CN109978739A - 基于知识点掌握程度的自适应学习方法及计算机系统 - Google Patents
基于知识点掌握程度的自适应学习方法及计算机系统 Download PDFInfo
- Publication number
- CN109978739A CN109978739A CN201910219760.4A CN201910219760A CN109978739A CN 109978739 A CN109978739 A CN 109978739A CN 201910219760 A CN201910219760 A CN 201910219760A CN 109978739 A CN109978739 A CN 109978739A
- Authority
- CN
- China
- Prior art keywords
- point
- user
- knowledge point
- grasping level
- time period
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000007786 learning performance Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000009514 concussion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000555745 Sciuridae Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于知识点掌握程度的自适应学习方法及计算机系统，包括：采集第一时间段内、针对当前知识点的用户行为数据；分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；根据所述分析结果获得用户对当前知识点的知识点掌握程度；根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。与现有技术相比，本发明具有学习内容推送准确度高等、有效提高用户学习效率优点。
Description
技术领域
本发明涉及学习装置技术领域，尤其是涉及一种基于知识点掌握程度的自适应学习方法及计算机系统。
背景技术
随着人工智能的大面积普及，与机器学习、深度学习、加强学习等计算机算法的深入研究，人工智能已经于无形中慢慢改变人们的生活方式，甚至提前帮着规划未来的生活方式。从无人驾驶汽车到无人飞机寄送快递，从智能家居到智能医生，从谷歌的“Alpha Go”到阿里巴巴的“莎士比亚”，如果说过去的十年是“互联网+”时代，那么接下来的十年注定是“人工智能+”时代。
在教育人工智能领域也产生了许多智能教育系统，如松鼠AI，其通过将传统的K12教育的知识点拆分成纳米级知识点，对学生的学习能力进行评测，精准扫描学生知识漏洞，智适应的推荐最合适的知识点，提高学生学习效率。现有在线教育系统中，对于学生水平的衡量维度主要在学生的知识点能力值上，虽然通过各知识点能力值的检测也可以追踪测量学生在该知识点下的学生水平，但其还存在如下缺点：
·学生做对题目，能力值提高；做错题目，能力值降低。能力值跟做题情况契合程度太高，导致在某些情景下，对于学生能力的反应过于灵敏，对于实际情况中的学生回答情况，不具有包容性。
·能力值对于学生的区分度不够。单纯的比较能力值的大小来评测学生水平的高低是有所偏颇的，需要将更多的实际因素纳入考虑范围内。
而随着用户要求的不断提高、系统性能的不断升级以及多种模型的不断实现，现有的衡量维度显得有点单薄，难于准确地为学生制定用户画像并规划学习路径。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于知识点掌握程度的自适应学习方法及计算机系统。
本发明的目的可以通过以下技术方案来实现：
一种基于知识点掌握程度的自适应学习方法，包括：
采集第一时间段内、针对当前知识点的用户行为数据；
分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
根据所述分析结果获得用户对当前知识点的知识点掌握程度；
根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
进一步地，所述用户峰值表现信息包括所述第一时间段内、针对当前知识点的最高能力值。
进一步地，所述用户终止表现信息包括第二时间段内、针对当前知识点的多次能力值，所述第二时间段为第一时间段中离采样时间点最近的一段设定时间，所述采样时间点为第一时间段的终点。
进一步地，所述用户稳定性信息包括所述第二时间段内、针对当前知识点的平均能力值。
进一步地，所述知识点掌握程度的获得公式为：
其中，Mastery为知识点掌握程度，abi为第二时间段内第i个知识点能力值，n为第二时间段内知识点能力值总个数，abpeak为第一时间段内的最高能力值，λ为放大因子。
本发明还提供一种基于知识点掌握程度的自适应学习计算机系统，包括：
采集模块，用于采集第一时间段内、针对当前知识点的用户行为数据；
分析模块，用于分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
计算模块，用于根据所述分析结果获得用户对当前知识点的知识点掌握程度；
推送模块，根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
进一步地，所述用户峰值表现信息包括所述第一时间段内、针对当前知识点的最高能力值。
进一步地，所述用户终止表现信息包括第二时间段内、针对当前知识点的多次能力值，所述第二时间段为第一时间段中离采样时间点最近的一段设定时间，所述采样时间点为第一时间段的终点。
进一步地，所述用户稳定性信息包括所述第二时间段内、针对当前知识点的平均能力值。
进一步地，所述知识点掌握程度的获得公式为：
其中，Mastery为知识点掌握程度，abi为第二时间段内第i个知识点能力值，n为第二时间段内知识点能力值总个数，abpeak为第一时间段内的最高能力值，λ为放大因子。
与现有技术相比，本发明具有以如下有益效果：
1)本发明学习方法基于对知识点的掌握程度产生学习计划并推送学习内容，该掌握程度通过能力值峰值产生提拉作用，可以更好地区分不同的学生在同一个知识点的学习表现情况的差别，学习内容推送准确度高。
2)本发明掌握程度从多个维度将用户的峰值表现、终止表现及水平稳定程度等计入考量，最大程度地考虑了用户行为数据，进而得到客观准确的用户水平，有效提高用户的学习效率。
附图说明
图1为本发明的流程示意图；
图2为本发明知识点掌握程度与能力值的对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例一种基于知识点掌握程度的自适应学习方法，包括以下步骤：
采集第一时间段内、针对当前知识点的用户行为数据；
分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
根据所述分析结果获得用户对当前知识点的知识点掌握程度；
根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
所述用户行为数据包括用户针对当前知识点的答题对错数据。
基于心理学中的“峰终效应”，用户对体验的记忆由两个因素决定：高峰(无论是正向的还是负向的)时与结束时的感觉。本发明通过对峰值表现和终止表现的记录来还原用户在该次知识点学习体验中的掌握程度。
本发明对分析结果进行了设置，具体地，所述用户峰值表现信息包括所述第一时间段内、针对当前知识点的最高能力值Peak Performance，对应于峰终效应的“峰”；所述用户终止表现信息包括第二时间段内、针对当前知识点的多次能力值Recency，对应于峰终效应的“终”，所述第二时间段为第一时间段中离采样时间点最近的一段设定时间，所述采样时间点为第一时间段的终点；所述用户稳定性信息包括所述第二时间段内、针对当前知识点的平均能力值Consistency。上述知识点的能力值与该知识点的正误率成正比。
对知识点掌握程度的各指标具体描述如下：
Recency：
Recency代表学生用户在某知识点下、做题序列对应能力值序列的最近的若干次学习表现。因为最初设计之初是为了衡量学生对于某知识点的掌握程度，而该学生最近的若干次学习表现就是对当下知识点学习情况的最佳反馈。甚至可以参考上一个知识点的学习情况，对于学生的近期学习情况有一个初步的衡量。Recency也构成了衡量学生掌握程度的最重要的因素。
Peak Performance：
Peak Performance代表学生的历史最佳表现。引入这个变量，是为了进一步有效区分最近稳定能力值相近、但内在潜能不同的学生，学生的最佳表现，代表着该学生表现的上限，也可以近似的看作学生的潜能体现，在掌握程度的模型中，将其纳入考量，进一步区分不同学生的掌握程度水平。
Consistency：
Consistency代表学生学习稳定情况。单纯的依赖能力值衡量学生的学习情况，因为能力值和单题目的答题情况耦合度很高(答对会提升能力值，而答错则影响能力值)，会造成学生的能力值序列震荡明显，引入Consistency因素，用来代表学生在一段时间内的平均表现，可以在一定程度上消除上述震荡。除此之外，稳定的学习表现亦是衡量学生对于知识点掌握情况的重要指标。
所述知识点掌握程度的获得公式为：
其中，Mastery为知识点掌握程度，abi为第二时间段内第i个知识点能力值，n为第二时间段内知识点能力值总个数，abpeak为第一时间段内的最高能力值，λ为放大因子，表示对于掌握程度的影响程度，取值范围为0.01-0.2。
上述知识点掌握程度的公式中，第一部分计算因子R1代表学生在某知识点下、做题序列对应能力值序列的最接近当下的N个“最近能力值”，而对N个最近值求平均后，会得到经过自适应后、学生的最近稳定能力值(同时考虑了Recency和Consistency)，成为代表掌握程度的关键指数；第二部分计算R2代表学生能力值变化序列中曾经出现过的峰值，能够有效区分最近稳定能力值相近、但内在潜能不同的学生。
上述知识点掌握程度以设定时间间隔进行采样获取，根据实时变化的知识点掌握程度产生学习计划及相应学习内容，进行学习推送，有效提高用户学习效率和有效性。采样时间点与各知识点能力值的时间点相匹配，无延时性，且掌握程度与能力值的值域相同。
如图1所示，上述学习方法的流程如下：
实时根据用户的作答情况评估能力值，并记录在相应的数据库中；
从用户的历史记录中，取出该用户针对各个已经学习过的知识点的最高能力值，及最近若干次能力值；
得到该用户在各个知识点下的掌握程度，该掌握程度随着用户能力值的改变而实时发生改变，可以更好地实时追踪反应用户对于知识点的掌握情况；
根据掌握程度产生针对该当前知识点的学习内容并推送，完成学习任务。
为了测试掌握程度，通过智适应系统的测试平台，模拟了一个学生的学习路径，并生成了系统对其能力值评估序列：[0.39,0.53,0.76,0.87,0.8,0.9,0.96,0.97,0.25,0.63,0.34]，同时分别计算对应的掌握程度，并绘制能力值和掌握程度的对比图，如图2所示。
从图2的两条曲线的走势，可以看出掌握程度曲线对于能力值曲线走势的拟合程度较高，当能力值提升或者下降的时候，掌握也随着上升或者下降，继承了能力值对于学生测评的实时性的优势；同时对于学生做题正答情况不稳定，会产生能力值曲线震荡，而掌握程度曲线反而会有一定程度的拉平。若单纯的依赖能力值，对于学生水平的测评会有些许过于真实，也显得过于苛刻，而掌握程度可以适当地缓解上述情况。
同时，因为掌握程度实时反应能力值的变化，而能力值是随着学生的做题表现而实时变化，因此掌握程度的引用，丰富了学生的区分维度；同时也针对能力值的缺点进行了一定程度的补强，对于智适应系统更好的追踪学生学习表现，反应学生对于各个知识点的掌握情况提供了有力的依据。
实施例2
本实施例与实施例1相对应。本实施例提供一种基于知识点掌握程度的自适应学习计算机系统，是一种智适应学习系统，包括：
采集模块，用于采集第一时间段内、针对当前知识点的用户行为数据；
分析模块，用于分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
计算模块，用于根据所述分析结果获得用户对当前知识点的知识点掌握程度；
推送模块，根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于知识点掌握程度的自适应学习方法，其特征在于，包括：
采集第一时间段内、针对当前知识点的用户行为数据；
分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
根据所述分析结果获得用户对当前知识点的知识点掌握程度；
根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
2.根据权利要求1所述的基于知识点掌握程度的自适应学习方法，其特征在于，所述用户峰值表现信息包括所述第一时间段内、针对当前知识点的最高能力值。
3.根据权利要求2所述的基于知识点掌握程度的自适应学习方法，其特征在于，所述用户终止表现信息包括第二时间段内、针对当前知识点的多次能力值，所述第二时间段为第一时间段中离采样时间点最近的一段设定时间，所述采样时间点为第一时间段的终点。
4.根据权利要求3所述的基于知识点掌握程度的自适应学习方法，其特征在于，所述用户稳定性信息包括所述第二时间段内、针对当前知识点的平均能力值。
5.根据权利要求4所述的基于知识点掌握程度的自适应学习方法，其特征在于，所述知识点掌握程度的获得公式为：
其中，Mastery为知识点掌握程度，abi为第二时间段内第i个知识点能力值，n为第二时间段内知识点能力值总个数，abpeak为第一时间段内的最高能力值，λ为放大因子。
6.一种基于知识点掌握程度的自适应学习计算机系统，其特征在于，包括：
采集模块，用于采集第一时间段内、针对当前知识点的用户行为数据；
分析模块，用于分析所述用户行为数据得到分析结果，所述分析结果包括该第一时间段内的用户峰值表现信息、用户终止表现信息和用户稳定性信息；
计算模块，用于根据所述分析结果获得用户对当前知识点的知识点掌握程度；
推送模块，根据所述知识点掌握程度产生针对该当前知识点的学习内容并推送。
7.根据权利要求6所述的基于知识点掌握程度的自适应学习计算机系统，其特征在于，所述用户峰值表现信息包括所述第一时间段内、针对当前知识点的最高能力值。
8.根据权利要求7所述的基于知识点掌握程度的自适应学习计算机系统，其特征在于，所述用户终止表现信息包括第二时间段内、针对当前知识点的多次能力值，所述第二时间段为第一时间段中离采样时间点最近的一段设定时间，所述采样时间点为第一时间段的终点。
9.根据权利要求8所述的基于知识点掌握程度的自适应学习计算机系统，其特征在于，所述用户稳定性信息包括所述第二时间段内、针对当前知识点的平均能力值。
10.根据权利要求9所述的基于知识点掌握程度的自适应学习计算机系统，其特征在于，所述知识点掌握程度的获得公式为：
其中，Mastery为知识点掌握程度，abi为第二时间段内第i个知识点能力值，n为第二时间段内知识点能力值总个数，abpeak为第一时间段内的最高能力值，λ为放大因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910219760.4A CN109978739A (zh) | 2019-03-22 | 2019-03-22 | 基于知识点掌握程度的自适应学习方法及计算机系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910219760.4A CN109978739A (zh) | 2019-03-22 | 2019-03-22 | 基于知识点掌握程度的自适应学习方法及计算机系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109978739A true CN109978739A (zh) | 2019-07-05 |
Family
ID=67080034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910219760.4A Pending CN109978739A (zh) | 2019-03-22 | 2019-03-22 | 基于知识点掌握程度的自适应学习方法及计算机系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978739A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112214651A (zh) * | 2020-07-27 | 2021-01-12 | 上海乂学教育科技有限公司 | 智能学习竞赛系统及方法 |
| 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 |
| CN114730529A (zh) * | 2019-11-11 | 2022-07-08 | 株式会社Ｚ会 | 学习效果推定装置、学习效果推定方法以及程序 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| US20180150754A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Data analysis method, system and non-transitory computer readable medium |
| CN108563780A (zh) * | 2018-04-25 | 2018-09-21 | 北京比特智学科技有限公司 | 课程内容推荐方法和装置 |
-
2019
- 2019-03-22 CN CN201910219760.4A patent/CN109978739A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787839A (zh) * | 2016-03-23 | 2016-07-20 | 成都准星云学科技有限公司 | 一种学习资源推送方法和装置 |
| US20180150754A1 (en) * | 2016-11-25 | 2018-05-31 | Industrial Technology Research Institute | Data analysis method, system and non-transitory computer readable medium |
| CN108563780A (zh) * | 2018-04-25 | 2018-09-21 | 北京比特智学科技有限公司 | 课程内容推荐方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 郭振华: ""行为保险学系列（八） 决策效用、体验效用与保险决策"", 《上海保险》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114730529A (zh) * | 2019-11-11 | 2022-07-08 | 株式会社Ｚ会 | 学习效果推定装置、学习效果推定方法以及程序 |
| 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 |
| CN112214651A (zh) * | 2020-07-27 | 2021-01-12 | 上海乂学教育科技有限公司 | 智能学习竞赛系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978739A (zh) | 基于知识点掌握程度的自适应学习方法及计算机系统 | |
| CN110188633B (zh) | 人体体态指标预测方法、装置、电子设备及存储介质 | |
| CN109360457A (zh) | 一种题目推送方法、存储介质、及应用系统 | |
| CN111831831A (zh) | 一种基于知识图谱的个性化学习平台及其构建方法 | |
| CN105223240A (zh) | 一种利用电子鼻检测蟹新鲜度的方法 | |
| CN105224920A (zh) | 一种将线下转入线上的学习测试诊断系统 | |
| CN109492594A (zh) | 基于深度学习网络的课堂听课者抬头率检测方法 | |
| CN112185558A (zh) | 基于深度学习的心理健康及康复评定方法、装置及介质 | |
| CN116340624A (zh) | 自适应学习信息推荐方法、装置、设备及存储介质 | |
| CN110458436A (zh) | 一种火工品可靠性指标的小样本验证方法 | |
| CN116466058B (zh) | 水质检测数据处理方法、水质评估系统、设备及介质 | |
| CN107392106A (zh) | 一种基于双门限的人体活动端点检测方法 | |
| CN110489602B (zh) | 知识点能力值预估方法、系统、设备及介质 | |
| CN111899137B (zh) | 一种基于手写时序数据的考试系统和方法 | |
| CN113077872A (zh) | 基于量表测试数据的群体心理状态多指标预测系统及装置 | |
| CN108920428A (zh) | 一种基于联合模糊扩张原理的模糊距离判别方法 | |
| CN111460128B (zh) | 一种基于认知诊断的计算机化自适应测验方法 | |
| Garfield et al. | Learning to reason about variability | |
| Zhang et al. | Multiple classification models based student's phobia prediction study | |
| Cheng et al. | The cognitive load evaluation based on EEG with k-nearest neighbor algorithm | |
| CN117766152B (zh) | 一种智能检测全身麻醉静脉管道链接脱落的方法 | |
| Li et al. | A knowledge tracing model based on attention mechanism | |
| CN109145869A (zh) | 基于二叉树的动物运动行为类别建模及判别方法、装置 | |
| US20220196538A1 (en) | Device for medical analyses with impedance signal processing | |
| CN111401764B (zh) | 一种基于cpn网络模型的图书馆用户满意度综合评估方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai, 2003 Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co., Ltd Address before: Room B381, 588 Tianlin East Road, Xuhui District, Shanghai, 2003 Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |
|
| RJ01 | Rejection of invention patent application after publication |