CN110046811B - 适合自适应学习的知识点追根溯源方法 - Google Patents
适合自适应学习的知识点追根溯源方法 Download PDFInfo
- Publication number
- CN110046811B CN110046811B CN201910265301.XA CN201910265301A CN110046811B CN 110046811 B CN110046811 B CN 110046811B CN 201910265301 A CN201910265301 A CN 201910265301A CN 110046811 B CN110046811 B CN 110046811B
- Authority
- CN
- China
- Prior art keywords
- knowledge points
- knowledge
- tracing
- students
- points
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了适合自适应学习的知识点追根溯源方法，所述知识点追根溯源方法包含以下步骤：步骤1：学生进行学习作业，以触发追根溯源；步骤2：寻找知识图谱内关联的前置知识点；步骤3：衡量已选择知识点推送优先度的维度指标；步骤4：对维度指标进行排序；步骤5：对知识点进行排序，学生进行补漏学习。该适合自适应学习的知识点追根溯源方法，是基于知识图谱理论以及加权和模型(WSM)的针对学生薄弱知识点的追根溯源方法，根据本课次的薄弱知识点得出与之关联的前置薄弱知识点，并根据一定的维度指标结合相应的算法得出这些知识点推送的优先顺序，从而不仅能够看到学生的知识点掌握情况，更能够对学生的基础知识进行补漏。
Description
技术领域
本发明涉及一种学习方法，具体为适合自适应学习的知识点追根溯源方法。
背景技术
在对学生进行测试阶段的知识漏洞检测时，系统会根据学生的做题情况用已有算法进行知识点薄弱或掌握程度的判定，从而根据此判定情况有针对性地规划学习路线；
已有技术的问题是，只能看到学生在测试范围内的知识点掌握情况，当学生大部分知识点都没掌握时，说明学生很可能不仅是范围内的知识点没掌握那么简单，也许需要追溯到学生更前面、更基础的知识点来得知学生知识点漏洞的根源，从而更好地帮助学生，而此时系统里没有一个完整全面的追溯学生哪些基础知识点不会的方法；
因此，我们提出适合自适应学习的知识点追根溯源方法，以便于解决上述中提出的问题。
发明内容
本发明的目的在于提供适合自适应学习的知识点追根溯源方法，以解决上述背景技术提出的目前只能看到学生在测试范围内的知识点掌握情况，不能够对学生前面基础的知识点进行补漏，不利于更好地帮助学生的问题。
为实现上述目的，本发明提供如下技术方案：适合自适应学习的知识点追根溯源方法，所述知识点追根溯源方法包含以下步骤：
步骤1：学生进行学习作业，以触发追根溯源；
步骤2：寻找知识图谱内关联的前置知识点；
步骤3：衡量已选择知识点推送优先度的维度指标；
步骤4：对维度指标进行排序；
步骤5：对知识点进行排序，学生进行补漏学习。
优选的，所述步骤1中触发追根溯源的触发条件为某课次所有薄弱知识点都没学会，且本课次之前至少已完成3个课次的学习阶段(至少大致已有1个月的学习)。
优选的，所述步骤2中寻找关联的前置知识点的寻找选择方法为寻找选择知识图谱中所有与本课次薄弱知识点相关联的前置知识点。
优选的，所述步骤3中的维度指标包含以下指标：
(1)、效果：薄弱程度(Weakness，W)——当前能力值(0，α)，
(能力值为基于IRT理论的对学生能力的衡量，α为判断知识点掌握与否的阈值)；
(2)、准确：关联紧密程度(Distance，D)——知识点间的平均距离[1，+∞)；
(3)、效率：关联知识点数(Connection，C)——数量[1，+∞)。
优选的，所述步骤4中对维度指标进行排序的方法为：
(1)、当前能力值(W)越小，越薄弱，排序越优先(weakness_ranking值小)；
(2)、平均距离(D)越小，越紧密，排序越优先(distance_ranking值小)；
(3)、关联知识点数(C)越多，效率越高，排序越优先(connection_ranking值小)。
优选的，所述步骤5中知识点排序推送优选顺序的算法为Weighted Sum Model(WSM)：
其中N代表供选择的维度数量，aij是i知识点在j维度下的值，wj是j维度的权重；
同时W1，W2，W3分别对应W，D，C的权重，其中W1+W2+W3＝1。
优选的，所述Weighted Sum Model(WSM)的算法公式得出的每个知识点的各个维度排名取值的加权和(Weighted_ranking)为最终排序标准，且Weighted_ranking值最大的知识点则为最优先选择推送。
优选的，所述知识点的Weighted_ranking值相同时，则参照知识点的W，D，C的权重进行排序，且其排序方式为W，D，C依次参照。
优选的，所述知识点的Weighted_ranking值相同和知识点的W的权重均相同时，则参照D和C的权重；
若D和C的权重相同时，则知识点随机进行推送；
若D和C的权重不相同时，则优先推送D排名高的知识点。
与现有技术相比，本发明的有益效果是：该适合自适应学习的知识点追根溯源方法，是基于知识图谱理论以及加权和模型(WSM)的针对学生薄弱知识点的追根溯源方法，根据本课次的薄弱知识点得出与之关联的前置薄弱知识点，并根据一定的维度指标结合相应的算法得出这些知识点推送的优先顺序，从而不仅能够看到学生的知识点掌握情况，更能够对学生的基础知识进行补漏，有利于帮助学生学习使用；
1)、该方法能够真正地切中学生的知识漏洞根源，而非仅在限定知识点范围内得出学生的薄弱点，有利于帮助学生学习。
2)、能够利用算法直接将知识点的薄弱程度和与其他知识点的关联情况相结合得出知识点推送顺序，有利于保证客观全面。
3)、对目前系统的推动作用是：在特定范围内几乎所有知识点都薄弱的情况下，也能追溯到学生哪些更基础的知识点没学会，从而更加精准地扫描知识漏洞。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：适合自适应学习的知识点追根溯源方法，知识点追根溯源方法包含以下步骤：
步骤1：学生进行学习作业，以触发追根溯源；
步骤2：寻找知识图谱内关联的前置知识点；
步骤3：衡量已选择知识点推送优先度的维度指标；
步骤4：对维度指标进行排序；
步骤5：对知识点进行排序，学生进行补漏学习。
步骤1中触发追根溯源的触发条件为某课次所有薄弱知识点都没学会，且本课次之前至少已完成3个课次的学习阶段(至少大致已有1个月的学习)，通过前置的几个课次的学习，便于了解学生的基础掌握程度，有利于保证该方法的使用准确性，便于学生学习使用。
步骤2中寻找关联的前置知识点的寻找选择方法为寻找选择知识图谱中所有与本课次薄弱知识点相关联的前置知识点，便于根据学生薄弱的知识点，针对的进行训练，有利于对学生薄弱的知识点进行查缺补漏，能够真正地切中学生的知识漏洞根源，而非仅在限定知识点范围内得出学生的薄弱点，有利于提高学生学习成绩。
步骤3中的维度指标包含以下指标：(1)、效果：薄弱程度(Weakness，W)——当前能力值(0，α)，(能力值为基于IRT理论的对学生能力的衡量，α为判断知识点掌握与否的阈值)；(2)、准确：关联紧密程度(Distance，D)——知识点间的平均距离[1，+∞)；(3)、效率：关联知识点数(Connection，C)——数量[1，+∞)，从多方面考虑学生薄弱知识点情况，便于保证知识点推送的精确。
步骤4中对维度指标进行排序的方法为：
(1)、当前能力值(W)越小，越薄弱，排序越优先(weakness_ranking值小)；(2)、平均距离(D)越小，越紧密，排序越优先(distance_ranking值小)；(3)、关联知识点数(C)越多，效率越高，排序越优先(connection_ranking值小)，便于根据W，D，C的权重进行排序。
步骤5中知识点排序推送优选顺序的算法为Weighted Sum Model(WSM)：
其中N代表供选择的维度数量，aij是i知识点在j维度下的值，wj是j维度的权重；
同时W1，W2，W3分别对应W，D，C的权重，其中W1+W2+W3＝1，Weighted Sum Model(WSM)的算法公式得出的每个知识点的各个维度排名取值的加权和(Weighted_ranking)为最终排序标准，且Weighted_ranking值最大的知识点则为最优先选择推送，便于参考具体参数，将知识点的薄弱程度和与其他知识点的关联情况相结合得出知识点推送顺序，客观全面。
知识点的Weighted_ranking值相同时，则参照知识点的W，D，C的权重进行排序，且其排序方式为W，D，C依次参照，知识点的Weighted_ranking值相同和知识点的W的权重均相同时，则参照D和C的权重；若D和C的权重相同时，则知识点随机进行推送；若D和C的权重不相同时，则优先推送D排名高的知识点，便于根据学生的掌握程度进行推送知识点，便于帮助学生更好的进行学习。
实施例1：
学生首先进行课次的学习，触发追根溯源方法的运行条件；
假设本课次知识点在知识图谱上关联的薄弱知识点有10个，其维度取值如下：
然后对知识点的这些维度指标进行排名，排名如下：
再将排名映射到百分位数(Percentile)，具体如下：
将W，D，C用WSM算法以一定比例加成(本例以0.5，0.3，0.2的比例加成)，得到如下结果：
从上表中，得出知识点排序顺序，当Weighted_ranking值越高时，越优先学该知识点，故KP10应该最先学，其次是KP6，以此类推。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术，需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种适合自适应学习的知识点追根溯源方法，其特征在于：所述知识点追根溯源方法包含以下步骤：
步骤1：学生进行学习作业，以触发追根溯源；其中，触发追根溯源的触发条件为某课次所有薄弱知识点都没学会，且本课次之前至少已完成3个课次或1个月的学习阶段；以及，如果未达到所述触发条件，则不触发追根溯源；
步骤2：寻找知识图谱内关联的前置知识点；其中，在所述知识图谱中选择所有与本课次薄弱知识点相关联的前置知识点；
步骤3：衡量已选择知识点推送优先度的维度指标；其中，得出所述知识图谱内关联的所述前置知识点的薄弱程度、关联紧密程度和关联知识点数三个指标；其中：
所述薄弱程度用于代表效果，以当前能力值（0，α）表示，其中所述当前能力值为基于IRT理论的对学生能力的衡量，α为判断知识点掌握与否的阈值，所述当前能力值越小表示越薄弱，则排序越优先；
所述关联紧密程度用于代表准确，以知识点间的平均距离[1，+∞)表示，所述平均距离越小表示越紧密，则排序越优先；以及
所述关联知识点数用于代表效率，以知识点数量[1，+∞)表示，所述关联知识点数越多表示效率越高，则排序越优先；
步骤4：对所述维度指标进行排序；其中，将所述前置知识点的所述薄弱程度、所述关联紧密程度和所述关联知识点数的取值进行排名，并将排名值转为百分位数进行映射转换；
步骤5：根据所述维度指标对知识点进行排序，学生进行补漏学习；其中，得出每个知识点的所述维度指标的加权和作为最终排序标准，将所述维度指标的所述加权和最大的知识点作优先推送给学生学习；
其中，根据所述维度指标对知识点进行排序的步骤进一步包括：
判断是否存在两个或多个知识点的所述加权和相等；
如果不存在两个或多个知识点的所述加权和相等，则结束判断，根据所述加权和的顺序向学生推送，优先推送所述加权和排名高的知识点；
如果存在两个或多个知识点的所述加权和相等，则进一步判断所述两个或多个知识点的所述薄弱程度是否相等；
如果所述薄弱程度不相等，则根据所述薄弱程度的顺序向学生推送，优先推送所述薄弱程度排名高的知识点；
如果所述薄弱程度相等，则进一步判断所述两个或多个知识点的所述关联紧密程度和所述关联知识点数是否相等；
如果所述关联紧密程度和所述关联知识点数不相等，则根据所述关联紧密程度的顺序向学生推送，优先推送所述关联紧密程度排名度的知识点；
如果所述关联紧密程度和所述关联知识点数相等，则根据随机的顺序向学生推送。
2.根据权利要求1所述的一种适合自适应学习的知识点追根溯源方法，其特征在于：所述步骤5中知识点排序推送优选顺序的算法为Weighted Sum Model：
其中N代表供选择的维度数量，
是i知识点在j维度下的值，
是j维度的权重；
同时 W1、W2、W3分别对应所述当前能力值、所述平均距离、所述关联知识点数的权重，其中W1+W2+W3=1。
3.根据权利要求2所述的一种适合自适应学习的知识点追根溯源方法，其特征在于：所述Weighted Sum Model的算法公式得出的每个知识点的各个维度排名取值的加权和为最终排序标准，且所述加权和的值最大的知识点则为最优先选择推送。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910265301.XA CN110046811B (zh) | 2019-04-03 | 2019-04-03 | 适合自适应学习的知识点追根溯源方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910265301.XA CN110046811B (zh) | 2019-04-03 | 2019-04-03 | 适合自适应学习的知识点追根溯源方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110046811A CN110046811A (zh) | 2019-07-23 |
| CN110046811B true CN110046811B (zh) | 2021-08-20 |
Family
ID=67276049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910265301.XA Active CN110046811B (zh) | 2019-04-03 | 2019-04-03 | 适合自适应学习的知识点追根溯源方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110046811B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242518A (zh) * | 2020-03-25 | 2020-06-05 | 上海乂学教育科技有限公司 | 适合智适应系统的学习流程配置方法 |
| CN113806550A (zh) * | 2021-04-15 | 2021-12-17 | 京东科技控股股份有限公司 | 个性化知识图谱的生成方法、装置及计算机设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8909653B1 (en) * | 2012-02-06 | 2014-12-09 | Su-Kam Intelligent Education Systems, Inc. | Apparatus, systems and methods for interactive dissemination of knowledge |
