CN113851020A - 一种基于知识图谱的自适应学习平台 - Google Patents

一种基于知识图谱的自适应学习平台 Download PDF

Info

Publication number
CN113851020A
CN113851020A CN202111297763.3A CN202111297763A CN113851020A CN 113851020 A CN113851020 A CN 113851020A CN 202111297763 A CN202111297763 A CN 202111297763A CN 113851020 A CN113851020 A CN 113851020A
Authority
CN
China
Prior art keywords
learning
student
knowledge
style
students
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
CN202111297763.3A
Other languages
English (en)
Inventor
张准
王一辰
黄俊鹏
苏俊杰
马琼雄
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202111297763.3A priority Critical patent/CN113851020A/zh
Publication of CN113851020A publication Critical patent/CN113851020A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明提供了一种基于知识图谱的自适应学习平台。该方案包括学生用户端和学习管理端；其中，所述学生用户端，为所述学生用户提供交互信息，包括查看学习历史、查看个人评价；分析所述学生用户学习风格，进行学生学习行为学习，推荐适宜风格的学习资源；收集所述学生用户学习行为，进行知识重难点内容推荐和动态学习路径规划；其中，所述学习管理端，定向调整学习资源，所述定向调整学习资源为学习管理者根据学生个体的学习情况为单个学生提供学习建议，进行动态学习路径规划。该方案通过对于学习风格学习的基础上，结合对于重点掌握程度的提取，实现随着个体的不同进行针对性学习。

Description

一种基于知识图谱的自适应学习平台
技术领域
本发明涉及线上教育技术领域，更具体地，涉及一种基于知识图谱的自适应学习平台。
背景技术
在线上教育如火如荼的今天，“互联网+教育”的学习模式确实具有很多传统线下教育不可比拟的优势，例如丰富而广泛的学习资源，不受时空限制的学习方式，个性化的学习方法等。线上教育仍然尚不完善，存在很多需要改进的问题，尤其是教学内容的设置方面。
在本发明技术之前，线上教育时通常采用照搬线下教育，并在此基础上进行内容稀释的模式。因此，最后线上教育将海量的教学资源堆砌在学习者面前。这种方式，在实际使用过程中，会使得学习者陷入迷航，面对资源无从下手，很难根据学习者学习习惯完成个性化的学习。此外，由于传统线下教学知识之间的关联关系是由老师在不动声色的控制着，而在线上学习中，知识之间缺乏明显的关联性，学生在学习很难形成***性的知识结构，极易出现知识漏洞。这些都导致了线上学习并不能达到令人满意的效果。
针对上述线上教育的不足之处，目前较好地解决办法是使用自适应学习***进行线上学习。自适应学习***是指通过收集和分析学生在进行学习活动时与线上***的交互数据来建立学习者模型，并以此动态地适应学习者的学习需求。它将学习者由客体变成主体，变被动学习为主动学习，实现个性化学习；同时自适应学习***还能够有效化解线上教育所固有地“总体资源无限”和“个体资源需求有限”之间的矛盾，使线上教育资源的利用最大化。自适应学习***一般由知识模型、学生模型、结构模型和自适应引擎四部分组成，其中知识模型用于描述知识结构，表达知识概念之间的联系，是自适应学习***进行学习适配和资源推荐的重要依据。因此，知识模型的质量直接决定了自适应学习***的有效性。但传统教学中的知识往往是以半结构化或非结构化的数据形式存在的，这样的数据很难直接应用于构建模型。现有的大部分知识模型或基于教学目录直接搭建或只进行简单的分类，忽略了知识概念之间的关联，故模型均存在知识表现离散、***性不强等问题。
发明内容
鉴于上述问题，本发明提出了一种基于知识图谱的自适应学习平台，通过对于学习风格学习的基础上，结合对于重点掌握程度的提取，实现随着个体的不同进行针对性学习。
根据本发明实施例第一方面，提供一种基于知识图谱的自适应学习平台。
在一个或多个实施例中，优选地，所述一种基于知识图谱的自适应学习平台包括：
该平台包括学生用户端和学习管理端；
其中，所述学生用户端，具体实施为：
为学生用户获取线上学***台、学习资源、考试测评、论坛讨论；
为所述学生用户提供与所述基于知识图谱的自适应学习平台的交互信息，所述交互信息包括查看学习历史、查看个人评价；
分析所述学生用户学习风格，进行学生学习行为学习，进而推荐适宜风格的学习资源；
收集所述学生用户学习行为，进行知识重难点内容推荐和动态学习路径规划；
其中，所述学习管理端，具体实施为：
执行所述学生用户管理功能，所述学生用户管理功能包括学生基本信息查看、学生学习情况查看；
修改知识图谱，所述修改知识图谱具体为学习管理者根据学生整体的学习情况对学科知识图谱进行增加、删除、修改、查询和批量导入；
定向调整学习资源，所述定向调整学习资源为学习管理者根据学生个体的学习情况为单个学生提供学习建议，并定向地添加或调整学习资源，提供学习资源的批量导入，学习管理者对学生整体大批量地添加或调整学习资源，在定向调整学生资源过程中，进行动态学习路径规划；
其中，所述定向调整学习资源通过对知识重难点内容推荐实现。
在一个或多个实施例中，优选地，所述学生用户端的工作流程具体功能包括：
步骤一、所述学生用户登陆后，判断是否进行过学习风格测试，若已进行过学习风格测试，则直接执行步骤二，若未进行过，则利用量表获得所述学生用户的学习风格的初测结果，再进行步骤二；
步骤二、判断所述学生用户是否有学习历史，若存在学习历史，则直接执行步骤三；若不存在学习历史，则将课程第一个知识点设置为当前知识点，根据所述学生用户的学习风格推送当前知识点对应风格的学习资源，同时收集所述学生用户的学习数据，对所述学生用户的学习风格进行修正；
步骤三、判断所述学生用户是否处于学习章节完成状态，若处于所述学习章节完成状态，则调取对应的习题资源，测试学生的学习成果，之后根据学生的学习效果情况，结合所述学科知识图谱，为学生规划学习路径，进行知识的查漏补缺；若未处于所述学习章节完成状态，则执行步骤四；
步骤四、判断所述学生用户是否满足知识难点推荐条件，是否已进行过超过一定量的学习，若满足知识重难点推荐条件，则根据协同推荐算法给所述学生用户进行个性化的标注难点知识，将重点学习推荐给所述学生用户；若不满足知识重难点推荐条件，则继续进行当前未完成的学习任务。
在一个或多个实施例中，优选地，所述学习管理端的工作流程，具体包括：
查看所述学生用户的当前的学习进度和学习效果；
根据整体学生的学习进度和学习效果，对所述学科知识图谱进行适应性修改，添加或调整当前的学习资源；
针对所述学生用户的个体学习情况，根据薄弱和未掌握知识点给出针对性建议，添加针对性的习题或学习资源，帮助所述学生用户提高知识掌握程度。
在一个或多个实施例中，优选地，所述分析所述学生用户学习风格，具体为：学习风格测量，生成量表，通过所述量表从四个维度进行学生的学习风格学习，生成的所述学生用户对应的学习风格，所述学习风格共有八种类型；
其中，所述四个维度分别是：信息加工、感知、信息输入、内容理解；
其中，所述八种类型分别是：活跃型、沉思型、感悟型、直觉型、视觉型、言语型、序列型、综合型；
其中，所述量表共有44道问卷测试题，其中，所述四个维度中每个维度分别对应11道题所述问卷测试题，所述问卷测试题均只有a，b两个选项，学生用户答题完成后，统计每个维度对应的a选项和b选项个数，以个数的差值的绝对值作为所述学生学习风格的所述量表的计算值。
在一个或多个实施例中，优选地，所述学生学习行为学习，包括利用贝叶斯网络挖掘学生的学习行为，并根据学生学习风格判断指标的计算公式对所述学生用户对应的成绩影响指标，并对所述学生学习风格做动态调整，具体包括：
确定出能够记录到的跟学习风格有关的所述学生学习行为，作为过程学习行为；以所述过程学习行为作为参数，将所述过程学习行为代入贝叶斯网络计算公式，推断所述学生用户在对应维度上的学习风格为何种类型；
设置成绩影响指标，测试结果为优则计所述成绩影响指标为100％，测试结果为良则计所述成绩影响指标为70％，测试结果为差则计所述成绩影响指标为30％；
利用所述成绩影响指标根据所述分析所述学生用户学习风格进行所述学生学习风格做动态调整；
其中，所述贝叶斯网络计算公式为：
Figure BDA0003336988550000051
其中，P(X1,X2,...,Xn)为一系列关联节点的联合概率，N是关联节点的总数，j为关联节点的编号，Parents(Yj)是关联节点Xj对应的上层节点集，P(Xj|Parents(Yj))为关联节点Xj的条件概率；
所述学生学习风格判断指标的计算公式为：
Figure BDA0003336988550000052
其中，P为所述学生学习风格判断指标，
Figure BDA0003336988550000053
为所述成绩影响指标，Parents(Y1,Y2)是关联节点X1和X2对应的上层节点集。
在一个或多个实施例中，优选地，所述动态学习路径规划，具体包括：
获取预设的学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
通过所有的学科课程提取关键词，凝练为知识点，并确定各个知识点之间的子级与父级关系、前置与后置关系，
获取所述子级与父级关系、所述前置与后置关系，设置为学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
将所述学科知识图谱通过cypher存储在neo4j图形化数据库；
其中，Cypher是一个描述性的图形查询语言，允许不必编写图形结构的遍历代码对图形存储有表现力和效率的查询。Cypher还在继续发展和成熟，这也就意味着有可能会出现语法的变化。同时也意味着作为组件没有经历严格的性能测试。Cypher设计的目的适合于开发者和在数据库上做点对点模式查询的专业操作人员。
neo4j图形化数据库是一个高性能的图形数据库，将结构化数据存储在网络上而不是表中，是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络。
建立所述学科知识图谱的链接，等待通过链接直接操作所述neo4j图形化数据库；
根据所述学科知识图谱中的每个知识点设置至少十道对应的练习题存储到所述neo4j图形化数据库中；
使所述学生用户进行对同一个知识点的十道题目的测试，获取正确题目数量；
当所述正确题目数量大于8时，视为掌握状态，当所述正确题目数量不大于8且不小于5时，视为理解状态，当所述正确题目数量小于5时，视为未掌握状态；
将所述学生用户为所述理解状态的知识点归为薄弱知识点，在知识点列表上呈现并推荐学生复习对应的知识点内容；
将所述学生用户为所述未掌握状态的知识点归为未知知识点，在知识点列表上用特殊颜色呈现并推荐学生重点学习该知识点内容，同时考察所述学生用户对于该知识点的前置知识点掌握情况，若仍为未知知识点则继续向上一级知识点考察，以此可在知识图谱中连接出一条个性化的知识点学习路径，同时会随着学生掌握知识点的情况动态改变学习路径。
在一个或多个实施例中，优选地，所述知识重难点内容推荐，具体包括：
获取一个学习单元，作为一个学习单位；
设置目标学生，其中，所述目标学生是指已完成所述学习单位三分之一学习内容且已经完成内容的对应***全部完成的学生；
设置对照学生，其中，所述对照学生是指完成所述学习单位全部学习内容且已完成单元测试的学生；
设置为每个知识点设置十道测试题目；
对所述目标学生和所述对照学生的每个知识点进行十道题目的测试，获得正确作答题目的数量作为所述目标学生对对应的知识点的掌握程度；
根据所述目标学生和所述对照学生的掌握程度利用协同过滤推荐方法进行相似度计算；
计算所有的所述目标学生与所有的所述对照学生的相似度后，确定相似度大于0.95的所述对照学生对应的所述目标学生为相似同学，将所述相似同学在后面的已学习内容中遇到的重难点问题推荐给与其对应的所述目标学生作为重点学习内容。
在一个或多个实施例中，优选地，所述协同过滤推荐方法，具体包括：
根据所述目标学生和所述对照学生的重点掌握程度利用第一计算公式计算学生掌握相似度；
其中，所述第一计算公式为：
Figure BDA0003336988550000071
其中，sim为所述学生掌握相似度，xi为目标学生对第i知识点的掌握度，yi为对照学生对第i知识点的掌握度，n为所述目标学生已学习的知识点个数。
根据本发明实施例第二方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第三方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，提供了一种基于学习风格的自适应的学习方法，通过调整学生的学习内容，完成对于学生状态的动态更新；同时在学习风格确定的过程中，创新性地加入了测试成绩影响指标，使学习风格的确定相比于现有方法来说更加准确；
