CN102339423A - 日程数据分发评价方法 - Google Patents
日程数据分发评价方法 Download PDFInfo
- Publication number
- CN102339423A CN102339423A CN201110219277XA CN201110219277A CN102339423A CN 102339423 A CN102339423 A CN 102339423A CN 201110219277X A CN201110219277X A CN 201110219277XA CN 201110219277 A CN201110219277 A CN 201110219277A CN 102339423 A CN102339423 A CN 102339423A
- Authority
- CN
- China
- Prior art keywords
- schedule
- content
- condition
- unit
- study
- 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 252
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 238000006243 chemical reaction Methods 0.000 claims abstract description 191
- 230000013016 learning Effects 0.000 claims description 177
- 238000011156 evaluation Methods 0.000 claims description 93
- 230000000694 effects Effects 0.000 claims description 57
- 238000012360 testing method Methods 0.000 claims description 45
- 230000004044 response Effects 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 28
- 239000000284 extract Substances 0.000 claims description 17
- 230000003203 everyday effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 230000000052 comparative effect Effects 0.000 claims description 4
- 238000000151 deposition Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 57
- 238000004458 analytical method Methods 0.000 description 38
- 230000014509 gene expression Effects 0.000 description 22
- 238000002474 experimental method Methods 0.000 description 13
- 238000011835 investigation Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000009825 accumulation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 6
- 230000008676 import Effects 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000001143 conditioned effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002175 menstrual effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 108010025568 Nucleophosmin Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000039 congener Substances 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种日程数据分发评价方法。提供一种日程制作方法,即使在实质上不能适用严格的日程的场合,也可以遵照一定的日程,通过因特网收集个人的反应,并有可能进行考虑到个人属性或者内容的质量等的分析和预测。根据本发明的日程表的制作方法,在被输入的期间的每一日生成在实施一次事件后取一定期间的时间间隔再次实施同样事件的内容的事件周期单元,遵照属性信息,把按照实施日的每一种内容分配了次数的出示单元分配给每日的事件周期单元。然后,生成日程表,该日程表使由属性信息的重复数分配满足从数据库输入的内容的种类以及属性信息的内容的数据与期间的日期对应。
Description
本申请为2002年11月7日递交的、申请号为028267532、发明名称为“日程数据分发评价方法”的专利申请的分案申请。
技术领域
本发明涉及日程表制定方法;以及收集对于按照该日程表发生的事件的个人反应数据,并对应该日程从这些数据明确个人倾向的方法;以及积累对于按照一定的日程发生的事件的个人反应数据,利用该数据推测某人将来的反应模式的方法;以及由学习者终端接收基于学习日程的内容,将该应答结果向学习者日程提供装置发送,并获得今后的预测结果的学习日程数据分发评价系统。
背景技术
像一般的民意测验那样合计个人反应,抓住整体性倾向,这时广泛使用多变量分析(从具有多种多样特性的大量数据中分析其相互关联,提取其特征,探索其事实背后的原因,并进行预测和分类的分析方法)。
例如,可以应用于:通过对使用民意测验的商品的形象调查等,推定具有什么样的属性的人喜欢该商品;用于大学入学考试的模拟测验等也使用在群体中个人的相对位置推定某时刻中的该个人的成绩。
但是,对于这种历来进行的使用多变量分析的调查方法有一个限制。这就是,可以利用的信息限于关于在某时刻的个人的状态的数据。
本来,个人的各种各样的反应,是根据体验剧烈变化着的。例如,正好在民意测验之前听到对某商品的评价,看到该商品的话,其形象会变化很大。
另外,模拟测验的成绩也同样,在某时刻判定为C的孩子,在这之前的模拟测验中判定为E的孩子和判定为A的孩子,其成绩的预测肯定会变化。
亦即,根据现在的多变量分析的数据分析,以表示某时刻的状态的数据为中心使用,未充分考虑随时间序列的变化,不能得到正确的分析结果。
另外,对于人反应的理解和预测,该个人从过去到未来的“变化”这样的信息具有很大的意义。什么样的内容、以什么样的时间进度遇到、反应这样的事,即成为个人的体验不同之处。
另外,现在广泛看到的反应数据的分析,以某时期的个人的属性和内容的质量等的作为截面,但是很少考虑时间序列的遇到进度和变化。
亦即,因为不能建立考虑某时期的个人的属性和内容的质量等的时间序列性质的日程,因此存在不能正确进行分析这样的问题。
另一方面,在调查研究中有纵断性研究这种方式。这是在一定时期连续重复特定的调查,以观察特定的个人的反应的变化。
但是,这时进行的调查是制定一月一次、一年一次的进度这样粗略的日程而进行的,存在有对于我们会每天频繁遇到那样的庞大的信息的反应的变化不能成为分析对象这样的问题。
其理由之一是因为,在一月一次这样决定的进度进行评定的场合,对于庞大的内容以一定的进度、并且在同样的条件下做出判断会变得十分困难。
例如,试考虑以一月一次的进度学习1000个英语单词的场合。如果和历来一样,以一月一次的进度学习的话,就会成为某一日学习全部1000个单词、在一个月后再次学习。这样不能保证在进行评定之日的最初和最后进行同等程度的学习,学习者的负担也变大。
如果考虑一个单词要学习1次~10次的条件的话就更是这样。至今尚未提出以相同的进度而且评定条件也相等、评定者的负担也少那样进行庞大的评定项目的具体的方法。
遇到内容(或者对象)进度(以后称为日程条件)在分析中不被考虑的本质性的理由是因为,可以无限假设日程的模式,未提出用于考虑这点的框架。
例如,即便考虑某一个英语单词学习的日程,十日之间每日学习一次的场合与在第一日和最后一日各学习5次的场合相比,其学习效果将有很大的不同。再有,学习和测验的时间间隔的长度具有重要的意义。
在学习后立即进行测验的场合,和在一个月后进行测验的场合相比,其成绩完全不同。以什么样的日程进行什么学习,何时测定其效果的模式可以无限假设。
这样如果日程的模式是无限的话,以其作为要素进行分析很困难。再有,如果对于各种各样的内容设想其日程的话,则必须考虑的要素会多到搞不清楚的程度。
对此,设定特定的日程,遵照该日程要求个人反应并收集数据是有效的。亦即,是在调查法中导入实验计划法的方法。一年一次这样的纵断调查也是其一例,但是只设定日程并不解决问题。这是由于接受调查的个人一律以一定的日程进行反应是十分困难的。对于高中生,即使制定了不休息一日地每日学习10分钟的计划,难以相信高中生实际上会如此连续学习。亦即,对于像日常的学习那样自由度高的活动,仅仅单纯管制日程,得不到有意义的数据。
另一方面,在需要长期持续反复学习的英语单词的学习中,即使进行了这样的反复学习,“学多少次也记不住!”、“真的记住了吗?”这样的感觉会越来越强烈,结果会是停止学习。
总结上述,关于利用什么样的截面、另外在什么样的框架中纳入日程要素好这个问题迄今未能解决,成为在历来的调查研究中未考虑日程的一大原因。另外存在如果不能实际感受到学习的效果和成果,学习动机肯定会降低这样的问题。
本发明是为解决上述问题而提出来的,其目的是提供一种日程制作方法,所述方法即使在实质上不能遵守严格的日程的场合,也可以遵照一定的日程收集个人的反应,进行考虑到个人的属性和内容的质量等的分析和预测。
另外,本发明的另一个目的是提供一种日程数据分发评价系统,所述系统对学习者提供“对于某种学习重复多少次可以看见成效”、“怎样进行学习”等的指导,评价其反应。
发明内容
本发明的日程制作方法其要义是通过定时条件和出示条件的种类的组合来表现关于某内容的事件发生的日程条件。
存储本发明的日程表的存储介质的要义是,具有一个或者多个:把在出示单元内出示的内容的属性信息、在该出示单元内的内容的反复次数、实施内容的出示方法、以及实施与这些的组合条件一致的事件的内容数,与所述事件周期单元的反复的顺序和在各事件周期单元内实施的出示单元的顺序相对应,附有实施预定日或者序号的日程数据。
本发明的出示列表制作方法的要义是,包括:在数据库中存储附加有属性信息的多个、多种内容的阶段;决定:定时条件、事件周期单元的长度、出示单元的长度、条件单元的长度、出示条件、内容的属性信息、内容的反复次数,并生成日程表的工序;以该日程表为基础,对应内容数据库的各内容写入组合有定时条件、出示单元的号码、内容的属性信息、内容的反复次数、和内容的出示方法的条件记号的工序;指定内容的种类、日程条件、出示单元的号码或者序号的工序;对应指定的内容数据库和日程表,和各种信息一起抽出相当于指定的出示单元的内容作为出示列表,决定内容的出示顺序以及提示方法以便根据需要可以把抽出的内容遵照日程表的出示条件出示。
如上所述,根据本发明,因为日程表的特征是有多个把在一次事件后取一定期间的时间间隔再次实施同一事件的事件周期、事件周期的事件的最小单位、事件的内容和该内容的属性信息、内容的反复次数和实施事件内容的年月日建立对应关系的日程数据,因此可以得到考虑到了某时期的个人的属性或者内容的质量等的时间序列的日程。
另外,根据本发明的日程表的制作方法,在输入的期间的每日生成在一次事件实施后、取一定期间的时间间隔再次实施相同事件的内容的事件周期单元,遵照属性信息,把给每一种实施日的内容分配次数的出示单元,分配给每日的事件周期单元。
然后,把满足从数据库输入的内容的种类及属性信息的内容,按属性信息的次数分配,生成把分配后的数据与期间的日期相对应的日程表。
也就是说,可以容易地得到考虑某时期的个人的属性或者内容的质量等的时间序列的日程。
本发明的学习日程数据分发评价方法是从网站经由网络通过使用计算机系统向学习者终端分发学习的出示单元、评价效果的学习日程数据分发评价方法。
所述网站的要义是,对于由一个或者多个内容组成的集合,为生成关于全部内容的事件以一定的定时反复发生的日程,设定比事件发生的出示单元长、而且比从某事件的开始到下一事件发生前之间的期间(称为时间间隔)短的一定的期间作为事件周期单元,使关于各内容的特定的事件在该事件周期单元内发生一次那样配置内容,或者具有:向所述学习者终端发送用于配置的信息的阶段;在所述事件周期单元的事件中列入测验这样的评价事件的阶段;从所述学习者终端提供对于以所述分发的事件周期单元以前的特定日程发生的事件的内容的反应,测定、评价该事件效果的阶段。
本发明的学习日程数据分发系统的要义是,从服务器侧通过计算机网络提供为掌握学习内容所需要的指针信息,在所述学习日程数据分发系统中,所述学习日程提供装置具有:对于学习者终端,催促输入学习的内容名,伴随所述内容名的输入在所述学习者终端上,显示对应预先存储的所述内容名的多个学习效果模式、催促选择某个的装置,在所述学习者终端选择所述学习模式时,根据用反复数和属性信息定义所述选择的内容的分发日程的日程表,生成对应日期和内容的出示列表,向所述学习者终端发送该出示列表的装置,收集对于对于所述出示列表的各内容的所述学习者终端的评定结果,集合个人属性或者日程类似的该评定结果,预测对于在从其中选择代表值以后的所述选择的内容的效果向所述学习者终端发送的装置,所述学习者终端具有:显示来自所述学习日程提供装置的多个学习效果模式,向所述学习日程提供装置发送选择的学习效果模式的内容名的装置,存储来自所述学习日程提供装置的出示列表,在屏幕上顺序显示该出示列表的各内容,在经过规定时间后显示规定数目的提问项目使选择某个,把该选择的项目作为所述评定结果向所述学习日程提供装置发送的装置。
根据本发明的学习日程数据分发评价方法,在学习者的终端上,对于希望的内容的学习次数,因为今后的预测模式以年月日和效果的程度表示、提供,所以可以得到学习者明白“对于某学习重复多少次学习的话可以看到成果”、“怎样进行学习”等指南这样的效果。
另外,因为也提供学习同样内容的其他学习者的效果模式,因此可以得到自己能够知道到何种程度的效果。
另外,因为生成分配来自对应学习模式的内容名的日程表的每个日期的学习内容的出示列表,把该出示列表向所述学习者终端发送,对于该出示列表的内容多阶段评定,所以可以进行非常详细的预测。
附图说明
图1是说明本实施例的日程的一例的说明图。
图2是说明本实施例的定时条件的一例的说明图。
图3是说明本实施例的事件周期单元的一例的说明图。
图4是说明本实施例的显示条件的均匀配置和条件单元以及出示单元的均匀化的说明图。
图5是说明本实施例的日程表的说明图。
图6是说明定时条件和内容项目分配的说明图。
图7是说明定时条件和内容项目分配的说明图。
图8是说明定时条件和内容项目分配的说明图。
图9是说明定时条件和内容项目分配的说明图。
图10是说明定时条件和内容项目分配的说明图。
图11是说明综合全条件的项目的概要和预想的学习时间的说明图。
图12A是说明写入识别条件的内容数据库例子(时间间隔1个月)的说明图。
图12B是说明写入识别条件的内容数据库例子(时间间隔2个月)的说明图。
图13是说明兼反应履历列表的出示列表的一例的说明图。
图14A是说明个人履历文件的一例的说明图。
图14B是说明个人履历文件的一例的说明图。
图15A是说明存储反应的个人反应数据库的一例的说明图。
图15B是说明存储反应的个人反应数据库的一例的说明图。
图16A是说明在个人反应数据库中写入内容的一例的说明图。
图16B是说明在个人反应数据库中写入内容的一例的说明图。
图16C是说明在个人反应数据库中写入内容的一例的说明图。
图17是说明全体平均的自我评定值的变化的说明图。
图18A是说明实际中实施的结果得到的3名学习者的个人数据与其预测函数的关系的说明图。
图18B是说明实际中实施的结果得到的3名学习者的个人数据与其预测函数的关系的说明图。
图18C是说明实际中实施的结果得到的3名学习者的个人数据与其预测函数的关系的说明图。
图19A是说明第四实施例的流程图。
图19B是辅助19A的说明图。
图19C是辅助19A的说明图。
图20是说明实施例的流程图。
图21A是说明在第四实施例的出示单元和出示列表的关系的说明图。
图21B是说明在第四实施例的出示单元和出示列表的关系的说明图。
图22是日程数据分发评价系统的概略结构图。
图23是日程数据分发评价系统网站的概略程序结构图。
图24A是说明各表的说明图。
图24B是说明各表的说明图。
图24C是说明各表的说明图。
图25是说明日程表的说明图。
图26是出示列表表的说明图。
图27是学习效果说明图。
图28是说明本系统的操作的序列图。
图29是说明本系统的操作的序列图。
图30A是说明个人反应文件的说明图。
图30B是说明个人反应文件的说明图。
图30C是说明个人反应文件的说明图。
图30D是说明个人反应文件的说明图。
图31A是学习水平的自我评定的画面例的说明图。
图31B是学习水平的自我评定的画面例的说明图。
图32A是反应结果的说明图。
图32B是反应结果的说明图。
图32C是反应结果的说明图。
图32D是反应结果的说明图。
图33是说明第六实施例的流程图。
图34是说明第六实施例的流程图。
具体实施方式
在本实施例中最初说明根据A.日程固定法和B.预先积累法的日程制定。
<第一实施例>
日程固定法是在管制定时基础上收集数据,通过使定时的要素的影响变小而提高预测力的方法。
很容易认为管制定时这样的事可以很简单,但是实际上在固定定时的变化收集反应数据的场合,存在非常难的问题。例如,试考虑对于1000个内容、每一个需要5秒左右的反应以一月一次的进度要求的场合。简单考虑的话,是在某一日对于1000个内容进行反应,一个月后再次对于1000个内容进行反应的场合。
在这种场合,反应日需要不休息连续反应一个半小时。最初时的反应和最后时的反应其详情也不同。进而,如果是一日必须对1000个内容分别进行5次评定这样的条件的话,一个人必须连续评价7个小时。这是不可能的。
本发明是这样的日程构成方法,即如果用上面的例子的话,内容是1000个也好,2000个也好,重复的数是5次也好,10次也好,关于某个内容的事件,全部以固定的时间间隔发生,而且要使一日当中的反应要能在数分钟左右结束。
为解决这一问题的对策,是制定设定事件周期单元的日程。在说明日程的方法前,明确本发明中的日程的意义。
本实施例的日程使用日程条件。该日程条件是表示日程条件:何时以什么样的定时、怎样出示什么样的属性的内容的条件,分为定时条件、属性条件和出示条件三种。
定时条件意指一月一次、两周一次这样的事件产生的定时。后面叙述关于它的严密的定义。
所谓事件周期单元的期间,是在撒布内容和各种条件期间,不一定与时间间隔期间一致,不过事件周期单元成为比时间间隔期间短的期间。
在本实施例中,提出在学习的调查研究中纳入日程的要素,进而提出几个为此的方法及其数据的利用方法。随意集合数据只能获取老一套的信息。因此,需要为考虑随时间的变化和分析数据的框架。
(为把日程要素纳入分析的对策)
为把日程模式纳入分析,首先提出在历来的调查方法中导入实验计划的考虑方法。
为考虑日程要素,从最初开始把可以无限假设的日程作为分析对象是不合理的。在结束时在内容等的出示日程上施加限制,与此对应需要收集、分析数据。亦即,为把日程模式纳入分析,需要在出示日程上施加限制,为此所需的具体的限制方法具有重要的意义。
仅设定日程不解决问题。特别是,在遵照一定的日程收集对于关于庞大的内容的事件的反应的场合,管制日程这件事非常困难,而成为一个大的问题。在要求个人对于庞大的内容反应的场合,为遵照特定的日程收集其一个一个的反应,需要该个人在每日的生活中非常遵照管制的日程进行反应,但是对此不可能依赖一般的个人。接受调查的个人,一律以一定的日程进行反应是十分困难的。
因此,例如,即使是在自由度大的个人生活节律中收集反应的场合,也需要使收集到的反应与一定的日程对应而可以分析的框架。个人对于内容反应的定时的自由度高的话,就需要能够对应一定的日程集合、分析数据的日程制定的方法。
根据以下的方法,在反应数据的分析中纳入日程要素,可以实现精度高的分析和预测。
由此,可以在历来考虑的性别和地域、年龄、认知方式、学习方式、个性化等个人和内容属性的组合中,进而考虑日程要素的分析。
关于如何决定日程的要素纳入分析中而收集数据,以下说明其具体的对策。此外,以下列举的方法意味着,随采用各个方法和组合而考虑日程要素的分析的精度提高,不采用的话精度降低(通过计算机执行)。
(1)本实施例的日程的定义
首先,需要严密地领会一般的日程的意义。为此考虑把一般所述的某事件发生的日程分为,事件发生的最小期间(称为出示单元),以取从某事件的开始到下一事件发生前的期间为时间间隔规定的定时条件Ai、和表示事件的实质的出示条件Bi以及必要的话对象的内容(难易度等)三种。例如,一般在一日做、四日休这样的日程的场合,可以说是假设一日作为最小单位(出示单元)、假设5日作为时间间隔的日程。
此外,首先需要定义事件发生的最小期间(出示单元)。如果是英语单词学习的话,花费几天掌握是一般的,而不怎么能设想在1日同一单词学习几百次。因此,以1日作为出示单元是一般的。但是像射击游戏那样,扣或不扣板机那样就在事件之前的数秒的事件影响那样的内容的场合,可以考虑假设1秒为事件的出示单元分析其定时的影响。
以英语单词学习为例,假设一日一次学习一种英语单词、十日之间连续的日程(这里称为日程A),第一日和第六日各学习5次一种英语单词的日程(同样称为日程B)和第一日和第六日各学习一次一种英语单词的日程(同样称为日程C)。
如图1所示,在日程A那样一日一次学习一种英语单词、十日间连续学习的场合,和在日程B那样在第一日和第六日各学习5次的场合,哪一种场合也意味着合计学习10次,但是各日程学习的质量明显不同。
把这样的日程如下面所说明的,分为定时条件Ai(日程B中发生一个事件的话,取从该时刻到下一事件发生前5日之间的时间间隔的定时)和出示条件Bi(在该例中,表示学习次数(学习的强度)的看问题的出发点)考虑。
亦即,在取关于一种英语单词的事件发生的最小期间(出示单元)为1日的场合,通过使在10日之间包含的其最小期间中的事件的有-无,不管其重复次数和各种条件的种类对应1-0,来表现(编码)该期间特定事件发生的定时条件。具体说,如图2所示,日程A用(1,1,1,1,1,1,1,1,1,1)、日程B以及C用(1,0,0,0,0,1,0,0,0,0)这样的编码(通过计算机)表现。由此成为掌握日程B和C关于定时条件是相同的、但是重复次数这样的出示条件的看问题的出发点不同的方法。
在出示条件的种类中,在重复次数以外,可以考虑出示的时间(例如出示3秒)、在出示的时刻要求的处理(英语单词的熟知程度、学习的到达程度的自我评定等)等各种各样的事项,可以考虑它们各种各样的表现方法,不过,通过组合它们的出示条件的表示方法和定时条件的表示,认为可以全部表现在不特定的定时发生的事件(亦即该个人体验的内容)。
综合上述,在本实施例中,提出首先规定事件发生的最小期间为出示单元,此外把历来称为日程的条件分为定时条件和出示条件这样两个看问题的出发点,独立地研究其影响。此外,根据需要也可以将学习对象的内容(难易度)等独立再作为一个看问题的出发点。
(事件周期单元的设定)
作为为管制关于庞大的内容的事件发生的定时的框架,提出假设事件周期单元。如果汇集庞大的内容出示困难的话,当然需要在某期间内把内容分散。把该期间作为事件周期单元。一个要点是该期间的设定要有限制。
亦即,为生成关于全部内容的事件以同一定时重复发生那样的日程,需要设定比上述出示单元长、而且比在假设的期间中设定的时间间隔中最短的时间间隔的期间短的一定的期间作为事件周期单元,关于各内容的特定的事件在其事件周期单元内以一次发生那样配置内容。
试取在一年之间学习英语单词、最初的半年以两个月一次的定时进行学习,剩下的半年以一个月一次的定时进行学习的场合为例来考虑。在这一场合,因为最小的时间间隔是一个月,为管制定时条件,在分散(配置)内容期间最长必须为一个月。在设定超过一个月的事件周期单元的场合,不能严密地管制关于内容的事件发生的定时。
此外,事件周期单元把考虑的事件最初发生的时刻作为起点全体固定,事件周期单元一般哪一个都有相同长度的期间。
图3表示出可以对应图2的日程B设定的事件周期单元的两个例子。本实施例是在各单元中使各内容出示一次的配置方法。
另外,如图3所示,从出示(学习:事件)某内容(英语单词)后到再次出示前的间隔称为时间间隔,把出示单元以上长的、最短的时间间隔以下的期间作为事件周期单元mi固定,使其开始时刻和事件发生的定时的开始时刻一致(也可以不一定一致,第一事件周期单元后的事件周期单元的开始规定为从最初的事件周期单元的开始时刻到时间间隔后)。另外,某一内容假设在一个事件周期单元mi内发生一次。
根据这样的考虑方法,可以假设在日程B的第一日学习5次中事件周期单元mi,但是在该场合,第一次和第二次学习的间隔(分或秒等)作为一事件周期单元mi的最小单位=出示单元(bi)定义(亦即需要明确事件周期单元的最小单位=几个出示单元)。但是在研究一般的学习事件及其效果的场合,如图1所示,事件周期单元mi的最小单位=出示单元(bi)可以假设为一日。
这里,回到图1再次加以说明。
图1的日程B和C是以一日作为事件周期单元mi的最小单位(出示单元)bi的场合,表现定时条件Ai相同、出示条件Bi不同。
此外,出示条件Bi不只是次数,还考虑出示时间和反应方法等各种变化。
亦即,日程只考虑表示多少天间隔的事件、时间间隔,用1、0表示事件的话,日程B的“5”可以简单地表示为“1”。因为一个内容的发生在一事件周期单元中是一次,因此如图2所示,第一日和第六日设定为“1”。
因此,上面的ABC的日程条件的定时条件Ai和事件的出示条件Bi,可以如图2所示代码化。这样,把ABC的日程的定时条件、出示条件代码化。
亦即,在以一日为出示单元的场合,日程(学习标准日程)对于每日(时间)的定时条件Ai和事件(内容)的出示条件Bi作为对应1-0的矩阵表现。
(2)内容的分组
为使个人的特征和一般的倾向明确而进行确实的预测,需要明确要求评定等反应的内容的质。若关心对于各个商品或者英语单词的反应的变化,没有必要进行分组,但是为观察该个人的反应倾向,则希望采用对于该个人发送的多个内容的反应的代表值(通过计算机)。
在这样的时间,对于各定时条件Ai(学习的休息间隔的模式)和出示条件Bi(学习的次数;学习的强度)的每个组合,准备多个类似的内容。这一点是内容的分组。例如,如是英语单词的话,以难易度等相同水平的单词、每学年必需的单词或者学习者评定的难易度相同程度的单词、学习者评定的难易度和专家评定的难易度的差是相同程度的单词(※专家=对于高中生为目标的大学合格的学习者的评定等是这样的例子)这样的一定的属性汇集内容项目(附加属性信息)。此外,这里所述的难易度不仅是一般的难易度,也可以是使该个人对于各内容的成绩的好坏与难易度所对应的情形。
但是,如果是计算三角形的面积的问题的话,问面积=底边×高/2这样的公式的问题,可以认为是归结乘法和除法为一的计算问题,但是希望尽可能使内容细化,使分别与日程的各出示条件、定时条件对应来取数据。何故?这是因为能够进行乘法和除法的能力不能达到某种程度的话,就不能算出三角形的面积,可以研究问题间的分级关系。
下面为明确用语,对于内容项目和内容组进行补充说明。
内容项目:期待反应(只要看见即可)汇集一个的出示内容。
如是英语单词的话,可以考虑一个英语单词和日语翻译的对,如是一位加法的话,可以考虑1+2=?这样的算式。另外,如是数学的文字题的话,也可以把中间的计算过程作为内容划分。当然用声音数据和视频数据等可以出示的内容全部被包含。内容项目的最小单位由如何掌握内容各异。
内容组:类似的内容项目的集合。如是英语单词的话,难易度等相同水平的单词、每学年必需的单词或者某单元学习必需的单词等这样以一定属性汇集的内容项目的集合。
此外,如前所述,内容项目在定时条件的一个事件周期单元中只出示一次(注意所谓的一次不是出示条件)。
(分组内容的理由)
分组内容的理由是因为考虑特定的日程的效果因内容不同而异。对于具有多个属性的内容的集合的日程的效果,内容的集合变化的话成为不同的可能性高。亦即意图通过尽可能分离内容的要素和日程的要素来提高分析的精度。
此外,通过使内容等质,尽可能细地分组,使用得到的数据,相反,从对于日程和各内容组的反应可以推定质不同的内容组间的关系。
取上述三角形的面积的问题为例的话,分为三角形的面积的计算问题、问底边×高/2这样的公式的问题、和乘法和除法的计算问题这3个内容组,以各种日程收集各自的成绩的话,应该可以对应公式和乘法、除法的学习日程推定为给孩子出示三角形的面积的计算问题最合适的日程。
例如,下面的预测是可能的,即“公式的理解不达到某种程度水平的话,学习三角形面积的问题也不能期望实现其效果。因此,在以一周一次的进度学习公式的场合,三角形的面积的问题到5周前不出示,其后以3日一次的进度出示是有成效的”。亦即促进公式的熟记学习的问题的内容组在到最初5周以3日一次的进度出示,其后以一周一次的进度出示的日程,和问三角形的面积的问题的内容组,在最初的5周间一次也不提示,其后以3日一次的进度出示的日程,取这两个日程条件的组合分离,研究两个日程的影响是可能的。
(3)定时条件的决定方法
定时条件的种类可以无限假设,但是因为事件的周期的影响视觉理解容易,因此,10日一次、一个月一次这样的等间隔的时间间隔设定出示条件在最初是有效的。
对应日程的数据的收集和分析,其目标针对最终对于随意的日程具有预测力(第二实施例的目的),但是因此从最初设定随意的日程进行数据收集不是上策(当然,在相应一定的定时条件的反应数据已经在可以利用的状况的话没有问题)。
其原因是因为要考虑日程的要素进行分析,特别是引出预测,需要积累某种程度可以利用的数据。为此,从最初复杂地设定详细的定时条件给该评定者个人提供有益的预测很难,不强求进行数据的积累。
为提供对于初期的评定者也容易理解的数据,首先希望从设定上述那样比较单纯的定时条件收集数据开始。不管怎样,希望有计划地进行决定事件周期单元的定时条件、出示条件的设定。
为了视觉上容易理解时间间隔条件的影响,设定10日一次、一个月一次这样的等间隔的时间间隔在最初是有效的。
(4)在各事件周期单元内的出示条件的均匀配置
在特定的事件周期单元中,在那里考虑的出示条件在一个事件周期单元中尽可能成为均匀的那样配置后,向那里分配内容项目。
均匀配置出示条件(例如学习次数)的理由在于,在事件周期单元内的事件有可能不以一定的进度发生,在这一场合,在后述的评价事件(测验)中在推定这以前的事件的效果时误差会变大。对于此,在评价事件的设定方法一节进行更详细的说明。
取英语单词学习为例,在某事件周期单元的最初和最后偏向配置特定的出示条件的场合,在事件周期单元的中间因病等不能学习的状况出现时,取决于条件定时条件成为若干不同的状态。另外是因为,如后所述,在设定评价事件为比事件周期单元短的期间,对于每一出示条件收集内容推定事件的效果时,严密地管制到研究效果的事件和评价事件的期间变得十分困难。
为防止这一点,决定在各事件周期单元内出示条件尽可能均匀。更具体说,设定下面叙述的条件单元是有效的。另外,在各时间间隔单元内的出示条件的顺序尽可能相同。
(5)出示条件均匀配置的方法:假定条件单元
在均匀配置中,在随机配置出示条件以外有下面的方法。亦即进一步把事件周期单元分为一定期间(称为条件单元),在该条件单元内全部的出示条件(不是内容项目),或者希望比较研究以一定的定时条件发生的事件的效果的出示条件和属性条件存在的话,决定使该条件各出现一次(参照图3)。
图4是在重复约两个月(48日期间)的事件周期单元的条件下作为出示条件Bi设定出示次数(学习次数)1~16次的16条件。在该例中,是把第一事件周期单元mip(48日期间)每4日分割,全部分成12个单元fi的数据。图4的结构在存储器中保存。
例如,在第一日,学习次数分配1、8、9、16次条件,在第二日,出现学习次数分配2、7、10、15次的学习次数,在一个条件单元(4日间)中16条件全部各出现一次。
同样,从第5日到第8日的第二个条件单元fi中也是16条件全部各出现一次。以下同样,在一个周期(48日之间)扎重复12个条件单元fi。
此外,也可以不等于给各条件单元fi的一个出示条件Bi分配的内容项目数。另外,在图4中,1~4日和5~8日之间的条件的组合的顺序不同,但是,这一点是由于出示条件Bi出现的顺序的要素少的缘故(4日之间条件出现的顺序可以是随机的,此外也可以使用更严密的抵消方法)。
