习方法、学习编程方法及机器人
CN111798138A (zh) * 2020-07-07 2020-10-20 广州视源电子科技股份有限公司 数据处理方法、计算机存储介质及相关设备
CN111897945A (zh) * 2020-07-07 2020-11-06 广州视源电子科技股份有限公司 前置知识点的标注、题目推送方法、装置、设备及介质
CN111897945B (zh) * 2020-07-07 2024-07-02 广州视源电子科技股份有限公司 前置知识点的标注、题目推送方法、装置、设备及介质
CN112396891A (zh) * 2020-10-12 2021-02-23 镇江长香科技服务有限公司 基于人工智能的自适应在线职业培训平台
CN112256805A (zh) * 2020-10-30 2021-01-22 清华大学深圳国际研究生院 一种学习方案的生成方法、***及计算机可读存储介质
CN113362202A (zh) * 2020-12-03 2021-09-07 北京睿诺思教育科技有限公司 一种精准筛选学员薄弱知识点的***
CN112785140A (zh) * 2021-01-18 2021-05-11 辽宁向日葵教育科技有限公司 一种基于知识图谱的智能教育推荐方法、***、电子设备及计算机存储介质
CN112908067A (zh) * 2021-03-09 2021-06-04 浙江创课网络科技有限公司 一种基于多维度分层机制的学生作业分发***
CN116561347A (zh) * 2023-07-07 2023-08-08 广东信聚丰科技股份有限公司 基于用户学习画像分析的题目推荐方法及***
CN116561347B (zh) * 2023-07-07 2023-11-07 广东信聚丰科技股份有限公司 基于用户学习画像分析的题目推荐方法及***

Similar Documents

Publication Publication Date Title
CN110473123A (zh) 一种多元智能教育方法及***
Cortez et al. Using data mining to predict secondary school student performance
CN109598995A (zh) 基于贝叶斯知识跟踪模型的智能教学***
CN106875309A (zh) 一种课程推荐方法及***
CN110321291A (zh) 测试案例智能提取***及方法
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
CN112784608B (zh) 试题推荐方法、装置、电子设备和存储介质
CN107423851A (zh) 基于学习风格情境感知的自适应学习方法
CN107103384A (zh) 一种基于三维知识网络的学习者学习轨迹量化方法
CN104133817A (zh) 网络社区交互方法、装置及网络社区平台
CN109800300A (zh) 一种学习内容推荐方法及***
CN114065040A (zh) 基于学科知识图谱的个性化学习路径和学习资源推荐方法
Tran et al. Performance prediction for students: A multi-strategy approach
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及***
Huo et al. Towards personalized learning through class contextual factors-based exercise recommendation
Grivokostopoulou et al. An ontology-based approach for user modelling and personalization in e-learning systems
Li et al. MOOC-FRS: A new fusion recommender system for MOOCs
US20120329028A1 (en) Method for intelligent personalized learning service
CN109635869A (zh) 在线学习干预***
CN110110227A (zh) 一种智能教育机器人辅助学习方法
Chu et al. Multi-layer personalized federated learning for mitigating biases in student predictive analytics
CN109800880B (zh) 基于动态学习风格信息的自适应学习特征提取***及应用
CN107067864A (zh) 一种基于情景的教学方法和装置
CN109299805A (zh) 一种基于人工智能的在线教育课程请求处理方法
CN115205072A (zh) 一种面向长周期测评的认知诊断方法

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

Application publication date: 20191119

RJ01 Rejection of invention patent application after publication