CN104765842A - 一种最佳学习方案推送方法及系统 - Google Patents
一种最佳学习方案推送方法及系统 Download PDFInfo
- Publication number
- CN104765842A CN104765842A CN201510181080.XA CN201510181080A CN104765842A CN 104765842 A CN104765842 A CN 104765842A CN 201510181080 A CN201510181080 A CN 201510181080A CN 104765842 A CN104765842 A CN 104765842A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- knowledge
- scoring
- current
- point
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例公开了一种最佳学习方案推送方法及系统,其中,该方法包括:构建学科知识技能图;根据知识点评分方法对学科知识技能图中所有知识点进行评分,获得每个知识点的评分;根据每个知识点的评分获取最佳知识点;从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将最佳学习方案推送给用户。在本发明实施例中,通过构建知识技能图,解决知识点的标准化、可视化和优先级问题,通过对知识技能图中各知识点的重要性进行评估形成最佳学习方案;将所形成的最佳学习方案推送给学生,用于解决不能根据学生实际学习状态的缺陷,解决了传统计算机辅助教育中存在的学生学习缺乏针对性的问题,使学生在限定时间中产生最大学习效益。
Description
技术领域
本发明涉及计算机辅助教育技术领域,尤其涉一种最佳学习方案推送方法及系统。
背景技术
进入21世纪,越来越多的家长关注孩子的学习,教育产业也变得越来越受到重视。学生们面对大量的作业,在学习中往往不能调动积极性,学习效率不高,学习中的互动性少,对知识的掌握和自身综合素质的提高往往显得心有余而力不足。如何提高中小学生的学习效率,加强学习效果,同时又能激发学生们对学习的热情。这是一个在生活中普遍存在但又未得到很好解决的问题。
一种计算机辅助教育系统及方法,其学习推送方法主要是根据学习者信息确定其状态,若处于正确学习状态则读取互动内容,虽然针对学习者的当前操作来生成下一步操作,但没有根据学生的学习状态,学生对知识的求知欲、喜好程度、知识的遗忘程度作智能的任务推送。
一种计算机辅助教学专家系统,其学习推送方法需要将题库分类,根据学习者的做题结果反馈给专家,选择知识点组成知识库,虽强调专家诊断学习者学习的过程,但后续学习方案只是依靠事先设定好的知识点学习顺序进行推送,模式单一,缺乏动态性,并且对学生遗忘的知识点和掌握不好的知识点不再进行学习的规划,学生学习效果不好的现象仍然存在。
大部分学习系统中往往任务模式固定,且不能根据学生的学习状态、对知识的求知欲、喜好程度、知识的遗忘程度作智能的任务推送。推送学习的方法也仅仅是根据学生在学习中出错次数这一单一指标来推送出错的知识,只考虑学生在当前学习状态下的局部知识点方案推送,而不会针对整个学科知识点做全局知识点方案的推送。这些学习方案推送方法存在简单的知识点重复学习,遗忘的知识点并不复习,学生喜欢学习的知识点不能得到重点学习的问题,学生单位时间学习的知识点不是能够产生最大学习效益的知识点,知识点的学习顺序被人为规则事先设定。学生的学习效果和积极性并未有效提高。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种最佳学习方案推送方法及系统,解决了传统计算机辅助教学方法中学生学习缺乏针对性的问题,使学生在限定时间中产生最大学习效益。
为了解决上述问题,本发明提出了一种最佳学习方案推送方法,所述方法包括:
构建学科知识技能图;
根据知识点评分方法对所述学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
根据所述每个知识点的评分获取最佳知识点;
从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将所述最佳学习方案推送给用户。
优选地,所述构建学科知识技能图的步骤包括:
提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
构建知识点的有向无环图DAG,读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;
利用图形化的界面语言生成图形化的知识技能图;
获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
根据所述总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
优选地,所述根据知识点评分方法对所述学科知识技能图中所有知识点进行评分,获得每个知识点的评分的步骤包括:
设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
判断是否遍历完成知识技能图中所有知识点,若是,则将知识点评分集合输出;若否,则获取知识技能图当前访问的结点,为其构建神经网络模型;
获取当前访问结点的权重集编码,为神经网络权重赋值;
通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
对当前访问结点执行神经网络算法,计算其评分;
将当前访问结点的评分放入知识点评分集合中。
优选地,所述通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码的步骤包括:
输入待训练的权重集编码;
初始化遗传算法中的种群;
遍历当前种群,并计算每个物种的适应性评分,其中,所述物种是权重集编码,所述种群是权重集编码的集合;
判断是否出现限定条件下的最佳权重集编码,若是,则输出该最佳权重集编码;若否,则通过波兹曼变比调整适应性评分;
执行基于当前适应性评分下的精英选择算子,获取父代物种集合;
通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合;
通过浮点数突变算子对子代物种集合进行突变。
优选地,所述遍历当前种群,并计算每个物种的适应性评分的步骤包括:
初始化,获取知识技能图中的剩余时间,生成知识技能图的一个副本图;
遍历副本图,对每个节点执行神经网络算法,得到结点评分集合;
筛选最高评分的知识点;
获取25分钟的知识点熟练度增加期望;
将副本图中当前知识点熟练度更新为当前知识点熟练度与当前知识点熟练度增加期望之和,并将当前知识点的学习时间点设置为原点;
将当前学习时间叠加25分钟;
判定当前学习时间是否超过剩余时间,若否,则遍历副本图;若是,通过当前副本图中各知识点熟练度,进行模拟能力测试,获取其考试成绩;
输出考试成绩作为此权重序列的适应性评分。
优选地,所述对当前访问结点执行神经网络算法,计算其评分的步骤包括:
获取知识点的记忆率值参数A,通过艾宾浩斯遗忘函数计算当前时间下的记忆率;
获取知识点的边际效用值参数B;
获取用户求知欲值参数C;
获取用户对当前知识点的个人偏好值参数D;
将参数A、B、C、D输入到神经网络的输入层;
将数据从输入层输入到隐藏层;
计算隐藏层各神经细胞内数据与权重乘积,将结果传递给输出层,输出层根据激励函数输出0~1之间某浮点值,即知识点评分。
相应地,本发明还提供一种最佳学习方案推送系统,所述系统包括:
构建模块,用于构建学科知识技能图;
评分模块,用于根据知识点评分方法对所述构建模块所构建的学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
获取模块,用于根据所述评分模块所获得的每个知识点的评分获取最佳知识点;
推送模块,用于从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将所述最佳学习方案推送给用户。
优选地,所述构建模块包括:
提取单元,用于提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
构建单元,用于构建知识点的有向无环图DAG,读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;
生成单元,用于利用图形化的界面语言生成图形化的知识技能图;
获取单元,用于获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
更新单元,用于根据总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
优选地,所述评分模块包括:
设定单元,用于设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
判断单元,用于判断是否遍历完成知识技能图中所有知识点,若是,则将知识点评分集合输出;若否,则获取知识技能图当前访问的结点,为其构建神经网络模型;
赋值单元,用于获取当前访问结点的权重集编码,为神经网络权重赋值;
训练单元,用于通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
计算单元,对当前访问结点执行神经网络算法,计算其评分;
集合单元,用于将当前访问结点的评分放入知识点评分集合中。
优选地,所述训练单元还用于输入待训练的权重集编码,初始化遗传算法中的种群,遍历当前种群,并计算每个物种的适应性评分,其中,所述物种是权重集编码,所述种群是权重集编码的集合;判断是否出现限定条件下的最佳权重集编码,若是,则输出该最佳权重集编码;若否,则通过波兹曼变比调整适应性评分;执行基于当前适应性评分下的精英选择算子,获取父代物种集合;通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合;通过浮点数突变算子对子代物种集合进行突变。
在本发明实施例中,通过构建知识技能图,解决知识点的标准化、可视化和优先级问题,使知识点有序化,通过对知识技能图中各知识点的重要性进行评估形成最佳学习方案;将所形成的最佳学习方案推送给学生,用于解决不能根据学生实际学习状态(如对知识的遗忘程度、喜好程度等)的缺陷,解决了传统计算机辅助教育中存在的学生学习缺乏针对性的问题,使学生在限定时间中产生最大学习效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例的最佳学习方案推送方法的流程示意图;
图2是本发明实施例中构建学科知识技能图的流程示意图;
图3是本发明实施例中获得每个知识点的评分的流程示意图;
图4是本发明实施例中训练权重集编码的流程示意图;
图5是本发明实施例中计算每个权重集编码的适应性评分的流程示意图;
图6是本发明实施例中神经网络算法执行过程示意图;
图7是本发明实施例的最佳学习方案推送系统的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的最佳学习方案推送方法的流程示意图,如图1所示,该方法包括:
S1,构建学科知识技能图;
S2,根据知识点评分方法对学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
S3,根据每个知识点的评分获取最佳知识点;
S4,从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将最佳学习方案推送给用户。
如图2所示,S1包括:
S11,提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
S12,构建知识点的有向无环图DAG(知识技能图),读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;设置每个节点的知识点名称,知识点描述,知识点题目,知识点熟练度初始为0,权重集编码为随机值域范围为0到1的浮点值,知识点学习时间为0,设置个人偏好值初始为0;
S13,利用图形化的界面语言生成图形化的知识技能图;
S14,获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
S15,根据总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
如图3所示,S2进一步包括:
S21,设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
S22,判断是否遍历完成知识技能图中所有知识点,若是,执行S23,若否,执行S24;
S23,将知识点评分集合输出;
S24,获取知识技能图当前访问的结点,为其构建神经网络模型;
其中,此神经网络模型是一种前馈型神经网络,包括一个输入层,一个隐藏层,一个输出层。其中输入层由A、B、C、D四个输入参数组成,隐藏层含有10个神经细胞,输出层含有一个神经细胞。神经细胞的激励函数为S型函数,即其中a为激励值,p为修正参数,默认p=1。
S25,获取当前访问结点的权重集编码,为神经网络权重赋值;
S26,通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
S27,对当前访问结点执行神经网络算法,计算其评分;
S28,将当前访问结点的评分放入知识点评分集合中。
其中,如图4所示,S26进一步包括:
S261,输入待训练的权重集编码;
S262,初始化遗传算法中的种群;
S263,遍历当前种群,并计算每个物种的适应性评分,其中,物种是权重集编码,种群是权重集编码的集合,物种数量为100;
S264,判断是否出现限定条件下的最佳物种,即最佳权重集编码,其中限定条件是指适应性评分大于等于85;若是,执行S265,若否,执行S266;
S265,输出该最佳权重集编码;
S266,通过波兹曼变比调整适应性评分;其中, NewFitness为新的适应性评分,OldFitness为当前适应性评分,Temp为温度,Temp每代会减少一个很小的值,N是种群中物种数量。
S267,执行基于当前适应性评分下的精英选择算子,获取父代物种集合,即将当前适应性评分最高的10个物种和执行对剩余物种执行轮盘选择算子后的并集;
S268,通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合,此时的子代物种集合即为当前种群。其中细胞边界杂交算子是指,将每个神经细胞中所属的权重序列看作基本杂交单元,再进行多点杂交;
S269,通过浮点数突变算子对子代物种集合进行突变,其中浮点数突变算子是指设定突变率为0.1,并通过一个既定值域内的随机数,对原始编码进行叠加产生此位置的新编码,重复S263。
进一步地,如图5所示,S263包括:
S2631,初始化,获取知识技能图中的剩余时间,生成知识技能图的一个副本图;
S2632,遍历副本图,对每个节点执行神经网络算法,得到结点评分集合;
S2633,筛选最高评分的知识点;
S2634,获取25分钟的知识点熟练度增加期望;
S2635,将副本图中当前知识点熟练度更新为当前知识点熟练度与当前知识点熟练度增加期望之和,并将当前知识点的学习时间点设置为原点;
S2636,将当前学习时间叠加25分钟;
S2637,判定当前学习时间是否超过剩余时间,若否,遍历副本图,若是,执行S2638;
S2638,通过当前副本图中各知识点熟练度,进行模拟能力测试,获取其考试成绩;
S2639,出考试成绩作为此权重序列的适应性评分。
结合图6对本发明实施例的神经网络算法执行过程进行详细说明,包括:
获取知识点的记忆率值参数A,通过艾宾浩斯遗忘函数计算当前时间下的记忆率;其中,通过Memory=23.7328-76.2169×e-1.9645t,计算当前时间t下的记忆率Memory;
获取知识点的边际效用值参数B;通过成绩效用函数Utility=50π×tan-1x,求导获得,即参数其中x为知识点熟练度;
获取用户求知欲值参数C;其中,通过对用户进行与人格特质相关的心理测评,评估学生对新知识的渴求程度(即求知欲值)获取,其中求知欲值为0到1之间的某一浮点数;其中,通过读取在存储知识技能图中此知识点的个人偏好值获取,其中偏好度为0到1之间的某一浮点数;
获取用户对当前知识点的个人偏好值参数D;
将参数A、B、C、D输入到神经网络的输入层;
将数据从输入层输入到隐藏层,其中,隐藏层神经细胞的激励值等于输入层各参数与权重乘积之和;
计算隐藏层各神经细胞内数据与权重乘积,将结果传递给输出层,输出层根据激励函数输出0~1之间某浮点值,即知识点评分。
另外,本发明实施例还提供一种最佳学习方案推送系统,如图7所示,该系统包括:
构建模块1,用于构建学科知识技能图;
评分模块2,用于根据知识点评分方法对构建模块2所构建的学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
获取模块3,用于根据评分模块3所获得的每个知识点的评分获取最佳知识点;
推送模块4,用于从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将所述最佳学习方案推送给用户。
进一步地,构建模块1包括:
提取单元,用于提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
构建单元,用于构建知识点的有向无环图DAG,读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;
生成单元,用于利用图形化的界面语言生成图形化的知识技能图;
获取单元,用于获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
更新单元,用于根据总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
评分模块2包括:
设定单元,用于设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
判断单元,用于判断是否遍历完成知识技能图中所有知识点,若是,则将知识点评分集合输出;若否,则获取知识技能图当前访问的结点,为其构建神经网络模型;
赋值单元,用于获取当前访问结点的权重集编码,为神经网络权重赋值;
训练单元,用于通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
计算单元,对当前访问结点执行神经网络算法,计算其评分;
集合单元,用于将当前访问结点的评分放入知识点评分集合中。
其中,训练单元还用于输入待训练的权重集编码,初始化遗传算法中的种群,遍历当前种群,并计算每个物种的适应性评分,其中,所述物种是权重集编码,所述种群是权重集编码的集合;判断是否出现限定条件下的最佳权重集编码,若是,则输出该最佳权重集编码;若否,则通过波兹曼变比调整适应性评分;执行基于当前适应性评分下的精英选择算子,获取父代物种集合;通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合;通过浮点数突变算子对子代物种集合进行突变。
具体地,本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述,这里不再赘述。
在本发明实施例中,通过构建知识技能图,解决知识点的标准化、可视化和优先级问题,使知识点有序化,通过对知识技能图中各知识点的重要性进行评估形成最佳学习方案;将所形成的最佳学习方案推送给学生,用于解决不能根据学生实际学习状态(如对知识的遗忘程度、喜好程度等)的缺陷,解决了传统计算机辅助教育中存在的学生学习缺乏针对性的问题,使学生在限定时间中产生最大学习效益。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的提最佳学习方案推送方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种最佳学习方案推送方法,其特征在于,所述方法包括:
构建学科知识技能图;
根据知识点评分方法对所述学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
根据所述每个知识点的评分获取最佳知识点;
从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将所述最佳学习方案推送给用户。
2.如权利要求1所述的最佳学习方案推送方法,其特征在于,所述构建学科知识技能图的步骤包括:
提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
构建知识点的有向无环图DAG,读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;
利用图形化的界面语言生成图形化的知识技能图;
获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
根据所述总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
3.如权利要求1所述的最佳学习方案推送方法,其特征在于,所述根据知识点评分方法对所述学科知识技能图中所有知识点进行评分,获得每个知识点的评分的步骤包括:
设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
判断是否遍历完成知识技能图中所有知识点,若是,则将知识点评分集合输出;若否,则获取知识技能图当前访问的结点,为其构建神经网络模型;
获取当前访问结点的权重集编码,为神经网络权重赋值;
通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
对当前访问结点执行神经网络算法,计算其评分;
将当前访问结点的评分放入知识点评分集合中。
4.如权利要求3所述的最佳学习方案推送方法,其特征在于,所述通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码的步骤包括:
输入待训练的权重集编码;
初始化遗传算法中的种群;
遍历当前种群,并计算每个物种的适应性评分,其中,所述物种是权重集编码,所述种群是权重集编码的集合;
判断是否出现限定条件下的最佳权重集编码,若是,则输出该最佳权重集编码;若否,则通过波兹曼变比调整适应性评分;
执行基于当前适应性评分下的精英选择算子,获取父代物种集合;
通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合;
通过浮点数突变算子对子代物种集合进行突变。
5.如权利要求4所述的最佳学习方案推送方法,其特征在于,所述遍历当前种群,并计算每个物种的适应性评分的步骤包括:
初始化,获取知识技能图中的剩余时间,生成知识技能图的一个副本图;
遍历副本图,对每个节点执行神经网络算法,得到结点评分集合;
筛选最高评分的知识点;
获取25分钟的知识点熟练度增加期望;
将副本图中当前知识点熟练度更新为当前知识点熟练度与当前知识点熟练度增加期望之和,并将当前知识点的学习时间点设置为原点;
将当前学习时间叠加25分钟;
判定当前学习时间是否超过剩余时间,若否,则遍历副本图;若是,通过当前副本图中各知识点熟练度,进行模拟能力测试,获取其考试成绩;
输出考试成绩作为此权重序列的适应性评分。
6.如权利要求3所述的最佳学习方案推送方法,其特征在于,所述对当前访问结点执行神经网络算法,计算其评分的步骤包括:
获取知识点的记忆率值参数A,通过艾宾浩斯遗忘函数计算当前时间下的记忆率;
获取知识点的边际效用值参数B;
获取用户求知欲值参数C;
获取用户对当前知识点的个人偏好值参数D;
将参数A、B、C、D输入到神经网络的输入层;
将数据从输入层输入到隐藏层;
计算隐藏层各神经细胞内数据与权重乘积,将结果传递给输出层,输出层根据激励函数输出0~1之间某浮点值,即知识点评分。
7.一种最佳学习方案推送系统,其特征在于,所述系统包括:
构建模块,用于构建学科知识技能图;
评分模块,用于根据知识点评分方法对所述构建模块所构建的学科知识技能图中所有知识点进行评分,获得每个知识点的评分;
获取模块,用于根据所述评分模块所获得的每个知识点的评分获取最佳知识点;
推送模块,用于从题库中获取最佳知识点所对应的题目,形成最佳学习方案,并将所述最佳学习方案推送给用户。
8.如权利要求7所述的最佳学习方案推送系统,其特征在于,所述构建模块包括:
提取单元,用于提取每个知识点文件中的知识点名称、知识点描述、先修知识点名称、知识点对应的题目,并写入知识点优先级次序文件A中,读取所述知识点优先级次序文件A中的每条记录,存入知识库的知识表中;
构建单元,用于构建知识点的有向无环图DAG,读取知识表中的每条记录,生成当前知识点和先修知识点集合在DAG中对应的节点集合,设置当前知识点为先修知识点的子节点,设置先修知识点的孩子节点为当前知识点;
生成单元,用于利用图形化的界面语言生成图形化的知识技能图;
获取单元,用于获取用户设定该学科的总学习时间,获取用户输入的在图形化的知识技能图中各知识点的个人偏好值;
更新单元,用于根据总学习时间和各知识点的个人偏好值,更新知识技能图中知识点中个人偏好值。
9.如权利要求8所述的最佳学习方案推送方法,其特征在于,所述评分模块包括:
设定单元,用于设定一个知识点评分的集合,容量为知识点数目,将每个知识点的评分初始化为0;
判断单元,用于判断是否遍历完成知识技能图中所有知识点,若是,则将知识点评分集合输出;若否,则获取知识技能图当前访问的结点,为其构建神经网络模型;
赋值单元,用于获取当前访问结点的权重集编码,为神经网络权重赋值;
训练单元,用于通过遗传算法对权重集编码进行训练,并用已训练完成的权重集编码更新此结点的权重集编码;
计算单元,对当前访问结点执行神经网络算法,计算其评分;
集合单元,用于将当前访问结点的评分放入知识点评分集合中。
10.如权利要求9所述的最佳学习方案推送方法,其特征在于,所述训练单元还用于输入待训练的权重集编码,初始化遗传算法中的种群,遍历当前种群,并计算每个物种的适应性评分,其中,所述物种是权重集编码,所述种群是权重集编码的集合;判断是否出现限定条件下的最佳权重集编码,若是,则输出该最佳权重集编码;若否,则通过波兹曼变比调整适应性评分;执行基于当前适应性评分下的精英选择算子,获取父代物种集合;通过细胞边界杂交算子,完成父代物种集合的杂交步骤,产生子代物种集合;通过浮点数突变算子对子代物种集合进行突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181080.XA CN104765842B (zh) | 2015-04-15 | 2015-04-15 | 一种最佳学习方案推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181080.XA CN104765842B (zh) | 2015-04-15 | 2015-04-15 | 一种最佳学习方案推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104765842A true CN104765842A (zh) | 2015-07-08 |
CN104765842B CN104765842B (zh) | 2018-05-01 |
Family
ID=53647670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510181080.XA Active CN104765842B (zh) | 2015-04-15 | 2015-04-15 | 一种最佳学习方案推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104765842B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260965A (zh) * | 2015-11-18 | 2016-01-20 | 浙江师范大学 | 一种基于决策图的智能选课方法 |
CN106156335A (zh) * | 2016-07-07 | 2016-11-23 | 苏州大学 | 一种教材知识点的挖掘整理方法和系统 |
CN106886821A (zh) * | 2017-02-21 | 2017-06-23 | 中山大学 | 一种支持自主学习的个性化知识元表的自动生成方法及系统 |
CN107154190A (zh) * | 2017-07-21 | 2017-09-12 | 杭州学天教育科技有限公司 | 网络教学问答评分、保存网络教学问答评分及教学方法 |
CN107665472A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN107943853A (zh) * | 2017-11-06 | 2018-04-20 | 浙江三米教育科技有限公司 | 知识节点选择测试方法及其所应用计算机设备和存储介质 |
CN107977708A (zh) * | 2017-11-24 | 2018-05-01 | 重庆科技学院 | 面向个性化学习方案推荐的学生dna身份信息定义方法 |
CN108172047A (zh) * | 2018-01-19 | 2018-06-15 | 上海理工大学 | 一种网络在线学习资源个性化实时推荐方法 |
CN109388708A (zh) * | 2018-06-15 | 2019-02-26 | 云天弈(北京)信息技术有限公司 | 一种个性化定制写作系统 |
CN109615009A (zh) * | 2018-12-12 | 2019-04-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及电子设备 |
CN109658303A (zh) * | 2018-12-13 | 2019-04-19 | 湖南德雅曼达科技有限公司 | 一种用于医务人员对医院感染防控学习的系统及方法 |
CN109872601A (zh) * | 2018-03-07 | 2019-06-11 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN110110036A (zh) * | 2018-02-02 | 2019-08-09 | 上海颐为网络科技有限公司 | 一种学习知识结构的辅助方法和系统 |
CN110288878A (zh) * | 2019-07-01 | 2019-09-27 | 科大讯飞股份有限公司 | 自适应学习方法及装置 |
CN112256805A (zh) * | 2020-10-30 | 2021-01-22 | 清华大学深圳国际研究生院 | 一种学习方案的生成方法、系统及计算机可读存储介质 |
US10956487B2 (en) | 2018-12-26 | 2021-03-23 | Industrial Technology Research Institute | Method for establishing and processing cross-language information and cross-language information system |
CN112885172A (zh) * | 2021-04-28 | 2021-06-01 | 北京合众美华教育投资有限公司 | 一种网络教学方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008176511A (ja) * | 2007-01-17 | 2008-07-31 | Fukuoka Institute Of Technology | コンピュータネットワークにおける情報処理方法および情報処理装置 |
CN101655856A (zh) * | 2009-09-15 | 2010-02-24 | 西安交通大学 | 一种获取用户特定知识元兴趣度的方法 |
CN102508874A (zh) * | 2011-10-15 | 2012-06-20 | 西安交通大学 | 一种知识地图上导航学习路径的生成方法 |
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
-
2015
- 2015-04-15 CN CN201510181080.XA patent/CN104765842B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008176511A (ja) * | 2007-01-17 | 2008-07-31 | Fukuoka Institute Of Technology | コンピュータネットワークにおける情報処理方法および情報処理装置 |
CN101655856A (zh) * | 2009-09-15 | 2010-02-24 | 西安交通大学 | 一种获取用户特定知识元兴趣度的方法 |
CN102508874A (zh) * | 2011-10-15 | 2012-06-20 | 西安交通大学 | 一种知识地图上导航学习路径的生成方法 |
CN102737120A (zh) * | 2012-06-01 | 2012-10-17 | 西安交通大学 | 一种个性化网络学习资源推荐方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260965A (zh) * | 2015-11-18 | 2016-01-20 | 浙江师范大学 | 一种基于决策图的智能选课方法 |
