CN106886821A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106886821A CN106886821A CN201710093403.9A CN201710093403A CN106886821A CN 106886821 A CN106886821 A CN 106886821A CN 201710093403 A CN201710093403 A CN 201710093403A CN 106886821 A CN106886821 A CN 106886821A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learning
- model
- blocks
- activity
- 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 169
- 230000013016 learning Effects 0.000 title claims abstract description 165
- 230000008569 process Effects 0.000 claims abstract description 135
- 230000000694 effects Effects 0.000 claims abstract description 97
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000003325 tomography Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 101100482059 Abies grandis AS gene Proteins 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/06—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers
- G09B7/08—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers characterised by modifying the teaching programme in response to a wrong answer, e.g. repeating the question, supplying further information
Abstract
本发明公开了一种支持自主学习的个性化知识元表的自动生成方法,包括步骤:1)建立用于生成个性化知识表的知识模型和学习过程模型;2)根据知识元之间的时序性进行知识单元的层次标定;3)根据过程模型中活动的时序性以及活动的类型、时间等属性对同一个知识单元内的活动进行串行化处理;4)根据知识单元所在层次及知识单元的时序关系,进行知识单元间的活动的串行化处理,给出针对不同学习者的知识元粒度层的学习方案;5)给出了根据学习内容的变化、学习过程及可用时间的变化进行学习方案的调整的规则。该方法能根据学习者的具体情况自动地给出知识元粒度层的个性化优化的学习方案,并能根据学习时间、过程和内容的变化进行学习方案的调整。
Description
技术领域
本发明涉及信息与网络技术领域,具体涉及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。
背景技术
随着计算机、网络等技术的发展以及电子教学资源的日益丰富,教学过程正在发生巨大变化,正在从传统的以教师的教为主导的教学过程转向为以学生为中心的、以学生主动学习为主的教学过程。若要实现既能充分发挥当前教育技术所支持的新的教学过程的优势,又能防止学生在学习过程中迷航的目标,就需要解决:“如何根据学习者的具体情况及其所处的资源环境状况,从长远发展的角度为其学习制定个性化的、优化的学习方案”这一难题。
发明内容
本发明的目的是提出一种支持自主学习的个性化知识元表的自动生成方法,针对开放网络环境下的自主学习,根据学习环境的特点,从学习者自身情况出发来生成个性化学习方案。
本发明提供一个基于知识模型和过程模型的双模型映射的大型个性化学习方案的自动生成与优化方法来为e-learning环境中的学习者提供导航。本发明研究的是ITS(ITS,Intelligent Tutoring Systems)中的核心技术问题,是在网络环境下实施个性化教育的技术基础。
该方法在学习内容模型和学习过程模型的基础上,利用这两个模型之间的映射关系,通过对这两个模型的联合处理生成知识元粒度层的知识表。它首先根据知识元的聚集性对知识模型进行知识单元划分,根据知识元之间的时序性进行知识单元的层次的标定;之后,根据过程模型中活动的时序性以及活动的类型、支持资源等属性,对同一个知识单元内的活动进行串行化处理;之后根据知识单元所在层次及知识单元的时序关系,进行知识单元间的活动的串行化处理,给出针对不同学习者的知识元粒度层的学习方案。
本发明的技术方案具体包括两个方面,一方面提出了一种支持自主学习的个性化知识元表的自动生成方法,具体包括以下步骤:
步骤1,此步骤主要进行问题描述并进行相关约定。
步骤2,此步骤为预处理阶段。主要包括学习内容的知识建模、如何学习的学习过程建模以及优化所依据的模型性质、模型之间的映射规则。
步骤3,知识模型的层次划分。主要根据不同知识单元中的知识元之间的关系进行知识单元的层次划分。
步骤4,知识单元内部知识元学习活动的串行化。主要依据相关规定,根据学习过程的特点及性质进行单元内学习活动的串行化。
步骤5,不同知识单元间的知识元进行串行化处理。主要包括同一层次的不同知识单元中的知识元的串行化处理及不同层次的知识单元中的知识元的串行化处理。
步骤6,监测学习者和学习内容,若二者之一发生变化时,则进行相关性判断以及相应处理。
