CN108961888B - 一种个性化重构知识体系学习系统及方法 - Google Patents

Abstract

本发明提供一种个性化重构知识体系学习系统及方法，其中系统包括自主学习模块，还包括以下模块：用于制定和/或调整不同学习者个性化学习方案的大数据分析模块；以知识信息数据库的形式，通过所述大数据分析模块的自适应模糊算法进行二维计算，重新构建同时符合工作规律和认知规律的知识体系的专业知识数据库。本发明提出的一种个性化重构知识体系学习系统及方法，能在学习者学习过程中利用大数据分析技术，自主构建专业知识结构化体系，潜移默化润物细无声的培养学习者的学习能力，激发学习者的自主学习兴趣，同时养成自主思维能力和学习能力。

Description

一种个性化重构知识体系学习系统及方法

技术领域

本发明涉及网络教育的技术领域，特别是一种个性化重构知识体系学习系统及方法。

背景技术

随着信息技术的爆发式发展，人们的学习方式和途径也在悄然发生改变，随着微课、慕课的关注度和认可度的提高，网络课程和在线学习已成为新兴的学习途径。但目前现有在线学习系统虽然突破了时间和空间的限制，海量的知识提供给学习者，学习者可根据自己的喜好、时间安排自由的学习，基本实现了个性化学习。但随着大众对在线学习系统的广泛认可和普遍使用，其缺陷和不足也逐渐显示出来。主要的缺陷是目前的在线学习不具备激发学习者自主学习的条件；缺失学习者学习过程中的最后一个“内化于心”环节；不能引导学习者自主搭建对所学知识领域的结构化体系。并且现有的在线学习系统忽略了对学习者学习能力的培养。

现有的在线学习系统在进行传递知识过程时，学习者通过系统选择要学习的知识，在线学习系统把与之对应的视频、音频和文档课件等通过网络传输到学习者的终端设备上播放、展示出来。对于学习者的学习过程，现有的在线学习系统不具备吸引学习者主动学习的条件，学习者只能自己找寻主动学习动机。在普遍的学习规律中，缺失最后一个“内化于心”环节，导致只能被动的等待学生自觉完成内化知识，最后通过考核、测试的环节检验学习者知识内化程度，致使学习者学习效率极低。现有的学习系统也不具备引导学生主动形成知识领域结构化体系的功能；也就更不具备对学习者学习能力培养的功能。这就造成了很多企业、团体通过在线学习系统进行培训、授课时效果不显著，因为无法准确地掌握学习者学习状态，无法真正做到个性化学习。

现有技术的缺点：（1）学习者学习效率极低。学习者学习效果不显著。因为现有的学习系统中不具备激发学习者自主学习兴趣的条件。学习动机由学习者自己去确立。（2）学习过程中的环节缺失。根据普遍学习规律，现有的学习系统在学习过程中缺少引导学习者“内化于心”环节。这个环节都是目前在线学习系统避而不谈的问题，知识内化过程由学习者自己去完成。

公开号为CN108154732A的发明专利公开了一种基于大数据技术的线上教学学习成长管理系统，构建以学生为中心的在线学习环境并，记录线上学习者的学习数据，通过数据融合和大数据分析，形成学习时间、资源检索数据、课堂学习数据、学习成果数据以及资源分享数据等多维度数据，为每个线上学习者建立一个基于一个大数据技术的学习成长模型，从而进行个性化的教学和监督，提升在线学习者的学习效率。该申请虽然能够为学习者建立学习成长模型，但是相对比较简单和固定，不能够充分激发学习者的学习热情。

发明内容

为了解决上述的技术问题，本发明提出的一种个性化重构知识体系学习系统及方法，能在学习者学习过程中利用大数据分析技术，自主构建专业知识结构化体系，潜移默化润物细无声的培养学习者的学习能力，激发学习者的自主学习兴趣，同时养成自主思维能力和学习能力。

本发明的第一目的是提供了一种个性化重构知识体系学习系统，包括自主学习模块，还包括以下模块：

大数据分析模块：用于制定和/或调整不同学习者个性化学习方案；

专业知识数据库：以知识信息数据库的形式，通过所述大数据分析模块的自适应模糊算法进行二维计算，重新构建同时符合工作规律和认知规律的知识体系。

优选的是，所述系统还包括考核/学习模块、学习者信息库和专家库中至少一种。

在上述任一方案中优选的是，所述大数据分析模块用于基于人工智能（AI）对知识图谱和习得顺序的分析，精准分析每一个学习者的学习情况，并制定出所述个性化学习方案。

在上述任一方案中优选的是，所述个性化学习方案在X1和Y1两个维度上采用机器学习算法中的自适应决策树法。

在上述任一方案中优选的是，在所述X1维度上，分析学习者的习惯性思维倾向的关联类型。

在上述任一方案中优选的是，在所述Y1维度上，分析学习者喜欢并易于掌握的知识类型。

在上述任一方案中优选的是，所述大数据分析模块还具有自主优化调整所述专业知识数据库的功能。

在上述任一方案中优选的是，所述大数据分析模块对所述自主学习模块和所述考核/学习模块反馈的数据和专家对系统进行的测试数据进行分析计算，优化调整所述专业知识数据库中的专业知识体系的逻辑起点和基本结构，通过AI辅助实现所述自主优化。

在上述任一方案中优选的是，所述二维计算包括X2维度和Y2维度。

在上述任一方案中优选的是，所述X2维度是指通过大数据分析众多学习者的学习情况，应用关联规则分析学习者的知识图谱和习得顺序，对所述专业数据库中“最小细胞”在难易程度维度上进行重构。

在上述任一方案中优选的是，所述Y2维度是指通过大数据分析专家对系统的测评数据，对数据库中的“最小细胞”在重要程度维度上进行重构。

在上述任一方案中优选的是，所述自主学习模块用于获取学习者的自主学习信息并提供给所述大数据分析模块，并初步建立个性化的知识框架。

在上述任一方案中优选的是，所述自主学习模块中设置有针对不同专业领域的岗位群，学习者根据个人意愿，选择不同的岗位角色作为学习专业知识的起点。

在上述任一方案中优选的是，所述考核/学习模块用于检验学习者重构知识拓扑结构的完整度，结合大数据系统反馈信息判断是否考核通过。

在上述任一方案中优选的是，所述考核/学习模块还用于考核通过后认定学习者形成了重构知识结构化体系。

在上述任一方案中优选的是，所述考核/学习模块还包括积分库，所述积分库包括对学习者知识拓扑结构完整度的积分和/或对学习者学习时间的积分。

在上述任一方案中优选的是，所述学习者信息库用于存储学习者的注册信息，所述注册信息包括学习者的个人资料、学习进度、专业知识拓扑结构完整度及制定调整个性化的学习方案中至少一种。

在上述任一方案中优选的是，所述学习方案是由所述大数据分析模块针对学习者之前的自主学习模块和所述考核/学习模块提供的数据信息，依据学习规律和普遍性认知规律，通过科学的计算进行调整制定。

在上述任一方案中优选的是，所述专家库用于存储各专业领域专家的注册信息和将专家的测试数据提交给所述大数据分析模块。

本发明的第二目的是提供了一种个性化重构知识体系学习方法，包括以下步骤：

自主学习步骤；用户进行自主学习；

知识结构搭建步骤；构建专业知识结构；

自我考核步骤；学习者自我考核，如不通过则重新执行所述自主学习步骤；

达标步骤：形成自主学习能力，达到某级个性化专业知识的标准；

上述所有步骤均在如权利要求1所述的个性化重构知识体系学习系统上实现。

优选的是，所述自主学习步骤包括以下子步骤：

登录子步骤：学习者通过学习者界面进入自主学习模块；

选择子步骤：自主或随机选择岗位角色；

生成子步骤：学习者选择关键词，利用系统提供的逻辑思路，通过系统制定的个性化学习方案，初步建立个性化的知识框架。

在上述任一方案中优选的是，所述逻辑思路包括关联类型、最近关联和一句话知识点中至少一种。

本发明提出了一种个性化重构知识体系学习系统及方法，以“知识再加工”为核心，将碎片化后的专业知识，通过信息化技术，科学的“外化于形”，与学习者的“内化于心”紧密衔接。本发明使学习者在学习过程中，利用大数据分析技术，自主构建专业知识结构化体系。同时本发明基于AI辅助实现自主优化功能。并且本发明引入风靡网游的游戏设计元素（开放性游戏），激发学习者的自主学习兴趣。

附图说明

图1为按照本发明的个性化重构知识体系学习系统的一优选实施例的模块图。

图2为按照本发明的个性化重构知识体系学习方法的一优选实施例的流程图。

图3为按照本发明的个性化重构知识体系学习系统的另一优选实施例的服务器与客户端连接示意图。

图4为按照本发明的个性化重构知识体系学习系统的如图3所示实施例的系统结构图。

图5为按照本发明的个性化重构知识体系学习系统的如图3所示实施例的系统结构图

图6为按照本发明的个性化重构知识体系学习系统的岗位角色的一实施例的铁道机车专业岗位升级图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，一种个性化重构知识体系学习系统，包括学习者信息库100、自主学习模块110，考核/学习模块120、专业知识数据库130、大数据分析模块140和专家库150。

学习者信息库100用于存储学习者的注册信息，所述注册信息包括学习者的个人资料、学习进度、专业知识拓扑结构完整度及制定调整个性化的学习方案中至少一种。学习方案是由大数据分析模块140针对学习者之前的自主学习模块110和考核/学习模块120提供的数据信息，依据学习规律和普遍性认知规律，通过科学的计算进行调整制定。

自主学习模块110用于获取学习者的自主学习信息并提供给大数据分析模块140，并初步建立个性化的知识框架。

在自主学习模块110中设置有针对不同专业领域的岗位群，学习者根据个人意愿，选择不同的岗位角色作为学习专业知识的起点。

考核/学习模块120用于检验学习者重构知识拓扑结构的完整度，结合大数据系统反馈信息判断是否考核通过。

考核/学习模块120还用于考核通过后认定学习者形成了重构知识结构化体系。

考核/学习模块120还包括积分库，所述积分库包括对学习者知识拓扑结构完整度的积分和/或对学习者学习时间的积分。

专业知识数据库130以知识信息数据库的形式，通过大数据分析模块140的自适应模糊算法进行二维计算（包括X2维度和Y2维度），重新构建同时符合工作规律和认知规律的知识体系，X2维度是指通过大数据分析众多学习者的学习情况，应用关联规则分析学习者的知识图谱和习得顺序，对所述专业数据库中“最小细胞”在难易程度维度上进行重构；Y2维度是指通过大数据分析专家对系统的测评数据，对数据库中的“最小细胞”在重要程度维度上进行重构。

大数据分析模块140的功能如下：

1、用于基于人工智能（AI）对知识图谱和习得顺序的分析，精准分析每一个学习者的学习情况，并制定和/或调整不同学习者个性化学习方案。个性化学习方案在X1和Y1两个维度上采用机器学习算法中的自适应决策树法，在X1维度上，分析学习者的习惯性思维倾向的关联类型，在Y1维度上，分析学习者喜欢并易于掌握的知识类型。

2、自主优化调整所述专业知识数据库130。

3、对自主学习模块110和考核/学习模块120反馈的数据和专家对系统进行的测试数据进行分析计算，优化调整所述专业知识数据库130中的专业知识体系的逻辑起点和基本结构，通过AI辅助实现自主优化。

专家库150用于存储各专业领域专家的注册信息和将专家的测试数据提交给所述大数据分析模块。专家库里的专家通过专家登录维护界面，结合大数据分析系统提供的信息，对专业知识数据库进行优化和更新。专家库里的专家也会实时的通过专家界面登录系统，对系统进行测试，并将测试数据提交给大数据分析系统。专家库中专家数量也是大数据分析的一个参数变量。

实施例二

如图2所示，执行步骤200，学习者通过学习界面登录自主学习模块。执行步骤210，学习者通过自主或者随机的方式选择岗位角色。执行步骤220学习者选择关键词，利用系统提供的 “关联类型”、“最近关联”、“一句话知识点”的逻辑思路，通过系统制定的个性化学习方案，初步建立个性化的知识框架。顺序执行步骤230和步骤240，学习者开始自主学习，并按照自己的思维方式、喜好、兴趣自主构建个性化的知识拓扑结构。执行步骤250，学习者进入考核/学习模块来检验自主构建知识拓扑结构的完整度，结合大数据系统反馈信息判断是否考核通过。如果考核未通过，则执行步骤230，学习者重新进行自主学习。如果考核通过，则顺序执行步骤260和步骤270，认定学习者形成自主学习能力，达到某级个性化专业知识的标准，并获得相应的等级称号，学习者可以开始新的学习征程。

实施例三

本实例提供了一种通过AI辅助实现个性化重构知识体系的学习系统，能够有效提高现代人的学习效率，培养自主思维能力和学习能力。本发明具有普适性，下面以“铁道机车专业”的专业知识为例对本发明进行介绍说明。

为实现上述目的，采用如下的技术方案 ：一种通过AI辅助实现个性化重构知识体系的学习系统，所述学习系统包括自主学习系统、考核/学习系统、专业知识数据库、大数据分析系统、学习者信息库、专家库等组成。

本发明的核心部分是专业知识数据库和大数据分析系统。

专业知识数据库是“知识再加工”的体现。将专业知识碎片化后，以最小专业知识“关键词”为基本单元（小到一个专业名词，小到一个专业术语，小到不能再细化的专业知识体系里的最小细胞），再按照“关键词”、“关联类型”、“最近关联”、“一句话知识点”的逻辑关系，以知识信息数据库的形式，通过大数据分析系统的自适应模糊算法进行二维计算，重新构建同时符合工作规律和认知规律的知识体系。这二维分别是：

① X维度上，通过大数据分析众多学习者的学习情况，应用关联规则分析学习者的知识图谱和习得顺序，对数据库中“最小细胞”在难易程度维度上进行重构；

② Y维度上，通过大数据分析铁道机车专业专家们（下文简称专家们）对本学习系统的测评数据，对数据库中的“最小细胞”在重要程度维度上进行重构。

重构的专业知识体系符合由易渐难的认知规律，并用词频形式表现知识的重要程度。

大数据分析系统基于AI辅助实现两部分功能：

(1) 功能一：制定调整不同学习者个性化学习方案。根据自主学习系统和考核/学习系统提供的数据信息，基于人工智能（AI）对知识图谱和习得顺序的分析，精准分析每一个学习者的学习情况，并制定出个性化的学习方案，引导学习者自主学习，做到了真正意义上的因材施教。个性化学习方案也从两个维度采用机器学习算法中的自适应决策树法（基本原理是蒙特卡罗算法）。这二维分别是：

① X维度上，分析学习者的习惯性思维倾向的关联类型，即学习者遇到一个陌生的“关键词”时，习惯性会首先思考其哪种关联类型，是作用、原理、结构、意义等；

② Y维度上，分析学习者喜欢并易于掌握的知识类型，即学习者在学习过程中，对哪类知识类型更喜欢更容易掌握，是机械、电子、电机、电器、控制等。

（2）功能二：自主优化调整专业知识数据库。大数据分析系统对自主学习系统和考核/学习系统反馈的数据和专家对系统进行的测试数据进行分析计算，优化调整专业知识数据库中的专业知识体系的逻辑起点和基本结构，通过AI辅助实现自主优化。

自主学习系统：学习者通过学习者界面进入自主学习系统，首先自主选择岗位角色；或由系统默认岗位角色。学习者选择关键词，利用系统提供的 “关联类型”、“最近关联”、“一句话知识点”的逻辑思路，初步建立个性化的知识框架。学习者可以按照自己的思维方式、喜好、兴趣自主构建个性化的知识拓扑结构。同时学习者的自主学习信息提供给大数据分析系统，作为调整制定学习者学习方案的一个状态变量。

考核/学习系统：学习者经过自主学习历练，认为自己已经初步形成了专业知识结构化体系（或某一岗位的专业知识结构化体系），通过考核系统来检验学习者重构知识拓扑结构的完整度，结合大数据系统反馈信息判断是否考核通过。考核通过后认定学习者形成了重构知识结构化体系，具备了基本的自主学习能力。学习者可以再次进入自主学习系统，重新选择另一个岗位角色进行自主学习。直至完成全部知识点学习，构建完整的系统化专业知识结构化体系。如果考核不通过，学习者返回自主学习系统。同时系统将学习者的考核/学习数据信息提供给大数据分析系统，作为调整制定学习者学习方案的一个状态变量。

学习者信息库：用于存储学习者的注册信息，所述注册信息包括学习者的个人资料、学习进度、专业知识拓扑结构完整度及制定调整个性化的学习方案，学习方案是由大数据分析系统针对学习者之前的自主学习系统和考核/学习系统提供的数据信息，依据学习规律和普遍性认知规律，通过科学的计算进行调整制定。学习者信息库中的学习者数量也是大数据分析的一个参数变量。

专家库：专家库存储铁道机车专业领域专家的注册信息，专家库里的专家通过专家登录维护界面，结合大数据分析系统提供的信息，对专业知识数据库进行优化和更新。专家库里的专家也会实时的通过专家界面登录系统，对系统进行测试，并将测试数据提交给大数据分析系统。专家库中专家数量也是大数据分析的一个参数变量。

所述自主学习系统中设置针对铁道机车专业领域的岗位群，包括机车乘务员、检修钳工、检修装配工、整备钳工、整备电工、机械师等岗位角色，学习者可根据个人意愿，选择不同的岗位角色作为学习专业知识的起点，基于工作过程，结合岗位成长过程（比如学习者喜欢火车司机岗位，就可以在进入自主学习系统中选择“机车乘务员”角色，基于网络游戏的设计理念，随着学习过程，积分增长，根据大数据对学习者信息的分析处理，系统实时调整制定符合学习者学习习惯和知识储备的个性化学习方案。学习成长过程为：学习者首先是“学习司机”身份，通过自主学习，挣得积分，成长为 “副司机”、“司机”、“指导司机”的过程），实现个性化学习。并将学习者学习数据信息提交给大数据分析系统，作为调整制定个人学习方案的一个状态变量。

所述考核/学习系统用于检验学习者知识拓扑结构的完整度，但不是传统的提示“正确”或“错误”信息。而是检验学习者对于自主构建的知识拓扑结构的完整度。并将考核数据信息提供给大数据分析系统，作为调整制定学习方案的一个状态变量。

所述考核/学习系统还设置有积分库，所述积分库包括两部分积分。一是对学习者知识拓扑结构完整度的积分；二是对学习者学习时间的积分。系统将积分值提供给大数据分析系统，作为调整制定学习方案的一个状态变量。

上述积分库利用网络游戏的设计理念，使学习者体验学习成长的快乐，培养专业自信心和自豪感，寓教于乐，能有效提升用户的学习兴趣。

与现有技术相比，本发明除了具有资源共享、系统开放、普适性等优点外，它以“知识再加工”为核心，打破时空限制、突破局限性、利用信息技术来捕捉人脑的注意力，寓教于乐，在学习过程中体会成长的快乐，增加信心和兴趣，让学习者因感受到收获而喜悦。

在本实施例中，所述客户端在不同媒介有不同的界面，但功能一致，可独立或配合运行。进一步的，所述媒介包括自主网页、社交网页、智能手机APP、电子邮件等。不同媒介，同一用户学习信息通过云服务实现同步存取。上述方案中，所述学习材料由文字、图像、音频、视频中的一种或多种组成。

实施例四

本实施例的服务器与客户端连接如图3所示，客户端包括个人计算机、笔记本电脑、iPad等智能终端、智能手机，个人计算机、笔记本电脑和iPad等智能终端通过互联网连接服务器，智能手机通过通信网络连接服务器。个人计算机和笔记本电脑通过运行自主网页、社交网页、 电子邮件或客户端软件进行学习，iPad等智能终端和智能手机通过App进行学习。

本发明服务器的系统结构如图4所示，包括自主学习系统、考核/学习系统、专业知识数据库、大数据分析系统、学习者信息库、专家库。

工作过程流程如图5所示，首先专家把原有学科体系下的知识体系碎片化，转化为离散的知识信息，再按照“关键词”、“关联类型”、“最近关联”、“一句话知识点”的逻辑关系，通过大数据技术在两个维度上的分析计算，以专业知识数据库的形式，重新构建同时符合工作规律和认知规律的知识体系。

学习者通过学习者界面进入自主学习系统，，首先自主选择岗位角色或系统随机选择岗位角色。学习者选择关键词，利用系统提供的 “关联类型”、“最近关联”、“一句话知识点”的逻辑思路，通过系统制定的个性化学习方案，初步建立个性化的知识框架。学习者可以按照自己的思维方式、喜好、兴趣自主构建个性化的知识拓扑结构。学习者经过自主学习历练，认为自己已经初步形成了专业知识结构化体系（或某一岗位的专业知识结构化体系），可进入考核/学习系统来检验自主构建知识拓扑结构的完整度，结合大数据系统反馈信息判断是否考核通过。考核通过后认定学习者形成了重构知识结构化体系，具备了基本的自主学习能力。学习者可以再次进入自主学习系统，重新选择另一个岗位角色进行自主学习。直至完成全部知识点学习，构建完整的系统化专业知识结构化体系。如果考核不通过，学习者返回自主学习系统。

实施例五

在系统中，学习者可通过自主选择岗位来完成相关岗位的升级任务。

如图6所示，铁道机车专业岗位群包括机车乘务员、技术工和机械师三大类。

选择机车乘务员，可以按照学习司机->副司机->司机->指导司机的岗位进行升级。

选择技术工（包括检修钳工、检修装配工、整备钳工、整备电工），可以按照初级工->中级工->高级工->高级技师的岗位进行升级。

选择机械师（包括随车机械师、地勤机械师），可以按照学习机械师->机械师的岗位进行升级。

在岗位群的设置中，不限于本实施例中的岗位，可以根据用户的需求设置不同种类的岗位。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (9)

1.一种个性化重构知识体系学习系统，包括自主学习模块，其特征在于，还包括以下模块：

大数据分析模块：用于制定和/或调整不同学习者个性化学习方案；专业知识数据库：以知识信息数据库的形式，通过所述大数据分析模块的自适应模糊算法进行二维计算，重新构建同时符合工作规律和认知规律的知识体系；所述二维计算包括X2维度和Y2维度，所述X2维度是指通过大数据分析众多学习者的学习情况，应用关联规则分析学习者的知识图谱和习得顺序，对所述专业知识数据库中“最小细胞”在难易程度维度上进行重构。

2.如权利要求1所述的个性化重构知识体系学习系统，其特征在于：所述系统还包括考核/学习模块、学习者信息库和专家库中至少一种。

3.如权利要求2所述的个性化重构知识体系学习系统，其特征在于：所述大数据分析模块用于基于人工智能对知识图谱和习得顺序的分析，精准分析每一个学习者的学习情况，并制定出所述个性化学习方案。

4.如权利要求3所述的个性化重构知识体系学习系统，其特征在于：所述个性化学习方案在X1和Y1两个维度上采用机器学习算法中的自适应决策树法。

5.如权利要求4所述的个性化重构知识体系学习系统，其特征在于：在所述X1维度上，分析学习者的习惯性思维倾向的关联类型。

6.如权利要求4所述的个性化重构知识体系学习系统，其特征在于：在所述Y1维度上，分析学习者喜欢并易于掌握的知识类型。

7.如权利要求4所述的个性化重构知识体系学习系统，其特征在于：所述大数据分析模块还具有自主优化调整所述专业知识数据库的功能。

8.如权利要求7所述的个性化重构知识体系学习系统，其特征在于：所述大数据分析模块对所述自主学习模块和所述考核/学习模块反馈的数据和专家对系统进行的测试数据进行分析计算，优化调整所述专业知识数据库中的专业知识体系的逻辑起点和基本结构，通过AI辅助实现所述自主优化。

9.一种个性化重构知识体系学习方法，包括以下步骤：

自主学习步骤；用户进行自主学习；

知识结构搭建步骤；构建专业知识结构；

自我考核步骤；学习者自我考核，如不通过则重新执行所述自主学习步骤；

达标步骤：形成自主学习能力，达到某级个性化专业知识的标准；

上述所有步骤均在如权利要求1所述的个性化重构知识体系学习系统上实现；

所述个性化重构知识体系学习系统包括专业知识数据库，所述专业知识数据库以知识信息数据库的形式，通过所述大数据分析模块的自适应模糊算法进行二维计算，重新构建同时符合工作规律和认知规律的知识体系；所述二维计算包括X2维度和Y2维度，所述X2维度是指通过大数据分析众多学习者的学习情况，应用关联规则分析学习者的知识图谱和习得顺序，对所述专业知识数据库中“最小细胞”在难易程度维度上进行重构。

Images