CN108319705A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108319705A CN108319705A CN201810117034.7A CN201810117034A CN108319705A CN 108319705 A CN108319705 A CN 108319705A CN 201810117034 A CN201810117034 A CN 201810117034A CN 108319705 A CN108319705 A CN 108319705A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- resource
- teaching
- learner
- individualized
- 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 189
- 230000008569 process Effects 0.000 title claims abstract description 137
- 230000000694 effects Effects 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 239000000203 mixture Substances 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000007786 learning performance Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000004458 analytical method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 244000024675 Eruca sativa Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101100379079 Emericella variicolor andA gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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"
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于教学资源的个性化教学过程自动生成方法。该方法主要是通过分析教学资源的知识构成及知识聚集程度进行知识单元及知识元划分，并应用超图理论对知识元间的关系进行图形化描述；并根据教学资源对知识表达的方式、方法，应用活动对知识表达进行描述；利用教学资源中包含的知识元及知识元间的关系抽象出不同领域的、基于有向超图描述知识图谱；基于相关知识图谱，根据学习者的目标知识和背景知识进行逆向回溯生成个性化的、优化的知识路径；利用资源中包含的知识元与个性化知识路径中包含的知识元之间的包含关系生成相关教学过程所有可能的支持资源；利用资源中活动属性与教学过程属性之间的关系进行资源的组合优选，从而生成优化的教学过程。
Description
技术领域
本发明涉及信息与网络技术领域，具体涉及一种基于教学资源的个性化教学过程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教学技术的优势，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，进行教学过程及相关资源推荐”这一难题。
教学资源是知识的载体，它本身包含了一系列相关知识，并蕴含了一系列知识表达活动；教学资源对知识阐述的过程本身就是一个教学过程；因此，根据有形的资源生成相对灵活的个性化教学过程就成为可行且亟待解决的问题。
有向超图是描述多元子集多元关系的方法，它既具有图形学形象直观的特点，又具有形式化的理论基础，适合用于计算机进行表达和求解。正是由于有向超图的特点和知识领域本身的特点的一致性决定了可以应用有向超图进行学习内容和学习者关系的描述，应用超图理论进行个性化教学过程推荐。
基于活动的分析方法是业务过程分析常用方法。活动是构成过程的最小单位，具有时间、成本、质量等属性。基于活动的分析支持对业务过程进行量化分析、优化。由于教学过程与业务过程具有很大的相似性，因此可以采用基于活动的方法进行教学过程分析。
总之，领域知识、教学过程和教学资源的特点及它们之间的关系决定了可以应用教学资源进行个性化教学内容及教学过程的推荐。
发明内容
针对网络教学环境下学习者各异、学习内容过多，无法根据学习者的动态目标和知识背景为学习者提供教学过程和相应的学习资源的现状，本发明的目的是提出一种基于教学资源的个性化教学过程自动生成方法。该方法通过对教学资源进行基于知识和活动的分解和描述，建立相应的资源知识模型和活动模型。通过对相关领域的资源知识模型进行解析，生成该领域相对稳定的、与具体资源无关的知识图谱。利用学习者与资源环境及知识图谱的关系及资源的知识表达活动与教学过程之间的关系，根据学习者的学习目标生成个性化的教学过程。
本发明的技术方案具体包括两个方面，一方面提出了一种基于教学资源的个性化教学过程自动生成方法，具体包括以下步骤：
步骤1，对教学资源进行分解，分解为知识单元和知识元，用知识表达活动对知识元进行描述；并应用有向超图对资源的知识结构进行描述；
步骤2，通过对大量相关教学资源的知识构成进行解析生成相关知识图谱。基于该知识谱图及学习者的知识目标和知识背景生成个性化的知识路径；
步骤3，利用资源中包含的知识元及个性化知识路径中的知识元之间的包含关系生成教学过程可能的支持资源；根据活动属性与过程属性之间的关系及学习者的性能目标，利用遗传算法进行活动与资源的优选，生成相对于学习者优化的教学过程。
步骤4，监测学习目标、知识背景和资源环境，若三者之一出现变化时，则进行相关性判断以及相应处理。
进一步，本发明所述步骤1的资源的分解及内部结构描述进一步包括以下几步骤：
步骤1.1，对资源进行分解，分解为知识单元和知识元，并应用有向超图对资源的知识结构进行描述；
步骤1.2，用知识表达活动对知识元进行描述；
进一步，本发明所述步骤2的个性化知识路径生成进一步包括以下几步骤：
步骤2.1，基于有向超图的知识表达，即应用有向超图对相关领域的知识构成进行描述；
步骤2.2，通过对大量相关资源知识模型进行解析，生成某个领域的、以知识元为基本单元的、以超图的形式进行描述的知识图谱；
步骤2.3，基于上一步骤得到的知识图谱，根据学习者具体知识目标和知识背景，构建个性化的知识图谱；
步骤2.4，以目标为起点，利用逆向回溯，进行可能学习路径的抽取与拼接。
步骤2.5，根据目标知识元出现的频率，进行优化路径选择。
进一步，本发明所述步骤3的个性化教学过程的生成进一步包括以下几步骤：
步骤3.1，利用资源中包含的知识元及个性化知识路径中的知识元之间的包含关系生成某个知识元的所有可能支持资源；
步骤3.2，建立过程属性与活动属性的关系模型；
步骤3.3，根据学习性能目标进行活动选择，从而进行资源的二次选择，生成优化的教学过程。
步骤4，监测学习目标、知识背景和资源环境，若三者任一出现变化时，则进行相关性判断以及相应处理：
1)当监测到学习目标发生变化时，以新目标为起点，利用逆向回溯，生成新的知识路径，之后对变化后的学习内容与原学习内容的相关性进行判断，找到相关的学习内容，并进行相应的处理；
2)当监测到知识背景发生变化时，首先进行知识背景变化与当前教学过程的相关性判断，对于相关知识背景变化，根据过程的执行情况，进行相应的处理；
3)当监测到资源环境发生变化时，首先进行变化的资源环境与当前教学过程的相关性判断；对于相关的资源，根据过程的执行情况，进行相应的处理。
此外，本发明的另一方面是提出了一个基于教学资源的个性化教学过程自动生成系统，所述系统包括：学习资源描述工具、知识图谱的描述工具、学习者描述工具、过程建模工具、知识背景测试工具、相关知识图谱的自动生成工具、学习路径的自动生成工具、教学过程的自动生成工具、模型库管理工具、试题库管理以及相关的数据库这几部分。
其中，资源模型主要是根据资源的知识构成和知识表达对教学资源进行分解描述；既可以采用手工的方式进行描述，也可以通过对资源的知识元关系及知识元表达活动进行解析而自动生成；知识图谱描述既可以采用手工的方式进行描述，也可以通过对相关资源的知识模型进行解析自动生成；学习者的目标描述由学习者来设定，背景描述既可以根据学习者的知识背景手动进行描述，又可以根据测试自动给出相应的背景描述。系统根据学习者的目标和背景自动生成优化的学习路径。教学过程既可以采用过程建模工具手工的方式进行描述，可以是系统根据知识图谱和资源模型自动生成；所述数据库包括模型数据库、知识图谱库和试题库。
本发明提供了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，它利用教学资源与相关知识图谱及教学资源与教学过程的关系，通过对资源进行分析自动生成个性化的教学过程模型。该过程建模方法及系统能根据学习者的具体学习目标和所处的资源环境，给出优化的资源组合及教学过程。
本发明公开了一种基于教学资源的个性化教学过程自动生成方法。该方法主要是通过分析教学资源的知识构成及知识聚集程度进行知识单元及知识元划分，并应用超图理论对知识元间的关系进行图形化描述；根据教学资源对知识的讲授(或讲解、展示)方式、方法，应用活动对知识表达进行描述；利用教学资源中包含的知识元及知识元间的关系抽象出不同领域的知识图谱；基于相关知识图谱，利用学习者的目标知识和背景知识及逆向回溯生成个性化的、优化的知识路径；利用资源中包含的知识元和个性化知识路径中包含的知识元之间的包含关系生成相关教学过程所有可能的支持资源；利用资源中活动属性与过程属性之间的关系进行资源的组合优选，从而生成优化的教学过程。
本发明从结构相对稳定的教学资源及知识元关系入手，利用资源中包含的知识元及知识元表达，根据学习者的知识背景和目标，自动地生成个性化教学过程及相应的支持资源。解决了在个性化教学过程分析中过程建模这一难题。本发明给出的方法是进一步教学过程分析、学习方案编制的基础。
附图说明
图1是本发明所述方法的主要流程图。
图2是本发明所述的资源知识元模型。
图3是本发明所述的资源活动模型。
图4是本发明所述的资源过程模型。
图5是本发明所述的基于超图的知识图谱。
图6是本发明所述的个性化知识图谱。
图7是本发明所述的不同目标处理方式下的优化知识路径。
图8是本发明所述的系统结构示意图。
图9a和9b分别显示的是本发明实施例1的资源分解模型。
图10是实施例1的相关知识图谱。
图11是实施例1相对于学习者LNER1、LNER2、LNER3的个性化知识图谱。
图12是实施例1的相对于学习者LNER1、LNER2的优化路径。
图13是实施例1的相对于学习者LNER1、LNER3的优化路径。
图14是本发明实施例1的LNER1在ResEnv1中优化的教学过程。
图15是本发明实施例1的LNER1在ResEnv2中优化的教学过程。
图16是本发明实施例1的LNER4在ResEnv1中优化的教学过程。
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。
本发明所述的一种基于教学资源的个性化教学过程自动生成方法，该方法分为四部分：
1)对教学资源进行分解，分解为知识单元和知识元，并用知识表达活动对知识元进行分解描述；应用有向超图对资源知识结构进行描述；
2)根据教学资源的知识构成及学习者的知识背景和知识目标生成个性化的知识路径；
3)利用资源中包含的知识元及个性化知识路径中的知识元之间的关系生成过程可能的支持资源。根据活动属性与过程属性之间的关系及学习者的性能目标，利用遗传算法进行活动与资源的优选，生成相对于学习者的个性化的优化的教学过程。
4)监测学习目标、知识背景和资源环境，若三者之一出现变化时，则进行相关性判断以及相应处理。该方法的具体流程图请参照图1所示。
进一步，本发明所述步骤1的资源的分解及内部结构描述进一步包括以下几步骤：
步骤1.1，对资源进行分解，分解为知识单元和知识元；进一步，本发明所述步骤1.1的资源的分解及内部结构描述具体为：
在本方法的资源描述中，我们应用知识元对资源内容进行描述。规定知识元是最小的知识单位，从知识构成的角度不能再分，知识元中不能再包含知识元。
知识元之间的集聚程度不同，为了描述知识元的聚集性，我们引入了知识单元。知识单元包含一个或多个知识元或者知识单元，同一知识单元内的知识元聚集程度较高，联系更密切。
知识元之间具有一定逻辑关系，一个知识元的学习可能需要一定的前序知识和背景知识；有些知识元相对于其直接后序知识元是可选内容，但它可能是间接后序知识元的必须内容。
根据资源内容构成特点及有向超图解决问题的特点，我们采用有向超图对教学资源进行图形化描述。用节点描述知识元，用超边描述知识单元及知识元之间的关系。由于它主要描述资源的知识构成，所以我们把这个模型又称为资源知识模型，总的资源模型如图2所示，可形式化描述为：ResKHM＝(RKV，RKE)，RKE＝(RUKE，RIE，RBE)，其中，ResKHM为资源知识元模型；RKV为知识元节点，RKE为超图模型中的边，RUKE为知识单元，内部包含的节点为知识单元内包含的知识元；RIE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”，可选其中的一边；RBE表示不同知识单元之间的知识元之间的依赖关系。
资源知识模型主要描述教学资源中包含的知识元及知识元间的关系，我们通常应用该模型进行资源初选。
步骤1.2，用知识表达活动对知识元进行描述；进一步，本发明所述步骤1.2的资源的知识元描述具体包括：
在本方法的资源描述中，知识元是最小的知识单位，从知识构成的角度不能再分。知识元中不能再包含知识元；但可以以不同的方式对它进行讲解和展示，我们把讲解和展示该知识元的一系列操作称为该知识元的表达活动，即一个知识元可以包括一系列活动，表示对这个知识元系列表达。知识元之间存在一定的逻辑关系，同样，展示和讲解知识元的活动之间同样存在着一定的逻辑关系。
基于由步骤1.1获得的知识模型，我们做进一步的扩展描述：把活动描述为节点，把知识元节点变成包含活动节点的边，并用不同的边来描述活动之间的逻辑关系，此时的模型转变为资源活动模型，如图3所示，可形式化描述为：
资源活动模型：ResKDM＝(AV，RE)，RE＝(KUE，KEE，AE)，KUE＝(KUE，KEE)，KEE＝(AV，AE)，其中，ResEDM为资源实体分解模型；AV为活动节点，RE为边，KUE为知识单元，KEE为知识元，AE为活动连线。
知识元之间存在逻辑关系，教学活动是对知识元的阐述讲解，知识元间学习活动的逻辑应与知识元间的逻辑关系一致。因此，我们做了如下规定：
知识元间活动关系规定：给定两个知识元，如果一个知识元是另一个知识元的必须前序知识元，则在总的教学过程中该知识元的学习活动是另外一个知识元的必须前序活动，并且每个知识元中的活动保持原顺序。如果一个知识元为另一个知识元的可选前序知识元，表明该知识元内的所有活动相对于另一个知识元内的活动都是可选前序活动，同样，每个知识元中的活动保持原顺序。
对于上述的资源活动模型，如果我们根据“知识元间活动关系规定”对知识元之间的活动之间的关系进行处理，并去掉知识元间关系的描述，重点描述活间动的逻辑关系，此时的模型退化为描述资源的教学过程，我们把这个模型称为资源过程模型，如图4所示。
知识模型主要描述资源中知识元的拓扑关系，而过程模型主要描述资源中活动的逻辑关系。我们通常应用知识模型进行资源的初步选择，应用过程模型进行资源的优选。
进一步，本发明所述步骤2的个性化知识路径生成进一步包括以下几步骤：
步骤2.1，基于有向超图的知识表达，即基于有向超图的知识模型：
对于某一领域的知识，由于知识元之间存在先后等逻辑关系，并且知识元之间有一定的聚集性；根据知识构成特点以及有向超图的性质，这里采用有向超图对相关学习内容进行描述，建立相关知识图谱。用节点描述知识元，用边来描述知识元之间的关系，用普通边描述简单逻辑，用超边描述逻辑“与”关系，用不同的边描述逻辑“或”关系；根据知识元间的聚集程度，加入知识单元描述，可以是课程，也可以是学科领域等，并用包含不同节点和边的不同超边来描述这种聚集性，我们把这个模型称为知识图谱，可以形式化描述为：KHM＝(KV,KE),KE＝(UKE，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，UKE为知识单元，内部包含的节点为知识单元内包含的知识元；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”，可选其中的一边；BE表示不同知识单元之间的知识元之间的依赖关系，可用做知识背景关系描述，此时的知识图谱如图5所示。
步骤2.2基于资源的知识图谱的生成：
由步骤1.1关于资源知识模型及步骤2.1关于知识图谱定义可知它们具有很大相似性；因此，我们可以由有形的资源抽取抽象的知识模型；但二者又不完全相同，例如，在由大量资源知识模型生成某个领域的知识图谱时，存在这种情况：对于一组知识元，在不同的资源中描述的顺序不同，这主要是因为知识本身的逻辑关系和资源中知识展示的顺序不同造成的。在资源的知识描述中，由于受到介质本身的限制，所有知识的表达都是线性的，而实际的知识元之间的关系存在并列的、逻辑上的“与”、“或”关系。
正是由于二者不完全相同，我们在由资源知识模型进行知识图谱抽取时又需要进行相应处理。对于一组知识元，如果在不同的资源中表达的顺序不同，说明这些知识元并无固定的前序后序逻辑关系，因此我们把它们定义为并列关系。假设有三个知识元A、B和C，如果在不同资源中或者A是C的直接前序知识元，或者B是C的直接前序知识元，并且出现A的资源一定出现B，则A和B之间为逻辑“与”关系；如果在不同资源中或者A是C的直接前序知识元，或者B是C的直接前序知识元，并且出现A的资源一定不出现B，则A和B之间为逻辑“异或”关系；如果在不同资源中或者A是C的直接前序知识元，或者B是C的直接前序知识元，并且出现A的资源可能出现B，也可能不出现“B”，则A和B之间为逻辑“或”关系。
步骤2.3，根据学习者实际的目标和知识背景，在相关知识图谱的基础上，进行学习者描述，得到针对某个学习者的个性化知识图谱，该知识图谱是进一步分析的基础。
对于步骤2.2得到的知识图谱，根据学习者的具体目标，在知识图谱上进行学习者目标标定；我们用包含且仅包含目标节点的边描述学习者的不同目标，用包含目标节点和不同目标的边来描述学习者的目标；用包含且仅包含背景知识元节点及这些节点之间关系的边来描述学习者的知识背景，此时的知识图谱如图6所示(去掉蓝线所示路径)。
步骤2.4，以目标知识元集为起点，采用逆向搜索的方式来进行个性化学习路径的抽取与拼接。
在由步骤2.3得到的个性化知识模型的基础上，我们以目标知识元集为起点，采用逆向搜索的方式来进行可达路径的抽取和拼接，具体包括以下步骤：
(1)对目标知识元出现的频率进行统计。
进行目标集合运算，计算出每个目标知识元属于几个集合，标定每个知识元出现的频率。假设目标集为SODKE＝{ODKEi}，i＝1,…,n，
对于任意则该知识元出现的频率数nsj由下列方法进行统计：
nsj＝0；对于到n；如果oeej∈ODKEi,则nsj++；nsj即为出现的频率。
在如图6所示的个性化知识图谱中，目标知识元出现的频率分别为：知识元O1出现的频率为1，知识元O3出现的频率为2，知识元O4出现的频率为1；
(2)在由步骤2.3获得的个性化知识图谱的基础上，选择任意一个目标节点，由此节点向开始节点进行逆向搜索，获得该目标节点的可达路径，并对该目标节点出现的频率进行标记；
(3)选择另外一个目标节点重复该步骤，直到所有目标节点都遍历，并且这些路径保持原来的拓扑关系。
这样即获得从开始节点到目标节点的所有可能可达路径，其为一个可达的有向超图模型，超图的开始是一组知识元，结束为一组目标知识元。
在从目标节点向开始节点集逆向搜索的过程中，对于单一的输入输出节点，我们只要沿着给定的输入、输出进行逆向搜索就可以；对于没有学过的知识元，我们需要进行相应的学习。因此，这里我们主要讨论多输入知识元节点及背景知识处理。
方面1，进行背景知识的处理。
在逆向搜索的过程中，对于某一知识，如果它已经包含在学习者的背景知识里，表明该学习者已经具备了该背景知识，就不再需要进行相应的知识的学习；如果该知识不属于学习者的背景知识时，则该学习者首先需要进行相应的背景知识学习，之后才能进行相应的知识元的学习，并且必须完成该背景知识元学习之后才能进行相应知识元的学习。因此，我们给出如下背景知识处理规则：
背景知识处理规则：在从目标知识元集向开始知识元集逆向搜索过程中，对于学习者leri，要求的知识路径为pathi，在从其目标节点向开始节点的逆向搜索的过程中，对于且kei∈pathi，如果存在一个知识元kej∈BWK(kei)，如果则停止搜索，其中，BWK(kei)为kei的前序知识元集，BCK(ui)为的学习者背景知识；否则处理kei与kej的关系，使得<kei，kej>∈pathi。
在如图6所示的个性化知识图谱中，在进行逆向搜索的过程中，背景知识的处理如绿色节点所示。
方面2，进行多输入节点处理。
对于输入“与”，在超图模型中表现为一个超边，具有多个尾节点和一个头节点；在从开始节点向目标节点的路径搜索中，只有当输入边的所有尾节点都到达时才可行；
对于输入“或”，在超图模型中表现为不同的边。每个边都表示为一个可能的路径，在从开始节点向目标节点的路径搜索中，只要任意一个输入边到达，则该路径可行；
根据上述分析以及模型上所附加的语义，我们给出如下的多输入处理规则：
多输入处理规则：在进行从目标节点集向开始节点集的逆向搜索中，对于有多条输入边的节点，沿着多条边继续搜索，对于输入边为超边的节点，沿着该超边的所有头节点继续搜索，直到遇到背景知识或者开始节点。
在如图6所示的个性化知识图谱中，在进行逆向搜索的过程中，多输入的处理如紫色节点所示。
步骤2.5，优化学习路径的选择，该步骤又包括以下判定步骤：
(1)等效路径的判断。
在由步骤2.4获得的路径集中，存在这样的一组路径片段集，在这组路径片段中，路经的起点集相同，终点集相同，但它们走过的路径不同，即它们经过的节点存在不同，这样一组路径片段为等效路径片段，该判断可形式化描述为：
等效路径片段判断规则：对于给定的可能路径集的有向超图模型中，存在两个路径片段PP1和PP2，这两个路径片段开始节点集分别为：BV1，BV2，结束节点集分别为：EV1，EV2,经过的节点集分别为：PV1，PV2，如果BV1＝BV2，EV1＝EV2,且PV1≠PV2，则PP1和PP2为等效路径片段。如在图6中，在知识单元KU11中，k2，k3，k6与k2，k4，k5，k6为等效路径片段；在知识单元KU31中，k2，k3，k6与k2，k4，k5，k6为等效路径片段。
(2)等效路径的选择。
从每组等效路径片段中，选择性能高的路径片段，之后与非等效路径集中的路径片段进行拼接，这样即获得优化的路径集，即为我们要求的路径集。
由于学习是一个知识积累的过程，当前学习获得的知识是进一步学习的基础。因此，在进行教学过程优化时，我们既要考虑当前的学习效果，又要考虑到后续的学习情况。对于给定两个等效路径片段，我们在进行路径片段选择时，在相应的个性化知识图谱上选择节点数少、并且出现频率高的路径片段。根据模型的语义以及教学过程本身的特点，本方法给出如下规则进行等效路径的选择。
等效路径片段选择：对于给定的个性化有向超图，假设有k个目标节点，Obj1，Obj2，…，Objk，且出现的频率分别为ns1，ns2,…,nsk，两个等效路径P1和P2，包含的节点分别为P1＝{kv11,kv12,……,kv1m}，P2＝{kv21,kv22,……,kv2n}，m，n分别为为这两个等效路径的节点数，如果则选择路径P2，其中，当w1j不通过P1时，w1j＝0；当w1j通过P1时，w1j＝1；当w2j不通过P2时，w2j＝0；当w2j通过P2时，w2j＝1。
对于达到同样的知识目标，考虑与不考虑教学过程的延续性，得到的优化的结构可能不同，例如，同样是如图6所示的个性化知识图谱中，当不考虑O1、O3和O4关联时(即每次只考虑其中一个输出时)，优选的路径如图7中的蓝线所示；当考虑O1、O3和O4关联时，优选的路径如图7中的紫线所示；
因为发明方法是从总体的角度进行路径的选择，因此，优化的结果和优化求解的顺序无关。基于该知识图谱，以学习者的知识目标为起点，利用逆向回溯，我们可以得到针对不同学习者的知识路径。
进一步，本发明所述步骤3中个性化教学过程的自动生成包括以下几个子步骤：
步骤3.1，可能支持资源的初选；
根据步骤1的资源描述可知：如果一个资源的某个知识单元包含个性化知识图谱中的某个知识元，则该资源的该知识单元为该知识元教学过程的可能支持资源，该判断过程可以形式化描述为：
可支持资源判断规则：给定知识路径上的一个知识元及资源环境中的一个资源，如果该资源中包含的知识元包含给定的知识元，则该资源可以支持该知识元的学习。
由于个性化知识路径中的知识元间存在复杂的逻辑“与”、“或”关系；而教学资源中的知识的表达都是按顺序进行的，因此，在进行资源与知识图谱的知识匹配时，需要进行逻辑处理。
多直接后序知识元的处理规则：如果知识图谱中某个知识元有多个直接后序知识元，根据知识模型的语义表示该知识元教学活动之后可以执行任意一个分支知识的学习；因此，如果一个资源包含该知识元及部分或全部直接后序分支知识元，则可以应用该资源进行该知识元及其所包含的直接后序知识元的学习。
多直接前序知识元的处理规则：如果知识图谱中某个知识元有多个直接前序知识元，且知识元之间的关系为逻辑“与”关系，如果一个资源包含该知识元及其部分逻辑“与”直接前序知识元，且直接前序知识元的其它知识元不包括在资源中，则该资源不能用于该知识元的学习；如果一个资源包含该知识元及全部逻辑“与”直接前序知识元，则该资源可用于该知识元及其直接前序知识元的学习；如果知识元之间的关系为逻辑“或”关系，如果一个资源包含该知识元及其部分逻辑“或”直接前序知识元，无论直接前序知识元的其它知识元包不包括在资源中，则该资源都能用于该知识元及其所包含的直接前序知识元的学习；
上述规则也可用于判断资源的内容组织是否合理。
我们应用上述规则生成知识路径集上所有知识元教学活动所有可能支持资源。
步骤3.2，建立过程属性与活动属性的关系模型；
(1)优化指标的选择
进行资源的优选，首先要明确优化的指标。学习活动有多种属性，这里我们拟主要讨论三种常用活动属性：学习时间(T)、学习质量(Q)以及学习成本(C)。
(2)活动属性定义
教学过程由一系列教学活动组成，活动属性决定了过程属性。因此在进行过程优化分析之前首先要进行活动属性定义。
在相同的知识学习过程中，不同的学习者即使采用相同的学习资源，其学习所用时间和学习质量可能不同；相同的学习者采用不同的学习资源，学习时间和学习质量也不尽相同；此外，学习的质量通常与学习所用时间有关，所花时间越多，所获的质量越好。结合实际的学习，我们拟对活动属性进行如下定义：
对于一个学习者lerl,学习过程中的一个活动acti,活动acti可能的支持资源为:SRSeti＝{sri1,sri2,...,},当lerl选用不同的学习资源时,完成活动acti的时间、成本和质量为：
其中,AQXlik,ATXlik,ACXlik是学习者lerl使用学习资源srik的活动属性,δik∈{0,1},并且当活动acti的支持资源为srik,δik＝1,否则δik＝0；
(3)过程属性与活动属性的关系
教学过程的指标参数按照以下方式得出。
OBJT是过程所包含活动的时间的总和，由于学习内容为优选之后的必学习内容，因此教学过程的总时间计算可以表示为：
其中ti是执行ai所用的时间。
OBJQ由所包含的活动的质量决定，其计算可以表示为：
其中qi是ai的质量，wi为ai对过程的质量影响因子，
OBJC由所包含的活动成本决定，而活动成本又等于学习资源的成本。因此，OBJC可以由下面的等式来计算：
其中ci是ai的资源成本。
步骤3.3，组合资源的优选及教学过程的自动生成；
在进行资源优选之前，首先需要判断在给定的资源环境下该教学过程是否可行。
教学过程可行性判断：在给定资源环境下，已知一个学习者的知识背景和知识目标及相应知识路径集，如果学习者的背景知识“并”资源中包含的知识元包含该知识路径集中的一条路径，则该学习者该路径对应的教学过程在该资源环境下可行。
对于给定资源环境下可行的知识路径，我们利用步骤3.2生成所给知识路径中所有知识元的可能支持资源，此时的优化问题转化为资源的组合优选问题。
可能的资源组合：从每个知识元的资源集中选一个资源，按照知识路径中知识元的顺序、依据“知识元间活动关系规定”进行资源中知识表达活动的拼接，就构成该组知识元的一个教学过程。
可以证明该教学过程在该资源集下是可行的。利用该组合方式可以生成多个可行的教学过程。不同的过程对应的教学资源不同，相应的活动属性不同，利用活动属性与过程属性的关系，进行教学过程的优选，从而实现资源的优选。
步骤4：监测学习目标、知识背景及资源环境，若出现变化时，则进行相关性判断并进行相应处理。
当学习目标发生变化时，以新目标为起点，根据步骤2.2到步骤25进行知识路径优选；之后判断新的路径集与原路径集是否存在交集；如果不存在交集，则以新的路径作为学习内容选择的依据；如果存在交集，则要根据原路径的执行情况进行处理，如果交集的某些部分在原路径中已执行，则在新的路径集中作为背景知识处理。之后，对处理后的可能路径集依据步骤3进行资源及过程的优选。
知识背景和资源环境发生变化时，处理了同学习目标发生变化处理相近：首先进行变化与原过程的相关性判断，之后根据相关性分别进行处理。
对于一个学习者，总的教学过程生成过程可以描述为：首先，根据教学资源分解模型对教学资源环境进行描述；第二，基于资源知识模型构建相关知识图谱；基于该知识图谱，根据学习者的知识目标和知识背景，利用逆向回溯生成个性化、优化的知识路径；第三，针对给定的资源环境，首先判断该教学过程是否可行；对于可行的过程，根据“可支持资源判断规则”生成所有可能的支持资源；第四，根据“资源组合规则”给出所有可能的资源组合及相应的教学过程；第五，根据学习者的个性化目标及选择不同组支持资源时过程不同性能参数进行组合资源的优选，从而生成优化的教学过程。
此外，基于上述方法，本发明还开发了一种基于教学资源的个性化教学过程自动生成系统。其特征在于：
该系统分三个层次，其系统架构如图8所示。
该系统包括：建模层、分析层及数据库层，建模层是对资源环境、学习者、知识图谱分别建模，并通过位于分析层的各种相应的工具与数据库层的数据进行交互。该建模层包括：相关教学资源环境描述、相关知识图谱描述、学习者目标和背景的描述、教学过程建模工具；其中的教学过程描述既可以采用手工的方式进行描述，也可以根据学习者的知识路径和教学资源环境，由系统自动生成；学习者的目标描述由学习者来设定，背景描述既可以根据学习者的知识背景手动进行描述，也可以根据相关测试，自动给出相应的背景描述。
该分析层包括：模型库管理工具、学习路径自动生成工具、教学过程自动优化生成及组合资源优化工具、试题库管理工具及知识背景测试工具；数据库层包括模型数据库、相关知识图谱库和试题库；此外，该系统定义了三个角色：教师、学习者和系统维护人员，分别进行学习建模、个性化教学过程的使用及系统维护。
实施例1
下面通过实例来说明本方法的特点。为了提高实例的代表性，选择抽象的、通用的资源进行基于知识和活动的描述，并且采用同样的方式进行学习者的背景和目标描述。
为了进行对比，我们分别在ResEnv1和ResEnv2的资源环境下，选择四个有代表性的学习者LNER1，LNER2，LNER3和LNER4进行分析，其中，LNER1和LNER2知识背景相同，但知识目标不同，LNER1和LNER3知识背景不同，但知识目标相同，LNER1和LNER4知识目标、知识背景相同，但学习性能目标不同，具体目标如表1所示。
表1学习者描述
| 学习者 | 学习知识目标 | 学习性能目标 |
| LNER1 | O1 | 最短时间 |
| LNER2 | O1 | 最短时间 |
| LNER3 | O2 | 最短时间 |
| LNER4 | 同LNER1 | 最少活动 |
1)资源环境ResEnv1和ResEnv2的资源构成情况如表2所示，其中背景为空白的记录为两个资源环境中的公用资源。资源环境ResEnv2相对于资源环境ResEnv1缺少了资源r16，增加了资源r21，资源中知识元的关系如图9。
表2资源环境ResEnv1中的资源及分解活动属性表
2)对相关资源知识模型进行解析，并应用发明方法构建相应的知识图谱。根据学习者的知识目标进行相关知识图谱选择，基于有向超图的相关知识图谱如图10所示。
3)根据学习者的知识目标及知识背景建立个性化知识图谱。
根据个性化知识图谱的定义，根据学习者的目标和知识背景构建相对于学习者LNER1，LNER2和LNER3的个性化知识图谱，如图11所示(由于LNER1和LNER4的知识目标和知识背景相同，相应的知识路径相同，这里不再重复)。
4)进行逆向回溯，根据知识背景处理规则和逻辑处理规则对于知识背景和多路分支的处理，进行学习路径的抽取与拼接，获得不同学习者所有可能的路径集，并根据目标出现的频率进行等效路径的优选，优化后的路径为：
对于学习者LNER1优化的路径如图12和图13中的紫线所示，对于学习者LNER2优化的路径如图12中的蓝线所示。对于学习者LNER3优化的路径如图13中的蓝线所示。由于不同知识路径，知识元构成不同，相应的教学活动亦不同，因此对于学习者LNER1、LNER2和LNER3对应的教学过程不同。由于篇幅限制，这里选择有代表性的LNER1的学习继续进行分析。
5)生成可能的支持资源，进行组合资源的优选，从而得到优化的教学过程。
情况一：同一学习者在不同资源环境下。对于学习者LNER1分别处在不同资源环境ResEnv1和ResEnv2中，利用资源中包含的知识元及知识路径中知识元的包含关系，生成该教学过程所有可能的支持资源，根据资源活动与过程属性之间的关系，进行资源的组合优选，从而生成优化的过程。在不同资源环境中的优化的过程分别如图14和图15所示。
情况二：同一资源环境下不同学习性能目标。对于学习者LNER1和LNER4处在同一资源环境ResEnv2中，根据学习性能目标进行资源的优选。对应LNER1和LNER4的优化过程分别如图15和图16所示。
根据上述的例子我们可以得出如下结论：
1)该方法能根据学习者的学习目标、知识背景和所处的资源环境自动推荐相应优化的组合资源及教学过程。
2)两个学习者处在同一资源环境下，如果知识背景相同，但是学习目标包含的知识元不同，得到优化的学习路径不相同，对应的教学过程不同。
3)两个学习者处在同一资源环境下，如果学习目标相同，但是知识背景不同，得到优化的学习路径不同，对应的教学过程不同。
5)对于一个学习者，处在不同的资源环境下，虽然只是路径相同，但是对应的支持资源不同，相应的教学过程不同
6)对于处在同一资源环境下的、两个知识背景相同、知识目标相同，但是学习性能目标不同的两个学习者，虽然学习的知识路径相同，但是对应的优化的组合资源不同，优化的教学过程不同。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。
Claims (8)
1.一种基于教学资源的个性化教学过程自动生成方法，其特征在于：该方法包括以下步骤：
步骤1，对教学资源进行分解，分解为知识单元和知识元，并用知识表达活动对知识元进行描述，建立资源知识模型；应用有向超图对资源知识表达进行描述，建立资源活动模型；
步骤2，根据教学资源的知识构成及学习者的知识目标和知识背景生成个性化的、优化的知识路径；
步骤3，利用教学资源中包含的知识元及个性化知识路径中的知识元之间的包含关系生成过程可能的支持资源；根据活动属性与过程属性之间的关系及学习者的性能目标，利用遗传算法进行活动与资源的优选，生成相对于学习者的、个性化的、优化的教学过程；
步骤4，监测学习目标、知识背景和资源环境，若三者任一出现变化时，则进行相关性判断以及相应处理。
2.根据权利要求1所述的基于教学资源的个性化教学过程自动生成方法，其特征在于：所述步骤1的资源的分解及内部结构描述进一步包括以下几步骤：
步骤1.1，对资源进行分解，分解为知识单元和知识元，应用有向超图对资源的知识结构进行描述；
步骤1.2，用知识表达活动对知识元进行描述。
3.根据权利要求1所述的基于教学资源的个性化教学过程自动生成方法，其特征在于：所述步骤2的个性化知识路径生成进一步包括以下几步骤：
步骤2.1，基于有向超图的知识表达，即基于有向超图的知识模型；
步骤2.2，基于资源的知识图谱的生成；通过对大量相关资源知识模型进行解析生成某个领域的、以知识元为基本单元的、以超图形式进行描述的知识图谱；
步骤2.3，基于上一步骤得到的知识图谱，根据学习者具体知识背景和知识目标，构建个性化知识图谱；
步骤2.4，以目标为起点，利用逆向回溯，进行可能学习路径的抽取与拼接；
步骤2.5，根据目标知识元出现的频率，进行优化路径选择。
4.根据权利要求1所述的基于教学资源的个性化教学过程自动生成方法，其特征在于：所述步骤3的个性化组合资源及过程优选进一步包括以下几步骤：
步骤3.1，利用资源中包含的知识元及个性化知识路径中的知识元之间的包含关系生成某个知识元的所有可能支持资源；
步骤3.2，建立过程属性与活动属性的关系模型；
步骤3.3，根据学习性能目标进行活动选择，从而进行资源的二次选择，生成优化的教学过程。
5.根据权利要求1所述的基于教学资源的个性化教学过程自动生成方法，其特征在于：对于一个学习者，总的教学过程生成过程可以描述为：
首先，根据教学资源分解模型对教学资源环境进行描述；
第二，基于资源知识模型构建相关知识图谱；基于该知识图谱，根据学习者的知识目标和知识背景，利用逆向回溯生成个性化、优化的知识路径；
第三，针对给定的资源环境，首先判断该教学过程是否可行；对于可行的过程，根据“可支持资源判断规则”生成所有可能的支持资源；
第四，根据“资源组合规则”给出所有可能的资源组合及相应的教学过程；
第五，根据学习者的个性化目标及选择不同组支持资源时过程不同性能参数进行组合资源的优选，从而生成优化的教学过程。
6.一种基于教学资源的个性化教学过程自动生成系统，其特征在于：所述系统包括：学习资源描述工具、知识图谱描述工具、学习者描述工具、过程建模工具、知识背景测试工具、相关知识图谱自动生成工具、学习路径的自动生成工具、教学过程自动生成工具、模型库管理工具、试题库管理以及相关的数据库这几部分。
7.根据权利要求6所述的基于教学资源的个性化教学过程自动生成系统，其特征在于：
资源模型主要是根据资源的知识构成和知识表达对教学资源进行分解描述；既可以采用手工的方式进行描述，也可以通过对资源知识元关系及知识元表达活动进行解析而自动生成；
所述知识图谱描述既可以采用手工的方式进行描述，也可以通过对相关资源知识模型进行解析而自动生成；
学习者的目标描述由学习者来设定，背景描述既可以根据学习者的知识背景手动进行描述，又可以根据测试自动给出相应的背景描述；
系统根据学习者的目标和背景自动生成优化的学习路径；
教学过程既可以采用过程建模工具以手工的方式进行描述，可以是系统根据知识图谱和资源分解模型自动生成；
所述数据库包括模型数据库、知识图谱库和试题库。
8.根据权利要求7所述的基于教学资源的个性化教学过程自动生成系统，其特征在于：
所述系统定义了三个角色：教师、学习者和系统维护人员，分别进行学习建模、个性化教学过程的使用以及系统维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117034.7A CN108319705A (zh) | 2018-02-06 | 2018-02-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810117034.7A CN108319705A (zh) | 2018-02-06 | 2018-02-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108319705A true CN108319705A (zh) | 2018-07-24 |
Family
ID=62903698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810117034.7A Pending CN108319705A (zh) | 2018-02-06 | 2018-02-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108319705A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109147927A (zh) * | 2018-09-03 | 2019-01-04 | 上海联影医疗科技有限公司 | 一种人机交互方法、装置、设备及介质 |
| 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 |
| CN111078710A (zh) * | 2019-12-30 | 2020-04-28 | 凌祺云 | 一种基于知识交叉关联的教学辅助系统构建方法 |
| CN111813780A (zh) * | 2020-07-09 | 2020-10-23 | 上海长江唯诚科技股份有限公司 | 一种教学知识点关联的方法及系统 |
| CN114547325A (zh) * | 2022-01-14 | 2022-05-27 | 北京帝测科技股份有限公司 | 一种概率超图驱动的地学知识图谱推理优化系统和方法 |
Citations (5)
| 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 |
| CN106600065A (zh) * | 2016-12-16 | 2017-04-26 | 中山大学 | 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 |
| CN106777127A (zh) * | 2016-12-16 | 2017-05-31 | 中山大学 | 基于知识图谱的个性化学习过程的自动生成方法及系统 |
| CN106886821A (zh) * | 2017-02-21 | 2017-06-23 | 中山大学 | 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 |
| 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 |
-
2018
- 2018-02-06 CN CN201810117034.7A patent/CN108319705A/zh active Pending
Patent Citations (5)
| 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 |
| CN106600065A (zh) * | 2016-12-16 | 2017-04-26 | 中山大学 | 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 |
| CN106777127A (zh) * | 2016-12-16 | 2017-05-31 | 中山大学 | 基于知识图谱的个性化学习过程的自动生成方法及系统 |
| CN106886821A (zh) * | 2017-02-21 | 2017-06-23 | 中山大学 | 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 |
| 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 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109147927A (zh) * | 2018-09-03 | 2019-01-04 | 上海联影医疗科技有限公司 | 一种人机交互方法、装置、设备及介质 |
| CN109147927B (zh) * | 2018-09-03 | 2022-05-24 | 上海联影医疗科技股份有限公司 | 一种人机交互方法、装置、设备及介质 |
| 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 |
| CN111078710A (zh) * | 2019-12-30 | 2020-04-28 | 凌祺云 | 一种基于知识交叉关联的教学辅助系统构建方法 |
| CN111078710B (zh) * | 2019-12-30 | 2023-10-20 | 凌祺云 | 一种基于知识交叉关联的教学辅助系统构建方法 |
| CN111813780A (zh) * | 2020-07-09 | 2020-10-23 | 上海长江唯诚科技股份有限公司 | 一种教学知识点关联的方法及系统 |
| CN114547325A (zh) * | 2022-01-14 | 2022-05-27 | 北京帝测科技股份有限公司 | 一种概率超图驱动的地学知识图谱推理优化系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| 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 | |
| Yoon et al. | Comparative analysis for fuzzy cognitive mapping | |
| Chen et al. | Networks in learning analytics: Where theory, methodology, and practice intersect | |
| CN108052680B (zh) | 基于数据图谱、信息图谱和知识图谱的图像数据目标识别增强方法 | |
| Khomenko et al. | OTSM Network of Problems for representing and analysing problem situations with computer support | |
| Halatchliyski et al. | Analyzing the main paths of knowledge evolution and contributor roles in an open learning community. | |
| CN108038238B (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 | |
| Li et al. | Symbolic expression transformer: A computer vision approach for symbolic regression | |
| Shou et al. | Learning path planning algorithm based on kl divergence and d-value matrix similarity | |
| Zhou et al. | Research on personalized e-learning based on decision tree and RETE algorithm | |
| Chen et al. | Recommendation of learning path using an improved ACO based on novel coordinate system | |
| Murtaza et al. | Structured Language Requirement Elicitation Using Case Base Reasoning | |
| CN115374942A (zh) | 一种基于层次化知识点的知识追踪方法 | |
| Diana et al. | Peer tutor matching for introductory programming: Data-driven methods to enable new opportunities for help | |
| Stevens et al. | Quantifying students' scientific problem solving efficiency and effectiveness | |
| Capuano et al. | Multi-criteria fuzzy ordinal peer assessment for MOOCs | |
| Blašković et al. | Discovering e-learning process models from counterexamples | |
| Li et al. | College Students' Learning Decision-Making Based on Group Learning Behavior | |
| Nývlt et al. | Sharing Knowledge and Information within BIM Life Cycle Processes | |
| Gong et al. | Research on Real-time Learning Prediction Method Based on Spark | |
| Gan et al. | Construction of Learning Process Ontology and Application of SWRL Rules | |
| Giamellaro et al. | Bibliometric Network Analysis in Systematic Landscape Studies: Defining Concentrations of Ideas Within the Landscape | |
| Ammirata et al. | A WORKFLOW MANAGEMENT TOOL TO SUPPORT THE DEVELOPMENT OF OPEN LEARNING ANALYTICS APPLICATIONS |
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: 20180724 |