进一步,本发明所述步骤2中,学习过程为对应知识元的学习过程,过程模型和知识模型的存在又分为四种情况:一种情况为只有知识模型;第二种情况为只有学习过程模型;第三种情况为学习过程模型和学习知识模型都存在;第四种情况为知识模型和过程模型都不存在。对于第一种情况和第二种情况,利用模型之间的映射关系可以从一种模型生成另外一种模型;对于第三种情况可以根据模型之间的映射关系进行一致性检查;对于第四种情况可以先进行知识建模,之后利用模型之间的映射关系自动生成过程模型。因此这里主要给出知识模型和过程模型的描述方式以及它们之间的映射规则。
进一步,本发明所述步骤3中,具体又分为以下几步骤:
3.1)根据不同知识单元间知识元之间的关系进行单元的层次划分;
3.2)以目标知识元为起点进行逆向回溯,并进行层次标定;
3.3)对于某些知识单元,在不同的回溯路径上所处的层次不同,如果我们按逆向从小到大编号,则该知识单元的编号取较大的编号;
3.4)总的路径层次编号以最大的知识单元编号为基准进行标定,如果某条路径上的知识单元数小于最多层次数,则在顺序编号的断层处加入空的知识单元,该单元只起一个占位作用。
进一步,本发明所述步骤4中,根据学习过程模型的特点,对知识单元内部的学习过程进行串行化处理,获得串行的、以活动为单位的学习序列。
进一步,本发明所述步骤5具体包括:利用知识单元的层次性,对知识单元间的知识元学习活动进行串行化处理。该步骤又分为两个子步骤:
步骤5.1,同一层次不同知识单元间的知识元的串行化处理;
步骤5.2,不同层次的知识单元间的知识元的串行化处理;
进一步,本发明所述步骤6具体包括:6.1)学习者的可用时间发生变化;6.2)学习过程发生变化;6.3)学习内容发生变化。
对于第一种情况,我们需要重新对学习过程进行优化,根据时间的变化进行活动时间的调整,如果压缩每个活动的时间,活动的质量可能降低,即学习的质量可能降低。
对于第二和第三种情况,首先判断改变后的学习过程、学习内容与原过程及学习内容是否相关。
对于学习过程,如果相关,则需要根据原过程中活动执行情况进行相应的处理:当一些活动属于前后两个相关的学习过程的活动集的交集时,若后一过程开始前,这些活动已完成,则在后一过程模型中去掉这些活动;若这些活动没有执行,则前一过程对后一过程没有影响。对处理后的过程重复步骤3到步骤5,得到新过程的知识学习方案。如果不相关,则对新的学习过程,根据学习者的可用时间,根据步骤2到步骤5进行相应的处理,得到新过程的知识学习方案。同理处理学习内容。
此外,本发明的另一方面是提出了一种支持自主学习的个性化知识元表的自动生成系统,所述系统包括三层结构,分别是建模层、分析层及数据库层;其中,所述建模层包括:学习者的学习内容描述、学习过程描述、学习者的可用时间、学习能力及学习习惯等的描述、学习者的知识元表的描述;所述分析层包括:模型库管理工具、模型转换和一致性检查工具、知识图谱的自动生成工具、个性化知识元表的自动生成工具、试题库管理工具;所述数据库层包括模型数据库和试题库;其中,所述建模层的各个模块分别通过分析层的各个工具与数据库层进行交互。
综上所述,本发明具有如下优点和有益效果:
1)本发明提供了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,可以根据学习者的具体情况自动地给出知识元粒度层的个性化优化的学习表。
2)本发明在学习内容模型和学习过程模型的基础上,利用这两个模型之间的映射关系,通过对这两个模型的联合处理自动生成知识元粒度层的学习表。
3)本发明建立了学习者的知识元学习表、可用时间、学习过程、学习内容之间的映射关系,可根据学习者的可用时间、学习过程和学习内容的变化来动态调整学习表。
附图说明
图1是本发明所述方法的主要流程图。
图2是本发明所述方法中基于有向超图的个性化知识图谱。
图3是本发明所述方法中基于工作流标准的学习过程模型。
图4是本发明所述方法中层次划分。
图5是本发明所述的系统结构示意图。
图6是本发明实施例1的LNER1、LNER2学习内容模型。
图7是本发明实施例1的LNER3学习内容模型。
图8是本发明实施例1的LNER1的学习过程。
图9是本发明实施例1的LNER2的学习过程。
图10是本发明实施例1的LNER3的学习过程。
图11是本发明实施例1的LNER1、LNER2学习内容模型的层次划分。
图12是本发明实施例1的LNER3学习内容模型的层次划分。
具体实施方式
下面结合说明书附图及较佳实施例对本发明做进一步详细说明,但本发明并不仅限于以下的实施例。
本发明所述的一种支持自主学习的个性化知识元表的自动生成方法,该方法分为三部分:1)基于知识元的学习内容和学习过程建模;2)在学习内容模型和学习过程模型的基础上,利用这两个模型之间的映射关系,通过对这两个模型的联合处理生成知识元粒度层的知识表。3)分析知识元表如何随学习时间、学习过程及学习内容变化而变化。该方法的具体流程图,请参照附图1所示。
本发明的目的是针对开放网络环境下的自主学习,根据学习环境的特点,从学习者自身情况出发来生成个性化学习方案;提出一种支持自主学习的个性化知识元表的自动生成方法,
该方法在学习内容模型和学习过程模型的基础上,利用这两个模型之间的映射关系,通过对这两个模型的联合处理生成知识元粒度层的知识表。它根据知识元的聚集性对知识模型进行知识单元划分,根据知识元之间的时序性进行知识单元的层次的标定;之后,根据过程模型中活动的时序性以及活动的类型、支持资源等属性,对同一个知识单元内的活动进行串行化处理;再之后,根据知识单元所在层次及知识单元的时序关系,进行知识单元间的活动的串行化处理,给出针对不同学习者的知识元粒度层的学习方案。
步骤1:问题描述及相关约定。
虽然知识图谱中的知识元存在着并列的逻辑关系,学习过程中存在并列的活动,但是现实中,时间是线性的,一个学习者的学习活动也是串行的;因此,个性化知识元表生成的过程实际就是如何根据学习者的具体情况把属于不同知识单元的知识元进行串行化的过程。
考虑到学习者的遗忘率、学习者的接受能力以及学习者的疲劳性等因素,借鉴了课堂教学的课程安排,对学习安排进行了如下约定:
1.1)活动粒度的选择由学习者的具体情况来设定。
1.2)学习内容的安排尽量差异化,在某一时间段内学习的知识元不能属于同一知识单元;
1.3)目标知识元要尽可能同时学完。
步骤2:建立相关模型,具体为:建立学习者的知识模型和学习过程模型,建立两个模型之间的映射关系,并进行相关约定。具体的建模与规定如下:
2.1)考虑知识元聚集性的知识建模
根据知识元之间的逻辑关系及有向超图的性质,我们采用有向超图对学习者的学习内容进行建模。根据分析问题的需要,并借鉴课堂教学中知识元的表述,根据知识元间的聚集程度,在进行知识建模时,加入知识单元描述,该知识单元可能是课程,也可能是学科领域,对于一组知识元,如果在学习过程中经常同时出现、关联性密切,我们把它们划分为一个单元。我们把这个模型称为个性化知识图谱,如图2所示,可形式化描述为:
基于有向超图的知识地图,KHM=(KV,KE),KE=(KUE,IE,BE),其中KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,KUE表示知识单元,内部包含的节点为知识单元包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”;BE表示不同课程之间的知识元之间的依赖关系,用做知识背景关系描述。
2)基于工作流标准过程建模
为了提高模型的通用性,根据学习过程本身的特点,我们采用基于工作流标准的过程建模方法对学习过程进行建模,并根据学习过程的特点对学习活动进行了重新定义,如图3所示,可形式化描述为:
基于工作流标准的学习过程模型,LPM=(AV,IOE),其中LPM为学习过程模型.AV为模型中的节点,代表活动,AV=(ID,Name,Type,KE,SR,LNE),其中,Type为活动类型,可为:学习活动、循环活动、哑元活动、复习活动、测试活动,学习活动可以再细分:普通自学、补充学习、与人讨论活动、需要实验设备支持…;KE为活动处理的知识元;SR为活动的支持资源;LNE为活动的学习者。IOE为模型中的边,表示活动的输入、输出,IOE=(ID,Name,FAct,TAct,…),FAct表示边的"from"活动节点,TAct表示“to”的活动节点。我们用超边描述输入的“AND”逻辑;用不同的边描述不同的输入和输出。
学习的目的是获得学习资源中的知识元,学习资源在活动执行的前后不发生变化,活动输出的知识元是输入知识元和资源中包含的活动资源需求知识元之和(资源中的知识元既包括活动资源需求知识元也包括非活动资源需求知识元);并且,一个活动当满足最小输入需求是可行的,则包含该输入需求的输入亦可行。
对于学习过程p,在其用于个性化优化的超图模型中,其活动集为AV,对于如果其输入(I),输出(O),服务资源(SR),以及学习者(LNR)都用知识元来描述,那么过程属性可以描述如下:
1)和且SRb=SRa,其中,SRb和SRa表示活动执行前后的服务资源。
2)如果并且那么且O-I=Oe-Ie,其中,表示在资源R的支持下输入I可以产生输出O。
根据学习过程的特点,基于有向超图理论,我们可以证明学习过程具有如下性质:
性质1.在学习过程中,对于可执行的并行活动可以串行化,并且其总的输出不受这些活动的顺序影响。
性质2.对于两个并行的分支,我们把两个分支按一定的粒度离散化,之后,把其中的一个分支的多个活动按照原来的顺序插入到另外一个过程分支中,此时得到的学习序列可行。
上述性质为并行变串行处理提供了依据。
3)知识模型与过程模型间的映射
根据实际的学习情况,在进行分析之前,我们做了如下的假设:
假设1:对于存在前序后序关系的两个知识元,学习者只有掌握的前面的知识元才能学习后序的知识元;
假设2:如果学习者掌握了一个知识元,这就意味着掌握了从开始知识元到该知识元的某条路径上的所有知识元。
基于上述的假设,我们将给出知识模型向过程模型的映射规则。
知识模型向学习过程映射:对于一个知识模型KHM,其知识元集为KV,对于kej∈KV,使得ai=f(kei),aj=f(kej),且<ai,aj>=<kei,kej>,其中ai,aj∈PLM,PLM为过程模型。
对于同一组知识元,不同的学习者可能采取不同的学习方式进行学习,例如,有的学习者希望学完每个知识元后都进行测验,只有通过测验之后再进行下一个知识元的学习,否则,要返回重新学习该知识元;而有的学习者就希望学习多个知识元之后进行测验。同样,对于同一知识元的学习,有的学习者希望独立完成学习,而有一些学习者希望和他人讨论来完成学习;因此,相应的映射也需要考虑学习者的具体情况。考虑到学习者学习习惯、学习方式和学习能力的映射规则可以描述为:
知识模型向学习过程个性化映射:给定知识模型KHM和学习者模型UM,对于 使得f(kmi,leri)∈LPM,其中,LPM为学习过程模型,f为单射。
给定一个过程模型,去掉所有活动的支持资源,并对于同一知识元不同方面的不同方式的学习活动进行合并;并保持过程的逻辑及拓扑关系,这样就获得该过程所对应的知识模型,该映射过程可形式化描述为:
学习过程模型向知识模型的映射:对于一个学习过程模型LPM,对于任意两个活动ai,aj∈PLM,如果ai,aj相邻,且ai和aj对应的知识元都为ke,则ai,aj映射为ke;如果ai,aj同为某个活动的输入或者输出,对应的知识元分别为kei和kej,则<ai,aj>=<kei,kej>。
过程模型向知识模型映射是一个多对一的映射。对于两个不同的学习过程,如果学习内容相同,仅仅是由于不同的学习者的学习习惯不同、或者是资源环境不同而导致的两个学习过程不同,当不考虑学习者和学习资源时,这两个过程对应的知识模型相同。
上述规则既可以用于由一种模型生成另外一种模型,又可用于模型间的一致性检查。
步骤3,知识模型的层次划分。
对于给定两个知识单元,如果一个知识单元中的知识元是另外一个知识单元中的知识元的直接前序知识元,并且仅仅存在着另外知识单元的直接前序知识单元,则这个知识单元在另外一个知识单元的前一层次;如果一个知识单元既存在另外一个知识单元的直接前序知识元,又存在其直接后序知识单元,则这两个知识单元在同一层次;如果不存在直接或者间接的前序或者后序关系,那么这两个知识单元我们定义为并列关系的知识单元;并且,如果它们同时为某个或某组知识单元的直接或者间接的前序或者后序知识单元,我们定义这两组知识单元在同一个层次。
总的划分过程为:
3.1)根据不同知识单元中的知识元之间的关系进行单元的层次划分;
3.2)以目标知识元为起点进行逆向回溯,并进行层次标定;
3.3)对于某些知识单元,在不同的回溯路径上所处的层次不同,如果我们按逆向从小到大编号,则该知识单元的编号取较大的编号;
3.4)总的路径层次编号以最大的知识单元编号为基准进行标定,如果某条路径上的知识单元数小于最多层次数,则在顺序编号的断层处加入空的知识单元,该单元只起一个占位作用。
按照上述知识单元层次划分规则及划分过程,对如图2所示的知识模型进行层次划分,划分后的模型如图4所示。
步骤4,知识单元内部知识元学习活动的串行化
因为基于有向超图的知识模型是经过路径优选的学习内容,不存在多余的可选的内容,因此在进行串行化处理时,主要是如何对逻辑输入为“与”的边进行处理。根据过程性质2,我们对逻辑输入为“与”的活动进行如下处理:
输入逻辑“与”的处理:给定一个输入逻辑为“与”的节点,该节点有多个输入边,这些边为逻辑“与”关系,如果一条学习路径走过该节点的所有输入节点,则这个节点可行。
根据上述处理规则,图3中KU1中的活动可处理为活动序列:ac11,ac12,ad13,ad11,ad12,ac13,aad11,aad12,或者为活动序列:ac11,ac12,ad11,ad12,ad13,ac13,aad11,aad12。
步骤5,不同知识单元内的知识元进行串行化处理
这个步骤又分为下面两个子步骤:
步骤5.1,同一层次的不同知识单元中的知识元的串行化处理。
根据约定1),我们根据学习者的可用时间及学习活动的所用时间、进行不同知识单元中学习粒度的划分;
根据约定2)和约定3)及过程性质2,我们进行不同知识单元中学习活动的交叉安排;进行学习活动的串行化处理。
这样即获得同一层次,不同知识单元间的知识元的串行化。
根据上述的处理规则,对于图4中的层次1,经过串行化处理变为活动序列:ac11,ac12,ad13,ac51,ad11,ac52,ad12,ac53,ac13,aad51,aad11,aad52,aad12;同理,层次2经过串行化处理变为活动序列为:ac21,ac22,ac61,ad21,ac62,ad22,ac63,ac23,aad61,aad21,aad62,aad22;层次3经过串行化处理变为活动序列为:
ac31,ac32,ac41,ac71,ad31,ac42,ad71,ad32,ac43,ac72,ad33,ac44,aad71,ac33,aad41,aad72,aad31,aad42,aad32。
上述获得的活动序列不是唯一的,因为当两个学习活动序列交叉时,交叉的方式不同,可能得到不同的活动序列。
步骤5.2,不同层次的知识单元中的知识元的串行化处理。
由于不同层次的知识单元本身存在着前后时序关系,而每一层次都已经串行化,因此只需要把不同层次串行化得到的活动序列按照层次的时序进行拼接。对于图4,总的串行化序列为:ac11,ac12,ad13,ac51,ad11,ac52,ad12,ac53,ac13,aad51,aad11,aad52,aad12,ac21,ac22,ac61,ad21,ac62,ad22,ac63,ac23,aad61,aad21,aad62,aad22,ac31,ac32,ac41,ac71,ad31,ac42,ad71,ad32,ac43,ac72,ad33,ac44,aad71,ac33,aad41,aad72,aad31,aad42,aad32。
步骤6,变化的处理。
学习方案相关的元素可能发生变化:1)学习者的可用时间发生变化;2)学习过程发生变化;3)学习内容发生变化。
对于第一种情况,我们需要重新对学习过程进行优化,压缩每个活动的时间,活动的质量可能降低,即学习的质量可能降低。
对于第二和第三种情况,首先判断改变后的学习过程、学习内容与原过程及学习内容是否相关。如果相关,则需要根据原过程中活动执行情况进行相应的处理,对处理后的过程重复步骤2到步骤4,得到新过程的知识学习方案。如果不相关,则对新的学习内容和学习过程,根据学习者的可用时间,根据步骤1到步骤4进行相应的处理,得到新过程的知识学习方案。
此外,基于上述方法,本发明还开发了一个基于web的个性化学习方案自动生成系统。该系统分三个层次,其系统架构如图5所示。该系统包括:建模层、分析层及数据库层。其中,建模层是对学习者进行不同角度的描述,该建模层包括:学习者的学习内容描述、学习过程描述、学习者的可用时间、学习能力及学习习惯等的描述、学习者的知识元表的描述;所述分析层包括:模型库管理工具、模型转换和一致性检查工具、知识图谱的自动生成工具、个性化知识元表的自动生成工具、试题库管理工具;所述数据库层包括模型数据库和试题库;其中,所述建模层的各个模块分别通过分析层的各个工具与数据库层进行交互。
实施例1
下面选择有代表性的领域-计算机领域的课程学习进行建模。为了提高模型的通用性,知识图谱(学习内容)选择有代表性的、抽象的、通用的知识元进行描述,没有具体到某些知识元、某些课程。
步骤1:问题描述。
为了进行对比,我们选择了三个有代表性的学习者LNER1,LNER2和LNER3,其中,LNER1,LNER2学习内容相同,但学习过程不同,LNER1和LNER3学习内容、学习过程都不同,可用时间相同。假设LNER1,LNER2的学习内容为KCON1,学习过程分别为:LP1和LP2;LNER1和LNER3的学习内容分别为:KCON1、KCON2,学习过程为:LP1和LP3。
步骤2:进行相关建模。
1)学习内容建模,根据步骤1所述的学习内容描述方法,进行基于有向超图的知识建模,模型如图6和图7所示:
2)相应的学习过程建模,根据步骤1所述的过程模型描述方法进行过程建模,获得的三个学习过程模型分别如图8、图9和图10所示。
步骤3:知识模型的层次划分。
依据知识模型的层次划分规则分别对图8和图9所示的知识模型进行层次划分,划分后的层次如图11和图12所示。
步骤4:知识单元内部学习活动的串行化。
依据知识单元内活动串行化规则,各个知识元内部活动串行化为:
对于KCON1,相对于PL1的串行化:由于单元内活动本身都是串行,因此经串行化处理后未发生改变;同理,KCON1相对于PL2经串行化处理后未发生改变;
对于KCON2,相对于PL3的串行化为:知识单元KU1串行化为ac11,ac12,ad11,ad12,ad13,ac13,aa11;或者串行化为:ac11,ac12,ad12,ad13,ad11,ac13,aa11;知识单元KU3串行化为ac31,ac32,ad31,ad32,ad33,kc33;或者为:ac31,ac32,ad32,ad33,ad31,kc33;
步骤5:不同单元间活动的串行化
步骤5.1:同一层次的串行化。
依据同一层次活动的串行化规则,对同一层次知识单元内的活动进行串行化,得到不同层次的串行活动分别为:
相对于PL1,KCON1的同层次的串行化为:L1层可串行化为:ac11,ac51,ac12,ac52,ab11,ac53,ac13;(不是唯一的,开始的知识元不同,串行的序列略有不同;单元的串行化不同,导致同层次的串行化也不同);同理,L2层可串行化为:ac61,ac21,ac62,ac22,ac63,ab21,ab61,ac33;L3层可串行化为:ac31,ac71,ac41,ac32,ab71,ac42,ab31,ab72,ac43,ac33,ac72,ac44,aao11,aao21,aao31,aao12,aao22,aao32;
相对于PL2,KCON1的同层次的串行化为:L1层可串行化为::ac11,ac51,ac12,ac52,ab11,ac53,ac13,aab51,aab11,aab52,aab12;L2层可串行化为:ac61,ac21,ac62,ac22,ac63,ab21,ab61,ac33,aab61,aab21,aab62,aab22;L3层可串行化为:ac31,ac71,ac41,ac32,ab71,ac42,ab31,ab72,ac43,ac33,ac72,ac44,aab31,aab41,aab71,aab32,aab42,aab72;
相对于PL3,KCON2的同层次的串行化为:L1层可串行化为:ac11,ac12,ad13,ac51,ad11,ac52,ad12,ac53,ac13,aad51,aad11,aad52,aad12;L2层可串行化为:ac21,ac22,ac61,ad21,ac62,ad22,ac63,ac23,aad61,aad21,aad62,aad22;L3层可串行化为:ac31,ac32,ac41,ac71,ad31,ac42,ad71,ad32,ac43,ac72,ad33,ac44,aad71,ac33,aad41,aad72,aad31,aad42,aad32。
步骤5.2:不同层次的串行化。
依据不同层次活动的串行化规则,对不同层知识单元内的活动进行串行化,得到不同层次的串行活动分别为:
相对于PL1,KCON1的串行化方案为:
ac11,ac51,ac12,ac52,ab11,ac53,ac13,ac61,ac21,ac62,ac22,ac63,ab21,ab61,ac33,ac31,ac71,ac41,ac32,ab71,ac42,ab31,ab72,ac43,ac33,ac72,ac44,aao11,aao21,aao31,aao12,aao22,aao32;
相对于PL2,KCON1的串行化方案为:
ac11,ac51,ac12,ac52,ab11,ac53,ac13,aab51,aab11,aab52,aab12,ac61,ac21,ac62,ac22,ac63,ab21,ab61,ac33,aab61,aab21,aab62,aab22,ac31,ac71,ac41,ac32,ab71,ac42,ab31,ab72,ac43,ac33,ac72,ac44,aab31,aab41,aab71,aab32,aab42,aab72;
相对于PL3,KCON2的串行化方案为:
ac11,ac12,ad13,ac51,ad11,ac52,ad12,ac53,ac13,aad51,aad11,aad52,aad12,ac21,ac22,ac61,ad21,ac62,ad22,ac63,ac23,aad61,aad21,aad62,aad22,ac31,ac32,ac41,ac71,ad31,ac42,ad71,ad32,ac43,ac72,ad33,ac44,aad71,ac33,aad41,aad72,aad31,aad42,aad32。
根据上述的例子我们可以得出如下结论:
1)学习内容相同,但学习过程不同,得到的学习方案可能不同;
2)学习内容不同,相应的学习过程不同,得到的学习方案不同;
3)通过上面的分析,我们进一步得出:由于不同的学习者学习内容和学习过程不同,需要进行个性化的学习方案定制。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,故凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种支持自主学习的个性化知识元表的自动生成方法,其特征在于,该方法在学习内容模型和学习过程模型的基础上,利用这两个模型之间的映射关系,通过对这两个模型的联合处理生成知识元粒度层的知识表,具体包括以下步骤:
1)根据知识元的聚集性对知识模型进行知识单元划分,根据知识元之间的时序性进行知识单元的层次的标定;
2)根据过程模型中活动的时序性以及活动的类型、支持资源等属性,对同一个知识单元内的活动进行串行化处理;
3)根据知识单元所在层次及知识单元的时序关系,进行知识单元间的活动的串行化处理,给出针对不同学习者的知识元粒度层的学习方案。
2.根据权利要求1所述的支持自主学习的个性化知识元表的自动生成方法,其特征在于,具体包括以下步骤:
步骤1,进行问题描述及对学习安排进行了如下相关约定:
1.1)学习过程的最小构成单元为活动,具体学习粒度的选择由学习者的具体情况来决定;
1.2)学习内容的安排尽量差异化,在某一时间段内学习的知识元不能属于同一知识单元;
1.3)目标知识元要尽可能同时学完。
步骤2,建立学习者的知识模型和学习过程模型:
此步骤为预处理阶段,包括:知识建模、学习过程建模、知识模型和过程模型之间的映射;具体包括:
2.1)考虑了知识聚集性的知识建模;
2.2)基于工作流标准的学习过程建模;
LPM=(AV,IOE),其中LPM为学习过程模型.AV为模型中的节点,代表活动,AV=(ID,Name,Type,KE,SR,LNE),其中,Type为活动类型,可为:学习活动、循环活动、哑元活动、复习活动、测试活动,学习活动可以再细分:普通自学、补充学习、与人讨论活动、需要实验设备支持…;KE为活动处理的知识元;SR为活动的支持资源;LNE为活动的学习者。IOE为模型中的边,表示活动的输入、输出,IOE=(ID,Name,FAct,TAct,…),FAct表示边的"from"活动节点,TAct表示“to”的活动节点。我们用超边描述输入的“AND”逻辑;用不同的边描述不同的输入和输出;
对于学习过程p,在其用于个性化优化的超图模型中,其活动集为AV,对于如果其输入(I),输出(O),服务资源(SR),以及学习者(LNR)都用知识元来描述,那么过程属性可以描述如下:
1)和且SRb=SRa,其中,SRb和SRa表示活动执行前后的服务资源。
2)如果并且那么且O-I=Oe-Ie,其中,表示在资源R的支持下输入I可以产生输出O。
3)知识模型与过程模型间的映射;
根据实际的学习情况,在进行分析之前,我们做了如下的假设:
假设1:对于存在前序后序关系的两个知识元,学习者只有掌握的前面的知识元才能学习后序的知识元;
假设2:如果学习者掌握了一个知识元,这就意味着掌握了从开始知识元到该知识元的某条路径上的所有知识元。
基于上述的假设,我们将给出知识模型向过程模型的映射规则;
知识模型向学习过程映射:对于一个知识模型KHM,其知识元集为KV,对于kej∈KV,使得ai=f(kei),aj=f(kej),且<kei,kej>=<ai,aj>,其中ai,aj∈PLM,PLM为过程模型。
对于同一组知识元,不同的学习者可能采取不同的学习方式进行学习,相应的映射也需要考虑学习者的具体情况。考虑到学习者学习习惯、学习方式和学习能力的映射规则可以描述为:
知识模型向学习过程个性化映射:给定知识模型KHM和学习者模型UM,对于 使得f(kmi,leri)∈LPM,其中,LPM为学习过程模型,f为单射;
给定一个过程模型,去掉所有活动的支持资源,并对于同一知识元不同方面的不同方式的学习活动进行合并;并保持过程的逻辑及拓扑关系,这样就获得该过程所对应的知识模型,该映射过程可形式化描述为:
学习过程模型向知识模型的映射:对于一个学习过程模型LPM,对于任意两个活动ai,aj∈PLM,如果ai,aj相邻,且ai和aj对应的知识元都为ke,则ai,aj映射为ke;如果ai,aj同为某个活动的输入或者输出,对应的知识元分别为kei和kej,则<kei,kej>=<ai,aj>。
步骤3,知识模型的层次划分;
总的划分过程为:
3.1)根据不同知识单元中的知识元之间的关系进行知识单元的层次划分;
3.2)以目标知识元为起点进行逆向回溯,并进行层次标定;
3.3)对于某些知识单元,在不同的回溯路径上所处的层次不同,如果我们按逆向从小到大编号,则该知识单元的编号取较大的编号;
3.4)总的路径层次编号以最大的知识单元编号为基准进行标定,如果某条路径上的知识单元数小于最多层次数,则在编号断层处加入空的知识单元;
步骤4,知识单元内部知识元学习活动的串行化;
因为基于有向超图的知识模型是经过路径优选的学习内容,不存在多余的可选的内容,因此在进行串行化处理时,主要是如何对逻辑输入为“与”的边进行处理。
步骤5,不同知识单元间知识元学习活动进行串行化处理
这个步骤又分为下面两个子步骤:
步骤5.1,同一层次知识单元间的知识元学习活动的串行化处理;
步骤5.2,不同层次知识单元间的知识元学习活动的串行化处理;
步骤6,变化的处理;
学习方案相关的元素可能发生变化:1)学习者的可用时间发生变化;2)学习过程发生变化;3)学习内容发生变化;
对于第一种情况,我们需要重新对学习过程进行优化,进行时间的调整,其中,压缩每个活动的时间,活动的质量可能降低,即学习的质量可能降低;
对于第二和第三种情况,首先判断改变后的学习过程、学习内容与原过程及学习内容是否相关;如果相关,则需要根据原过程中活动执行情况进行相应的处理,对处理后的过程重复步骤2到步骤5,得到新过程的知识学习方案;如果不相关,则对新的学习内容和学习过程,根据学习者的可用时间,根据步骤1到步骤4进行相应的处理,得到新过程的知识学习方案。
3.根据权利要求2所述的支持自主学习的个性化知识元表的自动生成方法,其特征在于:
步骤2中,所述知识建模称为个性化知识图谱,可形式化描述为:
基于有向超图的知识地图,KHM=(KV,KE),KE=(KUE,IE,BE),其中KHM为知识模型,KV为超图模型中的节点,表示模型中的知识元;KE为超图模型中的边,KUE表示知识单元,内部包含的节点为知识单元包含的知识元;IE表示课程内部知识元之间的依赖关系,超边表示逻辑“AND”,不同的边描述逻辑“XOR”;BE表示不同课程之间的知识元之间的依赖关系,用做知识背景关系描述;
4.根据权利要求2所述的支持自主学习的个性化知识元表的自动生成方法,其特征在于:
步骤4中,根据过程性质2,我们对逻辑输入为与的活动进行如下处理:
输入逻辑“与”的处理:给定一个输入逻辑为“与”的节点,该节点有多个输入边,这些边为逻辑“与”关系,如果一条学习路径走过该节点的所有输入节点,则这个节点可行。
5.根据权利要求2所述的支持自主学习的个性化知识元表的自动生成方法,其特征在于:
步骤5.1中,根据约定(1),我们根据学习者的可用时间及学习活动的所用时间、进行不同知识单元中学习粒度的划分;
根据约定(2)和约定(3)及过程性质2,我们进行不同知识单元中学习活动的交叉安排;进行学习活动的串行化处理。
这样即达到同一层次,不同知识单元中的知识元的串行化;
步骤5.2中,由于不同层次的知识单元本身存在着前后时序关系,而每一层次都已经串行化,因此只需要把不同层次串行化得到的活动序列按照层次的时序进行拼接。
6.一种支持自主学习的个性化知识元表的自动生成系统,其特征在于:所述系统包括三层结构,分别是建模层、分析层及数据库层;其中,
所述建模层包括:学习者的学习内容描述、学习过程描述、学习者的可用时间、学习能力及学习习惯等的描述、学习者的知识元表的描述;
所述分析层包括:模型库管理工具、模型转换和一致性检查工具、知识图谱的自动生成工具、个性化知识元表的自动生成工具、试题库管理工具;
所述数据库层包括模型数据库和试题库;
其中,所述建模层的各个模块分别通过分析层的各个工具与数据库层进行交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710093403.9A CN106886821A (zh) | 2017-02-21 | 2017-02-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710093403.9A CN106886821A (zh) | 2017-02-21 | 2017-02-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106886821A true CN106886821A (zh) | 2017-06-23 |
Family
ID=59180106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710093403.9A Pending CN106886821A (zh) | 2017-02-21 | 2017-02-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886821A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038238A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 |
CN108319705A (zh) * | 2018-02-06 | 2018-07-24 | 中山大学 | 一种基于教学资源的个性化教学过程自动生成方法及系统 |
CN108846020A (zh) * | 2018-05-22 | 2018-11-20 | 北京易知创新数据科技有限公司 | 基于多源异构数据进行知识图谱自动化构建方法、系统 |
CN109345047A (zh) * | 2018-12-19 | 2019-02-15 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN110287327A (zh) * | 2019-07-03 | 2019-09-27 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
WO2021022572A1 (zh) * | 2019-08-07 | 2021-02-11 | 南京智谷人工智能研究院有限公司 | 一种基于元学习的主动采样方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819769A (zh) * | 2012-07-26 | 2012-12-12 | 孙雪冬 | 一种基于集成化建模的个性化学习资源优化方法 |
US20140258211A1 (en) * | 2010-03-07 | 2014-09-11 | Dr. Hamid Hatami-Hanza | Interactive and Social Knowledge Discovery Sessions |
CN104765842A (zh) * | 2015-04-15 | 2015-07-08 | 中山大学 | 一种最佳学习方案推送方法及系统 |
CN105389622A (zh) * | 2015-10-20 | 2016-03-09 | 西安交通大学 | 一种基于知识地图的多约束学习路径推荐方法 |
-
2017
- 2017-02-21 CN CN201710093403.9A patent/CN106886821A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140258211A1 (en) * | 2010-03-07 | 2014-09-11 | Dr. Hamid Hatami-Hanza | Interactive and Social Knowledge Discovery Sessions |
CN102819769A (zh) * | 2012-07-26 | 2012-12-12 | 孙雪冬 | 一种基于集成化建模的个性化学习资源优化方法 |
CN104765842A (zh) * | 2015-04-15 | 2015-07-08 | 中山大学 | 一种最佳学习方案推送方法及系统 |
CN105389622A (zh) * | 2015-10-20 | 2016-03-09 | 西安交通大学 | 一种基于知识地图的多约束学习路径推荐方法 |
Non-Patent Citations (3)
Title |
---|
孙雪冬等: "基于有向超图的工作流资源分配均衡优化方法", 《电子学报》 * |
孙雪冬等: "基于集成化建模的个性化和自动化的学习资源选择平台", 《计算机教育》 * |
陈潜: "基于有向超图的个性化业务过程优化", 《中国优秀硕士学位论文全文数据库基础学科辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038238A (zh) * | 2017-12-27 | 2018-05-15 | 中山大学 | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 |
CN108319705A (zh) * | 2018-02-06 | 2018-07-24 | 中山大学 | 一种基于教学资源的个性化教学过程自动生成方法及系统 |
CN108846020A (zh) * | 2018-05-22 | 2018-11-20 | 北京易知创新数据科技有限公司 | 基于多源异构数据进行知识图谱自动化构建方法、系统 |
CN109345047A (zh) * | 2018-12-19 | 2019-02-15 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN109345047B (zh) * | 2018-12-19 | 2021-08-10 | 中山大学 | 一种基于知识拓扑关系的群体教学内容量化优化方法 |
CN110287327A (zh) * | 2019-07-03 | 2019-09-27 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
CN110287327B (zh) * | 2019-07-03 | 2022-04-12 | 中山大学 | 基于教材目录和有向超图的路径适应性知识图谱自动生成方法 |
WO2021022572A1 (zh) * | 2019-08-07 | 2021-02-11 | 南京智谷人工智能研究院有限公司 | 一种基于元学习的主动采样方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886821A (zh) | 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 | |
CN106777127B (zh) | 基于知识图谱的个性化学习过程的自动生成方法及系统 | |
Müller | State-of-the-art in ecosystem theory | |
CN107145559B (zh) | 基于语义技术和游戏化的智能课堂知识管理平台及方法 | |
CN106600065B (zh) | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 | |
Kafai et al. | Cupcake cushions, scooby doo shirts, and soft boomboxes: e-textiles in high school to promote computational concepts, practices, and perceptions | |
CN102819769B (zh) | 一种基于集成化建模的个性化学习资源优化方法 | |
Sevaldson | Gigamaps: Their role as bridging artefacts and a new Sense Sharing Mode | |
CN110532436A (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Huang et al. | Cooperative behavior evolution of small groups on interconnected networks | |
CN108319705A (zh) | 一种基于教学资源的个性化教学过程自动生成方法及系统 | |
CN104680304A (zh) | 一种情境式教学系统 | |
CN105590281A (zh) | 一种用于教育大数据处理的系统及方法 | |
Gibson et al. | Learning theories for artificial intelligence promoting learning processes | |
Pronost et al. | Towards a Framework for the Classification of Digital Twins and their Applications | |
CN108038238A (zh) | 一种支持个性化教学过程自动生成的教学资源建模方法及系统 | |
Mazur | Comparative gender and policy projects in Europe: Current trends in theory, method and research | |
Chen et al. | The research and application of big data in the field of online education | |
Solesvik | Paradigm change in strategic management research: Is the resource-based view a new theory of firm? | |
Lv | Application study on data mining technology of English learning virtual community | |
Osterweil et al. | Global uprisings: Towards a politics of the artisan | |
Li et al. | College Students' Learning Decision-Making Based on Group Learning Behavior | |
CN109345047A (zh) | 一种基于知识拓扑关系的群体教学内容量化优化方法 | |
Huang et al. | Exploration research of thinking innovation based on PCST theory and knowledge graph | |
Zhu | Construction of the Network Learning Platform for the Course Building Space Transformation based on Grid. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170623 |
|
RJ01 | Rejection of invention patent application after publication |