CN107463691A - 一种学习状态收集与识别的方法及系统 - Google Patents
一种学习状态收集与识别的方法及系统 Download PDFInfo
- Publication number
- CN107463691A CN107463691A CN201710683623.7A CN201710683623A CN107463691A CN 107463691 A CN107463691 A CN 107463691A CN 201710683623 A CN201710683623 A CN 201710683623A CN 107463691 A CN107463691 A CN 107463691A
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- behavior
- identification
- data
- 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 31
- 230000006399 behavior Effects 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000003542 behavioural effect Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims 2
- 241000406668 Loxodonta cyclotis Species 0.000 claims 1
- 238000004140 cleaning Methods 0.000 claims 1
- 238000012790 confirmation Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 239000013589 supplement Substances 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011017 operating method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000010415 tropism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
针对在线教育中的课程与试题资源进行结构化梳理，通过以知识点为基础的标签体系进行标记，进而基于知识点在知识图谱中的位置和关系，形成课程和试题资源的结构化描述。收集学生在浏览、检索和学习在线课程，以及进行各种在线测试时的行为数据，按照一定的方法进行筛选、清洗、整理、关联和再计算，建立个体学生学习过程的有效行为描述日志。基于资源的结构化描述和学生个体的行为日志描述，对该学生从知识点角度进行行为标记、绩效量化和能力评级，建立初步的能力量化模型。
Description
技术领域
本发明涉及学习数据采集与分析领域，具体地说，是一种在线学习投入数据采集与分析方法。
背景技术
研究者对在线学习行为数据的采集与分析做了众多尝试，彭文辉(2012)将学习者的网上学习行为分同步交流、异步讨论、在线提问、访问资源、在线测试、提交作业、在线考试等，并运用其提出的学习行为OCCP(操作行为层、认知行为层、协作行为层和问题解决行为层)分类模型对网络学习行为进行分析(彭文辉.网络学习行为分析及建模[D].华中师范大学，2012.)。王丽娜(2011)将网络学习行为分为学习者与学习资源的个性化交互行为和学习者与学习共同体的社会性交互行为，并从操作交互、信息交互和概念交互三个层次对网络学习行为进行分类描述与评价(王丽娜.网络学习行为分析及评价[D].陕西师范大学，2009.)。元帅(2011)以在线学习行为分析评价的三个目标为导向，将在线学习行为分为面向学习结果评价、面向协作学习分析和面向平台使用分析三类，主要对浏览各种教学资源、在论坛上发帖、在论坛上回帖、与教师交流、在线笔记、在线测试、提交作业等行为进行评价(元帅.在线学习行为分析评价及其应用研究[D].华中师范大学，2011.)。李念(2007)认为在线学习行为分析的对象主要有经常点击的URL、搜索的关键字、访问信息的类型与频率、停留的时间、讨论的话题、使用的工具、课件的内容、完成的练习、阶段测试、学习成绩、提问以及回答问题的次数等(李念.基于网络学习行为分析的评价模型研究[D].华中师范大学，2007.)。杨晓丽等人(2010)将学习者的网上行为分单向性的学习和互动性的学习行为，单向性的学习行为包括点击课程资源、浏览课内容提交作业在线测试等，互动性的学习行为包括论坛发帖、课程论坛回帖等(杨晓丽，董俊敏.高校网络学生网上学习行为的统计分析及对策研究[J].高等函授学报 (哲学社会科学版)，2010,06:66-68+71.)。孙莹等人(2008)主要考察了课件点播、课程论坛发帖、课程论坛回帖、在线测试、在线讨论等等网络学习行为(孙莹，程华，万浩.基于数据挖掘的远程学习者网上学习行为研究[J].中国远程教育，2008,05:44-47.)
当前国内外在线学习数据的采集与分析主要局限于浅层次行为，很少深入到认知投入层面；同时，忽视了学习者对学习内容贡献的投入，数据的采集也主要只是从技术角度探讨跟踪、分析网络使用者的各种操作行为的方式，如通过对数据库访问记录和Web日志文件的分析，研究学习操作行为，缺乏从学习的视角考虑。
发明内容
本发明的目的是提供一种学习状态收集与识别的方法及系统。本发明的目的是通过以下技术方案来实现：
本发明首先针对在线教育中的课程与试题资源进行结构化梳理，通过以知识点为基础的标签体系进行标记，进而基于知识点在知识图谱中的位置和关系，形成课程和试题资源的结构化描述。
进一步的，收集学生在浏览、检索和学习在线课程，以及进行各种在线测试时的行为数据，按照一定的方法进行筛选、清洗、整理、关联和再计算，建立个体学生学习过程的有效行为描述日志。
进一步的，基于资源的结构化描述和学生个体的行为日志描述，对该学生从知识点角度进行行为标记、绩效量化和能力评级，建立初步的能力量化模型。
进一步的，考虑到学生能力在时间维度上的持续变化，对上述能力量化模型在量化评级过程中和过程后进行修正，强化近期和近实时数据；根据这些变化建立学生能力变化与行为间的对照模型。
作为优选，将系统内其他学生在相同资源上的行为和相同知识点节点上的参数作为对照，对该学生个体的能力模型再次进行修正。
本发明涉及系统的结构如下：
(01)客户端。指学生使用的APP应用，以及访问WEB网站的浏览器。
(02)课程库。供学生在线学习的课程内容，及其相应的标记信息，包括且不限于视频、文字、语音、图像等载体形式。
(03)试题库。用于学生在线测试的试题内容，包括试题、答案、解析等全部或部分内容，以及相应的标记信息。
(02)(03)一同作为在线学习的内容资源，两者基于同一套知识点标签进行标记和描述，并相互辅助、对照和参考。
(04)在线学习模块。包括对内容资源的组织、检索、展示、运行等功能，以及相应的自适应规则引擎。综合课程和试题资源，为学生提供在线的学习和测试功能。
(05)数据采集模块。收集和存储学生在上述学习过程中直接或间接产生的行为数据。
(06)数据加工模块。对行为数据进行加工和处理，形成最终可使用的学生行为模型和能力量化模型。
(07)用户模型库。存储学生信息，以及相应的行为模型数据和能力模型数据。
(08)课程库、试题库、在线学习模块，以及其它辅助业务模块，一同构成在线学习的实施系统。系统的具体构成或实现形式各有差异，但这几个模块是不可缺少的。
(09)数据采集、数据加工、用户模型库，以及其它辅助模块或功能环节，一同构成采集和识别学生学习状态的数据平台。系统的具体构成或实现形式各有差异，但这几个模块或环节也是不可缺少的。
以下是本发明推荐模块运行步骤：
(001)知识图谱的形成。作为对课程/试题资源和学生能力进行描述与表示的基础，知识图谱既能完整覆盖特定学习领域所需的基本知识体系，同时也通过节点间的有向关系，保持整个知识体系的有序性、连续性和关联性。知识图谱通过专家经验和数据挖掘两个途径共同作用来进行构建，由该领域的教育专家根据人工经验建立基础的知识树，继而通过对学习内容和学生学习行为的持续挖掘，形成较为完善的基于知识点本体的知识图谱。
(002)录入和编辑课程与试题内容。这些内容是后续学生将实际使用的学习资源。
(003)使用知识点标签，对上述学习资源进行标记，并提取其它具有相关性的属性特征，例如难度、适用范围、需投入时长等等，对资源进行结构化描述。这一过程，在系统启动初期以人工方式为主，通过专家经验的导入来挖掘潜在信息；进而，随着数据量的扩大，通过有监督和无监督相结合的机器学习方式，可以一定程度上完成自动标记。
(004)包括知识点标签在内的对学习资源的结构化描述信息，将成为后续建立学生行为和能力模型的数据基础之一。
(005)同时也是自适应学习引擎为学生安排学习内容的检索和筛选条件之一。
(006)学生在在线学习过程中，围绕课程内容和试题测试形成的一系列主动或被动行为，将是行为采集的目标。包括且不限于：浏览、检索、查看、记录、收藏、答题、购买、删除等行为，以及在相应行为节点上由系统提供经学生做出了动作的全部上下文信息。学生的行为数据，一部分可以直接采集或简单汇总所得，例如：点击、跳出、停留时长、答题结果等；另一部分需要根据直接数据进行再计算，例如：课程重复率、二次正确率等。
(007)在无人监督的在线学习过程中，学生会有意无意地产生一部分无效行为数据，例如随机翻阅、误操作、猜答案等，这些行为既有纯粹的干扰项，也有信息价值很低的噪声，需要通过一定方法进行清洗和整理，包括且不限于：
①基于规则，例如：单一页面极短时间内的多次随机点选应认定无效，等等；
②基于纵向数据，例如：某学生在相似试题的多次测试上，能保持稳定水平的，其单次新增行为的置信度较高，反之则较差；某学生在前置知识点上表现很差，但在紧密关联的后继知识点的测试上有明显水平波动的，则新增行为的置信度也应调低；
③基于横向对比，例如：某学生在某课程资源的学习上，看课时长严重偏离其它学生，尤其是水平相近的学生的，相应数据的置信度应调低或认为无效。
(008)将整理后的数据，按照其对应的知识点进行行为标记，计算学生在该点上的能力评估值和学习绩效，建立量化评级。量化方法及参数构成可以根据实际需要进行不同形式的实现和调整。
(009)同一平台上其它学生的群体数据可以作为参照系，群体数据的量化根据具体数据性质的不同，采取不同的例如平均、加权平均、分组加权平均等方法。进一步的，可以采取聚类等方法，对学生进行细化和分类，采用水平相近、能力模型相近的学生作为更准确的参照系。
(010)通过参照系和知识点关系，对该学生的能力评级进行适当修正，进一步降低噪声的影响；除群体数据作为参照外，该学生自身的历史数据也作为参照系的一部分；其近期的行为也作为重点数据进行加强。
(007)～(010)这几个步骤，在具体系统实现时根据实际需要进行分割和组装，实施顺序并不严格按上述进行，这一顺序变化不对本发明的目的和关键点产生影响。
(011)通过上述处理，形成针对该学生的行为模型，包括且不限于对学生学习习惯、兴趣爱好、学习目标、学习阶段、消费趋向、购买能力等的特征描述。
(012)同时，也构建起对学生基于知识点的能力模型，包括且不限于对学生的能力量化评级、能力变化描述等等。
(013)学生的行为和能力模型，将在内容推荐、能力预测、学习计划、路径设计等领域进行应用，过程中产生的数据作为反馈持续进入下一循环的收集和识别。
本发明的优点在于：
①收集和使用更为全量的学生行为数据和系统上下文数据，通过预先关联的课程学习和在线测试，将“学”与“练”的数据进行有效关联。在数据清洗和整理时，这些数据可以相互印证、相互补充，既丰富了学生模型的细节，也能够在刻画行为和能力模型时更为精准。
②建立多方面的数据降噪机制。通过对预置规则、历史对照、群体对照等途径的综合运用，能够有效消减学生的随机性盲动行为对模型刻画的影响。同时，不直接在学习资源实例的角度进行能力描述，而是通过预先设置好的知识点标签体系，将能力评级抽象和汇总到知识点层级，也起到了很好的消噪效果。
③建立基于知识图谱的、作用于知识点层级的行为标记和能力量化模型，使其能够与学习资源在同一套描述语言上建立映射关系，能够更方便和精准地应用于后续的自适应学习过程。
④将专家经验和机器学习结合运用。在构建学习资源的标记和描述过程，由行为数据到能力量化的转换过程，以及对学生群体数据进行特征分析和聚类分组等环节，一方面通过专家经验建立基础结构和策略，在冷启动阶段发挥作用，另一方面通过机器学习方法对更多数据的学习，一定程度上替代和完善既有策略。通过两者的结合，实现功能互补和效果改善。
附图说明
图1是本发明所述的系统结构示意图。
图2是本发明所述的推荐模块运行步骤示意图。
具体实施方式
下面结合图2对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明所设计一种学习状态收集及识别方法及系统在实际应用过程当中，具体包括如下步骤：
步骤001.知识图谱作为元数据库，学习状态采集的基础数据，并进入步骤002；
步骤002.根据所选的课程及试题，结合知识图谱分析，进入步骤003；
步骤003.进行学习状态标记，进入步骤004；
步骤004.识别各种学习状态，进入步骤005；
步骤005.自适应引擎联机操作，分析各种维度信息，并进入步骤006；
步骤006.学习过程行为收集，并进入步骤007；
步骤007.整理各种学习状态信息，并进入步骤008；
步骤008.加工挖掘各种个性化数据，并进入步骤009；
步骤009.修改各种个性化数据，并进入步骤010；
步骤010.挖掘群体性数据特征，并进入步骤011；
步骤011.处理为个性化行为特征数据记录，并按照不同策略分类，并进入步骤012；
步骤012.同步生成个性化能力数据记录，并按照不同策略分类，并进入步骤013；
步骤013.个性化特征、个性化能力数据、分类策略，进行个性化服务或应用，并进入步骤006；
上面结合图2对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种学习状态收集与识别的方法及系统，其特征在于，包括：步骤1，使用基于知识图谱的知识点标签体系，标记和描述学习内容资源；步骤2，收集学生基于学习内容资源的行为数据，并一定方法清洗、整理和关联；步骤3，根据所述内容资源和行为数据，在知识点维度对学生进行行为标记和能力量化；步骤4，使用多种降噪机制和修正手段，对所述行为标记和能力模型进行再处理；步骤5，所述行为标记和能力模型在自适应学习过程中予以应用和反馈，作为下一轮学习行为的初始参数，持续迭代优化。
2.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤1中，使用知识图谱作为基础，以知识点本体为主建立标签体系，通过知识点的关系来挖掘描述所标记对象的关系。
3.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤1中，学习的内容资源包括课程资源(包括且不限于文字、视频、音频、图像等形式的内容)和试题资源，两者通过知识点标记、描述信息和人工预置的规则建立关联。
4.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤2中，所收集数据是以在线学习课程和在线测试为主的行为数据，通过课程与试题的关联，在离散的学生行为建立隐含的关联，更完整地覆盖“学”与“练”两个过程，提高所收集的行为数据的质量。
5.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤3中，在知识点维度对学生学习状态进行描述，使得学生状态与学习资源之间建立统一的映射关系，通过作用于知识点的图谱关系，来建立行为、能力、课程、试题之间的实体关联。
6.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤4中，使用多种降噪机制和修正手段，尤其是基于大数据的、通过学生自身历史数据和学生群体横向对照的方式，对数据进行综合降噪，对模型进行针对性修正，确保产出结果的准确性和可用性。
7.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在步骤5中，学习状态的收集和识别是持续迭代的过程，上一个循环产生的结果，作为初始参数反馈到下一个循环之中，能够快速地进行印证、修正和完善。
8.根据权利要求1所述的收集与识别的方法及系统，其特征在于，在构建资源描述、量化评级、群体分组和特征对照等过程中，应用机器学习的方法，结合以人工策略方式体现的专家经验，相互印证和补充，更好地减少偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710683623.7A CN107463691A (zh) | 2017-08-11 | 2017-08-11 | 一种学习状态收集与识别的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710683623.7A CN107463691A (zh) | 2017-08-11 | 2017-08-11 | 一种学习状态收集与识别的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107463691A true CN107463691A (zh) | 2017-12-12 |
Family
ID=60548871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710683623.7A Pending CN107463691A (zh) | 2017-08-11 | 2017-08-11 | 一种学习状态收集与识别的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107463691A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
| CN109255031A (zh) * | 2018-09-20 | 2019-01-22 | 苏州友教习亦教育科技有限公司 | 基于知识图谱的数据处理方法 |
| CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
| CN109840261A (zh) * | 2018-12-21 | 2019-06-04 | 北京联合大学 | 一种以主动表达型为主体的教育数据分析系统及方法 |
| CN110110090A (zh) * | 2018-01-09 | 2019-08-09 | 鸿合科技股份有限公司 | 搜索方法、教育搜索引擎系统及装置 |
| CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
| CN111416877A (zh) * | 2020-04-25 | 2020-07-14 | 上海乂学教育科技有限公司 | 基于mcm的学习系统及资源推送方法 |
| CN111444423A (zh) * | 2020-03-25 | 2020-07-24 | 上海乂学教育科技有限公司 | 学习资源智能推送方法 |
| CN112016829A (zh) * | 2020-08-27 | 2020-12-01 | 江苏开放大学（江苏城市职业学院） | 一种基于眼动信息的在线课程学习评估方法 |
| CN112116264A (zh) * | 2020-09-24 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种活跃度评估方法及装置 |
| CN112435152A (zh) * | 2020-12-04 | 2021-03-02 | 北京师范大学 | 一种在线学习投入动态评价方法及系统 |
| CN112487406A (zh) * | 2020-12-02 | 2021-03-12 | 中国电子科技集团公司第三十研究所 | 一种基于机器学习的网络行为分析方法 |
| CN112732784A (zh) * | 2020-12-31 | 2021-04-30 | 山东理工大学 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
| CN112926901A (zh) * | 2021-04-14 | 2021-06-08 | 北方工业大学 | 一种面向学习分析与评测的结构化能力模型构建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101231739A (zh) * | 2007-01-18 | 2008-07-30 | 上海新思维教育发展有限公司 | 一种网络学习监控反馈系统 |
| CN101599227A (zh) * | 2008-06-05 | 2009-12-09 | 千华数位文化股份有限公司 | 学习诊断系统及方法 |
| US8128414B1 (en) * | 2002-08-20 | 2012-03-06 | Ctb/Mcgraw-Hill | System and method for the development of instructional and testing materials |
| CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
-
2017
- 2017-08-11 CN CN201710683623.7A patent/CN107463691A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8128414B1 (en) * | 2002-08-20 | 2012-03-06 | Ctb/Mcgraw-Hill | System and method for the development of instructional and testing materials |
| CN101231739A (zh) * | 2007-01-18 | 2008-07-30 | 上海新思维教育发展有限公司 | 一种网络学习监控反馈系统 |
| CN101599227A (zh) * | 2008-06-05 | 2009-12-09 | 千华数位文化股份有限公司 | 学习诊断系统及方法 |
| CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| CN110110090A (zh) * | 2018-01-09 | 2019-08-09 | 鸿合科技股份有限公司 | 搜索方法、教育搜索引擎系统及装置 |
| CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
| CN109255031A (zh) * | 2018-09-20 | 2019-01-22 | 苏州友教习亦教育科技有限公司 | 基于知识图谱的数据处理方法 |
| CN109255031B (zh) * | 2018-09-20 | 2022-02-11 | 苏州友教习亦教育科技有限公司 | 基于知识图谱的数据处理方法 |
| CN109635869A (zh) * | 2018-12-11 | 2019-04-16 | 成都信息工程大学 | 在线学习干预系统 |
| CN109840261A (zh) * | 2018-12-21 | 2019-06-04 | 北京联合大学 | 一种以主动表达型为主体的教育数据分析系统及方法 |
| CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
| CN111444423A (zh) * | 2020-03-25 | 2020-07-24 | 上海乂学教育科技有限公司 | 学习资源智能推送方法 |
| CN111444423B (zh) * | 2020-03-25 | 2023-08-25 | 上海乂学教育科技有限公司 | 学习资源智能推送方法 |
| CN111416877A (zh) * | 2020-04-25 | 2020-07-14 | 上海乂学教育科技有限公司 | 基于mcm的学习系统及资源推送方法 |
| CN111416877B (zh) * | 2020-04-25 | 2022-11-25 | 上海乂学教育科技有限公司 | 基于mcm的学习系统及资源推送方法 |
| CN112016829B (zh) * | 2020-08-27 | 2021-08-31 | 江苏开放大学（江苏城市职业学院） | 一种基于眼动信息的在线课程学习评估方法 |
| CN112016829A (zh) * | 2020-08-27 | 2020-12-01 | 江苏开放大学（江苏城市职业学院） | 一种基于眼动信息的在线课程学习评估方法 |
| CN112116264A (zh) * | 2020-09-24 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种活跃度评估方法及装置 |
| CN112487406A (zh) * | 2020-12-02 | 2021-03-12 | 中国电子科技集团公司第三十研究所 | 一种基于机器学习的网络行为分析方法 |
| CN112435152A (zh) * | 2020-12-04 | 2021-03-02 | 北京师范大学 | 一种在线学习投入动态评价方法及系统 |
| CN112435152B (zh) * | 2020-12-04 | 2023-04-18 | 北京师范大学 | 一种在线学习投入动态评价方法及系统 |
| CN112732784A (zh) * | 2020-12-31 | 2021-04-30 | 山东理工大学 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
| CN112732784B (zh) * | 2020-12-31 | 2022-05-10 | 山东理工大学 | 基于过程挖掘的在线学习行为模型挖掘系统及其挖掘方法 |
| CN112926901A (zh) * | 2021-04-14 | 2021-06-08 | 北方工业大学 | 一种面向学习分析与评测的结构化能力模型构建方法 |
