CN107507468A - 一种知识空间有向图的自适应学习方法及系统 - Google Patents

Abstract

本发明涉及一种知识空间有向图的自适应学习方法及系统，其特征在于；包括四大核心装置：知识识别装置、能力识别装置、自适应装置、能力跟踪装置。所述知识识别装置与能力识别装置，通过知识向量与个性化数据连接，同时也通过能力有向图与知识点连接；所述能力识别装置和自适应装置，通过能力识别数据与自适应模块连接，同时也通过学习资源和能力有向图连接；所述自适应装置和能力跟踪装置，通过自适应模块与知识传递连接，同时也通过能力传递与学习资源连接。

Description

一种知识空间有向图的自适应学习方法及系统

技术领域

本发明涉及教育教学系统领域中的一种学习系统，具体涉及一种自适应学习系统和方法。

背景技术

自适应学习是传统教学、示范教学的基础上提出的。自适应学习有很多种定义，通常是指提供自适应的学习的计划、步骤、推荐和目标，通过学习者自身在学习中发现问题，成长轨迹并能自主解决问题的学习方式。

2000年，“自适应学习的认知建模”获中国科学院自然科学二等奖，诺贝尔奖得主、认知科学和人工智能的创始人之一西蒙指出，这项研究成果“对认知心理学和学习理论做出了重要贡献”，并将它向美国、日本、前苏联以及中国智能计算机高技术代表团等发布。

在实践应用方面，以解决问题为手段，以建立产生式为核心的示例演练学习方法，并将这一方面应用到几何、代数、物理等学科领域的学习。1993年9月，由朱新明和西蒙编写的《初中数学示例演练试验教材》正式出版，在我国的一些学校进行教学试验。

当前国内外相关公司在自适应的技术上还处于萌芽状态。一些公司只能提供错题库；个别产品虽然应用了一些相对更为复杂的逻辑，但却不能提供真正意义上的教学，因而不适合学习新的知识点，尤其是比较难的知识点。此外，学生在学习过程中不可避免地会有大量问题，而目前国内的相关产品除了一些基本的解析以外，并没有很好的学习系统满足教学快速发展的需求。

自适应学习系统引导学生进行最合适的内容和活动，并当学生遇到困难时，难度会自动降低。老师也可以使用它的实时预测技术来监测每个学生的知识结构，即时调整，为每个学生提供个性化自适应教学。

发明内容

本发明的目的是提供一种知识空间有向图的自适应学习方法及系统。本发明的目的是通过以下技术方案来实现：

学习是借助已掌握的知识和能力去链接新知识的过程，并通过新的知识，重新定义已有知识和能力的结构及知识之间的关系、能力与知识之间的关系、能力之间的关系。这三层面的关系是相互起作用的，人类知之甚少，本发明，通过人工智能(AI)技术揭示其隐藏的特征和状态。本发明自适应学习方法及系统，有四大核心装置：知识识别装置、能力识别装置、自适应装置、能力跟踪装置，这四大装置之间相互影响、相互调节，分担着自适应学习整个过程的不同角色。这就是本发明的核心。

本发明中，知识识别装置和能力识别装置，分解知识点，分割不同维度能力，构建完整的知识图谱和能力图谱，实现教与学自适应。当前优质教学资源严重缺乏，大部分学生无法获得优秀老师一对一的指导。本发明的目的是提供一种自适应学习方法和系统，学生获得最优秀老师的指导，实现一对一的个性化学习。所有的优秀资源集于一师——自适应学习系统，全面、完整、自适应的分析学生个性化学习状态和进度，实时动态提供最合适的学习计划。同时，学生在学习中可以可视化的了解的学习全貌，包括知识结构及能力结构，还可以自定义多维度的可视化项，系统定期更新，满足不同的个性化需求。

知识空间，具有个性化的结构，知识点拆分因人而异。知识空间中知识源有多种载体形式，有文字、视频、语音、图像等各种形式，而不仅仅是单一的数字。本发明中知识空间，划分为三种元素，即知识点、路线、学习过程三种元素。其中，知识点是结点，学习路线是向量边，学习过程是一条路线，即一次完整的学习向量边的连接路线。一本新书，第一次学习，假设只有一个知识点，翻阅次数多了，知识点自动拆分，形成多个知识点，每个知识点之间的关系，形成个性化的知识有向图，学习中直到掌握该书全部内容，收获不同的经验值，即能力。这是全过程，本发明是实现知识点的自动识别、拆分、合并、联想、传播，实现自适应学习的过程。

以下是本发明的详细步骤：

(001)学习内容。是自适应学习的资料库，包括课件、视频、知识点、各种单元习题、各种综合性考题、点评、解析以及分享等等。每一种学习内容数据，都有一套标准的格式，录有若干个标签。学习内容间有的有共同的标签。标签库中预先采集有标签之间的关系，知识识别装置自动生成默认的标签向量组合。后续的自适应学习，是基于这些数据及训练结果动态更新知识图谱，进行个性化推荐的。

(002)知识点自解析。是一个渐进的过程，涉及到两类解析，一类是基于知识标签库解析，一类是基于能力标签库解析。融合这两类，实现内容到知识点分解，这种解析有一个学习的过程，也是一个能力识别过程，随着学习进度和能力提升，知识点会越来越丰富，多样化。知识识别装置中知识点发现是产生新的知识点的重要途径之一。

(003)知识图谱。是知识点量化进程及其之间关系向量组成的一个完整的矢量图。知识点内、知识点间，这两种关系，概括了知识图谱中，知识点之间的所有关系。不管手工录入还是知识识别装置自发现的知识点都有这种关系。知识点内，指的是一个子知识图谱的概念，即每一个知识点可以拆分为若干个小的知识点，这些小的知识点都是其内部知识点。反之，为知识点间，即两个知识点没有相同或相似性的属性，称为知识点间的关系。

(004)知识向量识别。学习样本差异非常大，把样本空间映射到一个高维乃至无穷维的特征空间中，所有非线性的数据量化为有空间特征的线性可分向量，实现知识向量识别。其中核心是通过个性化数据挖掘出线性特征。

(005)个性化数据。在知识识别的基础上，通过学习，做题、检测、针对性训练等，挖掘学生的兴趣、爱好、情绪等多维度特征值并自动分类。实现知识、能力、群体共性以及之间的关系自动识别。

(006)能力向量识别。在知识识别的基础上，采集个性化的特征，知识点、关联性、学习程度、学习时间等等，在这些特征上的能力辨别、判断、评价等等多维度的非线性数据量化为空间特征的线性向量。这一过程，称为能力向量识别。

(007)自适应。是知识空间与能力空间映射过程。根据学习内容自动调整学习方法、学习顺序、学习参数，使其与所学知识和能力的分布、结构相适应，以取得最佳的学习效果的过程。这一过程，称为自适应。自适应是知识和能力配对的过程，也是培养学习习惯的过程。

(008)知识传递。是知识图谱和能力向量融合，个性化特征与知识结构自动适应，匹配最合适的学习资源的过程。

(009)能力跟踪。是综合知识、状态、成长的全过程，提升可追踪能力。包括两种跟踪方式，正向跟踪和逆向跟踪。正向跟踪是指学生个性化学习与自适应学习方法相适应的能力成长变化过程。逆向跟踪，是指学生自主选择的过程。正向跟踪和逆向跟踪，合称双向跟踪。本发明，采用双向跟踪，实现个性化能力的全方位成长，满足自适应学习和系统推荐需求。能力跟踪的目的是建立与维护自适应学习的一致性，确保自适应符合实际场景。

(010)完毕。是一次自适应过程的结束，也是下次重复自适应过程的开始，反复迭代，实现自适应学习的不断变化和延续。

(011)能力传递。是有连接关系的能力向量进行能力值产生、转移或交换的过程。连接关系，分为入边关系和出边关系，出入边关系，形成完整的能力传递网络，完整的能力向量图。

(012)学习资源。是学习中可以利用的一切的有效信息。这些资源有各种标签。标签分为知识和能力两大类，知识标签连接知识向量，能力标签连接能力向量，通过知识标签和能力标签，匹配到最佳学习资源。

(013)能力向量图。能力识别装置中，各种能力向量。这些向量组成一个完整的矢量图。能力向量之间有三种关系：上下层关系、同层关系、远离关系。其结构与知识图谱相似。运用这三种关系，能力的自动识别、拆分、合并、联想、传播，实现自适应学习。

(014)知识点发现。是本专利的核心的功能之一，能力识别装置中，输入数据有知识向量，输出数据也有知识点，知识点是知识向量的节点。知识点发现，实现了知识点和能力的迭代更新。

本发明带来的有益效果。

①知识识别。学习的突出挑战是难以满足个性化要求。该系统很好的解决了内容、知识、能力的识别和衔接，个性化的丰富了知识点的维度与特征。

②能力识别。能力识别的突出难点是知识、经验及水平的量化及关系。该系统中，个性化的特征，知识点、关联性、学习程度、学习时间等等，在这些特征上的能力辨别、判断、评价的多维度的非线性数据量化为空间特征的线性向量。这一过程，实现能力的标准化，为自适应学习奠定了基础。

③自适应。自适应的挑战是个性化与精确性。该系统中，知识识别和个性化能力的有机结合。形成一套完整的自适应学习方法。

④能力跟踪。能力无法跟踪是在线教学系统的瓶颈。该系统中，知识传递和能力传递是一个学习闭环。完成知识和能力的传递，实现能力的动态跟踪。

附图说明

图1是本发明所述的自适应学习系统的结构示意图。

具体实施方式

下面结合图1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，本发明所设计一种知识空间有向图的自适应学习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.选择学习内容，作为自适应学习的入口，并进入步骤002；

步骤002.根据可自动收集的标签库进行标签识别，自动收集标签是通过用户个性化发现的，进入步骤003；

步骤003.在知识图谱库中，通过标签选择知识范围，进入步骤004；

步骤004.按知识范围、标签的关系，拼接成知识向量，进入步骤005；

步骤005.知识向量与个性化数据的关系，获得学习能力向量数据，并进入步骤006；

步骤006.到这里，能力数据收集和处理完毕，并进入步骤007；

步骤007.构建自适应数据集合，进入自适应处理，并进入步骤008；

步骤008.为了个性化数据的收集和处理，量化当前状态下的知识数据，并进入步骤009；

步骤009.跟踪个性化能力，形成个性化样本，并进入步骤010；

步骤010.自适应过程处理完毕，系统会继续自适应的跳转到步骤001或步骤011；

步骤011.能力传递是积累和处理的过程，获得量化结果性数据，并进入步骤012；

步骤012.完善学习资源的能力维度信息，并进入步骤013；

步骤013.更新能力有向图，实现能力成长，并进入步骤014；

步骤014.能力和知识的自适应，更新能力有向图，并进入步骤003；

上面结合图1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 (6)

1.一种知识空间有向图的自适应学习方法及系统，其特征在于；包括四大核心装置：知识识别装置、能力识别装置、自适应装置、能力跟踪装置，所述知识识别装置与能力识别装置，通过知识向量与个性化数据连接，同时也通过能力有向图与知识点连接；所述能力识别装置和自适应装置，通过能力识别数据与自适应模块连接，同时也通过学习资源和能力有向图连接；所述自适应装置和能力跟踪装置，通过自适应模块与知识传递连接，同时也通过能力传递与学习资源连接。

2.根据权利要求1所述的一种知识空间有向图的自适应学习方法及系统，其特征在于：所述学习内容根据知识图谱，分解并获得相关的知识点，根据能力有向图，发现相关的知识点，形成一个完整的知识图谱闭环。

3.根据权利要求1所述的一种知识空间有向图的自适应学习方法及系统，其特征在于：所述个性化数据和能力向量识别，根据个性化学习行为，量化能力并完成自动更新，形成一个完整的能力有向图。

4.根据权利要求1所述的一种知识空间有向图的自适应学习方法及系统，其特征在于：所述自适应、知识传递和能力传递，根据知识空间与能力空间之间的关系，实现个性化学习资源推荐。

5.根据权利要求1所述的一种知识空间有向图的自适应学习方法及系统，其特征在于：所述能力跟踪装置，实现能力的发现、成长及学习策略自适应。这些装置之间相互影响，形成一个自适应学习闭环，分担该系统每个环节的工作。

6.一种根据权利要求1～5中任一项所述的一种知识空间有向图的自适应学习方法及系统，其特征在于：所述知识识别装置中，所述学习内容含有文字、视频、语音、图像等各种形式；所述知识识别装置，学习内容进行知识点识别、知识点发现等处理，将处理后的信息汇总到知识图谱；所述能力识别装置，个性化数据，是一个多维向量空间数据源，包括知识、能力、行为等数据的采集及量化关系；所述自适应装置，自适应是知识、学习资源、能力的多维度关系之间的自适应；所述能力跟踪装置，知识传递、能力跟踪、能力传递是一个多维空间的关系；通过自适应系统控制相关学习资源，实现自适应的学习目的。