CN109858797A - 基于知识网络精准在线教育系统的多维度信息学情分析方法 - Google Patents
基于知识网络精准在线教育系统的多维度信息学情分析方法 Download PDFInfo
- Publication number
- CN109858797A CN109858797A CN201910073607.5A CN201910073607A CN109858797A CN 109858797 A CN109858797 A CN 109858797A CN 201910073607 A CN201910073607 A CN 201910073607A CN 109858797 A CN109858797 A CN 109858797A
- Authority
- CN
- China
- Prior art keywords
- learning
- service object
- knowledge
- various dimensions
- study
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于在线教育学情分析技术领域,涉及基于知识网络精准在线教育系统的多维度信息学情分析方法,基于知识网络精准在线教育,围绕服务对象学习痕迹及其多维度学情信息,对服务对象多维度综合学习评价,推荐个性化教学方案,提出强化学习计划,拓展个性化教学方案,优化个性化学习提升方案。本发明基于全学习痕迹、学习效果以及综合评价预测服务对象未来的学习效果,使得服务对象能够提前掌握学习效果变化的曲线,随时跟踪自己的学习数据;运用神经网络算法推荐个性化教学方案,推荐的个性化教学方案具有针对性;根据综合评价指标聚类和动态识别,使得教师可以根据不同的服务对象群体布置差异化的教学措施,体现了因材施教的教学理念。
Description
技术领域
本发明属于在线教育学情分析技术领域,具体涉及基于知识网络精准在线教育系统的多维度信息学情分析方法。
背景技术
随着计算机网络技术的普及与不断发展,上网门槛不断下降。随着智能终端的推广及其配套技术的快速发展与成熟,以及学生与家长对学习条件、学习方法和学习工具的要求不断提高,在线教育被越来越多的家长及学生认可。越来越多的学生选择网上学习系统辅助提升自己的学习,在网上测评检查自己的学习成果。
现有的主流在线教育系统一般只是简单的根据学生的测评答题情况,给出学生的正确率及错题,大部分系统不能很好地根据所有学生的学习情况、教学大纲、个体学生的学习痕迹等多维度信息指导学生的个性化学习,预测学生的学习效果,导致学生、教师只能等到学情变化之后被动调整学习计划和教学方案;这些系统通常也缺乏针对学生的综合评估和学习痕迹定制个性化的教学方案,未能很好地贯彻因材施教的教育理念。
发明内容
针对现有技术的不足,本发明提供基于知识网络精准在线教育系统的多维度信息学情分析方法,基于知识网络精准在线教育,围绕服务对象学习痕迹及其多维度学情信息,对服务对象多维度综合学习评价,推荐个性化教学方案,提出强化学习计划,拓展个性化教学方案,优化个性化学习提升方案。
本发明采用如下技术方案实现:
基于知识网络精准在线教育系统的多维度信息学情分析方法,包括以下步骤:
构建知识网络精准在线教育系统;
基于知识网络精准在线教育系统,依据服务对象的学习痕迹记录多维度学情信息;
基于服务对象已有的学习痕迹及其多维度学情信息,利用知识网络学情综合评估法,形成服务对象多维度综合学习评价;
根据教学大纲要求和服务对象多维度综合学习评价,推荐个性化教学方案;
根据推荐的个性化教学方案,记录服务对象学习生成的新的学习痕迹及评测结果,通过多维度综合学习评价指标,评估服务对象个性化学习效果;
依据服务对象的全学习痕迹和多维度综合学习评价指标,判定服务对象所属类别,提出强化学习计划,拓展个性化教学方案,优化个性化学习提升方案;
根据服务对象产生的学习痕迹及多维度学情信息,采用神经网络模型,迭代优化个性化教学方案推荐模型。
进一步地,知识网络精准在线教育系统包括:
(1)知识网络管理引擎;
(2)基于知识元相关关系而形成的知识网络;
(3)知识网络资源子系统;
(4)用户管理子系统;
(5)服务对象个性化评测子系统;
(6)大纲管理子系统;
(7)服务对象学习效果评价子系统;
(8)个性化教学方案推荐子系统;
(9)聚类分析识别子系统;
(10)学情分析子系统。
进一步地,知识网络管理引擎负责知识元的管理,功能包括:①知识点的加入、删除和修改;②知识元的标注;③知识点与知识元的存储;④基于知识元的关系,构建知识网络;⑤基于知识网络、知识元及其对应的知识资源,构建学习评测资源;⑥学习痕迹记录与存储。
进一步地,学习痕迹中记录服务对象使用知识网络精准在线教育系统进行学习时产生的各种数据,包括学习时间、学习时长、在某个时间学习的知识元覆盖的广度与深度、学习资源选择偏好、学习行为、学习速度和进度、测评安排、测评方法和测评结果信息。
优选地,多维度综合学习评价通过评价指标来评估,评价指标包括:大纲完成情况、智力竞争力、坚持力、集中力、自我拓展能力和实践能力。
进一步地,多维度综合学习评价方法为:
①坚持力由投入学习时间、结束学习时间、投入学习的频率及每次投入学习时长来衡量;坚持力计算方法为根据学习痕迹中记录的投入学习时间、结束学习时间、学习频率、投入学习时长,计算与当前投入学习时间、结束学习时间、学习频率、投入学习时长的方差,得到方差向量D=(d1,d2,d3,d4),根据四个要素的权重向量W=(w1,w2,w3,w4),得到最终的坚持力为:
②智力竞争力由年龄、学习速度、测评效果、学习覆盖知识元的广度和深度来衡量;U=(u1,u2,u3,u4,u5)分别表示年龄、学习速度、测评效果、学习覆盖知识点的广度、学习覆盖知识点的深度;评价等级V=(v1,v2,v3,v4,v5)分别为很差、较差、合格、良好和优秀;当服务对象完成知识元的学习后,知识网络精准在线教育系统结合U和V,给出评分矩阵R;通过权值向量A,得到模糊后的向量B=A*R,引入得分向量S,则智力竞争力I:
I=B*ST
其中,权值向量和得分向量通过知识网络专家给出,或者通过层次分析法给出;
③自我拓展能力由评测服务对象在其现有知识覆盖范围的综合能力和拓展解决直接后续相关知识元问题能力来衡量;
④实践能力Pra通过评测服务对象在运用已获取的知识解决实际问题的能力来获取,取决于解决方案评分s、问题难度d和解决问题的时间t,单个拓展题或实践问题产生的拓展题能力或实践能力得分为:
其中:k1、k2为常数;
⑤集中力Ff由学习活跃时间比来衡量:
其中:tt为分心时间,t为总学习时间;分心时间由服务对象全学习痕迹中记录的页面超出停顿限制时间、页面切出时间和页面额外滚动时间组成;
⑥大纲完成情况通过大纲要求完成比来衡量,指以一个知识元为单元,服务对象经过学习后大纲逐条完成度与该条大纲的重要程度乘积累加之后与大纲整体要求的完成度之比,则一个知识元的大纲完成情况的计算方式为:
其中:di为第i条大纲的重要程度,pi为第i条大纲服务对象的完成度,A为大纲整体要求的完成度;
上述的单个自我拓展能力、单个实践能力、单个集中力和单个大纲完成情况,其总体拓展能力、实践能力、集中力、大纲完成情况采用迭代更新的方式获得:
其中,i={1,2,3,4}分别表示自我拓展能力、实践能力、集中力和大纲完成情况,di表示单个指标的数值,ni表示单个指标的评测次数,迭代开始时Ti=0;
总的多维度综合学习评价:
Estu=(I,P,Cd,F,E,Pra)WT
其中,I、P、Cd、F、E、Pra分别为智力竞争力、坚持力、大纲完成情况、集中力、自我拓展能力和实践能力,W=(w1,w2,w3,w4,w5,w6)为权重,权重W通过专家获取或通过层次分析法获取。
进一步地,评测结果分为实际评测结果和预期评测结果,其中实际测评结果的计算方式为:
其中,Gi表示第i题服务对象的得分;
预期测评结果的计算方式为:
其中,si为第i题的分值;θ为服务对象学习能力;Pi(θ)为服务对象答对第i题的正确率,正确率的计算方法为:
其中:D为常数,D=1.7;a为试题的区分度;b为试题的难度;c为猜测参数,表示服务对象的综合评价为负无穷时仍能答对的概率。
进一步地,判定服务对象所属类别使用模糊聚类分析法与模糊模式识别法给出,包括:
根据多维度综合学习评价中各指标之间的关系,通过模糊聚类分析法,将服务对象分为若干种类型,系统或老师可以根据服务对象的类型,个性化定制教学方案,便于教师和系统针对服务对象类型进行资源推荐和教学调整,并且可以根据服务对象的全学习痕迹,动态变化类型;
依据服务对象的类型和多维度综合学习评价指标,使用模糊模式识别法判断服务对象所属的类别。
优选地,迭代优化个性化教学方案推荐模型以推荐教学方案的优良性为依据,推荐教学方案的优良性评估采用预期学习效果和实际学习效果的方差来衡量。
进一步地,服务对象为学生或学习组织,学习组织包括班级、学校、学习组和/或兴趣组。
本发明通过服务对象过去的全学习痕迹、学习效果、综合评价预测服务对象未来的学习效果,并根据预测结果推荐个性化教学方案,与现有技术相比,本发明取得的有益效果包括:
1、基于过去的全学习痕迹、学习效果以及综合评价预测服务对象未来的学习效果,使得服务对象能够提前掌握学习效果变化的曲线,随时跟踪自己的学习数据,从而提前调整学习状态、时间安排、学习计划等。
2、针对服务对象学习效果和综合评价的变化,运用神经网络算法推荐个性化教学方案,推荐的个性化教学方案具有针对性;根据综合评价指标动态聚类和动态识别,使得教师可以根据不同的服务对象群体布置差异化的教学措施,体现了因材施教的教学理念。
3、知识网络精准在线教育系统能够根据服务对象的实际学习痕迹和推荐结果自我迭代、自我更新,达到更高的准确率,更加可靠。
附图说明
图1为本发明一个实施例学情分析流程图;
图2为本发明一个实施例中教育系统用例图;
图3为本发明一个实施例中知识网络的知识点关联关系的抽象示意图;
图4为本发明一个实施例中学习痕迹示意图;
图5为本发明一个实施例中个性化教学方案示意图;
图6为本发明一个实施例中综合评价六维张力图;
图7为本发明一个实施例中模糊聚类示意图。
具体实施方式
为了进一步阐述本发明为解决其技术问题所采取的技术手段和取得的技术效果,以下结合附图和实施例,对本发明的技术方案进行清楚、完整的描述,但本发明的实施方式不限于此。
本发明提供的基于知识网络精准在线教育系统的多维度信息学情分析方法,旨在基于知识网络精准在线教育系统,围绕知识网络构建的教学资源、服务对象及整个系统记录的全学习痕迹,对服务对象的个性化学习及学习效果进行综合学习评估,评估六项(大纲完成力、智力竞争力、集中力、坚持力、自我拓展能力、实践能力)基本素质指标,并利用神经网络算法,结合全学习痕迹和综合评估指标预测综合评估指标的变化,提出学习提升的路径、办法和教学资源,推荐个性化教学方案。
如图1所示,本发明中,基于知识网络的精准在线教育系统依据服务对象学习痕迹(学习痕迹记录了服务对象在知识网络精准在线教育系统中学习时的行为及产生的中间数据)记录多维度学情信息(多维度学情信息包括服务对象学习时间、学习时长、在某个时间学习的知识元覆盖的广度与深度、学习资源选择偏好、学习行为、学习速度和进度、测评安排、测评方法、测评结果),形成服务对象的个性化综合学习评价,构建个性化教育推荐方案,评估服务对象个性化学习效果,优化个性化的教学方案推荐模型。服务对象可为学生或学习组织,学习组织包括但不限于班级、学校、学习组或兴趣组。多维度学情信息指学情分析子系统将服务对象的学习痕迹处理后用于分析服务对象学情的信息。知识网络精准在线教育系统一个学习用例如图2所示,针对学生的学习行为包括记录学习轨迹、计算综合评价、分析学习效果和推荐教学方案。
基于知识网络精准在线教育系统的多维度信息学情分析方法,如图1-7所示,包括以下步骤:
S1、构建知识网络精准在线教育系统;
本实施例中,知识网络精准在线教育系统包括:
(1)知识网络管理引擎;
知识网络管理引擎负责知识元的管理,功能包括但不限于:①知识点的加入、删除和修改;②知识元的标注;③知识点与知识元的存储;④基于知识元的关系,构建知识网络;⑤基于知识网络、知识元及其对应的知识资源,构建学习评测资源;⑥学习痕迹记录与存储。
(2)基于知识元相关关系而形成的知识网络;
系统中一个知识元可以为一个知识点、一个知识子网或一个知识点簇,其中:知识子网包含以知识点集为起点或终点所涉及的所有学习路径下包含的知识点及这些知识点之间的关系;知识点簇是由一系列未能形成直接连通的知识子网的知识点构成;知识元之间的关系如图3所示,包括前导关系、后继关系、父子关系和平行关系(又称“兄弟关系”)。知识点按照系统设定的关系与其关联的知识点连接,形成三维的知识网络。
(3)知识网络资源子系统;
知识网络资源子系统管理基于知识元的知识资源和学习评测资源。
本实施例中,学习评测资源是以知识元、综合测试等为基本测试单元构建的练习题库和测试题库。
(4)用户管理子系统;
(5)服务对象个性化评测子系统;
个性化评测子系统跟踪服务对象学习情况,利用个性化测评体系,按需动态形成个性化测评。
个性化评测系统测试题的类型包括例题、例题推广题、记忆型题、应用题、计算题、综合题、拓展题等,在数学上表示为T=(t1,t2,t3,t4,...,tM),ti=0,1,M为测试题类型总数。服务对象j的分值的计算方式为:
其中,gi为第i种类型题所占的分数;Sji为服务对象j在i种类型题测试中所得分数;K为类型题的种类数。
(6)大纲管理子系统;
大纲管理子系统管理基于教学目标的教学大纲。
(7)服务对象学习效果评价子系统;
学习效果评价子系统跟踪服务对象学习情况,利用个性化测评系统,按需动态形成个性化测评;服务对象的学习过程与评测结果形成其个性化学习痕迹并存储于精准在线教育系统内,评价子系统根据服务对象的个性化学习痕迹,评价服务对象的学习效果。
(8)个性化教学方案推荐子系统;
个性化教学方案推荐子系统基于知识资源和测评资源,以教学大纲和服务对象学习能力、个性化需求为基础,依托知识网络,根据服务对象的教学大纲和学习目的、学习兴趣、学习能力及教学学习进度,向服务对象推荐覆盖系列知识元的个性化教学推荐方案。其中,个性化教学推荐方案指向服务对象推荐的学习指导方案,包括学习资源、学习路径等,该指导方案可以使服务对象达到理想的学情状态。
(9)聚类分析识别子系统;
(10)学情分析子系统。
S2、基于知识网络精准在线教育系统,依据服务对象的学习痕迹记录多维度学情信息;
知识网络精准在线教育系统记录服务对象在系统中学习情况,获取多维度学习痕迹信息。其中,学习痕迹信息是未经系统处理的原始数据,经过系统进行归一化、排序等操作处理后、提供给系统中其他功能使用。学习痕迹如图4所示,记录了服务对象使用知识网络精准在线教育系统进行学习时产生的各种数据,包括学习时间、学习时长、在某个时间学习的知识元覆盖的广度与深度、学习资源选择偏好、学习行为、学习速度和进度、测评安排、测评方法、测评结果等信息。
S3、基于服务对象已有的学习痕迹及其多维度学情信息,利用知识网络学情综合评估法,形成服务对象多维度综合学习评价;
根据学习痕迹中记录的服务对象学习覆盖的知识元的广度与深度、投入时长、学习速度与进度、测评效果,形成对服务对象当前学习情况的多维度综合学习评价。
多维度综合学习评价通过评价指标来评估,评价指标包括但不限于大纲完成情况、智力竞争力、坚持力、集中力、自我拓展能力和实践能力。精准在线教育系统综合评估各项指标的变化趋势,分析变化的原因。
本实施例中,多维度综合学习评价以大纲完成情况、智力竞争力、坚持力、集中力、自我拓展能力和实践能力六项指标进行综合评估。多维度综合学习评价及组成多维度综合学习评价六项指标的具体量化方法为知识网络学情综合评估法,具体为:
①坚持力由投入学习时间、结束学习时间、投入学习的频率及每次投入学习时长来衡量。坚持力的计算方法为根据学习痕迹中记录的投入学习时间、结束学习时间、学习频率、投入学习时长,计算与当前投入学习时间、结束学习时间、学习频率、投入学习时长的方差,得到方差向量D=(d1,d2,d3,d4),根据四个要素的权重向量W=(w1,w2,w3,w4),得到最终的坚持力为:
②智力竞争力由年龄、学习速度、测评效果、学习覆盖知识元的广度和深度来衡量。设U=(u1,u2,u3,u4,u5)分别表示年龄、学习速度、测评效果、学习覆盖知识点的广度、学习覆盖知识点的深度;评价等级V=(v1,v2,v3,v4,v5)分别为很差、较差、合格、良好和优秀;当服务对象完成知识元的学习后,系统结合U和V,给出评分矩阵R;通过权值向量A,得到模糊后的向量B=A*R,引入得分向量S,则智力竞争力I:
I=B*ST
其中,权值向量和得分向量可以通过知识网络专家给出,也可以通过层次分析法给出。
③自我拓展能力由评测服务对象在其现有知识覆盖范围的综合能力和拓展解决直接后续相关知识元问题能力来衡量,主要由拓展题的拓展程度、拓展题评测结果和评测时间决定;
④实践能力Pra通过评测服务对象在运用已获取的知识解决实际问题的能力来获取,主要取决于解决方案评分s、问题难度d和解决问题的时间t。单个拓展题或实践问题产生的拓展题能力或实践能力得分为:
其中:k1、k2为常数,根据实际情况调整常数的取值,可以让结果更加合理。
⑤集中力Ff由学习活跃时间比来衡量,每次学习的学习活跃时间指服务对象在学习过程中集中精力真正用于学习的时间与学习知识点花费的总时间之比,即实际有效学习时间占总学习时间的百分比。
其中:tt为分心时间,t为总学习时间。分心时间由服务对象全学习痕迹中记录的页面超出停顿限制时间、页面切出时间和页面额外滚动时间组成。
⑥大纲完成情况通过大纲要求完成比来衡量,指以一个知识元为单元,服务对象经过学习后大纲逐条完成度与该条大纲的重要程度乘积累加之后与大纲整体要求的完成度之比,则一个知识元的大纲完成情况的计算方式为:
其中:di为第i条大纲的重要程度,pi为第i条大纲服务对象的完成度,A为大纲整体要求的完成度;
上述的单个自我拓展能力、单个实践能力、单个集中力和单个大纲完成情况,其总体拓展能力、实践能力、集中力、大纲完成情况采用迭代更新的方式获得:
其中,i={1,2,3,4}分别表示自我拓展能力、实践能力、集中力和大纲完成情况,di表示单个指标的数值,ni表示单个指标的评测次数,迭代开始时Ti=0;
总的多维度综合学习评价:
Estu=(I,P,Cd,F,E,Pra)WT
其中,I、P、Cd、F、E、Pra分别为智力竞争力、坚持力、大纲完成情况、集中力、自我拓展能力和实践能力,W=(w1,w2,w3,w4,w5,w6)为权重,权重W通过专家获取或通过层次分析法获取。
S4、根据教学大纲要求和服务对象多维度综合学习评价,推荐个性化教学方案;
个性化教学方案指资源推荐子系统根据教学大纲要求和精准在线教育系统获取的多维度综合学习评价,向服务对象推荐的学习指导方案,包括学习资源和建议学习路径等,该指导方案可以使服务对象达到符合服务对象理想的学情状态。个性化教学方案的制定利用大规模数据集训练预测神经网络模型以获得更加精准的个性化教育推荐方案。本实施例中,个性化教学方案如图5所示,建议学习路径包括在知识网络中标注到某个目标时间要覆盖的知识子网采用的评测方法与内容。
S5、依据推荐的个性化教学方案,记录服务对象学习生成的新的学习痕迹及评测结果,通过多维度综合学习评价指标,评估服务对象个性化学习效果;
评测结果分为实际评测结果和预期评测结果,其中实际测评结果的计算方式为:
其中,Gi表示第i题服务对象的得分。
预期测评结果的计算方式为:
其中,si为第i题的分值;θ为服务对象学习能力;Pi(θ)为服务对象答对第i题的正确率,正确率的计算方法为:
其中:D为常数,D=1.7,a为试题的区分度,b为试题的难度,c为猜测参数,表示服务对象的综合评价为负无穷时仍能答对的概率。
S6、依据服务对象的全学习痕迹和多维度综合学习评价指标,判定服务对象所属的类别,提出强化的学习计划,拓展个性化教学方案,优化个性化学习提升方案;
判定服务对象所属的类别使用模糊聚类分析法与模糊模式识别法给出。
根据多维度综合学习评价的六项指标,通过极差或标准差变换,将要素数值标准化到区间[0,1]后再乘100,得出服务对象的六维能力,画出服务对象的六维张力图。本实施例中,六维张力图如图6所示。
根据多维度综合学习评价中各指标之间的关系,通过模糊聚类分析法,将服务对象分为若干种类型,系统或老师可以根据服务对象的类型,个性化定制教学方案,便于教师和系统针对服务对象类型进行资源推荐和教学调整,并且可以根据服务对象的全学习痕迹,动态变化类型。模糊聚类分析法如图7所示,描述如下:
通过标准化、标定、聚类等方法,选取合适的λ阈值,将服务对象分为若干类型A=(A1,A2,Ai,…,An),Ai(1≤i≤n)分别表示均衡型、毅力型、智力型等。
依据服务对象的类型和多维度综合学习评价指标,使用模糊模式识别法判断服务对象所属的类别。设分类方案A=(A1,A2,Ai,…,An),服务对象多维度综合学习评价指标S=(s1,s2,s3,s4,s5,s6),首先计算S与Ai的贴近度:
其中,
然后,根据择近原则选择最贴近的那个类。
以学生经过学习后的综合评估为{智力竞争力:85,自我拓展能力:80,实践能力:73,坚持力:60,集中力:71,大纲完成情况:65}为例,把学生分类到“高智力中偏下毅力”类。
个性化学习提升方案指根据服务对象个体学习效果和预期学习效果各项指标的差距,推荐的知识元、试题、资料等教育资源。
S7、根据服务对象产生的学习痕迹及多维度学情信息,采用神经网络模型,迭代优化个性化教学方案推荐模型。
具体为:将系统所有服务对象产生的学习痕迹数据及多维度学情信息反馈给个性化教学方案推荐子系统与聚类分析识别子系统,采用神经网络模型,迭代优化个性化推荐教学方案推荐模型,提高学习方案推荐准确度,提升学情分析能力。
迭代优化个性化推荐教学方案推荐模型以推荐教学方案的优良性为依据。推荐教学方案的优良性评估可采用但不限于预期学习效果与实际学习效果的方差来评估。本实施例中,推荐教学方案的优良性评估采用预期学习效果和实际学习效果的方差来衡量。设列向量R=(r1,r2,…,rn)T表示n个服务对象的实际学习效果,列向量P=(p1,p2,…,pn)T表示n个服务对象的预期学习效果,令列向量C=R-P,计算C的期望E(C),则预期学习效果和实际学习效果的方差为:
D(C)=E{[C-E(C)]2}
然后,根据方差的大小,判断推荐教学方案的优良性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.基于知识网络精准在线教育系统的多维度信息学情分析方法,其特征在于,包括以下步骤:
构建知识网络精准在线教育系统;
基于知识网络精准在线教育系统,依据服务对象的学习痕迹记录多维度学情信息;
基于服务对象已有的学习痕迹及其多维度学情信息,利用知识网络学情综合评估法,形成服务对象多维度综合学习评价;
根据教学大纲要求和服务对象多维度综合学习评价,推荐个性化教学方案;
根据推荐的个性化教学方案,记录服务对象学习生成的新的学习痕迹及评测结果,通过多维度综合学习评价指标,评估服务对象个性化学习效果;
依据服务对象的全学习痕迹和多维度综合学习评价指标,判定服务对象所属类别,提出强化学习计划,拓展个性化教学方案,优化个性化学习提升方案;
根据服务对象产生的学习痕迹及多维度学情信息,采用神经网络模型,迭代优化个性化教学方案推荐模型。
2.根据权利要求1所述的多维度信息学情分析方法,其特征在于,知识网络精准在线教育系统包括:
(1)知识网络管理引擎;
(2)基于知识元相关关系而形成的知识网络;
(3)知识网络资源子系统;
(4)用户管理子系统;
(5)服务对象个性化评测子系统;
(6)大纲管理子系统;
(7)服务对象学习效果评价子系统;
(8)个性化教学方案推荐子系统;
(9)聚类分析识别子系统;
(10)学情分析子系统。
3.根据权利要求2所述的多维度信息学情分析方法,其特征在于,知识网络管理引擎负责知识元的管理,功能包括:①知识点的加入、删除和修改;②知识元的标注;③知识点与知识元的存储;④基于知识元的关系,构建知识网络;⑤基于知识网络、知识元及其对应的知识资源,构建学习评测资源;⑥学习痕迹记录与存储。
4.根据权利要求1-3中任一项所述的多维度信息学情分析方法,其特征在于,学习痕迹中记录服务对象使用知识网络精准在线教育系统进行学习时产生的各种数据,包括学习时间、学习时长、在某个时间学习的知识元覆盖的广度与深度、学习资源选择偏好、学习行为、学习速度和进度、测评安排、测评方法和测评结果信息。
5.根据权利要求4所述的多维度信息学情分析方法,其特征在于,多维度综合学习评价通过评价指标来评估,评价指标包括:大纲完成情况、智力竞争力、坚持力、集中力、自我拓展能力和实践能力。
6.根据权利要求5所述的多维度信息学情分析方法,其特征在于,多维度综合学习评价方法为:
①坚持力由投入学习时间、结束学习时间、投入学习的频率及每次投入学习时长来衡量;坚持力计算方法为根据学习痕迹中记录的投入学习时间、结束学习时间、学习频率、投入学习时长,计算与当前投入学习时间、结束学习时间、学习频率、投入学习时长的方差,得到方差向量D=(d1,d2,d3,d4),根据四个要素的权重向量W=(w1,w2,w3,w4),得到最终的坚持力为:
②智力竞争力由年龄、学习速度、测评效果、学习覆盖知识元的广度和深度来衡量;U=(u1,u2,u3,u4,u5)分别表示年龄、学习速度、测评效果、学习覆盖知识点的广度、学习覆盖知识点的深度;评价等级V=(v1,v2,v3,v4,v5)分别为很差、较差、合格、良好和优秀;当服务对象完成知识元的学习后,知识网络精准在线教育系统结合U和V,给出评分矩阵R;通过权值向量A,得到模糊后的向量B=A*R,引入得分向量S,则智力竞争力I:
I=B*ST
其中,权值向量和得分向量通过知识网络专家给出,或者通过层次分析法给出;
③自我拓展能力由评测服务对象在其现有知识覆盖范围的综合能力和拓展解决直接后续相关知识元问题能力来衡量;
④实践能力Pra通过评测服务对象在运用已获取的知识解决实际问题的能力来获取,取决于解决方案评分s、问题难度d和解决问题的时间t,单个拓展题或实践问题产生的拓展题能力或实践能力得分为:
其中:k1、k2为常数;
⑤集中力Ff由学习活跃时间比来衡量:
其中:tt为分心时间,t为总学习时间;分心时间由服务对象全学习痕迹中记录的页面超出停顿限制时间、页面切出时间和页面额外滚动时间组成;
⑥大纲完成情况通过大纲要求完成比来衡量,指以一个知识元为单元,服务对象经过学习后大纲逐条完成度与该条大纲的重要程度乘积累加之后与大纲整体要求的完成度之比,则一个知识元的大纲完成情况的计算方式为:
其中:di为第i条大纲的重要程度,pi为第i条大纲服务对象的完成度,A为大纲整体要求的完成度;
上述的单个自我拓展能力、单个实践能力、单个集中力和单个大纲完成情况,其总体拓展能力、实践能力、集中力、大纲完成情况采用迭代更新的方式获得:
其中,i={1,2,3,4}分别表示自我拓展能力、实践能力、集中力和大纲完成情况,pi表示单个指标的数值,ni表示单个指标的评测次数,迭代开始时Ti=0;
总的多维度综合学习评价:
Estu=(I,P,Cd,F,E,Pra)WT
其中,I、P、Cd、F、E、Pra分别为智力竞争力、坚持力、大纲完成情况、集中力、自我拓展能力和实践能力,W=(w1,w2,w3,w4,w5,w6)为权重,权重W通过专家获取或通过层次分析法获取。
7.根据权利要求1-3、5、6中任一项所述的多维度信息学情分析方法,其特征在于,评测结果分为实际评测结果和预期评测结果,其中实际测评结果的计算方式为:
其中,Gi表示第i题服务对象的得分;
预期测评结果的计算方式为:
其中,si为第i题的分值;θ为服务对象学习能力;Pi(θ)为服务对象答对第i题的正确率,正确率的计算方法为:
其中:D为常数,D=1.7;a为试题的区分度;b为试题的难度;c为猜测参数,表示服务对象的综合评价为负无穷时仍能答对的概率。
8.根据权利要求1-3、5、6中任一项所述的多维度信息学情分析方法,其特征在于,判定服务对象所属类别使用模糊聚类分析法与模糊模式识别法给出,包括:
根据多维度综合学习评价中各指标之间的关系,通过模糊聚类分析法,将服务对象分为若干种类型,系统或老师可以根据服务对象的类型,个性化定制教学方案,便于教师和系统针对服务对象类型进行资源推荐和教学调整,并且可以根据服务对象的全学习痕迹,动态变化类型;
依据服务对象的类型和多维度综合学习评价指标,使用模糊模式识别法判断服务对象所属的类别。
9.根据权利要求8所述的多维度信息学情分析方法,其特征在于,迭代优化个性化教学方案推荐模型以推荐教学方案的优良性为依据,推荐教学方案的优良性评估采用预期学习效果和实际学习效果的方差来衡量。
10.根据权利要求1-3、5、6、9中任一项所述的多维度信息学情分析方法,其特征在于,服务对象为学生或学习组织,学习组织包括班级、学校、学习组和/或兴趣组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073607.5A CN109858797B (zh) | 2019-01-25 | 2019-01-25 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073607.5A CN109858797B (zh) | 2019-01-25 | 2019-01-25 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858797A true CN109858797A (zh) | 2019-06-07 |
CN109858797B CN109858797B (zh) | 2023-01-20 |
Family
ID=66896211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073607.5A Active CN109858797B (zh) | 2019-01-25 | 2019-01-25 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858797B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473127A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 一种教师培养方法、装置、系统及存储介质 |
CN111340660A (zh) * | 2019-07-01 | 2020-06-26 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
CN112446009A (zh) * | 2019-09-02 | 2021-03-05 | 北京新唐思创教育科技有限公司 | 学习路径规划方法及装置、可读存储介质、服务器 |
CN113486255A (zh) * | 2021-09-08 | 2021-10-08 | 南京麦豆健康管理有限公司 | 一种基于互联网的产后线上咨询匹配系统及方法 |
CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
CN114662995A (zh) * | 2022-05-19 | 2022-06-24 | 山东经贸职业学院 | 基于人工智能的在线学习效果评估方法及系统 |
CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN117114941A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市微校互联科技有限公司 | 一种基于动态学情数据链的教育教学管理平台 |
CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575142A (zh) * | 2015-01-29 | 2015-04-29 | 上海开放大学 | 体验式数字化多屏无缝跨媒体互动开放教学实验室 |
CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
CN108563749A (zh) * | 2018-04-16 | 2018-09-21 | 中山大学 | 基于多维度信息和知识网络的在线教育系统资源推荐方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 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 |
-
2019
- 2019-01-25 CN CN201910073607.5A patent/CN109858797B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575142A (zh) * | 2015-01-29 | 2015-04-29 | 上海开放大学 | 体验式数字化多屏无缝跨媒体互动开放教学实验室 |
CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
CN108563749A (zh) * | 2018-04-16 | 2018-09-21 | 中山大学 | 基于多维度信息和知识网络的在线教育系统资源推荐方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 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 |
Non-Patent Citations (1)
Title |
---|
陈霞等: "一种学习路径规划的模型及方法", 《科研信息化技术与应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340660B (zh) * | 2019-07-01 | 2023-09-01 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
CN111340660A (zh) * | 2019-07-01 | 2020-06-26 | 黑龙江省华熵助晟网络科技有限公司 | 一种在线学习辅助系统及方法 |
CN110473127A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 一种教师培养方法、装置、系统及存储介质 |
CN112446009A (zh) * | 2019-09-02 | 2021-03-05 | 北京新唐思创教育科技有限公司 | 学习路径规划方法及装置、可读存储介质、服务器 |
CN112446009B (zh) * | 2019-09-02 | 2022-06-21 | 北京新唐思创教育科技有限公司 | 学习路径规划方法及装置、可读存储介质、服务器 |
CN112241447A (zh) * | 2020-12-18 | 2021-01-19 | 北京世纪好未来教育科技有限公司 | 一种学情数据处理方法、装置、计算机设备及存储介质 |
CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
CN113486255A (zh) * | 2021-09-08 | 2021-10-08 | 南京麦豆健康管理有限公司 | 一种基于互联网的产后线上咨询匹配系统及方法 |
CN113486255B (zh) * | 2021-09-08 | 2021-11-16 | 南京麦豆健康管理有限公司 | 一种基于互联网的产后线上咨询匹配系统及方法 |
CN114662995A (zh) * | 2022-05-19 | 2022-06-24 | 山东经贸职业学院 | 基于人工智能的在线学习效果评估方法及系统 |
CN116109456B (zh) * | 2023-04-03 | 2023-07-28 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
CN116109456A (zh) * | 2023-04-03 | 2023-05-12 | 成都大学 | 一种智慧教育综合评价方法、系统、电子设备及存储介质 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN116909339B (zh) * | 2023-09-14 | 2024-01-09 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN117114941A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市微校互联科技有限公司 | 一种基于动态学情数据链的教育教学管理平台 |
CN117114941B (zh) * | 2023-10-25 | 2024-02-09 | 深圳市微校互联科技有限公司 | 一种基于动态学情数据链的教育教学管理平台 |
CN117573985A (zh) * | 2024-01-16 | 2024-02-20 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
CN117573985B (zh) * | 2024-01-16 | 2024-04-05 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109858797B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858797A (zh) | 基于知识网络精准在线教育系统的多维度信息学情分析方法 | |
CN109919810A (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
CN107862970B (zh) | 一种用于翻转课堂的教学质量评价模型 | |
Käser et al. | Modeling and analyzing inquiry strategies in open-ended learning environments | |
CN113344053B (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 | |
CN112149994A (zh) | 一种基于统计分析的英语个人能力追踪学习系统 | |
CN114491057A (zh) | 基于知识图谱的学习路径推荐方法、系统、计算机及介质 | |
CN109615264A (zh) | 一种面向在线学习的学生积极度确定系统 | |
Huo et al. | Towards personalized learning through class contextual factors-based exercise recommendation | |
Sun et al. | The construction of undergraduate machine learning course in the artificial intelligence era | |
CN109635869A (zh) | 在线学习干预系统 | |
Zhang et al. | Formative evaluation of college students’ online English learning based on learning behavior analysis | |
Wang | Exploration on the operation status and optimization strategy of networked teaching of physical education curriculum based on AI algorithm | |
Hare et al. | Optimize student learning via random forest-based adaptive narrative game | |
Chang | Design and Application of Evaluation Method for Civics Classroom Based on CRITIC Fuzzy Algorithm | |
Nebot et al. | Fuzzy predictive models to help teachers in e-learning courses | |
Shi | Deep Learning for College English Education Evaluation | |
Xia | Prediction of learning behavior based on improved random forest algorithm | |
Chen et al. | Design of assessment judging model for physical education professional skills course based on convolutional neural network and few-shot learning | |
Han et al. | [Retracted] Quality Evaluation Method of College Sports Long Jump Training Course Based on Genetic Algorithm | |
Zhong et al. | Construction of Continuing Education Teaching Quality Evaluation System Based on BP Neural Network | |
Nguyen et al. | Using feed-forward backprop, perceptron, and self-organizing algorithms to predict students’ online behavior | |
Zou et al. | A novel learning early-warning model based on knowledge points and question types | |
CN114155124B (zh) | 一种试题资源推荐方法及系统 | |
Zuo et al. | Personalized Teaching Strategy of University Ideology Course Based on Lagrange Neural Network and Big Data Technology |
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 |