CN102782717A - 用于智能个人化学习服务的方法 - Google Patents

Abstract

在向学习参与者提供智能个人化学习服务的方法中，将指针指定到每个学习对象，并与属于学习对象数据库的每个学习对象关联。从学习主题数据库中选择对每个学习参与者专用的学习主题。关于与选择的学习主题关联的学习对象处的尝试的信息记录在每个学习参与者的学习历史信息中。相对于由学习参与者尝试的学习对象而在每个学习参与者的学习历史信息上记录执行完成率信息。基于每个学习参与者的学习历史信息针对与学习参与者对应的选择的学习主题而诊断学习参与者的熟练状况。

Description

用于智能个人化学习服务的方法

技术领域

本发明涉及智能个人化学习服务方法。更具体地说，本发明涉及智能个人化学习服务方法，该方法用于在具有互联网可访问性的学习参与者终端处为学习参与者提供来自服务器的个人化学习服务以及学习对象数据库和学习主题集数据库，学习对象数据库和学习主题集数据库二者交互并安装在服务器中，该方法包括以下步骤：将指针指定到各个学习对象，指针指向与属于存储在数据库中的学习对象数据库的每个学习对象关联的学习主题；针对存储在数据库中的所述各个学习对象记录属于学习区域组的学习主题的学习参与者专用学习历史数据；通过使用在服务器上的预安装程序，计算学习参与者对于利用学习参与者终端执行的学习对象如何确定是否存在学习对象的多个分开的对象区段的尝试和成绩，并将生成的计算存储到学习参与者专用学习历史数据；基于存储在数据库中的学习参与者专用学习历史数据，针对各个学习对象的学习区域组的学习参与者的熟练状态，诊断对于利用学习参与者终端执行的每个学习对象的表现；和根据服务器生成的诊断来推断和呈现单独成员学习者的进步信息。

背景技术

在该部分的陈述仅提供涉及本公开的背景信息并可能不构成现有技术。

通过使用因特网的m-学习(移动学习)服务或u-学习(普遍存在的学习)服务而希望解决的问题仅涉及改善的个人化教育以及普及的学习。为了实现该目的，必须具有以下功能：通过使用终端来诊断个人的学习能力和特性，并基于针对成绩完成和弱点的自我诊断和诊断结果来管理学生的学习活动，并最终提供最优学习计划以提高学习的效率。但是，除了诸如学校教师的教育专家的亲自教育，在全球没有明显的技术或系统方案得以具体化。

本公开涉及解决与提供各种类型的学习对象关联的缺点，以具体地管理学生的学习过程并诊断学习状况。此外，完全依靠通过VOD(视频点播)的视频讲演的学习服务一般不设计为将诸如试题、问题解决的说明和交互课程的现场学习对象的离线提供适当地带到线上。完全根据讲演者的能力并对全部用户单向地提供标准化的学习对象的这样单调的传送因特网讲演缺乏系统地提供在个人特性上的智能/个人化教育服务，智能/个人化教育服务是利用信息技术的近来的进步的e-学习模型的要点。

发明内容

技术问题

因此，本公开寻求提供智能个人化的学习服务方法，其通过在由有线/无线因特网提供的学习区域内提供诸如讲演视频、测试口试、问题解决、交互学习的各种类型的学习对象的环境下通过每个学生的学习对象的学习历史管理而分析和诊断在学习区域组中的学生的学习状况，并基于分析结果和诊断结果二者提供可以提高学习效率的智能个人化学习服务。

本公开寻求提供智能个人化的学习服务方法，该方法在服务器的数据库中安装诸如学习主题集、借助类似性的学习主题分组、学习主题中的主题的类别关系、学习主题的相对重要性和学习主题中的先决条件之类的各种学习功能，以提供智能个人化的学习服务，并推断和提出每个学习参与者的学习者进步信息。

本公开寻求提供智能个人化的学习服务方法，其在服务器的存储器和数据库中安装用于检查学习对象中的从属性的内容、学习对象的分值、每个学习对象划分为逻辑步骤、学习主题的尝试次数、学习对象的解答和成绩水平检查、学习对象的类型所获得的分值和学习对象的成绩水平，同时利用安装的程序不时检查用户的学习成绩水平，并且推断和提出每个学习参与者专用的进步信息。

技术方案

本公开的技术方案是实现一种智能个人化学习服务方法，该方法在具有互联网可访问性的学习参与者终端处向学习参与者提供来自服务器的个人化学习服务以及学习对象数据库和学习主题集数据库，学习对象数据库和学习主题集数据库二者交互并安装在服务器中。提供智能个人化学习服务的方法可以包括以下步骤：将指针指定到每个学习对象；记录学习参与者专用学习历史数据、计算学习参与者表现如何；和诊断关于每个学习对象的表现。可以将指针指定到各个学习对象，指向与属于存储在和服务器交互的数据库中的学习对象数据库的每个学习对象关联的学习主题。数据库可以针对存储在数据库中的所述各个学习对象记录属于学习区域组的学习对象的学习参与者专用学习历史数据。使用在服务器上的预安装程序，学习参与者对学习对象执行的方式可以利用学习参与者终端计算关于是否存在学习对象的多个分开的对象区段的尝试和成绩，将生成的计算记录和存储为学习参与者专用学习历史数据。基于存储在数据库中的学习参与者专用学习历史数据，针对各个学习对象的学习区域组的学习参与者的熟练状态，诊断对于利用学习参与者终端执行的每个学习对象的表现。智能个人化学习服务方法还可以包括：根据服务器生成的诊断来推断和呈现单独成员学习者的进步信息。

本公开的另一实施方式提供一种提供智能个人化学习服务的方法，该方法在与服务器交互的存储器和数据库中安装诸如学习主题集、借助类似性的学习主题分组、学习主题中的主题的类别关系、学习主题的相对重要性和学习主题中的先决条件之类的各种内容，以提供智能个人化的学习服务，并推断和提出每个学习参与者的学习者进步信息。

本公开的另一实施方式仍提供一种提供智能个人化学习服务的方法，该方法在与服务器交互的存储器和数据库中安装用于检查学习对象中的从属性的内容、学习对象的分值、每个学习对象划分为逻辑步骤、学习对象的尝试次数、学习对象的解答和成绩水平检查、学习对象的类型所获得的分值和学习对象的成绩水平，同时利用安装的程序不时检查用户的学习成绩水平，并且推断和提出学习的进步信息。

有利效果

根据上述实施方式，智能个人化学习服务方法可以通过在由有线/无线因特网提供的学习区域内提供诸如讲演视频、试题、问题解决、交互学习之类的各种类型的学习对象的环境下通过每个学生的学习对象的学习历史管理来分析和诊断在学习区域组中的学生的学习状况，并基于分析结果和诊断结果二者提供可以提高学习效率的智能个人化学习服务。

此外，智能个人化学习服务方法可以在服务器的数据库中安装诸如学习主题集、借助类似性的学习主题分组、学习主题中的主题的类别关系、学习主题的相对重要性和学习主题中的先决条件之类的各种学习功能，以提供智能个人化的学习服务，并推断和提出每个学习参与者的学习者进步信息。

此外，智能个人化学习服务方法可以在服务器的存储器和数据库中安装用于检查学习对象中的从属性的内容、学习对象的分值、每个学习对象划分为逻辑步骤、学习对象的尝试次数、学习对象的解答和成绩水平检查、学习对象的类型所获得的分值和学习对象的成绩水平，同时利用安装的程序不时检查用户的学习成绩水平，并且推断和提出每个学习参与者专用的学习者进步信息。

另外，通过安装在服务器中的分析和诊断程序，而不用负责评估的单独人员，智能个人化学习服务方法通过自动和持续地记录每个学习学习课程的学习参与者的熟练状况而可以有效地利用可在现有的学院或小学、中学和高中之中进行的低成本学习管理以进行操作。

另外，智能个人化学习服务方法基于相互学习对象数据库、相互学习主题数据库和针对每个学习课程的公共评估方法通过安装在服务器中的分析和诊断程序而可以容易地评估学习参与者的标准化能力。

附图说明

图1是示意性示出根据一个或更多个实施方式用于通过学习提供服务器提供学习的系统的框图；

图2是示出根据一个或更多个实施方式的学习主题结构化的示例的图；

图3是示出根据一个或更多个实施方式的虚拟学习主题结构和分配给每个学习主题的学习重要性的图；

图4是示出根据一个或更多个实施方式的在学习对象和学习主题结构之间的连接状态的连接图；

图5是示出根据一个或更多个实施方式的学习对象和完成率的步骤的图；

图6是示出根据一个或更多个实施方式的计算学习主题的熟练指数的示例的图；和

图7是示出根据一个或更多个实施方式的计算学习主题的学习优先级指数计算示例的示例的图。

具体实施方式

本公开的一些实施方式提供智能个人化学习服务方法，该方法在具有互联网可访问性的学习参与者终端处为学习参与者提供来自服务器的个人化学习服务以及学习对象数据库和学习主题集数据库，学习对象数据库和学习主题集数据库二者交互并安装在服务器中，该方法包括以下步骤：将指针指定到各个学习对象，指针指向与属于存储在与服务器交互的数据库中的学习对象数据库的每个学习对象关联的学习主题；针对存储在数据库中的所述各个学习对象，向数据库记录属于学习区域组的学习对象的学习参与者专用学习历史数据；通过使用在服务器上的预安装程序，针对是否存在学习对象的多个分开的对象区段的尝试和成绩，计算学习参与者对于利用学习参与者终端执行的学习对象表现如何，并将生成的计算存储到学习参与者专用学习历史数据；基于存储在数据库中的学习参与者专用学习历史数据，针对各个学习对象的学习区域组的学习参与者的熟练状态，诊断对于利用学习参与者终端执行的每个学习对象的表现；和根据服务器生成的诊断来推断和呈现单独成员学习者的进步信息。

这里，将描述本公开的实施方式的细节。图1是示意性示出根据本公开的示例性实施方式用于通过学习提供服务器提供学习的系统的框图。如图1所示，学习提供服务器具有学习主题数据库、学习对象数据库、学习历史数据库和用于向每个学习参与者和终端用户提供必要的学习的数据库。学习提供服务器还包括分析和诊断引擎，分析和诊断引擎具有为了诊断每个学习参与者而安装的软件。

安装在学习提供系统中的终端、学习提供服务器、诊断引擎和数据库仅是按照其功能和角色的逻辑分类，并且学习参与者的终端可以实现为执行学习提供服务器的一部分或全部功能，或者学习参与者的终端还可以被实现为许多人从单个服务器通过与常规的网络服务器相同的各个学习参与者的终端接收学习提供服务。

下面将详细地示出根据本公开的提供智能个人化学习服务方法的组件。这开始于[学习主题集结构化]。

通过学习服务提供服务器、与服务器交互的数据库和诊断引擎程序，实现通过与学习服务提供服务器连接的学习参与者的终端向学习参与者提供各种内容。

学习主题集是分配给学习参与者的较小的学习主题的集合。为了方便，主题和在主题下的较小学习主题统称为学习主题。假设全部分配的学习主题集具有N个(学习主题的数量)学习主题。将学习主题集标记为“SUBJ”，并且包括在该集合中的每个学习主题标记为“subj”，则该学习主题集可以表示为

SUBJ={subj1、subj2、…、subjN}。

现在针对[学习主题集内的结构]进行描述。

这是使学习主题集结构化的处理。通过诸如主题的类似性、从属性和预习才能而关联的学习主题可以彼此连接，并可以按照水平或数量值在连接的学习主题中给予一连接强度。通过指针而连接的学习主题被认为是邻近的。这提供了各种构架的基础，但为了方便，在本公开中假设学习主题集在一些实施方式中具有树结构。树结构仅是学习主题集结构的一个示例，并且本公开的范围不限于此。

下面描述[借助类似主题的学习主题分组]

在关于SUBJ的相同主题目之下，这是分组为一组学习主题的方式，并且一般可以将SUBJ划分为多个组。

下面描述[学习主题中的主题的类别关系，树结构]

在每个组中，学习主题可以根据主题的类别关系而垂直或水平地设置。因此，学习主题结构可以自然地具有借助主题的类别关系的各种树型结构。

我们将充当父节点的角色的学习主题称为父学习主题，并将充当子节点的角色的学习主题称为子学习主题。我们将直系子学习主题称为同属(sibling)学习主题。例如，学习主题“积分”是学习主题“三角函数积分”的父学习主题，并且“三角函数积分”和“对数函数积分”是学习主题“积分”的同属学习主题。包括最上面或最下面的学习主题的全部学习主题可以同时是父学习主题和子学习主题二者。

下面描述[学习主题中的主题的类别关系，树结构]

在学习主题中存在的关系不仅包括主题的类别关系。由于一个学习主题的获得可能需要不同先决条件的预习，因此学习主题中的先行关系在学习主题集结构化中分类。

图2是示出学习主题结构化的示例的图，提出了包括两个组的结构化的数学关联学习主题集。它具有与通常的学习材料的内容类似的结构。由分支连接的学习主题表示它们处于父-子关系中，并且它们处于学习的先决条件关系。

每个学习主题被分配学习的重要性，以暗示与其他学习主题相比的重要性的相对程度。如果学习主题集为树结构，则分配的学习主题(=subj)的学习的重要性(=b(subj))可以解释为当获得父学习主题的内容时暗示每个直系子学习主题占有的相对权重，或解释为暗示学习中的优先级的顺序。学习的重要性可以由数量值或水平表达。当由数值表达时，值将处于区间[0，1]内。作为按照水平表达学习的重要性的示例，学习的重要性可以简单分配给在“必修”和“选修”的两个水平中的每个学习主题。即使按照水平分配学习的重要性，如有需要，也可以将水平转换为数量值。在该示例的情况下，“必修”的数值可以设置为高于“选修”的数值。

图3是示出虚拟学习主题结构和分配给具有树结构的虚拟学习主题的每个学习主题的学习的重要性的图。

下面描述本公开的作为关键组成元素的[学习对象]。

考虑由概念学习步骤、测试步骤和说明参考步骤总共三个步骤组成的学习处理，学习对象分为以下三个类型。

下面描述学习对象的类型

(类型1)它是用于说明学习主题的内容的讲演或概念呈现，并且它主要按照视频剪辑、音频剪辑和实现交互进程的Adobe系统公司的flash文件格式的形式提供。

(类型2)它是针对学习主题的知识获取测试和成绩测试的问题，并主要提供为包括数字公式、符号的文本和具有包括图形和图表的图片的曲线图的组合。

(类型3)它是关于“类型2”学习对象的综合问题解决、部分问题解决、综合提示和部分提示，并提供为视频剪辑、音频剪辑、flash、具有图片的文本中的一个或组合，如在“类型1”和“类型2”学习对象中。

下面描述[学习对象的从属性]

当如上面划分学习对象的类型时，一个学习对象可以看作由其他学习对象的从属物伴随。“类型2”学习对象从属于相应的“类型1”学习对象，并且“类型3”学习对象从属于相应的“类型2”学习对象。但是，“类型2”学习对象可以向学习参与者独立于“类型1”学习对象而呈现，但是“类型3”学习对象不能呈现，直到“类型2”学习对象被预先提出。根据学习对象中的从属关系指定指针。即，指针从“类型2”学习对象指定到关联的“类型1”学习对象，并从“类型3”学习对象指定到相应的“类型2”学习对象。

下面描述[学习主题和学习对象]

一般来说，每个学习主题同时与多个学习对象关联。每个学习对象针对有关的学习主题指定指针。当学习主题通过特定学习对象而连接到指针时，则可以认为它们是直接连接。即使学习主题不直接连接到学习对象，而连接到直接连接到该学习对象的其他学习对象，则识别为间接连接到该学习对象。通过陈述指定的学习对象连接到指定的学习主题，直接连接和间接连接二者表示为已声明，除非另外地声明。由于该情况，学习主题可以不被认为是通过以主题对学习对象的集合进行分类的关键字。

指针被指定到与指定的学习对象关联的学习主题。根据关联的程度可以指定数值，并且这称为在学习对象(=I)和学习主题(=subj)之间关联的程度，并书写为W(I，subj)的符号。

连接到指定的学习对象的学习主题可以通过使用关联的程度来设置。假设指定的学习对象(=I)连接到数量K的学习主题，并且这些学习主题是subj1、…、subjk。如果关联的程度按照类似W(subj1，I)≥W(subj2，I)≥…≥W(subjK，I)的降序设置，则学习主题subj1具有与学习对象I的最高关联程度。subj2成为具有第二最高关联程度的学习主题。在该情况下，学习主题subj1称为在与学习对象I的关联程度中的第一优先级，并且学习主题subj2称为在与学习对象I的关联程度中的第二优先级。

关联的程度是对关联的学习主题相对指定的数值，并因而，指定的关联程度的总和方便地总体设置为1。使用的前述示例可以表达如下。

W(subj1，I)+W(subj2，I)+…+W(subjK，I)=1。

同时，针对完全从属于“类型2”学习对象的“类型3”学习对象，没有指针指定给学习主题。

下面描述[“类型2”学习对象种类]

属于“类型2”的一些学习对象可以具有彼此类似的构成。例如，除了一些字或数值，一些“类型2”学习对象还可以具有彼此基本类似的构成。收集了相同类别的“类型2”学习对象的集合被称为“类型2”学习对象种类。

学习对象种类的典型示例可以如下。一般来说，一些类别的学习对象可以具有相同的形状，并在该情况下，它被称为“学习对象构架”，并且具有相同形状的学习对象被称为“学习对象构架的实例”。例如，“展开式(2x+3y)(x-y)”和“展开式(2x-y)(2x+y)”是相同类别的“类型2”学习对象，并且它们是学习对象构架“展开式(□x+□y)(□x-y)”的实例。

当学习参与者尝试该学习对象种类时，学习对象的实例可以呈现有由教育专家预定的□值，或学习对象的实例可以呈现有在适当的范围内随机生成的□值。

根据上面的陈述，当在本公开中提到“学习对象”时，它适当地表示单独的学习对象或学习对象种类。

下面描述[学习对象分值和学习的重要性]

学习对象分值(=s)是指定给学习对象的数值以评估学习参与者的熟练程度或参与者对关联的学习主题的解决能力，并且主要被认为描述困难水平的参数。分值可以指定给“类型1”和“类型2”学习对象二者，但是主指定给“类型2”学习对象，以进行说明。

同时，除了指定分值，当学习对象是和学习主题一起时，学习的重要性还指定给学习对象。学习对象的学习的重要性可以使连接的学习主题的学习重要性跟随，并使学习重要性独立于学习主题。作为跟随的学习主题的学习重要性的示例，如果学习对象连接到具有“选修”的水平的任何学习主题，则该学习对象自动得到“选修”的水平。

图4是在学习对象和学习主题结构之间的连接状态的想象情况的连接图。在图4中，开始于subj的节点指示学习主题，开始于V的节点指示“类型1”学习对象，具有P的节点指示“类型2”学习对象，并且具有H的节点指示“类型3”学习对象。在“类型2”的情况下，学习对象被示出为按照学习对象种类和相应的单独学习对象来分类。除了指示每个学习主题的“类型3”学习对象，每个学习对象还与线中的关联的学习主题连接，并且以数值指定关联的程度。暗示学习的重要性的“必修”或“选修”在暗示学习主题的节点上标记，并且分值指定在暗示“类型2”学习对象的节点的左侧上，并且学习的重要性指定在右侧上。

接着描述的是[学习对象的学期和成绩点]。从学习参与者的对一个学习对象的尝试的开始到学习的结束的时段称为学习对象的学期或简单称为学期。在针对一个指定学习对象的“类型1”学习对象的情况下，当学习参与者从开始参与一个学习对象并到达结束部分，则成绩点被称为达到。在“类型2”学习对象的情况下，当学习参与者在学习中发现学习对象的正确答案时，则成绩点被认为是已达到成绩点。“类型3”学习对象按照定义没有成绩的概念。

下面是[学习参与者对学习对象的成绩完成信息]。它是关于学习参与者如何基于学习对象的成绩完成点而从学习对象的开始达到到什么程度并且关于学习参与者如何达到到达点的信息。完成率的概念被用于计算前者。完成率可以被表达为水平或数值，并且为了方便，在一些实施方式中使用最小值0和最大值1的实数而将完成率指定为示例。

假设学习对象逻辑上由多个步骤组成以计算完成率(另外包括仅由一个步骤组成的情况)。实现率(=r)指定给每个步骤，并在该场合，学习对象的完成率被限定为由学习参与者完成的步骤的全部实现率的和。一般来说，学习参与者被认为一次达到成绩完成点比通过多个步骤达到成绩完成点具有更高的实现能力，这样在后者的情况下，完成率可以小于等于1。即，当向一个学习对象的每个步骤给予实现率时，步骤的全部实现率的和不超过1。仅包括一个步骤的学习对象中的实现率是1。

当“类型1”学习对象的情况在逻辑上不分类为多个步骤时，则完成率可以通过任意地将总的运行时间间隔分为多个子间隔并向每个子间隔给予实现率而计算。即使它不分为多个子间隔，实现率也可以利用实际看到的区段或听到的区段对总的时间间隔的比来被确定。

在“类型2”学习对象的情况中，在到达成绩完成点之前，学习参与者可以参考作为提示或说明的关联的“类型3”学习对象。在该情况下，在计算中的完成率的值利用针对参考应用的处罚而向下调整。例如，通过使参考的提示或说明所属的步骤的实现率的值下降到低于其原始指定值来计算完成率。另外，当学习参与者花费大量时间解决“类型2”学习对象时，即当学期长时，则完成率利用应用的处罚来计算。

图5是用于示出学习对象的多个划分步骤和给予每个步骤的完成率的图。第一直线是“类型1”学习对象的示例，并且这里，假设运行时间间隔划分为具有相同长度的子间隔，并且相同实现率指定给每个子间隔。第二直线是“类型2”学习对象的示例，并且这里它划分为3个步骤。如果学习参与者已经解决学习对象的前两个步骤，并且阅读了其余步骤的说明，则第三步骤被认为未解决，这样完成率被计算为r1+r2。

下面描述[学习对象的尝试次数]。在“类型1”学习对象中的学习参与者的尝试次数表示学习参与者的观看或收听的总次数。

在一些情况下，学习参与者对“类型2”学习对象的尝试次数表示学习对象的学习对象种类的尝试次数。例如，如果存在具有对指定的学习对象的相同种类关系的“类型2”学习对象，并且学习参与者在学习对象中按照重叠或非重叠的方式总共尝试k次，则认为学习参与者对“类型2”学习对象的学习对象种类已经尝试k次。

下面描述[在学习对象的再尝试时的完成率更新]。如有必要，学习参与者尝试一个学习对象达许多次。如果学习参与者已经尝试单个指定的学习对象达许多次，则关于学习对象的新完成率可以是最新尝试的完成率，或者新的完成率可以通过考虑过去尝试的全部完成率而确定。

接下来描述[通过时间的流逝的完成率更新]

如果学习参与者的参与时段长，则学习参与者对于学习对象或过去尝试的学习对象种类的流利度可能下降，这样完成率可以通过考虑从最后的尝试到新近的尝试的时间间隔而逐渐下降。

下面研究的是[学习参与者专用学习历史数据]。

下面的描述是针对与学习参与者专用学习历史数据关联的学习区域建立。学习区域可以预先根据学习参与者组建立或者它可以直接由单独的学习参与者指派。这里，学习区域被看作指定的学习主题集SUBJ的子组，并且标记为RSUBJ。即，在本公开中的学习区域表示学习参与者将学习的学习主题。

下面研究的是[学习参与者专用学习历史数据]，它是包括关于包括在学习区域RSUBJ中的学习主题的学习记录和在学习参与者的参与期间的关联学习对象的数据。

每个学习参与者可以具有多条学习参与者专用学习历史数据，但关于与学习主题关联的学习对象的学习参与者的累积尝试的数据被用作主学习历史数据。关于累积的尝试的数据包括关于以下内容的信息：

·是否存在尝试，

·尝试次数，

·每次尝试的开始时间，

·直到每次尝试的停止的时间量，

·和每次尝试的成绩完成相关信息。

下面是[学习诊断]

在一些实施方式中，学习诊断包括学习参与者的每个学习主题的熟练程度和基本知识获取程度的评估。

下面是[熟练程度和基本知识获取的评估]。引入针对熟练度的学习主题专用指数的概念以评估熟练程度。针对熟练度的学习主题专用指数是指定给每个学习主题的数值，并暗示学习参与者对相应的学习主题(=subj)熟练度如何的信息，并标记为D(subj)。随后，学习参与者对指定的学习主题是否熟练是由针对熟练指数确定，并且如果它超过预设的阈值，则参与者被判断为熟练，否则为无知。

类似地，可以引入借助学习主题的针对高优先级题目的知识获取指数的概念以评估基本知识获取的程度，并且它以数值形式的信息通知关于学习参与者已经实际获取了多少基本需要获取的指定的学习主题的知识。针对高优先级题目的知识获取指数与针对熟练指数的不同之处在于，它仅处理具有高的学习重要性的学习对象，但是其余是实际相同的，因此针对熟练指数将在下面描述。

下面描述是针对[确定针对熟练指数的方法]。

大致存在确定关于学习主题的针对熟练指数的两个方法。第一方法是基于学习参与者对与指定的学习主题关联的学习对象的学习历史数据而给出指数的方法(=MD1)，并且第二方法是根据除了针对该学习主题还有其他学习主题的熟练指数而确定指数的方法(=MD2)。

[MD1]提出基于学习参与者的学习历史数据确定针对熟练指数的方法。在该情况下，随着关联学习对象的完成率的增加，针对熟练指数取值为高，即，针对指数的是针对链接到学习主题的每个学习对象的学习参与者的完成率的函数，并表达为诸如f(C1，C2，…，Cn)之类的函数，并限定为针对每个完成率Ci(i=1，…，n)的增函数，其中存在链接到学习主题的数量为n的学习对象，并且针对每个学习对象的完成率表达为C1，C2，…，Cn。

如果针对数量n个学习对象的关联的程度和分值分别指定为W1，…，Wn和S1，…，Sn，则针对熟练指数值随着关联的程度和分值变得更大而变得更高。即，针对熟练指数是针对具有关联的程度W1，…，Wn和分值S1，…，Sn作为参数的针对完成率C1，…，Cn的函数。因此，针对熟练指数可以表达为f(C1，…，Cn；W1，…，Wn；S1，…，Sn)。关联的程度和分值作为参数来处理，因为存在着这些参数独立地由学习参与者预定的多种情况(但是这仅是一个示例，并且参数不需要独立于学习参与者)。

针对学习对象的完成率的线性组合可以是与上面相同的针对熟练指数的具体示例。即，它可以形成为关于不是负数的实数Z1，…，Zn的f(C1，…，Cn；W1，…，Wn；S1，…，Sn)=Z1*W1*S1*C1+…+Zn*Wn*Sn*Cn。

每个Zi(i=1，…，n)可以是确定的反射尝试数据，诸如对学习对象中的每一第i个学习对象的尝试次数和完成所花费的时间，并且每个Zi(i=1，…，n)还可以被确定为使熟练指数中相比较的值标准化，使得它们保留在区间[0，1]内，作为示例。

函数形式与上面相同的针对熟练指数的示例如下。为此，计算累积的尝试等级(=A)和累积的获取等级(=E)。当学习对象(=I)由学习参与者尝试时，针对与学习对象关联的学习主题(=subj)，如下计算累积的尝试等级和累积的获取等级。

新累积的尝试等级(=A’)=现有的累积的尝试等级(=A)+S(I)×W(I，subj)；

新累积的获取等级(=E’)=现有的累积的获取等级(=E)+C(I)×S(I)×W(I，subj)。

这是用于如下限定针对熟练指数的基础。当M被限定为相加针对与相应学习主题关联的每个学习对象的分值和程度的全部乘积而得到的和时，针对熟练指数用公式表示如下：当F=(A×A)/(M×M)时，G=E/A，并且限定为D(subj)=F×G。

D(subj)=(A×E)/(M×M)

针对熟练指数始终处于区间[0，1]内，并表达为针对前述完成率的线性组合。

现在关于[MD2]，下面描述根据针对其他学习主题的熟练指数而获得针对指定的学习主题的熟练指数的方法。当指定的学习主题不具有直接连接的学习对象时，主要使用该方法，以根据预先计算的针对其他关联的学习主题的熟练指数而计算学习对象。它由关于针对其他关联的学习主题的熟练指数的加权平均值来确定。

学习主题集被方便地假设为具有树结构，以给出具体的示例。在该情况下，每个学习主题具有父学习主题或子学习主题。针对每个学习主题的熟练指数可以根据针对父学习主题和子学习主题的熟练指数确定。得到针对直系子学习主题的指数的示例如下。针对指定的学习主题的熟练指数通过针对直系子学习主题的熟练指数的加权平均值而计算。这里，在计算加权平均值中的权重是每个子学习主题的学习的重要性。假设指定的学习主题(=subj)具有K条直系子学习主题subj1，…，subjK，则针对学习主题subj的熟练指数给出为D(subj)=b(subj1)*D(subj1)+b(subj2)*D(subj2)+…+b(subjK)*D(subjK)，并且b(subj1)，…，b(subjK)表示由每个子学习主题subj1，…，subjK占有的学习的重要性。

如果学习的重要性是满足b(subj1)+…+b(subjK)=1的等式的正数，并且如果每个子学习对象D(subj1)，…，D(subjK)的熟练指数被包括在区间[0，1]内，则如上所述计算的针对熟练指数D(subj)还被包括在区间[0，1]中。

这里指出的一点是，尽管MD2从针对其他学习主题的熟练指数得到针对熟练指数，但计算结果类似于借助MD1中的函数f(C1，…，Cn；W1，…，Wn；S1，…，Sn)的结果。

关于[针对熟练指数更新扩展]，如果一个学习对象由学习参与者尝试，则通过前述方法的针对连接的全部学习主题中的每一个学习主题的相应熟练度的指数可以更新，并且这称为针对熟练指数更新扩展。通过简单地利用MD1而计算针对与尝试的学习对象连接的学习区域内的全部学习主题中的每一个学习主题的熟练指数，来执行针对熟练指数更新扩展。或者，通过首先将学习区域内的全部学习主题分为两组并接着利用MD1计算针对属于第一组的学习主题的熟练指数，和通过利用MD2计算针对属于第二组的学习主题的熟练指数，而可以执行针对熟练指数更新扩展。只要尝试学习对象，就可以总体上执行扩展，或通过反映关于特定量的学习对象的先前的尝试而马上可以执行扩展。两种情况是类似的，因而假设关联的学习对象的针对熟练指数更新扩展直接在尝试一个学习对象后执行。

为了方便地给出示例，假设学习主题集具有树结构，并且任意的子节点仅具有一个直系父节点，并且学习对象仅与叶节点学习主题连接。我们说，K是由学习参与者尝试的学习对象(=项)所指示的全部叶节点学习主题的数量，并且它们是subj1，subj2，…，subjK。第一次更新是关于针对K个学习主题的熟练指数利用MD1来执行，并且下一更新是关于学习对象subj1的父学习主题的熟练指数利用MD2来执行。

如果父学习主题不是顶节点，则通过使用MD2而更新，直到诸如更新针对父学习的父学习主题的熟练指数的处理达到顶节点。接着，针对熟练的全部指数的更新通过对位于叶节点中的其余学习主题subj2，…，subjK重复学习主题subj1的相同处理而完成。

图6是用于示出针对具有树结构的虚拟学习主题集计算学习主题的熟练指数的示例的图。在每个节点上指定学习的重要性。当假设在叶节点中的学习主题针对熟练指数被指定时，在每个父节点中的学习主题的针对熟练指数被计算为针对直系子节点的熟练指数的加权平均值(权重是学习的重要性)。例如，针对subj5的熟练指数是关于针对作为直系学习主题的subj和subj的熟练指数0.2和0.5的加权平均值。即，针对subj5的熟练指数被计算为0.38=0.4*0.2+0.6*0.5。

下面描述[学习进步/指导建议]。

当基于学习参与者的学习历史执行诊断时，可以计算针对包括在学习区域RSUBJ中的全部学习主题的熟练指数。提出一种用于向学习参与者给予随后的学习指导的方法。在本实施方式中的学习指导表示根据对当前熟练的程度的诊断由学习参与者待学习的学习主题的顺序。

根据学习参与者的学习目标而提出学习指导。假设学习参与者的学习目标是提高组学习区域的熟练的程度，通过使用针对熟练指数而提供生成学习指导的示例。

关于[通过学习优先级指数进行的学习顺序确定]，计算根据每个学习主题专用的熟练程度的学习优先级指数。学习优先级指数是示出为了学习参与者的有效学习而必须首先学习的程度的数值。根据学习主题(=subj)的熟练程度的学习优先级指数(=L(subj))被看作关于学习的重要性和针对学习主题的熟练指数的函数，并且针对根据熟练指数的减函数和根据学习的重要性的增函数进行选择。作为学习优先级指数的简单示例，存在L(subj)=b(subj)/D(subj)。

在图7中，每个节点的正确数值是关于每个学习主题的学习优先级指数。如上所述，通过学习的重要性对熟练指数的比而计算学习优先级指数。利用学习优先级指数而可以获得学习优先级的顺序。Subj2的学习优先级指数是1.12，并因而高于作为0.96的Subj3的学习优先级指数。同样，在Subj8和Subj9之间的比较将说明Subj8的学习优先级作为2而高于Subj9的1.2的学习优先级。

下面描述[学习主题专用关联的学习对象学习顺序确定]。还可以基于对每个学习主题的诊断，对将建议给学习参与者的学习对象的顺序做出确定。

每个学习对象与多个学习主题关联，并且学习对象通过指定的学习主题而分类为第一组学习对象，第一组学习对象相对于由第二最接近组的学习对象等跟随的主题具有最高的相关性并具有在设置中布置在前面的较接近的组。在通过相关性的排序而设置的每个学习对象集中，根据学习的重要性按照降序布置学习对象。例如，当学习的重要性分为“必修”和“选修”时，具有“必修”水平的学习对象可以在设置的顺序中位于前面。针对在过去每个水平尝试并具有标准之下的完成率的学习对象被集中并按照完成率的升序布置，并且在过去未尝试的学习对象直接在它们之后布置。最后，具有相同完成率的学习对象按照分值的升序布置。另外，在过去未尝试的学习对象按照分值的升序布置。总而言之，在每个步骤中的布置标准和布置方向是：

①对指定的学习主题的相关性的排序，按照升序

②学习的重要性，按照升序

③完成率，按照升序

④分值，按照升序。

下面描述[通过统计处理的参数值调整]。如在一些实施方式中使用的，参数、学习主题的学习的重要性(=b)、学习主题和学习对象之间的关联的程度(=W)、学习对象的分值(=S)和指定给每个学习对象的实现率(=r)与学习参与者独立地或依赖于学习参与者通过各种因素确定。

用于确定参数的值的因素是学习主题的难度水平、学习参与者的水平、学习参与者的目标和学习参与者在指定时段内的实现程度。基于这些因素，适合于每个学习参与者的参数值可以通过借助诸如回归分析、神经网络和机器学习的统计和计算技术而规律地调整参数的值来发现。

在实施方式中的术语如下：

关键术语

·智能个人化学习

·学习主题集(=SUBJ)

·学习区域(=RSUBJ)

·学习主题结构

·主题的类别关系

·预习才能

·学习的重要性(=b(subj))

·学习对象(=I)

·学习对象(=I)分值(=S)

·在学习对象(=I)和学习主题(=subj)之间的关联权重(=w(I,subj))

·学习对象种类

·学习对象(=I)的完成率(=C)

·学习参与者专用学习历史数据

·关于学习主题的累积尝试的数据

·针对学习主题(=subj)的熟练指数(=D(subj))

·学习优先级指数(=L(subj))

·参数调整

工业实用性

因为本公开提供了一种基于从服务器诊断的诊断结果由推断和呈现单独成员学习者的进步信息的步骤组成的智能个人化学习服务方法，本公开对于工业实用性是高度有用的。

Claims (26)

1.一种通过学习参与者终端从服务器向学习参与者提供智能个人化学习服务的方法，所述服务器与包括学习对象数据库和学习主题数据库的数据库交互，该方法包括以下步骤：

将指针指定到各个学习对象，所述指针指向与属于存储在与所述服务器交互的所述数据库中的所述学习对象数据库的每个学习对象关联的学习主题；

从所述学习主题数据库选择专用于每个学习参与者的学习主题；

记录关于从所述数据库中存储的并与选择的学习主题关联的学习对象中选择的学习对象处的尝试的信息，作为每个学习参与者的学习历史信息；

记录和存储针对由所述学习参与者通过学习参与者终端尝试的学习对象的执行完成信息，作为每个学习参与者的所述学习历史信息；和

基于在所述数据库中记录和存储的每个学习参与者的所述学习历史信息，针对与所述学习参与者对应的所选择的学习主题诊断所述学习参与者的熟练状况。

2.根据权利要求1所述的方法，其中通过向所述学习主题给予用于代表所述学习参与者针对每个学习主题的熟练水平的熟练指数，来执行诊断针对所述学习主题的所述熟练状况的处理。

3.根据权利要求2所述的方法，其中诊断针对所述学习主题的所述熟练状况的处理包括：通过由所述每个学习参与者首先将熟练指数指定给每个学习主题并接着还将学习优先级指数指定给所述每个学习主题并由此定量地比较学习优先级指数，来为所述学习参与者设置学习主题的顺序。

4.根据权利要求3所述的方法，其中在所述学习主题的难度特性和/或重要性特性被固定为参数的情况下，由所述每个学习参与者指定给所述每个学习主题的所述学习优先级指数是针对相应熟练指数的减函数。

5.根据权利要求4所述的方法，其中在存在用于代表重要性特性而指定的水平或用于代表重要性特性和所述熟练指数而指定的数值被固定的情况下，针对所述每个学习主题由所述每个学习参与者指定给所述每个学习主题的所述学习优先级指数被确定为针对相应学习主题的重要性特性的增函数。

6.根据权利要求5所述的方法，其中通过将所述学习主题的重要性特性除以针对所述学习主题的每个学习参与者的所述熟练指数，来确定针对所述每个学习主题由所述每个学习参与者指定给所述每个学习主题的所述学习优先级指数。

7.根据权利要求2至6中任意一项所述的方法，其中所述每个学习参与者的所述每个学习主题的所述熟练指数是所述每个学习参与者针对链接到所述学习主题的所述每个学习对象的执行完成率的函数，所述熟练指数表达为函数f(C1、C2、…、Cn)，其中n是链接到所述学习主题的所述学习对象的数量，并且针对所述每个学习对象的执行完成率表达为C1、C2、…、Cn，每个执行完成率Ci(i=1、…、n)包括所述增函数。

8.根据权利要求7所述的方法，其中为了计算具有包括增函数的执行完成率的所述每个学习对象的所述执行完成率的目的，所述学习对象或者包括指定执行率的一个步骤，或者被分为指定执行率的两个或更多个逻辑步骤。

9.根据权利要求8所述的方法，其中通过对指定给由所述学习参与者完成的步骤的执行率进行计分来计算所述每个学习参与者的所述每个学习对象的所述执行完成率。

10.根据权利要求9所述的方法，其中用包括所述学习对象的学习对象种类的执行完成率来确定所述每个学习参与者的所述每个学习对象的所述执行完成率。

11.根据权利要求8至10中任意一项所述的方法，其中通过计算所述每个学习主题以外的其它学习主题的熟练指数来确定所述每个学习参与者的所述每个学习主题的所述熟练指数。

12.根据权利要求11所述的方法，其中通过在所述每个学习主题以外的所述其他学习主题的熟练指数的计算过程中使用加权平均值来确定所述每个学习参与者的所述熟练指数。

13.根据权利要求12所述的方法，其中代表所述学习参与者的所述每个学习主题的熟练指数的函数(f)是具有分值(Si)作为参数的函数，所述分值代表所述难度特性或重要性特性并指定给所述学习对象中的各第i(i=1、2、…、n)个学习对象，并且所述熟练指数被表达为f(C1、…、Cn；S1、…、Sn)，其中所述执行完成率是Ci(i=1、…、n)并且是针对取值为Si(i=1、…、n)的每个参数的增函数。

14.根据权利要求13所述的方法，其中代表所述学习参与者的所述每个学习主题的熟练指数的函数(f)是当与所述学习主题关联的程度被指定给所述学习对象中的各第i(i=1、…、n)个学习对象时将关联的程度(Wi)作为参数的函数，并且所述熟练指数由f(C1、…、Cn；W1、…、Wn)表达，其中所述执行完成率是Ci(i=1、…、n)，并且是针对取值为Wi(i=1、…、n)的每个参数的增函数。

15.根据权利要求14所述的方法，其中所述学习主题的所述分值(=S)、所述关联的程度(=w)和所述重要性特性(=b)或者与所述每个学习参与者的水平无关，或者取决于所述每个学习参与者的水平。

16.根据权利要求15所述的方法，其中代表针对所述学习参与者的所述每个学习主题的熟练指数的函数(f)是针对将所述关联的程度W1、…、Wn和所述分值S1、…、Sn作为参数的完成率C1、…、Cn的函数，并且被表达为f(C1、…、Cn；W1、…、Wn；S1、…、Sn)=Z1*W1*S1*C1+…+Zn*Wn*Sn*Cn，其中Z1、…、Zn包括非负实数。

17.根据权利要求16所述的方法，其中所述每个Zi(i=1、…、n)被确定为反映针对所述学习对象的尝试数据。

18.根据权利要求17所述的方法，其中所述每个Zi(i=1、…、n)被确定为具有所述熟练指数，使得全部熟练指数值保持在公共的范围中。

19.根据权利要求8至10以及权利要求12至18中任意一项所述的方法，其中所述学习主题被结构化为将所述学习主题作为节点的树结构，并且所述学习主题的子节点相对所述学习主题的父节点而详细地展开。

20.根据权利要求19所述的方法，该方法还包括以下步骤：关于由学习参与者尝试的学习对象，通过将学习主题集分为第一组和第二组这两个组、并接着使用用于更新属于所述第一组的学习主题的熟练指数的函数(f)和使用用于更新属于所述第二组的其余学习主题的熟练指数的除了所述第一组中所述学习主题以外的其他学习主题的熟练指数，来更新在具有所述树结构的学习主题集中的每一学习主题和全部学习主题的熟练指数。

21.根据权利要求20所述的方法，该方法还包括以下步骤：关于由学习参与者尝试的学习对象，通过将属于所述学习对象数据库的全部学习主题仅与在叶节点处的学习主题连接并在第一组中包括叶节点处的学习主题和在第二组中包括其余的学习主题，来更新在具有所述树结构的学习主题集中的每一学习主题和全部学习主题的熟练指数。

22.根据权利要求21所述的方法，该方法还包括以下步骤：通过使用学习主题的直系子节点熟练指数的加权平均值来计算属于所述第二组的学习主题的熟练度，其中熟练指数的计算从所述树结构的最低水平分级地逐渐扩展到最高水平，以完成对全部学习主题的熟练指数的更新。

23.根据权利要求22所述的方法，其中利用按各个直系子节点的重要性的程度确定的加权值通过针对直系子节点的熟练指数的加权平均值，来计算所述父节点的所述熟练指数。

24.根据权利要求19所述的方法，该方法还包括以下步骤：关于由所述参与者尝试的所述学习对象，通过使用在更新所述每个学习主题的熟练指数过程中的函数(f)，来更新在具有所述树结构的学习主题集中的每一学习主题和全部学习主题的熟练指数。

25.根据权利要求3至6中任意一项所述的方法，该方法还包括以下步骤：通过指定给所述学习主题的学习优先级指数来分别布置所述学习主题，并且布置与被布置的学习主题关联的学习对象，以使所述学习参与者在离开所述学习参与者终端时学习所述学习对象的单独选择。

26.根据权利要求25所述的方法，其中通过包括与所述学习主题关联的程度的排序、分别处于升序中的所述执行完成率和所述分值的标准而布置所述学习对象，以在所述学习参与者终端上向所述学习参与者呈现从所述学习对象的选择。

Images