CN105260965B (zh) * | 2015-11-18 | 2018-12-21 | 莫毓昌 | 一种基于决策图的智能选课方法 |
CN106156335A (zh) * | 2016-07-07 | 2016-11-23 | 苏州大学 | 一种教材知识点的挖掘整理方法和系统 |
CN107665472A (zh) * | 2016-07-27 | 2018-02-06 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN107665472B (zh) * | 2016-07-27 | 2021-06-25 | 科大讯飞股份有限公司 | 学习路径规划方法和装置 |
CN106886821A (zh) * | 2017-02-21 | 2017-06-23 | 中山大学 | 一种支持自主学习的个性化知识元表的自动生成方法及系统 |
CN107154190A (zh) * | 2017-07-21 | 2017-09-12 | 杭州学天教育科技有限公司 | 网络教学问答评分、保存网络教学问答评分及教学方法 |
CN107943853A (zh) * | 2017-11-06 | 2018-04-20 | 浙江三米教育科技有限公司 | 知识节点选择测试方法及其所应用计算机设备和存储介质 |
CN107977708A (zh) * | 2017-11-24 | 2018-05-01 | 重庆科技学院 | 面向个性化学习方案推荐的学生dna身份信息定义方法 |
CN108172047B (zh) * | 2018-01-19 | 2019-11-01 | 上海理工大学 | 一种网络在线学习资源个性化实时推荐方法 |
CN108172047A (zh) * | 2018-01-19 | 2018-06-15 | 上海理工大学 | 一种网络在线学习资源个性化实时推荐方法 |
CN110110036A (zh) * | 2018-02-02 | 2019-08-09 | 上海颐为网络科技有限公司 | 一种学习知识结构的辅助方法和系统 |
CN109872601A (zh) * | 2018-03-07 | 2019-06-11 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN109872601B (zh) * | 2018-03-07 | 2021-04-27 | 北京理工大学 | 一种基于虚拟现实的个性化驾驶习惯训练方案生成方法 |
CN109388708A (zh) * | 2018-06-15 | 2019-02-26 | 云天弈(北京)信息技术有限公司 | 一种个性化定制写作系统 |
CN109388708B (zh) * | 2018-06-15 | 2022-05-31 | 云天弈(北京)信息技术有限公司 | 一种个性化定制写作系统 |
CN109615009A (zh) * | 2018-12-12 | 2019-04-12 | 广东小天才科技有限公司 | 一种学习内容推荐方法及电子设备 |
CN109658303A (zh) * | 2018-12-13 | 2019-04-19 | 湖南德雅曼达科技有限公司 | 一种用于医务人员对医院感染防控学习的系统及方法 |
US10956487B2 (en) | 2018-12-26 | 2021-03-23 | Industrial Technology Research Institute | Method for establishing and processing cross-language information and cross-language information system |
CN110288878B (zh) * | 2019-07-01 | 2021-10-08 | 科大讯飞股份有限公司 | 自适应学习方法及装置 |
CN110288878A (zh) * | 2019-07-01 | 2019-09-27 | 科大讯飞股份有限公司 | 自适应学习方法及装置 |
CN112256805A (zh) * | 2020-10-30 | 2021-01-22 | 清华大学深圳国际研究生院 | 一种学习方案的生成方法、系统及计算机可读存储介质 |
CN112885172A (zh) * | 2021-04-28 | 2021-06-01 | 北京合众美华教育投资有限公司 | 一种网络教学方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104765842B (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104765842A (zh) | 一种最佳学习方案推送方法及系统 | |
Ju et al. | Foresight methods in pedagogical design of university learning environment | |
Hartman | Defining expertise in the use of constraint-based CAD tools by examining practicing professionals | |
Park et al. | Bringing computational thinking into science education | |
Taraban et al. | Using Paper‐and‐Pencil Solutions to Assess Problem Solving Skill | |
AlGhamdi | Artificial Intelligence in Education as a Mean to Achieve Sustainable Development in Accordance with the Pillars of the Kingdom's Vision 2030--A Systematic Review. | |
Psycharis et al. | Assesement and integrated steam in engineering education | |
Koznov | Teaching to write software engineering documents with focus on document design by means of mind maps | |
Wiegand | School students' mental representations of thematic point symbol maps | |
Zhao | A Design Model of English Auxiliary Teaching System Using Artificial Neural Networks | |
Zhang et al. | The Design and Practice of the Flipped Classroom Teaching Model Based on the Padagogy Wheel | |
Azizah et al. | Educational Literacy Assistance and Training for Indonesian Migrant Children in Malaysia | |
Shi | Deep Learning for College English Education Evaluation | |
Xu | An English teaching ability evaluation algorithm based on frequency effect | |
GuanBo et al. | Innovation of software engineering course with the background of engineering education professional certification | |
Keivanpour | Work-in-progress-digital twin and gamification for designing an educational lab for circular economy | |
Chen et al. | Computational thinking training and deep learning evaluation model construction based on scratch modular programming course | |
Zheng | Professional Training and Tutorial Mode of Social Media SPOCS under the Background of “1+ x” Certificate System | |
Bukreiev et al. | Features of the development of an automated educational and control complex for checking the quality of students | |
Chornyi et al. | Information technologies for visualization of diagnostic results of future engineers competences in multidimensional non-metric spaces | |
Xiong et al. | A Study on the Optimization Mechanism of the Civic OBE Concept for a Computational Thinking-Oriented Basic Programming Course. | |
Folayan et al. | Applying Project Based Learning to Flipped Bloom Taxonomy for Deep Understanding in Control Systems | |
Yu et al. | Case study on “STEM+ computational thinking” education model in Chinese K-12 schools | |
Fan | Construction and Application of English Smart Classroom Teaching Model Integrating MOOC and Flipped Classroom | |
Gaikwad | Artificial Intelligence, Machine Learning and Smartphone-Internet of Things (S-IoT) for Advanced Student Network and Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |