CN102822882B

CN102822882B - 动态推荐学习内容

Info

Publication number: CN102822882B
Application number: CN201180011412.XA
Authority: CN
Inventors: S·梅农; C·尼达姆; W·惠勒; J·玛萨库玛拉萨美; P·萨哈; N·卡茨; A·霍恩亚; M·凯尔西; J·卡尔玛戈; M·厄朋德兰
Original assignee: Apollo Group Inc
Current assignee: Phoenix Corp, University of; Apollo Group Inc
Priority date: 2010-01-15
Filing date: 2011-01-14
Publication date: 2016-02-03
Anticipated expiration: 2031-01-14
Also published as: US20130266922A1; BR112012017226A8; BR112012017226A2; EP2524362A1; CN102822882A; WO2011088412A1; CA2787133A1; US20110177483A1; US9583016B2; MX2012008206A; US20110177480A1; US20110177482A1; US20120164621A1; US20120164620A1

Abstract

提供一种用于学习管理平台的方法和装置。基于学生简档信息以及确定相似性存在于学生之间，学习体验引擎向学生提供个性化学习推荐。

Description

动态推荐学习内容

技术领域

本发明涉及学习管理系统。具体而言，本发明涉及用于个性化学习的平台。

背景技术

智能学习系统是尝试辅助学生实现具体学习目标的系统。迄今为止，这些系统已经主要使用了计算机化教学方式，该方式反映在实体教室中采用的方式。无论学习风格、智力或者认知特性如何，都向每个学生呈现相同讲课、内容和评估。

智能学习系统的发展已经限于诸如“自适应学习”之类的方式。这些方式通常应用于基于逻辑的学科(诸如，数学)，其中向每个内容提供的内容基于向系统中硬编码的预定课程特有决策树。如果第一学生和第二学生各自由于错过相同问题而在相同评估中失败，则将向两个学生呈现如由决策树决定的相同补习材料(remedialmaterial)。

在线课程是如下“容器”的示例，这些容器可以运用自适应学习技术以实现具体目标。对于任何给定容器，由容器使用的自适应学习技术主要是自给的。也就是说，针对与容器相关联的独特不变目标制定由容器运用的自适应学习技术。

例如，自适应学习工具可以被设计成向学生传授关于微积分原理的课程。工具的设计者将假设学生拥有为了开始课程而需要的数学基础知识，但是工具可以提供某一数量的“回顾”信息作为校准手段。此外，工具将不会考虑学生可以参加的任何其它课程的目标。相反，工具将被设计成帮助学生实现特定的微积分熟练水平。一旦学生获得该效率水平，工具就变成无用。尽管可以保存数据(诸如，评估分数)，但是除非学生决策重新参加课程或者课程的部分，否则自适应学习工具的核心逻辑就不向学生提供附加益处。

通过提供用于学生的动态体验来实现“自适应学习”工具中的自适应的错觉。这一体验基于在学生的评估分数与工具中包括的预编程层级之间的关系。然而，现有工具未实际“适应”学生。相反，通过以特定方式执行，学生仅沿着预先存在的路径遍历通过工具的层级。

在本部分中描述的方式是如下方式，这些方式可以被探求、但是未必是先前已经设想或者探求的方式。因此，除非另有指示，不应假设在本部分中描述的方式中的任何方式仅由于在本部分中包含它们而被作为现有技术。

附图说明

在附图的各图中通过示例而非限制的方式来图示本发明，并且在附图中相似标号指代相似要素，并且在附图中：

图1是图示了可以在其上实施实施例的学习管理平台的框图。

图2是图示了可以在实施例中使用的技能层级结构的框图。

图3是图示了实施例中的学习对象的框图。

图4图示了实施例中的内容反馈接口。

图5图示了可以在其上实施实施例的计算机系统。

具体实施方式

在以下描述中，出于说明的目的而阐述诸多具体细节以便提供对本发明的透彻理解。然而，应当理解没有这些具体细节仍可实践本发明。在其它实例中，以框图形式示出了公知结构和设备以免不必要地使本发明难以理解。

总体概述

学生参加如下课程是常见的，这些课程提供学生已经知道的过多信息。另一方面，学生完成序列中的课程而仅让序列中的下一课程留在后面也是常见的，因为下一课程承担更早课程中未充分覆盖的知识。也可以要求学生参加某些课程以完成学位课程，即使在那些课程中学习的技能中的仅少部分与学生的学位课程有关。一种用于保证学生从他们的教育体验之中获得最多的方式是使教育体验个人化。

通过使用一种运用下文描述的技术的学习管理平台，学生可以接收个人化学习推荐，这些推荐标识与每个个别学生有关的具体内容或者学习对象。在一个实施例中，每个学习对象与个别技能和关联于该技能的内容相关联，并且单个课程(即，数学101)包括多个学习对象。在如下层级中组织学习目标，该层级基于与学习对象相关联的技能。可以使学习对象相互竞争层级中的位置，从而使得可以更经常推荐“最佳”学习对象。

在一个实施例中，学习管理平台生成用于学生的学习推荐。学习管理平台实施多个学习模型和教学策略以用与学生的认知特性和与学习相关的其它属性一致的方式贯穿该学生的整个学术历程指导该学生。平台将学生的历程视为终身连续并且提供一组强大能力以供应为了随时间(甚至随着学生的动机和目标改变)支持学生所必需的信息。学习管理平台针对大纲教程并且最终针对每个学生的终生学习目标为每个学生提供“恰当成果”。

在一个实施例中，如果学生已经拥有特定技能，则该学生可以继续学习层级中的更高级技能。如果学生尝试完成学习对象而未成功，则为该学生提供的推荐包括用于帮助让学生准备另一次尝试第一学习对象的补习学习对象。在不同学生以这一方式尝试补习时，学习管理平台学习哪些对象是针对其它对象的良好补习对象。

在一个实施例中，学生通过如下“学习空间”平台来与学习管理平台交互，该“学习空间”平台可以是基于web的应用或者在与学生相关联的一个或者多个设备或者计算机上执行的应用。学习空间平台限定学生的体验并且向学习管理平台提供反馈。学习空间平台向学习体验引擎做出请求。该请求包括学生简档信息。基于与学生简档信息相关联的信息，学习体验引擎提供个性化学习推荐。例如，英文专业者可以接收对从与技能“恰当使用前置词”相关联的特定学习对象中学习(使用与该对象相关联的特定内容，诸如，与技能相关联的视频或者音频讲课)的推荐。

在一个实施例中，相互比较用户简档以标识彼此相似的学生。这些相似性可以帮助学习管理平台决策针对学生的最佳推荐。例如，如果一个学生与使用特定学习对象来成功学习特定技能的另一学生相似，则可以推荐该特定学习对象。此外，用户简档可以用来确定哪些用户应当在在线协作学习期(learningsession)中相互交互。

推荐也可以基于学生的学习背景。在一个实施例中，与学生相关联的环境和/或情绪境况可以变更学习推荐。例如，要求学生绘制图片的学习对象可能不适合于在乘坐火车之时使用具有小屏幕的移动设备的学生。

在另一实施例中，个性化学习推荐至少部分基于学习技能层级。在一个实施例中，学习技能层级是具有与技能关联的学习对象、评估和内容作为节点的层级多维有向图。

个性化学习推荐

如这里所用，术语“学习推荐”指代向学生或者与学生相关联的设备提供的如下信息，该信息提供教育指引。例如，学习推荐可以建议完成课程“数学101”的用户开始课程“数学102”。然而，学习推荐无需限于课程推荐。相反，可以以增进学生的教育为目标向学生推荐技能、内容、工具和活动。

个性化学习推荐是基于学生的个人属性的学习推荐。例如，个性化学习推荐可以考虑学生将他自己分类为的学习者类型。如果学生将他自己标识为“视觉”学习者，则学生可以接收对观看教育视频的推荐。然而，如果相同学生在用视频内容学习之后在评估上表现欠佳、但是在阅读材料之后在评估上表现良好，则学习平台可以确定学生认为他是视觉学习者可能是不准确的。在这一情况下，未来的个性化学习推荐可以不包括视频内容。

个性化学习推荐可以基于与学生有关的许多类型的信息(诸如，以往表现、兴趣、专业和各种人口信息)。可以比较这些属性与已经具有相似教育需要的其他学生的属性，并且个性化学习推荐可以基于相似学生的成功。例如，可以要求第一学生学习积分作为微积分课程的部分。已经成功学习积分的具有与第一学生相似属性的不同学生可以提供对那些内容、工具和活动将帮助第一学生成功学习积分的认识。

结构概述

图1是图示了根据本发明的实施例的学习管理平台100的框图。学习管理平台100总体上代表一个或者多个计算机程序和相关联的资源的集合，该计算机程序和资源被配置成管理关于学生的信息和教育数据、向学生提供学习推荐，并且使用通过分析学生与系统的交互而收集的信息以增加未来学习推荐的有效性。学习管理平台100有助于基于学习理论、模型和策略递送信息。学习管理平台100包括有助于在它的各种部件之间的通信的逻辑。

在所图示的实施例中，学习管理平台100包括学习体验引擎110、学习空间平台120、学习内容管理器130、学习工具管理器140、数据分析引擎150、知识库160、个人认知DNA管理器170、技能层级管理器180，和学习系统模块190A-190C。下文将更详细地描述平台100的这些部件中的每个部件。

学习体验引擎

学习体验引擎110总体上代表如下决策做出引擎，该引擎与学习管理平台100的所有其它部件交互并且使用从这些部件收集的信息以向与学习管理平台100交互的学生提供可能的最佳学习推荐。根据一个实施例，学习体验引擎110包括如下学习推荐逻辑，该逻辑被配置成基于从学习管理平台100的其它元件(诸如，知识库160和个人认知DNA管理器170)收集的信息提供个性化学习推荐。

不同于常规的“自适应学习”系统，学习体验引擎110做出如下学习推荐，这些推荐不仅仅基于遍历如下预定路径，该预定路径仅基于学生的学位课程或者班级。相反，学习体验引擎110考虑每个学生的瞬态简档属性和非瞬态简档属性。瞬态简档属性是以相对高频率改变的任何属性。瞬态属性可以例如与关联于对应用户的环境、身体或者情绪境况同时改变。因此，学生的当前位置通常将构成瞬态简档属性。对照而言，非瞬态简档属性是几乎从不改变的任何属性。非瞬态简档属性例如包括学生的出生日期或者家庭地址。

作为学习体验引擎110可以如何利用简档属性的示例，考虑如下情形，在该情形中，学生可能想要在飞机上旅行之时学习技能(诸如，如何在句子中使用动名词)。学习体验引擎110可以询问预计到达时间以确定学生在飞机上还有多少时间。继而，考虑学生在飞机上还有多少时间以及属性(诸如，该学生的学习风格和习惯)以及该学生使用的设备类型，学习体验引擎110选择适当内容(诸如，音频/视频内容和文本内容)以用于向该学生的设备递送。

随着驱动学习体验引擎110的决策做出过程的数据演变，由学习体验引擎110做出的决策变得更准确。学生可以随时间接收数以百计的学习推荐。随着学生执行活动并且参加与推荐相关联的评估，更新与每个学生相关联的数据以反映针对每个学生效果好的活动的类型、学生的强项和弱项，以及学生的其它有用的与教育有关的属性。

如这里所用，术语“与教育有关的属性”指代涉及学生的学习历史、目标或者能力的任何属性。如下文将更详细描述的那样，与教育有关的属性可以包括非瞬态属性(诸如，学生的先前班级和年级)和瞬态属性(诸如，学生的当前心情)。

随着收集更多数据，模式显现并且学习体验引擎110可以提供具有每个学生预计成功的高置信程度的个性化学习推荐。例如，可以变得清楚的是特定学生在他试着仅使用音频内容来学习技能时表现欠佳，即使该学生已经表达了针对音频内容的偏好。在这一情况下，除了音频内容之外或者备选地，学习体验引擎110可以随后要求向用户递送除了音频内容之外的内容。

这里讨论可以在确定个性化学习推荐时使用的其它类型的数据。对这一数据的使用进行限定的规则可以用来配置学习体验引擎110。此外，可以向这里讨论的任何类型的数据配置权值、置信度度量以及数据重要性和准确性的其它测量，并且学习体验引擎110可以在对数据的使用进行限定的规则中考虑这些测量。

在一个实施例中，学习体验引擎110与学习管理平台100的其它元件通信并且共享信息。例如，在一个实施例中，数据分析引擎150可以不直接通信地耦合到技能层级管理器180。然而，在其中数据分析引擎150和技能层级管理器180未相互直接通信的实施例中，可以在通信操作中使用学习体验引擎110作为中介来实现在数据分析引擎150与技能层级管理器180之间的通信。

在其它实施例中，学习管理平台100的其它元件可以相互直接通信地耦合，并且通信无需使用学习体验引擎110作为中介。例如，个人认知DNA管理器170可以与知识库160直接通信。

学习空间平台

学习空间平台120代表学生在与学习管理平台100交互时看见的用户接口。学习空间平台120也包括对学习空间平台120驻留于其上的设备特有的逻辑。学习空间平台120包括配置成与学习管理平台100的其它元件交互的逻辑。例如，学习空间平台120可以从学习体验引擎110接收学习推荐，并且基于这一学习推荐，学习空间平台120可以请求来自学习内容管理器130的内容和来自学习工具管理器140的工具。尽管可以使用各种现有的可互操作性标准(诸如，IMS的学习工具可互操作性标准或者web的OpenSocial标准)和单点登录技术向学习空间中“插入”工具本身，但是学习空间平台120提供为了完成学生需要掌握的任务而推荐的体验以便通过使用适当工具有助于递送学习内容来满足他们的下一成果。

在一个实施例中，学习空间平台120驻留于客户端计算设备上。客户端计算设备包括能够向用户呈现学习信息的任何设备，诸如，个人计算机、移动计算设备、机顶盒或者基于网络的器具。在其它实施例中，学习空间平台120驻留于终端服务器、web服务器或者允许用户与学习空间平台120交互的任何其它远程位置上。例如，学习空间平台120可以是在学习体验引擎110中包括的基于web的接口。

在一个实施例中，学习空间平台120用来关于学生体验做出“本地”决策。例如，学习空间平台120可以是如下iPhone应用，该应用检测学生的位置或者寻求来自学生的反馈(诸如，与学生的心情有关的反馈)。位置数据和心情数据继而可以用来确定最佳学习体验。本地决策也可以基于学习空间平台120驻留于其上的设备的屏幕尺寸或者其它属性。例如，学习体验引擎110可以向学生递送多种学习内容。在已经接收内容之后，学习空间平台120考虑屏幕尺寸、因特网连接的稳定性或者由学生设置的本地偏好来决策显示哪个内容和如何显示它。在一个实施例中，学习体验引擎110可以做出以上讨论的决策。

此外，在一个实施例中，学习空间平台120可以向学习体验引擎110提供详细用户和时间特有瞬态数据。例如，学习空间平台120可以向学习体验引擎110提供用户的当前位置，学习体验引擎110存储数据并且使用它作为用于学习推荐决策的输入。作为另一示例，学习空间平台120可以传达用户移动的当前速度，由此允许学习体验引擎110基于用户是静止(例如，在桌旁)或者在行进(例如，在小汽车、公共汽车或者火车中)做出推荐。例如，学习体验引擎110可以在学习空间平台120提供指示用户正在行进的信息期间阻止向用户发送测试。

作为附加示例，特定类型的移动计算设备可能不拥有安装特定工具(诸如，flash插件)的能力。另外，设备可能当前电池电力低，从而使得更希望需要更少屏幕使用的学习模式，或者甚至该模式是仅有的选项。也可以在做出内容推荐时考虑计算设备的屏幕的尺寸。例如，协作工具(诸如，聊天话路或者共享白板系统)可能要求更大屏幕有效，并且因此可能不适合于移动计算环境。

被选择用来向用户递送内容的工具(例如，认知导师)可以了解或者可以不了解学生的认知DNA——用受工具支持的用于定制的适当配置起动工具正是学习空间平台120的职责。在平台上的高级工具或者新创建的工具可以选择使用关于认知DNA的信息以便使体验个人化。

学习内容管理器

学习内容管理器130存储和管理学习内容。学习内容包括可以用来学习技能的任何内容。学习内容的示例包括文本、音频文件(诸如，mp3文件)、视频文件(诸如，QuickTime文件)、交互式flash电影，或者任何其它类型的多媒体内容。

在一个实施例中，学习内容管理器130包括用于存储和组织学习内容的内容存储库和内容分类系统。内容存储库在非易失性存储器(诸如，共享硬盘系统)中存储内容。内容分类系统提供内容编索引服务与如下接口，该接口用于创建元数据并且关联元数据与存储于内容存储库中的内容。

内容可以与描述该内容的元数据相关联。这一元数据辅助课程开发者确定哪个内容可能适合于学习特定技能。例如，与视频相关联的元数据可以包括如下标题属性，该标题属性包括文字“如何因式分解多项式”。其它属性可以包括一般类别(诸如，“数学”)和内容类型(诸如，“QuickTime视频”)。元数据可以嵌入于由元数据描述的内容中、可以在与被描述的内容相关联的单独元文件(诸如，XML文件)中或者可以存储于与被描述的内容相关联的数据库中。

学习内容管理器130还包括如下内容递送逻辑，该逻辑被配置成管理针对存储于内容存储库中的内容的请求。例如，可以用流发送一些内容以便保留带宽。在一些情况下，诸如，当学生预计无因特网接入持续延长的时间段时，同时递送用于特定课程的所有所需内容是有意义的。因此，学习体验引擎110可以根据学生的属性指引学习内容管理器130以特定方式递送内容。此外，某些设备可能不支持某些内容格式。例如，如果请求内容的设备不支持特定格式(诸如，flash格式)，则内容递送逻辑可以选择或者甚至改变递送的内容的格式。

可以与学习管理平台100一起使用的内容和工具的类型不限于这里讨论的类型。相反，所提供的示例旨在充当可以使用的内容和工具的可能的类型，并且是非限制的示例。

学习工具管理器

学习工具代表为了递送学习内容而需要的软件。学习工具可以例如包括视频播放器、虚拟白板系统、视频聊天软件和web浏览器。web浏览器插件也可以是学习工具。可能需要这些工具中的每个工具以便学生查看推荐的内容。例如，推荐的一条内容可以由flash电影构成。Flash电影为了被播放而要求flash播发器由在学生的客户端计算系统上运行的学习空间平台120调用。学习工具的另一示例可以是游戏系统。

学习工具管理器140管理和组织学习工具。在一个实施例中，学习工具管理器140包括工具信息数据库、工具存储库、工具选择逻辑和工具递送逻辑。

工具信息数据库包括关于每个学习工具的信息(诸如，工具是否将与特定类型的客户端(诸如，手持设备)一起工作)。例如，flash播发器可能并不在一些移动设备上工作。工具信息数据库中的其它信息可以包括如下信息(诸如，网络位置信息)，该信息使学习空间平台120能够调用对未存储于工具存储库中的工具的下载。例如，可能未存储于存储库中的所需工具的URL可以与对下载工具的提示一起向学生提供。

工具存储库提供用于可下载工具的存储。在一个实施例中，工具选择逻辑可以辅助学习空间平台120选择适合于特定客户端设备的工具。例如，工具选择逻辑可以确定需要特定媒体播放器(诸如，视频播放器或者浏览器插件)以便查看已经向学生建议的内容。工具选择逻辑可以确定学生正在使用AppleMacintosh计算机，并且提供在Apple机器上运行的工具的版本以供下载。此外，工具选择逻辑可以确定没有播放建议的媒体的工具可用于平台。在一个实施例中，工具选择逻辑继而可以向学习体验引擎110报告这一点，学习体验引擎110将做出新内容推荐。

工具递送逻辑被配置成管理针对存储于工具存储库中的工具的请求。例如，学生可能需要如下工具，该工具需要大量时间来下载。工具递送逻辑可以将工具分解成更小部分以供单独下载以便保证在失去连接的情况下成功递送工具。此外，工具递送逻辑可以与学习空间平台120中的下载管理器交互。

数据分析引擎

数据分析引擎150执行由学习管理平台100的其它元件收集的所有信息的详细分析以便标识在学生属性与学习体验之间的相关性。例如，数据分析引擎150可以分析评估结果、用户行为模式、点击流数据、学习演变信息、资源监视信息、用户简档信息的改变或者任何其它类型的可用信息。无需以特定方式构造数据以供分析，并且可以实时分析多个数据来源。此外，即使每个来源以不同格式或者结构提供数据，仍然可以聚集多个数据来源。继而，可以过滤聚集的数据以提供关于具体数据关系的详细跨平台分析。

数据分析引擎150可以分析简档信息以确定彼此相似的用户的分组。此外，数据分析引擎150可以确定与针对学生的高成功程度相关联的当天时间、位置和其它瞬态属性。例如，基于在当天的不同时间取得的评估的结果，数据分析引擎150可以确定特定学生在上午9点至11点之间学习最有效并且当学生在市内的特定书店学习时扩大正面效果。数据分析引擎150可以研究任何属性以确定在学生属性与学习有效性之间的相关性。

在一个实施例中，数据分析引擎150使用现有软件(诸如，ApacheHadoop项目的Hadoop)在群集计算环境中操作。在其它实施例中，可以使用Hadoop或者其它软件的定制实现方式，或者可以使用完全定制数据分析系统。数据分析引擎150包括配置成向学习体验引擎110提供详细报告的报告逻辑。这些报告辅助学习体验引擎110做出学习推荐。

知识库

知识库160管理持久数据并且持久存储某些瞬态数据的快照。例如，学生分类信息、学生学习分组信息、认知DNA关系信息和持久学生简档信息可以都存储于知识库160中。虽然持久存储这一数据，但是数据可以如由学习管理平台100的其它元件要求的那样改变。例如，数据分析引擎150可以向学习体验引擎110提供如下报告，该报告使学习体验引擎110基于报告向知识库160指示应当改变用于特定学生的学生分类信息。知识库160继而将变更持久数据以反映指示的改变。在一个实施例中，知识库160包括用于有助于存储和取回数据的关系数据库管理系统。知识库160通信地耦合到学习体验引擎110并且向学习体验引擎110提供学生信息以辅助创建个性化学习推荐。

个人认知DNA管理器

个人认知DNA管理器170管理与学生相关联的数据。与学生相关联的数据的汇集称为个人认知DNA(PDNA)。PDNA的在个人认知DNA管理器170存储的部分可以是瞬态数据，而PDNA的持久部分可以存储于知识库160中。存储于个人认知DNA管理器170中的PDNA数据也可以包括对存储于知识库160中的持久数据的引用。个人认知DNA管理器170可以包括数据库管理系统，并且可以管理用于所有学生的PDNA。在一个实施例中，个人认知DNA管理器170的实例驻留于学生的客户端计算设备上，并且可以是学习空间平台120的部分。在这一实施例中，用于客户端计算设备或者相关联的学习空间平台120的用户的PDNA可以存储于易失性或者非易失性存储器中。也可以使用这些实施例的组合，其中个人认知DNA管理器170的部分驻留于客户端上而另一部分驻留于一个或者多个服务器上。个人认知DNA管理器170通信地耦合到学习体验引擎110，并且向学习体验引擎110提供瞬态学生信息以辅助创建个性化学习推荐。例如，可以向学习体验引擎110提供用户的位置、本地时间、客户端设备类型或者客户端操作系统以辅助确定什么类型的内容适合于环境和设备。在一个实施例中，可以组合个人认知DNA管理器170和知识库160。

学习对象

图3是图示了在一个实施例中的学习对象的框图。学习对象(诸如，学习对象300)与描述该学习对象的数据相关联。相关联的数据可以存储于学习对象数据结构中。在一个实施例中，学习对象由学习对象标识符引用，并且相关联的数据或者对相关联的数据的引用可以存储于关系数据库中，并且可以引用标识符以指示数据与由标识符代表的学习对象相关联。

每个学习对象包括技能(诸如，技能310)。技能代表学生打算获取的能力。例如，技能可以代表执行单位数相加、使用特定语言来形成整句或者键入每分钟某一词数目的能力。对可以在学习对象中包括的技能的复杂性或者简单性没有限制。

每个学习对象包括内容(诸如，内容320)。如下文将更详细描述的那样，学习对象的内容可以例如但不限于包括评估、补习数据、技能层级数据、发展(bloom)水平数据、学习对象元数据和对象特有个人化数据。

即使内容仅可以由学习对象引用、但是可能未实际存储于学习对象数据结构内，仍然认为“包括”内容作为学习对象的部分。内容可以存储于内容存储库中并且由学习内容管理器130管理。在一个实施例中，内容由描述该内容的元数据(诸如，关键字、技能、相关联的学习对象、可以从内容获益的学习者类型(例如，视觉)、内容类型(例如，视频或者文本)和关于内容使用的统计信息)“加标签”。可以授权学习空间平台120和学习体验引擎110经由学习内容管理器130添加、去除或者变更与内容相关联的标签。

技能层级

在一个实施例中，由学习体验引擎110生成的推荐部分基于具有学习对象的技能层级。图2是图示了可以在一个实施例中使用的技能层级结构的框图。技能层级200A包括学习对象201-208、211和214。技能层级200B包括学习对象207-213和215-217。技能层级可以代表技能的分组、课程的部分、课程、学习领域、证书课程、学位课程、个别资格映射(该映射代表学生获取的能力)或者任何其它与教育有关的结构。技能层级可以映射到广泛多种的各种学习理论、内容类型和模式。

在层级中的对象之间的链接代表在那些对象之间的关系。例如，在两个学习对象之间的链接可以意味着在学习对象之一中覆盖的主题构建于在另一学习对象中覆盖的主题上。不同链接可以指示一个学习对象是另一学习对象的前提。

可能需要某些技能以便开始学习更高级技能。例如，根据技能层级200A，必须在向与学习对象208相关联的技能进展之前获取与学习对象205相关联的技能。以这一方式，学习技能层级是层级的。然而，可以在一个实施例中使用非层级方式。例如，在基于不同学习模型的实施例中可以使用非层级有向图方式。

技能层级管理器

技能层级管理180管理如下技能层级信息，该信息描述技能之间的关系。例如，可以要求学生在他学习如何相乘和相除之前学习如何相加和相减。完整技能层级可以由代表更小技能的分组(这些分组可以代表为了完成传统教育课程或者学位课程而需要的所有技能)的更小互连技能层级组成。层级中的节点对应于学习对象。由于单个节点可以视为针对许多其它节点的前提并且许多节点可以是用于单个节点的前提，所以层级可以是多维的。

技能层级管理器180管理学习对象之间的关系。例如，关系数据库可以用来保持对节点依赖性信息的跟踪。技能层级管理器180还存储如下对象特有数据，该数据描述仅能、补习信息、评估信息、技能层级关联性信息、学习理论信息、内容信息、工具信息和与学习对象相关联的其它元数据。技能层级管理器180与学习体验引擎110对接并且向学习体验引擎110提供技能层级数据以辅助学习体验引擎110创建个性化学习推荐。向学习体验引擎110提供的技能层级信息可以包括全部或者部分技能层级，并且可以根据在请求中从学习体验引擎110向技能层级管理器180传递的参数来过滤对象特有数据。

学习理论、模型和策略

学习理论通过提供用来查看学习目标的范式来解决人们如何学习。虽然理论充裕，但是三个被良好理解的理论是：行为主义、构造主义和认知主义。行为主义是基于以人们基于刺激来学习这样的假设的观点。正强化或者负强化形成学生的行为。构造主义是如下观点，该观点假设学生学习以作为体验并且学习者实际上构造信息。认知主义是如下观点，该观点假设人们处理信息而并未仅对刺激做出反应。

学习模型基于学习理论来创建，并且打算使一个或者多个学习理论用于操作。根据待实施的模型，可以使用不同教学策略。技术包括讲课、案例学习、协作、一对一、直接教学和间接教学。内容和有助于递送内容的工具可以用来实施教学策略。内容的示例包括文本、视频、音频和游戏。工具的示例包括视频播放器、浏览器插件、电子书阅读器、共享白板系统和聊天系统。存在内容和工具的许多其它示例。

已经考虑学生的对于学习而言有关的特性将理论和模型一起创建以分类、适配和指导教育学生的过程。迄今为止，已经在应用“silos”(其中每个应用实施具体模型(例如，智能导师))中实施学习模型从而迎合与模型的基于平面层级的算法(通常用于逻辑学科(诸如，数学))相配的非常具体的主题。这些类型的应用在基于书写板的教育(诸如，4年学位课程或者复合型学科(诸如，经济学和营销学))中具有有限用途。

学习模块

在一个实施例中，可以可选地向学习管理平台100中集成学习模块。学习模块一般代表具有决策做出能力的第三方应用或者独立应用。在一个实施例中，学习体验引擎110可以请求来自学习模块(诸如，学习模块190A)的输入，并且继而在做出总体学习推荐决策时考虑该输入。例如，学习模块190A可以推荐向学生递送第一内容。学习体验引擎110继而可以出于学习模块190A不能考虑的原因而确定不应向学生提供第一内容，因此学习体检引擎110可以推荐相似内容项目(诸如，以文本格式而不是音频格式的项目)。

学习系统模块190A、190B和190C向学习管理平台100提供附加功能，并且可以基于除了这里描述的模块之外的模块。应用编程接口(API)115提供用于学习系统模块(诸如，学习系统模块190A、190B和190C)的编程接口。学习系统模块190A、190B和190C经由API115通信地耦合到学习体验引擎110并且也可以通信地耦合到学习管理平台100的其它元件(诸如，学习内容管理器130)。学习系统模块190A、190B和190C可以包括第三方或者定制系统、硬件或者软件模块。

个人认知DNA

在一个实施例中，可以使用每个学生的PDNA来使学习模型和理论用于操作以创建用于学生的个性化学习体验。虽然PDNA在这里被称为“个人认知DNA”，但是这一标注并未指示PDNA数据汇集和使用被限于基于认知模型的实施例。PDNA数据包括关于学生的认知强项和弱项(以及偏好)(这些强项和弱项(以及偏好)由学生显式提供或者由系统在学生与系统交互并且测量成果时推断)的信息。

独立于任何特定学习模型，可以在任何实施例中使用PDNA。PDNA数据是与学生相关联的数据汇集。瞬态简档数据可以存储于个人认知DNA管理器170中，而持久简档数据可以存储于知识库160中。存储于个人认知DNA管理器170中的PDNA数据可以包括对存储于知识库160中的与学生直接或者间接相关联的持久数据的引用。

为了向学生提供恰当体验，除了恰当工具和模型之外，系统还必须收集和维持动态更新的丰富数据层以支持预测性教育模型。丰富数据层一般指代如下信息，收集和链接该信息以创建可以用来通知学习体验引擎110的智能，学习体验引擎110使用这一信息以生成学习推荐。在一个实施例中，丰富数据层动态更新，因为收集的数据随时间改变，并且与改变不相符的数据变成不正确。例如，随着学生实现特定技能的高熟练程度，如下数据变成过时和不正确，该数据建议学生需要变得熟练该技能。因此，动态数据层必须跟上针对每个学生的可用当前信息。

使用学习管理平台100的每个学生与用于该学生的PDNA相关联。当学生未用过系统时，用于该学生PDNA可以包含最少信息(诸如，人口信息、学生的声明专业、自己宣布的学习风格偏好，以及导入的成绩单数据(诸如，在其它机构完成的年级和课程论文))。然而，随着学生开始使用学习管理平台100，数据分析引擎150可以收集和分析大量数据从而产生如下新的PDNA信息，该信息描述学生如何学习、学生已经在特定课程中达到的水平程度、学生是否理解特定概念或者拥有特定技能、学生学习的步调，或者甚至学生最可能正确回答问题的当天时间。

这些学生属性中的许多学生属性随时间改变，但是基于改变随频率仍然可以视为持久。例如，学生起初可以是视觉学习者，但是以后可以通过阅读基于文本的材料来更高效地学习。其它学生属性可以在性质上变得更瞬态。例如，PDNA可以包括如下数据，该数据标识学生的当前位置、他们正在使用什么客户端计算设备(例如，iPhone、膝上型计算机或者笔记本计算机)、他们正在使用何种操作系统、他们的web浏览器是否支持Flash插件，或者学生是否将他的状态设置为“疲倦”。

情况可以是特定学生根据环境因素而具有不同的表现，而另一学生却能够在任意环境下学习。例如，一个学生能够在通勤火车上学习而另一学生却不能。一个学生能够经由音频节目学习而另一学生则需要文本信息或者视频。此外，可以针对特定时间或者地点保留某些任务以便校准系统。例如，系统可以被配置成仅在学生的瞬态PDNA数据示出在学生的当前时区中的时间在某些白天小时之间时提供评估。

可以向每个学生的PDNA中的特定属性分配度量。例如，度量可以描述不同学习风格的预计或者历史成功。这些度量可以帮助学习体验引擎110确定学生是否在参加协作学习练习时成功，或者学生是否将从自学中获益。学生可以具有针对属性“视觉学习者”的度量“7”和针对“音频学习者”属性的度量“2”。然而，更高分数未必是在确定用于学生的学习策略时使用的仅有因素。例如，学生处于的学习跟踪可以实际上要求学生开发听力技能。因此，学习体验引擎110可以推荐用于学生的如下学习体验，该体验将支持他的经由音频学习的能力。换言之，系统将向学生传授为了允许学生变成成功音频学习者而需要的根本技能。

可以分析用于特定学生的PDNA并且比较该PDNA与其他学生的PDNA以做出学习体验预测。例如，数据分析引擎150可以随时间分析系统中的用于所有学生的PDNA信息以预测各种事项，包括：什么学习方法对于每个学生而言最佳，什么跟踪将在特定计划中针对给定学生产生最高成功可能性，学生将在哪些计划中成功，预计学生可能苦学什么课程，以及甚至什么事业将最佳地适合学生。

快照和学习间隔

随着学生使用学习管理平台100管理他们的学习需要，自然校验点从数据中显现。这些校验点的频率可以由系统管理员调整、但是总体上与为其生成校验点的学生达到的成绩水平有关。例如，每当学生成功展示与学习对象相关联的技能时，可以针对该学生生成校验点。

在一个实施例中，在每个校验点取得个人认知DNA信息的快照。快照是PDNA当它在校验点的时间存在时的静态记录。每个快照存储于时间数据库或者其它数据存储机制(诸如，知识库160)中。

由于可以针对每个学习间隔(在校验点之间的时间)取得新快照，所以存储于快照中的PNDA可以由学习体验引擎110用来制定用于如下其他学生的推荐，这些学生可能具有与快照相似的个人认知DNA。

DNA指纹

在一个实施例中，对数以百计、数以千计或者甚至更大数目的PDNA数据集的分析产生统计上有效的认知DNA“指纹”。DNA指纹基于可以包括PDNA快照的聚集PDNA数据。一般而言，通过选择具有一个或者多个共同PDNA属性的PDNA数据的集合并且生成代表整个集合的单个简档来制作DNA指纹。

例如，可以针对近来已经完成如下学习对象的学生生成DNA指纹，这些对象传授取得二阶多项式的导数的微积分技能。基于存储数据的时间确定学习对象的完成的近来度，因而紧接在学生完成学习对象之后出现的校验点取得的快照将有资格包含于用于在创建DNA指纹时考虑的PDNA数据的集合中。可以聚集、平均或者以别的方式考虑在创建DNA指纹时考虑的PDNA数据中的每个属性，从而产生该属性的指纹。例如，如果属性“抽象学习能力”的平均值在集合中的PDNA数据中为“80”，则DNA指纹可以继承针对相同属性的这一个值。可以使用任何考虑或者组合PDNA数据以生成DNA指纹数据的方法。例如，可以使用最低值、中间值或者值的求和作为用于特定属性的指纹值。一些属性(尤其是与共同PDNA属性具有很少相关性的属性)可以不被分配DNA指纹值，或者可以被分配NULL值，从而指示关于该属性的结论对于该PDNA的集合而言统计上无效。一旦已经针对集合考虑了每个属性，则用于每个属性的所得值被存储于一个或者多个记录中作为用于该PDNA数据的集合的DNA指纹。

使用快照和DNA指纹以做出学习推荐

快照和DNA指纹的数据库可以用来通过匹配学生的PDNA与预先存在的DNA指纹来缩短学习体验引擎110的推荐决策做出时间。

由于指纹基于快照，所以用来生成匹配指纹的一些PDNA数据可能已经进展远超出当取得快照时的阶段。例如，可以在创建DNA指纹时使用两年前取得的快照。可以在指纹中、但是未在一个或者多个学生(该学生的数据用来创建指纹)的当前PDNA中反映PDNA的随时间改变的属性，诸如，基于位置或者“完成的最后学习对象”的属性。因此，如下学生可以被视为与另一学生的“旧”版本相似，该学生的当前PDNA与如下指纹具有高相关性，该指纹基于该另一学生的旧PDNA快照。

如果指纹PDNA数据指示具有特定属性的学生按特定速率进步或者擅长特定学科，则可以假设具有匹配PDNA的学生将体验相同成功。随时间流逝，与指纹所基于的PDNA数据相关联的学生可能变成越来越不相似，并且如果指纹将基于相同学生集合、但是使用与后续校验点相关联的快照，则指纹的一些属性的转变可能产生更少有效的预测信息。然而，如下推荐将高度准确，这些推荐基于学生的当前PDNA与如下指纹之间的比较，这些指纹基于与学生的当前PDNA具有用于属性的相同值的PDNA数据的集合。无论何时必需、希望或者请求都可以匹配学生的PDNA与新指纹。

由学习体验引擎110生成的学习推荐并不限于建议学生应当接着参加什么课程。学生的PDNA可以用来基于确定学生在认知上与一个或者多个其他学生相似来做出非常具体的推荐。可以使用上文描述的指纹方法，从而基于存储于知识库160中的学生分组标准来匹配学生。此外，可以使用任何其它匹配技术。

可以通过基于与认知上相似的学生相关联的预测性信息提供实时推荐来实现用于每个学生的个性化学习体验。当第一学生在认知上不再与第二学生相似时，当选择向第一学生给予哪些学习推荐时不再考虑第二学生的简档。因此，尽管学习体验(诸如，学习课程的部分所需要的特定概念或者技能)的短暂部分可以与其他学生的体验相似，但是学生可以通过相对于其他学生取道完全独特的路径来完成学习的整个学习计划。

时间指纹路径

时间指纹路径总体上指代基于相同学生集合生成的一系列DNA指纹。例如，考虑如下情形，在该情形中，在特定指纹的指纹创建过程中使用一年前取得的针对Lenny学习者的PDNA快照。继而可以分析在特定指纹(包括Lenny的指纹)中使用的所有PDNA集合获得后续快照信息以创建时间指纹路径。

在一个实施例中，作为时间指纹路径的部分的每个指纹可以基于不与相同“时间”相关联的快照。相反，每个指纹可以基于针对用来生成指纹的用户集合中的每个用户的一系列快照而不考虑取得快照的时间。例如，Lenny学习者和Laura学习者可以各自与在生成包括五个指纹的时间指纹路径时使用的PDNA信息相关联。可能已经在七年前开始的五年时段内生成了用来生成五个指纹的与Lenny相关联的快照。可能已经在三年前开始的两年时段内生成了用来生成五个指纹的与Laura相关联的快照。在这一实施例中，时间指纹路径可以被设计成代表通过一系列学习对象的进步，而基于Lenny和Laura参加相同学习对象来选择他们。

在另一实施例中，时间指纹路径可以更严格地基于时间。例如，可以已经在七年前开始的刚好两年时段内生成了用来生成五个指纹的与Lenny相关联的快照，并且可能已经在三年前开始的刚好两年时段内生成了与Laura相关联的快照。因此，向从指纹路径的开头起的时间长度给予附加重要性。

然而，比在生成第一指纹时使用的用于特定学生的快照更早出现的用于该学生的快照不太可能在生成时间指纹路径中的第二指纹时被使用。时间指纹路径一般意味着进步，因而将很可能选择用于该用户的后续快照以在生成后续指纹时使用。

时间指纹在针对选修具有具体要求的学位或者证书课程的学生生成长期学习策略时特别有用。这对于如下学生而言特别成立，几乎没有用于这些学生的PDNA信息已经被收集。例如，学生可以没有与系统的历史，但是可以选修计算机科学学位课程。可以基于已经完成计算机科学学位课程的学生的集合生成时间指纹路径。基于时间指纹路径，学习体验引擎可以向学生提供预计长期学习策略。随着更多学生通过计算机科学学位课程进步，为了生成用于该课程的时间指纹路径而考虑的学生的集合可能改变，从而变更时间指纹路径。例如，在一个实施例中，为了生成时间指纹路径而考虑的学生的集合可以仅基于已经在过去五年内完成计算机科学学位课程的学生。

也可以在选择用来生成时间指纹路径的学生的集合时考虑其它因素。例如，学位课程随时间改变，并且今天的学生可能需要获取与昨天的学生不同的技能以完成计算机科学学位课程。因此，在另一实施例中，当创建用于特定学生的时间指纹路径时仅考虑在计算机科学学位课程的相同“版本”中的学生。

内容反馈接口

可以向内容反馈接口提供学习空间平台120。图4图示了一个实施例中的具有视频内容窗口410和内容反馈接口420的浏览器窗口400。通过选择多个“星”，学生可以指示她对显示于视频内容窗口410中的内容的总满意度。内容反馈接口允许学生提供关于内容以及内容或者支持内容的工具是否适合于其中使用它的情形的反馈。

除了关于图4描述的特征之外，内容反馈接口可以允许用户基于诸多因素(诸如，他们是否发现内容方便、易于理解、适于作为先前所用内容的下一步，或者学生是否喜欢内容)对内容评分。可以视情况使用文本录入字段和其它接口元件以用于从学生生成附加反馈数据。

所有内容反馈可以存储于学习内容管理器130中并且用来将内容加标签。这允许用户强制内容适配并且通过增加或者减少内容将使用于特定情形中或者用于具有特定类型的PDNA的学生的可能性来变更其他用户的学习路径。

例如，两个不同视频呈现可以用来传授相同技能。虽然第一视频呈现可以具有比第二视频呈现更高的成功率，但是学生偏好于第二视频呈现。考虑学生偏好，学习体验引擎可以在与两个呈现之间关联的偏好之间的差别达到预定阈值时推荐第二视频呈现。也就是说，当学生比第一视频呈现多得多地偏好于更少有效的视频呈现时，第二视频呈现继而将变成向学生推荐的默认呈现。

评估

在一个实施例中，在每个学习对象中包括诸如评估340之类的评估。学生使用评估以展示与学习对象相关联的技能。可以在学习对象中包括多个评估。可以要求学习者成功完成评估的全部或者子集以便从学习体验引擎110接收提升推荐。需要的评估数目和类型可以依赖于如下历史数据，该数据描述对学习对象或者其它有关学习对象的以往体验。例如，如果已知学生学习包括数学技能的学习对象有困难，则可以要求学生成功完成针对与数学技能相关联的特定学习对象的相对更多评估。

补习

也可以在学习对象中包括诸如补习数据330之类的补习数据。在一个实施例中，补习数据包括如下详细信息，该信息描述哪些学习对象是用于当前学习对象的优选补习对象(辅助技能构建的对象)，或者甚至当前学习对象是用于哪些学习对象的优选补习对象。例如，学生可能在完成与学习对象212相关联的评估时几乎没有体验或者未体验成功。学习对象212可以包括如下补习信息，该补习信息列举学习对象205和209作为良好补习对象。补习度量可以用来帮助学习体验引擎110确定推荐哪个补习对象。如果学习对象205具有比学习对象209更高的补习度量，则可以选择学习对象205并且将向学生提供与学习对象205相关联的内容和评估。当学生准备好时，他将向学习对象208进展，并且继而对学习对象212做出另一尝试。

补习信息和补习度量可以对于不同类型的用户或者具有特定类型的PDNA的用户而言不同。例如，学习对象205可能针对A组具有比学习对象209更高的补习度量，但是学习对象205可能针对B组具有比学习对象209更低的补习度量。此外，补习信息并不限于学习对象关系。即使评估未在相同学习对象或者当前技能层级内，仍然可以在评估水平形成补习关系。

技能层级数据

技能层级数据(诸如，技能层级数据360)描述学习对象的技能层级关联性。可以在多个技能层级中包括每个学习对象。例如，在技能层级200A和技能层级200B中包括学习对象207。技能层级200A和技能层级200B中的每个技能层级代表技能集合。例如，技能层级200A和技能层级200B可以各自代表课程，诸如，英文写作或者线性代数。技能层级数据中的重叠图示了在学习管理平台100中使用的更大技能层级的多维性质。

发展水平数据

可以在学习对象中包括发展水平数据，诸如，发展水平数据370。发展水平数据标识用于一个或者多个课程(在该课程中需要学习对象)的发展分类法信息。六个发展水平描述用户是否具有知识并且可以记忆概念、理解并且可以描述和说明概念、可以应用概念、可以基于或者根据概念进行分析、可以基于或者根据概念进行评价，或者可以基于或者根据概念进行创建。特定学习对象可以针对特定技能层级与一个发展水平相关联，但是可以针对另一技能层级与不同发展水平相关联。例如，学习对象211可以针对技能层级200A在“评价”发展水平，但是可以针对技能层级200B在“应用”发展水平

学习对象元数据

元数据(诸如，元数据350)可以包括关于学习对象的数据。例如，版本信息、改变追踪信息或者关于学习对象的其它信息可以存储于元数据350中。元数据350也可以包括应当在学习空间平台120实例化学习对象以及相关联的内容和工具时向学习空间平台120传达的数据。例如，学习体验引擎110可以在学习空间平台120选择学习对象时发送如下描述或者最小教学大纲，该描述或者最小教学大纲描述学习对象和相关联的技能。附加元数据可以存储于学习对象300中。笔记、未来实现细节和开发技能层级标识符是可以存储于元数据350中的数据的所有示例。关于对象可以存储的元数据的数量仅受制于系统约束或者管理员判断。因此，元数据350可以被视为用于将与学习对象相关联的其它数据的全选(catch-all)。此外，学习对象可扩展，并且可以具有这里未描述的与它们相关联的其它数据类别。

对象特有个人化数据

可以在每个人、每个对象基础上存储详细个人化信息。例如，特定学些可能已经关于与特定对象相关联的特定技能达到了某一理解水平。存储的信息可以映射到发展分类法水平，并且可以包括如下附加学生元数据，该元数据描述学生已经具有的针对对象的特定体验。例如，元数据可以描述学生多么快地学习技能、学生是否享受用来学习技能的内容，以及学生的麻烦区域(trouble-area)。除了与学生的与学习管理系统100的交互相关联的其它信息收集事件之外，还可以通过频繁评估、学习活动、学习游戏、家庭作业布置和参加分组活动来收集这一信息。

遍历技能层级

短语“遍历技能层级”指代学生在技能层级中的学习对象的进展。用于特定课程教学大纲的技能层级(诸如，技能层级200B)可以包括多个学习对象，诸如，学习对象207-213和215-217。技能层级可以用于统计课程，并且要求学生获取在相关联的学习对象中包括的所有技能以便针对学生将课程标记为“完成”。技能层级200B未必代表用于特定课程的技能层级的所需或者预期大小。例如，用于统计课程的技能层级可以包括数以百计的学习对象(每个学习对象涉及粒度技能或者概念)。

学生通过从学习体验引擎110接收学习推荐来开始遍历技能层级。如果学生以前尚未与学习管理平台100交互，则学生将需要提供信息以帮助构建PDNA。例如，学生可能需要参加一个或者多个预评估以确定学生关于他的计划所具有的技能水平。一般而言，学生参加的预评估越多，初始推荐就将越准确。其它有用信息(诸如，来自更高教育机构的成绩单信息)也可以帮助构建用于用户的PDNA。

学习体验引擎110考虑存储于学生的PDNA中的信息(诸如，预评估信息)、存储于知识库160中的信息和从数据分析引擎学习的信息以确定学生应当遍历哪些技能层级，以及学生应当从该技能层级上的哪个学习对象开始。例如，知识库160可以包括关于学生的如下信息，该信息指示学生已经完成了与技能层级200A相关联的课程，并且因此已经完成了学习对象207、208和211。学习推荐因此可以这些学习对象认为是需要的，因为已经在先前课程中完成了它们。学习体验引擎110因此可以推荐学生在技能层级200B上的学习对象209开始。

学习对象212可以代表计算如下置信区间的能力，该置信区间用来指示统计估计的可靠性。由于置信区间通常表达为百分比，所以计算百分比的能力可以被视为前提技能(由学习对象208标识)。技能层级200B指示学习对象209还代表用于学习对象212的前提技能。鉴于这一信息，并且知道学生已经完成了由技能层级200A代表的课程，可以确定学习对象209是为了学生尝试学习对象212而需要的仅有前提，即使完成学习对象208作为单独课程的部分。

在一个实施例中，当学生尝试完成学习对象，但是几乎没有成功完成与该学习对象相关联的评估体验或者没有该评估体验时，学生将朝着补习学习对象遍历技能层级。例如，如果学生以小的成功度量在学习对象212完成评估(诸如，正确回答仅20％的问题或者不正确地完成任务)，则学习体验引擎110可以推荐学生移向学习对象203。备选地，如果学生以完全准确性完成与学习对象相关联的最困难或者复杂的评估，则有可能的是系统不了解学生拥有的技能。学习体验引擎110因此可以推荐学生在高得多的水平开始(甚至略过技能层级中的水平)。例如，以完美准确性成功完成与学习对象211相关联的最困难评估的学生可以接收对尝试与学习对象217相关联的评估以便完成课程的推荐。基于评估信息，学习体验引擎110可以指示学生已经完成了课程，或者可以推荐适合于学生的附加内容。

没有必要的是用于补习的工具或者内容的类型与用于需要补习训练的技能的工具和内容相似。另外，并非如下情况：包括需要补习训练的技能的课程在与补习所需要的学习对象相似的类别中。例如，在MBA商务开发课程中的商科学生的分组可以使用如下协作工具来工作于学习对象，该工具包括共享白板、聊天会话和网际协议语音连接。然而，在协同会话期间，可以要求学生计算公司的净现值(NPV)(该值是时序的现金流的总现值)。现金流必须贴现成现值，并且继而一起求和。如果特定学生做出计算有困难，则用于该学生的当前学习对象可以由学习空间平台120中断并且从学习体验引擎110取回推荐。学习体验引擎110可以推荐学生使用与另一学习对象相关联的特定的基于行为主义的工具以便获取用于计算NPV的必需技能。一旦学生成功完成数学评估，该学生继而就将返回到与其他MBA学生的协同会话。这一示例说明了平台的统一数据概念和数据驱动的行为——在适当学习模型之间切换(例如，学生可能在对概念补习的需要显露时已经在社交构造主义学习空间中工作于关于金融的案例学习)。由平台选择的下一体验可以是为数学教学而设计的认知导师的实现方式。

在之前的示例中，学习体验引擎110有效地创建用于学生的最小课程以保证他具有为了他的当前跟踪成功而需要的技能。这之所以可能是部分地因为学习管理平台100保持跨越不同课程对关于学生的数据的跟踪，并且使用这一信息以帮助学生遍历树。例如，MBA学生可能已经选修了代数，因而用于提醒学生的短暂补习路径可能已经是学生为了继续而需要的仅有信息。然而，如果学生的代数课程在多于两年以前，并且该学生从那时起尚未选修数学，则学习体验引擎110可以推荐代数概念的更详细回顾，甚至考虑预计学生选修的未来课程和那些预计课程所需要的数学技能。

在学生遍历树之时，改变内容、工具和学习对象元数据以反映学生取道的路径的成功。例如，学生可能在与学习对象216相关联的一个或者多个评估中表现欠佳。与学习对象216相关联的补习数据指示学习对象209或者与学习对象209相关联的特定评估或者内容项目是用于学习对象216的良好补习对象，或者甚至是与学习对象216相关联的特定评估。如果学生被引向学习对象209进行补习，并且继而再次尝试学习对象216的评估成功，则改变描述学习对象216与学习对象209之间的关联性的补习度量以反映成功。通过上述方式，技能层级本身是动态的并且总是基于来自学生的输入而改变。

学生可以取道的不同路径驻留于与技能层级相关联的多维学习空间中。学生可以经过多维学习空间取道的路径应当提供用于学生的最高效和最佳成果。技能层级包括许多学习对象，并且学习对象包括或者关联于技能以及多种内容和评估。虽然可以认为两个学生已经获取了相同技能，但是每个学生可以取道不同学习路径从而完成相同课程。

例如，学生A可以是视觉学习者，并且认知上与一组学生相似。这些学生基于他们的认知相似性而置于特定分组或者“部落(tribe)”中。在这一示例中，部落被称为部落A。学生B(该学生是不同部落的部分)可以通过阅读文本来良好学习并且从视觉学习技术获得很少益处。基于这一信息，学习体验引擎110将针对一些学习对象向每个学生提供不同推荐。例如，学生A可以通过观看视频并且完成基于交互性游戏工具的三个评估来获取与学习对象206相关联的技能。另一方面，学生B可以通过阅读电子书中的章节并且完成需要写作作业布置的单个评估来获取相同技能。

在遍历技能层级之时，学生可以通过将他们与之交互的内容“加标签”来提供反馈。例如，学生可能特别享受交互性学习游戏。学生可以选择用户接口元件(诸如，用单词“娱乐”标注的按钮)以指示偏好。可以在用于学生和认知上与该学生相似的其他学生的以后的学习推荐中使用这一信息。

技能层级也可以随时间演变。通过分析与特定学习对象相关联的数据(诸如，如下数据，该数据示出在不同类别中的学生关于学习对象如何良好地表现)，学习体验引擎110可以确定对象本身有缺陷或者产生次优结果。例如，如果往往表现良好的学生的分组对与特定对象相关联的评估未表现良好，则有可能的是用来传授技能的内容未匹配于与特定学习对象相关联的评估。学习体验可以生成突出这些缺陷的报告，从而使得课程开发者和内容开发者可以改变学习对象，或者引入备选的、竞争性学习对象。下文将更详细描述竞争性学习对象。

作为目标的交互

系统的学生、教员和其他用户可以使用与学习管理平台100相关联的协作工具和社交联网特征来相互交互。在一个实施例中，在任何时间从任何位置工作于任何作业布置的任何学生将能够点击单个按钮以询问教员或者学生之中的在相同时间、在相同或者相似内容范围中工作的其他人，并且继而开始参加问题或者讨论。例如，工作于特定学习对象的学生可能希望与工作于相同学习对象的其他学生、教员、导师或者系统的其他用户协作。

在一个实施例中，学生可以按压按钮或者以别的方式与向学习体验引擎110中构建的协作逻辑引擎相关联的用户接口元件交互，由此生成向学习管理系统的协作请求。响应于接收请求，学习管理系统确定系统的哪些其他用户可用于关于特定学习对象的协作。学习管理系统继而向学生返回可用协作者的列表。虽然这一实施例涉及基于学习对象的协作，但是这一概念可以与在协作用户之间的任何其它共性一起使用。例如，用户可以与系统的与特定技能层级具有某一关联性的其他用户协作。

在一个实施例中，系统的用户可以限定与协作学习相关联的偏好。例如，学生可能希望与其他学生协作地工作，或者可能希望仅与教员或者导师工作。此外，学生可能希望仅与具有相似认知DNA的其他学生协作。这些偏好和基于在用户之间的任何其它相似性或者差异的其它偏好可以存储为学生的认知DNA的部分，并且可以用来确定协作分组的组成。

协作分组也可以限于最优组大小。在一个实施例中，用户被指派到的分组的分组大小可以基于在用户之间的认知DNA相似性。例如，特定类型的学生可以在更小的分组中表现更佳，而另一类型可以与更大的分组表现良好。分组大小也可以基于使用的协作工具的类型。例如，共享白板系统可能在更多人尝试在它上绘制时变成更少有效。然而，与视频辅导相关联的聊天室可以允许更大数目的用户，这可以进一步基于聊天室的活动水平。

学生可以与系统的正使用与他们自己相同的学习工具的其他用户协作，或者可以与正使用与他们不同的学习工具的学生协作。例如，协作可以涉及到一个正在白板上书写的学生以及另一个正在聊天室中键入的学生。向白板的输入可以被动态转译成出现于聊天室中的文本，而在聊天室中的文本出现于白板上。

在一个实施例中，系统的用户(诸如，教员成员或者第一学生)可以基于在协作会话中共享的信息向第二学生提供学习工具推荐。

竞争性学习对象

这里已经将技能层级中的每个节点描述为具有单个学习对象。然而，技能层级中的节点无需限于具有仅一个相关联的学习对象。涉及相似或者相同技能的竞争性学习对象可以驻留于技能层级中的相同节点。每个学习对象可以包括与占用节点的其它学习对象不同的内容和评估。

与节点的每个学习对象相关联的元数据可以跨类别指示该学习对象的成功或者失败。例如，一个学习对象可能针对医护学生更成功而另一学习对象可能针对工程学生更成功。虽然讨论了不同类别的学生，但是其它因素可以用来测量学习对象的成功。例如，第一学习对象可能是针对技能层级中的与不同课程相关联的特定节点的比第二学习对象更佳的补习对象。

竞争学习对象也在向学习管理平台100中引入新内容和技能时有用。添加学习对象作为竞争性学习对象而不是替换现有学习对象允许试用期以确定新学习对象是否提供较旧学习对象而言的改进。新对象和内容的集成因此可以无缝。也可以表明最佳动作是让所有竞争学习对象留在适当位置，因为它们各自提供共享节点空间的其它学习对象不能提供的不同益处。

学习系统模块

在所示实施例中，学习管理平台100包括配置成与学习系统模块交互的应用编程接口(API)115。可以通过网络连接或者任何其它通信方法实施API115。学习系统模块可以包括第三方人工智能系统或者其它决策做出推荐和学习系统。这些学习系统模块可以有权访问学习管理平台100的其它元件(诸如，个人认知DNA管理器170)，或者可以独立于这些其它元件来执行。在一个实施例中，技能层级管理器180作为学习系统模块来操作，并且与API115对接。学习模块不受学习管理平台100限制，并且可以包括附加支持系统、硬件、联网设备、云计算系统和外部数据源。学习模块可以包括为了最优执行而必需的任何软件、硬件或者网络资源。

虽然已经呈现了基于技能层级的系统，但是这样的系统(该系统可以包括技能层级管理器180)并非学习空间平台100为了工作而需要的。学习系统模块(诸如，学习系统模块190A、190B和190C)可以被配置成基于任何模型或者标准来操作。例如，基于规则的模型可以包括与有向图方式、分类法或者这里描述的技能层级大相径庭的决策做出结构。例如，配置成使用基于规则的模型来操作的学习系统模块可以从学生接收基于文本的答案作为来自学习体验引擎110的输入。基于在由学习系统模块使用的模型内的规则，模块可以拒绝该答案，并且可以向学习体验引擎110提供相关联的信息。规则可以基于语言学或者任何其它标准。例如，学习系统模块可以检测基于文本的答案拼写错误，或者单词没有所需数目的音节，或者句子或者段落结果不正确。学习系统模块甚至可以包括用于确定小论文遗漏主题句的规则。

学习系统模块无需与一个特定模型相联系。例如，基于规则的模型可以与另一模型(诸如，基于有向图的模型)组合以便实现两个模型的优点。此外，无需正式模型以便与学习体验引擎110对接。例如，学科特有认知导师可以被开发而不考虑无论任何学习理论，并且使用全新的用于决策做出的结构和手段，并且该认知导师可以作为可以通过使用与API115兼容的接口向学习体验引擎110“插入”的学习系统模块来工作。

可以使用竞争学习系统模块从而允许学习体验引擎110从多个模块接收输入，并且继而提供用于学生的最佳总体学习体验。例如，都可以设计成向学生传授玩国际象棋游戏的基于人工智能的模块、分类法模块和基于规则的模块可以并行地通信地连接到API115。每个模块可以存储与存储于学习内容管理器130中的学习内容、存储或者编索引于学习工具管理器140中的学习工具或者为了向学习体验引擎110提供响应而需要的任何其它数据相关联的元数据。学习体验引擎110可以请求来自每个模块的信息、数据或者推荐，它继而使用该信息、数据或者推荐以向学生提供学习推荐。学习体验引擎110可以确定向学生提供的体验在学习体验的特定部分期间使用特定模块时较优。这一决策可以基于任何标准。例如，可以基于学生进步的速度、基于更多表面信息(诸如，由于使用更少高效的模块而引起的延迟)认为体验较优。

由于学习体验引擎110能够从多个模块并行接收输入，所以可以向学习管理平台100添加并且向系统中逐渐集成新模块。每个模块可以基于如由学习体验引擎110随时间确定的优点而增加重要性和影响。备选地，新模块可以由学习管理平台100的管理员配置成为用于特定学科、技能或者任务的主要模块。例如，独立测试和证实的模块可以集成到学习管理平台100中并且立即提升为具有最多优点的模块，从而推翻由学习体验引擎110做出的任何确定。学习体验引擎110继而可以被配置成针对新模块以及现有模块执行附加优点确定。

备选实施例

在一个实施例中，学习体验引擎110可以将用于学生的多个推荐与关于每个推荐的数据(诸如，与内容或者学习对象相关联的数据)一起提供。学生继而可以能够基于偏好选择学习体验。学习体验引擎110可以收集偏好信息以用于由数据分析引擎150进一步处理并且使用分析以辅助学习体验引擎110确定用于该用户或者认知上相似的用户的未来推荐。

在另一实施例中，提供多个推荐，但是学习空间平台120可以关于向用户呈现哪些内容、评估或者学习对象做出最终决策。这一方法允许本地逻辑基于超越性的瞬态环境因素(诸如，位置、移动网络信号强度，或者由设备检测的照明)卸除最终学习推荐的处理。

在另一实施例中，学习体验引擎110可以将一组学习对象以及相关联的内容、评估和工具与如下逻辑一起提供，该逻辑用于允许学习空间平台基于评估表现确定应当接着呈现学习对象的分组中的哪个学习对象。这一方法允许扩展的离线学习。在这一实施例中，学习空间平台120仍然可以检测连通性并且基于评估表现请求附加的学习对象组，从而推进本地存储的数据的状态以便保持离线学习信息、内容和工具的高速缓存一直可用。

在另一实施例中，在学习管理平台100中包括控制系统。控制系统可以被配置成自动选择学习空间导航的接下来的步骤或者使导航能够包括由教员成员设置的显式步骤或者如下混合操作，在该混合操作中教员成员可以决策有选择地推翻技能层级遍历的一些步骤。

在一个实施例中，学习管理平台100包括能够从学生、教员、机构和雇员取得不同目标集合并且选择恰当的评估集合以保证学生已经掌握与目标一致的正确技能的个人化评估系统。

用于基于简档相似性提供学习推荐的示例方法

在一个实施例中，个人认知DNA管理器170和知识库160为学生维护简档。这些简档可以包括PDNA，并且描述与学生相关联的一个或者多个与教育有关的属性。也维护如下简档快照(PS1T1)，该快照代表第一用户的简档在特定时间点(T1)的状态。也为第一用户维护如下当前简档(PS1T2)，该简档代表第一用户的简档在第二时间点(T2)的状态。也维护另一当前简档(PS2T2)，该简档代表第二用户的简档在第二时间点(T2)的状态。

响应于来自第二用户的针对内容的请求，学习管理平台100至少部分基于第一用户的简档快照PS1T1的属性(该属性不是第一用户的当前简档PS1T2的属性)确定相似性存在于第二用户的当前简档与第一用户的简档快照之间。基于在第一用户的过期简档(PS1T1)与第二用户的当前简档PS2T2之间的相似性，选择内容项目以用于向第二用户递送。

例如，第一用户当前可以通过使用与视频有关的学习工具来最有效地学习，但是在时间T1，第一用户可能已经通过阅读文本来最有效地学习。如果当前通过阅读文本来最有效地学习的第二用户需要学习工具，则第二用户的当前简档P2T2可以匹配于第一用户的简档P1T1的快照(在时间TI取得)以确定用于第二用户的学习推荐。例如，如果在时间T1，第一用户通过阅读文本X来良好地学习概念，则学习推荐可以是让第二用户阅读文本X(即使将不是现在将向第一用户给予的学习推荐)。

用于基于学生背景推荐内容的示例方法

在一个实施例中，技能层级管理器180维护学习对象。个人认知DNA管理器170和知识库160针对学生维护简档。每个简档描述随着与对应用户相关联的环境或者情绪境况而同时改变的一个或者多个瞬态属性。例如，学生可能感觉疲倦或者难过，并且通过由学习空间平台120提供的用户接口指示这一点。可以向学习体验引擎110报告这一信息，学习体验引擎110可以在知识库160中存储该信息。作为另一示例，学习空间平台120可以在具有GPS(全球定位系统)能力的移动设备上执行并且可以向学习体验引擎110报告位置信息，学习体验引擎110可以在知识库160中存储该信息。

简档可以具有一个或者多个持久属性，该属性描述学生的与教育活动有关的特性，诸如，学习风格。例如，特定学生可能在仅使用音频内容时未有效学校。虽然两个学生可以具有用于特定瞬态属性的相同值，但是他们可以具有用于特定持久属性的不同值。例如，两个学生可以在火车上(瞬态属性)，但是一个学生不能在途中之时使用可供使用的内容类型来有效学习(持久属性)，而另一学生能够在途中之时使用可供使用的内容类型来有效学习。在这些境况之下，学习体验引擎110可以判决向更好地能够在火车上学习的学生推荐一个学习对象。另一学生可以接收对等待直至下火车以继续学习活动的推荐。

用于有助于在学生之间作为目标的交互的示例方法

在一个实施例中，个人认知DNA管理器170和知识库160针对学生维护简档。学生发送针对与其他用户的交互的请求。例如，特定学生可能想要与其他用户讨论特定教育概念。学习体验引擎110检测与特定学生与之交互的学习对象相同的学习对象或者相似的学习对象交互的一组学生。学习体验引擎110继而比较特定用户的简档和与相似学习对象交互的该组学生并且确定那些学生中的哪些学生与特定学生相似。基于这一比较来选择至少一个其他学生以与特定学生交互。例如，可以邀请第二学生加入与特定学生的虚拟白板会话或者实况聊天会话。

用于技能层级中的竞争性学习对象的示例方法

在一个实施例中，技能层级管理器180维护学习对象层级。在层级中的每个学习对象与对应技能和帮助学生掌握该技能的内容项目相关联。特定节点由两个学习对象占据，这两个学习对象相互竞争成为在该节点的优选学习对象。两个学习对象均与相同技能相关联。然而，学习对象可以与不同内容或者如下逻辑相关联，该逻辑限定如下不同内容偏好，这些内容偏好使不同内容向不同学生递送，即使每个学生的境况可能相同。

例如，在技能层级中的相同节点驻留的两个学习对象可以被设计成传授为了执行部分积分(微积分中的概念)而需要的技能。第一学习对象可以运用交互性学习游戏以传授概念，而第二学习对象可以使用一系列视频以传授概念。可以向第一学生推荐第一学习对象，而可以向第二学生推荐第二学习对象，即使第一学生和第二学生关于与数学相关联的个人属性在认知上相似。

用于动态变更学习对象补习偏好的示例方法

在一个实施例中，技能层级管理器180维护学习对象的层级。在层级中的每个学习对象与对应技能和一个或者多个对应评估项目相关联。评估项目测量用户关于对应学习对象达到的成功水平。响应于确定第一用户已经关于第一学习对象达到第一成功水平，学习体验引擎110选择与第二技能相关联的第二学习对象以用于向第一用户推荐。

响应于确定第二用户已经关于第一学习对象达到第一成功水平，并且至少部分基于确定第一用户已经关于第二学习对象达到第二成功水平，学习体验引擎110选择第三学习对象以向第二用户推荐，其中第三学习对象与第三技能相关联。

例如，第一学生可能已经对针对如下学习对象的评估表现欠佳，该学习对象被设计成向用户传授与用曲线图表示多项式函数有关的技能。为了帮助第一学生提升他的技能，学习体验引擎可以向第一学生推荐第二学习对象。与第二学习对象相关联的技能总体上可以与用曲线图表示多项式函数有关。然而，第一学生也可能对针对第二学习对象的评估表现欠佳。这可以指示第二学习对象在由第一学生展示的表现水平给定时不是用于第一学习对象的良好补习对象。因此，当第二学生对针对第一学习对象的评估实现相同表现水平时，第二学生接收针对第三学习对象(诸如，着重于更一般的绘图技能的学习对象)的推荐。

硬件概述

根据一个实施例，这里描述的技术由一个或者多个专用计算设备实施。专用计算设备可以被硬接线成执行该技术，或者可以包括被持久编程为执行该技术的数字电子设备(诸如，一个或者多个专用集成电路(ASIC)或者现场可编程门阵列(FPGA))，或者可以包括被编程为按照固件、存储器、其它储存器或者组合中的程序指令执行该技术的一个或者多个通用硬件处理器。这样的专用计算设备也可以组合定制硬接线逻辑、ASIC或者FPGA并且定制编程以实现该技术。专用计算设备可以是台式计算机系统、便携式计算机系统、手持设备、联网设备或者任何其它如下设备，该设备并入硬接线和/或程序逻辑以实施该技术。

例如，图5是图示了可以在其上实施本发明的实施例的计算机系统500的框图。计算机系统500包括用于传达信息的总线502或者其它通信机构，以及与总线502耦合以用于处理信息的硬件处理器504。硬件处理器504可以例如是通用微处理器。

计算机系统500还包括耦合到总线502以用于存储信息和待由处理器504执行的指令的主存储器506，诸如，随机存取存储器(RAM)或者其它动态存储设备。主存储器506也可以用于在执行待由处理器504执行的指令期间存储临时变量或者其它中间信息。这样的指令在存储于处理器504可访问的非瞬态存储介质中时，使计算机系统500成为定制用于执行在指令中指定的操作的专用机器。

计算机系统500还包括耦合到总线502以用于存储用于处理器504的静态信息和指令的只读存储器(ROM)508或者其他静态存储设备。存储设备510(诸如，磁盘或者光盘)被提供并且耦合到总线502以用于存储信息和指令。

计算机系统500可以经由总线502耦合到用于向计算机用户显示信息的显示器512，诸如，阴极射线管(CRT)。包括文字数字键和其它键的输入设备514耦合到总线502以用于向处理器504传达信息和命令选择。另一类型的用户输入设备是用于向处理器504传达指引信息和命令选择并且用于控制显示器512上的光标移动的光标控件516，诸如，鼠标、跟踪球或者光标方向键。这一输入设备通常在第一轴(例如，x)和第二轴(例如，y)这两个轴中具有两个自由度，这允许设备指定平面中的位置。

计算机系统500可以使用定制的硬接线逻辑、一个或者多个ASIC或者FPGA、固件和/或程序逻辑(该程序逻辑与计算机系统组合使计算机系统500成为或者将计算机系统500编程为专用机器)来实施这里描述的技术。根据一个实施例，计算机系统500响应于处理器504执行主存储器506中包含的一个或者多个指令的一个或者多个序列来执行这里的技术。可以从另一存储介质(诸如，存储设备510)向主存储器506中读取这样的指令。在主存储器506中包含的指令序列的执行使处理器504执行这里描述的过程步骤。在备选实施例中，可以取代软件指令或者与软件指令组合使用硬接线电路。

如这里所用，术语“存储介质”指代存储数据和/或如下指令的任何非瞬态介质，这些指令使机器以具体方式操作。这样的存储介质可以包括非易失性介质和/或易失性介质。非易失性介质例如包括光盘或者磁盘，诸如，存储设备510。易失性介质包括动态存储器，诸如，主存储器506。常见形式的存储介质例如包括软盘、软磁盘、硬盘、固态驱动器、磁带或者任何其它磁数据存储介质、CD-ROM、任何其它光学数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、FLASH-EPROM、NVRAM、任何其它存储器芯片或者卡盒。

存储介质不同于传输介质，但是可以与传输介质结合使用。传输介质参与在存储介质之间传输信息。例如，传输介质包括同轴线缆、铜线和光纤(包括如下接线，这些接线包括总线502)。传输介质也可以采用声波或者光波(诸如，在无线电波和红外线数据通信期间生成的波)的形式。

在向处理器504输送一个或者多个指令的一个或者多个序列以用于执行时可以涉及到各种形式的介质。例如，起初可以在远程计算机的磁盘或者固态驱动器上携带指令。远程计算机可以向它的动态存储器中加载指令并且使用调制解调器通过电话线发送指令。计算机系统500本地的调制解调器可以在电话线上接收数据并且使用红外线发射器以将数据转换成红外线信号。红外线检测器可以接收红外线信号中携带的数据并且适当电路可以将数据放置于总线502上。总线502向主存储器506输送数据，处理器504从主存储器取回并且执行指令。由主存储器506接收的指令可以可选地在由处理器504执行之前或者之后存储于存储设备510上。

计算机系统500还包括耦合到总线502的通信接口18。通信接口518提供耦合到网络链路520的双向数据通信，网络链路520连接到本地网络522。例如，通信接口518可以是综合服务数字网络(ISDN)卡、线缆调制解调器、卫星调制解调器或者如下调制解调器，该调制解调器用于提供到对应类型的电话线的数据通信连接。作为另一示例，通信接口518可以是用于提供到兼容的局域网(LAN)的数据通信连接的LAN卡。也可以实施无线链路。在任何这样的实现方式中，通信接口518发送和接收如下电、电磁或者光学信号，这些信号承载了代表各种类型的信息的数字数据流。

网络链路520通常通过一个或者多个网络提供与其它数据设备的数据通信。例如，网络链路520可以通过本地网络522提供与主机计算机524或者与由因特网服务提供商(ISP)526操作的数据装备的连接。ISP526转而通过世界范围的分组数据通信网络(现在常称为“因特网”528)提供数据通信服务。本地网络522和因特网528均使用如下电、电磁或者光学信号，这些信号输送数字数据流。通过各种网络的信号和在网络链路520上并且通过通信接口518的信号(这些信号承载了去往和来自计算机系统500的数字数据)是传输介质的示例形式。

计算机系统500可以通过网络、网络链路520和通信接口518发送和接收包括程序代码的数据。在因特网示例中，服务器530可以通过因特网528、ISP526、本地网络522和通信接口518传输请求的用于应用程序的代码。

接收的代码可以在其被接收时由处理器504执行和/或存储于存储设备510或者其它非易失性储存器中以用于以后执行。

在前文说明书中，已经参照可以随实现方式变化的诸多具体细节描述了本发明的实施例。说明书和附图因而将被视为示例而非限制意义。本发明的范围的仅有和唯一指示以及申请人旨在于作为本发明范围的内容是从本申请发布的权利要求的集合在这样的权利要求的具体发布形式(包括任何后续修正)中的文字和等效范围。

Claims

1.一种用于推荐学习内容的方法，包括：

在在线学习系统维护学习对象的层级，其中所述层级中的多个学习对象中的每个学习对象与对应技能和与所述对应技能相关联的一个或者多个内容项目相关联；

其中在所述学习对象的层级中的特定节点与第一技能相关联并且对应于第一学习对象和第二学习对象二者，其中：

所述第一学习对象与被设计用于传授所述第一技能的第一内容项目相关联；并且

所述第二学习对象与被设计用于传授所述第一技能的第二内容项目相关联；

从多个用户中的第一用户接收针对被设计用于传授所述第一技能的学习对象的第一学习推荐请求；

针对所述第一用户生成第一学习推荐，其中所述第一学习推荐标识所述第一学习对象；

从所述多个用户中的第二用户接收针对与所述第一技能相关联的学习对象的第二学习推荐请求；

针对所述第二用户生成第二学习推荐，其中所述第二学习推荐标识所述第二学习对象；

针对所述多个用户维护简档，其中针对所述多个用户中的每个用户维护的所述简档描述与所述多个用户中的对应用户相关联的一个或者多个属性；

针对用户确定所述第一学习对象与比所述第二学习对象更大的成功水平相关联，所述用户具有用于特定属性的第一值；以及

针对用户确定所述第二学习对象与比所述第一学习对象更大的成功水平相关联，所述用户具有用于所述特定属性的第二值。

2.根据权利要求1所述的方法，其中针对所述多个用户中的特定用户的所述特定属性标识由所述特定用户从事的学习课程。

3.根据权利要求1所述的方法，其中针对所述多个用户中的特定用户的所述特定属性标识所述特定用户选修的课程。

4.根据权利要求1所述的方法，其中所述第一学习推荐还标识所述第二学习对象。

5.一种用于推荐学习内容的方法，包括：

从所述多个用户中的第二用户接收针对与所述第一技能相关联的学习对象的第二学习推荐请求；以及

其中生成所述第一学习推荐包括：响应于确定所述第一用户先前已经与所述第二学习对象交互，选择所述第一学习对象以针对所述第一技能向所述第一用户推荐。

6.一种用于推荐学习内容的方法，包括：

针对所述第二用户生成第二学习推荐，其中所述第二学习推荐标识所述第二学习对象；以及

在生成所述第一学习推荐和所述第二学习推荐之后，并且至少部分基于确定所述第一学习对象与比所述第二学习对象更好的成功率相关联，比所述第二学习对象更频繁地选择所述第一学习对象以用于学习推荐。

7.根据权利要求6所述的方法，还包括：

至少部分基于所述第二用户关于所述第二学习对象的成功来确定所述第一学习对象与比所述第二学习对象更好的总成功率相关联；

从对作为用于针对所述第一技能向用户推荐的学习对象的考虑中去除所述第二学习对象。

8.根据权利要求6所述的方法，其中：

所述第二学习对象是针对与所述特定节点相关联而考虑选择的潜在学习对象集中的潜在学习对象；

所述方法还包括：响应于确定所述第一学习对象与比所述第二学习对象更大的成功水平相关联：

将所述潜在学习对象集中的第三学习对象与所述特定节点相关联；并且

去除在所述第二学习对象与所述特定节点之间的关联性。

9.根据权利要求8所述的方法，其中：

响应于确定所述第三学习对象与比所述第一学习对象更大的成功水平相关联：

将第四学习对象与所述特定节点相关联；并且

去除在所述第一学习对象与所述特定节点之间的关联性。

10.一种用于推荐学习内容的设备，包括：

用于在在线学习系统维护学习对象的层级的装置，其中所述层级中的多个学习对象中的每个学习对象与对应技能和与所述对应技能相关联的一个或者多个内容项目相关联；

用于从多个用户中的第一用户接收针对被设计用于传授所述第一技能的学习对象的第一学习推荐请求的装置；

用于针对所述第一用户生成第一学习推荐的装置，其中所述第一学习推荐标识所述第一学习对象；

用于从所述多个用户中的第二用户接收针对与所述第一技能相关联的学习对象的第二学习推荐请求的装置；

用于针对所述第二用户生成第二学习推荐的装置，其中所述第二学习推荐标识所述第二学习对象；

用于针对所述多个用户维护简档的装置，其中针对所述多个用户中的每个用户维护的所述简档描述与所述多个用户中的对应用户相关联的一个或者多个属性；

用于针对用户确定所述第一学习对象与比所述第二学习对象更大的成功水平相关联的装置，所述用户具有用于特定属性的第一值；

用于针对用户确定所述第二学习对象与比所述第一学习对象更大的成功水平相关联的装置，所述用户具有用于所述特定属性的第二值。

11.根据权利要求10所述的设备，其中针对所述多个用户中的特定用户的所述特定属性标识由所述特定用户从事的学习课程。

12.根据权利要求10所述的设备，其中针对所述多个用户中的特定用户的所述特定属性标识所述特定用户选修的课程。

13.根据权利要求10所述的设备，其中所述第一学习推荐还标识所述第二学习对象。

14.一种用于推荐学习内容的设备，包括：

响应于确定所述第一用户先前已经与所述第二学习对象交互，选择所述第一学习对象以针对所述第一技能向所述第一用户推荐。

15.一种用于推荐学习内容的设备，包括：

用于在生成所述第一学习推荐和所述第二学习推荐之后，并且至少部分基于确定所述第一学习对象与比所述第二学习对象更好的成功率相关联，比所述第二学习对象更频繁地选择所述第一学习对象以用于学习推荐的装置。

16.根据权利要求15所述的设备，还包括：

用于至少部分基于所述第二用户关于所述第二学习对象的成功来确定所述第一学习对象与比所述第二学习对象更好的总成功率相关联的装置；

用于从对作为用于针对所述第一技能向用户推荐的学习对象的考虑中去除所述第二学习对象的装置。

17.根据权利要求15所述的设备，其中：

所述装置还包括：用于响应于确定所述第一学习对象与比所述第二学习对象更大的成功水平相关联，进行以下操作的装置：

去除在所述第二学习对象与所述特定节点之间的关联性。

18.根据权利要求17所述的设备，其中：

将第四学习对象与所述特定节点相关联；并且

去除在所述第一学习对象与所述特定节点之间的关联性。