CN109388744A - 一种自适应学习推荐方法及装置 - Google Patents

Abstract

本发明的一种自适应学习推荐方法，评估或预测用户在某一学习项目的能力值，学习项目由相关联的知识点构成；根据用户在所述学习项目的能力值或用户自己的选择创建学习计划；用户根据学习计划进行所述学习项目的学习，根据用户的学习情况实时评估更新用户在该学习项目的能力值并根据更新的能力值自适应出题；根据更新的用户能力值和剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到标准则完成学习。根据学生自身特性及学习行为，为其呈现适合其学习的相关内容，准确掌握学生薄弱知识点，有效提高其学习效率，快速提升其自身水平。

Description

一种自适应学习推荐方法及装置

技术领域

本发明属于网络教育领域，具体的说，涉及一种自适应学习推荐方法。

技术背景

在线学习平台为学生提供了丰富多样的学习内容以及便捷的学习方式。视频、文本、试题等不同种类的学习资源以不同的方式为学生提供在线的授课，内容讲解及成果测验。

随着学习资源数量不断增加，学生进入在线学习平台后的选择难度也在不断增大。海量学习资源对于在线学习平台的要求，已经由简单的内容呈现平台，提升为针对每个学生个性化特征的自适应学习平台。根据学生自身特性及学习行为，为其呈现适合其学习的相关内容，准确掌握学生薄弱知识点，有效提高其学习效率，快速提升其自身水平。

而现有技术中，虽然能针对用户提供个性化的学习内容，但由于用户在学习中会不断的成长和进步，如何动态的根据用户不断变化的能力值来给用户推荐符合用户当前的学习能力的学习材料，实时的自适应给用户提供高质量的学习内容，提高用户的学习效率成为了需要解决的问题。

发明内容

本发明要解决的技术问题在于，如何克服现有技术的不足，提供一种自适应的学习推荐方法，给用户提供更加精确的学习推荐，并根据用户在学习过程中动态变化的学习能力，自适应的动态提供与当前用户能力相适应的学习内容。

本发明要解决的另一个问题是，如何根据用户的学习反馈得让用户有更高的学习效率。

为解决上述的技术问题，本发明采用的技术方案的基本构思是：

一种自适应学习推荐方法，其特征在于，至少包括步骤：

S1、自适应学习引擎通过测试评估或预测用户在某一学习项目的能力值；

S2、所述引擎根据用户在所述学习项目的能力值创建和/或用户自主选择创建学习计划；

S3、用户根据学习计划进行所述学习项目的学习，所述引擎根据用户的学习情况评估更新用户在该学习项目的能力值并根据更新的能力值给用户推荐与更新能力值相适应难度的题目；

S4、所述引擎根据用户的更新的在该学习项目的能力值和/或用户在该学习项目的完成度推荐用户进行教育资源的学习。

进一步的，步骤S1中的学习项目由与其相关联的前后置关系知识点构成，其中前置知识点作为后置知识点的基础和铺垫，相关联知识点的连接关系和关联权重由用户在各相关联知识点的能力值确定；

进一步的，相关联知识点的连接关系和关联权重由所有用户在各知识点的能力值确定；

进一步的，步骤S1中的学习项目中的相关联知识点的连接关系和关联权重由用户在各相关联知识点的能力值确定。

进一步的，用户自己创建学习计划包括每次训练的时长，每周训练的次数，以及计划持续的时间；

进一步的，S1中评估或预测用户的能力值具体为，根据用户在某一知识点所对应的题目的作答情况评估用户在该知识点的能力值，或根据用户在某一知识点的关联知识点的能力值预测用户在该知识点的能力值。

进一步的，其中S3中的用户根据学习计划进行所述学习项目的学习，具体为，知识点的学习顺序由用户在不同知识点的能力值来确定。

进一步的，用户能力值低所对应的知识点先进行学习，用户能力值高岁对应的知识点后进行学习。

进一步的，其中S3中根据用户的学习情况实时调整用户在该学习项目的能力值并根据更新的能力值自适应出题具体为，根据用户当前学习知识点的能力值自适应出题，根据作答结果实时更新用户在该知识点的能力值，并根据用户新的能力值调整自适应出题难度。

进一步的，S4具体为根据更新的用户能力值和剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到完成标准则完成该项目的学习，若未到达学习项目的完成标准则由用户选择进行讲解性学习或继续自适应出题作答并实时评估能力值。

进一步的，S4中用户选择进行讲解性学习具体为，根据未达标的知识点内容进行教学资源的学习或根据未达标知识点的前置知识点权重选择适合的前置知识点进行学习。

进一步的，其中教学资源为至少包括该知识点的讲解、例题、教学视频、教学音频；未达标知识点的前置知识点为未达标知识点的铺垫或基础。

进一步的，评估或预测用户在某一项目的能力值之前，判断用户是否可评估或预测能力值，若是，获取某一知识点对应的相关试题，根据用户的作答结果评估用户的能力值；若否，根据某一知识点相关联的知识点的能力值预测用户的能力值。

进一步的，相关联的知识点之间为互为前后置关系，其中前置知识点为后置知识点的铺垫与基础，后置知识点为前置知识点的延伸和拓展。

本发明的，一种自适应学习推荐装置采用上面所述的方法，自适应学习推荐装置包括能力值判断模块，学习计划创建模块，学习计划执行模块，显示模块，其中：

能力值判断模块通过测试评估或预测用户在某一学习项目的能力值，学习项目由相关联的知识点构成；

学习计划创建模块根据用户在所述学习项目的能力值或用户自己的选择创建学习计划，并在显示模块上显示；

学习计划执行模块根据学习计划执行所述学习项目的学习，能力值判断模块根据用户的学习情况实时评估更新用户在该学习项目的能力值，学习计划执行模块根据更新的能力值自适应出题，整个学习过程由用户在显示模块上完成；

学习计划执行模块根据更新的用户能力值和剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到完成标准则完成该项目的学习，若未到达学习项目的完成标准则由用户选择进行讲解性学习或继续自适应出题作答并实时评估能力值。

采用上述方法可以为学习用户提供个性化的学习方案和学习内容，当学生进入自适应学习平台，选择学习的项目后，可以根据学生的能力值自动设置学习计划，学生也可以进行自定义学习计划。计划设定后，学生进入测验界面进行相关项目的测验，测验过程中，会呈现该项目相关的知识图谱，以及测验过程中学生在该项目能力值的变化情况。对于能力值较差的项目，自适应学习引擎会推荐相关的视频讲解教程或者该项目的前置项目进行学习。本发明的自适应学习引擎为不同的学生在在线平台的学习提供了科学的个性化的方法，其中包括：学习计划的设定策略，学生能力值的获取策略，学习计划学习顺序的规划策略，以及项目学习内容的推送策略。同时，本发明的方法引擎也采试题参数计算方法，能力值预测方法，能力值评估等相关算法，从而科学的衡量学习内容与学生的相关属性，使自适应学习引擎更加精准。

采用上述的技术方案后，本发明与现有技术相比具有以下的有益效果：

1、更加精准的为用户提供适合他们学习能力的个性化学习方案和学习内容，提高了用户学习方案的个性化和专业化。

2、本发明的自适应学习推荐方法实时的更新用户的学习能力值，根据用户学习能力值的动态变化，自适应的对用户提供最适合用户学习能力的学习材料，从而提高了用户学习效率。

3、本发明采用了前后置的知识点关联方法，根据大量用户的数据的能力值确定相关联知识点之间的权重，从而建立起所有相关联知识点的知识图谱，利用知识图谱中相关联知识点的关系给用户提供更加准确和及时的“知识漏洞”的修补。从而达到查漏补缺快速提高用户学习能力。

附图说明

附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：

图1是本发明一种自适应学习推荐方法流程示意图；

图2是本发明学习计划界面；

图3是本发明学习计划的创建流程示意图；

图4是本发明能力值的获取流程示意图；

图5是本发明用户执行学习计划界面示意图；

图6是本发明推荐学习内容的流程示意图；

图7是本发明具体执行学习计划的；

图8是本发明知识点图谱的简化图；

图9是本发明设备配置图；

图10是本发明的一种自适应学习推荐装置示意图。

需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明对自适应学习引擎的具体实施方式进行了细节性的描述，从而能深入透彻的了解自适应学习引擎的工作原理。此外，采用框图的形式展现具体的界面及相关流程，以便于理解。

在学生所学的学科中，尤其是逻辑性学科，学科内知识点之间的关系相对密切。具体知识点之间的关系如图8的知识点图谱所示。

例如，知识点A的学习，需要知识点B作为基础和铺垫，同时，知识点A本身又作为知识点C的基础知识点，此时，我们称A为C的前置知识点，B知识点为A知识点的前置知识点。如图9所示，706,708和710便为702的前置知识点，其他节点同理。将一本教材中知识点之间的前后置关系以节点与连接线的形式表示出来，便可构建该教材的知识图谱。知识图谱的构建，现多由通过专家根据既有经验手动构建，但关系权重很难定量估计，人为误差较大，无法自动纠正。在本引擎中，通过学生在各个知识点下的能力值进行关联规则分析进行构建，既可以获取连接关系，也可以获取科学的关联权重。

而前后置知识点之间的连接权重指的是，当需用利用相关联的知识点的能力值来预测当前知识点的能力值的时候，知识点之间的权重越大表示知识点之间的联系关系越大，越有代表性。而前后置知识点之间的连接权重由所有用户在各个知识点的能力值的表现所确定。

用户的能力值即用户在某一学习项目的掌握程度表现，能力值可以根据用户之前在该项目下的学习行为进行评估，也可以根据学生在关联项目的能力表现进行预测，或初始化一个中等程度的能力值。

实施例一

如图1所示，为本发明的一种自适应学习推荐方法的实施流程。

S1、自适应学习引擎通过测试评估或预测用户在某一学习项目的能力值；

具体为根据用户在某一知识点所对应的题目的作答情况评估用户在该知识点的能力值，或根据用户在某一知识点的关联知识点的能力值预测用户在该知识点的能力值。评估或预测用户在某一项目的能力值之前，判断用户是否可评估或预测能力值，若是，获取某一知识点对应的相关试题，根据用户的作答结果评估用户的能力值；若否，根据某一知识点相关联的知识点的能力值预测用户的能力值。

用户能力值的获取流程如图4。

图4展示了学生在某个项目能力值的评估或预测流程300，如图所示，流程起始于302，首先在304处获取需要能力值的项目，即知识点，经由306判断是否达到能力值的评估标准，即该学生是否有在该项目的测验行为，足以评估学生在该项目的能力值。

如果已达到能力值的评估标准，则在308处获取学生在该项目下所答题的相关试题参数，如区分度、猜测度以及试题的工作量系数。

区分度、猜测度的获取通过引入深度学习技术框架，构建模拟器模拟用户作答数据，根据数据稠密度的模拟参数，保留部分数据作为训练及测试样本数据。将模拟训练调整至最优的正则化因子和超参数引入至真实训练数据，训练得到。试题工作量系数的获取则可以通过统计平均做题时长获得。

得到相关试题参数后，在310处获取学生的相关作答数据，如用户的作答结果，及作答所需的时间。通过312即可进行学生在该项目能力值的评估。评估方法采用IRT理论(项目反应理论)，结合试题参数，用户作答数据，采用极大似然估计法，并引入时间衰减因子，评估用户在该项目的能力值；

如果尚未达到能力值的评估标准，则可以通过关联项目的能力表现进行相应的预测。首先通过314获取与该项目相关联的项目，关联项目的标准，既可以由专家指定，也可以通过所有学生在所有项目的能力表现进行关联分析，该策略在下文中详细介绍。

获取关联项目后，经由316判断该学生在关联项目是否有能力值，如果有，则可以在318处预测该学生在该项目的能力值。能力值的预测，可以通过关联规则进行特征提取，选取训练集训练神经网络，采用在训练集与测试集均表现良好的神经网络模型进行实现。如果关联知识点没有能力值，则可以在320处将初始化该项目的能力值为中等水平，以此为标准进行学习内容的推荐，之后再动态的评估或预测，获取真实的能力值。通过312，318或320，我们最终在322处获取到用户的能力值。

S2、所述引擎根据用户在所述学习项目的能力值创建和/或用户自主选择创建学习计划；

自适应学习引擎以学习计划为单位组织学生的学习进程，图2为学习计划的进度界面100，如图所示，界面包括学习计划创建入口102，学习计划的展示区域104，学习计划进度区域106，计划的完成程度108以及学生对于学习计划的能力值110。学习计划由学生选择计划项目后，自适应引擎自主配置，学生也可进行自定义设置。具体的学习计划创建流程如图3。

图3展示了学生创建学习计划的具体流程200，如图所示，学生由202进入学习计划的创建入口，经由204选择计划项目，根据学生的自主选择，判断是否需要自定义学习计划，如果需要进行自定义设置，则在208处自定义输入每次训练的时长，每周训练的次数，以及计划持续的时间，再通过210选择计划强度，在212处自定义计划的名称，学习计划即可创建完成；如果用户不需要进行自定义设置，则自适应学习引擎可以在214处自动配置每次的训练时长，每周的训练次数，以及计划的持续时间。自动配置的策略可以是多样化的，例如可以参照学生日常的学习行为，每天在学习平台停留的学习时间，以及每周登陆的情况来为学生分配适合其时间惯性的训练时长及周训练次数。

引擎经由216获取学生在其选择的计划项目上的能力值。能力值即学生在该项目的掌握程度表现，能力值可以根据学生之前在该项目下的学习行为进行评估，也可以根据学生在关联项目的能力表现进行预测，或初始化一个中等程度的能力值。

回到图3，根据300获取学生计划项目的能力值后，引擎便可在218通过学生的能力值配置相应难度的学习计划，配置标准可以规则化。最后经由220自动配置计划的名称，引擎可以自动生成相应的ID，可识别性的标记对应的学习计划，并以此作为该计划的名称，之后在222处生成学习计划，此时学习计划便可显示在图2中的104区域。

回到图2，创建完成学习计划之后，学习计划展示区域102显示学习计划的名称(或ID)以及学习计划的难度。学习计划进度区域104体现学习计划在当天的进度，根据计划设置时每天分配的训练时间，以及当天已训练的时间，计算当天的训练剩余时间。计划的完成程度106体现计划的进度情况。学生对于学习计划的能力值110体现学生对于该学习计划的整体掌握情况，能力值的评估标准同300中的评估流程。

S3、用户根据学习计划进行所述学习项目的学习，所述引擎根据用户的学习情况评估更新用户在该学习项目的能力值并根据更新的能力值给用户推荐与更新能力值相适应难度的题目；

创建学习计划后，学生可根据自适应引擎规划的学习内容进行训练，训练界面如图5。400展示了学生训练界面，其中包括题目显示区域402，项目关系显示区域404，计划进度406，训练用时408，以及能力值410。其中，400可以文本或音频的方式，呈现引擎推送出的相关试题，由学生作答。计划进度406表示该学习计划的进展状况，训练用时408表示当天的训练时间，从而检测当天的总训练时间是否到达学习计划中设定的训练时间，能力值410展现了学生在训练过程中，其学习计划相关项目能力值的动态变化，能力值的评估标准参照300。

学生选定项目，构建学习计划后，自适应引擎会根据学生所选的项目及对应的能力值进行动态的学习顺序规划，具体的流程如图6。500即为学生构建学习计划到学习计划完成的具体流程。如图所示，流程起始于502，自适应学习引擎在504根据学生的选择规划学生的学习顺序，规划的标准根据学生对其所选项目的能力值，能力值较弱的优先进行学习。学生由506开始项目的学习，具体的学习流程可见图7。

600展示了自适应引擎为学生规划的学习流程。如图所示，流程起始于602，并于604判断该是否可评估或预测该项目的能力值。如果可评估或预测，便可以通过608获取的能力值进行自适应出题，推题的难度与能力值的对应关系可以规则化；如果不可评估或预测，便可通过606给出初始测试，例如可以初始推荐中等难度的试题，根据作答结果的正确与否，变换推题的难度。初始测试一定数量的题目后可评估学生能力值，从而进行自适应出题。答题过程中，可由610实时评估用户的能力值，并根据更新的能力值给用户自适应出题。

S4、所述引擎根据用户的更新的在该学习项目的能力值和/或用户在该学习项目的完成度推荐用户进行教育资源的学习。

如图7所示，由612判断是否达到项目完成学习的标准，如果达到标准，则可转到614完成该项目的学习。

如果没有完成标准，则至616由用户选择是否需要对该项目进行讲解性的学习，如果用户选择不需要，则转至608继续自适应出题评估能力值；如果需要，则至618判断该项目是否有学生还未达标的内容，如果有，则转至620处进行教学资源的学习，学习完成后，再进行检测；如果没有资源可学习，则在622处判断是否有合适的前置项目可以进行学习，如果有，则至624处选择最合适的项目进行学习，选择的标准可根据知识图谱中的权重，学习完成后可继续进行检测；若没有合适的前置项目进行学习，则继续自适应出题。为保证整个流程顺利进行，自适应出题的次数会做出相应的限制，而且，如果整个循环迭代一定次数后，学生仍未达到完成标准，则直接关闭该项目的学习。

回到图6，经过600的整个学习过程，在508处完成该项目的学习，则引擎会自动检查是否有选定的还需要进行学习的项目，并在此规划学习顺序，此处考虑到之前对某个项目的学习会间接影响其他项目的能力值，因此会产生学习计划中项目能力值得变动，重新规划，便可实时响应学生能力值的动态变化。

规划完成后，继续进行学习，直到512处学习计划全部完成，整个流程便由 514处结束。

采用本实施例的方法能更加精准的为用户提供适合他们学习能力的个性化学习方案和学习内容，提高了用户学习方案的个性化和专业化。

本实施例的自适应学习推荐方法实时的更新用户的学习能力值，根据用户学习能力值的动态变化，自适应的对用户提供最适合用户学习能力的学习材料，从而提高了用户学习效率。

本实施例采用了前后置的知识点关联方法，根据大量用户的数据的能力值确定相关联知识点之间的权重，从而建立起所有相关联知识点的知识图谱，利用知识图谱中相关联知识点的关系给用户提供更加准确和及时的“知识漏洞”的修补。从而达到查漏补缺快速提高用户学习能力。

实施例二

如图10所示一种自适应学习推荐装置00，自适应学习推荐装置包括能力值判断模块01，学习计划创建模块02，学习计划执行模块03，显示模块04，其中：

能力值判断模块01评估或预测用户在某一学习项目的能力值，；

学习计划创建模块02根据用户在所述学习项目的能力值或用户自己的选择创建学习计划，并在显示模块04上显示；

学习计划执行模块03根据学习计划执行所述学习项目的学习，能力值判断模块根据用户的学习情况实时评估更新用户在该学习项目的能力值，学习计划执行模块根据更新的能力值自适应出题，整个学习过程由用户在显示模块04上完成；

学习计划执行模块03根据更新的用户能力值和剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到完成标准则完成该项目的学习，若未到达学习项目的完成标准则由用户选择进行讲解性学习或继续自适应出题作答并实时评估能力值。

本实施例的自适应学习装置可以装载在网络平台上，如图9所示其中802为平台所在服务器，804为学生采用的终端设备，既可以为台式机，也可以为手机等移动终端。802与804通过网络实现连接交互。

以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种自适应学习推荐方法，其特征在于，至少包括步骤：

S1、自适应学习引擎通过测试评估或预测用户在某一学习项目的能力值；

S2、所述引擎根据用户在所述学习项目的能力值创建和/或用户自主选择创建学习计划；

S3、用户根据学习计划进行所述学习项目的学习，所述引擎根据用户的学习情况评估更新用户在该学习项目的能力值并根据更新的能力值给用户推荐与更新能力值相适应难度的题目；

S4、所述引擎根据用户的更新的在该学习项目的能力值和/或用户在该学习项目的完成度推荐用户进行教育资源的学习。

2.根据权利要求1所述的一种自适应学习推荐方法，其特征在于，步骤S1中的学习项目由与其相关联的前后置关系知识点构成，其中前置知识点作为后置知识点的基础和铺垫，相关联知识点的连接关系和关联权重由用户在各相关联知识点的能力值确定。

3.根据权利要求1或2所述的一种自适应学习推荐方法，其特征在于，S1中评估或预测用户的能力值具体为，根据用户在某一知识点所对应的题目的作答情况评估用户在该知识点的能力值，或根据用户在某一知识点的关联知识点的能力值预测用户在该知识点的能力值。

4.根据权利要求1至3任一所述的一种自适应学习推荐方法，其中S3中的用户根据学习计划进行所述学习项目的学习，具体为，知识点的学习顺序由用户在不同知识点的能力值来确定。

5.根据权利要求1至4任一所述的一种自适应学习推荐方法，其中S4具体为根据更新的用户能力值和/或剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到完成标准则完成该项目的学习，若未到达学习项目的完成标准则由用户选择进行讲解性学习或继续自适应出题作答并实时评估能力值。

6.根据权利要求1或2所述的一种自适应学习推荐方法，其特征在于，S4中用户选择进行教育资源的学习具体为，根据未达标的知识点内容进行教学资源的学习或根据未达标知识点的前置知识点权重选择适合的前置知识点进行学习。

7.根据权利要求6所述的一种自适应学习推荐方法，其特征在于，其中教学资源为至少包括该知识点的讲解、例题、教学视频、教学音频；未达标知识点的前置知识点为未达标知识点的铺垫或基础。

8.根据权利要求3所述的一种自适应学习推荐方法，其特征在于，评估或预测用户在某一项目的能力值之前，判断用户是否可评估或预测能力值，若是，获取某一知识点对应的相关试题，根据用户的作答结果评估用户的能力值；若否，根据某一知识点相关联的知识点的能力值预测用户的能力值。

9.根据权利要求1或2所述的一种自适应学习推荐方法，其特征在于，相关联的知识点之间为互为前后置关系，其中前置知识点为后置知识点的铺垫与基础，后置知识点为前置知识点的延伸和拓展。

10.一种自适应学习推荐装置采用权利要求1至9中任一所述的方法，其特征在于，自适应学习推荐装置包括能力值判断模块，学习计划创建模块，学习计划执行模块，显示模块，其中：

能力值判断模块通过测试评估或预测用户在某一学习项目的能力值；

学习计划创建模块根据用户在所述学习项目的能力值或用户自己的选择创建学习计划，并在显示模块上显示；

学习计划执行模块根据学习计划执行所述学习项目的学习，能力值判断模块根据用户的学习情况实时评估更新用户在该学习项目的能力值，学习计划执行模块根据更新的能力值自适应出题，整个学习过程由用户在显示模块上操作完成；

学习计划执行模块根据更新的用户能力值和剩余未达标知识点数量，判断用户是否达到完成所述学习项目的完成标准，若达到完成标准则完成该项目的学习，若未到达学习项目的完成标准则由用户选择进行讲解性学习或继续自适应出题作答并实时评估能力值。