具体实施方式
以下将参照附图详细描述本公开的实施方式。
图1是示出根据本公开的实施方式的学习能力诊断系统的构造的示图,图2是存储在图1的数据库中的问题的语义结构的示图。
如图1和图2所示,根据本实施方式的学习能力诊断系统包括通信网络110和学习能力诊断设备120,并且还可包括终端100。
这里,终端100适用于各种有线/无线环境,可包括用于(例如)数学问题解答的网络应用软件。终端100可涵盖按照不同形状因子分类的个人数字助理或PDA、蜂窝电话、智能电话以及按照通信方法分类的个人通信服务(PCS)电话、全球移动通信系统(GSM)电话、宽带CDMA(W-CDMA)电话、CDMA-2000电话、移动宽带系统(MBS)电话。本文中,MBS电话是用于目前讨论的下一代系统的终端。另外,终端100可包括台式计算机和膝上型计算机。
终端100利用作为互联网接入协议的WAP(无线应用协议)、使用HTTP协议基于HTML的MIE(微软互联网浏览器)、HDPT(手持装置传输协议)、NTT DoKomo的i-Mode或者特定电信公司的无线互联网接入浏览器,通过通信网络110来访问互联网。在由终端100使用的互联网接入协议中,MIE使用通过少许改变和缩写的HTML实现的m-HTML,并针对i-Mode使用称为c-HTML(HTML的子集)的语言。终端100(例如,最近的智能电话)使用特定电信公司的无线互联网接入浏览器,例如i-phone的Opera Mini。或者,作为本地通信网络的WiFi和WiBro(也称为WiMax)与浏览器一起用于终端100,以便提供更快的无线互联网,从而提供无线高速互联网。
终端100是指响应于学习者的键操作或命令来经由通信网络110发送/接收各种数据的装置,可以是平板PC、膝上型计算机、个人计算机或PC、智能电话、PDA和移动通信终端中的一种。换言之,终端100是指存储用于经由通信网络110与学习能力诊断设备120进行通信的程序或协议的存储器,以及运行有关程序以进行操作和控制的微处理器。更具体地讲,终端100可以是便于学习能力诊断设备120之间的服务器-客户机通信的任何装置,广义上涵盖包括笔记本计算机、移动通信终端、PDA等在内的任何通信计算装置。下文中,出于描述本公开的目的,将终端100定义为由学习者使用以与学习能力诊断设备120进行通信。
通信网络110意指所有有线/无线通信网络,例如,作为无线通信网络,包括基站控制器、基站发送器和/或转发器。基站控制器用于在基站发送器与交换中心之间中继信号。通信网络110支持同步和非同步类型二者。因此,对于同步类型,接收和发送基站的发送器将是BTS(基站发送系统),接收和发送基站的控制器将是BSC(基站控制器),对于非同步类型,接收和发送基站的发送器将是RTS(无线电收发子系统),接收和发送基站的控制器将是RNC(无线电网络控制器)。根据本实施方式的通信网络110不必限于此,意指能够除CDMA网络之外用于GSM网络以及用于下一代移动通信系统的接入网络的所有那些网络。
根据本实施方式的学习能力诊断设备120从终端100接收学习者期望诊断的章节相关信息或问题相关信息。对于包括在章节相关信息或问题相关信息中的各条问题信息,学习能力诊断设备120还利用问题信息的结构信息生成语义信息,并且科目特定问题信息与该语义信息相区分。即,学习能力诊断设备120可被实现为仅生成语义信息的语义信息生成设备。
另外,根据本实施方式的学习能力诊断设备120从终端100接收学习者希望诊断的章节相关信息或问题相关信息。对于包括在章节相关信息或问题相关信息中的各条问题信息,学习能力诊断设备120利用问题信息的结构信息生成语义信息,科目特定问题信息与该语义信息相区分。然后,学习能力诊断设备120从终端100接收针对问题信息的答案数据,生成通过对答案数据打分而获得的错误答案数据,基于与错误答案数据对应的语义信息计算弱场,生成用于解答弱场的特定逻辑方程式,并将逻辑方程式的解答发送给终端100。
另外,为了生成逻辑方程式,学习能力诊断设备120从错误答案数据基于语义信息提取与问题信息对应的问题模式信息,针对问题信息的解答提取技能信息或概念信息,提取问题模式、技能信息和概念信息之间的关系,然后基于所提取的问题模式、技能信息和概念信息生成逻辑方程式。学习能力诊断设备120将问题模式信息、技能信息和概念信息的关系结构表示为包括CNF(合取范式)或DNF(析取范式)的逻辑模型。
另外,学习能力诊断设备120将针对各个章节、各个问题类型、各个难度水平以及各个学习特征的一些或所有特性的查询进行组合,以生成错误答案数据。
另外,在解答方程式的过程中,学习能力诊断设备120确定对于解答而言变量的值是否恒定,当变量的值被确定为恒定时,学习能力诊断设备120选择用于确定变量的值的附加问题信息并将其发送给终端100,并基于从终端100接收到的附加问题信息的附加答案数据确定变量的值。另外,当存在多个解答时,在解答方程式的过程中,学习能力诊断设备120将对于解答而言恒定的值确定为具有多个解答的逻辑方程式的变量的值。另外,当逻辑方程式具有一个解答时,在解答方程式的过程中,学习能力诊断设备120将单个解答的值确定为逻辑方程式的变量的值。另外,当逻辑方程式无解时,在解答方程式的过程中,学习设备诊断设备120根据从逻辑方程式直接提取的值是否恒定来确定无解的逻辑方程式的变量的值。
另一方面,作为用于诊断例如数学能力的设备,学习能力诊断设备120从学习者的测试结果历史提取各个水平的诊断目标的测试结果以用于诊断学习者的学习能力。示例性诊断类型可包括诊断对特定章节的概念和技能的理解程度、诊断对特定章节的掌握程度以及诊断综合学习能力。诊断对特定章节的概念和技能的理解程度是从与各个章节的概念和问题解答技能有关的问题的测试结果诊断对所述概念和技能的理解程度。诊断对特定章节的掌握程度是针对各个难度水平确定对与章节有关的问题类型的解答能力,以便诊断学习者对各个章节的掌握程度。另外,诊断综合学习能力是指诊断诸如理解能力、应用能力、思考能力和问题解答能力的学习特性,这是与学习能力有关的学习特征。将稍后再次描述学习能力诊断设备120的详细结构和说明。
学习能力诊断设备120包括数据库120a,该数据库120a存储测试问题的问题类型、用于解答问题的知识、难度水平和技能类型作为语义建模信息。换言之,如图2所示的数据库120a具有针对数学问题的结构和语义信息的问题的语义结构,科目(可为问题的主体)的内容大致分为两部分:问题陈述和问题解答。尽管问题的内容通常仅指问题陈述,但是在本实施方式中不限于此,甚至可包括问题的解答(包括问题的解答、提示和注释)作为问题内容的一部分。
问题陈述是为学习者提供以进行解答的部分。问题可具有多个陈述表达式。原因在于解答和答案完全相同,但是当它们被给予学习者时可以按照各种方式给出。不同的陈述表达式使学习者感到不同的难度水平,因为对于学习者而言根据陈述表达式理解问题的情况可能相对容易或困难。即使陈述表达式不同,问题的陈述也可基本上分为条件部分、动作部分和选择问卷。条件部分是给予学习者以使其能够解答问题的一组条件,动作部分是给出要做什么的详细指令的部分。例如,条件部分可表达为例如“当给定~时”或者“如果~”,动作部分可表达为“求~”或“证明~”。对于几何问题,条件部分可部分或整体地由图片来构造,对于数据分析问题,条件部分可部分或整体地由表来构造。
问题具有多个解答项,因为可能有多种求出问题的答案的方式。问题的一个解答项由检查问题的情况、准备解答问题以及基于上述步骤解答问题的步骤构成。这些步骤可各自具有多个子步骤。提示被认为是解答的子集并从属于各个解答,并可存在于解答问题的各个步骤中,并具有各种形式,例如文本、表达式、图片、表、对相关问题的链接以及对其它对象的链接。
另一方面,问题的语义信息包括有关问题背景的信息、有关问题陈述的信息、有关解答问题的信息和统计信息。除问题的内容之外的信息项被称为有关问题背景的信息。有关问题背景的信息可包括国家、用途、学年或学级、重要程度和来源。数学问题是全球通用的,但将国家名称给予特定国家通常引用的问题。对于用途,问题的用途涉及学习者为了什么解答问题。例如,用途是为了全面发展、中学学习成绩和学术能力测试。年级是有关学习者通常解答问题的年级的信息。重要程度确定必须学习的问题和并非必须学习的问题(取决于问题)。重要程度可为“必修”和“选修”。来源是指问题的来源。例如,对于学术能力测试问题,可给出有关问题在哪一年出现的信息作为来源信息。
作为被确定为与问题陈述有关的信息,有主科目、上下文、关键词、关键方程式和应答类型。主科目是有关通常出现问题的科目的信息,对于上下文,应用的问题通常具有特定上下文。例如,给定的问题可为数学问题,其通常出现于诸如物理、生物、化学、金融和经济的特定领域。关键词是指问题陈述中的关键词,关键表达式是指问题陈述中的关键表达式。另外,应答类型是答卷格式,例如多选型、客观形式的答案和描述型。
被确定为与问题的解答有关的信息包括解答模式、解答类型码、认知领域、注释和难度水平。解答模式是指问题的解答类型,并给予解答类型码作为解答模式特性的值。通过将问题的解答类型编排成字典,并将码给予解答类型,来获得解答类型码。认知领域具有学习理论中提及的为了测量学习者的认知领域的熟练程度的问题具有的特性。通常,数学领域中使用的认知领域中存在“计算能力”、“理解能力”、“分析能力”、“应用能力”和“问题解答能力”。注释是指解答问题时需要注意的项。另外,难度水平是指问题的难度水平。难度水平的特性的值可根据收集的学习者的应答的统计结果来调节。
所收集的学习者的应答的统计结果是指学习者对对应问题或问题的示例性使用的应答结果的多条统计信息。所述多条信息并非在问题之前预先给出,而是在系统的实际操作中积累。正确答案率是指当学习者回答问题时求出实际正确的答案的比率。这是与难度水平有关的特性。应答时间是指学习者解答问题所花费的平均时间。应答时间也与难度水平关联。使用频率是指学习者选择并使用的频率。询问频率是指对应问题被多个外部机构询问以进行测试的有限频率。推荐次数是指学习者的推荐频率。
图3是图1的用于诊断学习能力的设备的示意性框图,图4a至图4c是示出由图3的问题模式关系结构提取器生成的逻辑模型的示图。图5a是示出学习科目的树状结构的示图,图5b是示出学习科目的在前过程的示图,图5c是示出问题与主题之间的关联的示图。
如图3所示,学习能力诊断设备120包括业务处理单元300和诊断单元400。
业务处理单元300可包括控制单元(未示出)和接口单元。控制单元控制由学习能力诊断设备120处理的全部信号或数据,接口单元用作与通信网络110协作的接口。在该过程中,接口单元可另外执行诸如转换信息的处理。
诊断单元400可包括接收器410、语义信息生成器420、弱场计算器430、问题模式关系结构提取器440、方程式生成器450和方程式解答器460,以便按照类型测量学习者理解必要的知识概念的能力和问题解答能力。诊断单元400可使用诊断算法来诊断例如数学的学习能力。
接收器410从终端100接收学习者想要诊断的章节相关信息或问题相关信息。语义信息生成器420针对包括在章节相关信息或问题相关信息中的各条问题信息,利用问题信息的结构信息生成语义信息,并且科目特定问题信息与该语义信息相区分。
弱场计算器430从终端100接收有关问题信息的答案数据,生成通过对答案数据打分而获得的错误答案数据,基于与错误答案数据对应的语义信息计算弱场。另外,弱场计算器430将针对各个章节、各个问题类型、各个难度水平以及各个学习特征的一些或所有特性的查询进行组合,以生成通过对答案数据打分而获得的错误答案数据。
另外,弱场计算器430提取学习者在诊断目标下的测试结果。诊断目标可以是诊断对各个主题的学习的理解水平、诊断解答问题的能力以及诊断学习者的学习特征,并且弱场计算器430根据问题的语义信息(例如,问题模式、难度水平和特性)提取必要的测试结果。换言之,作为从学习者的测试结果历史提取按照诊断目标分类的测试结果以用于诊断学习者的学习能力的按照诊断目标分类的测试类型,存在对特定章节的基本概念的理解程度的诊断、对特定章节的熟练程度的诊断以及对综合学习能力的诊断。对特定章节的基本概念的理解程度的诊断是从对与概念有关的问题的解答来诊断对各个章节的必要概念的理解水平,对特定章节的掌握程度的诊断是针对各个难度水平确定对与章节有关的问题类型的解答能力,以便诊断学习者对各个章节的掌握程度,对综合学习能力的诊断是诊断诸如理解能力、应用能力、思考能力和解答问题的能力的学习特性,这是与学习能力有关的学习特征。
作为提取按照诊断目标分类的测试结果的方法,弱场计算器430从学习者的当前诊断历史,根据学习者对当前章节的概念理解程度、诊断出对各个类型的问题的掌握程度以及对学习特征的先前诊断结果,来确定当前执行的诊断的科目和方法。通过将诸如各个章节、各个问题类型、各个难度水平和各个学习特征的特性的查询进行组合来提取测试结果。
例如,对特定章节的基本概念的理解程度的诊断可被表示为<关系式1>。
<关系式1>
(主题∈章节)∧(难度水平∈低)∧(技能类型∈全部)
另外,对特定章节的熟练程度的诊断可在提取各个难度水平的结果之后确定解答难度较高的问题的能力保证解答难度较低的问题,其可被表示为<关系式2>至<关系式4>。
<关系式2>
(主题∈章节)∧(难度水平∈高)∧(技能类型∈全部),
<关系式3>
(主题∈章节)∧(难度水平∈中)∧(技能类型∈全部)
<关系式4>
(主题∈章节)∧(难度水平∈低)∧(技能类型∈全部)
对综合学习能力的诊断是例如诊断学习能力中的应用能力,可被表示为<关系式5>。
<关系式5>
(主题∈全部)∧(难度水平∈全部)∧(技能类型∈应用能力)
问题模式关系结构提取器440基于错误答案数据的语义信息提取相应问题信息所属的问题模式信息,提取用于解答问题信息的技能信息或概念信息,然后提取技能信息与概念信息之间的关系。另外,问题模式关系结构提取器440可利用包括CNF(合取范式)或DNF(析取范式)在内的逻辑模型示出问题模式信息、技能信息和概念信息的关系结构。
问题模式关系结构提取器440从问题的语义信息读出与章节有关的问题(具有从属和优先的问题)的结构信息以进行诊断。另外,提取器440从问题的语义信息提取概念与问题模式之间的关系结构(模式-主题二部图),如图4a所示,从问题的语义信息提取问题模式之间的关系结构(模式-模式图),并利用逻辑模型来表示所提取的问题模式与概念之间或者问题模式之间的关系结构。例如,提取器440执行到诸如CNF(合取范式)或DNF(析取范式)的规范化模型的转换。为此,问题模式关系结构提取器440可包括逻辑模型转换器。
数学问题的特性可以是问题所属的问题类型、解答问题所需的知识、难度水平和熟练程度类型。参照图4b和图4c,对问题类型进行分类的模式类型将解答问题所需的知识作为模式概念关系信息,将解答问题所需的其它问题类型的关系作为问题模式关系信息。另外,所述特性具有问题模式与低阶问题模式之间所需的切换信息。难度水平初始由专家定义为高、中和低,并通过统计方法来进行调节,熟练程度类型包括应用、计算和理解。
参照图5a至图5c更详细地描述从问题模式关系结构提取器440提取的问题的关系。从问题模式关系结构提取器440提取的问题可大致分类为学习科目(Subject)和主题(topic),并可具有图5a所示的树状结构。首先描述学习科目和主题的含义,学习科目是对学习者将要学习的内容进行归类。学习内容的最基本的单位可称为(并有条件地分为)主题,其具有独立于各个国家的教育政策或教育课程的内容。因此,主题可被视作无法分解为多个学习科目的基本学习科目。另外,具有新名称的多个主题的组可当作学习科目。另外,如果多个学习科目可成组并给予新的名称,则整体也可称作学习科目。学习科目的名称和主题可根据定义以及国家的教育政策和教育课程而不同。根据如上所述的定义,学习科目构成图5a所示的树状结构,主题为树(即,学习科目树)的叶节点。图5a的学习科目树参照韩国(ROK)的中学数学教育课程构建而成。在图5a中,叶节点处有学习科目“(二次)乘法表达式”和“(二次)因式分解”。这两个学习科目被当作主题。
参照图5b,为了学习一个学习科目(以下由subj_1指代),通常有必要预先学习另一学习科目(以下由subj_2指代)。在这种情况下,称为学习科目subj_2是学习科目subj_1的先决条件或者在学习科目subj_1之前。多个学习科目可在一个学习科目之前。图5b仅示出与图5a的树状结构中的学习科目“问题和表达式”对应的部分。在附图中,学习科目的在前关系由细实线箭头指示。在图5b中,学习科目“符号和表达式”在学习科目“表达式的计算”之前,“表达式的计算”在“方程式”之前,学习科目“方程式”在学习科目“不等式”之前。在前关系具有传递性,使得可视为学习科目“符号和表达式”在所有三个学习科目“表达式的计算”、“方程式”和“不等式”之前。接下来,参照图5c描述问题与学习科目或主题之间的关系。问题与特定学习科目有关,可存在多个相关的学习科目。一旦给出问题与主题之间的关联,也相应给出与高阶学习科目的关联。图5c示出与单个问题有关的学习科目的联系。问题也与学习科目“线性方程式”和学习科目“线性函数”有关。
方程式生成器450生成特定逻辑方程式以用于解答弱场。方程式生成器450基于问题模式、技术信息和概念信息之间的关系生成逻辑方程式。
另外,方程式生成器450生成是否了解概念(主题)的简单状态作为确定变量。换言之,根据所提取的问题以及学习者对问题的解答来建立用于诊断的逻辑方程式,确定变量根据诊断目标而不同地生成。为了诊断对特定章节的基本概念的理解程度,从问题所属的问题类型的模式概念关系利用对各个章节的要了解的概念的理解程度来设置确定变量,并建立方程式。例如,假设第一问题属于问题模式PT1,相关概念由三个因子S1、S2和S3组成,可构造图4b所示的模式概念关系结构。在这种情况下,根据测试结果生成方程式,并且当问题被解答时,可满足S1·S2·S3=1,或者当问题未被解答时,可满足S1·S2·S3=0。
为了诊断对特定章节的熟练程度,从问题所属的问题类型的问题模式关系结构,利用高、中和低的难度水平下问题模式的解答能力来设置确定变量以确定问题类型的掌握信息,并建立方程式。例如,假设第一问题属于问题模式PT1,有两种问题解答方法。假设对PT1的第一解答需要平移T1,并且需要对问题类型PT2、PT3和PT4的解答能力,则如图4c所示的第一解答可被表示为解答-1,当其需要平移T2作为解答PT1的另选解以及对问题类型PT5、PT6等的解答能力时,可表示为解答-2。在这种情况下,根据测试结果生成方程式,并且当存在另选解时,具有DNF(析取范式)类型的方程式。当问题被解答时,满足T1·PT2·PT3·PT4+T2·PT5·PT6=1,当问题未被解答时,满足T1·PT2·PT3·PT4+T2·PT5·PT6=0。
方程式解答器460将逻辑方程式的所得解答发送给终端100。另外,当逻辑方程式具有多个解答时,方程式解答器460确定对于这些解答而言,变量值是否恒定,当变量值被确定为不恒定时,选择并发送用于确定变量值的附加问题信息给终端100,并基于从终端100接收到的对附加问题信息的附加答案数据来确定变量值。另外,当存在多个解答时,方程式解答器460将对于这些解答而言恒定的值确定为具有多种解答的逻辑方程式的变量值。另外,当逻辑方程式具有单个解答时,方程式解答器460将该单个解答的值确定为逻辑方程式的变量值。另外,当逻辑方程式无解时,方程式解答器460根据是否与从逻辑方程式直接提取的值一致来确定无解的逻辑方程式的变量值。
方程式解答器460可在解答逻辑方程式的过程中确定是否有解,如果有,则可确定仅存在一个解答还是存在多个解答。另外,当存在多个解答时,方程式解答器460可另外确定对于这些解答而言变量是否恒定,并针对不恒定的变量通过增加问题应用未定的变量解答来确定变量值。相比之下,当无解时,可对不恒定的确定变量应用计数法作为确定变量的基于规则的方法。
更详细地讲,当仅存在满足逻辑方程式的一个解答时,变量值各自被确定为唯一值。当存在满足逻辑方程式的多个解答时,对于多个解答而言恒定的变量值被确定为变量值。另外,当特定变量的值不恒定时,即,当学习者在问题的正确和错误答案之间犹豫时,选择适合于确定变量的附加问题并设置给学习者,以接收结果值并确定未定的变量。另外,选择并设置适合于未定变量的附加问题然后重新诊断的过程可重复有限次数或在有限时间内重复。
如果不存在满足逻辑方程式的解答,则当可从逻辑方程式直接提取值时,确定所述确定变量的值。当确定变量的值不一致时,记录不一致的值的出现次数。例如,相应变量的所述次数被记录为值1和0。另外,当确定变量的值不一致时,从最近历史以及有关从当前结果记录的次数的信息,根据基于规则的变量确定法确定变量值。另一方面,对通过代入所确定的变量而生成的剩余方程式重复执行解答逻辑方程式的过程。
作为解答逻辑方程式的方法,可使用各种方法,例如SAT(满意性问题)解答器。根据本实施方式,尽管可将常见SAT本身应用于逻辑方程式以在诊断中进行计算,还可构造并使用包含SAT的新类型的算法。第一个原因是因为有不存在满足联立方程式的解答的每一种可能性。学习者在解答逻辑方程式时可能对属于特定问题类型的问题回答错误和正确。学习者可能不了解确切的概念,或者可能在计算时犯错。存在测试结果中得出不一致结果的每一种可能性。对不一致的联立方程式将无解。在这种情况下,可简单地通过对得出各种值作为数据的次数进行计数来使用所述次数,以应用基于规则的变量值设置方法来导出结论,而无需直接确定不一致的确定变量的值。记录所述次数,例如,变量X的值为1(真)时的情况为三次,其为0(假)时的情况为四次。另外,可对不一致变量应用基于规则的变量值设置方法。例如,当变量X的值近来为2达80%或更多时,X的值可被确定为1。第二个原因是因为当要确定的变量数小于方程式数时,可能有无穷解。在这种情况下,仅在附加输入能够确定值的附加问题的测试结果时才可确定变量。
解答方程式的顺序如下。①利用计算器确定逻辑方程式是否有解。②如果方程式具有唯一解答,则将唯一解答记录为结果值。③如果方程式无解,则执行下面的处理。首先,通过对不一致且未定的变量应用计数方法,对变量为0和1时的情况的次数进行计数并记录。其次,仅在能够直接从单个方程式计算值时才应用所述方法。例如,对于S1·S2·S3=1,逐个地增加S1、S2和S3的值1(真)的计数。作为第二个示例,对于S1+S2+S3=0,逐个地增加S1、S2和S3的值0(真)的计数。作为第三个示例,对于S21·S3=0,S2+S3=1,无法确定S2和S3的值。在这种情况下,所述处理使用剩余方程式。第三,对除计数的方程式之外的剩余方程式重复从①开始的处理。④当方程式有多个解答时,执行下面的处理。首先,确定对于这多个解答,变量是否恒定。其次,对于恒定值,将恒定值设置为变量的值。对具有不恒定的值的变量应用“通过增加问题解答未定变量”。通过增加问题解答未定变量是一种在无法确定变量的值时通过增加问题来确定变量的值的方法,其计算用于未定变量解答的合适的或最小的附加问题数,并利用附加问题重复确定未定变量的处理。
例如,假设当利用1或0确定学习者是否知道特定科目的X1、X2、X3、X4、……、Xh时,从逻辑方程式的解答获得七个解答,如<表1>所示。
[表1]
|
X1 |
X2 |
X3 |
X4 |
…… |
Xh |
解答1 |
1 |
1 |
0 |
0 |
|
1 |
解答2 |
1 |
1 |
0 |
1 |
|
1 |
解答3 |
1 |
1 |
0 |
1 |
|
0 |
解答4 |
0 |
1 |
1 |
0 |
|
0 |
解答5 |
0 |
0 |
0 |
0 |
|
0 |
解答6 |
0 |
0 |
0 |
1 |
|
0 |
解答7 |
0 |
1 |
1 |
0 |
|
0 |
当通过设置确定X1的附加问题来获得学习者的结果时,当学习者给出正确答案时X1为1,从而七个解答中的可用解答减少为三个:解答1、解答2和解答3。另外,当X1被确定为1时,X2的值被确定为1,X3的值被确定为0。
另外需要确定的那些解答减少为<表2>所示。对<表2>重复附加问题的选择和变量的确定。
[表2]
对不一致变量应用基于规则的变量值设置方法。作为基于规则的方法的示例,有从当前和过去的问题的解答结果确定学习者了解多少或是否了解问题的特定模式的方法、从过去的诊断结果和当前问题的解答结果确定学习者是否能够解答问题的特定模式的方法、确定设置用于确定的策略规则的方法、根据时间序列方法进行确定的方法、根据阈值的设置的设置方法以及当学习者解答问题的高阶模式时通过给予高于低阶模式的权重来进行确定的方法。
下面的示例是有关解答上述方程式的过程,提供逻辑方程式的构造和解答。
首先,从问题的结构和测试结果,逻辑方程式的构造可表示为<关系式6>和<关系式7>。
<关系式6>
P1<<S1·S2(CNF),
P2<<S2·S3·S4·S5(CNF),
P3<<S2+S3(DNF),
P4<<S4·S6(CNF)
<关系式7>
Ans(P1)=T,
Ans(P2)=F,
Ans(P3)=F,
Ans(P4)=F
从<关系式6>和<关系式7>导出的逻辑方程式的线性解答可表示为<关系式8>和<关系式9>。
<关系式8>
从P1,S1=1,S2=1,
从P2,S2·S3·S4·S5=0,
从P3,S2=0,S3=0,
从P4,S4·S6=0
另外,从<关系式8>计算出的不一致变量的值的次数如<关系式9>所示。
<关系式9>
S1=1(#1),
S2=1(#1),0(#1),
S3=0(#1)
从<关系式9>基于规则确定变量的值的结果被确定为S2=1,S3=0。
剩余方程式如<关系式10>所示。
<关系式10>
S2·S3·S4·S5=0,
S4·S6=0
假设从当前测试结果无法确定S2或S2。
在生成用于确定未定变量的附加问题之后的测试结果如<关系式11>所示输入。
<关系式11>
S4=1,S5=0
从增加的结果重新生成的结果如<关系式12>所示。
<关系式12>
S4=1,S5=0,S6=0
图6是示出图1的学习能力诊断设备的学习能力诊断过程的示图。
参照图6和图1,学习能力诊断设备120从语义信息读出与待诊断章节有关的问题的结构信息,并从问题的语义信息提取概念与问题模式之间的关系结构(S601)。根据该处理,如果学习者访问学习能力诊断设备120并提供有关待诊断章节的信息,则学习能力诊断设备120可通过利用有关的信息和语义信息来提取关系结构。在该过程中,学习能力诊断设备120可另外执行将所提取的问题模式与概念之间或者问题模式之间的关系结构转换为诸如CNF或DNF的规范化模型的处理,以便将关系结构表示成逻辑模型。
然后,学习能力诊断设备120根据诊断目标提取学习者的测试结果(S603)。学习能力诊断设备120从学习者已进行的测试结果历史提取按照诊断目标分类的测试结果以用于诊断学习者的学习能力,其中所提取的类型是按照诊断目标分类的测试类型,包括诊断有关对特定章节的基本概念的理解的信息、诊断对特定章节的熟练程度以及诊断综合学习能力。学习能力诊断设备120可使用查询的组合来提取按照诊断目标分类的测试结果。
另外,学习能力诊断设备120从问题的语义信息以及学习者的问题解答结果构建逻辑方程式(S605)。换言之,诊断设备120根据所提取的问题以及学习者的问题解答结果来构造用于诊断的逻辑方程式,将是否了解概念的简单状态构造为形成逻辑方程式的确定变量。例如,解答问题的情况可分配1,未解答问题的情况为0。上面已充分描述了有关细节,因此不再进行描述。
另外,学习能力诊断设备120进行解答逻辑方程式的处理(S607)。解答逻辑方程式的方法可使用SAT解答器或者改进了SAT解答器的新算法。
图7是图6的方程式解答过程的详细示图。
仅参照图7以及图1和图3来描述解答方程式的过程,在业务处理单元300的控制下,学习能力诊断设备120的方程式解答器460可接收由方程式生成器450构造的逻辑方程式,以计算逻辑方程式(S701)。
另外,诊断设备120通过解答逻辑方程式来确定是否有解(S703),如果有解,则确定是否为唯一解答(S705),并且当存在多个解答时,进一步确定变量的值是否恒定(S707)。
当值恒定时,诊断设备120将变量的值确定为最终值(S709)。
然而,当在S707中,对于这些解答而言变量的值不恒定时,诊断设备120为学习者设置附加问题并从结果值确定未定变量(S711)。
另外,当在S705中存在唯一解答时,诊断设备120将变量的值确定为唯一值(S713)。
另一方面,当在S703中无解时,诊断设备120确定是否可从对应逻辑方程式直接提取值,当这些值无法提取时,诊断设备120可利用其它方法确定变量的值(S725),并结束处理。
相比之下,当可提取值时,诊断设备120确定附加确定变量的值是否一致(S717),当这些值一致时,将相关值确定为变量的值(S719)。
如果这些值在S717中不一致,则诊断设备120记录不一致值的次数(S721),并从有关所述次数的信息根据基于规则的变量确定方法确定变量的值(S723)。
上面已参照图1至图6充分描述了有关图7所示的步骤的细节,将不再重复。
图8是根据另一实施方式的提供学习市场的学习能力诊断设备的示意图。
根据本实施方式的用于提供学习市场的系统包括供应终端102、消费者终端104、通信网络110和学习能力诊断设备120。同时,尽管在本实施方式中,提供学习市场的学习能力诊断设备的系统仅包括供应终端102、消费者终端104、通信网络110和学习能力诊断设备120,但是这仅是本实施方式的构思的示例,在不脱离本实施方式的范围的情况下,用于提供学习市场的系统的组件可由本领域技术人员以各种方式改变和修改。
另外,本实施方式中描述的学习市场作为一种应用商店,可由网络运营商提供,但其不限于此。即,能够访问学习市场的特定浏览器(访问应用)是必要的,以驱动学习市场,并且可通过驱动对应的浏览器来访问对应的学习市场。
供应终端102和消费者终端104是指响应于学习者的键操作或命令来通过通信网络110发送/接收各种数据的装置,其可以是平板PC、膝上型计算机、个人计算机或PC、智能电话、个人数字助理或PDA以及移动通信终端中的一种。换言之,供应终端102和消费者终端104是指存储用于经由通信网络110访问学习能力诊断设备120的浏览器和程序的存储器,以及运行有关程序以实现操作和控制的微处理器。更具体地讲,所述终端通常为个人计算机。即,供应终端102和消费者终端104可以是连接至通信网络110并且能够与学习能力诊断设备120执行服务器-客户机通信的任何装置,包括诸如笔记本、移动通信装置和PDA的所有通信计算装置。另外,供应终端102和消费者终端104可配备有触摸屏,但其不限于此。
尽管在本公开中,供应终端102和消费者终端104与学习能力诊断设备120分离地实现,但是在实际实现本公开时,供应终端102和消费者终端104可被实现为包括学习能力诊断设备120在内的独立装置。
供应终端102请求学习能力诊断设备120注册制作的学习内容,以便在学习市场上注册学习内容,并通过访问学习能力诊断设备120来输入有关学习内容的基本信息。消费者终端104从学习能力诊断设备120接收有关学习内容的购买的信息,并购买学习内容以用于出售或学习。即,由消费者终端104选择为要购买的学习内容被区分地放置在销售购物车或学习购物车中。销售购物车或学习购物车如[表3]所示。
[表3]
即,消费者终端104可利用销售用ID或学习用ID来访问学习能力诊断设备120。当学习者使用消费者终端104进行学习时,学习者可利用学习用ID登录学习能力诊断设备120,当目的是销售时,学习者可利用销售用ID登录学习能力诊断设备120。销售用ID或学习用ID可仅一对一地给予学习者。
此外,消费者终端104接收由供应终端102制作的学习内容,进行校阅以在学习市场上注册所接收到的学习内容,基于从供应终端102接收到的基本信息赋予学习内容以语义信息,然后在学习市场上注册学习内容,将有关学习内容的购买的信息发送给访问学习市场的另一终端,并在有关购买的信息中存在购买请求时以销售或学习为目的出售学习内容。此外,由消费者终端104接收到的学习内容包括从学习市场(存储在智能电话中的应用)下载的应用,并且包括功能电话中的VM(虚拟机)以及从移动运营商的服务器下载的应用。
通信网络110是能够利用各种有线/无线通信技术(例如,互联网、内联网、移动通信网络和卫星通信网络)向/从互联网协议发送/接收数据的网络。通信网络110是连接学习能力诊断设备120、供应终端102和消费者终端104的网络,其可以是封闭型网络,例如LAN(局域网)或WAN(广域网),但优选为开放型网络,例如互联网。互联网是指全球开放型计算机网络结构,其提供TCP/IP协议以及各种上层服务,即,HTTP(超文本传输协议)、Telnet、FTP(文件传输协议)、DNS(域名系统)、SMTP(简单邮件传输协议)、SNMP(简单网络管理协议)、NFS(网络文件服务)和NIS(网络信息服务)。与通信网络110有关的技术是本领域已知的,不再提供详细描述。
学习能力诊断设备120具有与常见Web服务器或网络服务器相同的构造。然而,对于软件,其包括通过诸如C、C++、Java、Visual Basic和Visual C的任何语言实现的程序模块。学习能力诊断设备120可实现成Web服务器或网络服务器的类型,Web服务器是指这样的计算机系统,其通常通过诸如互联网的开放型计算机网络与多个非特定客户机和/或其它服务器连接,从另一Web服务器的客户机接收执行工作的请求,并且导出并提供工作结果,还指针对计算机系统安装的计算机软件(Web服务器程序)。然而,在一些情况下,其应该被理解为除上述Web服务器程序之外包括在Web服务器上操作的一系列应用程序以及构造于内部的各种数据库的侧面概念。
学习能力诊断设备120可根据诸如DOS、Windows、Linux、UNIX和Macintosh的操作系统通过服务器的常见硬件中以各种方式提供的Web服务器程序来实现,通常有在Windows环境下使用的Website和IIS(互联网信息服务器)以及在UNIX环境下使用的CERN、NCSA和APPACH。另外,学习能力诊断设备120可与认证系统和结算系统协作来提供学习内容。另外,学习能力诊断设备120对成员的信息进行分类、存储和管理,在学习能力诊断设备120的内部或外部可提供数据库。数据库是指利用DBMS实现在计算机系统的存储空间(硬盘或存储器)中的常见数据结构(是指可自由搜索(提取)、删除、编辑和添加数据的数据存储格式),数据库可利用诸如Oracle、Informix、Sybase和DB2的RDBMS、诸如Gemston、Orion和O2的OODBMS以及诸如Excelon、Tamino和Sekiju的XML Native Dadabase来实现为适合于本实施方式的目的,并且数据库具有适当的字段或元素以实现其功能。
学习能力诊断设备120从供应终端102接收制作的学习内容。尽管学习内容可包括语言学习内容、数学学习内容、外语学习内容和社会/科学研究学习内容,但是优选地,学习内容可为包括Math ML格式的表达式信息和文本信息的数学内容,但不限于此。另外,数学内容可包括数学问题、数学学习数据、学习管理工具和导师,细节如[表4]所示。
[表4]
学习能力诊断设备120进行校阅以将学习内容注册在学习市场上。学习能力诊断设备120基于有关实行学习内容的可能性的信息以及有关检查错误的信息中的至少一个来校阅学习内容。学习能力诊断设备120检查在学习市场中已经注册的内容中是否发现与请求注册的学习内容相同的内容,当作为检查结果发现相同的内容时,向供应终端发送消息“不合适”以拒绝请求注册的学习内容。学习能力诊断设备120检查与已经注册的内容的相似性,当不存在与已经注册的内容相同的内容时,并且当检查出的相似性小于预定值时,学习能力诊断设备120将请求注册的学习内容注册到学习市场上。学习能力诊断设备120基于匹配率来检查已经注册的学习内容中所包括的文本信息或表达式信息与所述学习内容中所包括的文本信息和表达式信息之间的相似性。学习能力诊断设备120将注册在学习市场上的学习内容中的相同的并且由消费者终端记录超过预定次数的内容无效。学习市场包括一般市场、销售市场和学习市场中的一个或更多个。学习市场如[表5]所示。
[表5]
当通过校阅完成对学习内容的认证时,学习能力诊断设备120基于从供应终端102接收到的基本信息赋予学习内容以语义信息,然后将学习内容注册在学习市场上。学习能力诊断设备120与SNS(社交网络服务)服务器和支持搜索的服务器共享注册在学习市场上的学习内容,其包括博客、推特、脸谱、主页和迷你主页中的一个或更多个。作为语义信息,学习能力诊断设备120选择并给予与基于基本信息确定学习意义上的相似性或同一性高的信息中的基本信息的关联性高的信息。基本信息包括学习内容的标题信息、说明信息、图像信息和关键词信息中的一个或更多个。
学习能力诊断设备120将有关学习内容的购买的信息发送给访问学习市场104的消费者终端104。学习能力诊断设备120发送有关学习内容的购买的信息,所述学习内容的基本信息与有关从消费者终端104通过搜索服务器输入的搜索词的信息匹配。学习能力诊断设备120利用基于与搜索词信息对应的本体信息应用的推理规则,找出搜索词与学习内容之间的关系,然后将与所述关系对应的有关购买的信息发送给消费者终端104。
当有关购买的信息中存在购买请求时,学习能力诊断设备120以销售或学习为目的出售学习内容。学习能力诊断设备120将用于学习内容的编辑和制作工具提供给购买学习内容的消费者终端104,当学习内容出售用于学习时,允许通过编辑和制作工具编辑的学习内容的二次销售。语义信息具有这样的数据结构,该数据结构包括:背景部分,其包括有关学习者的国家的信息、学习者的目的的信息、学习者的年级的信息、学习者的重要性的信息以及学习者的来源的信息中的一个或更多个;陈述部分,其包括有关学习的主科目的信息、有关学习情况的信息、学习关键词的信息以及有关学习的关键表达式的格式的信息中的一个或更多个;解答部分,其包括有关学习解答模式的信息、有关学习中的认知领域的信息、有关学习中的注意事项的信息以及有关学习的难度水平的信息中的一个或更多个;以及统计部分,其包括有关学习中的正确率的信息、有关学习的使用频率的信息、学习中的询问频率的信息、推荐次数的信息以及有关应答时间的信息中的一个或更多个。
当学习内容被出售用于学习时,学习能力诊断设备120根据从消费者终端接收到的学习内容的学习结果的信息来生成诊断测试信息,并存储所述诊断测试信息。当学习内容中包括学习测试数据时,学习能力诊断设备120从消费者终端104接收与学习测试数据对应的答案数据,并通过检查答案数据将得自批量模式诊断测试或交互模式诊断测试的数据发送给消费者终端104。批量模式诊断测试或交互模式诊断测试的细节如[表6]所示。
[表6]
在表6中,学习结果信息包括学习内容的下载次数的信息、有关驱动学习内容的次数的信息以及有关学习成绩的信息中的一个或更多个。学习结果信息的细节如[表7]所示。
[表7]
学习能力诊断设备120从消费者终端104接收推荐信息。推荐信息包括学习数据推荐信息、学习问题推荐信息、导师推荐信息和学习模板推荐信息中的一个或更多个。推荐信息的细节如[表8]所示。
[表8]
此外,另一实施方式中使用的术语如[表9]所示。
[表9]
图9是根据另一实施方式的提供学习市场的学习能力诊断设备的内部模块的示意性框图。
根据本实施方式的学习能力诊断设备120包括信息接收单元910、校阅操作单元920、学习内容注册单元930、内容提供单元940、内容出售单元950、诊断评价确定单元960和推荐处理单元970。尽管在本实施方式中,学习能力诊断设备120仅包括信息接收单元910、校阅操作单元920、学习内容注册单元930、内容提供单元940、内容出售单元950、诊断评价确定单元960和推荐处理单元970,但是这是本实施方式的精神的示例,在不脱离本实施方式的范围的情况下,学习能力诊断设备120的组件可由本领域技术人员以各种方式改变和修改。
信息接收单元910从供应终端102接收制作的学习内容。学习内容可以是包括Math ML格式的表达式信息和文本信息的数学内容,但不限于此。
校阅操作单元920进行校阅以将学习内容注册在学习市场上。校阅操作单元920基于有关实行学习内容的可能性的信息以及有关检查错误的信息中的至少一个来校阅学习内容。校阅操作单元920检查在学习市场中已经注册的内容中是否发现与请求注册的学习内容相同的内容,当作为检查结果发现相同的内容时,向供应终端发送消息“不合适”以拒绝请求注册的学习内容。校阅操作单元920检查与已经注册的内容的相似性,当不存在与已经注册的内容相同的内容时,并且当检查出的相似性小于预定值时,校阅操作单元920将请求注册的学习内容注册到学习市场上。校阅操作单元920基于匹配率来检查已经注册的学习内容中所包括的文本信息或表达式信息与所述学习内容中所包括的文本信息和表达式信息之间的相似性。校阅操作单元920将注册在学习市场上的学习内容中的相同的并且由消费者终端记录超过预定次数的内容无效。学习市场包括一般市场、销售市场和学习市场中的一个或更多个。
当通过校阅完成的认证时,学习内容注册单元930基于从供应终端102接收到的基本信息赋予学习内容以语义信息,然后将学习内容注册在学习市场上。学习内容注册单元930与SNS(社交网络服务)服务器和支持搜索的服务器共享注册在学习市场上的学习内容,其包括博客、推特、脸谱、主页和迷你主页中的一个或更多个。
作为语义信息,学习内容注册单元930选择并给予与基于基本信息确定学习意义上的相似性或同一性高的信息中的基本信息的关联性高的信息。基本信息包括学习内容的标题信息、说明信息、图像信息和关键词信息中的一个或更多个。学习内容注册单元930可包括[表10]中所述的生成模块,作为赋予学习内容以语义信息的组件。
[表10]
另一方面,学习内容注册单元930可包括[表11]中所述的管理模块,作为赋予学习内容以语义信息的组件。
[表11]
另一方面,学习内容注册单元930可包括[表12]中所述的存储模块,作为赋予学习内容以语义信息的组件。
[表12]
内容提供单元940将有关学习内容的购买的信息发送给访问学习市场104的消费者终端104。内容提供单元940发送有关学习内容的购买的信息,其中所述学习内容的基本信息与有关从消费者终端104通过搜索服务器输入的搜索词的信息匹配。内容提供单元940利用基于与搜索词信息对应的本体信息应用的推理规则,找出搜索词与学习内容之间的关系,然后将与所述关系对应的有关购买的信息发送给消费者终端104。另一方面,内容提供单元940可包括[表13]中所述的组件,以找到有关基本信息与通过搜索服务器输入的关键词信息匹配的学习内容的购买的信息。
[表13]
另一方面,内容提供单元940可包括[表14]中所述的组件,以搜索包括在有关购买的信息中的文本和表达式。
[表14]
当有关购买的信息中存在购买请求时,内容出售单元950以销售或学习为目的出售学习内容。内容出售单元950将用于学习内容的编辑和制作工具提供给购买学习内容的消费者终端104,当学习内容被出售以用于学习时,允许通过编辑和制作工具编辑的学习内容的二次销售。语义信息具有这样的数据结构,该数据结构包括:背景部分,其包括有关学习者的国家的信息、学习者的目的的信息、学习者的年级的信息、学习者的重要性的信息以及学习者的来源的信息中的一个或更多个;陈述部分,其包括有关学习的主科目的信息、有关学习情况的信息、学习关键词的信息以及有关学习的关键表达式的格式的信息中的一个或更多个;解答部分,其包括有关学习解答模式的信息、有关学习中的认知领域的信息、有关学习中的注意事项的信息以及有关学习的难度水平的信息中的一个或更多个;以及统计部分,其包括有关学习中的正确率的信息、有关学习的使用频率的信息、学习中的询问频率的信息、推荐次数的信息以及有关应答时间的信息中的一个或更多个。
当学习内容被出售用于学习时,诊断评价确定单元960根据从消费者终端接收到的学习内容的学习结果的信息来生成诊断评价信息,并存储所述诊断评价信息。当学习内容中包括学习评价数据时,诊断评价确定单元960从消费者终端104接收与学习评价数据对应的答案数据,并通过检查答案数据将得自共同诊断评价或一对一诊断评价的数据发送给消费者终端104。学习结果信息包括学习内容的下载次数的信息、有关驱动学习内容的次数的信息以及有关学习成绩的信息中的一个或更多个。推荐处理单元970存储从消费者终端104接收到的推荐信息。推荐信息包括学习数据推荐信息、学习问题推荐信息、导师推荐信息和学习模板推荐信息中的一个或更多个。
工业实用性
上述实施方式可应用于用于诊断学习能力的设备和方法。根据这些实施方式,通过根据学习目标和学习者的学习历史通过诸如数学问题的语义模型自动诊断对学习概念的理解和按照问题类型的问题解答能力,并且通过基于诊断结果向学习者提供数据,可激励使用终端的学习者进行学习,并且使得所有人能够在学习市场上自由地交易自己的学习内容。
相关申请的交叉引用
如果可申请,本申请要求在2010年10月29日提交的韩国专利申请No.10-2010-0106481以及在2010年11月16日提交的韩国专利申请No.10-2010-0114064在35U.S.C§119(a)下的优先权,通过引用将其全部内容并入本文。另外,本非临时申请以与韩国专利申请相同的原因在除美国之外的国家要求优先权,通过引用将其全部内容并入本文。