(6)内容项目的出示顺序的固定
在各事件周期单元中,固定内容项目出示顺序,不管取哪一个事件周期单元以大体同样的顺序出示内容项目那样配置。
在各事件周期单元内,出示特定内容项目的时期不同的话,在日程条件(日程条件:出示条件和定时条件的总称)中会出现误差。
例如,假设以一个月的时间间隔事件反复的定时条件收集数据,在第一事件周期单元的最终日出示的内容项目是在第二事件周期单元miq的第一日出示的那样,它在一个月的事件周期单元反复这样的定时条件中难于把该内容项目的反应分类。
通过固定在内容项目的事件周期单元内的出示顺序,即使在各单元内的出示有分散,也可以将其影响抑制的比较小。
(7)各出示单元的均匀化
这里把在事件周期单元的最小单位内出示的内容项目的集合称为出示单元Pi。如果是英语单词学习的话,某日出示的英语单词的集合就是这样的出示单元。
使在各出示单元Pi中要求的事件的质(出示次数的总计或合计需要的时间)尽可能相等那样,调整出示条件Pi的组合、内容项目数、或者日程条件的组合。
当然,随机取出示单元内的出示顺序,使同一内容尽可能在时间上离开出示,进行各种调整的研究是有效的。
这一操作意味着,在这一出示单元Pi中发生的事件在每一出示单元Pi中没有大的变化。例如,在如图4那样要求每日进行一次出示单元Pi的学习的场合,在某日只出现学习次数条件16次的英语单词10个,在某日只出现1次的英语单词10个,不能说各内容项目的学习条件相等(学习花费的时间不同)。
在该场合,在要推定各事件效果的场合,不希望只单纯用定时条件和出示条件、属性信息区分来推定效果。为防止这一点,在图4中作为一个例子,使出示单元内的学习次数(出示条件)的合计几乎相等那样分配。此外,学习次数等分配的具体方法后面说明(参照具体步骤(步骤2)的日程组的生成)。
当然这一调整不仅用出示条件、也可以使用给各出示条件分配的内容项目数、不同的日程条件的组合进行调整。
例如即使日程条件和出示条件相同,因为在某出示单元Pi和别的出示单元中要求的反应的负担不同,在出示单元内反应的意义变得不同,因此需要尽可能排除其可能性,是为此的对策。
(8)出示单元的小型化
为对于日程条件、出示条件Bi、内容组的属性等各种组合收集反应数据,希望使在一个出示单元中反应的时间尽可能短(亦即需要长时间的话不能保证固定的出示条件,另外反应的人的负担也变大)。
因此,或者使事件周期单元长,或者通过(5)使在出示单元Pi的出示条件Bi变小,使分配给出示条件Bi的内容项目数变小的方法都是有效的。
在图4的第一日的出示单元Pi的1、8、9、16次这样的Bi出示条件中,在1日中总计学习次数不是那样多。当然,一般具有事件周期单元mi(mip,miq)和条件单元fi的话,长也可以。
此外,个人的评定基准逐日变化。为在分析中考虑、排除这种变动,使用在同一出示单元内准备多个出示条件的内容,把对于该内容的反应的差作为严密的条件差的指标的方法。
(9)排除日常的遇到体验的影响使一般倾向明确的方法
作为向(4)中配置的出示条件的内容项目的分配方法,也可以在给每个评定者随机分配之外,像在现有的实验研究中使用的那样,使用抵消方法。在计划出示的内容项目中,在平常生活中偶然遇到的事情很多。管制到这一点是困难的,但是为掌握一般的倾向,特定的内容项目均匀化和随机化平常生活中偶然遇到的可能性,在分析时取多数人的数据的代表值是有效的。
例如,取英语单词为例,特定的英语单词也有在学校或私塾的讲授中接受学习的场合。该场合,在给以一定的日程进行评定的评定者全体分配同一英语单词的场合,只有高中和私塾的学生其英语单词的成绩有上升的可能性,这一点亦即作为其条件的一般的倾向表现。在这一点上,在一般的预测中不使用该数据。为提高预测力纳入这样的方法是有效的。
(10)出示效果的测定方法及数据的合计方法1:拾落穗法
以上叙述了事件的日程条件的各种设定方法,这些方法是对应全部、数据的合计方法考虑的。亦即,使用上述方法,用以下说明的那样的方法合计数据的话,可以把管制定时条件、出示条件、内容的属性等的反应作为数据收集。
上述的日程建立方法,简单说的话,因为一次出示的内容多的话反应不过来,意味着为使其变少把内容项目在时间间隔单元内分散。因为随意分散的话,定时或出示条件、一个事件的影响力的管制变得十分困难,因此要管制它。
数据的合计,反之,是对于分散的内容的反应每次少一些收集,最终汇集时取代表值。
具体的数据收集方法之一是拾落穗这样的方法。容易明白的例子是,在测定体验在Ai这样的定时条件下发生的事件的效果时,对于在其最后的事件周期单元中出示的内容项目,可以假设要求评价的日程(当然,另外的方法,作为遵照希望测定其效果的一定的日程的事件的延长,设定用于评价的事件也一样)。
举图4在存储器中保存的日程为例的话,对于第二事件周期单元的第三个月的第一日出示的一次学习条件的单词,自我评定该学习的到达度的话,在其反应中,表现出两个月前一次学习的学习事件的影响。
同样,对于16次的学习条件的单词要求自我评定的反应的话,表现出两个月前的16次的学习事件的影响。在给各学习次数分配的内容项目数为1的场合,在4日之间(1条件单元)连续评定同样的事件的话,则成为在1次~16次的出示条件中集合各一个内容项目的反应数据。进而将它连续两个月的话,在第二事件周期单元结束的时刻(第四个月结束的时刻),在一次~16次的各条件中,成为收集对于取每12个同样的日程条件的内容项目的反应。通过收集该反应,当然可以得到对于同样的日程条件的内容项目的反应的代表值。
这里也表现出设定条件单元的别的意义。亦即在图4的例子中,在不设定条件单元在3个月~4个月中分散设定各学习次数条件的场合,可能有某重复条件在第4个月的最后当头集中出示的情况。在这一场合,学习者对于该学习次数条件的反应不能在第四个月结束之前收集。在学习者在第三个月停止学习的场合,对于每一学习次数条件不能比较一、两个月的学习事件的影响。
对此,设定条件单元的话,在第三个月的第四日结束的时刻每个学习次数条件至少可以得到一个数据。这样,学习者在第三个月的第四日结束的时刻可以再确认自己的学习效果,通过将此反馈,容易维持学习者关心的问题。
再有,通过在研究的日程条件前也设定评价的事件周期单元、比较对于最初和最后的评价事件的反应,可以更加严密地表示沿其间一定的日程条件的事件的影响。特别是在关于内容的体验中推定大的个人差这样的场合,通过这种方法可以排除个人差进行研究。
拾落穗法,是在迄今说明的日程构成法中,采用设定事件周期单元的日程,在该事件周期单元中假定评价事件的方法,
(11)出示效果的测定方法及数据的合计方法2:定时抵消法
上述数据收集方法1,如果不设定一定的事件周期单元(至少条件单元)那样的期间的话,不能收集遵守一定的定时条件的正确的数据,这一点是其难点。
一般,测验在短期间内进行。该场合,在设定事件周期单元的方法中,需要处理学习事件和测验这样的评价事件(以后有时也称为测验)之间的时间间隔的不同。例如,图3中在第一、第二个月进行学习,在3个月后的某日测定其效果的场合,全部利用1、2个月之间使用的内容进行测验在时间上困难,需要抽出某些内容构成测验项目。
在该场合,例如在第三个月的第一日进行测验的话,从学习到测验的时间间隔产生1~24日的分散。在该状况下,由在第一个月的前半月学习的内容和第二个月的最后学习的内容组成测验,同等地比较成绩,学习和测验之间的时间间隔的不同的影响混入成绩中,严密的比较困难。作为为考虑学习和测验的时间间隔的不同的影响、进行正确的比较的方法,举出两个。
其一是,在把图3那样的学习日程延长,在第三个月、第五个月、第七个月进行测验,比较对于学习的重复的成绩这样的场合,把进行测验的日子不管哪月取同一日,从事件周期单元内同样的时期的内容项目各选同样数目的内容,构成测验的方法。例如,在第三个月和第五个月的第一日进行测验的场合,从第一个月的第六日、第12日、第18日、第24日的出示单元的内容项目中各选一个内容构成测验项目。在该场合,如果对于第三个月和第五个月的测验项目同样抽出,进行测验,汇集全体而取代表值的话,则在第三个月和第五个月的测验的成绩中,从学习到测验的期间的不同表示出同程度影响的结果。这一点,是在定时条件中应用在现有的实验心理学的领域中使用的抵消法一类的方法。
这一方法为看到每月的学习效果是有效的,但是比较出示条件难。例如,在第三个月的第一日进行测验时,在第一个月的最初配置多个10次学习条件的单词、在第二个月的最后配置多个一次条件的单词的日程的场合,在第三个月的第一日测验10次学习条件的单词和一次学习条件的单词,比较其成绩,不能同等地评价两条件的影响。为解决这样的问题的方法,作为日程方法以条件单元的设定作为前提,进而构成测验时,有从同样的条件单元中抽出同样数量的比较研究条件的项目,构成测验,汇集反应进行比较的方法。根据该方法,何种出示条件也都把学习和测验的时间间隔视为是同等的。
从同样的条件单元中抽出同样数量的测验项目这件事,在意味使从学习到测验的时间间隔的不同成为等同这一点,具有和先前的方法(在定时条件中适用抵消法)同等的效果。更加重要的一点是,如果一定利用全部出示条件由一个包含这样的条件单元的特征的话,可以抵消学习和测验的时间间隔的要素来比较多个出示条件的学习的影响,亦即,这也是设定条件单元开始时可以容易地分析的评价方法。
(12)不同的日程条件的斟酌(すり合ゎせ)
例如,如(11)的测验的构成例,在第3、5、7个月进行测验、连续某日程化的事件的影响进行测定那样的场合,测验中利用的项目,在接受测验的时刻受该事件的影响。因此,在逐月看见学习成绩如何变化的场合,单纯只检测进行学习的效果变得困难。这样的场合,在以图4所示的日程(两个月学习一日的条件)准备进行学习事件的内容之外,以同样的日程(当然也可以是不同的日程)另外准备进行测验事件的内容,使这两者并行体验事件,分别进行合计的话没有问题。
这样,完全可能准备多个个人体验的日程和内容,在同样的期间并行执行它们。特别,在使用同种类的内容体验同样的事件的场合,进行反应的个人即使没有意识到要求以不同的日程反应,也可以个别收集分析对于多个日程的反应数据。此外在该场合,希望使用内容项目不同的日程,尽可能使出示单元(在图4的场合一日之间)内个人的负担在所有出示单元相等。
特别,该方法确定对于以多个日程条件发生的事件的反应的关系,从对于一个日程条件的反应的变化模式推测对于别的日程条件的反应的变化模式时变得有效(后面叙述)。
(13)考虑出示日程的多变量分析
以定时条件作为一个轴,此外把强度(学习单元内的出示次数)、内容组的组合的看问题的出发点作为附加的轴表现日程。亦即,如果使用通过迄今上面说明的方法得到的数据的话,则可以把历来管制难的定时的要素作为重回归分析中的说明变量等作为分析要素纳入。
持有某属性的内容项目,以某出示条件遵守一定的定时出示的场合的遇到条件可以作为定时条件的轴及其出示条件、以及内容属性的轴的组合代表。
可以对于定时条件和出示条件以及内容属性的组合描出对此的反应的变化。
下面说明把根据上述日程构成法等实际中分配给出示单元的内容,以一定的顺序并置归拢在一起到生成内容列表(后面称为出示列表)的流程。此外,为容易明白,以英语单词学习为例说明。
(步骤1)准备内容数据库
内容数据库(也称为内容文件)在生成日程表时、以及遵守日程表生成出示列表时使用。内容文件存储从企业制造者的服务器等经由因特网或者存储介质接收的内容Ci(也可以不一定是内容这样的东西。如给英语单词+日语附以号码的内容的话,其号码也可以)。
该内容Ci,以英语单词说的话,存储英语和日语对归拢在一起的(1)内容(不需要成为问题和答案这样的对,归拢在一起的文章或图画或动画均可),(2)区别其内容的汇总的识别号码(高中一年用,大学生用等),另外作为可以利用的信息可以利用的话,(3)附加各内容的熟知度或者难易度、重要度、关联信息、层次性(在学习A这样的教育内容前需要学习B这样的教育内容到何种程度这样的关系)等的属性数据,在内容号码(也称为内容的识别号码)上附以链接存储。
此外,作为内容的属性信息,应该考虑在提供该内容的企业等预先指定的信息以外的信息。亦即,对于各内容学习者个人的感觉的重要度,此前获得的学习成果、对于该内容的实际的成绩也作为属性信息考虑。例如,对于准备的内容遵照一定的日程进行学习,在到达一定的学习阶段的时刻,对于该学习者的各内容的成绩以难易度信息的形式给各内容附加,使用该信息,再次假设遵照新的日程进行学习的流程。
(步骤2)日程表的生成
根据迄今叙述的日程构成法等生成为学习上述日程表的内容的日程表。
具体说,日程表(存储器的日程表),例如如图5所示,成为对应序号(NO)、日期(MONTH,DAY)、后面要说明的内容识别条件代码(CODE)、属性信息(难易度,重要度等)的条件代码(TYPE)、表示学习法的种类的条件代码(IDR)、表示重复次数的条件代码(REPEAT)、表示事件周期单元的条件代码(CYCLE)、表示事件周期单元的最小单位的条件代码(INCYCLE)、表示内容数目的条件代码(N)的表。上述的难易度,例如根据年龄、性别等把某学习的难度分成组,给该组分配难易度(例如5阶段:非常难的系数,难的系数,普通系数,不太难的系数,简单的系数)。
此外,该日程表的例子,成为包含A1、A2、A3这样的三个日程的表,它们分别是:出示单元为一日、时间间隔为一个月(由24日构成,下同)、事件周期单元为一个月、条件单元作为2日的定时条件(A1);出示单元为一日、时间间隔为两个月、事件周期单元为两个月、条件单元作为4日的定时条件(A2);出示单元为一日、时间间隔为一个月、事件周期单元为一个月、条件单元作为1日的定时条件(A3)。只用A1的定时条件形成表的场合,以1个月作为事件周期单元。此外,假设A1是在一个月中以1日的进度、A2是在两个月中以1日的进度进行学习的条件,假设A3是为测定在一个月中以1日的进度重复学习的效果的客观测验用的评价日程。此外,假设事件周期单元的最小单位(出示单元)为一日。这些定时条件在计算机上设定。
关于定时条件A1、A3,因为图5中的月(MONTH)的字段对应事件周期单元的顺序,日(DAY)对应出示单元的顺序,因此如果分别使MONTH对应事件周期单元的顺序、DAY对应出示单元的顺序的话,则不需要表示事件周期单元的单位的条件代码(CYCLE),但是在该例中,因为要一起考虑A2的定时条件,因此设置另外的CYCLE字段。另外,为区别两个定时条件、抽出内容,在表示事件单元的最小单位的条件代码(INCYCLE)中,各定时条件中的事件周期单元内,以最小的事件周期单元的期间换算后,要附加是第几个这样的信息。
关于这个方法,这里不添加补充说明,不过为在同一日程中进行事件周期单元不同的两个以上的定时条件的日程,就需要记述两个定时条件的关系的字段,需要使用该信息进行内容条件的写入或抽出、合计。
在该例中,因为A1、A2、A3中最小的事件周期单元是A1、A3条件的一个月,所以在事件周期单元中,输入表示以该一个月换算的第几个月的数字。
上述学习法的种类(IDR)是出示条件的一个例子,例如存在3种(TDF)。一种(T)是例如在联合学习英语和日语翻译的词对时在学习前使看见英语单词、评定其熟知度的学习法,第二种(D)是在学习前不进行其熟知度评定的学习法,第三种(F)例如是在各月的最后进行熟知度测验的场合使用的项目,是提示的方法也和TD不同的学习法。
另外,重复次数(REPEAT)也是出示条件的一例,表示在一个出示单元内重复出示的次数。作为其他的出示条件,出示时间、学习项目的强调方法、另外出示列表内相同的内容尽可能在时间上分离出示那样决定顺序等的出示顺序也都是条件。
这些学习法,重复次数相当于出示条件。亦即,如果编码各种出示条件的话,可以对该条件的每一个预测。
图5的日程表的序号“1”的内容识别条件代码(COND)是汇集对应序号的各种条件的代码的代码。例如,序号“1”的“B1T01CY0101R01”表示提供一个B1这样的种类属性的单词、T的学习方法(也称为出示条件1)、一次的重复次数(R01:也称为出示条件2)、第一事件周期单元(CY01)、在该事件周期单元中的第几个月(INCYCLE=01)的条件的内容的日程数据。
这样的日程表,是使用迄今说明的方法设计的日程条件而作为表,其基本设计以上述日程制作方法的框架为基础考虑。
此外,关于给各日程条件的各条件的组合各分配几个内容,如图6~图11所示,对于每一定时条件或者每一日程条件制作内容项目数分配表,考虑可以利用的内容数和必要的时间,调整各条件下分配的单词的数目,做出决定后,一边参照可以利用的内容数和预想的学习时间等,容易进行对于条件的内容项目或条件的分配。当然,如果使各出示单元中的学习条件相等,或者忽略学习时间的话,也可以不作图6~图11的表。但是,在成绩的推定精度降低时,不进行各种分析。
图6~图11为Excel文件,它在最后的“综合全部条件的项目的概要和预想的时间”一栏内记入计算式,使在向粗框中斜线部分输入条件的项目数等后在所述栏中输出学习时间等的信息。在该日程中,设定A1~A5共5个定时条件,不过其中A3和A4的定时条件相同。
为说明这一点只分两种进行说明。
在对于各种属性不同的刺激的学习斟酌多种日程条件编日程的场合(例如以一个月一次学习的日程和两个月一次学习的日程等,再有在同一日程条件下以多个属性条件和出示条件学习单词那样的场合),必须调整学习项目的数和重复条件等,以使每日的学习时间和疲劳程度相等。亦即,在某日学习时间花费10分钟或者花费1小时这样的条件,不能说是相等的学习条件,正确推定该学习的效果十分困难。为正确推定学习的效果,需要在全部日程条件下预先想到需要何种程度的学习时间,需要何种单词程度的学习项目,和重复条件可以达到何种条件程度。图6~图11是在这种预想中使用的表。
图6到图10是为在各日程条件中的条件单元内准备何种属性和各自多少个何种出示条件的单词后、把握在各出示单元中的总计项目数成为多少个、以及在事件周期单元中成为必需的项目数的总数是何种类的表。例如,在图6中,在T这样的学习(出示)条件下,在一次学习的条件中,在属性条件分配一个B1(水平1)的单词的场合在对应的地方输入1。同样,在全部条件中配置的单词数在网格的框内输入后,在各出示条件中进行训练的单词的总计数计算为5个或2个,再有,在表的右下端的部分,表示在各出示单元中的总计项目数的平均(总计的合计252,用条件单元内的出示单元数除)126个(实际上输入Excel的函数)。再有,在各每一条件中必要的项目数合计的56乘以在1事件周期单元内设定的条件单元的数(12)的值,作为在1事件周期单元中必要的项目(672)显示。看见该表,可以参考判断和决定必须全部准备多少个左右的项目,另外,给各条件分配的单词的数到何种程度好。关于A2~A5日程条件制作的同样的表是图7~图10。再有,斟酌全部日程,在1个出示单元中出示对应的全部单词的场合的、计算和表示所需要的总学习时间、项目数的图是图11。观看图11,可以掌握在并行执行A1~A5的日程的场合花费的学习时间和项目数。
此外,对于图6中的出示条件的T条件和D条件,对于重复学习数条件(1~6),和属性条件B 1、B2、B3、O1、O2的组合的每一个,把给各条件分配的单词数(1)作为内容数输入,对应日程表(图5)。亦即,以图6那样的检查表作基础,在掌握学习条件等,确认对学习者没有不合理的条件等之外,对于各日程条件的每一个,成为对应各自的属性、出示条件把分配的项目数作为列表输出的日程表(图5)。
图12的内容数据库是使各单词的每一个对应分配给该单词的各种条件等的表。在该表中,最初不分配COND条件(图12的属性信息(在图的例子中是B或R)是难易度等的信息,表示各单词一般被认为是何种难度的单词,这一信息是对于每一单词预先决定的信息)。在原来未输入的学习条件(COND)中,以日程表作基础,给各每个单词分配该学习条件(COND)后,就成为图12的例子。
该表的制作方法,首先,从图5那样的日程表,对于全部条件中的每一个,取出对应1事件周期单元(例如关于事件周期单元一个月的日程条件,即使是有24个月的日程,也只对其中的一个月)的日程,在其中,弄清楚需要多少个相同学习条件的单词。把对应该条件的属性条件的单词,此次以图12原来的内容数据库作基础,只选出需要的数目,在该单词中写入其条件。这就成为图12的表。例如,图12的最初的单词rule具有BC这样的属性信息,在该单词中写入B1T01C0101R01这样的COND条件。在该COND条件中,最初的两个文字(B1)表示属性条件。例如,规定“对应B1的条件的单词是从属性信息是B的单词中选出”这样的规则,把对应该条件的单词从全体内容数据库中选出,给该单词分配属性信息是B1的条件。COND条件的第三、第四文字表示出示条件。亦即,从根据B1的属性条件选择的单词中应该进一步分配需要数、T1这样的出示条件。再有,最后的R01是重复条件,在和B1的属性条件一致的单词中,在分配给T1这样的学习条件的单词中,进而重复次数条件的必要数应该分配一次条件。在这样的方法中,给各单词分配COND条件。此外,在该COND条件中存在的C0101这样的条件,表示在第几个事件周期单元中、进而在其中的第几个出示条件,不过该条件如上所述,因为限定在一个事件周期单元中,因此不包含C0201和C0301那样的条件
接着,准备好这样的日程列表和内容数据库后,如下述这样可以生成各出示单元中出示的列表(图13)。
图13是出示列表的例子(兼反应履历列表),是对应学习条件已经写入顺序等、学习已经进行到PHASE(阶段)2的例子。
首先,从日程列表取出特定日的事件所需要的条件的列表(例如第一日的学习份额的条件的列表)。接着,从内容数据库中抽出写入在该列表上的各种条件的内容。进而,把该列表遵照提示条件罗列,以提示的顺序中罗列替换的是图13的出示列表。在其中,关于各个单词以何种条件出示,在参考中写入各种参考条件(区别用于以该条件作为关键字以出示程序出示的处理)。进而,在其中有称为CHECK(检查)这样的字段。它用于掌握关于各单词的事件是否结束,在该出示列表的学习中途结束的场合,在从未结束的部分的单词出示时使用。另外,PHASE(阶段)是在一日的出示单元内要求不同的处理(例如熟知程度或者再认识判断或自我评定)时在出示程序侧区别它时用的信息。
另外,对于各单词,准备记录学习者要求的反应的字段ANS、F、J、TIME等。ANS是写入要求再认识测验的场合的反应的字段,F是学习方法在T条件的单词中、要求熟知度评定时记录学习者反应的值的部分,TIME是在各反应中记录学习者要求的时间的字段。使用该出示列表,在控制顺序出示内容的同时,记录反应。特别,在1事件周期单元中,因为各单词只出示一次,如果从日程表中取出一日份额的日程,把在那里记录的各种条件作为关键字,从内容数据库中选出属性条件和出示条件(学习条件和重复次数等)一致的单词的话,可以抽出一日份额的内容的列表(如果假定在事件周期单元内2次以上提示同样的单词的话,这一部分的处理变得相当难:事件周期单元的定义中显示出意义)。
图14A、图14B的履历文件用于记录对于每个学习者何时、用多长时间进行关于各出示单元的事件。使用这些文件的话,各学习者可以掌握实际上用什么样的日程进行学习。FILE表示出示列表的保存文件名,START和END表示开始和结束的日期,N1、N2、NOBE表示从日程表的第几到第几进行的,另外进行了哪个单词的学习。T1S、T1E等记录用秒表示各PHASE开始的时刻和结束的时刻。
图15A、图15B的个人反应数据库基本上是在和内容数据库相同的文件结构上附加记录字段的文件,是把出示列表中记录的反应汇集在各个内容中记录下来的文件。F00、F01、F02...、ANS01、ANS02这样的数字意味着是第几个事件周期单元的反应。使用该文件,对于全部学习日程可以容易地计算反应是否同样变化。
最后的图16A、图16B、图16C是从图5的日程表取出1个、2个、3个月份额的一部分的表。像第一个月的第一日这样,在每一规定的日期开列进行什么样的日程条件的学习。图16A是第一个月的日程表的例子(包含两个日程条件)。图16B是第二个月的日程表的例子(包含两个日程条件)。图16C是第三个月的日程表的例子(包含两个日程条件)。
看表的最初的月和日的话,表示第一个月的第一日和第二日的一部分。给第一个月的第一日的序号的最初的一方分配的条件是日程条件A1的条件,其次,定时条件A3的条件,...这样的状况中,直到定时条件A2的条件被开列。在各每个日程条件中出示的单词的属性和提示方法等在条件中被指定。以这一条件为基础顺序从上面,抽出在内容数据库中记载同样COND条件(出示、属性条件)的内容,全部使用这些内容,可以作成一日份额的出示列表。
如上所述,可以以多个日程条件混存的形式提示学习内容,在该例中也给同一学习者提供多个日程条件,其上可以进行各种分析。在该表的日程中,定时条件有4个,内容的属性条件中有B1、B、B3、O1、O2等这样的条件,出示条件作为学习的方法有T、D、F等条件,进而有训练学习要求的学习次数的条件。在每一个这些组合中,可以表示进行学习的方法,研究这些关系。在以下的说明中,只限定在表的定时条件A1、A2、A3连续说明(因为包含A4、A5的条件的话变得复杂)。
(步骤3)根据日程表和内容数据库写入向各内容的内容识别条件代码
作成日程表后,要确定各识别条件代码中需要的内容种类和其数目。关于分配内容给何种识别条件,在使各内容的属性信息和识别条件代码的属性信息对应分配外,希望尽可能随机分配。此外,如在(9)中所述,在取抵消法、汇集多个个人的数据掌握一般倾向的场合,根据抵消法给内容分配识别条件。各内容中写入识别条件代码的内容数据库的例子在图12A所示。图12A是时间间隔一个月的日程(一个月中一日的进度)的例子,图12B,作为多个日程条件混存的例子,表示评定事件(一个月中一次的定时)和时间间隔两个月(两个月内一日的进度)的日程组合的情形。此外,也可以不需要把学习对象的内容也记录在内容数据库中,代替学习对象的内容只记录序号,根据需要和内容数据库核对,可以确定学习对象的内容。
以上,以规定一定的日程条件的日程表和附记对应它的识别条件代码的内容数据库各准备一个以上的状态为前提,用下面的步骤制作对应出示单元的出示列表。
(4)出示列表的抽出范围的指定
在抽出对应出示单元的出示列表的场合,根据需要指定生成对应第几个出示单元的出示列表。一般,以出示单元的顺序一个一个抽出出示列表,但是指定多个出示单元,也可以全部抽出那一份额的出示列表(特别在通过网络下载列表那样的场合,可以考虑集中下载)。在使用不同的终端遵照相同的日程表生成出示列表的场合,通过根据日程表掌握已经生成哪一个出示列表,可以同步学习的履历。
亦即,到哪一个出示单元成为出示列表(处于可以学习的状况)作为日程文件或者别的文件记录,利用它掌握出示列表生成履历,可以适当生成、提供不进行学习的出示列表。
(步骤5)对应出示单元的出示列表的生成
作为一个例子,根据图16的日程表说明对应第一个月的第一日的出示单元的出示列表的抽出方法。首先,假定生成的范围以一个月的第一日的份额这样的形式指定,对应图16A的MONTH和DAY的日程表的范围被限定(图16A,NO1~NO38)。接着,从内容数据库中抽出写入该范围的识别条件代码(COND)的信息全部或者一部分信息的内容,遵照出示条件构成出示列表。这一细节因为依从出示条件不能一般地说明,但是在图13中表示出生成的出示列表的例子。
从图的左端字段开始,CHECK字段表示到哪一个字段学习结束,它是在出示列表的中途学习中断的场合,为使用该信息连续学习的字段。PHASE字段意味学习或者其他课题(熟知度评定或记忆测验,插入训练等)的集合。NO是根据需要输入序号的字段,DAY是输入进行学习的规定日期的字段。此外,该列表兼有后述的履历列表,后者的字段的F、ANS、J、TIME这样的字段是记录学习者的反应的字段。此外,因为该例是对一个内容要求学习者一个反应的学习法,因此可以在各内容中最低限设一个反应字段和记录反应时间的字段。在一个内容中要求多个反应的出示条件中,反应字段需要多个。
遵照图16的这一日程条件,确定特定的出示单元的识别条件后,在从写入该信息的内容数据库抽出必要的内容的同时,遵照出示条件等的操作,顺序并列内容,生成列表。
(步骤6)遵照出示条件顺序出示内容
该步骤依从内容的出示条件和学习的方法。这里介绍一个出示方法。是最方便利用而且对于各种内容都可适用的学习和测验兼备的数据的收集方法。
首先,如图31A、B所示只表示英语单词,学习者按压某个键后显示日语翻译。到此是内容的表示。在该表示结束的时刻,是学习者自我评定学习内容掌握水平的方法。在图31B的例子中,是4等(A:良,B:稍差,C:不行,D:完全不行)评定的例子。
该方法只出示内容,即使不要求解答也成立,可以对各种内容应用,而且因为通过数值变换该评定结果(图31B中A=3、B=2、C=1、D=0那样)可以作为成绩处理,特别在设定事件周期单元以一定的定时反复学习的日程的场合,由于能够直接研究学习次数与其成绩的关系而十分有效(通常,进行学习和别的测验的话,因为该测验事件的影响给其后的成绩的影响,研究纯粹的成绩和学习的关系困难)。
(步骤7)反应数据和学习履历的写入
在遵照各出示条件出示内容的时刻,对于该事件产生的反应要写入图13那样的上述出示列表或者反应履历列表中。在图13中,F字段中记录熟知度评定的值,J是图31的反应,TIME记录各反应需要的时间(如果分析该时间的话,能够容易地掌握和反馈学习者在何种程度的学习上花费了时间。)。另外,也有在图14那样的个人履历数据文件中记录学习履历的。图14的字段,对应出示列表的学习记录进行学习的出示列表文件名(FILE)、学习开始时刻(START)、结束时刻(END)、对应某条件的单词的数(N1,N2,NOBE)、每阶段的学习开始时刻和结束时刻(T0S,T0E,...,T7S,T7E)。此外,在图13中,F、ANS、J这样的字段,不一定分开,作为一个反应字段记录反应也可以。
(步骤8)反应履历列表、个人数据文件的回送
关于全部的出示列表的事件结束了时,把写入内容号码和反应等的反应履历列表以及个人履历数据文件(对应出示单元)根据需要通过网络回送给数据分析服务器等。
此外,在个人履历数据文件中,把在该出示单元的序号和学习开始时刻、结束时刻、规定日期、出示单元内设置的阶段的开始/结束时刻等写入。如果根据这些数据分析学习数据的话,原理上可以预测是早晨学习成绩好、还是任何时间学习的人成绩好或者推定个性化学习方式等。
(步骤9)向个人反应数据库的写入
把在反应履历列表中写入的反应,写入图15中例示的个人反应数据库中以内容为关键字的数据文件中。个人反应数据库(图15)是上述图12的内容数据库上追加数据的记录文件的一个例子。在该例中,把熟知度评定的值分开第一个月~第四个月写入的字段(F01,F02,F03,F04)、写入记忆测验的反应的字段(ANS01,ANS02,ANS03,ANS04)、写入自我评定的值的字段(J01,J02,J03,J04)、写入各反应需要的时间的字段(JT01,JT02,JT03,JT04),作为另一例子表示。此外,这里以一个月作为基准,是因为最重视事件周期单元为一个月的条件,另外是因为数据的掌握方法容易。
因为在内容数据库中各内容的识别条件等遵照一定的日程表写入,而且,反应履历列表(=该例中是出示列表)也遵照一定的日程表(存储器)作好,因此在个人反应数据库中写入反应履历列表的数据后,就成为如图15所示对应各条件记录数据的文件。
此外,个人履历数据文件也可以在每一出示列表中作成(仅一个记录),在服务器侧保存个人的全履历文件。使用个人履历数据文件的话,学习者可以掌握哪个出示单元的学习结束与否,某个学习是否结束,根据需要发出催促学习的指示。这一点在由于通信错误丢失学习数据的场合,如果该部分数据在终端侧的话,能够在后来明确不足的数据,催促使再次发送这些数据。
(步骤10)分析使用个人反应数据库的数据
个人反应数据库的识别条件代码中,在日程条件之外,还包含出示条件、属性信息。因此,如果使用在该代码中包含的信息的话(也可以原样使用出示条件的字段和属性信息的字段),则可以在各每个事件周期单元中得到汇集对于一定的日程的学习成绩等的反应的代表值。因为有各种各样的分析方法,因此省略其详情。
<援用日程制作方法实施的实验结果>
(日程条件的说明)
下面介绍采用本日程构成方法和分析方法已经执行的试验的结果。图17表示高中生遵照一定的日程,在连续英语单词的学习的长期学习实验中在自我评定值中看到的学习的积累的平均的样子。横轴表示时间间隔单元(24日:约一个月)的顺序(在该日程中对应月),其中的各直方图是提示条件(1~8次的学习条件),纵轴表示对应各个的自我评定值(成绩)。
此外,在实际的场合该实验考虑多个时间间隔条件,但是在这里只说明1个条件。把该实验的日程条件用上述的话表示的话,汇集如下。
·定时条件:时间间隔1个月=以1个月(取24日)中1日的进度学习的条件
如果取1日为最小的事件期间的话,进行下面这样的编码。
1日 2日 3日 4日...24日 25日 26日......48日 49日...
1 0 0 0......0 1 0 ......0 1......
附带说,如果取1个月(取24日)为最小的事件期间的话,进行下面这样的编码。
第1个月 第2个月 第3个月 第4个月 第5个月 第6个月
1 1 1 1 1 1
·出示条件1(反复次数):反复次数中1~8次的8条件
·出示条件2(学习方法):D(不进行英语单词熟知度评定进行训练学习的条件)
·事件周期单元:24日(=称为1个月)
·在该条件下时间间隔和事件周期单元都是1个月,一致。
·出示单元:1日
·条件单元:2日
·在出示单元内的重复次数条件分配方法:奇数日分配1、3、6、8次条件,偶数日分配2、4、5、7次条件。
·给出示单元内的各重复次数条件分配的单词数:4个。
·出示单元内的重复次数条件的总计数,奇数日1+3+6+8=18,偶数日2+4+5+7=18相同。因为给该条件各分配4个单词,因此1日(出示单元)中的单词的总计学习单词数18×4=72个,每日关于该日程条件期待几乎同样程度的负担(实际上因为其他的日程条件也并存,负担比72的的数量多)。
·内容组:1种:在该实验中使用难易度相等的单词。
(得到的数据)
以图17的1个月一次的进度学习的条件的单词的成绩按月观看的话,可以看到整整齐齐上升的样子。各月中的直方图对应重复次数条件,在各月的最初对应该单词进行的自我评定的反应化成得分表示(A:良,B:稍差,C:不行,D:完全不行)的评定化成点数(A=3、B=2、C=1、D=0)。该评定值是对出示的英语单词的意义自己学习到何种程度水平这样的自我评定(从该结果可以了解为推定学习的到达度成为非常有效的指标)。
对于某单词要求评定1次~8次、其后1个月不出示该单词,是1个月(24日)后再次出示的条件。在该实验中限定对应该日程条件的单词后,给各学习次数条件分配的单词的数(种类)是48个(4个×24日÷2)(总计384个单词),该48个单词对应各条件的次数反复提示,分别平均最初的自我评定值的值对应图17的各月的一个直方图。如果,使用现有技术的方法制作图17的数据的话,则是在某特定日中进行总计48个×36=1728次单词学习,在其后1个月的时间间隔后进行同样的评定的方法(36是1~8次反复条件的总计数=1+2+3+4+5+6+7+8)。假定一个单词的学习需要5秒的话,需要进行1728个×5秒=144分学习。
即使是仅用1次~8次的学习条件学习实质384个单词,也需要连续两个小时的学习。这样无论如何也不能保证学习的均匀性,另外,不可能一口气给学习者出示庞大的学习内容。
亦即应该必须减少一日之中学习的总计数。但是,如果把1日的学习分成几日,则此时管制该学习和测验之间的时间间隔和学习条件变得困难。
本发明提供一种方法,它能一边管制时间间隔条件,同时减少1日期间的学习的总计数,减少一次分发的内容量,而且使1日的学习条件(学习的质)均匀,严密测定其效果。
另外,以出示单元制作法的一部分稍微进行了说明,但是,自我评定等的评定者的反应的基准逐日变动,作为排除该变动和个人差异、严密地推定出示条件的效果等的方法,有在同一出示单元内配置想研究的出示条件,取对应给该条件分配的内容的反应的差的方法。
例如,在图17中,把第一个月各学习次数条件的单词的最初的评定值作为基线,从第二个月以后的评定值延长的话可以排除个人差异。再有,关于排除个人差异的得分,取对于各月的8次学习条件和一次学习条件的得分的差的话,可以排除判定基准的日内变动的影响,非常严密地推定学习效果。但是,能够严密地排除判断基准的变动,有在同样的出示单元内配置8次条件和1次条件的场合。因此,为排除这样的变动,需要在(不限于条件单元内的)同一出示单元内配置可以比较研究的出示条件。
迄今为止在以一定的日程学习庞大的学习内容的场合不能客观测定进行学习的方法的理由是因为没有考虑本发明这样的方法。根据本发明,可以严密掌握以一定的时间间隔条件学习(判断或者评定)非常庞大的内容(对象)的场合的反应的变化。
图17是23个学习者的平均数据,但是它也可以对于每个人描绘出来,通过在本发明中提议的把学习阶段到达度的自我评定换算成成绩的方法,可以明白以个人数据为基础可以得到也可以预测每个人的到达度那样的预测力。图18表示实际实施结果得到的3名学习者的个人数据及其预测函数(画简单的回归曲线)(和图17的学习日程不同的实验数据)。预测方法可以考虑各种函数,但是使用本发明的话,可知可为正确预测收集客观的数据。整整齐齐地把图17、18那样的学习效果的变化详细地同时就每个人描绘出来的数据在现实世界中哪儿也不存在。另外,可以把单词的一次学习所需要的时间作为别的反应指标记录,也可以从其分析结果明确意义深远的事实,不过省略其详情。图17或图18表示把到达度的自我评定作为掌握到达度的一个指标的有效性,但是通过根据该日程制作方法收集数据,对于这以外的指标也可以描绘出非常详细的学习效果。
特别,如该实验例,采用1个月一次这样的定时条件,吻合该定时条件显示反应数据的话,则在某期间连续学习的时刻,可以预测其后进行学习的方法。在该实验中,如果如图18那样整理到第1~第3、4个月的反应数据的话,即使对每一个人1个月一次的事件的效果不同,也可以进行该个人的学习到达度为成为一定的水平需要几个月这样的预测。再有,多人以同样的日程条件连续学习,收集、积累该数据,将其作为数据库,实际上也可能把某个人以该日程条件进行学习的场合的进行学习的方法作为预测模式返回。特别,如果知道想预测的个人的个人属性(性别,专心程度,学习方式)的话,则确定持有作为数据库已经存在的同样属性的学习的群体,可以把该反应数据作为正确的预测模式返回。管制日程收集反应数据,成为日程固定法的预测方法。
(14)从实际的实施日记述、修正定时条件的方法
有难于严密规定评定者的反应的实施日的场合。例如,就是在英语单词的实验中,即使希望学习者严格遵守1个月一次的进度,实际上也不能严格按该进度学习。在内容数多的场合等,多个场合评定的实施日依从个人的自由意见,很少有按计划进行的场合。在这样的场合,学习者全体沿用一定的日程学习十分困难,有可能对定时条件的管制不充分。但是,通过采用使用本发明提议的条件单元或事件周期单元以同样顺序配置内容的方法,即使对于若干定时条件的变化也可以对于出示条件的效果的比较等以比较高的精度进行数据分析。
另外,在以当初打算的定时条件不能实施日程条件、对于每个人定时十分分散的场合,以事件周期单元出示的内容,通过把实际出示、发生事件的规定日期记录下来,反过来,也可以记述修正实际进行评定的定时条件。
例如,在英语单词学习的例子中,假设计划像下面这样的1个月一次的定时条件。
计划:1个月一次的定时(取最小的事件期间为1个月时)
第1个月 第2个月 第3个月 第4个月 第5个月 第6个月
1 1 1 1 1 1
但是和计划不同,实际的学习者到1个月、2个月、3个月大体以1个月一次的进度学习,但是第四个月预定的学习花费第4、5个月的2个月期间进行。为表现这一场合的定时,如果使事件的发生(亦即,在编码中为1的时间)对应各事件周期单元的最终日的话,要像下面这样修改记述。
实际的定时表记(取事件周期单元的最终日作为事件的发生)
第1个月 第2个月 第3个月 第4个月 第5个月 第6个月
1 1 1 0 1 1
此外,对应定时条件中的事件的发生的日,在事件周期单元的最终日外,也可以考虑开始日、中央日、事件的实际的发生密度等决定。
此外,关联定时条件的编码方法补充,但是上面所述的1个月、2个月,是用于记述定时条件的表述,和实际的月不同。即使假设使事件的发生对应事件周期单元的最终日,在取最小的事件期间为1日的场合的编码表现,像下面这样,1日的单元中为1的表现(一般是最初日的事件全部是1,后面的定时表记错开)。
1日 2日 3日 4日...24日 25日 26日......48日 49日...
1 0 0 0......0 1 0...... 0 1...
(15)在长的时间间隔中发生的事件的效果的短期间预测方法
以英语单词的实验结果为例,图18表示以1个月一次的进度连续学习(事件)的场合学习的效果如何,另外明白可以预测以相同的日程连续学习的场合到学习结束需要多长的期间。但是,该预测如图18A、B、C那样,不连续3、4个月的学习的话很难导出。在没有预测,连续学习3个月左右的场合,不会以意想不到的干劲连续。就是说,也有想得到以更短期间预测学习等事件的效果的表现方法的场合。说明可以进行这样的预测的方法。
为容易理解,这里假设1月为24日、一周为6日进行说明。
(a)如在“(12)不同日程条件的斟酌”中说明的那样斟酌以1个月一次的进度发生事件的长的时间间隔的日程条件,和以1周一次的进度发生事件的短的时间间隔的日程条件,对于同样的学习者在斟酌两种日程条件的状态下连续学习,分析其反应的话,对于每个日程条件可以得到图17那样的数据。
(b)该操作对于多人进行,得到表示平均倾向的图18那样的两个图。在这一场合,短日程条件的成绩(例如到达度的自我评定值)的上升的程度,可以预想比长日程条件的上升程度大。因此,例如确定该趋势的比的话,从短日程的成绩的上升趋势可以表现长日程的趋势。
(c)想预测成绩上升的方法的个人,执行1个月斟酌短的日程条件和长的日程条件的相同的日程的话,可以得到关于短日程条件的成绩的上升的趋势。如果把该趋势和在(b)中确定的趋势的比、和在该时刻收集的1个月份额的长日程条件的数据作为初期值使用的话,则可以在进行1个月学习的时刻预测该个人以长的日程条件连续学习的场合的成绩的变化。
此外,该预测法,不仅对于日程固定法,也可以同样适用于后述的预先积累法。
<第二实施例>
预先积累法
该方法是根据对于定时条件类似的事件多数人的反应数据和积累学习者信息的数据库,针对某人对在任意定时的事件进行反应的场合的反应模式的变化等来预测反应模式的行动推定法。
(定时条件的利用法)
历来,对于性别和居所、学历这样的各种个人属性的组合的每一个,把符合它的多数人的反应模式作为参考数据,可以进行对于符合该特定属性组合的其他个人的反应模式的推定,但是在预测体验过某事件的个人的其后的反应模式时,没有管制利用此前的时间的定时的要素(体验)的方法。本发明是有效利用在第一实施例中叙述的日程制定的方法等,提供考虑定时的要素、提高预测个人反应模式的精度的方法。
为要预测在某一定的定时条件下体验事件的个人的反应,应该需要以定时条件和出示条件表示的日程条件的场合。例如,因为学历的种类有各种,和可以按照每一学历种类分类个人同样,需要以一定的框架表现定时条件。该方法已经说明,可以以日程条件的编码方法实现。
例如,每隔一日学习一次的定时条件(A1),和每隔4日学习一次的定时条件(A2),如果以一日作为最小期间表示15日的话,如下表示。
每隔一日学习一次的日程
A1=(1 0 1 0 1 0 1 0 1 0 1 0 1 0 1)
每隔4日学习一次的日程
A2=(1 0 0 0 0 1 0 0 0 0 1 0 0 0 0)
Ax=(1 0 1 1 0 0 0 0 1 0 1 1 0 0 1)
利用这一编码,可以进行定时条件的分类和类似度的计算等。例如计算以上面Ax这样的定时条件学习每一次的人的定时条件,和上面的两个定时条件的类似度为何种程度,如果简单地取内积为类似度的话(计算内积前,也可以在各单元前后进行加权那样的变换),则成为:
A1*Ax=5
A2*Ax=2,
可以确定最相似的定时条件。从以一定的类似度以上的定时条件体验事件的多数人的反应数据中生成代表性的反应模式的话,则作为预测模式可以返回以荒唐的定时条件体验事件的人的其后的反应的变化。
例如,取定时的类似度为横轴,取采用该类似度的人数为纵轴,描述对于类似度的分布。观看该分布,如果判断成为一个山的形状的话,则可以计算全体的类似度的平均和SD,限定平均+-2SD或者平均+-3SD以内的学习者,计算该学习者的到达度的数据的代表值。描述到达度数据的代表值(变化模式)的方法开发有各种各样的,但是最简单的是考虑在到达度的变化是直线上升那样的场合,其倾斜度随每个人增加,在上述范围内包含的全体学习者的倾斜度的平均值作为预测值的倾斜度代用的方法等。当然以各种多变量分析的方法进行学习者的分类有各种可能。
如果分布分在几个山上的话,把在各个山的每一个上分布的SD相加,可以限定范围。执行由几个山构成的判断的方法可以考虑各种各样,从中也应该被开发出来。
亦即,收集以各种各样定时条件的日程、学习者在4个月期间进行英语单词学习的1万人的反应数据,在数据库中登录各定时条件和反应模式。在该时刻,如果某学习者以上面Ax的定时进行15日期间的学习的话,试考虑预测其后进行学习的方法的场合。
通常取的方法,是从数据库中选出与预测的学习者的属性(性别和学历等)一致的学习者,把这些人进行4个月期间的学习的情况作为预测值返回的方法。在该方法中,既不能全部考虑4个月期间的学习的定时,也不能利用15日期间的学习数据。因此,定时条件也使用管制的数据库,进一步从数据库中如上所述限定类似15日期间的定时条件的个人,可以把该群体4个月期间的进行学习的方法作为预测值返回。对于进行个人学习的定时,反映该人的个性和学习方式等的可能性大。定时条件,从其意义也可以考虑更反映个人特性。从抽出来的群体的数据生成预测值的方法可以考虑各种各样,作为一个例子,图18那样的个人数据给每个人登录的话,当然可以将其平均值作为预测值返回。
利用定时条件的方法如上所述,不过,为能够采用该方法还有大的问题。这就是,首先为使该预测方法成立,有必须在只使定时条件不同、出示条件等其他条件相等的日程条件下收集多数人的反应数据建立数据库这样的问题。例如,使用在每隔一日学习一次的日程条件下得到的反应数据,当然难于生成采用每隔一日学习两次的日程条件的人的预测模式。
作为解决该问题的方法在下面提出出示条件固定法和日程抽出法两种,分别加以说明。
(出示条件固定法)
首先用第一实施例说明该方法,使用日程构成法全部管制定时条件以外的条件和出示的内容的属性等,只以唯一的定时条件听任评定者的自由意志收集数据,在各种各样的定时条件下收集反应,编码,数据库化。在这之上,该方法还为了对定时条件以外的条件预测以自由的进度体验同样事件的人的反应模式,从数据库中抽出类似该人的定时条件的的群体的反应模式,将其代表的模式作为该个人的预测模式返回。
像英语单词这样的内容的种类很多,出示条件也多种多样,再有,从对于在可以无限假设的定时条件下发生的事件的反应数据中获得有益的信息非常困难。该方法中定时条件听任评定者自由决定,反之,出示的内容的种类、出示条件的种类在某种程度固定,收集数据之点是要点。只有内容的种类和出示条件不听任评定者,固定内容的种类和各种出示条件,只有基于这些的事件的定时条件听任评定者的自由意志决定。
即使定时条件听任评定者决定,取该方法的场合也不是完全自由的。亦即,利用在第一实施例中说明的日程构成法,制作假设的典型的定时条件的日程,遵照该日程实施事件。亦即,给评定者分配特定的日程条件。但是,实际执行该日程的基础当然听任评定者的自由意志。为准备多个日程条件,设定各种各样的日程条件,收集反应数据是有效的。
原来,即使用第一实施例的日程固定法实施实验,也不限于评定者以本来预定的定时执行事件。在英语单词学习的实验例中,几乎每日进行学习那样要求学习者,但是以该进度连续半年以上也还是很难,也可以说偏离定时是很普通的。出示条件固定法是这样的方法,它不全部要求每日进行学习,对于在有兴趣时集中学习、不想干的时候休息几日的状况下收集的事件的发生定时用已述方法编码,对应它在数据库化中积累反应数据,利用该数据,汇集定时条件类似的被试者导出代表预测值。
该方法是对于评定者的反应指标和出示条件、内容的种类等向多个分支发展的事件为进行正确预测而构筑适合的数据库的方法。
(日程抽出法)
日程抽出法是对于单一或者少数内容,为关于要求简单的判断的事件进行预测的数据库化的构筑法。例如,它是这样的方法,即关于某商品或者服务或者多次邮寄导购邮件,或者有时用电话劝诱,这里把出示一次说明作为一个事件,把它以何种定时发生进行编码,关联该事件的发生定时和是否购买该商品或者服务的判断。在这样的事件的场合,因为限定出示条件或内容,因此可以认为定时条件=日程条件。
定时的记述方法和(14)从实际的实施日记述、修正定时条件的方法相同,但是(14)的方法已经是固定事件周期单元等日程收集数据的方法,而在特别提到不固定日程收集数据的场合,同样像下面那样也可以记述日程条件(亦即定时条件)。
首先,定义事件的最小单位期间为出示单元,在该期间内事件发生的话置1、不发生的话置0,记述全部事件的日程条件。例如,5月1日、3日、4日、8日、10日打劝诱电话。于是,如果把出示单元定义为1日的话,如下面Aa那样,定义为2日的话,如Ab那样进行编码。
Aa=(1,0,1,1,0,0,0,1,0,1)
Ab=(1,1,0,1,1)
这样,定义修正日程的方法是日程抽出法。该方法自身很简单,但是为有效利用已经在收集的庞大的数据,首先需要这一记述。
(事件记述法)
对于限定的内容多次进行简单反应的场合,上述使用日程抽出法,再有,通过编码反应数据,可以表现一系列的事件。例如,上述Aa那样的表现,在以1日作为最小期间的日程表现中,打某商品的劝诱电话,对此,顾客的反应如下面那样分类。
(不买,研究,买)
组合该反应和日程(Aa)构成矩阵的话,以定时条件Aa进行下面那样的反应的个人的事件(Ea)可以像下面那样编码。
某个人的事件
5月1日“不买”
5月3日“不买”
5月4日“研究”
5月8日“不买”
5月10日“买”
不买:(1,0,1,0,0,0,0,1,0,0)
研究:(0,0,0,1,0,0,0,0,0,0)
买:(0,0,0,0,0,0,0,0,0,1)
※上面的表现,请认为是一个矩阵(3×10)。
这样可以把事件编码。
(最优日程推定法)
在上述事件记述法中,把各种各样的事件编码,作为数据库化登录后,也可以推定为引出特定反应的最优的日程。
在给某个人打劝诱电话的场合,在全部数据库中,从最终买和反应的个人的事件数据中,使用最多的事件的日程模式作为最优的日程,也可以从多个事件中新抽出类似的代表的模式(该方法可以有各种考虑)。
再有,如果对于某个人(T先生)以任意日程打电话,记录对于从初次打电话的日子到某日的电话的反应,则把该期间T先生的事件根据上述编码,进而,从已经登录的事件数据中,可以确定对应该期间的事件代码类似T先生的事件代码的是何人的个人。进而,该方法在其中,抽出进行“买”这种反应的个人,把对于该群体执行的、该期间以后的代表的日程作为为导出“买”这种反应的最优日程抽出。这种抽出方法,可以是最典型的日程,也可以考虑其他方法。当然,在该事件中如果使用各种各样个人属性作为识别信息的话,推定的最优度提高。
这样,对于期待简单的反应、内容也限定的事件,通过编码事件,可以推定日程。
如上所述,通过编码日程条件或事件,既可以使日程条件或事件集群化,即使对于不汇集数据的日程或事件,也可以预测反应等。可以预想日程的要素作为说明反应数据的变数具有大的意义,但是进一步在把日程的要素纳入的场合,在因此得到的数据中,包含表示在时间系列中变化的数据。通过考虑日程的要素进而利用时间系列数据,的确能提高反应的预测力。
(14)内容的层次结构的推定
可以分析对于在一定的日程条件中的各内容组的反应。这样的话,也可以推测内容组之间的关系。
例如,对于英语单词和英语语法、长文章阅读理解,如果根据特定的日程的组合收集数据的话,则可以推定为能够充分阅读理解长文章所需要的英语单词和语法的学习水平。另外,也可以发现容易提高最长文章阅读理解的成绩的日程。
<第四实施例>
下面使用图19以及图20的流程图补充上述通过计算机的日程表的制作方法。
如图19A所示,读入由操作员输入的、例如4个月的学习期间ha、每日一次、学习4种单词的学习日程hb、和内容Ci(高中一年级的单词)(S1)。
接着,事件周期单元生成装置解读这些学习预定条件,在以学习期间ha为4个月(取1个月为24日)学习日程hb为1日一次进行的场合,在一次学习后取1个月的时间间隔以1日为最小单位在每日生成再次学习同样的单词的事件周期单元mi(S2),进行编码(参照图19B)(S3)。
接着,把生成的事件周期单元mi的第一日~第48日(2个月的份额)作为第一事件周期单元mip,同时定义(参照图19B)第49日~第96日(后面的2个月的份额)为第二事件周期单元miq(S4)。
然后,从内容文件中把高中一年级的英语单词按照难易度gi每4种分成一组(S5)。
接着,把4日份额的16种、4日一次提供给前面的出示条件,而且生成每日次数不同的条件单元fi,进行编码(S6,S7)。
接着,给第一事件周期单元mip和第二事件周期单元miq分配条件单元fi(参照图19C)(S8)。
亦即,如图4所示,给事件周期单元mip、miq分配12个条件单元fi。
接着,如图20所示,在设定条件单元fi的开始的号码后(S9),以1日份额作为4种内容生成出示单元Pi,分配给第一事件周期单元mip(S10)。
接着,从分组后的内容Ca决定4日份额16种的内容Caq(S11)。
接着,从决定的内容Caq中决定1日份额的4种单词CQ(CQ1,CQ2,CQ3,CQ4)(S12)。
接着,从该单词CQ中抽出CQ1(S13),读入该CQ(CQ1)的难易度gi(S14)。接着,按照读入的单词CQ(CQ1)的难易度gi,对于CQ决定次数Ni(S15)。
然后,给出示单元Pi分配4种内容的次数Ni(出示条件)(S16)。把分配该次数的出示单元称为出示单元PQ。
接着判断是否生成4个出示单元PQ(S17)。在步骤S17中,在判定未生成4个出示单元PQ时,更新CQ,处理回到步骤S14(S14)。
另外,在步骤S17,在判断出示单元PQ是4个时,判断条件单元fi是否是12个(S18)。
在步骤S18,在fi未达到第12个时,更新条件单元fi号码,处理回到步骤S13。
通过执行这样的处理,可以得到图5所示的事件周期单元mip的日程表。
另外,在步骤S19判断条件单元fi是12个时,把事件周期单元mip的表作为第二事件周期单元miq的表(S22)。
由此,如图21(a)所示,日程表可以生成对应序号(NO)、日期(MONTH·DAY)、后述的内容识别条件代码(COND)、属性信息(难易度,重要度)的条件代码(TYPE)、表示学习法的种类的条件代码(IDR)、表示图中未示出的反复次数的条件代码(REPEAT)、表示事件周期单元的单位的条件代码(CYCLE)、表示事件单元的最小单位的条件代码(INCYCLE)、表示内容数的条件代码(N)的表。
然后,根据该日程表,如图21(b)所示,在日程表在第一日把4种内容(101~105)发送,101的出示条件3次、102的1次、103的3次、105的2次的场合,在第一日生成101、102、101、105、103、101、103这样的样子的列表,将其分发给终端。
这样,按照日程表学习,收集其结果,分析学习效果。
<第五实施例>
在本实施例中,说明一个系统,它根据预先准备的日程给学习者终端分发学习信息(英语单词),在网站收集、分析由学习者评定的结果,根据这一分析结果推移学习效果,分发最优的日程的效果模式。
图22是日程数据分发评价系统的概略结构图。如图22所示,所述系统由个人计算机1、手机2、手提个人计算机3等学习者终端4和公用网5(包含手机网,一般线路)、因特网6、学习日程服务网站7、企业服务器8、顾问终端15等组成。
上述学习日程服务网站7至少装备日程表9、内容文件10、个人履历文件11、发送列表文件12等,来自企业服务器8的内容Ci保存在内容文件10中后,根据使用后述的日程生成法制作的日程表的发送列表(也称为出示列表)的学习内容或者出示顺序信息通过因特网6以及根据需要企业服务器8被分发到学习者终端4,学习者操作学习终端4输入对应学习内容的反应,通过因特网6返回到现场7。
学习日程服务网站7把返回来的反应数据与日程表对应,记录在特定的日程中的学习者的反应履历数据,生成根据该履历数据的分析模式,向学习者或教师等反馈该分析模式的变化以及对此的适当的建议等。
亦即,利用学习者终端4和各种通信网络(参看后面),服务主体(网站)把在各种内容(评定内容的目录)中包含的一个一个的项目一次或者多次以特定的日程分发,收集学习者对于其内容的反应。
另外,学习日程服务网站7收集多个学习者的评定值和日期时间等数据,作为履历数据积累,关联该数据与特定的日程等进行分析,在反馈对应各内容的个人的评定时刻的状态或者到它的状态的变化、其后的变化的预测、和其他的利用者的比较等外,通过分析积累的数据,提供学习者可以利用的评定日程或者建议等。
另外,在利用本网站的服务的基础上,登记学习者的性别、出生年月日、地域、学年、希望的前进的道路、职业等等个人信息,在该个人信息和个人履历数据之外,以多个评定者的履历数据为基础,使明确对于评定项目的个人的判断状况、全体的倾向,给学习者或者第三者(顾问)提供信息。
此外,学习日程服务网站7、企业服务器8装备以超文本形式表示信息的分布数据库系统功能,可以统一获得因特网上的信息,超文本在文本中嵌入若干点,具有能够从这些点跳转到关联信息的结构,信息以HTML记述,通过点或者链接指定逐次跳转到新的文本文件,获得需要的信息。
亦即,指定的主页的HTML源代码转发到客户机(学习者终端4)的浏览器,发送对应客户机要求的图像等等的信息文件。
另外,个人计算机1、手机2、移动个人计算机3等的学习者终端4具有浏览器功能,按照学习者指定的主页的URL代码,对于具有这一URL的网站请求转发HTML等的信息。
然后,分析到达的HTML,在屏幕上显示显示部分的同时,在该HTML中存在图像等链接信息的场合,执行对于该图像的转发请求。
亦即,执行以输入(指定)的URL为基础的访问,发送其第一页(主页)的转发请求,在分析发送来的HTML源的同时,在屏幕上显示,进而执行对在HTML中包含的CGI脚本等的转发请求。
(网站的构成)
图23是网站的概略程序结构图。学习日程网站7,如图23所示,装备服务菜单选择程序14、个人信息生成程序17、标准日程选择程序18、日程表生成程序19、发送列表生成程序20、履历生成程序21、学习效果模式分析程序22、模式更新程序24、效果模式分发程序23等。
另外装备:内容表10、日程表9、服务列表表16、个人信息表25、个人反应履历表26、发送列表表11等。
(各表的结构)
内容表10存储从企业的制造者的服务器8经由因特网发送的内容Ci。
例如,如图24(A)所示,以识别代码(Ci)、学习内容(英语单词和日语对)、属性信息作为一组的记录单位构成。
上述的属性信息,由内容的水平、熟知度(取以该单词的学习者等级知道的一般的百分比)、难易度(由熟知度决定的难易度)、关联信息(在学习A这样的教育内容前需要何种程度学习B这样的学习内容做准备这样的信息)、层次性(学习内容前学习的内容的号码)等组成。
另外,内容不仅是英语单词,也可以是三角形的面积计算的问题,长文章阅读理解,乘法和除法等在学习者终端可以提示的学习内容。
图24(B)是个人信息表,以识别号码ID、姓名、电话号码、居所、年龄、电子邮件地址、账户号码(总称用户信息)、和选择的日程作为一组的记录单位构成。
图24(C)是内容分组表,例如,由难易度相同的水平的英语单词和属性信息作为一组的记录单位构成,遵照后述的日程表进行分组。
该内容的分组,为确实进行对于个人的特征和一般的倾向明确的预测,需要明确要求评定等反应的内容的质(如果是对于各个商品或英语单词的反应的变化关心,则没有必要进行分组)。
为看到对于分发的学习内容的个人的反应倾向,希望采集对于该个人发送的多个内容的反应的代表值。
因此,对于各时间间隔条件Ai(学习的休息间隔的模式)和出示条件Bi(学习的次数;学习的强度)的组合的每一个,准备多个类似的内容。
例如,如是英语单词的话,以难易度等相同水平的单词、每学年需要的单词、或者学习者设定的难易度是相同程度的单词、学习者设定的难易度和专家评定的难易度的差是相同程度的单词这样一定的属性汇集内容项目(附加属性信息)。
但是,如果是计算三角形的面积的问题的话,可以考虑汇集问面积=底边×高/2这样的问题和乘法和除法的计算问题为一的事情,但是希望尽可能使学习对象的内容分细,分别和日程的各出示条件、事件周期对应,取数据。
另外,特定的日程的反应可以考虑由于内容而不同,对于具有多个属性的内容的集合的日程的效果,如果内容的集合变化的话成为不同的可能性高。亦即,通过尽可能分离内容的要素和日程的要素,可以提高分析的精度。
此外,在分组内容时,通过使内容等值,尽可能细的分组,使用得到的数据,相反,从日程和对于各内容分组的反应可以推定质不同的内容分组之间的关系。
例如,如果取三角形的面积的问题为例的话,如果对于三角形的面积的计算问题和问底边×高/2这样的公式的问题、乘法和除法的计算问题分成3个内容分组,以各种日程收集各个的成绩的话,则应该可以对应公式和乘法、除法的学习日程推定为把三角形的面积的计算问题出示给孩子的最优的日程。
图25是说明日程表的说明图。图25的日程表由以序号(NO)、日期(MONTH·DAY)、后述的内容识别条件代码(COND)、属性信息(难易度,重要度等)的条件代码(TYPE)、表示学习法的种类的条件代码(IDR)、表示反复次数的条件代码(REPEAT)、表示事件周期单元的单位的条件代码(CYCLE)、表示事件单元的最小单位的条件代码(INCYCLE)、表示内容数的条件代码(N)作为一组的记录构成。
上述的学习法的种类(IDR)例如存在3种(TDR)。一种(T)例如是就在看到进行学习的单词之前评定学习者熟知度的学习法,第二种(D)是不在看到进行学习的单词之前评定其熟知度的学习法,第三种(F)例如是在1月的最后进行熟知度测验的学习法。另外,可以假设学习时间不同、或者要求的反应不同等各种各样种类的学习法。
另外,“MONTH”、“DAY”表示为代表学习事件的反复周期(事件周期单元)的顺序。
另外,反复次数(REPEAT)也可以是时间、学习的强度等。上述的学习法反复次数相当于出示条件。亦即,如果编码好各种各样的出示条件的话,可以进行其条件的每一个的详细的预测。
因此,图25的日程表的序号“1”的内容识别条件代码(COND)汇集对应序号的各种条件的代码。例如,序号“1”的“B1T01CY0101R01”表示B1这样的种类属性的单词、T的学习法(也称为出示条件1)、一次的反复次数(R01:也称为出示条件2)、1月的事件周期单元(CY01)、以1日的最小单位(01)提供一个内容的日程表。
这样的日程表通过后述的日程表生成部(计算机)预先做成。
图26是出示列表表的概略说明图。该出示列表根据图25的日程表做成。
该出示列表以出示顺序(日期)和内容信息(号码,单词,日语)作为一组的记录单位构成。
例如,以图25所示的日程表的号码1、2、3、4为例,对应B1(难易度:小)的属性信息的英语单词的内容置“C101”、对应B2(难易度:中)的属性信息的英语单词的内容置“C102”、“103”、对应B3(难易度:大)的属性信息的英语单词的内容置“C104”的话,则按照在1月1日“C101”一次、“C102”8次、“C103”10次、“C104”16次分散的顺序或一定的规则顺序写入。此外,所谓一定的规则,例如尽可能使相同的内容不连续出示那样的规则,该规则于是也成为一个学习方法(出示条件)。
另外,服务列表16,如图27所示,存储学习效果图。该学习效果图表示遵照日程表学习时的平均效果。各直方图对应一日1次、一日2次、一日3次、一日4次、一日5次、一日6次...学习时的每学习期间的效果的变化率。
分组数据表31,前面说过,如是英语单词的话是以难易度等相同水平的单词、每学年需要的单词这样一定的属性汇集的内容。
具体说,读对应图25的序号的内容识别条件代码,检索对应属性信息Bi(例如难易度)的内容号码(单词),遵照上述内容识别条件代码(出示条件,事件周期,数等)给日期分配该内容号码生成图26的列表。
服务菜单选择程序14通过因特网、手机网读取发送的用户信息(用户ID,登录信息,服务选择信息等),在用户信息表示请求提供服务时,进行使用该用户的ID的认证,从服务列表表中抽出该用户可以利用的服务菜单,发送到作为用户的学习者终端。
例如,如是高中生的话,提供英语、数学、物理等的菜单;如是小学生的话,提供算术、国语等服务菜单。这些菜单预先存储在服务列表表16中。
个人信息生成程序17对应通过履历生成程序生成的个人的反应履历、在个人反应履历文件26中存储通过后述的学习效果模式分析程序21分析的分析结果,在有个人履历要求时向用户提供对应ID的分析结果以及反应履历。
标准日程选择程序18,在选择给用户提供的可以利用的菜单后,给用户终端发送对应从服务列表11中选择的菜单的标准学习效果模式。
该标准学习效果模式,例如是选择高中一年的英语单词学习这样的菜单的话,则由图27所示的服务名、表示该服务名的学习效果的直方图、和选择的学习次数组成。另外,标准学习效果模式,例如把中学一年的英语单词按每一难易度区分,作为一个群体的中学一年的标准的学习效果模式存储。
日程表生成程序19,预先做成按照操作员输入的学习期间、内容名、属性信息的日程表,将其存储在日程表9中。关于该日程表的生成后面详述。
发送列表生成程序20核对对应由标准日程选择程序18选择的标准学习日程的识别代码的日程表。
然后,全部读入相当于从核对的日程表中选择的学习期间的日期的内容识别条件代码。
然后,生成使内容对应年月日以及出示条件的后述的出示列表,将其存储在发送列表表中,向学习者终端发送。
履历生成程序21,收集来自学习者终端的反应数据(内容识别条件代码,学习者ID,反应)等,将其与每一内容识别条件代码对应,在反应履历文件27中存储,同时,在个人履历反应文件26中存储。
学习效果模式分析程序22,读取反应履历文件27的反应履历,在把从类似该内容识别条件代码的模式的反应履历中最具代表性的履历作为以后的学习效果的模式反馈给学习者终端的同时,在个人履历反应文件中存储。此时,也同时发送选择相同的内容识别条件代码的全体学习者的反应结果模式。
效果模式分发程序23接受来自企业、顾问的访问,提供存储的个人履历。
学习者终端4从学习日程服务网站7下载出示列表,根据操作指示在屏幕上顺序显示该出示列表的内容,对应反应履历存储。然后,使用因特网向学习日程服务网站7发送该反应履历。
下面使用图28、图29的序列图说明如上所述构成的系统的操作。
(学习者信息的登录)
学习者在接受本系统提供的服务时,使用终端在因特网上访问学习日程提供网站,接受主页的提供(d1,d2)。
接着,选择登录,打开个人信息登录输入画面(d3,d4),输入姓名、电话号码、电子邮件地址、账户号码、居所、年龄等发送(d5)。学习日程服务网站7的个人信息生成程序17在这些信息上附加ID,在个人信息表25中存储(d6),通过因特网6通知学习者终端A(2)登录(d7)。
(内容的分发)
接着,学习者终端的学习者输入ID代码、姓名、年龄等(下面称用户信息),请求内容(例如中学一年的英语单词)(d8)。
学习日程服务网站7的服务菜单选择程序14接收用户信息,和个人信息表25比较认证(d9),在判断为是可以使用的用户时,使用个人信息生成程序17在个人反应履历文件26中存储ID代码、姓名、年龄、选择的内容名(下面总称为用户选择信息),同时,通知标准日程选择程序18(d10)。
接着,服务菜单选择程序14,如果认证是“可以使用”的话,根据用户选择信息从服务列表文件16中选择可以利用的服务列表(d11),向用户终端A发送(d12)。
学习者终端A在屏幕上显示该服务列表(多个图)。例如,显示图27表示的服务列表。
接着,学习者终端A的学习者从屏幕上显示的多个图中选择希望的直方图列表,看到该选择的图表的直方的效果,选择希望的学习日程。这一选择,选择月轴的任何月(学习期间:例如4个月)和次数。
学习者终端把选择的图表(也称为日程模式)的号码、学习期间、月和次数通过因特网向网站7发送(d13)。
学习日程分发网站7的标准日程选择程序18对应用户信息(总称用户选择履历信息)在个人反应履历文件26中存储来自学习者终端A的日程模式的号码、学习期间、月和次数(d14)。
亦即,在个人反应履历文件26中,如图30(a)所示,对应年月日、用户信息、选择的内容名、选择的日程号码和期间、次数、难易度存储。
接着,学习日程分发网站7的标准日程选择程序18把从服务列表选择程序14获知的用户选择信息、选择的日程号码和期间、次数、难易度作为用户选择履历信息通知发送列表生成部20。
发送列表生成部20读取用户选择履历信息,从日程表9生成例如图26所示的出示列表(发送列表)(d15),通过因特网,向学习者终端A发送出示列表的内容和出示列表号码,同时在个人反应履历文件中存储(d16)。关于从日程表9中生成该发送列表后面详述。亦即,在个人反应履历文件中追加出示列表和年月日。
另一方面,接收出示列表的学习者终端A下载(d17),在屏幕上顺序显示学习者输入的年月日的内容(d18)。
例如,如图31所示,对应输入的年月日的出示列表的内容(对应内容识别条件代码的内容)在框中显示3秒钟(图31A),其后消失,进行熟知度评定(图31B)。该熟知度评定(反应)对应内容识别条件代码收集(d19)。例如,使对应进行学习的日期时间,学习需要的时间,选择的判定。
然后,在该学习结束的时刻,学习者终端从文件中读出收集的反应结果,通过因特网顺序向学习日程服务网站7发送(d20)。
另外,学习日程服务网站7的履历生成程序21接收来自学习者终端的反应数据(学习者ID、年月日、时刻、出示列表号码、内容识别条件代码(也可以是出示列表的号码)、学习需要的时间、选择的判定号码),从个人反应履历信息文件26中核对对应学习者ID、出示列表号码的个人反应履历信息,在该信息上追加(d21)。
亦即,个人反应履历文件26伴随学习者终端的发送顺序追加图30(c)所示的年月日、时刻、内容识别条件代码、判定号码等组成的反应数据。
这样一系列的处理也对学习者终端B进行,把它在个人反应履历文件26中存储(d22)。
因此,收集以日程表的事件周期单元的日程条件、出示条件分发的内容的反应。在本例中遵照日程表可以收集4个月的反应数据。
学习效果模式分析程序22收集第一事件周期单元、第二事件周期单元的出示条件的反应结果,生成平均后的效果模式。使用图32说明该效果模式的生成。
数据的合计方法是“拾落穗”这样的图像。日程表中的出示条件的建立方法,简单地说,意味着因为在一次出示的内容多的话不能很好评定,因此为将其变少而把内容项目分散在时间间隔单元内。
再有,因为分散后时间间隔和出示条件的管制变难,因此其对策是要使其尽可能相等。
另一方面,数据的合计,相反每次少一点收集对于分散的内容的反应,最终汇集时取代表值。
例如,图32(A)、(B)是平均遵照出示列表的反应结果而得到的2名个人的数据的一部分。
横轴表示从学习开始经过的月数,纵轴表示自我评定的成绩。只使用这样的个人数据,推定例如图18那样的回归函数,其后取该个人的预测值作为获得预测的一个方法。说明它以外的方法。亦即,对于每个个人收集这样的数据,关于多数人收集这样的个人数据,集合多个成绩的提高方法类似的个人。
再有,即使是以任意的时间间隔条件进行学习的场合,如果得到庞大的个人数据的话,以类似的时间间隔条件进行学习那样的学习者也能汇集多人。进而在其中,表示类似的学习方法的学习者也能汇集多人。另外,个人属性类似的个人也能汇集多人。
然后,通过预先积累法,通过这样扩大评定者的母群体,确定表示类似的时间间隔的模式和评定模式的评定者,取该评定者群体的模式的代表值作为预测模式。
例如,假设以X这样的时间间隔条件(日程)连续学习、经过4个月的某个人的进行学习的模式表示为如图那样的模式。考虑推测4个月以后表示该学习者进行学习的模式的方法。
另外,例如,假设连续12个月学习的学习者有多人。在其被试者中集合想预测到第四个月的学习的进行模式的某个人的到第四个月的进行学习的模式类似的学习者群体、和到第四个月的时间间隔条件以及学校种类或者地域等的个人属性类似的群体,进而抽出两群体中重复的学习者。从抽出来的群体的数据合成代表该群体的进行学习的模式(例如平均等)。该合成的代表模式的第5个月以后的学习的进行模式,作为正作为问题的个人的预测模式利用。
更具体说,把第五个月以后学习的时间间隔条件从X这样的日程条件变更为A、B中的任何一个的人汇集有多人的场合,如果把表示想预测的某个人的到第四个月的定时条件的模式和学习成绩的模式类似的模式的学习者群体的数据作为参考的话,则预测该个人从第五个月采用A、B中任何一个日程的一方使成绩上升的可能性高。例如,在是某个人的到第四个月的学习模式的场合,首先收集多个该模式和该个人的日程条件以及个人属性等类似的学习者数据。
在该群体中,如果第五个月以后采用A这样的日程的人学习的进度模式如图32(C)那样、采用B这样的日程的人学习的进度模式如图32(D)那样的话,则因为可以预测到第四个月连续学习的学习者在第五个月以后应该采用的日程A一方有效的可能性高,所以把它作为以后的学习者最优的日程模式分发。
也就是说,学习效果模式分析程序22在模式文件30中存储在个人反应履历文件26中分析的个人的模式,在个人反应履历文件26中存储模式号码(参照图30的d)。
然后,如图29所示,学习者终端A要求分析结果(年月日,ID等)时(d25),读取反应履历文件26的模式号码,把对应该模式号码的分析模式发送给学习者终端(d26)。此时也发送全体倾向的模式(参照图27)。
另外,学习者终端B要求分析结果(年月日,ID等)时,读取反应履历文件26的模式号码,把对应该模式号码的分析模式发送给学习者终端(d27,d28)。另外,遵照该模式,更新日程表。
再有,通过从企业或者顾问终端请求,提供个人反应履历的信息以及模式(d29,d30,d31,d32)。
(日程表的说明)
本日程表,是为学习者提供为取得某学习内容所需要的时间和劳力的指针的信息而使用的。亦即,是表示反复学习多少次的话能看到成果、如何进行学习这样的研究的表。
为把日程表纳入分析中,是在历来的研究方法中导入实验计划的考虑方法。
为考虑日程的要素,把可以无限假设的日程作为从最初开始的分析对象不是合理的。需要在结束时对于向用户出示的日程加以限制(也称为管制学习),对应它收集、分析数据。
亦即,为把日程模式纳入分析,在出示日程上加以限制(预先把标准的日程容易地制成多个)。
<第六实施例>
说明以掌握和评价学习者的成绩为重点的e-learning(电子学习)系统“带有评价的e-learning:evaluated-e-learning(double-e-learning)we-learning”。
由于因特网的普及,构筑起在任何时间、任何地方都可以学习的环境,但是,这种环境包含有难于掌握学习者的成绩和基于该环境的评价。该系统不提供在现有的e-learning中历来没有的学习环境,而是以提供个人成绩的评价或者重新估计等为重点的服务。迄今为止的系统提供任何时间、任何地方都可以学习的环境,但是,反过来,个人或者教师等难于管理和利用最重要的学习成绩等的数据。本系统把学习者的体验作为变量数据积累,是援用为利用各种分析或行动的推定的框架的学习系统。
关于图33
首先,数据中心或者内容提供企业(称为中心)把在内容中记载日程等各种条件的文件、以及对应该内容的日程表和学习出示程序、数据发送程序上传到主页。另外,关于各种内容,以遵照各种日程条件进行学习的场合的一般的成绩的变化等为例,做成可以参照那样。
(d40)希望下面的服务的学习者,根据需要登录个人信息(居所、或邮寄地址等)。此外,在该时刻也可以不一定登录个人信息,在(d42)登录也可以。
(d41)学习者参照中心的主页,有兴趣的话,或者想利用的场合,下载该内容和对应该内容的日程表或者出示程序等一组内容,在自己的终端安装。
(d42)安装后,把希望开始根据有关内容的日程的学习(下面称为排定日程的学习(SL))的请求返回到中心。另外,根据需要也可以在这里登录个人信息。
(d43)在中心,确认是否是正在登录个人信息的用户,在确认时,在生成、记录为使用该SL服务的认证信息之外,还要
(d44)把该认证信息向预先登录的学习者返回。
(d45)学习者使用该认证信息在终端侧安装服务,进行假登录,(d46)该假登录信息(安装目录等的学习环境信息,认证信息)向中心回送。
(d47)在中心,假登录信息到达,确认认证时,要确保记录对于有关内容数据库的反应等的区域(内容自身不一定需要,最低限度要有内容号码),在这里记录用户的终端环境安装状况,分配个人使用的终端,
(d48)把该ID等信息作为正式登录文件向学习者发送(中心一侧正式登录结束)。
(d49)学习者使用发送来的正式登录文件,终端侧正式登录结束,
(d50)根据需要,最后把登录结束的状态等(安装目的地或发送邮件地址等)的信息连同登录结束的信息向中心发送。
以上,是SL服务登录的概要。此外,SL服务对于每个日程和内容的组合要贯彻始终。另外,日程或者发送邮件地址的变更等各种变更,通过向中心发送(d50)的信息处理。
另外,个人信息等预先以别的途径向中心登录后,也可以从(d44)或者(d48)进行登录操作。
关于图34
以下,SL服务的登录结束后的信息的交换
(d51)学习者以一定的日程进行学习,该学习的结果的反应在终端侧记录。在进行学习的过程中,在学习者希望时,如果想参照分析结果的话,则向中心发送学习反应数据。在该数据中,根据需要包含:内容号码、日程号码、日程内的出示单元的号码、对于各内容的反应和反应时间、内容的号码、学习日期时间、学习开始时刻和结束时刻、出示单元的号码、终端ID等。
(d52)中心对每个个人保存接收的学习反应数据,使用该数据和根据需要学习者的其他的数据,分析进行学习的方法,
(d53)该结果在主页上公开,
(d54)与此一起,把其主页的URL以及必要时和口令等向该学习者以及必要时向教师等顾问或者第三者发送,当然,此时在主页上登载的分析结果作为直接文件向学习者或者第三者发送也可以。
(d55)学习者或者教师或者第三者任何时候都可以参照该学习者的学习经过或者预测等的分析数据。
(d56)全体个人的成绩或者变化数据等以个人不能特别指定的形式在主页上登载,研究者等任何人都可以参照。
(d57)通过学习的日程,根据个人的成绩,也可以重新构筑日程条件。该场合,把重新构筑这样的信息从终端侧向中心发送,
(d58)中心根据该重新构筑的信息,确保记录反应数据的数据库,在结构中加上变更,可以再现学习者的终端的状态。
此外,(d52)中保存的反应数据原样或者分析的结果,可以以个人不能特别指定的形式、或者个人可以特别指定的形式向研究者等第三者发送。
Claims (30)
1.一种日程制作方法,其特征在于,它通过组合定时条件和出示条件的种类,来表现关于某内容的事件发生的日程条件。
2.根据权利要求1所述的日程制作方法,其特征在于,所述定时条件是如下表现的:把关于内容的事件发生的最小期间作为出示单元定义,通过把在某期间中被包含的出示单元中是-否发生事件,与1-0相对应,而不管该发生条件的种类如何,由此表现(编码)该期间的特定的事件发生的定时的条件。
3.根据权利要求1或2所述的日程制作方法,其特征在于,所述出示条件被设为:在同一出示单元内关于同一内容发生的事件的反复次数、同一出示单元内的内容的出示顺序、和内容的出示方法。
4.根据权利要求1到3中任意一个所述的日程制作方法,其特征在于,关于由一个或者多个内容组成的集合,为生成所有与内容有关的事件以一定的定时反复发生的日程,把比所述事件发生的出示单元长、而且比从某事件的开始到下一事件发生前之间的期间短的一定的期间作为事件周期单元设定,配置内容从而使得与各内容有关的特定的事件在该事件周期单元内发生一次。
5.根据权利要求1到4中任意一个所述的日程制作方法,其特征在于,配置所述内容从而使得在多个所述事件周期单元的各自当中,与各内容有关的事件能够尽量按相同顺序发生。
6.根据权利要求1到5之中任意一个所述的日程制作方法,其特征在于,当与多个内容有关的事件在多个不同的出示条件下发生时,把比所述出示单元长、而且比所述事件周期单元短的长度的期间作为条件单元,在事件周期单元内设定一个或者多个,配置条件从而使得在该条件单元内想比较研究的出示条件全部出现。
7.根据权利要求1到6之中任意一个所述的日程制作方法,其特征在于,当在所述事件周期单元内配置出示条件和内容时,组合出示条件和各出示条件的内容数,以使发生的事件的总量和时间、负担等在多个出示单元之间尽可能相等。
8.存储介质,用于存储日程表,其特征在于,所述日程表具有一个或多个日程表数据,所述日程表数据为:把实施与在出示单元内出示的内容的属性信息、在该出示单元内的内容的反复次数、内容的出示方法、以及与这些的组合条件一致的事件的内容数,与所述事件周期单元的反复的顺序、在各事件周期单元内实施的出示单元的顺序相对应,并附有实施预定日或者序号的日程表数据。
9.根据权利要求8所述的存储日程表的存储介质,其特征在于,所述属性信息是内容的难易度、重要度等。
10.一种出示列表制作方法,其特征在于,包括:在数据库中存储附加有属性信息的多个、多种内容的阶段;决定定时条件、事件周期单元的长度、出示单元的长度、条件单元的长度、出示条件、内容的属性信息、内容的反复次数,并生成日程表的工序;以该日程表为基础,把定时条件、出示单元的号码、内容的属性信息、内容的反复次数、和把内容的出示方法组合为条件记号,把该条件记号与内容数据库的各内容对应地写入的工序;指定内容的种类、日程条件、出示单元的号码或者序号的工序;使指定的内容数据库与日程表相对应,和各种信息一起抽出与指定的出示单元的相应内容作为出示列表,决定内容的出示顺序以及提示方法,从而使得根据需要抽出的内容可以遵照日程表的出示条件来出示。
11.根据权利要求10所述的出示列表制作方法,其特征在于,使用把生成所述出示列表的履历与日程表相对应而记录的信息,掌握哪个出示单元已经作为已有出示列表生成,显示为能够指定未生成出示列表的出示单元。
12.一种学习日程数据分发评价方法,所述方法从网站通过网络使用计算机向学习者终端分发学习的出示单元,并评价效果,其特征在于,
所述网站具有:
配置内容,以便对于由一个或者多个内容组成的集合,为了生成所有有关内容的事件以一定的定时反复发生的日程,把比事件发生的出示单元长、而且比从某事件的开始到下一事件发生前之间的期间(称为时间间隔)短的一定的期间作为事件周期单元,配置或者用于配置信息,从而使关于各内容的特定的事件在该事件周期单元内发生一次,或者向所述学习者终端发送用于配置的信息的阶段;
在所述事件周期单元的事件中列入测验这样的评价事件的阶段;
由所述学习者终端提供对于以所述分发的事件周期单元以前的特定日程发生的事件的内容的反应,测定、评价该事件效果的阶段。
13.根据权利要求12所述的学习者日程数据分发评价方法,其特征在于,所述网站通过把按照权利要求12配置的日程中的最初的事件周期单元与从学习者终端来的对于特定的事件周期单元中的评价事件的个人的反应相比较,来评价到特定的事件周期单元为止的事件周期单元的事件的效果。
14.根据权利要求12或者13所述的日程数据分发评价方法,其特征在于,所述网站在测定所需要的期间比事件周期单元短的状况下,当对每个出示条件分别测定、比较遵照某日程发生的事件的效果时,从各条件单元中各选择相同数目的被比较的出示条件的内容,汇集对于它们的反应并打分,进行各出示条件的比较、评价。
15.根据权利要求12到14之中任意一个所述的日程数据分发评价方法,其特征在于,所述网站收集遵照日程条件体验事件的所述学习者终端的个人对事件的反应的变化,汇集多个人,把代表性的反应的变化模式作为基准,存储在数据库中。
16.根据权利要求15所述的日程数据分发评价方法,其特征在于,所述日程条件,以定时条件和提示条件的种类的组合来定义关于某内容的事件发生的间隔。
17.根据权利要求12到16之中任意一个所述的日程数据分发评价方法,其特征在于,所述数据库在日程条件之外,还把个性、性别、地域等各种各样的个人属性也一致的群体的代表性的反应的变化模式作为基准存储。
18.一种日程数据分发评价方法,其特征在于,所述网站,当预测遵照特定的日程体验了某事件的学习者终端的个人的、其后的反应模式的变化时,利用所述数据库,把持有与该个人的属性相同地属性、遵照相同或类似的日程体验事件、进而表现出类似的反应模式的群体所表示的反应变化模式,作为该个人的反应的预测模式返回到所述学习者终端。
19.根据权利要求18所述的日程数据分发评价方法,其特征在于,权利要求18的方法包含:
从多个学习者终端收集对于在时间间隔短的定时条件的日程和长的日程混存的日程条件下发生的事件的反应数据,确定短定时条件中的反应的变化和长定时条件的变化的函数关系的阶段;和
另外收集对于在不同的个人的学习者终端以短定时条件发生的事件的反应,从该模式和特定的函数关系,来预测长定时条件下的反应的变化模式的阶段。
20.根据权利要求12到19之中任意一个所述的日程数据分发评价方法,其特征在于,所述网站对于内容列表的各内容,向所述学习者终端要求遵照一定阶段的尺度自我评定该内容的已知或者掌握的程度,把该学习者终端的学习者评定的阶段以及根据需要从内容的出示到自我评定的反应时间作为对应于关于该内容的一个事件的个人反应数据来收集、存储。
21.根据权利要求12到20之中任意一个所述的日程数据分发评价方法,其特征在于,所述网站包括:
把对于所述出示列表的各内容的反应数据,与各内容相对应地记录到个人反应数据库中的阶段;
利用给各内容分配的条件记号,汇集相当于定时条件、属性信息、反复次数等的出示条件的组合的内容,计算对于这些的反应的代表值的阶段;
把该代表值作为在该日程条件下的反应的变化模式输出的阶段。
22.根据权利要求12到21之中任意一个所述的日程数据分发评价方法,其特征在于,使用将生成所述出示列表的履历与日程表相对应地记录的信息,掌握哪个出示单元已经作为出示列表生成的阶段;把未生成所述出示列表的出示单元分发给所述学习者终端并显示,从而使得可以从所述学习者终端指定。
23.根据权利要求12到22之中任意一个所述的日程数据分发评价方法,其特征在于,在收集来自所述学习者终端的反应数据的场合,在当初预定的日程与定时条件偏离的场合,把偏离的定时条件,通过各事件周期单元的期间的实际结束日、开始日、中央日等代表性的日期来重新描述。
24.根据权利要求23所述的日程数据分发评价方法,其特征在于,使所述描述的定时条件及日程条件与评定者的反应数据相对应,把评定者数据进行数据库化。
25.根据权利要求12到24所述的日程数据分发评价方法,其特征在于,所述网站在所述学习者终端产生对于以各种定时条件发生并发送的事件的反应数据时,定义事件发生的最小期间,根据在该期间内事件发生与否,描述该事件的发生定时条件。
26.根据权利要求25所述的日程数据分发评价方法,其特征在于,对于在权利要求25中记录的定时条件,把体验了各事件的个人的反应进行编码化,根据该定时条件和反应的编码的组合,来表现个人体验。
27.根据权利要求26所述的日程数据分发评价方法,其特征在于,所述网站把根据权利要求26表现的事件表现作为数据库登录,推定任意的个人对于事件的反应的预测或者期待特定反应的定时条件,预测所述反应和定时。
28.一种学习日程数据分发评价系统,它从服务器侧通过计算机网络提供为掌握学习内容所需要的指针信息,其特征在于,所述学习日程提供装置具有:
对于学习者终端,催促输入学习的内容名,伴随所述内容名的输入在所述学习者终端上,显示对应于预先存储的所述内容名的多个学习效果模式、催促选择某一个的装置;
在所述学习者终端选择所述学习模式时,根据反复数和属性信息基于定义了所述选择的内容的分发日程的日程表,生成把日期与内容相对应的出示列表,向所述学习者终端发送该出示列表的装置;
收集对于所述出示列表的各内容的所述学习者终端的评定结果,汇集个人属性或者日程相类似的该评定结果,从其中选择代表值,预测以后对于所述选择的内容的效果,向所述学习者终端发送的装置;
所述学习者终端,具有:
显示来自所述学习日程提供装置的多个学习效果模式,向所述学习日程提供装置发送选择的学习效果模式的内容名的装置;
存储来自所述学习日程提供装置的出示列表,在屏幕上顺序显示该出示列表的各内容,在经过规定时间后显示规定数目的提问项目使选择某个,把该选择的项目作为所述评定结果向所述学习日程提供装置发送的装置。
29.根据权利要求28所述的学习日程数据分发评价系统,其特征在于,所述学习日程提供装置具有求出对于所述出示列表的各内容的学习者个人的预测结果和其他学习者全体的平均,并把该全体的预测结果向所述学习者终端发送的装置。
30.根据权利要求28或者29所述的学习日程数据分发评价系统,其特征在于,
所述学习日程提供装置,
把附加属性信息的多个内容按照所述属性信息分组,根据输入的学习期间、学习日期时间,对于所述分组的每一内容,把在学习该内容后取规定的时间间隔再次学习的周期单元定义为所述学习期间,在该学习期间内定义所述分组的各内容的学习次数,在所述分组的每个内容中具有把这些内容的学习次数用所述学习期间的各日期时间来均等分配的日程表;
当所述学习者终端选择所述学习模式时,从与该学习模式的内容名相对应的日程表中,生成分配每日期的学习内容的出示列表,把该出示列表给所述学习者终端发送。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001341993 | 2001-11-07 | ||
JP2001-341993 | 2001-11-07 | ||
JP2001341981 | 2001-11-07 | ||
JP2001-341981 | 2001-11-07 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA028267532A Division CN1613079A (zh) | 2001-11-07 | 2002-11-07 | 日程数据分发评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102339423A true CN102339423A (zh) | 2012-02-01 |
Family
ID=26624391
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA028267532A Pending CN1613079A (zh) | 2001-11-07 | 2002-11-07 | 日程数据分发评价方法 |
CN201110219277XA Pending CN102339423A (zh) | 2001-11-07 | 2002-11-07 | 日程数据分发评价方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA028267532A Pending CN1613079A (zh) | 2001-11-07 | 2002-11-07 | 日程数据分发评价方法 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP1450280A4 (zh) |
JP (1) | JP3764456B2 (zh) |
KR (2) | KR100737363B1 (zh) |
CN (2) | CN1613079A (zh) |
CA (1) | CA2465855A1 (zh) |
TW (1) | TW200302429A (zh) |
WO (1) | WO2003040978A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1628253A4 (en) * | 2003-05-07 | 2008-04-16 | Takafumi Terasawa | CALENDAR CREATION METHOD, CALENDAR CREATION SYSTEM, NON-EXPERIMENT CALENDAR PREDICTION METHOD, AND LEARNING CALENDAR EVALUATION DISPLAY METHOD |
US7558834B2 (en) | 2003-12-29 | 2009-07-07 | Ebay Inc. | Method and system to process issue data pertaining to a system |
EP1669922A1 (fr) * | 2004-12-10 | 2006-06-14 | France Telecom S.A. | Système et procédé de contrôle qualité d'applications d'entreprise |
JP2006276150A (ja) * | 2005-03-28 | 2006-10-12 | Takashi Suzuki | 学習支援システムおよび学習支援方法 |
JP4780670B2 (ja) * | 2007-02-28 | 2011-09-28 | Kddi株式会社 | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 |
JP5103330B2 (ja) * | 2008-08-29 | 2012-12-19 | 株式会社タオ | パソコンを用いた幼児学習装置 |
CN102598033A (zh) * | 2009-11-13 | 2012-07-18 | 三星电子株式会社 | 用于管理内容的方法及装置 |
KR101408722B1 (ko) * | 2013-12-11 | 2014-06-18 | 강계원 | 블루투스 통신이 가능한 코드인식펜을 이용하여 책자형 교재의 정보를 재생시키는 교재재생앱이 탑재된 스마트기기 |
KR102293795B1 (ko) * | 2014-09-24 | 2021-08-25 | 삼성전자주식회사 | 디바이스에 컨텐츠를 출력하는 방법, 그 디바이스 및 기록매체 |
CN108241625B (zh) * | 2016-12-23 | 2021-10-01 | 科大讯飞股份有限公司 | 预测学生成绩变化趋势的方法及系统 |
CN111340660B (zh) * | 2019-07-01 | 2023-09-01 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2685681B2 (ja) * | 1991-11-29 | 1997-12-03 | 日立ソフトウエアエンジニアリング株式会社 | 学習支援システム |
JP4386975B2 (ja) * | 1997-04-30 | 2009-12-16 | 幸男 渡邊 | コンピュータ反復学習方法 |
JP3258636B2 (ja) * | 1999-03-16 | 2002-02-18 | 株式会社不思議ネットワーク | 学習支援装置および学習支援方法、並びに記録媒体 |
-
2002
- 2002-11-07 JP JP2003542938A patent/JP3764456B2/ja not_active Expired - Lifetime
- 2002-11-07 CN CNA028267532A patent/CN1613079A/zh active Pending
- 2002-11-07 EP EP02780042A patent/EP1450280A4/en not_active Withdrawn
- 2002-11-07 CN CN201110219277XA patent/CN102339423A/zh active Pending
- 2002-11-07 WO PCT/JP2002/011611 patent/WO2003040978A1/ja active Application Filing
- 2002-11-07 TW TW091132738A patent/TW200302429A/zh unknown
- 2002-11-07 CA CA002465855A patent/CA2465855A1/en not_active Abandoned
- 2002-11-07 KR KR1020047006897A patent/KR100737363B1/ko active IP Right Grant
- 2002-11-07 KR KR1020067018003A patent/KR20060101561A/ko not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
CN1613079A (zh) | 2005-05-04 |
KR100737363B1 (ko) | 2007-07-09 |
KR20050044353A (ko) | 2005-05-12 |
CA2465855A1 (en) | 2003-05-15 |
JP3764456B2 (ja) | 2006-04-05 |
JPWO2003040978A1 (ja) | 2005-03-03 |
EP1450280A4 (en) | 2007-10-10 |
KR20060101561A (ko) | 2006-09-25 |
WO2003040978A1 (fr) | 2003-05-15 |
EP1450280A1 (en) | 2004-08-25 |
TW200302429A (en) | 2003-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Elia et al. | Assessing learners’ satisfaction in collaborative online courses through a big data approach | |
Romero et al. | A survey on pre-processing educational data | |
Kuruppu et al. | Understanding the information needs of academic scholars in agricultural and biological sciences | |
Farooq et al. | Sustaining a community computing infrastructure for online teacher professional development: A case study of designing Tapped In | |
JP4970505B2 (ja) | 学習到達度評価方法及び学習到達度評価システム | |
US20200234606A1 (en) | Personalized educational planning based on user learning profile | |
Alario-Hoyos et al. | MyLearningMentor: A mobile app to support learners participating in MOOCs | |
Reich et al. | Reconstructing production practices through interviewing | |
Belton | Multi-criteria problem structuring and analysis in a value theory framework | |
Gershenson | How do substitute teachers substitute? An empirical study of substitute-teacher labor supply | |
US11410258B2 (en) | Method and system for distribution of university student degree completion data | |
CN102339423A (zh) | 日程数据分发评价方法 | |
Mostert et al. | Information needs and information seeking behavior of parliamentarians in South Africa | |
Purwoningsih et al. | Early prediction of students’ academic achievement: categorical data from fully online learning on machine-learning classification algorithms | |
US20040260584A1 (en) | Schedule data distribution evaluating method | |
Shy | Dynamic models of religious conformity and conversion: theory and calibrations | |
Vandewalle et al. | Understanding the multifaceted geospatial software ecosystem: a survey approach | |
Lerner et al. | Social Capital Companion: capturing personal networks as they are lived | |
JP2008090450A (ja) | 家計簿データネットワークシステム | |
Hannes et al. | Tracking household routines using scheduling hypothesis embedded in skeletons | |
JP4291790B2 (ja) | イベント効果評価方法 | |
Todd | From polychronicity to multitasking: The warping of time across disciplinary boundaries | |
Cox et al. | We Live in Interesting Times: Introduction to the Special Section on Big Data & Behavior Science | |
Marchesoni et al. | The student staffing advantage: Data science consulting service at NC State University libraries | |
JP2005209220A5 (zh) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120201 |