CN107103384A - 一种基于三维知识网络的学习者学习轨迹量化方法 - Google Patents

一种基于三维知识网络的学习者学习轨迹量化方法 Download PDF

Info

Publication number
CN107103384A
CN107103384A CN201710213796.2A CN201710213796A CN107103384A CN 107103384 A CN107103384 A CN 107103384A CN 201710213796 A CN201710213796 A CN 201710213796A CN 107103384 A CN107103384 A CN 107103384A
Authority
CN
China
Prior art keywords
learner
knowledge
study
knowledge point
learning
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
Application number
CN201710213796.2A
Other languages
English (en)
Inventor
温武少
刘勤意
白微
陈军祥
秦景辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SYSU CMU Shunde International Joint Research Institute
National Sun Yat Sen University
Original Assignee
SYSU CMU Shunde International Joint Research Institute
National Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SYSU CMU Shunde International Joint Research Institute, National Sun Yat Sen University filed Critical SYSU CMU Shunde International Joint Research Institute
Priority to CN201710213796.2A priority Critical patent/CN107103384A/zh
Publication of CN107103384A publication Critical patent/CN107103384A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

一种基于三维知识网络的学习者学习轨迹量化方法。本发明提供的方法包括以下实现步骤：1、构建完整的基于知识点的知识网络；2、依据教学要求构建基于知识网络的教学大纲；3、依据教学大纲构建学习路径；4、详细记录个体学习者依据学习路径学习的轨迹并反馈到系统；5、系统通过记录每个学习者的学习轨迹形成所有学习者的历史学习轨迹；系统对所有学习者的学习轨迹做多维数据分析，推断学习者群体总体学习能力，评估大纲覆盖知识点的难度、内容覆盖的广度与深度与学习群体匹配的合理性，量化评估教学大纲的难度合理性；6、依据个人学习轨迹与群体的学习轨迹及对其进行分析的结果，量化评估某个学习者的学习投入时间、投入效果及学习能力，从而优化规划或调整该学习者的个性化学习路径中需要覆盖的知识点的广度与深度。

