CN110083744A - 一种基于知识图谱的教学问题诊断方法及系统 - Google Patents
一种基于知识图谱的教学问题诊断方法及系统 Download PDFInfo
- Publication number
- CN110083744A CN110083744A CN201910331825.4A CN201910331825A CN110083744A CN 110083744 A CN110083744 A CN 110083744A CN 201910331825 A CN201910331825 A CN 201910331825A CN 110083744 A CN110083744 A CN 110083744A
- Authority
- CN
- China
- Prior art keywords
- information
- teaching material
- teaching
- entity
- user
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 81
- 230000006399 behavior Effects 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 230000001568 sexual effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 238000012800 visualization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000272517 Anseriformes Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识图谱的教学问题诊断方法及系统，其根据教材信息中的实体以及实体之间的关系进行构建知识图谱；根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息；本发明通过知识图谱实体标签技术，对用户的异常行为信息进行识别提取和相关性测试，得到待改良教材信息，从而能够准确的对教材信息进行问题诊断和改良。
Description
技术领域
本发明涉及智能教育技术领域，特别是一种基于知识图谱的教学问题诊断方法及其应用该方法的系统。
背景技术
在线教育即e-Learning，或称远程教育、在线学习，通过应用信息科技和互联网技术进行内容传播和快速学习的方法。在信息化爆发式发展的趋势下，在线教育越来越凸显出优势：1、在线教育可以突破时间和空间的限制，提升了学习效率；2、在线教育可以跨越因地域等方面造成的教育资源不平等分配，使教育资源共享化，降低了学习的门槛。基于在线教育的特点和优势，网络学校受到越来越多人的认可，各类新兴的网校、在线教育平台、教学APP也不断涌现。
但是，传统的在线教育，中国在线教育的模式依然只是停留在"一头热"阶段：单纯地把线下学习模式下的课表、教材搬上互联网，对所有的学习者进行毫无差异性的单向填鸭式教学。当学生学习不理想时，很难确定是学生个人的原因还是教学资源(授课老师或教材)的问题。
在大样本基础下，如果学生反应普遍偏差则很有可能是教学材料的问题，老师需要反思回顾自己的教学。发现是哪一部分的教学出了问题，评估后进行改进。没有数据的分析，老师一般不会意识到自己教学不足的问题或只能凭借经验进行改进。但是，传统的只有数据驱动的分析平台只能通过学生做题反馈对人工标注的标签进行发现，不仅需要花费大量人力成本手工打标签或者不标准化的API抓取才输入神经网络算法，而且准确性较低，分析结果比较概括粗略。
发明内容
本发明为解决上述问题，提供了一种基于知识图谱的教学问题诊断方法及系统，其通过知识图谱实体标签技术，对用户的异常行为信息进行识别提取和相关性测试，得到待改良教材信息，从而能够准确的对教材信息进行问题诊断和改良。
为实现上述目的，本发明采用的技术方案为：
一种基于知识图谱的教学问题诊断方法，其包括以下步骤：
a.根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
b.根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；
c.获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
d.根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
e.对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
优选的，所述的步骤a中，是通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；其中，所述教材信息包括以下任一项或者两项以上的结合：文档教材、图像教材、视频教材、音频教材、教材习题。
进一步的，所述对所述教材信息进行数据结构化处理，进一步包括以下步骤：
信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；
信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；
质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。
优选的，所述的步骤b或步骤d中，所述实体标签信息或所述异常标签信息包括以下任一项或者两项以上的表现形式的RDF三元组内容标签：行为数据内容、实体文本标注的形式表示、RDF三元组向量化表示、一阶逻辑表示。
优选的，所述的步骤c中，所述学习行为信息包括以下任一项或者两项以上的结合：用户的访问内容、用户的访问时间、用户的提问内容、用户的评论内容、用户的做题反馈信息。
优选的，所述的步骤c中，获取用户的学习行为信息，是将所述实体标签信息作为API触发点，通过识别用户在应用程序场景中触发的API内容获取用户的学习行为信息以及该学习行为信息对应的实体标签信息。
优选的，所述的步骤c中，提取所述学习行为信息中的异常行为信息，是通过对所述学习行为信息进行视觉化处理，得到学习行为统计图表；然后根据所述学习行为统计图表进行异常行为信息的发现，并得到该异常行为信息对应的异常标签信息。
优选的，所述的步骤c中，所述异常行为信息包括以下任一项或者两项以上的结合：教材信息被访问率过低、用户的访问时间过短、用户的提问内容过多或过少、用户的评论内容过多或过少、用户的做题正确率过低。
优选的，所述的步骤e中，所述异常标签信息与所述实体标签信息的相关性，包括所述异常标签信息与所述实体标签信息之间在统计学意义上的显著性关系、关联方向、关联强度；并且，对于相关的实体标签信息所对应的教材信息进行形式、结构、内容中的一种以上信息进行改良。
对应的，本发明还提供一种基于知识图谱的教学问题诊断系统，其包括：
知识图谱构建模块，其根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
行为识别模块，用于获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
自动标注模块，其根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；并且，根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
测试模块，用于对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
本发明的有益效果是：
(1)本发明通过知识图谱实体标签技术，对用户的异常行为信息进行识别提取和相关性测试，得到待改良教材信息，从而能够准确的对教材信息进行问题诊断和改良；
(2)本发明将所述实体标签信息作为API触发点，通过识别用户在应用程序场景中触发的API内容获取用户的学习行为信息以及该学习行为信息对应的实体标签信息，能在复杂环境下收集更完整的用户行为数据，从而获得大规模的完整标注数据，容易与深度学习算法相结合以及能够基于知识图谱将实体标签信息进行向量化，使得算法更准确；
(3)本发明通过对所述学习行为信息进行视觉化处理，得到学习行为统计图表；然后根据所述学习行为统计图表进行异常行为信息的发现，并得到该异常行为信息对应的异常标签信息，更加直观和准确。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种基于知识图谱的教学问题诊断方法的流程简图；
图2为本发明一种基于知识图谱的教学问题诊断方法的相关性测试过程示意图；
图3为本发明一种基于知识图谱的教学问题诊断方法的视觉化处理示意图；
图4为本发明一种基于知识图谱的教学问题诊断系统的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明的一种基于知识图谱的教学问题诊断方法，其包括以下步骤：
a.根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
b.根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；
c.获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
d.根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
e.对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
所述的步骤a中，是通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；其中，所述教材信息包括以下任一项或者两项以上的结合：文档教材、图像教材、视频教材、音频教材、教材习题。本实施例通过将教学问题诊断软件或诊断平台在线教育平台相对接，对在线教育平台的数据库中的教材信息进行结构化处理从而构建知识图谱。
本实施例中，所述对所述教材信息进行数据结构化处理，进一步包括以下步骤：
信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；本实施例中，进一步加入了知识纲要信息进行辅助抽取，即除了自然语义识别教材信息之外，还可以通过知识纲要以及提问、评论的属性对实体进行登记的分类，从而构建出围绕学科教学纲要关联延伸出的章节内容、章节知识点、知识点的具体实用案例问答；
信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；该步骤主要是针对多个词汇表达同一个实体的情况，通过自然语义解析(NLP)技术引入第三方知识库(维基、百度、以及对应学术库等)对多种实体指一种概念和同名实体产生歧义的做法；初期在构建的时候需要专家手动操作部分概念进行合并和清理，在整理出框架之后，系统后续可自动在框架内自动添加内容，不需要专家在岗监督；
质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。
所述的信息抽取步骤中，还进一步对所述教材信息相关联的问答信息进行信息抽取。具体的，可直接从课程级别的阅读教材、视频(例如ppt+教师声音解读)、练习以及每一个资料下延伸出的讨论提问内容进行拉取。其中，提问以阅读教材选中文字知识点为单位粒度、以视频时段为单位粒度、以单位练习题为单位粒度。抽取之后通过自然语义识别技术导出成基础RDF或同类数据库语言(NLP2RDF过程)进行信息融合，最后通过质量评估得到最终的RDF数据，与教材信息的结构化处理过程相类似，在此不进行赘述。
所述的步骤b或步骤d中，所述实体标签信息或所述异常标签信息包括以下任一项或者两项以上的表现形式的RDF三元组内容标签：行为数据内容、实体文本标注的形式表示、RDF三元组向量化表示、一阶逻辑表示。
所述的步骤c中，所述学习行为信息即用户的学习行为API信息，所述API带有实体(Entity)的维度信息，以表示用户在不同场景下对不同实体的反应程度。本实施例中，所述学习行为信息包括以下任一项或者两项以上的结合：用户的访问内容、用户的访问时间、用户的提问内容、用户的评论内容、用户的做题反馈信息；获取用户的学习行为信息，是将所述实体标签信息作为API触发点，通过识别用户在应用程序场景中触发的API内容获取用户的学习行为信息以及该学习行为信息对应的实体标签信息；提取所述学习行为信息中的异常行为信息，是通过对所述学习行为信息进行视觉化处理，得到学习行为统计图表；然后根据所述学习行为统计图表进行异常行为信息的发现，并得到该异常行为信息对应的异常标签信息(如图3所示，根据图表可知实体B和实体D为异常行为信息)。
其中，所述异常行为信息包括以下任一项或者两项以上的结合：教材信息被访问率过低、用户的访问时间过短、用户的提问内容过多或过少、用户的评论内容过多或过少、用户的做题正确率过低。
所述的步骤e中，所述异常标签信息与所述实体标签信息的相关性，包括所述异常标签信息与所述实体标签信息之间在统计学意义上的显著性关系、关联方向、关联强度；本实施例基于用户的学习行为信息和异常行为信息的实体标签，通过实体变量相关性测试发现异常实体和其他实体之间存在的显著关系(例如，以结果p值<0.05作为判断)，并且通过系数发现关联方向(正相关/负相关)和关联强度。本实施例所述的相关性测试采用T-test模型(T测试)来测量两组数据是否存在内部相关性，p<＝0.05则证明两组数据之间有统计学意义上的显著性关系(即，95％的置信度)。一般可通过QtiPlot、OpenOffice.org Calc、LibreOffice Calc、Microsoft Excel、SAS、SPSS、Stata、DAP、gretl、R、Python、PSPP、Minitab等具有数据计算处理功能的语言软件进行T测试，输出p值供判断显著性水平，并输出c系数值供判断关联方向和关联强度[-1<＝c<＝1]。
并且，对于相关的实体标签信息所对应的教材信息进行形式、结构、内容中的一种以上信息进行改良。教师可根据相关性测试结果指向的实体对应的教学材料，结合经验进行判断，对教学内容的形式或结构进行优化。并且长期关注调整结果是否在数据结果表现上有所改良，若效果不佳则返回再进行调试(如图2所示)。具体应用时，例如，在获取用户的学习行为信息时，提取到某实体变量A上的平均反馈值(某道题正确率)异常低，并在T测试过程发现该实体变量A与其他实体变量B之上的关系，比如分析结果说明这一知识概念A(实体)的联系反馈与某一知识概念B(实体)的阅读的行为信息呈现相关性。则说明有可能是学生在阅读B知识概念时的状态影响导致了在A题目上的表现。同时可以通过c系数值的正负大小判断关系强弱。比如c值为-0.95，则说明A和B之间存在强负相关，即学生在B阅读上花了越多时间，在做A题时正确率越低。就说明B阅读教材存在问题，需要教师根据自身教学经验去进行改进。
如图4所示，与所述的教学问题诊断方法相对应的，本发明还提供一种基于知识图谱的教学问题诊断系统，其包括：
知识图谱构建模块，其根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
行为识别模块，用于获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
自动标注模块，其根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；并且，根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
测试模块，用于对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
并且，在本文中，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。另外，本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于知识图谱的教学问题诊断方法，其特征在于，包括以下步骤：
a.根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
b.根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；
c.获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
d.根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
e.对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
2.根据权利要1所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤a中，是通过对所述教材信息进行数据结构化处理，并根据得到的结构化数据进行构建知识图谱；其中，所述教材信息包括以下任一项或者两项以上的结合：文档教材、图像教材、视频教材、音频教材、教材习题。
3.根据权利要求2所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述对所述教材信息进行数据结构化处理，进一步包括以下步骤：
信息抽取：根据RDF框架对所述教材信息进行实体抽取、关系抽取、属性抽取，得到所述教材信息的章节内容、章节知识点、知识点关联的问答信息；
信息融合：通过自然语义解析技术引入第三方知识库对抽取的实体进行共指解析和实体消歧，得到初步RDF数据；
质量评估：通过机器评估和/或专家人工评估的方法对所述RDF数据进行监督和调试，得到清洁的结构化的RDF数据。
4.根据权利要求1所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤b或步骤d中，所述实体标签信息或所述异常标签信息包括以下任一项或者两项以上的表现形式的RDF三元组内容标签：行为数据内容、实体文本标注的形式表示、RDF三元组向量化表示、一阶逻辑表示。
5.根据权利要求1所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤c中，所述学习行为信息包括以下任一项或者两项以上的结合：用户的访问内容、用户的访问时间、用户的提问内容、用户的评论内容、用户的做题反馈信息。
6.根据权利要求1或5所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤c中，获取用户的学习行为信息，是将所述实体标签信息作为API触发点，通过识别用户在应用程序场景中触发的API内容获取用户的学习行为信息以及该学习行为信息对应的实体标签信息。
7.根据权利要求6所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤c中，提取所述学习行为信息中的异常行为信息，是通过对所述学习行为信息进行视觉化处理，得到学习行为统计图表；然后根据所述学习行为统计图表进行异常行为信息的发现，并得到该异常行为信息对应的异常标签信息。
8.根据权利要求1所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤c中，所述异常行为信息包括以下任一项或者两项以上的结合：教材信息被访问率过低、用户的访问时间过短、用户的提问内容过多或过少、用户的评论内容过多或过少、用户的做题正确率过低。
9.根据权利要求1所述的一种基于知识图谱的教学问题诊断方法，其特征在于：所述的步骤e中，所述异常标签信息与所述实体标签信息的相关性，包括所述异常标签信息与所述实体标签信息之间在统计学意义上的显著性关系、关联方向、关联强度；并且，对于相关的实体标签信息所对应的教材信息进行形式、结构、内容中的一种以上信息进行改良。
10.一种基于知识图谱的教学问题诊断系统，其特征在于，包括：
知识图谱构建模块，其根据教材信息中的实体以及实体之间的关系进行构建知识图谱；
行为识别模块，用于获取用户的学习行为信息，并提取所述学习行为信息中的异常行为信息；
自动标注模块，其根据所述知识图谱对所述教材信息进行自动标注，得到实体标签信息；并且，根据所述知识图谱对所述异常行为信息进行自动标注，得到异常标签信息；
测试模块，用于对所述异常标签信息进行相关性测试，得到所述异常标签信息与所述实体标签信息的相关性，从而得到相关的实体标签信息所对应的教材信息，即为待改良教材信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331825.4A CN110083744A (zh) | 2019-04-24 | 2019-04-24 | 一种基于知识图谱的教学问题诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910331825.4A CN110083744A (zh) | 2019-04-24 | 2019-04-24 | 一种基于知识图谱的教学问题诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110083744A true CN110083744A (zh) | 2019-08-02 |
Family
ID=67416387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910331825.4A Pending CN110083744A (zh) | 2019-04-24 | 2019-04-24 | 一种基于知识图谱的教学问题诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110083744A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
| CN110888808A (zh) * | 2019-11-16 | 2020-03-17 | 云南湾谷科技有限公司 | 一种基于知识图谱的Web智能化测试的方法 |
| CN112491636A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 数据处理方法及装置、计算机存储介质 |
| CN113496332A (zh) * | 2020-04-02 | 2021-10-12 | 中国电信股份有限公司 | 工业互联网故障预测方法和系统 |
| CN114925210A (zh) * | 2022-03-21 | 2022-08-19 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
| CN116235165A (zh) * | 2020-08-14 | 2023-06-06 | 西门子股份公司 | 一种智能提供推荐信息的方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140372447A1 (en) * | 2013-06-12 | 2014-12-18 | Electronics And Telecommunications Research Institute | Knowledge index system and method of providing knowledge index |
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
| US10157226B1 (en) * | 2018-01-16 | 2018-12-18 | Accenture Global Solutions Limited | Predicting links in knowledge graphs using ontological knowledge |
| CN109064318A (zh) * | 2018-08-24 | 2018-12-21 | 苏宁消费金融有限公司 | 一种基于知识图谱的互联网金融风险监测系统 |
| CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
| CN109389870A (zh) * | 2017-08-10 | 2019-02-26 | 亿度慧达教育科技（北京）有限公司 | 一种应用于电子教学中的数据自适应调整方法及其装置 |
-
2019
- 2019-04-24 CN CN201910331825.4A patent/CN110083744A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140372447A1 (en) * | 2013-06-12 | 2014-12-18 | Electronics And Telecommunications Research Institute | Knowledge index system and method of providing knowledge index |
| CN109389870A (zh) * | 2017-08-10 | 2019-02-26 | 亿度慧达教育科技（北京）有限公司 | 一种应用于电子教学中的数据自适应调整方法及其装置 |
| CN108052672A (zh) * | 2017-12-29 | 2018-05-18 | 北京师范大学 | 利用群体学习行为促进结构化知识图谱构建系统及方法 |
| US10157226B1 (en) * | 2018-01-16 | 2018-12-18 | Accenture Global Solutions Limited | Predicting links in knowledge graphs using ontological knowledge |
| CN108536799A (zh) * | 2018-03-30 | 2018-09-14 | 上海乂学教育科技有限公司 | 自适应教学监测与洞察信息处理方法 |
| CN109062939A (zh) * | 2018-06-20 | 2018-12-21 | 广东外语外贸大学 | 一种面向汉语国际教育的智能导学方法 |
| CN109064318A (zh) * | 2018-08-24 | 2018-12-21 | 苏宁消费金融有限公司 | 一种基于知识图谱的互联网金融风险监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李德毅: "《人工智能导论》", 31 August 2018 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112491636A (zh) * | 2019-09-11 | 2021-03-12 | 华为技术有限公司 | 数据处理方法及装置、计算机存储介质 |
| CN112491636B (zh) * | 2019-09-11 | 2023-04-18 | 华为技术有限公司 | 数据处理方法及装置、计算机存储介质 |
| US12015519B2 (en) | 2019-09-11 | 2024-06-18 | Huawei Technologies Co., Ltd. | Data processing method and apparatus, and computer storage medium |
| CN110633476A (zh) * | 2019-09-27 | 2019-12-31 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
| CN110633476B (zh) * | 2019-09-27 | 2024-04-05 | 北京百度网讯科技有限公司 | 用于获取知识标注信息的方法及装置 |
| CN110888808A (zh) * | 2019-11-16 | 2020-03-17 | 云南湾谷科技有限公司 | 一种基于知识图谱的Web智能化测试的方法 |
| CN113496332A (zh) * | 2020-04-02 | 2021-10-12 | 中国电信股份有限公司 | 工业互联网故障预测方法和系统 |
| CN113496332B (zh) * | 2020-04-02 | 2024-01-26 | 中国电信股份有限公司 | 工业互联网故障预测方法和系统 |
| CN116235165A (zh) * | 2020-08-14 | 2023-06-06 | 西门子股份公司 | 一种智能提供推荐信息的方法和装置 |
| CN114925210A (zh) * | 2022-03-21 | 2022-08-19 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
| CN114925210B (zh) * | 2022-03-21 | 2023-12-08 | 中国电信股份有限公司 | 知识图谱的构建方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110083744A (zh) | 一种基于知识图谱的教学问题诊断方法及系统 | |
| Guo et al. | Evolution and trends in intelligent tutoring systems research: a multidisciplinary and scientometric view | |
| CN110222125A (zh) | 一种基于知识图谱的线上教育个性化推送方法及系统 | |
| Kotsiantis et al. | Using learning analytics to identify successful learners in a blended learning course | |
| CN111241243A (zh) | 面向知识测量的试题、知识、能力张量构建与标注方法 | |
| Mathew et al. | NLP-based personal learning assistant for school education | |
| Hancock et al. | Structural equation modeling: Possibilities for language learning researchers 1 | |
| CN111209384A (zh) | 基于人工智能的问答数据处理方法、装置及电子设备 | |
| Jayakodi et al. | WordNet and cosine similarity based classifier of exam questions using bloom’s taxonomy | |
| Liu et al. | The use of data science for education: The case of social-emotional learning | |
| Phadke et al. | Framing hate with hate frames: Designing the codebook | |
| CN115544268A (zh) | 一种教学与就业辅助知识图谱的构建及应用方法 | |
| Zhang et al. | Digital transformation (DX) for skill learners: The design methodology and implementation of educational chatbot using knowledge connection and emotional expression | |
| Zhou et al. | Application of artificial intelligence in physical education: a systematic review | |
| Azevedo et al. | Analysis of the relevance of posts in asynchronous discussions | |
| Liu et al. | Virtual teaching assistants: Technologies, applications and challenges | |
| Nafa et al. | Automatic concepts classification based on bloom’s taxonomy using text analysis and the Naïve Bayes Classifier Method | |
| Azman et al. | A framework for automatic analysis of essays based on idea mining | |
| Tenriawaru et al. | A new model of students participation measurement in e-learning systems based on meaningful learning characteristics: An initial investigation | |
| CN112785039B (zh) | 一种试题作答得分率的预测方法及相关装置 | |
| Zhou et al. | Online course quality evaluation based on BERT | |
| Abed et al. | Detecting subjectivity in staff perfomance appraisals by using text mining: Teachers appraisals of palestinian government case study | |
| Esfijani et al. | A fuzzy logic based approach for measuring virtual university social responsibility | |
| Das et al. | Mining multiple informational text structure from text data | |
| Intepe et al. | Developing statistical understanding and overcoming anxiety via drop-in consultations |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |