CN107665472A - 学习路径规划方法和装置 - Google Patents

学习路径规划方法和装置 Download PDF

Info

Publication number
CN107665472A
CN107665472A CN201610600544.0A CN201610600544A CN107665472A CN 107665472 A CN107665472 A CN 107665472A CN 201610600544 A CN201610600544 A CN 201610600544A CN 107665472 A CN107665472 A CN 107665472A
Authority
CN
China
Prior art keywords
knowledge point
knowledge
student
node
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.)
Granted
Application number
CN201610600544.0A
Other languages
English (en)
Other versions
CN107665472B (zh
Inventor
邓晓栋
苏喻
刘青文
张丹
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.)
iFlytek Co Ltd
Original Assignee
iFlytek Co Ltd
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 iFlytek Co Ltd filed Critical iFlytek Co Ltd
Priority to CN201610600544.0A priority Critical patent/CN107665472B/zh
Publication of CN107665472A publication Critical patent/CN107665472A/zh
Application granted granted Critical
Publication of CN107665472B publication Critical patent/CN107665472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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—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
    • G06Q50/205—Education administration or guidance

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出一种学习路径规划方法和装置，该学习路径规划方法包括：收集学生对每个知识点的做题记录；根据所述做题记录，构建学生学习的知识图谱；根据所述知识图谱，规划以知识点为基本单元的学习路径。该方法能够以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。

Description

学习路径规划方法和装置
技术领域
本申请涉及在线教育技术领域，尤其涉及一种学习路径规划方法和装置。
背景技术
随着互联网的普及和计算机技术的广泛应用，传统的教育方式也在逐渐向在线教育方向转变，从而使得一对多的教育方式得到了更加深入的应用，“一”指在线教育平台，“多”指在线教育平台的用户或学生；这种在线教育模式可以使得“一”对应几十万甚至向百万的用户或学生；这种教育模式由于学习的人数众多，如何做到结合用户自身学习情况进行学习路径规划，提高个人学习能力显得尤为重要。然而，现有的在线教育平台一般是针对学生的做题情况，推荐一些未掌握的题目让学生加强练习，所述未掌握的题目如错题，这种方法一般以题目为推荐粒度，推荐粒度较粗，可能导致学生一直不会做推荐的题目，不仅浪费时间，学生的学习能力也无法得到提升。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的一个目的在于提出一种学习路径规划方法，该方法能够以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。
本申请的另一个目的在于提出一种学习路径规划装置。
为达到上述目的，本申请第一方面实施例提出的学习路径规划方法，包括：收集学生对每个知识点的做题记录；根据所述做题记录，构建学生学习的知识图谱；根据所述知识图谱，规划以知识点为基本单元的学习路径。
本申请第一方面实施例提出的学习路径规划方法，通过规划为知识点为基本单元的学习路径，可以以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。
为达到上述目的，本申请第二方面实施例提出的学习路径规划装置，包括：收集模块，用于收集学生对每个知识点的做题记录；构建模块，用于根据所述做题记录，构建学生学习的知识图谱；规划模块，用于根据所述知识图谱，规划以知识点为基本单元的学习路径。
本申请第二方面实施例提出的学习路径规划装置，通过规划为知识点为基本单元的学习路径，可以以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请一个实施例提出的学习路径规划方法的流程示意图；
图2是本申请实施例中根据学生对每个知识点的做题记录，构建学生学习的知识图谱的流程示意图；
图3是本申请实施例中根据知识点掌握程度矩阵，构建学生学习的知识图谱的流程示意图；
图4是本申请实施例中根据一个具体示例的知识点掌握程度矩阵构建的一个具体示例的知识图谱的示意图；
图5是本申请实施例中根据知识图谱规划以知识点为基本单元的学习路径的流程示意图；
图6是本申请一个实施例提出的学习路径规划装置的结构示意图；
图7是本申请另一个实施例提出的学习路径规划装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本申请一个实施例提出的学习路径规划方法的流程示意图。
如图1所示，本实施例包括以下步骤：
S11：收集学生对每个知识点的做题记录。
所述做题记录指学生为了掌握相关知识点，做的与知识点相关题目的记录，或者学生考试时做的与知识点相关的题目的记录；如学生在线学习时，做的练习题的记录，当然，也可以为学生做的其它与知识点相关的题目的记录，具体题目本申请不作限定。
S12：根据所述做题记录，构建学生学习的知识图谱；
其中，知识图谱用于表明学生学习的知识点、学生在学习知识点时的先后顺序及先后顺序的概率。
具体的，知识图谱可以由点和边组成，其中，每个点对应一个知识点，边用于连接两个点，并且是存在方向指向的，以表明学生在学习知识点时的先后顺序，以及，每条边具有相应的权重，以表明先后顺序的概率。
具体构建知识图谱的流程可以参见后续实施例。
S13：根据所述知识图谱，规划以知识点为基本单元的学习路径。
其中，以知识点为基本单元的学习路径用于表明需要学习的知识点以及各个知识点的先后学习顺序。
具体的规划学习路径的流程可以参见后续实施例。
本实施例中，通过规划为知识点为基本单元的学习路径，可以以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。
图2是本申请实施例中根据学生对每个知识点的做题记录，构建学生学习的知识图谱的流程示意图。
如图2所示，构建流程包括：
S21：根据学生对每个知识点的做题记录，构建知识点掌握程度矩阵。
其中，知识点掌握程度矩阵用于表明每个学生对每个知识点的掌握程度。
具体的，根据每个学生对每个知识点的做题记录，计算每个学生对每个知识点的掌握程度，以及，由每个学生对每个知识点的掌握程度组成知识点掌握程度矩阵。
例如，所述知识点掌握程度矩阵中每个元素表示每个学生对每个知识点的掌握程度aij，假设共有n个学生，m个知识点，则知识点掌握程度矩阵A可以表示为：
其中，aij表示学生Si对知识点Kj的掌握程度。
在计算每个学生对每个知识点的掌握程度时，对应每个学生和每个知识点，如果所述学生对所述知识点的做题记录的总数小于第一阈值，则确定所述学生对所述知识点的掌握程度为0，否则，如果所述总数大于或等于第一阈值，则将所述做题记录的平均得分率作为所述学生对所述知识点的掌握程度。
具体的，计算aij时，判断学生Si做的题目与知识点Kj相关的总数，如果所述总数小于第一阈值，则学生Si对知识点Kj的掌握程度为0；否则，将学生Si做的与知识点Kj相关题目的平均得分率作为学生Si对知识点Kj的掌握程度aij，所述平均得分率计算时，先计算出学生Si做的与知识点Kj相关的每个题目的得分率，即学生Si做每个题目的得分与标准得分的比值；再计算学生Si做的与知识点Kj相关的所有题目的所述得分率的平均值，具体计算方法如式(1)所示:
其中，Tij表示学生Si做的与知识点Kj相关的所有题目总数，Scoret表示学生Si做的与知识点Kj相关的第t个题目的实际得分，stdScoret表示第t个题目的标准得分。其中，每个题目的标准得分是已知的确定的值，如10分或15分等。
计算完所有学生对每个知识点的掌握程度后，即可得到知识点掌握程度矩阵。
进一步的，可以理解的是，随着数据的不变更新，如学生不断的学习产生新的做题记录，则上述的知识点掌握程度矩阵可以根据新的做题记录进行更新。而具体的更新时间可以是定时更新或者根据发生预设事件时更新。
S22：根据所述知识点掌握程度矩阵，构建学生学习的知识图谱。
所述知识图谱为有向无环图，使用G＝(V,E)表示，其中V表示图中的节点，E表示图中的有向边。图中节点表示知识点，有先后顺序的两个知识点使用一条有向边连接，有向边的方向为顺序在先知识点指向顺序在后知识点，如E(s,r)表示在先知识点Ks指向在后知识点Kr的一条有向边；每条有向边的权重表示边连接的两个知识点有先后顺序的概率，即学生学好在后知识点需要先学好在先知识点的概率，使用W表示，如W(s,r)表示知识点Ks和知识点Kr有先后顺序的概率，即边E(s,r)的权重。
具体的，参见图3，根据知识点掌握程度矩阵，构建学生学习的知识图谱的流程包括：
S31：根据知识点掌握程度矩阵对应的知识点，确定知识图谱中的节点。
其中，知识图谱中的节点个数与知识点掌握程度矩阵对应的知识点的个数相同，例如，知识点掌握程度矩阵共有m个知识点，则知识图谱中共有m个节点，每个节点对应一个知识点。
S32：将知识图谱中的每个节点依次作为当前节点，并根据知识点掌握程度矩阵，依次计算先后顺序为当前节点指向每个其它节点的概率。
在计算上述概率时，可以先根据知识点掌握程度矩阵，计算每个学生对应的当前节点指向每个其它节点的可信度；再将所有学生对应的当前节点指向每个其它节点的可信度的均值作为当前节点指向每个其它节点的概率。
具体的，假设当前节点称为第一节点，一个其它节点称为第二节点，则在计算第一节点指向第二节点的概率时，先计算每个学生对应的第一节点指向第二节点的可信度，再将所有学生对应的上述可信度的均值确定为上述的概率。
在计算每个学生对应的第一节点指向第二节点的可信度时，根据每个学生对第一节点(知识点)的掌握程度与对第二节点(知识点)的掌握程度确定。具体的，对应每个学生，从知识点掌握程度矩阵中获取第一掌握程度和第二掌握程度，所述第一掌握程度是所述学生对当前节点对应的知识点的掌握程度，所述第二掌握程度是对所述每个其它节点对应的知识点的掌握程度；计算所述第一掌握程度与第二掌握程度的差值；如果所述差值大于或等于第二阈值，则将所述可信度置为1，否则将所述可信度置为0。
例如：当前节点(知识点)为Ks，一个其它节点为Kr，则计算某个学生对应的Ks指向Kr的可信度时，所述可信度的计算方法为计算该学生对知识点Ks的掌握程度与对知识点Kr的掌握程度的差值，判定所述差值是否大于或等于第二阈值，如果是，则可信度为1，否则，可信度为0。
在计算出每个学生对应的上述可信度后，则将所有学生对应的上述可信度的均值作为上述的概率，即两个知识点之间有向边的权重，所述两个知识点之间有向边的权重计算方法如式(2)所示：
其中，W(s,r)表示知识点Ks和Kr的顺序为“Ks、Kr”(也即Ks指向Kr)的概率，即边E(s,r)的权重，n为学生总数，f(i,s,r)为根据每个学生对知识点Ks和Kr的掌握程度计算当前两个知识点顺序的可信度函数，f(i,s,r)的计算方法如式(3)所示：
其中，ais表示学生Si对知识点Ks的掌握程度，air表示学生Si对知识点Kr的掌握程度，TH2表示知识点Ks和Kr的顺序为“Ks、Kr”的概率阈值，即第二阈值，其取值可以根据具体应用或实验结果确定，如取值为0.4，当学生Si对知识点Ks的掌握程度与对知识点Kr的掌握程度之间的差值大于所述阈值时，可信度函数的取值为1，否则，取值为0。
S33：根据所述概率判断是否需要构建当前节点指向每个其它节点的有向边，以及在需要时，构建所述有向边，并将所述概率作为所述有向边的权重。
其中，可以在上述的概率大于第三阈值时，则确定需要构建上述的有向边。
所述第三阈值的取值根据应用需求或实验结果确定，如取值为0.7。
比如，第一节点指向第二节点的概率是0.8，由于该概率大于第三阈值0.7，则构建第一节点指向第三节点的有向边，且该有向边的权重是0.8。
由于根据S31可以确定出节点，根据S32-S33可以构建出有向边及对应的权重，而知识图谱由节点和具有权重的有向边组成，因此，通过S31-S33可以构建出知识图谱。
具体的，假设第二阈值的取值为0.4，第三阈值的取值为0.7时，根据图4左边的知识点掌握程度矩阵可以构建出图4右边的学生学习的知识图谱。具体构建过程如下：
知识图谱G＝(V,E)，图中节点集合V＝{K1,K2,K3,K4}，依次取出节点集合中节点，作为当前节点，依次计算当前节点与其它节点有先顺序的概率，具体如下所述：
首先取出节点K1作为当前节点，依次计算K1与K2,K3,K4有先后顺序的概率，计算得到W(1,2)＝0.75，W(1,3)＝0，W(1,4)＝0.75，由于第三阈值的取值为0.7，则节点K1与K2和K4之间存在有向边，分别将边E(1,2)和边E(1,4)加入到边集合中，即E＝{E(1,2),E(1,4)}；
再取出节点K2作为当前节点，依次计算节点K2与K1,K3,K4有先后顺序的概率，计算得到W(2,1)＝0，W(2,3)＝0，W(2,4)＝0，没有超过第三阈值的权重，没有满足条件的边加入到边集合中；
再取出节点K3作为当前节点，依次计算节点K3与K1,K2,K4有先后顺序的概率，计算得到W(3,1)＝0，W(3,2)＝0.75，W(3,4)＝1，则节点K3与K2和K4之间存在有向边，分别将边E(3,2)和边E(3,4)加入到边集合中，即E＝{E(1,2),E(1,4),E(3,2),E(3,4)}；
最后取出节点K4作为当前节点，依次计算节点K4与K1,K2,K3有先后顺序的概率，计算得到W(4,1)＝0，W(4,2)＝0，W(4,3)＝0，没有超过第三阈值的权重，没有满足条件的边加入到边集合中；
节点之间有先后顺序的概率计算结束，得到边集合E＝{E(1,2),E(1,4),E(3,2),E(3,4)}，根据边集合将节点之间的边连接起来，即得到构建的知识图谱。
图5是本申请实施例中根据知识图谱规划以知识点为基本单元的学习路径的流程示意图。
对学生学习知识点路径进行规划时，主要根据学生学好每个知识点的概率来规划具体学习路径。知识图谱中两个有先后顺序的节点，存在学好在后知识点需要先学好在先知识点的关系；因此计算学好一个知识点的概率，需要考虑当前知识点对应节点在知识图谱中是否有前驱节点，如果有前驱节点，则需要考虑所有前驱节点对应知识点，计算当前节点学好的概率。其中，一个节点的前驱节点是指指向该节点的其它节点。
如图5所示，具体学习路径规划方法包括：
S51：根据所述知识图谱，依次计算所述知识图谱中每个节点对应知识点的学好概率。
其中，可以对应所述知识图谱中的每个节点，确定所述节点的前驱节点；以及，根据所述前驱节点的学好概率及所述前驱节点与所述节点间的有向边的权重，计算所述节点的学好概率。例如，将所有前驱节点的学好概率及相应权重的累积乘积作为该节点的学好概率。如果一个节点不存在前驱节点，则可以将该节点的学好概率置为一个固定值，如置为1。其中，一个节点的前驱节点是指指向该节点的其它节点。
具体的，首先判断当前节点是否有前驱节点，如果没有，则当前节点对应知识点的学好概率为1，否则，需要根据所有前驱节点到当前节点的权重及所有前驱节点的学好概率计算当前节点对应知识点的学好概率，具体计算时，直接将所有前驱节点到当前节点的权重及所有前驱节点的学好概率的乘积作为当前节点对应知识点的学好概率，具体计算方法如式(4)所示：
其中，P(r)表示知识图谱中第r个节点对应知识点的学好概率，ro表示第r个节点的前驱节点总数，W(o,r)表示第r个节点的第o个前驱节点到第r个节点节点边的权重，P(o)表示第r个节点的第o个前驱节点对应知识点的学好概率。
S52：根据每个知识点的学好概率对知识点进行排序，得到以知识点为基本单元的学习路径。
其中，可以根据学好概率从大到小的顺序对知识点进行排序。而学好概率相同的知识点的顺序可以是随机的。
学习路径规划时，按照知识点由易到难的顺序进行规划，学生学好知识点的概率越大，说明知识点越容易掌握，在规划学习路径时，该知识点越靠前；因此，将知识图谱中学生学好每个知识点的概率由大到小排序，根据所述概率对应节点得到每个知识点的学习路径；
假设每个知识点的学好概率依次为P(1)＝1，P(2)＝0.5625，P(3)＝1，P(4)＝0.75；对所述学好概率由大到小排序后为P(1)，P(3)，P(4)，P(2)或者P(3)，P(1)，P(4)，P(2)，则根据排序结果可以得到以知识点为基本单元的学习路径为K1→K3→K4→K2或者K3→K1→K4→K2。
进一步的，在确定学习路径后，可以根据学习路径上的每个知识点，将相应知识点的相关题目推荐给学生。
图6是本申请一个实施例提出的学习路径规划装置的结构示意图。
如图6所示，该装置60包括：收集模块61、构建模块62和规划模块63。
收集模块61，用于收集学生对每个知识点的做题记录；
构建模块62，用于根据所述做题记录，构建学生学习的知识图谱；
规划模块63，用于根据所述知识图谱，规划以知识点为基本单元的学习路径。
一些实施例中，参见图7，所述构建模块62包括：
第一构建子模块621，用于根据所述做题记录，构建知识点掌握程度矩阵；
第二构建子模块622，用于根据所述知识点掌握程度矩阵，构建学生学习的知识图谱。
一些实施例中，所述第一构建子模块具体用于：根据每个学生对每个知识点的做题记录，计算每个学生对每个知识点的掌握程度，以及，由每个学生对每个知识点的掌握程度组成知识点掌握程度矩阵。
一些实施例中，所述第一构建子模块用于根据每个学生对每个知识点的做题记录，计算每个学生对每个知识点的掌握程度，包括：对应每个学生和每个知识点，如果所述学生对所述知识点的做题记录的总数小于第一阈值，则确定所述学生对所述知识点的掌握程度为0，否则，如果所述总数大于或等于第一阈值，则将所述做题记录的平均得分率作为所述学生对所述知识点的掌握程度。
一些实施例中，第二构建子模块具体用于：
根据知识点掌握程度矩阵对应的知识点，确定知识图谱中的节点；
将知识图谱中的每个节点依次作为当前节点，并根据知识点掌握程度矩阵，依次计算先后顺序为当前节点指向每个其它节点的概率；
根据所述概率判断是否需要构建当前节点指向每个其它节点的有向边，以及在需要时，构建所述有向边，并将所述概率作为所述有向边的权重。
一些实施例中，第二构建子模块用于根据知识点掌握程度矩阵，依次计算先后顺序为当前节点指向每个其它节点的概率，包括：
根据知识点掌握程度矩阵，计算每个学生对应的当前节点指向每个其它节点的可信度；
将所有学生对应的当前节点指向每个其它节点的可信度的均值作为当前节点指向每个其它节点的概率。
一些实施例中，第二构建子模块用于根据知识点掌握程度矩阵，计算每个学生对应的当前节点指向每个其它节点的可信度，包括：
对应每个学生，从知识点掌握程度矩阵中获取第一掌握程度和第二掌握程度，所述第一掌握程度是所述学生对当前节点对应的知识点的掌握程度，所述第二掌握程度是对所述每个其它节点对应的知识点的掌握程度；
计算所述第一掌握程度与第二掌握程度的差值；
如果所述差值大于或等于第二阈值，则将所述可信度置为1，否则将所述可信度置为0。
一些实施例中，第二构建子模块用于根据所述概率判断是否需要构建当前节点指向每个其它节点的有向边，包括：
如果所述概率大于第三阈值，则确定需要构建当前节点指向每个其它节点的有向边。
一些实施例中，参见图7，所述规划模块63包括：
计算子模块631，用于根据所述知识图谱，依次计算所述知识图谱中每个节点对应知识点的学好概率；
排序子模块632，用于根据每个知识点的学好概率对知识点进行排序，得到以知识点为基本单元的学习路径。
一些实施例中，计算子模块具体用于：
对应所述知识图谱中的每个节点，确定所述节点的前驱节点；
根据所述前驱节点的学好概率及所述前驱节点与所述节点间的有向边的权重，计算所述节点的学好概率。
可以理解的是，本实施例的装置与上述方法实施例对应，具体内容可以参见方法实施例的相关描述，在此不再详细说明。
本实施例中，通过规划为知识点为基本单元的学习路径，可以以知识点为粒度，对学习路径进行规划，从而保证了学生从易到难的学习顺序，更有效的提升学生的学习能力。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种学习路径规划方法，其特征在于，包括：
收集学生对每个知识点的做题记录；
根据所述做题记录，构建学生学习的知识图谱；
根据所述知识图谱，规划以知识点为基本单元的学习路径。
2.根据权利要求1所述的方法，其特征在于，所述根据所述做题记录，构建学生学习的知识图谱，包括：
根据所述做题记录，构建知识点掌握程度矩阵；
根据所述知识点掌握程度矩阵，构建学生学习的知识图谱。
3.根据权利要求2所述的方法，其特征在于，所述根据所述做题记录，构建知识点掌握程度矩阵，包括：
根据每个学生对每个知识点的做题记录，计算每个学生对每个知识点的掌握程度，以及，由每个学生对每个知识点的掌握程度组成知识点掌握程度矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据每个学生对每个知识点的做题记录，计算每个学生对每个知识点的掌握程度，包括：
对应每个学生和每个知识点，如果所述学生对所述知识点的做题记录的总数小于第一阈值，则确定所述学生对所述知识点的掌握程度为0，否则，如果所述总数大于或等于第一阈值，则将所述做题记录的平均得分率作为所述学生对所述知识点的掌握程度。
5.根据权利要求2所述的方法，其特征在于，所述根据所述知识点掌握程度矩阵，构建学生学习的知识图谱，包括：
根据知识点掌握程度矩阵对应的知识点，确定知识图谱中的节点；
将知识图谱中的每个节点依次作为当前节点，并根据知识点掌握程度矩阵，依次计算先后顺序为当前节点指向每个其它节点的概率；
根据所述概率判断是否需要构建当前节点指向每个其它节点的有向边，以及在需要时，构建所述有向边，并将所述概率作为所述有向边的权重。
6.根据权利要求5所述的方法，其特征在于，所述根据知识点掌握程度矩阵，依次计算先后顺序为当前节点指向每个其它节点的概率，包括：
根据知识点掌握程度矩阵，计算每个学生对应的当前节点指向每个其它节点的可信度；
将所有学生对应的当前节点指向每个其它节点的可信度的均值作为当前节点指向每个其它节点的概率。
7.根据权利要求6所述的方法，其特征在于，所述根据知识点掌握程度矩阵，计算每个学生对应的当前节点指向每个其它节点的可信度，包括：
对应每个学生，从知识点掌握程度矩阵中获取第一掌握程度和第二掌握程度，所述第一掌握程度是所述学生对当前节点对应的知识点的掌握程度，所述第二掌握程度是对所述每个其它节点对应的知识点的掌握程度；
计算所述第一掌握程度与第二掌握程度的差值；
如果所述差值大于或等于第二阈值，则将所述可信度置为1，否则将所述可信度置为0。
8.根据权利要求5所述的方法，其特征在于，所述根据所述概率判断是否需要构建当前节点指向每个其它节点的有向边，包括：
如果所述概率大于第三阈值，则确定需要构建当前节点指向每个其它节点的有向边。
9.根据权利要求1所述的方法，其特征在于，所述根据所述知识图谱，规划以知识点为基本单元的学习路径，包括：
根据所述知识图谱，依次计算所述知识图谱中每个节点对应知识点的学好概率；
根据每个知识点的学好概率对知识点进行排序，得到以知识点为基本单元的学习路径。
10.根据权利要求9所述的方法，其特征在于，所述根据所述知识图谱，依次计算所述知识图谱中每个节点对应知识点的学好概率，包括：
对应所述知识图谱中的每个节点，确定所述节点的前驱节点；
根据所述前驱节点的学好概率及所述前驱节点与所述节点间的有向边的权重，计算所述节点的学好概率。
11.一种学习路径规划装置，其特征在于，包括：
收集模块，用于收集学生对每个知识点的做题记录；
构建模块，用于根据所述做题记录，构建学生学习的知识图谱；
规划模块，用于根据所述知识图谱，规划以知识点为基本单元的学习路径。
12.根据权利要求11所述的装置，其特征在于，所述构建模块包括：
第一构建子模块，用于根据所述做题记录，构建知识点掌握程度矩阵；
第二构建子模块，用于根据所述知识点掌握程度矩阵，构建学生学习的知识图谱。
13.根据权利要求11所述的装置，其特征在于，所述规划模块包括：
计算子模块，用于根据所述知识图谱，依次计算所述知识图谱中每个节点对应知识点的学好概率；
排序子模块，用于根据每个知识点的学好概率对知识点进行排序，得到以知识点为基本单元的学习路径。
CN201610600544.0A 2016-07-27 2016-07-27 学习路径规划方法和装置 Active CN107665472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610600544.0A CN107665472B (zh) 2016-07-27 2016-07-27 学习路径规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610600544.0A CN107665472B (zh) 2016-07-27 2016-07-27 学习路径规划方法和装置

Publications (2)

Publication Number Publication Date
CN107665472A true CN107665472A (zh) 2018-02-06
CN107665472B CN107665472B (zh) 2021-06-25

Family

ID=61115012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610600544.0A Active CN107665472B (zh) 2016-07-27 2016-07-27 学习路径规划方法和装置

Country Status (1)

Country Link
CN (1) CN107665472B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804705A (zh) * 2018-06-20 2018-11-13 大国创新智能科技(东莞)有限公司 基于大数据与人工智能的复习推荐方法和教育机器人系统
CN110175942A (zh) * 2019-05-16 2019-08-27 西安交通大学城市学院 一种基于学习依赖关系的学习序列生成方法
CN110197450A (zh) * 2019-05-31 2019-09-03 上海乂学教育科技有限公司 知识点间顺序关系获取方法、装置、设备及介质
CN111612665A (zh) * 2020-05-27 2020-09-01 上海乂学教育科技有限公司 用于打地基学习的监督和校正系统与方法
CN112825071A (zh) * 2019-11-21 2021-05-21 亿度慧达教育科技（北京）有限公司 学习路径规划方法、装置、设备及存储介质
CN112907004A (zh) * 2019-12-03 2021-06-04 北京新唐思创教育科技有限公司 学习规划方法、装置及计算机存储介质
CN113361867A (zh) * 2021-05-17 2021-09-07 山东师范大学 一种基于学生答题记录的概念重要性判别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155081B1 (en) * 2007-05-21 2012-04-10 Marvell International Ltd. Self learning roaming optimization
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
CN104574241A (zh) * 2015-02-03 2015-04-29 陈飞鸣 一种在线教育测评系统及测评方法
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
CN104867075A (zh) * 2015-06-04 2015-08-26 武汉美联智酷教育科技有限公司 一种网上学习评测系统及评测方法
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
CN105632285A (zh) * 2016-03-14 2016-06-01 成都爱易佰网络科技有限公司 一种满足修复学习过程的变式提高的系统及方法
CN105761183A (zh) * 2016-03-14 2016-07-13 成都爱易佰网络科技有限公司 知识点体系教学方法及基于知识点测度的自适应教学系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155081B1 (en) * 2007-05-21 2012-04-10 Marvell International Ltd. Self learning roaming optimization
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
CN104574241A (zh) * 2015-02-03 2015-04-29 陈飞鸣 一种在线教育测评系统及测评方法
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
CN104867075A (zh) * 2015-06-04 2015-08-26 武汉美联智酷教育科技有限公司 一种网上学习评测系统及评测方法
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
CN105632285A (zh) * 2016-03-14 2016-06-01 成都爱易佰网络科技有限公司 一种满足修复学习过程的变式提高的系统及方法
CN105761183A (zh) * 2016-03-14 2016-07-13 成都爱易佰网络科技有限公司 知识点体系教学方法及基于知识点测度的自适应教学系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
韩燕娟等: "我国微课的研究热点、主题和发展趋势__基于共词分析的知识图谱研究", 《现代远近距离教育》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804705A (zh) * 2018-06-20 2018-11-13 大国创新智能科技(东莞)有限公司 基于大数据与人工智能的复习推荐方法和教育机器人系统
CN108804705B (zh) * 2018-06-20 2023-01-03 大国创新智能科技(东莞)有限公司 基于大数据与人工智能的复习推荐方法和教育机器人系统
CN110175942A (zh) * 2019-05-16 2019-08-27 西安交通大学城市学院 一种基于学习依赖关系的学习序列生成方法
CN110175942B (zh) * 2019-05-16 2021-12-07 西安交通大学城市学院 一种基于学习依赖关系的学习序列生成方法
CN110197450A (zh) * 2019-05-31 2019-09-03 上海乂学教育科技有限公司 知识点间顺序关系获取方法、装置、设备及介质
CN110197450B (zh) * 2019-05-31 2024-03-08 上海松鼠课堂人工智能科技有限公司 知识点间顺序关系获取方法、装置、设备及介质
CN112825071A (zh) * 2019-11-21 2021-05-21 亿度慧达教育科技（北京）有限公司 学习路径规划方法、装置、设备及存储介质
CN112825071B (zh) * 2019-11-21 2022-08-30 亿度慧达教育科技（北京）有限公司 学习路径规划方法、装置、设备及存储介质
CN112907004A (zh) * 2019-12-03 2021-06-04 北京新唐思创教育科技有限公司 学习规划方法、装置及计算机存储介质
CN111612665A (zh) * 2020-05-27 2020-09-01 上海乂学教育科技有限公司 用于打地基学习的监督和校正系统与方法
CN111612665B (zh) * 2020-05-27 2024-04-05 上海松鼠课堂人工智能科技有限公司 用于打地基学习的监督和校正系统与方法
CN113361867A (zh) * 2021-05-17 2021-09-07 山东师范大学 一种基于学生答题记录的概念重要性判别方法及系统

Also Published As

Publication number Publication date
CN107665472B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN107665473A (zh) 学习路径规划方法和装置
CN107665472A (zh) 学习路径规划方法和装置
CN108573628B (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
Yates et al. Probability and stochastic processes: a friendly introduction for electrical and computer engineers
Brewe et al. Using module analysis for multiple choice responses: A new method applied to Force Concept Inventory data
Lykourentzou et al. Early and dynamic student achievement prediction in e‐learning courses using neural networks
CN109509126A (zh) 一种基于用户学习行为的个性化试题推荐方法
Er Identifying at-risk students using machine learning techniques: A case study with IS 100
CN107544973A (zh) 一种对数据进行处理的方法和装置
CN113344053A (zh) 一种基于试题异构图表征与学习者嵌入的知识追踪方法
CN106600065A (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
CN108389148A (zh) 一种外贸人才课程推荐的方法及系统
Tam et al. Toward a complete e-learning system framework for semantic analysis, concept clustering and learning path optimization
Rajalaxmi et al. Regression model for predicting engineering students academic performance
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及系统
Zhao et al. A shortest learning path selection algorithm in e-learning
CN108876123A (zh) 一种教学干预方法和装置
Sabourin et al. Early Prediction of Student Self-Regulation Strategies by Combining Multiple Models.
Andayani et al. Decision-making model for student assessment by unifying numerical and linguistic data
Majeed et al. Grade prediction using supervised machine learning techniques
Johanyák Survey on five fuzzy inference-based student evaluation methods
Srba et al. Encouragement of collaborative learning based on dynamic groups
Hare et al. Optimize student learning via random forest-based adaptive narrative game
Ektem A Study on Prospective Teachers' Self-Efficacy Beliefs Regarding the Implementation of Constructivist Approach (A Case of Konya).
Salcedo et al. Computerized adaptive tests and item response theory on a distance education platform

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
GR01 Patent grant
GR01 Patent grant