Description

一种基于三维知识网络的学习者学习轨迹量化方法
技术领域
本发明涉及在线或者网络教学领域，更具体地，涉及一种基于三维知识网络的学习者学习轨迹量化方法。
背景技术
现有的大部分慕课(MOOC)和微课(SPOC)教育平台，虽克服了传统教育的一些问题，但依然存在很多问题未能克服，如：①未能为使用者构建有针对性的完整知识网络，而仅停留在简单的以课程为单位进行授课和提供服务；②未能充分挖掘知识点的关联性并围绕知识点及其关联性构建学习路径，记录学习轨迹；③未能提供有效工具贯彻因人而异或者因材施教的教育理念；对知识点的难度值没有实现量化，只是简单的将知识点划分为简单、比较难、很难等等程度；④有些系统虽也有设置难度系数，但所设定的难度系数都是一个固定值。对于测试阈值，也通常设置一个固定值。比如如果是百分制，测试阈值通常设为固定值，如60分，未能把知识点的难度值与真正的测试阈值进行关联分析。一个知识点如果依据群体学习的记录被发现很容易被大多数人掌握，相关参数应该动态更新，如其难度系数降低时，其测试阈值应该增加。
传统教育或者传统在线教育系统只能对学生做综合评估和排名，未能个性化记录并指出其相关知识的强项与弱项，未能与具体知识点关联，未能在宏观与微观不同的精细度上实现对学生学习能力的综合、完整评价与评比，如实现学校层面、市县层面、全省层面的综合评比与细化比较。学生的学习轨迹没有详细记录，也没有进行多维数据分析与量化比较，未能有效评估学生知识点覆盖的广度、深度等情况、未能精准评估学生学习能力、学习习惯、投入时间的合理性。学习者也无法快速获得到自己的学习进度快慢、学习效果对比与反馈。
发明内容
本发明为解决以上现有技术提供的方法未能将学生得分与具体知识点及其难度关联、未能对学习轨迹实现量化比较的缺陷，提供了一种学习轨迹量化比较方法。
为实现以上发明目的，采用的技术方案是：
一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于，包括以下步骤：
S1：利用知识点构建一个三维知识网络，三维知识网络使用有向无权图G＝{V,E}表示，其中V表示知识点集合，E表示知识点之间的前后驱或者父子关系集合；
S2:依据学习群体M的教学要求构建基于三维知识网络的教学大纲PM；
S3:依据教学大纲PM为学习者S构建学习路径RMS；
S4:学习者S依据学习路径RMS及其个人达到的学习状态挑选新知识点Vk进行学习；
S5:通过与学习者S进行交互，详细记录和保存学习者S依据学习路径RMS学习知识点的轨迹并反馈到系统；
S6:依据学习者S的学习轨迹与群体的学习轨迹以及对它们进行多维数据分析的结果，量化评估学习者S的学习投入时间、投入效果及学习能力并提供与学习群体的量化性比较指标，优化规划或调整学习者S的学习路径RMS中需要覆盖的知识点的广度与深度；
S7:依据所有学习者的学习轨迹，由量化模型更新学习知识点的难度量化值和测试阈值；
S8:系统按照预先设定的条件满足时，对所有学习者的学习轨迹做多维数据分析，推断学习者群体总体学习能力，评估教学大纲覆盖知识点的难度、内容覆盖的广度和深度与学习群体匹配的合理性，量化评估教学大纲的难度合理性；按系统建议及专家意见更新教学大纲，然后跳转回S3；如果系统预先设定的条件还不满足，跳转回到S4。
上述方案中，本发明所提供的基于三维知识网络的学习者学习轨迹量化方法。学习者S通过系统规划的学习路径RMS有序地RMS中的知识点。系统记录学习者S学习过程产生的轨迹数据，如学习时长，学习知识点内容达到的广度与深度、学习进展速度、练习效果、评测成绩。系统可依据学习者群体的学习轨迹数据，及时更新各知识点的难度量化值和测试阈值。系统通过比对个体学习者与相关学习群体的轨迹数据，利用多维数据分析，可推断个体学习者的知识点覆盖情况、学习能力、学习习惯、投入时间的合理性，从而支持系统规划学习者结合其个体情况与知识点难度规划新的学习路线，个性化优化学习者应该覆盖的知识点范围及这些知识点的广度与深度。
优选地，步骤S1中，所述的知识网络是基于知识点及知识点间的关系构建的网络，知识点间的关系包含5种关系，分别是父子关系、依赖关系、支撑关系、兄弟关系、相关关系；所述的知识点包括但不限于知识点编号、知识点名称、关键字、知识点简介、标签、重要程度、知识点难度、考试频率、知识点类型、参考资料、学习建议、关联知识点、学习资料、测试题、测试阈值、知识点内容、备注识点难度、考试频率、知识点类型、参考资料、学习建议、关联知识点、学习资料、测试题、测试阈值、知识点内容、备注。
优选地，步骤S2中，所述的教学大纲PM是有向无权图G的一个子网。PM是知识网络G的一个子网，会维持知识网络G的对应内部知识点间的关系。PM内的知识点间有前后关系或者父子关系。PM可能是单个连通的子网，也可能是由多个非连通的子网构成。
优选地，步骤S3中，所述的学习路径RMS是一个覆盖了教学大纲所有知识点并设定了知识点先后学习顺序的有向知识点图。学习者S应该依据基于教学大纲PM构建的个性化学习路径RMS按顺序学习相关知识点。
优选地，步骤S4中，所述学习者S的学习轨迹由其已经学习的知识点及其痕迹的集合组成。
优选地，步骤S5中，所述的学习轨迹是围绕知识点来构建的，由学习者S在学习该知识点过程中产生的各种详细信息组成，这些信息包括但不限于学习时长、学习知识点所覆盖的深度与广度、练习结果、评测结果。个体学习者的所有学习轨迹组成其自身的历史学习轨迹。所有学习者的所有学习轨迹组成学习者群体的历史学习轨迹。
优选地，步骤S6中，所述的量化性比较指标包括但不限于学习时间投入对比、学习进度快慢对比、学习效果对比。
优选地，步骤S7中，所述的量化模型包括多维度知识点难度量化模型和多维度知识点测试阈值量化模型，其中多维度知识点难度量化模型更新的难度量化值主要依据但不限于要求掌握的程度、重要程度、更新前的难度量化值来进行计算；多维知识点测试阈值量化模型更新的测试阈值主要依据但不限于高于测试阈值的比例、所需学习时长分布、知识点的种类和相关知识点来进行反馈式更新。学习时长分布需要依靠他人的反馈进行统计分析。
优选地，步骤S8中，所述的预先设定的条件是由系统管理员设置的，预设条件为一定的时间间隔，或者学习该知识点的学习者数量达到一定阈值。
与现有技术相比，本发明的有益效果是：
本发明所提供的学习轨迹量化方法，学习者S通过系统规划的学习路径RMS有序地学习路径RMS中的知识点。系统记录学习者S学习过程产生的轨迹数据，如学习时长，学习知识点内容达到的广度与深度、学习进展速度、练习效果、评测成绩。系统可依据学习者群体的学习轨迹数据，及时更新各知识点的难度量化值和测试阈值。系统通过比对个体学习者与相关学习群体的轨迹数据，利用多维度数据分析，推断个体学习者的知识点覆盖情况、学习能力、学习习惯、投入时间的合理性，从而支持系统结合学习者的个体情况与知识点难度为其规划新的或者优化现有的学习路线，个性化优化其应该覆盖的知识点范围及这些知识点的广度与深度。
附图说明
图1为方法的逻辑框架示意图。
图2为知识网络的示例图。
图3为学习轨迹的示例图。
图4为步骤S6～S8的流程图。
图5为多个学习者的学习轨迹的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示，本发明提供的基于三维知识网络的学习者学习轨迹量化方法包括以下步骤：
S1：利用知识点构建一个三维知识网络，三维知识网络使用有向无权图G＝{V,E}表示，其中V表示知识点集合，E表示知识点之间的前后驱或者父子关系集合；
S2:依据学习群体M的教学要求构建基于三维知识网络的教学大纲PM；
S3:依据教学大纲PM为学习者S构建学习路径RMS；
S4:学习者S依据学习路径RMS及其个人达到的学习状态挑选新知识点Vk进行学习；
S5:通过与学习者S进行交互，详细记录和保存学习者S依据学习路径RMS学习知识点的轨迹并反馈到系统；
S6:依据学习者S的学习轨迹与群体的学习轨迹以及对它们进行多维数据分析的结果，量化评估学习者S的学习投入时间、投入效果及学习能力并提供与学习群体的量化性比较指标，优化规划或调整学习者S的学习路径RMS中需要覆盖的知识点的广度与深度；
S7:依据所有学习者的学习轨迹，由量化模型更新学习知识点的难度量化值和测试阈值；
S8:系统按照预先设定的条件满足时，对所有学习者的学习轨迹做多维数据分析，推断学习者群体总体学习能力，评估教学大纲覆盖知识点的难度、内容覆盖的广度和深度与学习群体匹配的合理性，量化评估教学大纲的难度合理性；按系统建议及专家意见更新教学大纲，然后跳转回S3；如果系统预先设定的条件还不满足，跳转回到S4。
在进行步骤S1时，需要对知识网络中的每一个知识点的难度量化值与测试阈值设置一个初始值，比如按照百分制测试阈值设为60分，难度量化值则根据教学大纲设定。步骤S4中对于学习者S的学习轨迹可以是通过学习者S的不断学习产生的记录进行构建的。步骤S6中的个性化学习路径是每个学习者个性化拥有的，是在学习路径的基础上经多维数据分析的结果优化、调整的学习路径。执行步骤S7时，其中的知识点的种类和相关知识点可以通过知识网络获取。要求掌握的程度和重要程度均可以用数值量化表示。
在进行学习轨迹构建及更新时，需要首先构建知识网络，如图2为已有知识网络的一个示例图，各个知识点已设置好初始的难度量化值与测试阈值。再结合教学大纲生成个性化学习路径RMS，学习者S按照此路径RMS选择性学习产生学习轨迹，学习轨迹覆盖的知识点与路径的路径是知识网络的一个子图。
系统获得很多学习者学习知识网络的学习轨迹之后，通过统计所有学习者中高于该知识点测试阈值的比例和学习时长分布，结合类型及相关知识点，采用多维度知识点难度量化模型更新知识点中的难度量化值；再结合要求掌握的程度和重要程度，通过多维度知识点测试阈值量化模型更新知识点的测试阈值，可计算、更新多个知识点的难度量化值和测试阈值。图3为多维知识点量化的一个示例图，此为更新的难度量化值和测试阈值，并已经对高于测试阈值的知识点进行了标注。
系统之后可对某个学习者按照其个性化学习路径学习的知识点进行评估，评估可以是测试、互动、视频、做题等多种形式。然后产生该学习者学习轨迹相关数据，如学习时长、学习知识点所覆盖的深度与广度、练习结果、评测结果等等，根据这些数据，一方面可以通过量化模型支持对知识点的难度量化值、测试阈值进行更新(图5中光的反射定律的难度与测试阈值变为0.29和71)；另一方面通过判断当前光的反射定律这个知识点的评估成绩70高于测试阈值60，在可视化方法上，则把知识点用一种颜色进行标注，图中漫反射这个知识点用另一种颜色标注表示未掌握；如图5为某个学习者学习轨迹的构建和更新的一个示例图，表示多个学习者的学习轨迹，通过不断学习，学习者学习轨迹不断更新。
下一步进行学习轨迹的量化比较，在图5中的记录了某个学习者S学习的学习轨迹以后，假设已经满足系统预先设定的条件，对所有学习者的学习轨迹做多维数据分析，量化评估学习者的学习投入时间(本实例中采用知识点的学习时长表示)，推断学习群体总体学习能力(本实例中采用基于学习者所有知识点的评估成绩和难度量化值计算学习群体学习轨迹的总体平均得分衡量)、投入效果(本实例中采用计算单个学习者学习轨迹的总体得分)，学习能力(本实例通过结合学习投入时间和投入效果衡量)。如图4所示。
其中本实例中计算单个学习者学习轨迹的总体得分的具体过程如下：
W(a)＝K(a1)*D(a1)+K(a2)*D(a2)+K(a3)*D(a3)+...+K(an)*K(an)
其中W(j)表示学习者a的总体得分，K(ji)、D(ji)分别表示第i个知识点的评估成绩和难度量化值，i为1，2，3，4，…，n，n是知识点的数量。
本实例中计算学习群体学习轨迹的总体平均得分的具体过程如下所示：
A＝[W(1)+W(2)+...+W(j)]/j，j表示学习者的数量。
本实例中计算每个知识点的平均学习时长的具体过程如下所示：
Q(i)＝[T(1i)+T(2i)+T(3i)+...+T(ji)]/j
其中Q(i)表示第i个知识点的平均学习时长，j表示学习者数量。
然后将各个学习者学习轨迹的总体得分与同类学习群体学习轨迹的平均得分进行比较得出百分比，如图5所示，学习者1、学习者500计算学习轨迹的总体得分的具体过程如下：
W(1)＝65*0.4+70*0.3+80*0.32＝72.6
W(500)＝62*0.4+71*0.3+88*0.32+78*0.2＝89.86
T(11)＝0.5 T(500)＝0.3
令学习群体学习轨迹的总体平均得分为A，第一个知识点的平均学习时长为Q(1),
A＝[W(1)+W(2)+...+W(500)]/500＝72.6+...+89.86＝82
Q(1)＝[T(11)+T(21)+...+T(5001)]/500＝0.41
则可以计算出学习者1当前的学习轨迹所占平均学习轨迹的百分比P：
P＝W(1)/A＝72.6/82＝88.5％
同时对500个学习者的学习轨迹得分进行排名，对应的知识点学习时长比较，例如经过排序得出学习者1的学习轨迹得分排名为第22名,说明该学习者投入效果不错，该学习者学习第一个知识点学习时长0.5h,相对于平均水平0.41h慢，说明该学习者学习能力较弱，从而可以调整该学习者的个性化学习路径RM1。在本实例中，学习群体的总体平均得分为82，说明较该教学大纲深度不够，结合学科专家意见，可以进行更新调整，最后可以将这些信息反馈回系统。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于，包括以下步骤：
S1：利用知识点构建一个三维知识网络，三维知识网络使用有向无权图G＝{V,E}表示，其中V表示知识点集合，E表示知识点之间的前后驱或者父子关系集合；
S2:依据学习群体M的教学要求构建基于三维知识网络的教学大纲PM；
S3:依据教学大纲PM为学习者S构建学习路径RMS；
S4:学习者S依据学习路径RMS及其个人达到的学习状态挑选新知识点Vk进行学习；
S5:通过与学习者S进行交互，详细记录和保存学习者S依据学习路径RMS学习知识点的轨迹并反馈到系统；
S6:依据学习者S的学习轨迹与群体的学习轨迹以及对它们进行多维数据分析的结果，量化评估学习者S的学习投入时间、投入效果及学习能力并提供与学习群体的量化性比较指标，优化规划或调整学习者S的学习路径RMS中需要覆盖的知识点的广度与深度；
S7:依据所有学习者的学习轨迹，由量化模型更新学习知识点的难度量化值和测试阈值；
S8:系统按照预先设定的条件满足时，对所有学习者的学习轨迹做多维数据分析，推断学习者群体总体学习能力，评估教学大纲覆盖知识点的难度、内容覆盖的广度和深度与学习群体匹配的合理性，量化评估教学大纲的难度合理性；按系统建议及专家意见更新教学大纲，然后跳转回S3；如果系统预先设定的条件还不满足，跳转回到S4。
2.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S1中，所述的知识网络是基于知识点及知识点间的关系构建的网络，知识点间的关系包含5种关系，分别是父子关系、依赖关系、支撑关系、兄弟关系、相关关系；所述的知识点包括但不限于知识点编号、知识点名称、关键字、知识点简介、标签、重要程度、知识点难度、考试频率、知识点类型、参考资料、学习建议、关联知识点、学习资料、测试题、测试阈值、知识点内容、备注识点难度、考试频率、知识点类型、参考资料、学习建议、关联知识点、学习资料、测试题、测试阈值、知识点内容、备注。
3.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S2中，所述的教学大纲PM是有向无权图G的一个子网。
4.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S3中，所述的学习路径RMS是一个覆盖了教学大纲所有知识点并设定了知识点先后学习顺序的有向知识点图。
5.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S4中，所述学习者S的学习轨迹由其已经学习的知识点及其痕迹的集合组成。
6.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S5中，所述的学习轨迹是围绕知识点来构建的，由学习者S在学习该知识点过程中产生的各种详细信息组成，这些信息包括但不限于学习时长、学习知识点所覆盖的深度与广度、练习结果、评测结果。
7.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S6中，所述的量化性比较指标包括但不限于学习时间投入对比、学习进度快慢对比、学习效果对比。
8.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S7中，所述的量化模型包括多维度知识点难度量化模型和多维度知识点测试阈值量化模型，其中多维度知识点难度量化模型更新的难度量化值主要依据但不限于要求掌握的程度、重要程度、更新前的难度量化值来进行计算；多维知识点测试阈值量化模型更新的测试阈值主要依据但不限于高于测试阈值的比例、所需学习时长分布、知识点的种类和相关知识点来进行反馈式更新。
9.根据权利要求1所述的一种基于三维知识网络的学习者学习轨迹量化方法，其特征在于：步骤S8中，所述的预先设定的条件是由系统管理员设置的，预设条件为一定的时间间隔，或者学习该知识点的学习者数量达到一定阈值。
CN201710213796.2A 2017-04-01 2017-04-01 一种基于三维知识网络的学习者学习轨迹量化方法 Pending CN107103384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710213796.2A CN107103384A (zh) 2017-04-01 2017-04-01 一种基于三维知识网络的学习者学习轨迹量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710213796.2A CN107103384A (zh) 2017-04-01 2017-04-01 一种基于三维知识网络的学习者学习轨迹量化方法

Publications (1)

Publication Number Publication Date
CN107103384A true CN107103384A (zh) 2017-08-29

Family

ID=59675406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710213796.2A Pending CN107103384A (zh) 2017-04-01 2017-04-01 一种基于三维知识网络的学习者学习轨迹量化方法

Country Status (1)

Country Link
CN (1) CN107103384A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335363A (zh) * 2018-01-22 2018-07-27 上海星合网络科技有限公司 多维知识体系立体展示方法及装置
CN108550292A (zh) * 2018-04-16 2018-09-18 中山大学 一种在线教育系统的学习资源多层组织与表示方法
CN108563749A (zh) * 2018-04-16 2018-09-21 中山大学 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN108573628A (zh) * 2018-04-23 2018-09-25 中山大学 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN108830763A (zh) * 2018-07-19 2018-11-16 刘洋 一种可视化多维知识管理和学习系统
CN109460077A (zh) * 2018-11-19 2019-03-12 深圳博为教育科技有限公司 一种自动跟踪方法、自动跟踪设备及自动跟踪系统
CN109858797A (zh) * 2019-01-25 2019-06-07 中山大学 基于知识网络精准在线教育系统的多维度信息学情分析方法
CN110009956A (zh) * 2019-04-22 2019-07-12 上海乂学教育科技有限公司 英语语法自适应学习方法及学习装置
WO2019149264A1 (zh) * 2018-02-02 2019-08-08 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
CN110533187A (zh) * 2019-09-05 2019-12-03 河南师范大学 一种知识量化分级和智能教学方法
CN110544414A (zh) * 2019-07-31 2019-12-06 安徽淘云科技有限公司 知识图谱的处理方法和装置
CN111582694A (zh) * 2020-04-29 2020-08-25 腾讯科技（深圳）有限公司 一种学习评估方法及装置
CN111914162A (zh) * 2020-06-01 2020-11-10 西安理工大学 一种基于知识图谱的个性化学习方案引导方法
CN111937018A (zh) * 2018-03-20 2020-11-13 株式会社工程师论坛 利用了教学大纲的匹配装置
CN113614811A (zh) * 2019-01-13 2021-11-05 海威科创有限公司 一种基于认知科学、学习理论和教育学跨学科研究的综合体系和方法
CN116610945A (zh) * 2023-03-23 2023-08-18 读书郎教育科技有限公司 基于智能算法的学习平台数据记录系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
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
CN104484454A (zh) * 2014-12-27 2015-04-01 西安交通大学 一种面向知识地图的网络学习行为与效能分析方法
US20150206448A1 (en) * 2014-01-22 2015-07-23 AlvaEDU, Inc. On-line education system with synchronous lectures
CN105488055A (zh) * 2014-09-17 2016-04-13 北大方正集团有限公司 计算机个性化学习和评测产品的生成方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
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
US20150206448A1 (en) * 2014-01-22 2015-07-23 AlvaEDU, Inc. On-line education system with synchronous lectures
CN105488055A (zh) * 2014-09-17 2016-04-13 北大方正集团有限公司 计算机个性化学习和评测产品的生成方法及系统
CN104484454A (zh) * 2014-12-27 2015-04-01 西安交通大学 一种面向知识地图的网络学习行为与效能分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
曹良亮: "在线学习中学习路径分析及学习行为特点研究", 《中国远程教育》 *
陈宇卿: "《区域教育改革前沿探索 走向个性化 发达城区教育内涵提升的实证研究》", 30 September 2016, 上海人民出版社 *
陈晓莉，尹浩亮: "《中国建设应用科技大学的研究与实践》", 31 October 2016, 南开大学出版社 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108335363A (zh) * 2018-01-22 2018-07-27 上海星合网络科技有限公司 多维知识体系立体展示方法及装置
WO2019149264A1 (zh) * 2018-02-02 2019-08-08 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
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
CN111937018B (zh) * 2018-03-20 2024-02-23 株式会社工程师论坛 利用了教学大纲的匹配装置
CN111937018A (zh) * 2018-03-20 2020-11-13 株式会社工程师论坛 利用了教学大纲的匹配装置
CN108563749B (zh) * 2018-04-16 2020-11-10 中山大学 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN108550292A (zh) * 2018-04-16 2018-09-18 中山大学 一种在线教育系统的学习资源多层组织与表示方法
CN108563749A (zh) * 2018-04-16 2018-09-21 中山大学 基于多维度信息和知识网络的在线教育系统资源推荐方法
CN108573628A (zh) * 2018-04-23 2018-09-25 中山大学 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN108573628B (zh) * 2018-04-23 2020-11-24 中山大学 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN108830763A (zh) * 2018-07-19 2018-11-16 刘洋 一种可视化多维知识管理和学习系统
CN109460077A (zh) * 2018-11-19 2019-03-12 深圳博为教育科技有限公司 一种自动跟踪方法、自动跟踪设备及自动跟踪系统
CN113614811A (zh) * 2019-01-13 2021-11-05 海威科创有限公司 一种基于认知科学、学习理论和教育学跨学科研究的综合体系和方法
CN109858797B (zh) * 2019-01-25 2023-01-20 中山大学 基于知识网络精准在线教育系统的多维度信息学情分析方法
CN109858797A (zh) * 2019-01-25 2019-06-07 中山大学 基于知识网络精准在线教育系统的多维度信息学情分析方法
CN110009956A (zh) * 2019-04-22 2019-07-12 上海乂学教育科技有限公司 英语语法自适应学习方法及学习装置
CN110544414A (zh) * 2019-07-31 2019-12-06 安徽淘云科技有限公司 知识图谱的处理方法和装置
CN110533187A (zh) * 2019-09-05 2019-12-03 河南师范大学 一种知识量化分级和智能教学方法
CN111582694A (zh) * 2020-04-29 2020-08-25 腾讯科技（深圳）有限公司 一种学习评估方法及装置
CN111582694B (zh) * 2020-04-29 2023-08-08 腾讯科技（深圳）有限公司 一种学习评估方法及装置
CN111914162A (zh) * 2020-06-01 2020-11-10 西安理工大学 一种基于知识图谱的个性化学习方案引导方法
CN116610945A (zh) * 2023-03-23 2023-08-18 读书郎教育科技有限公司 基于智能算法的学习平台数据记录系统
CN116610945B (zh) * 2023-03-23 2023-11-14 读书郎教育科技有限公司 基于智能算法的学习平台数据记录系统

Similar Documents

Publication Publication Date Title
CN107103384A (zh) 一种基于三维知识网络的学习者学习轨迹量化方法
CN105810045B (zh) 一种基于认知模型的计算思维训练方法及装置
CN108550292B (zh) 一种在线教育系统的学习资源多层组织与表示方法
CN108573628A (zh) 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法
CN109858797A (zh) 基于知识网络精准在线教育系统的多维度信息学情分析方法
CN108172047A (zh) 一种网络在线学习资源个性化实时推荐方法
Fazlollahtabar et al. User/tutor optimal learning path in e-learning using comprehensive neuro-fuzzy approach
CN113851020A (zh) 一种基于知识图谱的自适应学习平台
Hershkovitz et al. Predicting future learning better using quantitative analysis of moment-by-moment learning
Slim et al. An automated framework to recommend a suitable academic program, course and instructor
Al Duhayyim et al. Concept-based and Fuzzy Adaptive E-learning
KR101640867B1 (ko) 기계학습 기반 학습자 맞춤형 학습과정 제공 방법 및 학습자 맞춤형 학습 시스템
Owens Competency-based experiential-expertise and future adaptive learning systems
CN112951022A (zh) 一种多媒体互动教育培训系统
Diao et al. Personalized exercise recommendation driven by learning objective within e-learning systems
CN107481565A (zh) 一种自适应阶梯式学习方法及系统
AbuKhousa et al. Big learning data analytics support for engineering career readiness
Zhuge Conflict decision training through multi-space co-operation
CN110533336A (zh) 一种教学决策匹配方法及装置
Hare et al. Optimize student learning via random forest-based adaptive narrative game
Tang et al. Adaptive narrative game for personalized learning
Gamalel-Din The smart tutor: Student-centered case-based adaptive intelligent e-tutoring
Moise A software system for online learning applied in the field of computer science
Zhong et al. Construction of Continuing Education Teaching Quality Evaluation System Based on BP Neural Network
CN108846579A (zh) 一种学科知识的知识量计算方法和系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170829