| CN112926901B (zh) * | 2021-04-14 | 2023-10-24 | 北方工业大学 | 一种面向学习分析与评测的结构化能力模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463691A (zh) | 一种学习状态收集与识别的方法及系统 | |
| CN107967267A (zh) | 一种知识图谱构建方法、装置及系统 | |
| CN113806630B (zh) | 基于注意力的多视角特征融合跨域推荐方法及装置 | |
| CN107145559A (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 | |
| CN114186983B (zh) | 视频面试多维评分方法、系统、计算机设备及存储介质 | |
| CN112596731A (zh) | 一种融合智能教育的编程教学系统及方法 | |
| CN113723853A (zh) | 岗位胜任力需求数据处理方法及装置 | |
| CN107169632A (zh) | 全球媒体形象分析方法、装置和系统 | |
| Sael et al. | Web usage mining data preprocessing and multi level analysis on moodle | |
| Zhang et al. | Multi-stage evaluation and selection in the formation process of complex creative solution | |
| Wang et al. | Education Data‐Driven Online Course Optimization Mechanism for College Student | |
| Wang et al. | Design of English hierarchical online test system based on machine learning | |
| Okafor et al. | The underlying issues in knowledge elicitation | |
| CN117171337A (zh) | 一种基于知识图谱的煤炭行业智适应培训平台搭建方法 | |
| Liu et al. | [Retracted] Application of Artificial Intelligence Combined with 5G Technology in the Reform of English Teaching in Universities | |
| Kolluru et al. | Adaptive learning systems: Harnessing AI for customized educational experiences | |
| Yu et al. | Temporal sentiment analysis of learners: Public versus private social media communication channels in a women-in-tech conversion course | |
| Li | Improvement design of functional modules of college english network teaching system based on decision tree algorithm | |
| US20230088444A1 (en) | Unified platform of an artificial intelligence (ai) based test generator and test training system | |
| Li | [Retracted] Research on Precision Teaching Model of Ideology Course Based on Collaborative Filtering Algorithm | |
| Li et al. | Multi-source education knowledge graph construction and fusion for college curricula | |
| Wang | Research on the Value Orientation of ELT Integration Based on Data Mining under the Background of Megadata | |
| Liu et al. | The Optimization of Digital Art Teaching Platform based on Information Technology and Deep Learning | |
| Wang | Utilization of Artificial Intelligence Technology in Higher Education Management | |
| Gaines et al. | Foundations for the Learning Web |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171212 |