2)本发明实施例中，提供了一种重点掌握程度的提取方法，实现根据相似的学生的学习经验自适应的调整学生的学习路线，对于不同个体的针对性的学习。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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是本发明一个实施例的一种基于知识图谱的自适应学习平台的结构图。
图2是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生用户端的工作流程图。
图3是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学习管理端的工作流程图。
图4是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生学习风格的问卷测试图。
图5是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生学习行为学习的流程图。
图6是本发明一个实施例的一种基于知识图谱的自适应学习平台中的动态学习路径规划的流程图。
图7是本发明一个实施例的一种基于知识图谱的自适应学习平台中的知识重难点内容推荐的流程图。
图8是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在线上教育如火如荼的今天，“互联网+教育”的学习模式确实具有很多传统线下教育不可比拟的优势，例如丰富而广泛的学习资源，不受时空限制的学习方式，个性化的学习方法等。线上教育仍然尚不完善，存在很多需要改进的问题，尤其是教学内容的设置方面。
在本发明技术之前，线上教育时通常采用照搬线下教育，并在此基础上进行内容稀释的模式。因此，最后线上教育将海量的教学资源堆砌在学习者面前。这种方式，在实际使用过程中，会使得学习者陷入迷航，面对资源无从下手，很难根据学习者学习习惯完成个性化的学习。此外，由于传统线下教学知识之间的关联关系是由老师在不动声色的控制着，而在线上学习中，知识之间缺乏明显的关联性，学生在学习很难形成***性的知识结构，极易出现知识漏洞。这些都导致了线上学习并不能达到令人满意的效果。
针对上述线上教育的不足之处，目前较好地解决办法是使用自适应学习***进行线上学习。自适应学习***是指通过收集和分析学生在进行学习活动时与线上***的交互数据来建立学习者模型，并以此动态地适应学习者的学习需求。它将学习者由客体变成主体，变被动学习为主动学习，实现个性化学习；同时自适应学习***还能够有效化解线上教育所固有地“总体资源无限”和“个体资源需求有限”之间的矛盾，使线上教育资源的利用最大化。自适应学习***一般由知识模型、学生模型、结构模型和自适应引擎四部分组成，其中知识模型用于描述知识结构，表达知识概念之间的联系，是自适应学习***进行学习适配和资源推荐的重要依据。因此，知识模型的质量直接决定了自适应学习***的有效性。但传统教学中的知识往往是以半结构化或非结构化的数据形式存在的，这样的数据很难直接应用于构建模型。现有的大部分知识模型或基于教学目录直接搭建或只进行简单的分类，忽略了知识概念之间的关联，故模型均存在知识表现离散、***性不强等问题。
自适应学***台均存在实用性较差的问题。
本发明实施例中，提供了一种基于知识图谱的自适应学习平台。该方案通过对于学习风格学习的基础上，结合对于重点掌握程度的提取，实现随着个体的不同进行针对性学习。
根据本发明实施例第一方面，提供一种基于知识图谱的自适应学习平台。
图1是本发明一个实施例的一种基于知识图谱的自适应学习平台的结构图。
如图1所示，在一个或多个实施例中，优选地，所述一种基于知识图谱的自适应学习平台包括：
该平台包括学生用户端101和学习管理端102；
其中，所述学生用户端，具体实施为：
S101、为学生用户获取线上学***台、学习资源、考试测评、论坛讨论；
S102、为所述学生用户提供与所述基于知识图谱的自适应学习平台的交互信息，所述交互信息包括查看学习历史、查看个人评价；
S103、分析所述学生用户学习风格，进行学生学习行为学习，进而推荐适宜风格的学习资源；
S104、收集所述学生用户学习行为，进行知识重难点内容推荐和动态学习路径规划；
其中，所述学习管理端，具体实施为：
S105、执行所述学生用户管理功能，所述学生用户管理功能包括学生基本信息查看、学生学习情况查看；
S106、修改知识图谱，所述修改知识图谱具体为学习管理者根据学生整体的学习情况对学科知识图谱进行增加、删除、修改、查询和批量导入；
S107、定向调整学习资源，所述定向调整学习资源为学习管理者根据学生个体的学习情况为单个学生提供学习建议，并定向地添加或调整学习资源，提供学习资源的批量导入，学习管理者对学生整体大批量地添加或调整学习资源，在定向调整学生资源过程中，进行动态学习路径规划；
其中，所述定向调整学习资源通过对知识重难点内容推荐实现。
在本发明实施例中，所述学生用户端为学生提供线上的学***台也提供学习资源的批量导入，学习管理者也可针对学生整体大批量地添加或调整学习资源。
其中，所述基于知识图谱的自适应学习平台以react搭建网页前端应用，以django搭建网页后端服务；同时，网页将收集到的用户信息和用户数据通过后端保存在mysql数据库中，便于随时的比对和调用。
图2是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生用户端的工作流程图。
如图2所示，在一个或多个实施例中，优选地，所述学生用户端的工作流程具体功能包括：
步骤一、所述学生用户登陆后，判断是否进行过学习风格测试，若已进行过学习风格测试，则直接执行步骤二，若未进行过，则利用量表获得所述学生用户的学习风格的初测结果，再进行步骤二；
步骤二、判断所述学生用户是否有学习历史，若存在学习历史，则直接执行步骤三；若不存在学习历史，则将课程第一个知识点设置为当前知识点，根据所述学生用户的学习风格推送当前知识点对应风格的学习资源，同时收集所述学生用户的学习数据，对所述学生用户的学习风格进行修正；
步骤三、判断所述学生用户是否处于学习章节完成状态，若处于所述学习章节完成状态，则调取对应的习题资源，测试学生的学习成果，之后根据学生的学习效果情况，结合所述学科知识图谱，为学生规划学习路径，进行知识的查漏补缺；若未处于所述学习章节完成状态，则执行步骤四；
步骤四、判断所述学生用户是否满足知识难点推荐条件，是否已进行过超过一定量的学习，若满足知识重难点推荐条件，则根据协同推荐算法给所述学生用户进行个性化的标注难点知识，将重点学习推荐给所述学生用户；若不满足知识重难点推荐条件，则继续进行当前未完成的学习任务。
在本发明实施例中，所述学生用户端为学生提供线上的学习环境，适应性的学习路径以及及时反馈的学习成果，帮助学生构建***完整的知识体系，同时精准定位学生的知识漏洞，快速查漏补缺，提高学习效率。
图3是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学习管理端的工作流程图。
如图3所示，在一个或多个实施例中，优选地，所述学习管理端的工作流程，具体包括：
S301、查看所述学生用户的当前的学习进度和学习效果；
S302、根据整体学生的学习进度和学习效果，对所述学科知识图谱进行适应性修改，添加或调整当前的学习资源；
S303、针对所述学生用户的个体学习情况，根据薄弱和未掌握知识点给出针对性建议，添加针对性的习题或学习资源，帮助所述学生用户提高知识掌握程度。
在本发明实施例中，学习管理端为学习管理者，如班级教师等，提供数字化的管理方法，使管理者能及时获取班级学生的学习情况并给出反馈，动态调整学习资源与学科知识图谱，更好地实现对于学生的个性化教育。
图4是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生学习风格的问卷测试图。
如图4所示，在一个或多个实施例中，优选地，所述分析所述学生用户学习风格，具体为：学习风格测量，生成量表，通过所述量表从四个维度进行学生的学习风格学习，生成的所述学生用户对应的学习风格，所述学习风格共有八种类型；
其中，所述四个维度分别是：信息加工、感知、信息输入、内容理解；
其中，所述八种类型分别是：活跃型、沉思型、感悟型、直觉型、视觉型、言语型、序列型、综合型；
其中，所述量表共有44道问卷测试题，其中，所述四个维度中每个维度分别对应11道题所述问卷测试题，所述问卷测试题均只有a，b两个选项，学生用户答题完成后，统计每个维度对应的a选项和b选项个数，以个数的差值的绝对值作为所述学生学习风格的所述量表的计算值。
在本发明实施例中，学生学***台进行资源推荐时的一个重要指标。但通过单次的风格测试推测学生的学习风格其结果不够可靠，存在学生因随意填写而产生错误等随机性误差。因此，学生的学习风格还需要在后期进一步确定。
图5是本发明一个实施例的一种基于知识图谱的自适应学习平台中的学生学习行为学习的流程图。
如图5所示，在一个或多个实施例中，优选地，所述学生学习行为学习，包括利用贝叶斯网络挖掘学生的学习行为，并根据学生学习风格判断指标的计算公式对所述学生用户对应的成绩影响指标，并对所述学生学习风格做动态调整，具体包括：
S501、确定出能够记录到的跟学习风格有关的所述学生学习行为，作为过程学习行为；以所述过程学习行为作为参数，将所述过程学习行为代入贝叶斯网络计算公式，推断所述学生用户在对应维度上的学习风格为何种类型；
S502、设置成绩影响指标，测试结果为优则计所述成绩影响指标为100％，测试结果为良则计所述成绩影响指标为70％，测试结果为差则计所述成绩影响指标为30％；
S503、利用所述成绩影响指标根据所述分析所述学生用户学习风格进行所述学生学习风格做动态调整；
其中，所述贝叶斯网络计算公式为：
Figure BDA0003336988550000151
其中，P(X1,X2,...,Xn)为一系列关联节点的联合概率，N是关联节点的总数，j为关联节点的编号，Parents(Yj)是关联节点Xj对应的上层节点集，P(Xj|Parents(Yj))为关联节点Xj的条件概率；
所述学生学习风格判断指标的计算公式为：
Figure BDA0003336988550000152
其中，P为所述学生学习风格判断指标，
Figure BDA0003336988550000153
为所述成绩影响指标，Parents(Y1,Y2)是关联节点X1和X2对应的上层节点集。
在本发明实施例中，由公式计算出某一维度两种类型之间的概率关系，以此推断学生在该维度上的学习风格为何种类型。例如，以信息输入维度为例，确立视频类资源学习为节点X1，文本类资源学习时长为节点X2，上层节点学习方式、测试成绩分别为节点Y1、Y12。这里以某类学习资源的学习时长占总学习时长的百分比作为参考，低段预测阈值为小于50％，中段预测阈值为50-75％，高段预测阈值为大于75％。参考量还加入学生在章节末尾的测试成绩，以十分制为记测试达8分及以上为优，8-5分为良，5分以下为差。
本发明实施例中，设置成绩影响指标的原因是，即使长时间在某一学习方式下学习，若学生最终并未获得很好的学习效果，时长也不能佐证该学习方式就是适合他学习风格的方式
具体的，举例说明，假设现有一学生，某章节学习时间中视频学习时长占70％，文本学习时长占30％，章节测试8分，为优级，由此根据贝叶斯定理可计算其学习风格为视觉型的概率如下：
P(视觉型)＝P(视觉型/视频学习，优)*P(视频学习)*P(优)+P(视觉型/文本学习，优)*P(文本学习)*P(优)+P(视觉型/视频学习，良)*P(视频学习)*P(良)+P(视觉型/文本学习，良)*P(文本学习)*P(良)+P(视觉型/视频学习，差)*P(视频学习)*P(差)+P(视觉型/文本学习，差)*P(文本学习)*P(差)；
其中，对于该同学来说，P(视频学习)＝0.7，P(文本学习)＝0.3，P(优)＝1，P(良)＝0，P(差)＝0，因此，P(视觉型)＝0.9*0.7*1+0.1*0.3*1+0.75*0.7*0+0.25*0.3*0+0.5*0.7*0+0.5*0.3*0＝0.66；
同理可得该同学学习风格为言语型的概率为：P(言语型)＝0.34，二者的差值为P(视觉型)-P(言语型)＝0.32，同时其测试评级为优，成绩贡献度，因此学习风格判断指标P＝0.32。根据学习风格量表的测试，两种类型的测试值相差大于3时才能判断属于何种类型。类推到这里，即当概率指标相差大于0.3，可判断属于何种类型，否则为模糊型。此处判断指标P＝0.32>0.3，因此可判断该生为视觉型学习风格。同理类推，即可计算出学习者其他三个维度的学习风格类型。
在具体实施过程中，学生的学***台后续的涉及到资源推荐的部分都会参考该生的学***台在推荐其学习某一知识点时会优先推荐该知识点的视频和图像学习资源而非文本学习资源。
图6是本发明一个实施例的一种基于知识图谱的自适应学习平台中的动态学习路径规划的流程图。
如图6所示，在一个或多个实施例中，优选地，所述动态学习路径规划，具体包括：
S601、获取预设的学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
S602、通过所有的学科课程提取关键词，凝练为知识点，并确定各个知识点之间的子级与父级关系、前置与后置关系；
S603、获取所述子级与父级关系、所述前置与后置关系，设置为学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
S604、将所述学科知识图谱通过cypher存储在neo4j图形化数据库；
S605、建立所述学科知识图谱的链接，等待通过链接直接操作所述neo4j图形化数据库；
S606、根据所述学科知识图谱中的每个知识点设置至少十道对应的练习题存储到所述neo4j图形化数据库中；
S607、使所述学生用户进行对同一个知识点的十道题目的测试，获取正确题目数量；
S608、当所述正确题目数量大于8时，视为掌握状态，当所述正确题目数量不大于8且不小于5时，视为理解状态，当所述正确题目数量小于5时，视为未掌握状态；
S609、将所述学生用户为所述理解状态的知识点归为薄弱知识点，在知识点列表上呈现并推荐学生复习对应的知识点内容；
S610、将所述学生用户为所述未掌握状态的知识点归为未知知识点，在知识点列表上用特殊颜色呈现并推荐学生重点学习该知识点内容，同时考察所述学生用户对于该知识点的前置知识点掌握情况，若仍为未知知识点则继续向上一级知识点考察，以此可在知识图谱中连接出一条个性化的知识点学习路径，同时会随着学生掌握知识点的情况动态改变学习路径。
在本发明实施例中，在知识图谱构建完成后，为知识图谱中的每个知识点设置若干道对应***台的学***台会根据学生的答题情况为学生动态规划更具针对性的学***台会根据其他学生的学习情况数据做相似推荐，告诉学生未来有哪些知识点需要着重认真学习。
图7是本发明一个实施例的一种基于知识图谱的自适应学习平台中的知识重难点内容推荐的流程图。
如图7所示，在一个或多个实施例中，优选地，所述知识重难点内容推荐，具体包括：
S701、获取一个学习单元，作为一个学习单位；
S702、设置目标学生，其中，所述目标学生是指已完成所述学习单位三分之一学习内容且已经完成内容的对应***全部完成的学生；
S703、设置对照学生，其中，所述对照学生是指完成所述学习单位全部学习内容且已完成单元测试的学生；
S704、设置为每个知识点设置十道测试题目；
S705、对所述目标学生和所述对照学生的每个知识点进行十道题目的测试，获得正确作答题目的数量作为所述目标学生对对应的知识点的掌握程度；
S706、根据所述目标学生和所述对照学生的掌握程度利用协同过滤推荐方法进行相似度计算；
S707、计算所有的所述目标学生与所有的所述对照学生的相似度后，确定相似度大于0.95的所述对照学生对应的所述目标学生为相似同学，将所述相似同学在后面的已学习内容中遇到的重难点问题推荐给与其对应的所述目标学生作为重点学习内容。
在本发明实施例中，举例说明，例如学生A已学***台的任一单元学习中，所有满足目标学生条件的学习者，都会与已完成该单元学习的学生做相似度匹配，进而得到该单元未学习部分的重难点推荐信息。
在一个或多个实施例中，优选地，所述协同过滤推荐方法，具体包括：
根据所述目标学生和所述对照学生的重点掌握程度利用第一计算公式计算学生掌握相似度；
其中，所述第一计算公式为：
Figure BDA0003336988550000191
其中，sim为所述学生掌握相似度，xi为目标学生对第i知识点的掌握度，yi为对照学生对第i知识点的掌握度，n为所述目标学生已学习的知识点个数。
本方法更具针对性，让学生能精力放在对于自己来说真正的重难点之上，使学生在付出同样精力的情况下学习效果更佳。同时使用此相似度计算方法作为相似度的度量，更能体现学生在认知结构上的相似度。相比于传统的欧氏距离度量方法强调绝对差异，此相似度更强调方向上的不同，在这一点上更适合知识的推荐。举例说明，学生A某三个知识点的掌握评价为(8，7，8)，学生B某三个知识点的掌握程度是(6，5，6)，这两个点的欧氏距离较远，但相似度达到0.99。从宏观上来看，两位同学都是第一、三知识点掌握的比第二知识点好，其趋势是相似的，因此可以推测两人在后面的学习中，趋势也应该是相似的。所以用相似度来进行重难点推荐，比其他方法更切合此处的应用场景。
在本发明实施例中，自适应学***台其他相似同学的学***等多方面差异，统一地划分重难点不利于实现高效率的个性化教育，因此平台采用协同过滤的推荐算法，为学生个性化地推荐重难点知识，提升学生地学习效果。
具体的，所述知识图谱的单个修改及批量导入功能是由py2neo工具包的实现，所述知识图谱的增删改查由cypher语句和python语句完成；所述知识图谱的批量导入功能是由python后端实现将目标CSV文件放入neo4j数据库指定文件夹，然后neo4j数据库解析CSV文件中的内容，识别出其中的节点和关系，导入到所述知识图谱。
根据本发明实施例第二方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第三方面，提供一种电子设备。图8是本发明一个实施例中一种电子设备的结构图。图8所示的电子设备为通用数据共享融合装置，其包括通用的计算机硬件结构，其至少包括处理器801和存储器802。处理器801和存储器802通过总线803连接。存储器802适于存储处理器801可执行的指令或程序。处理器801可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器801通过执行存储器802所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线803将上述多个组件连接在一起，同时将上述组件连接到显示控制器804和显示装置以及输入/输出(I/O)装置805。输入/输出(I/O)装置805可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置805通过输入/输出(I/O)控制器806与***相连。
本发明的实施例提供的技术方案可以包括以下有益效果：
1)本发明实施例中，提供了一种基于学习风格的自适应的学习方法，通过调整学生的学习内容，完成对于学生状态的动态更新；同时在学习风格确定的过程中，创新性地加入了测试成绩影响指标，使学习风格的确定相比于现有方法来说更加准确；
2)本发明实施例中，提供了一种重点掌握程度的提取方法，实现根据相似的学生的学习经验自适应的调整学生的学习路线，对于不同个体的针对性的学习。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于知识图谱的自适应学***台包括学生用户端和学习管理端；
其中，所述学生用户端，具体实施为：
为学生用户获取线上学***台、学习资源、考试测评、论坛讨论；
为所述学生用户提供与所述基于知识图谱的自适应学习平台的交互信息，所述交互信息包括查看学习历史、查看个人评价；
分析所述学生用户学习风格，进行学生学习行为学习，进而推荐适宜风格的学习资源；
收集所述学生用户学习行为，进行知识重难点内容推荐和动态学习路径规划；
其中，所述学习管理端，具体实施为：
执行所述学生用户管理功能，所述学生用户管理功能包括学生基本信息查看、学生学习情况查看；
修改知识图谱，所述修改知识图谱具体为学习管理者根据学生整体的学习情况对学科知识图谱进行增加、删除、修改、查询和批量导入；
定向调整学习资源，所述定向调整学习资源为学习管理者根据学生个体的学习情况为单个学生提供学习建议，并定向地添加或调整学习资源，提供学习资源的批量导入，学习管理者对学生整体大批量地添加或调整学习资源，在定向调整学生资源过程中，进行动态学习路径规划；
其中，所述定向调整学习资源通过对知识重难点内容推荐实现。
2.如权利要求1所述的一种基于知识图谱的自适应学习平台，其特征在于，所述学生用户端的工作流程具体功能包括：
步骤一、所述学生用户登陆后，判断是否进行过学习风格测试，若已进行过学习风格测试，则直接执行步骤二，若未进行过学习风格测试，则利用量表获得所述学生用户的学习风格的初测结果，再进行步骤二；
步骤二、判断所述学生用户是否有学习历史，若存在学习历史，则直接执行步骤三；若不存在学习历史，则将课程第一个知识点设置为当前知识点，根据所述学生用户的学习风格推送当前知识点对应风格的学习资源，同时收集所述学生用户的学习数据，对所述学生用户的学习风格进行修正；
步骤三、判断所述学生用户是否处于学习章节完成状态，若处于所述学习章节完成状态，则调取对应的习题资源，测试学生的学习成果，之后根据学生的学习效果情况，结合所述学科知识图谱，为学生规划学习路径，进行知识的查漏补缺；若未处于所述学习章节完成状态，则执行步骤四；
步骤四、判断所述学生用户是否满足知识难点推荐条件，是否已进行过超过预设的一定量的学习，若满足知识重难点推荐条件，则根据协同推荐算法给所述学生用户进行个性化的标注难点知识，将重点学习推荐给所述学生用户；若不满足知识重难点推荐条件，则继续进行当前未完成的学习任务。
3.如权利要求1所述的一种基于知识图谱的自适应学习平台，其特征在于，所述学习管理端的工作流程，具体包括：
查看所述学生用户的当前的学习进度和学习效果；
根据整体学生的学习进度和学习效果，对所述学科知识图谱进行适应性修改，添加或调整当前的学习资源；
针对所述学生用户的个体学习情况，根据薄弱和未掌握知识点给出针对性建议，添加针对性的习题或学习资源，帮助所述学生用户提高知识掌握程度。
4.如权利要求1所述的一种基于知识图谱的自适应学习平台，其特征在于，所述分析所述学生用户学习风格，具体为：学习风格测量，生成量表，通过所述量表从四个维度进行学生的学习风格学习，生成的所述学生用户对应的学习风格，所述学习风格共有八种类型；
其中，所述四个维度分别是：信息加工、感知、信息输入、内容理解；
其中，所述八种类型分别是：活跃型、沉思型、感悟型、直觉型、视觉型、言语型、序列型、综合型；
其中，所述量表共有44道问卷测试题，其中，所述四个维度中每个维度分别对应11道题所述问卷测试题，所述问卷测试题均只有a，b两个选项，学生用户答题完成后，统计每个维度对应的a选项和b选项个数，以个数的差值的绝对值作为所述学生学习风格的所述量表的计算值。
5.如权利要求4所述的一种基于知识图谱的自适应学习平台，其特征在于，所述学生学习行为学习，包括利用贝叶斯网络挖掘学生的学习行为，并根据学生学习风格判断指标的计算公式对所述学生用户对应的成绩影响指标，并对所述学生学习风格做动态调整，具体包括：
确定出能够记录到的跟学习风格有关的所述学生学习行为，作为过程学习行为；以所述过程学习行为作为参数，将所述过程学习行为代入贝叶斯网络计算公式，推断所述学生用户在对应维度上的学习风格为何种类型；
设置成绩影响指标，测试结果为优则计所述成绩影响指标为100％，测试结果为良则计所述成绩影响指标为70％，测试结果为差则计所述成绩影响指标为30％；
利用所述成绩影响指标根据所述分析所述学生用户学习风格进行所述学生学习风格做动态调整；
其中，所述贝叶斯网络计算公式为：
Figure FDA0003336988540000031
其中，P(X1,X2,...,Xn)为一系列关联节点的联合概率，N是关联节点的总数，j为关联节点的编号，Parents(Yj)是关联节点Xj对应的上层节点集，P(Xj|Parents(Yj))为关联节点Xj的条件概率；
所述学生学习风格判断指标的计算公式为：
Figure FDA0003336988540000041
其中，P为所述学生学习风格判断指标，
Figure FDA0003336988540000042
为所述成绩影响指标，Parents(Y1,Y2)是关联节点X1和X2对应的上层节点集。
6.如权利要求1所述的一种基于知识图谱的自适应学习平台，其特征在于，所述动态学习路径规划，具体包括：
获取预设的学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
通过所有的学科课程提取关键词，凝练为知识点，并确定各个知识点之间的子级与父级关系、前置与后置关系，
获取所述子级与父级关系、所述前置与后置关系，设置为学科知识图谱，其中，所述学科知识图谱是结构化的语意网络，具体为以文字方式记录的知识之间的互联关系，所有知识文字之间的关联关系的合集；
将所述学科知识图谱通过cypher存储在neo4j图形化数据库；
建立所述学科知识图谱的链接，等待通过链接直接操作所述neo4j图形化数据库；
根据所述学科知识图谱中的每个知识点设置至少十道对应的练习题存储到所述neo4j图形化数据库中；
使所述学生用户进行对同一个知识点的十道题目的测试，获取正确题目数量；
当所述正确题目数量大于8时，视为掌握状态，当所述正确题目数量不大于8且不小于5时，视为理解状态，当所述正确题目数量小于5时，视为未掌握状态；
将所述学生用户为所述理解状态的知识点归为薄弱知识点，在知识点列表上呈现并推荐学生复习对应的知识点内容；
将所述学生用户为所述未掌握状态的知识点归为未知知识点，在知识点列表上用特殊颜色呈现并推荐学生重点学习该知识点内容，同时考察所述学生用户对于该知识点的前置知识点掌握情况，若仍为未知知识点则继续向上一级知识点考察，以此可在知识图谱中连接出一条个性化的知识点学习路径，同时会随着学生掌握知识点的情况动态改变学习路径。
7.如权利要求1所述的一种基于知识图谱的自适应学习平台，其特征在于，所述知识重难点内容推荐，具体包括：
获取一个学习单元，作为一个学习单位；
设置目标学生，其中，所述目标学生是指已完成所述学习单位三分之一学习内容且已经完成内容的对应***全部完成的学生；
设置对照学生，其中，所述对照学生是指完成所述学习单位全部学习内容且已完成单元测试的学生；
设置为每个知识点设置十道测试题目；
对所述目标学生和所述对照学生的每个知识点进行十道题目的测试，获得正确作答题目的数量作为所述目标学生对对应的知识点的掌握程度；
根据所述目标学生和所述对照学生的掌握程度利用协同过滤推荐方法进行相似度计算；
计算所有的所述目标学生与所有的所述对照学生的相似度后，确定相似度大于0.95的所述对照学生对应的所述目标学生为相似同学，将所述相似同学在后面的已学习内容中遇到的重难点问题推荐给与其对应的所述目标学生作为重点学习内容。
8.如权利要求7所述的一种基于知识图谱的自适应学习平台，其特征在于，所述协同过滤推荐方法，具体包括：
根据所述目标学生和所述对照学生的重点掌握程度利用第一计算公式计算学生掌握相似度；
其中，所述第一计算公式为：
Figure FDA0003336988540000061
其中，sim为所述学生掌握相似度，xi为目标学生对第i知识点的掌握度，yi为对照学生对第i知识点的掌握度，n为所述目标学生已学习的知识点个数。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求7-8中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求7-8任一项所述的步骤。
CN202111297763.3A 2021-11-04 2021-11-04 一种基于知识图谱的自适应学习平台 Pending CN113851020A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111297763.3A CN113851020A (zh) 2021-11-04 2021-11-04 一种基于知识图谱的自适应学习平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111297763.3A CN113851020A (zh) 2021-11-04 2021-11-04 一种基于知识图谱的自适应学习平台

Publications (1)

Publication Number Publication Date
CN113851020A true CN113851020A (zh) 2021-12-28

Family

ID=78983928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111297763.3A Pending CN113851020A (zh) 2021-11-04 2021-11-04 一种基于知识图谱的自适应学习平台

Country Status (1)

Country Link
CN (1) CN113851020A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226348A (zh) * 2023-03-01 2023-06-06 读书郎教育科技有限公司 一种基于知识图谱的学习方法
CN116610945A (zh) * 2023-03-23 2023-08-18 读书郎教育科技有限公司 基于智能算法的学习平台数据记录***
CN116862727A (zh) * 2023-07-06 2023-10-10 杭州睿数科技有限公司 一种基于动态规划的教学管理方法
CN117252047A (zh) * 2023-11-20 2023-12-19 深圳市联特微电脑信息技术开发有限公司 基于数字孪生的教学信息处理方法及***
CN117672027A (zh) * 2024-02-01 2024-03-08 青岛培诺教育科技股份有限公司 一种vr教学方法、装置、设备及介质
CN117972074A (zh) * 2024-03-27 2024-05-03 山东蓝思教育科技(集团)有限公司 一种个性化学习推荐方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6782396B2 (en) * 2001-05-31 2004-08-24 International Business Machines Corporation Aligning learning capabilities with teaching capabilities
CN110765362A (zh) * 2019-09-04 2020-02-07 广东工业大学 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN111831831A (zh) * 2020-07-17 2020-10-27 广东金融学院 一种基于知识图谱的个性化学习平台及其构建方法
CN112507140A (zh) * 2021-02-08 2021-03-16 深圳市阿卡索资讯股份有限公司 一种个性化智能学习推荐方法、装置、设备及存储介质
CN112632295A (zh) * 2020-12-31 2021-04-09 郑雁 基于知识图谱的学习资源动态规划方法及装置
CN113111242A (zh) * 2021-03-10 2021-07-13 西安理工大学 基于知识图谱的自适应学习路径推荐方法
CN113190747A (zh) * 2021-04-29 2021-07-30 西安理工大学 一种基于学***的个性化资源推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6782396B2 (en) * 2001-05-31 2004-08-24 International Business Machines Corporation Aligning learning capabilities with teaching capabilities
CN110765362A (zh) * 2019-09-04 2020-02-07 广东工业大学 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN111831831A (zh) * 2020-07-17 2020-10-27 广东金融学院 一种基于知识图谱的个性化学习平台及其构建方法
CN112632295A (zh) * 2020-12-31 2021-04-09 郑雁 基于知识图谱的学习资源动态规划方法及装置
CN112507140A (zh) * 2021-02-08 2021-03-16 深圳市阿卡索资讯股份有限公司 一种个性化智能学习推荐方法、装置、设备及存储介质
CN113111242A (zh) * 2021-03-10 2021-07-13 西安理工大学 基于知识图谱的自适应学习路径推荐方法
CN113190747A (zh) * 2021-04-29 2021-07-30 西安理工大学 一种基于学***的个性化资源推荐方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116226348A (zh) * 2023-03-01 2023-06-06 读书郎教育科技有限公司 一种基于知识图谱的学习方法
CN116226348B (zh) * 2023-03-01 2023-09-26 读书郎教育科技有限公司 一种基于知识图谱的学习方法
CN116610945A (zh) * 2023-03-23 2023-08-18 读书郎教育科技有限公司 基于智能算法的学习平台数据记录***
CN116610945B (zh) * 2023-03-23 2023-11-14 读书郎教育科技有限公司 基于智能算法的学习平台数据记录***
CN116862727A (zh) * 2023-07-06 2023-10-10 杭州睿数科技有限公司 一种基于动态规划的教学管理方法
CN117252047A (zh) * 2023-11-20 2023-12-19 深圳市联特微电脑信息技术开发有限公司 基于数字孪生的教学信息处理方法及***
CN117252047B (zh) * 2023-11-20 2024-03-19 深圳市联特微电脑信息技术开发有限公司 基于数字孪生的教学信息处理方法及***
CN117672027A (zh) * 2024-02-01 2024-03-08 青岛培诺教育科技股份有限公司 一种vr教学方法、装置、设备及介质
CN117672027B (zh) * 2024-02-01 2024-04-30 青岛培诺教育科技股份有限公司 一种vr教学方法、装置、设备及介质
CN117972074A (zh) * 2024-03-27 2024-05-03 山东蓝思教育科技(集团)有限公司 一种个性化学习推荐方法

Similar Documents

Publication Publication Date Title
Crockett et al. On predicting learning styles in conversational intelligent tutoring systems using fuzzy decision trees
Scheuer et al. Educational data mining
Feldman et al. Automatic detection of learning styles: state of the art
Cho et al. Exploring online students’ self-regulated learning with self-reported surveys and log files: a data mining approach
Romero et al. Educational data mining: a review of the state of the art
CN113851020A (zh) 一种基于知识图谱的自适应学习平台
Köck et al. Activity sequence modelling and dynamic clustering for personalized e-learning
Chrysafiadi et al. Fuzzy logic for adaptive instruction in an e-learning environment for computer programming
CN111274411A (zh) 课程推荐方法、装置、电子设备及可读存储介质
CN112184500A (zh) 基于深度学习和知识图谱的课外学习辅导***及实现方法
US11205130B2 (en) Mental modeling method and system
Goggins et al. Learning Analytics at" Small" Scale: Exploring a Complexity-Grounded Model for Assessment Automation.
Nilashi et al. Assessing and prioritizing affecting factors in e-learning websites using AHP method and fuzzy approach
Raleiras et al. Automatic learning styles prediction: A survey of the State-of-the-Art (2006–2021)
CN113886567A (zh) 一种基于知识图谱的教学方法及***
Bryfczynski BeSocratic: An intelligent tutoring system for the recognition, evaluation, and analysis of free-form student input
Hooda et al. Integrating LA and EDM for improving students Success in higher Education using FCN algorithm
Ilić et al. Intelligent techniques in e-learning: a literature review
Mamcenko et al. On using learning analytics to personalise learning in virtual learning environments
CN113283488B (zh) 一种基于学习行为的认知诊断方法及***
Hidayat et al. Usability evaluation on educational chatbot using the system usability scale (SUS)
Omer et al. Learning analytics in programming courses: Review and implications
Gómez‐Rey et al. Ordinal regression by a gravitational model in the field of educational data mining
Mendjoge et al. Review of knowledge representation techniques for Intelligent Tutoring System
Zheng et al. A personalized programming exercise recommendation algorithm based on knowledge structure tree

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: 20211228