| CN109388744A (zh) * | 2017-08-11 | 2019-02-26 | 北京龙之门网络教育技术股份有限公司 | 一种自适应学习推荐方法及装置 |
| CN108806341B (zh) * | 2018-03-29 | 2020-12-15 | 上海松鼠课堂人工智能科技有限公司 | 一种最优个性化学习路径规划方法 |
| CN108550292B (zh) * | 2018-04-16 | 2020-11-24 | 中山大学 | 一种在线教育系统的学习资源多层组织与表示方法 |
-
2019
- 2019-04-03 CN CN201910265301.XA patent/CN110046811B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110046811A (zh) | 2019-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903617B (zh) | 个性化练习方法和系统 | |
| CN106528433B (zh) | 一种用于白盒测试的测试用例优先级排序方法 | |
| CN111858906B (zh) | 习题推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN110046811B (zh) | 适合自适应学习的知识点追根溯源方法 | |
| CN110009957A (zh) | 自适应学习中数学大知识图谱测试系统及方法 | |
| CN111651677B (zh) | 课程内容推荐方法、装置、计算机设备和存储介质 | |
| CN107203582A (zh) | 一种基于项目反应理论分析结果的智能组题方法 | |
| CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
| CN110009956A (zh) | 英语语法自适应学习方法及学习装置 | |
| CN111651676A (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
| Pardos et al. | Towards moment of learning accuracy | |
| CN109446483B (zh) | 一种用于包含主观信息的客观题的机器判卷方法 | |
| CN110046789A (zh) | 一种学生信息素养测评试卷的自动生成方法及系统 | |
| CN116383481A (zh) | 一种基于学生画像的个性化试题推荐方法及系统 | |
| CN112612909B (zh) | 一种基于知识图谱的智能试卷质量评测方法 | |
| CN111627289A (zh) | 一种导航雷达模拟训练效果评价方法 | |
| CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
| CN107301226A (zh) | 一种问答系统中检索自模块的自动评价方法 | |
| CN115438152B (zh) | 一种基于多神经网络与知识图谱的简答题评分方法及系统 | |
| Yingzhuo et al. | Comprehensive evaluation model of elective subjects’ performance in the college entrance examination based on entropy weight TOPSIS | |
| Kardan et al. | A method to automatically construct a user knowledge model in a forum environment | |
| CN105336235A (zh) | 一种用于智能学习系统的分值设定方法 | |
| CN115455163A (zh) | 一种知识图谱问答模型的训练方法、对话生成方法及装置 | |
| CN104636636A (zh) | 蛋白质远程同源性检测方法及装置 | |
| CN111178770B (zh) | 答题数据评估和学习图像构建方法、装置及存储介质 |
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 | ||
| CB02 | Change of applicant information |
Address after: 200025 B381 room 588, Tianlin East Road, Xuhui District, Shanghai. Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co., Ltd Address before: 200025 B381 room 588, Tianlin East Road, Xuhui District, Shanghai. Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |