CN110059297A - 适用于自适应学习的知识点学习时长预测方法及其应用 - Google Patents
适用于自适应学习的知识点学习时长预测方法及其应用 Download PDFInfo
- Publication number
- CN110059297A CN110059297A CN201910321954.5A CN201910321954A CN110059297A CN 110059297 A CN110059297 A CN 110059297A CN 201910321954 A CN201910321954 A CN 201910321954A CN 110059297 A CN110059297 A CN 110059297A
- Authority
- CN
- China
- Prior art keywords
- knowledge point
- user
- prediction
- learning
- duration
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种适用于自适应学习的知识点学习时长预测方法及其应用,所述知识点学习时长预测方法包括:采集用户学习数据,所述用户学习数据包括用户知识点的先测能力值、用户其余已学完知识点的平均用时、用户查看解析率、知识点被掌握率、知识点被其余学生学完的平均用时、以及用户的学习模式;对所获得的数据进行数据预处理;构建预测回归模型,基于预处理后的数据,采用线性回归的方法,得出预测回归模型中的参数;进行模型诊断;基于使用所获参数的预测回归模型,获得用户知识点预测学习时长。与现有技术相比,本发明具有学习过程更加个性化、预测准确度高、科学性合理性高等优点。
Description
技术领域
本发明涉及学习装置技术领域,尤其是涉及一种适用于自适应学习的知识点学习时长预测方法及其应用。
背景技术
现如今,随着人工智能技术的发展,教育类产品中明显可见自适应学习模式的崛起,这类产品通过对学生在系统中的不同学习轨迹,给出不同的反馈,主要有学习效果的评估和个性化内容的推荐。但是,对学习成本的预测却不多见,比如比较核心的学习时长预测,即使有预测类的信息,也多是基于内容本身,而非学生个人情况。这种方式可能会比较简单的按照内容的特征进行建模,人的特征则没有在模型中体现出来,因此预测的个性化程度不高。
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适用于自适应学习的知识点学习时长预测方法及其应用。
本发明的目的可以通过以下技术方案来实现:
一种适用于自适应学习的知识点学习时长预测方法,包括以下步骤:
S1:采集用户学习数据,所述用户学习数据包括用户知识点学习时长,用户知识点的先测能力值、用户其余已学完知识点的平均用时、用户查看解析率、知识点被掌握率、知识点被其余学生学完的平均用时、以及用户的学习模式;
S2:对所获得的数据进行数据预处理;
S3;构建预测回归模型,基于预处理后的数据,采用线性回归的方法,得出预测回归模型中的参数;
S4:进行模型诊断;
S5:基于使用S3所获参数的预测回归模型,获得用户知识点预测学习时长。
进一步地,所述步骤S1中,
用户知识点学习时长(spent_time):该维度代表学生A完成知识点B的学习时长;
用户知识点的先测能力值(pre_ability):该维度代表了先测判断的学生A对知识点B的一个主观薄弱程度,使用基于项目反应理论IRT算法得出的先测阶段能力值;
用户其余已学完知识点的平均用时(other_kp_avgtime):该维度体现了学生A的学习习惯,用学生在之前已学完知识点的平均表现来表示;
用户查看解析率(view_analyze_ratio):该维度同样代表了学生A的学习习惯,由于系统中的解析是可以在做题过程中分步查看的(类似提示),因此可以看出学生是否倾向于寻求帮助,使用查看过解析的题目数除以存在解析的总题目数来表示;
知识点被掌握率(is_master_percentile):该维度代表了知识点B的客观被掌握情况,可以间接体现一个知识点的难易程度,用先测阶段该知识点被判断为掌握的学生数,除以测过该知识点的总人数来表示;
知识点被其余学生学完的平均用时(other_user_avgtime):该维度代表了知识点B的一个平均被学习情况,可以体现知识点本身的平均耗时情况,以此作为预测的参考水平。
用户的学习模式(online):系统学习数据的来源是两种,一种是线上,即学生在真人老师一对一的辅导下使用系统;一种是线下,即在当地合作校区,由老师统一管理一群学生使用系统;考虑到不同的学习模式对时长的影响,因此加入该变量。
进一步地,所述步骤S2中,数据预处理具体过程包括:
S201:将用户知识点学习时长转换为自然对数形式,因变量用户知识点学习时长是个极其右偏的分布,因此先将其转为自然对数形式;
S202:筛选掉异常数据,即用户知识点学习时长过长及过短,和整体上对回归参数影响过大的数据点;
S203:检验自变量是否冗余,即模型包含还是不包含某个自变量,是否有显著差异;进行多重共线性验证,确定不存在多重共线性的现象;
S204:对知识点的先测能力值进行组平均值调整,即将用户知识点的先测能力值转化为每个人在某知识点上相对于该知识点平均先测水平的先测能力值差异度,并重新拟合。
进一步地,所述步骤S3中,预测回归模型的结构表达式为:
ln(spent_time)=A+B1online+B2pre_ability+B3other_kp_avgtime
+B4other_user_avgtime+B5view_analyze_ratio
+B6is_master_percentile+B7interactions
式中,spent_time为用户知识点学习时长,online为用户的学习模式,pre_ability为用户知识点的先测能力值,other_kp_avgtime为用户其余已学完知识点的平均用时,other_user_avgtime为知识点被其余学生学完的平均用时,view_analyze_ratio为用户查看解析率,is_master_percentile为知识点被掌握率,interactions为交互项,{B1,B2...B7}为模型各自变量对应的拟合参数,A为最低用户知识点学习时长。
进一步地,所述交互项interactions具体定义为:分别建立知识点的先测能力值pre_ability、用户其余已学完知识点的平均用时other_kp_avgtime、知识点被其余学生学完的平均用时other_user_avgtime、用户查看解析率view_analyze_ratio、知识点被掌握率is_master_percentile与用户的学习模式online的子交互项,计算子交互项的贝叶斯信息准则BIC拟合参数、交互显著性和影响程度,选择综合影响最大的子交互项作为交互项interactions。
进一步地,所述步骤S4中,模型诊断包括:正态性、线性、异方差性诊断。模型诊断中,正态性和线性均问题不大,但由于涉及时长的变量仍难以避免地存在一些极端值,使得在预测合理时长范围之外的情况下,残差分布较为集中(异方差性),可能会影响此范围的预测准确性,后面合理预测范围的设定将帮助解决此问题。
进一步地,所述适用于自适应学习的知识点学习时长预测方法还包括:设定预测范围,超过该范围的预测学习时长分别按照两个边界值给出,预测范围的设定参考预测时长范围和实际时长范围、边界时间预测的准确性、以及呈现给学生的心理效果。
进一步地,根据数据增长速度,可定期重新拉数据进行模型拟合,得到最新的预测参数。
本发明还提供一种基于学习时长预测的自适应学习方法,包括以下步骤:
S1:采用如权利要求1所述的学习时长预测方法获得用户每个知识点预测学习时长;
S2:基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
S3:基于所述个性化学习路径推送学习内容。
进一步地,所述用户选择基于时间成本获得。
本发明还提供一种基于学习时长预测的自适应学习计算机系统,包括以下模块:
学习时长预测模块,用于采用如权利要求1所述的学习时长预测方法获得用户每个知识点预测学习时长;
学习路径获取模块,用于基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
推送模块,用于基于所述个性化学习路径推送学习内容。
进一步地,所述用户选择基于时间成本获得。
与现有技术相比,本发明具有以下有益效果:
(1)本发明预测知识点学习时长所用到的用户学习数据含有用户知识点学习时长,用户知识点的先测能力值、用户其余已学完知识点的平均用时、用户查看解析率、以及用户的学习模式,依据用户个人的历史表现,做到了“个性化预测”,真正了解到个体情况。
(2)本发明基于学习时长预测的自适应学习方法及计算机系统,结合了用户基于自身的学习成本的选择,大大提高了系统的灵敏度,使学习过程更加个性化。
(3)本发明充分利用了已有数据中学习时间的六种影响因素,大幅提高预测的准确性。
(4)本发明将因变量,即用户知识点学习时长,转换为自然对数形式;并筛选掉异常数据,保证了预测回归模型线性回归的可行性。
(5)本发明采用F检验验证自变量的必要性,采用多重共线性验证了自变量之间的关系,并对模型进行了正态性、线性、异方差性诊断,保证了本发明的科学性和合理性。
(6)本发明设定了预测范围,保证了预测的知识点学习时长的合理性,用户体验好。
(7)本发明后期调参方便,且可以随时加入新的时长影响因素作为自变量。
附图说明
图1为本发明具体实施的流程示意图;
图2为本发明实施例中用户知识点学习时长spent_time转对数前的分布示意图;
图3为本发明实施例中用户知识点学习时长转对数后ln(spent_time)的分布示意图;
图4为本发明实施例中各预测变量多重共线性验证结果示意图;
图5为本发明实施例中预测回归模型加入的交互项参数结果示意图;
图6为本发明实施例中用户学习知识点预测时长与实际时长的对比图。
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
1、整体简介
本实施例主要包含了先测阶段和学习阶段,学习阶段将学习先测阶段判定为薄弱的知识点,该方案的最终产出将是预测学生在学习阶段、学习不同知识点的不同用时。整体思路是:用线性回归的方法,基于当前产品流程的数据埋点和已有数据,将与学习时间高度相关的一些维度作为自变量(预测变量),知识点学习时长作为因变量(结果变量),由此得出预测回归模型中的参数。
2、变量描述
1)结果变量
用户知识点学习时长(spent_time):该维度代表学生A完成知识点B的学习时长。
2)预测变量
用户知识点的先测能力值(pre_ability):该维度代表了先测判断的学生A对知识点B的一个主观薄弱程度,使用基于项目反应理论IRT算法得出的先测阶段能力值;
用户其余已学完知识点的平均用时(other_kp_avgtime):该维度体现了学生A的学习习惯,用学生在之前已学完知识点的平均表现来表示;
用户查看解析率(view_analyze_ratio):该维度同样代表了学生A的学习习惯,由于系统中的解析是可以在做题过程中分步查看的(类似提示),因此可以看出学生是否倾向于寻求帮助,使用查看过解析的题目数除以存在解析的总题目数来表示;
知识点被掌握率(is_master_percentile):该维度代表了知识点B的客观被掌握情况,可以间接体现一个知识点的难易程度,用先测阶段该知识点被判断为掌握的学生数,除以测过该知识点的总人数来表示;
知识点被其余学生学完的平均用时(other_user_avgtime):该维度代表了知识点B的一个平均被学习情况,可以体现知识点本身的平均耗时情况,以此作为预测的参考水平;
用户的学习模式(online):系统学习数据的来源是两种,一种是线上:学生在真人老师一对一的辅导下使用系统;一种是线下:在当地合作校区,由老师统一管理一群学生使用系统;考虑到不同的学习模式对时长的影响,因此加入该变量。
3、具体流程
本发明计算预测学习时长的具体流程包括:
1)采集用户学习数据,所述用户学习数据包括用户知识点学习时长spent_time,用户知识点的先测能力值pre_ability、用户其余已学完知识点的平均用时other_kp_avgtime、用户查看解析率view_analyze_ratio、知识点被掌握率is_master_percentile、知识点被其余学生学完的平均用时other_user_avgtime、以及用户的学习模式online。
2)将因变量spent_time转为自然对数形式ln(spent_time)。同时用贝叶斯信息准则BIC拟合参数验证过,转对数后的因变量明显拟合度更高,其效果对比如图2和图3所示。
3)接下来,筛选掉一些异常数据:spent_time过长及过短,和整体上对回归参数影响过大的数据点,然后得到一组初步的拟合参数。
4)经F检验验证,预测变量无冗余,都加入建模,保证预测变量都是对模型有显著影响的变量;同时,多重共线性验证发现,不存在多重共线性的现象,VIF小于2.5。方差澎涨因子(Variance Inflation Factor,VIF)小于2.5则可用,本实施例VIF结果如图4所示。
5)对pre_abdiff进行“组平均值调整”变成pre_abdiff,即将用户知识点的先测能力值pre_abdiff转化为每个人在某知识点上相对于该知识点平均先测水平的先测能力值差异度pre_abdiff,重新拟合,得到一组新的参数。
6)之后,考虑“是否online”对其余变量系数的影响,分别建立知识点的先测能力值pre_ability、用户其余已学完知识点的平均用时other_kp_avgtime、知识点被其余学生学完的平均用时other_user_avgtime、用户查看解析率view_analyze_ratio、知识点被掌握率is_master_percentile与用户的学习模式online的子交互项,计算子交互项的贝叶斯信息准则BIC拟合参数、交互显著性和影响程度,选择综合影响最大的子交互项作为交互项interactions,本实施例留下了一组交互项--online*other_user_avgtime,本实施例交互项参数结果如图5所示,进而获得预测回归模型。
预测回归模型的结构表达式为:
ln(spent_time)=A+B1online+B2pre_ability+B3other_kp_avgtime
+B4other_user_avgtime+B5view_analyze_ratio
+B6is_master_percentile+B7interactions
式中,spent_time为用户知识点学习时长,online为用户的学习模式,pre_ability为知识点的先测能力值,other_kp_avgtime为用户其余已学完知识点的平均用时,other_user_avgtime为知识点被其余学生学完的平均用时,view_analyze_ratio为用户查看解析率,is_master_percentile为知识点被掌握率,interactions为交互项,{B1,B2...B7}为模型各自变量对应的拟合参数,A为最低用户知识点学习时长。
7)模型诊断中,正态性和线性均问题不大,但由于涉及时长的变量仍难以避免地存在一些极端值,使得在预测合理时长范围之外的情况下,残差分布较为集中(异方差性),可能会影响此范围的预测准确性,后面合理预测范围的设定将帮助解决此问题。
8)将预测ln(spent_time)转回预测spent_time(单位:秒),对比预测值和实际值如图6所示,参考上面的预测时长范围和实际时长范围、边界时间预测的准确性、以及呈现给学生的心理效果,我们设定了一个合理预测范围:5分钟到25分钟(300-1500秒)之间。因此,超过该范围的预测时长将分别按照两个边界值给出,其余预测值按照回归函数正常给出。
9)最后,将第5步最终模型的拟合参数用于产品流程中,用以计算学生学习具体知识点的预估时长。之后,根据数据增长速度,可定期更新预测参数。
如图1所示,本发明的具体实施流程如下:
1)学生进入系统后,会进行先行测试阶段,之后根据项目反应理论(IRT)算法记录用户知识点的先测能力值pre_ability,同时得到掌握状态,判定为未掌握的知识点将进入学习阶段。如果该学生全部掌握,则会跳过学习阶段;
2)学生一旦确定,从数据库里会同步取出该学生相关数据,得到该学生的online,并计算出other_kp_avgtime和view_analyze_ratio;
3)先测阶段完成后,该学生薄弱知识点列表已确定,这时会从数据库中取出各薄弱知识点的相关数据,由此计算出每个知识点的is_master_percentile和other_user_avgtime;
4)根据离线拟合的参数和以上6个自变量的值,为学生计算其在各个薄弱知识点的预测学习时长,并呈现在学习阶段刚开始的界面。学生可以根据自己的时间安排,选出想要优先查缺补漏的知识点;
5)进入学习阶段后,除了自适应算法本身的作用,也会结合学生考虑了时间成本之后的选择,即结合学生对知识点学习的优先级和个人的时间规划,来给出个性化的学习路径;
6)学习阶段结束后,系统呈现最终报告,对学生水平、学习效率、知识点掌握情况等维度进行评估。最后,退出系统。
4、内容优化
如果一个知识点预测时长出现大量上限值或下限值,即多个学生表现为这样的情况,那就可以结合历史时长和知识点难度等信息,看是否需要调整该知识点下的题目、难度标签等,调整后的题目或标签会更加合理精准。
实施例2
本实施例与实施例1相对应,提供一种基于学习时长预测的自适应学习方法,包括以下步骤:
S1:采用如实施例1所述的学习时长预测方法获得用户每个知识点预测学习时长;
S2:基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
S3:基于所述个性化学习路径推送学习内容。
其中,用户选择基于时间成本获得。
实施例3
本实施例与实施例2想对应,提供一种基于学习时长预测的自适应学习计算机系统,包括以下模块:
学习时长预测模块,用于采用如权利要求1所述的学习时长预测方法获得用户每个知识点预测学习时长;
学习路径获取模块,用于基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
推送模块,用于基于所述个性化学习路径推送学习内容。
其中,用户选择基于时间成本获得。
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)
1.一种适用于自适应学习的知识点学习时长预测方法,其特征在于,包括以下步骤:
S1:采集用户学习数据,所述用户学习数据包括用户知识点的先测能力值、用户其余已学完知识点的平均用时、用户查看解析率、知识点被掌握率、知识点被其余学生学完的平均用时、以及用户的学习模式;
S2:对所获得的数据进行数据预处理;
S3;构建预测回归模型,基于预处理后的数据,采用线性回归的方法,得出预测回归模型中的参数;
S4:进行模型诊断;
S5:基于使用S3所获参数的预测回归模型,获得用户知识点预测学习时长。
2.根据权利要求1所述的一种适用于自适应学习的知识点学习时长预测方法,其特征在于,所述步骤S2中,数据预处理具体过程包括:
S201:将用户知识点预测学习时长转换为自然对数形式;
S202:筛选掉一些异常数据;
S203:检验自变量是否冗余,进行多重共线性验证;
S204:对知识点的先测能力值进行组平均值调整,重新拟合。
3.根据权利要求1所述的一种适用于自适应学习的知识点学习时长预测方法,其特征在于,所述步骤S3中,预测回归模型的结构表达式为:
ln(spent_time)=A+B1online+B2pre_ability+B3other_kp_avgtime+B4other_user_avgtime+B5view_analyze_ratio+B6is_master_percentile+B7interactions
式中,spent_time为用户知识点学习时长,online为用户的学习模式,pre_ability为知识点的先测能力值,other_kp_avgtime为用户其余已学完知识点的平均用时,other_user_avgtime为知识点被其余学生学完的平均用时,view_analyze_ratio为用户查看解析率,is_master_percentile为知识点被掌握率,interactions为交互项,{B1,B2...B7}为模型各自变量对应的拟合参数,A为最低用户知识点学习时长。
4.根据权利要求3所述的一种适用于自适应学习的知识点学习时长预测方法,其特征在于,所述交互项interactions具体定义为:分别建立知识点的先测能力值pre_ability、用户其余已学完知识点的平均用时other_kp_avgtime、知识点被其余学生学完的平均用时other_user_avgtime、用户查看解析率view_analyze_ratio、知识点被掌握率is_master_percentile与用户的学习模式online的子交互项,计算子交互项的贝叶斯信息准则BIC拟合参数、交互显著性和影响程度,选择综合影响最大的子交互项作为交互项interactions。
5.根据权利要求1所述的一种适用于自适应学习的知识点学习时长预测方法,其特征在于,所述步骤S4中,模型诊断包括:正态性、线性、异方差性诊断。
6.根据权利要求1所述的一种适用于自适应学习的知识点学习时长预测方法,其特征在于,所述适用于自适应学习的知识点学习时长预测方法还包括:设定预测范围,超过该范围的知识点预测学习时长分别按照两个边界值给出。
7.一种基于学习时长预测的自适应学习方法,其特征在于,包括以下步骤:
S1:采用如权利要求1所述的学习时长预测方法获得用户每个知识点预测学习时长;
S2:基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
S3:基于所述个性化学习路径推送学习内容。
8.根据权利要求7所述的一种基于学习时长预测的自适应学习方法,其特征在于,所述用户选择基于时间成本获得。
9.一种基于学习时长预测的自适应学习计算机系统,其特征在于,包括以下模块:
学习时长预测模块,用于采用如权利要求1所述的学习时长预测方法获得用户每个知识点预测学习时长;
学习路径获取模块,用于基于用户每个知识点预测学习时长,结合用户选择,获得个性化学习路径;
推送模块,用于基于所述个性化学习路径推送学习内容。
10.根据权利要求9所述的一种基于学习时长预测的自适应学习计算机系统,其特征在于,所述用户选择基于时间成本获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321954.5A CN110059297B (zh) | 2019-04-22 | 2019-04-22 | 知识点学习时长预测方法、自适应学习方法及计算机系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321954.5A CN110059297B (zh) | 2019-04-22 | 2019-04-22 | 知识点学习时长预测方法、自适应学习方法及计算机系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059297A true CN110059297A (zh) | 2019-07-26 |
CN110059297B CN110059297B (zh) | 2020-09-29 |
Family
ID=67319899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321954.5A Active CN110059297B (zh) | 2019-04-22 | 2019-04-22 | 知识点学习时长预测方法、自适应学习方法及计算机系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059297B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN112598487A (zh) * | 2021-02-20 | 2021-04-02 | 汇正(广州)企业管理咨询有限公司 | 一种基于人工智能的企业信息化管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231276A (zh) * | 2011-06-21 | 2011-11-02 | 北京捷通华声语音技术有限公司 | 一种语音合成单元时长的预测方法及装置 |
CN105718533A (zh) * | 2016-01-15 | 2016-06-29 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
CN108257052A (zh) * | 2018-01-16 | 2018-07-06 | 中南大学 | 一种在线学生知识评估方法及其系统 |
CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
CN109035083A (zh) * | 2018-06-22 | 2018-12-18 | 电子科技大学 | 一种适用于自适应在线学习的测评方法、移动终端及介质 |
CN109523237A (zh) * | 2018-11-15 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
-
2019
- 2019-04-22 CN CN201910321954.5A patent/CN110059297B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231276A (zh) * | 2011-06-21 | 2011-11-02 | 北京捷通华声语音技术有限公司 | 一种语音合成单元时长的预测方法及装置 |
CN105718533A (zh) * | 2016-01-15 | 2016-06-29 | 百度在线网络技术(北京)有限公司 | 信息推送方法和装置 |
CN106205248A (zh) * | 2016-08-31 | 2016-12-07 | 北京师范大学 | 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法 |
CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
CN108257052A (zh) * | 2018-01-16 | 2018-07-06 | 中南大学 | 一种在线学生知识评估方法及其系统 |
CN109035083A (zh) * | 2018-06-22 | 2018-12-18 | 电子科技大学 | 一种适用于自适应在线学习的测评方法、移动终端及介质 |
CN109523237A (zh) * | 2018-11-15 | 2019-03-26 | 平安科技(深圳)有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN111950892B (zh) * | 2020-08-11 | 2023-08-18 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
CN112598487A (zh) * | 2021-02-20 | 2021-04-02 | 汇正(广州)企业管理咨询有限公司 | 一种基于人工智能的企业信息化管理方法及系统 |
CN112598487B (zh) * | 2021-02-20 | 2022-02-22 | 苏州希艾欧信息科技有限公司 | 一种基于人工智能的企业信息化管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110059297B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arroyo et al. | Reinforced model predictive control (RL-MPC) for building energy management | |
US11392096B2 (en) | Heuristic method of automated and learning control, and building automation systems thereof | |
Andryushkevich et al. | Composition and application of power system digital twins based on ontological modeling | |
Borgstein et al. | Evaluating energy performance in non-domestic buildings: A review | |
Hu et al. | Reinforcement learning-driven maintenance strategy: A novel solution for long-term aircraft maintenance decision optimization | |
CN106781489B (zh) | 一种基于递归神经网络的路网状态预测方法 | |
US20210110294A1 (en) | Systems and methods for key feature detection in machine learning model applications using logistic models | |
CN110321361A (zh) | 基于改进的lstm神经网络模型的试题推荐判定方法 | |
CN109165799A (zh) | 基于遗传算法的走班教学排课系统 | |
CN112085168A (zh) | 一种基于动态键值门控循环网络的知识追踪方法及系统 | |
CN109919421A (zh) | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
CN110059297A (zh) | 适用于自适应学习的知识点学习时长预测方法及其应用 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域系统负荷预测方法 | |
CN106067077A (zh) | 一种基于神经网络的负荷预测方法及装置 | |
CN115114128A (zh) | 一种卫星健康状态评估系统及评估方法 | |
Agogino et al. | Learning indirect actions in complex domains: action suggestions for air traffic control | |
Shereef et al. | A new weather forecasting technique using back propagation neural network with modified Levenberg Marquardt algorithm for learning | |
CN108197424A (zh) | 大规模网络教育中网络学习行为幂律分布概率建模方法 | |
Zhang et al. | Develop academic question recommender based on Bayesian network for personalizing student’s practice | |
EL MEZOUARY et al. | An evaluation of learner clustering based on learning styles in MOOC course | |
Mostafavi et al. | Data-Driven Proficiency Profiling. | |
Pratama et al. | Decision Support System in Determining the Achievement of Widyaiswara Value Using WASPAS and TOPSIS Algorithm | |
Perera et al. | Developing a Reinforcement Learning model for energy management of microgrids in Python | |
Zhang | Deep learning-based hybrid short-term solar forecast using sky images and meteorological data | |
Jin et al. | REST: a reliable estimation of stopping time algorithm for social game experiments |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |