CN110096686B - 基于人工智能的多媒体教材编辑方法及其系统 - Google Patents

基于人工智能的多媒体教材编辑方法及其系统 Download PDF

Info

Publication number
CN110096686B
CN110096686B CN201910372679.XA CN201910372679A CN110096686B CN 110096686 B CN110096686 B CN 110096686B CN 201910372679 A CN201910372679 A CN 201910372679A CN 110096686 B CN110096686 B CN 110096686B
Authority
CN
China
Prior art keywords
knowledge point
target
teaching
super
alternative
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
Application number
CN201910372679.XA
Other languages
English (en)
Other versions
CN110096686A (zh
Inventor
张新华
叶焱鑫
冯剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Blue Pigeon Software Co ltd
Original Assignee
Guangzhou Blue Pigeon Software Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Blue Pigeon Software Co ltd filed Critical Guangzhou Blue Pigeon Software Co ltd
Priority to CN201910372679.XA priority Critical patent/CN110096686B/zh
Publication of CN110096686A publication Critical patent/CN110096686A/zh
Application granted granted Critical
Publication of CN110096686B publication Critical patent/CN110096686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)

Abstract

本申请涉及教学领域，公开了一种基于人工智能的多媒体教材编辑方法及其系统。根据预设教学阶段的教学大纲设置编辑要求，根据所述编辑要求从备选课文中推选主体课文，为所述主体课文匹配知识点讲解课件和课后习题，保存所述主体课文及所匹配的知识点讲解课件和课后习题。本申请实施方式中能够快速且优质地编辑一本符合教学要求的多媒体教材。

Description

基于人工智能的多媒体教材编辑方法及其系统
技术领域
本申请涉及教学领域，特别涉及多媒体教材编辑技术。
背景技术
随着互联网信息技术的发展，在互联网平台中可以搜集到大量的高质量语言类(如英语)教学素材，这极大地丰富了语言类教材的基础素材。而一本优质的语言类教材在挑选教材内容时不仅要符合教学大纲的学习范围，而且需要满足各种质量要求，例如，满足教材侧重覆盖教学大纲要求学习的重要知识点，教材中每篇课文的目标生词(即新知识点)数量在适当的学习范围内，教材中前后课文中知识点具有重复巩固学习的效果，超纲的知识点要求控制在一定的范围内等。
目前，采用人工编选教材的方法，基本是凭借编辑人员的经验对海量素材中的知识点进行甄别，之后再选择符合上述质量要求的主体课文，导致编选一本教材可能会需要花费几年时间，且也很难达到较高的质量指标。
发明内容
本申请的目的在于提供一种基于人工智能的多媒体教材编辑方法及其系统，能够快速且优质地编辑一本符合教学要求的多媒体教材。
本申请公开了一种基于人工智能的多媒体教材编辑方法，包括：
根据预设教学阶段的教学大纲设置编辑要求；
根据所述编辑要求从备选课文中推选主体课文；
为所述主体课文匹配知识点讲解课件和课后习题；
保存所述主体课文及所匹配的知识点讲解课件和课后习题。
在一个优选例中，所述根据预设教学阶段的教学大纲设置编辑要求，进一步包括：
获取所述预设教学阶段的目标知识点域和超纲知识点域；
根据所述目标知识点域和超纲知识点域，设置作为所述编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围。
在一个优选例中，根据所述编辑要求从备选课文中推选主体课文，进一步包括：
至少一次执行以下步骤，直至所述预设教学阶段的多媒体教材中所有主体课文都被推选完毕：
根据已被推选的主体课文计算已学知识点域；
计算所述备选课文中的每一篇所包含的属于所述目标知识点域且不属于所述已学知识点域的目标生词的数量，以及属于超纲知识点域的超纲生词的数量；
筛选出目标生词的数量在所述目标生词数量阈值范围内且超纲生词的数量在所述超纲生词数量阈值范围内的备选课文；
计算所筛选出的备选课文中的每一篇的综合质量系数；
将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供用户选择主体课文。
在一个优选例中，所述计算所筛选出的备选课文中的每一篇的综合质量系数，进一步包括：
分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；
将所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标进行加权求和以得到所述所筛选出的备选课文中的每一篇的综合质量系数，其中所述重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的权重值分别为4、3、2和-1。
在一个优选例中，所述所筛选出的备选课文中的一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的计算方法分别为：
Figure BDA0002050527970000031
Figure BDA0002050527970000032
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值；
所述目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量，其中该平均目标生词数量取决于所设置的所述目标生词数量阈值范围；
所述相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；
所述超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量。
在一个优选例中，所述根据预设教学阶段的教学大纲设置编辑要求之前，还包括：
分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储所述各知识点，并对所述各知识点的掌握要求进行标识，生成所述各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合；
根据不同阶段的教学大纲收集不同类型的所述备选课文，分别将所述备选课文中的每一篇的内容与所述各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表；
获取学科知识点的学习特点，根据所述学习特点制作各所述知识点的讲解课件并对各所述讲解课件中所讲解的知识点进行标识，生成知识点课件属性信息表；
根据学科不同阶段的考核特征，收集针对不同考核特征的对应题型的试题，并对各所述试题中所考核的知识点进行标识，生成试题属性信息表。
在一个优选例中，所述为所述主体课文匹配知识点讲解课件和课后习题，进一步包括：
提取所述主体课文中的每一篇主体课文的目标知识点，根据所述知识点讲解课件属性信息表和试题属性信息表，获取与所述的目标知识点相关的知识点讲解课件和试题，生成所述每一篇主体课文的知识点讲解课件和课后习题。
本申请还公开了一种基于人工智能的多媒体教材编辑系统包括：
设置模块，用于根据预设教学阶段的教学大纲设置编辑要求；
推选模块，用于根据所述编辑要求从备选课文中推选主体课文；
匹配模块，用于为所述主体课文匹配知识点讲解课件和课后习题；
存储模块，用于保存所述主体课文及所匹配的知识点讲解课件和课后习题。
本申请还公开了一种基于人工智能的多媒体教材编辑系统包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现如前文描述的基于人工智能的多媒体教材编辑方法中的步骤。
本申请还公开了一种计算机可读存储介质所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如前文描述的基于人工智能的多媒体教材编辑方法中的步骤。
本申请实施方式中，选定学科教学阶段后，依托系统中所构建的数字化素材库，包括知识点库、备选课文库、知识点课件库和试题库，首先根据知识点库和备选课文库，从第一篇主体课文的推选开始，自动推荐若干篇符合要求教材编辑要求的优质课文，供教材编辑人员(如教师)选择，并且按照此方法逐次推选主体课文直至主体课文的数量满足教材要求为止；然后根据知识点课件库和试题库，自动为所推选的主体课文的每一篇匹配对应的知识点讲解课件和课后习题；最后由教材编辑人员审核后存储输出较高质量的多媒体教材。
进一步地，本申请的实施方式中，系统中所构建的数字化素材库是系统能够快速准确地推选主体课文的基础，其中知识点库中包括各教学阶段的知识点域，以及各知识点域中各知识点的属性信息表；备选课文库中包括根据不同教学阶段的教学要求收集的海量不同类型的备选课文，以及各备选课文的知识点属性信息表；知识点课件库中包括根据学科知识点的学习特点所制作的各知识点讲解课件，以及各知识点课件的属性信息表；试题库中包括根据不同阶段的考核特征所收集的海量不同题型的试题，以及各试题的属性信息表；进而，在主体课文的推选过程中，根据该知识点库和备选课文库通过设置编辑要求达到从海量的备选课文中推选出优质的主体课文的效果；以及，在为所推选出的主体课文匹配知识点讲解课件和课后习题时，根据知识点课件库和试题库自动匹配出对应的知识点讲解课件和课后习题。所构建的数字化素材库，通过快速识别各知识点标识，通过目标知识点域中各知识点的属性信息表快速获取与各知识点相关的备选课文、知识点讲解课件和试题等，是后续推选主体课文、知识点讲解课件和课后习题的基础，大大提高了系统编辑教材的速度。
进一步地，本申请实施方式中，在推选主体课文的过程中，首先，预先筛选出目标生词数量和超纲生词数量分别满足目标生词数量阈值范围和超纲生词数量阈值范围的备选课文，进一步达到的有益效果包括：该前期对备选课文的初步筛选，可减少后续计算各符合条件的备选课文的综合质量系数的工作量，有效提高制作教材的速度。本领域的技术人员可以理解，本申请的实施方式涉及通过执行计算机程序改善计算机系统内部性能，通过预先筛选出目标生词数量和超纲生词数量分别满足目标生词数量阈值范围和超纲生词数量阈值范围的备选课文，符合计算机对数据处理的自然规律，可以提升计算机系统的内部性能，以减少后续计算各符合条件的备选课文的综合质量系数的工作量。
然后，通过分析各筛选出的备选课文的重要性、生词数量合理性、相关性、超纲率四个质量指标，并根据不同质量指标的重要程度赋予权重值，计算出各筛选出的备选课文的综合质量系数，并将各筛选出的备选课文根据综合质量系数的值由大到小依次排序推荐给教材编辑人员，最后由教材编辑人员根据此排序并综合考虑主体课文的所需主题需求选择其中一篇为主体课文，进一步达到的有益效果：从“重要性指标、生词数量合理性指标、相关性指标、超纲率指标”的四个维度对教材的主体课文进行推选，进而实现教材质量的把控；其中重要性指标，在保证知识点覆盖率尽可能高的基础上，还侧重于重点知识点；生词数量合理性指标，使教材每篇课文中包含的生词性知识点数量均衡，一方面保证了教材的知识点覆盖率，另一方面有效地把控了教材难易程度；相关性指标，使教材前后课文中包含的知识点满足学生巩固学习的要求；超纲率指标，使教材中各篇课文中包含的超纲知识点尽可能的少，保证教材的难度适用当前学习阶段。所以，最终所推选出的主体课文包含的知识点不仅符合教学大纲中的学习范围，且侧重于重要知识点；同时，所推选出的主体课文的目标生词数量和超纲生词数量都控制在合理的范围，所推选出的主体课文难易程度适中；而且，之后推选出的主体课文与之前已推选出的主体课文中的知识点的学习相关性强，满足知识点巩固学习的要求。通过控制重要性指标、生词数量合理性指标、相关性指标、超纲率指标，使得选出的主体课文满足教材的各项质量要求，且符合人脑学习的自然规律，提高了学习效率。
综上，本申请实施方式中，能够又好又快地编辑一本符合教学要求的多媒体教材。
本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。
附图说明
图1是根据本申请第一实施方式的基于人工智能的多媒体教材编辑方法流程示意图
图2是根据本申请第一实施方式的步骤102的流程示意图
图3是根据本申请第二实施方式的多媒体教材编辑过程中主体课文推选方法流程示意图
图4是根据本申请第三实施方式的基于人工智能的多媒体教材编辑系统结构示意图
图5是根据本申请第四实施方式的多媒体教材编辑过程中主体课文推选系统的结构示意图
具体实施方式
在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
部分概念的说明：
目标生词：属于目标知识点域内的目标知识点。对于课文而言，当前备选课文中的目标知识点在前面已选主体课文中未出现，在当前备选课文中可定义为“目标生词”；若前面已选主体课文中已出现，在当前备选课文中则不是目标生词，而是已学习的目标知识点。
超纲生词：不属于目标知识点域内的，属于比目标知识点域更高教学阶段的教学阶段的知识点，对于课文而言，超纲生词就是超纲知识点。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。
本申请的第一实施方式涉及一种基于人工智能的多媒体教材编辑方法，其流程如图1所示，该方法包括以下步骤：
开始，步骤101，根据预设教学阶段的教学大纲设置编辑要求。
可选地，该步骤101进一步包括：获取该预设教学阶段的目标知识点域和超纲知识点域；根据该目标知识点域和超纲知识点域，设置作为该编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围。
可选地，该步骤101之前还包括：分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储该各知识点，并对该各知识点的掌握要求进行标识，生成该各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合。
在一个具体实施例中，该各教学阶段的知识点属性信息表可以如表1所示，其中掌握要求是指：教学大纲中要求学生对各知识点的掌握及应用能力(例如，掌握应用、理解说明、认识了解的三个级别)，用于主体课文推选时计算备选课文的重要性指标。例如，在英语学科多媒体教材编辑时，对于大学英语四级的教学阶段，如果大学英语四级的教学大纲中要求的知识点的集合为目标知识点域A，“advantage”是包含在该目标知识点域A中的一个目标知识点，且对“advantage”的掌握要求为“掌握应用”用a表示，其属性信息表示为{A，a}，其含义为advantage是一个“大学英语四级”阶段需要“掌握应用”的知识点。
表1
各教学阶段的知识点域 包含的知识点及知识点属性信息
小学一年级上学期 {知识1{教学阶段，掌握要求}，知识2{教学阶段，掌握要求}，……}
…… ……
大学英语六级 {知识1{教学阶段，掌握要求}，知识2{教学阶段，掌握要求}，……}
…… ……
可选地，该步骤101之前还包括：根据不同阶段的教学大纲收集不同类型的该备选课文，分别将该备选课文中的每一篇的内容与该各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表。
在一个具体实施例中，该每一篇备选课文的知识点属性信息表可以是如表2所示。例如，在英语学科多媒体教材编辑时，一篇备选课文“According to the dictionarydefinition of‘create’，ordinary people are creative every day，……”，将该备选课文中的内容与知识点库中的知识点进行匹配，得到的该备选课文知识点属性信息为包括“{according{A，a}，dictionary{B，c}，……}，其中，according{A，a}表示课文中的“according”是A教学阶段的掌握要求为a的知识点。
表2
课文序号 各课文包含的知识点属性信息
备选课文1 {知识点1{教学阶段，掌握要求}，知识点2{教学阶段，掌握要求}，……}
…… ……
备选课文n {知识点1{教学阶段，掌握要求}，知识点2{教学阶段，掌握要求}，……}
可选地，该步骤101之前还包括：获取学科知识点的学习特点，根据该学习特点制作各该知识点的讲解课件并对各该讲解课件中所讲解的知识点进行标识，生成知识点课件属性信息表。例如，如英语学科，其知识点讲解课件是根据不同类型知识点(例如：单词、词组、句型、常用表达等)的学习特点去制作的；比如，单词、词组等词汇类知识点的学习特点是需掌握其“音标、词义、短语搭配、用法等”，再比如常用表达类知识点的学习特点是需掌握其“构成、特征、意思、应用技巧等”。
在一个具体实施例中，该知识点课件属性信息表可以是如表3所示。
表3
数据表 各知识点课件的属性信息
知识点课件属性信息表 {课件1{知识点}，课件2{知识点}，……，课件n{知识点}}
可选地，该步骤101之前还包括：根据学科不同阶段的考核特征，收集针对不同考核特征的对应题型的试题，并对各该试题中所考核的知识点进行标识，生成试题属性信息表。其中，该学科不同阶段是指该语言类学科的不同的教学阶段。比如，英语学科，其包括初中阶段、高中阶段、大学阶段，其中大学阶段又可分为公共英语、四级等级考试、六级等级考试、专四等级考试和专八等级考试等，不同的教学阶段的考核特征(题型)不同，比如初中英语有单选，高中英语没有单选，并且增加了初中阶段没有的语法填空和短文改错等题型。所以需要根据学科不同阶段的考核特征，收集针对不同考核特征的对应题型的试题。
在一个具体实施例中，该试题属性信息表可以是如表4所示。
表4
数据表 各知识点课件的属性信息
试题属性信息表 {试题1{知识点}，试题2{知识点}，……，试题n{知识点}}
之后，进入步骤102，根据该编辑要求从备选课文中推选主体课文。
可选地，该步骤102进一步包括以下子步骤1021～子步骤1026，如图2所示，具体包括：开始步骤1021，根据已被推选的主体课文计算已学知识点域；之后进入步骤1022，计算该备选课文中的每一篇备选课文中包含的属于该目标知识点域且不属于该已学知识点域的目标生词的数量以及属于超纲知识点域的超纲生词的数量；之后进入步骤1023，根据所述每一篇备选课文中包含的目标生词的数量和超纲生词的数量，筛选出目标生词的数量在该目标生词数量阈值范围内且超纲生词的数量在该超纲生词数量阈值范围内的备选课文。之后进入步骤1024，计算所筛选出的备选课文中的每一篇的综合质量系数；之后进入步骤1025，将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供用户选择主体课文；之后进入步骤1026，判断：“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”。如果是，则执行结束；否则返回步骤1021继续执行直至该预设教学阶段的多媒体教材中所有主体课文都被推选完毕。
可选地，在步骤1021中，第一次推选主体课文时，该已被推选的主体课文数量为0，则该已学知识点域记为空集。
可选地，步骤1026中“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”可以通过判断“是否达到该预设教学阶段的多媒体教材中所需主体课文的预设数量”来确定。进一步地，该预设数量可以基于“所设置的目标生词数量阈值范围”和该预设教学阶段的目标知识点域的所有目标生词数量进行预设置。例如，目标生词数量阈值为[50-60],该预设教学阶段的目标知识点域中的所有生词数量为1000个，则该预设教学阶段的多媒体教材中所需主体课文的数量为＞20篇，再综合考虑其他情况进行所需主体课文的具体数量的设置。
可选地，该步骤1024进一步包括以下子步骤A和B：开始子步骤A,分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；之后子步骤B,根据所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标计算该综合质量系数。在一个实施例中，所筛选出的备选课文中的每一篇备选课文的综合质量系数的值可以通过公式Y＝A1×重要性指标+A2×目标生词数量合理性+A3×相关性指标+A4×超纲率指标计算得到，其中A1、A2、A3和A4分别是所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的权重值。
该四个质量指标的权重值可以根据不同的情况进行选取；优选地，可以根据教育部颁发的《教材评价指标体系》以及实际教材编辑经验，分别赋予该四个质量指标的权重值的优选值为A1＝4、A2＝3、A3＝2、A4＝-1，在实际应用中，教材编辑人员可根据需求进行调整。
具体的，通过对各教学阶段的各类教材进行研究，教材质量的优劣程度遵循大致以下几点规律：1)教材中涵盖的目标知识点，针对于应用的教学阶段，该教学阶段的目标知识点覆盖率要尽可能的高，且侧重覆盖要求重点掌握的目标知识点；2)教材的难易程度适中，首先体现在教材中每篇课文的新目标知识点(如，目标生词)的数量，数量太多，学生学习的难度大，学习效率低，数量太少，学生学习的难度小，最终不能满足知识量学习的要求,其次，体现在教材中每篇课文的超纲生词的数量，超纲生词太多，导致教材难度大，不适用当前的学习阶段；3)教材中各课文的前后编排因遵循目标知识点巩固学习的轨迹，从而加强学生重复巩固学习的效果。所以，上述子步骤A中引入的“重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标”的四项指标分别可以达到的有益效果包括:1)所推选出的每篇主体课文在保证目标知识点覆盖率尽可能高的基础上，还侧重于覆盖教学大纲中的重要知识点；2)所推选出的每篇主体课文的目标生词数量均衡，一方面保证了教材的目标知识点覆盖率，另一方面有效地把控了教材的难易程度；3)每推选一篇主体课文与之前已推选出的主体课文中的目标生词的学习相关性强，满足知识点巩固学习的要求；4)所推选出的每篇主体课文的超纲生词尽可能少，保证教材的难易程度适用当前学习阶段。
可选地，该步骤1024中涉及的所筛选出的备选课文中的一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的计算方法分别为：
Figure BDA0002050527970000131
Figure BDA0002050527970000132
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值。可以认为，备选课文的重要性取决于该备选课文中包含的生词的重要性，例如：按“掌握应用、理解说明、认识了解”从大到小赋值为3、2、1，则目标生词的重要性均值为2，如果备选课文的重要性越大，则该备选课文覆盖的重点学习的目标生词越多；
该目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量；其中该平均目标生词数量取决于预先设置的目标生词数量阈值范围，即平均目标生词数量为“目标生词数量阈值范围的平均值”，例如：预先设置的目标生词数量阈值范围为[10,30]，则一篇备选课文的平均目标生词数量为20；n为该备选课文的目标生词数量，n越接近平均目标生词数量，则备选课文的目标生词数量越合理；
该相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；可以认为，该相关性取决于备选课文中包含前面已选主体课文中的目标生词数量；其中，备选课文的相关性越大，则该备选课文中包含前面已选主体课文中的目标生词数量越多，当前巩固学习的效果越好；
该超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量，该超纲率指标主要取决于预先设置的超纲生词数量阈值范围及目标生词数量阈值范围(通常超纲生词数量阈值范围<目标生词数量阈值范围)，则备选课文的超纲率越低，该备选课文越适用于当前教学阶段。
具体的，步骤1024和步骤1025中，在推选主体课文过程中，分析计算所筛选备选课文的重要性、目标生词数量合理性、相关性和超纲率的四个质量指标，并根据不同质量指标的重要程度赋予权重值，从而计算出各篇备选课文的综合质量系数Y，Y值越大的备选课文越适用当前教学阶段，系统根据Y值，由大到小依次排序推荐课文，供教材编辑人员选择最终的主体课文。
优选地，教材编辑人员可以根据上述综合质量系数Y值的排序结果并综合考虑该教材所需主题需求，选择其中一篇作为主体课文。
本实施方式的步骤1021～子步骤1026中，预先筛选出目标生词的数量和超纲生词的数量分别满足目标生词数量阈值范围和超纲生词数量阈值范围的备选课文，再对所筛选出的备选课文的综合质量系数的值进行排序，最终推选出来的主体课文较优质，其中优质体现在：首先，所推选出的主体课文中包含的知识点不仅符合教学大纲中的学习范围，且侧重于重要知识点；其次，所推选出的主体课文的目标生词量和超纲量都控制在合理的范围，所推选出的主体课文的难易程度适中；并且，与前面已选主体课文中的目标生词的学习相关性强，满足知识点巩固学习的要求。
之后，进入步骤103，为该主体课文匹配知识点讲解课件和课后习题。
可选地，该步骤103进一步包括：提取所述主体课文中的每一篇主体课文的目标知识点，根据所述知识点讲解课件属性信息表和试题属性信息表，获取与所述目标知识点相关的知识点讲解课件和试题，生成所述每一篇主体课文的知识点讲解课件和课后习题。
之后，进入步骤104，保存该主体课文及所匹配的知识点讲解课件和课后习题。
可选地，步骤104之前，教材编辑人员可以基于已推选的主体课文任意修改所匹配的知识点讲课件和课后习题，或者，教材编辑人员可查看编辑过程中的涉及的步骤1024中所筛选出的备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标，对不满意的主体课文进行替换，并根据所替换的主体课文重新进行步骤103，对该主体课文匹配知识点讲解课件和课后习题。
可选地，步骤104进一步包括：由教材编辑人员确认后保存保存该主体课文及所匹配的知识点讲解课件和课后习题，完成教材的制作。
本申请的第一实施方式涉及的基于人工智能的多媒体教材编辑方法主要用于语言类学科的多媒体教材编辑，适用于如语文、英语、日语、韩语等所有语言类学科的多媒体教材编辑。
本申请的第二实施方式涉及一种多媒体教材编辑过程中主体课文推选方法，其流程如图3所示，该方法包括以下步骤：
开始步骤301，获取所述预设教学阶段的目标知识点域和超纲知识点域，根据所述目标知识点域和超纲知识点域设置作为所述编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围。
可选地，该步骤301之前还包括：分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储该各知识点，并对该各知识点的掌握要求进行标识，生成该各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合。
可选地，该步骤301之前还包括：根据不同阶段的教学大纲收集不同类型的该备选课文，分别将该备选课文中的每一篇的内容与该各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表。
之后，进入步骤302，根据已被推选的主体课文计算已学知识点域。
可选地，在步骤302中，第一次推选主体课文时，该已被推选的主体课文数量为0，则该已学知识点域记为空集。
之后，进入步骤303，计算该备选课文中的每一篇备选课文中包含的属于该目标知识点域且不属于该已学知识点域的目标生词的数量以及属于超纲知识点域的超纲生词的数量。
之后，进入步骤304，根据所述每一篇备选课文中包含的目标生词的数量和超纲生词的数量，筛选出目标生词的数量在该目标生词数量阈值范围内且超纲生词的数量在该超纲生词数量阈值范围内的备选课文。
之后，进入步骤305，计算所筛选出的备选课文中的每一篇的综合质量系数。
可选地，该步骤305进一步包括以下子步骤A和B：开始子步骤A,分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；之后子步骤B,根据所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标计算该综合质量系数。
具体的，通过对各教学阶段的各类教材进行研究，教材质量的优劣程度遵循大致以下几点规律：1)教材中涵盖的目标知识点，针对于应用的教学阶段，该教学阶段的目标知识点覆盖率要尽可能的高，且侧重覆盖要求重点掌握的目标知识点；2)教材的难易程度适中，首先体现在教材中每篇课文的新目标知识点(如，目标生词)的数量，数量太多，学生学习的难度大，学习效率低，数量太少，学生学习的难度小，最终不能满足知识量学习的要求；3)其次，体现在教材中每篇课文的超纲生词的数量，超纲生词太多，导致教材难度大，不适用当前的学习阶段；4)教材中各课文的前后编排因遵循目标知识点巩固学习的轨迹，从而加强学生重复巩固学习的效果。据此，上述子步骤A中引入的“重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标”的四项指标分别可以达到的有益效果有：1)在保证知识点覆盖率尽可能高的基础上，还侧重于重点知识点；2)使教材每篇课文中包含的生词知识点数量均衡，一方面保证了教材的知识点覆盖率，另一方面有效地把控了教材难易程度；3)使教材前后课文中包含的知识点满足学生巩固学习的要求；4)使教材中各篇课文中包含的超纲知识点尽可能的少，保证教材的难度适用当前学习阶段。
可选地，在步骤305中涉及的所筛选出的备选课文中的一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的计算方法分别为：
Figure BDA0002050527970000171
Figure BDA0002050527970000181
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值；可以认为，备选课文的重要性取决于该备选课文中包含的生词的重要性，例如：按“掌握应用、理解说明、认识了解”从大到小赋值为3、2、1，则目标生词的重要性均值为2，如果备选课文的重要性越大，则该备选课文覆盖的重点学习的目标生词越多；
该目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量；其中该平均生词数量取决于预先设置的目标生词数量阈值范围，即平均目标生词数量为“目标生词数量阈值范围的平均值”，例如：预先设置的目标生词数量阈值范围为[10,30]，则一篇备选课文的平均目标生词数量为20；n为该备选课文的目标生词数量，n越接近平均目标生词数量，备选课文的目标生词数量越合理；
该相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；可以认为，该相关性取决于备选课文中包含前面已选主体课文中的目标生词数量；其中，备选课文的相关性越大，则该备选课文中包含前面已选主体课文中的目标生词数量越多，当前巩固学习的效果越好；
该超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量，该超纲率指标主要取决于预先设置的超纲生词数量阈值范围及目标生词数量阈值范围(通常超纲生词数量阈值范围<目标生词数量阈值范围)，则备选课文的超纲率越低，该备选课文越适用于当前教学阶段。
可选地，每篇所筛选出的备选课文的综合质量系数的值可以通过公式Y＝A1×重要性指标+A2×目标生词数量合理性+A3×相关性指标+A4×超纲率指标计算得到，其中A1、A2、A3和A4分别是所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的权重值。
该四个质量指标的权重值可以根据不同的情况进行选取；优选地，可以根据教育部颁发的《教材评价指标体系》以及实际教材编辑经验，分别赋予该四个质量指标的权重值的优选值为A1＝4、A2＝3、A3＝2、A4＝1，在实际应用中，教材编辑人员可根据需求进行调整。
之后，进入步骤306，将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供用户选择主体课文。
具体的，步骤305和步骤306中，在推选主体课文过程中，分析计算所筛选备选课文的重要性、目标生词数量合理性、相关性和超纲率的四个质量指标，并根据不同质量指标的重要程度赋予权重值，从而计算出各篇备选课文的综合质量系数Y，Y值越大的备选课文越适用当前教学阶段，系统根据Y值，由大到小依次排序推荐课文，供教材编辑人员选择最终的主体课文。
优选地，教材编辑人员可以根据上述综合质量系数Y值的排序结果并综合考虑该教材所需主题需求，选择其中一篇作为主体课文。
之后，进入步骤307，判断：“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”。如果是，则执行结束；否则返回步骤302继续执行直至该预设教学阶段的多媒体教材中所有主体课文都被推选完毕。
可选地，步骤307中“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”可以通过判断“是否达到该预设教学阶段的多媒体教材中所需主体课文的预设数量”来确定。进一步地，该预设数量可以基于步骤301中所设置的目标生词数量阈值范围和该预设教学阶段的目标知识点域的总生词数量进行预设置。例如，目标生词数量阈值为[50-60],该预设教学阶段的目标知识点域的总生词数量为1000个，则该预设教学阶段的多媒体教材中所需主体课文的数量为＞20篇，再综合考虑其他情况进行所需主体课文的具体数量的设置。
本实施方式中，预先筛选出目标生词数量和超纲生词数量分别满足目标生词数量阈值范围和超纲生词数量阈值范围的备选课文，可减少后续计算各符合条件的备选课文的综合质量系数的工作量，有效提高制作教材的速度。再对所筛选出的备选课文的综合质量系数的值进行计算和排序，所推选出来的主体课文满足了以下优质特征：主体课文包含的目标知识点不仅符合教学大纲中的学习范围，且侧重于重要目标知识点；同时，所推选出的主体课文的目标生词数量和超纲生词数量都控制在合理的范围，所推选出的主体课文难易程度适中；而且，之后推选出的主体课文与之前已推选出的主体课文中的目标知识点的学习相关性强，满足知识点巩固学习的要求。
本申请的第二实施方式涉及的多媒体教材编辑过程中主体课文推选方法主要用于语言类学科的多媒体教材编辑过程中主体课文的推选，适用于如语文、英语、日语、韩语等所有语言类多媒体教材编辑过程中主体课文的推选。
本申请的第三实施方式涉及一种基于人工智能的多媒体教材编辑系统，其结构如图4所示，该基于人工智能的多媒体教材编辑系统包括设置模块、推选模块、匹配模块和存储模块；其中
该设置模块用于根据预设教学阶段的教学大纲设置编辑要求，该推选模块用于根据该编辑要求从备选课文中推选主体课文，该匹配模块用于为该主体课文匹配知识点讲解课件和课后习题，该存储模块用于保存该主体课文及所匹配的知识点讲解课件和课后习题。
具体的：
该设置模块用于根据预设教学阶段的教学大纲设置编辑要求。
可选地，该设置模块还用于获取该预设教学阶段的目标知识点域和超纲知识点域，以及，根据该目标知识点域和超纲知识点域，设置作为该编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围。
可选地，该设置模块还用于，在该推选模块第一次推选主体课文时，该已被推选的主体课文数量设置为0，则该已学知识点域设置为空集。
可选地，该设置模块还用于，设置该预设教学阶段的多媒体教材中所需主体课文的数量。进一步地，该设置模块还用于，根据“所设置的目标生词数量阈值范围”和该预设教学阶段的目标知识点域的所有目标生词数量来设置该预设教学阶段的多媒体教材中所需主体课文的数量。例如，目标生词数量阈值为[50-60],该预设教学阶段的目标知识点域中的所有生词数量为1000个，则该预设教学阶段的多媒体教材中所需主体课文的数量需要设置为＞20篇，再综合考虑其他情况进行所需主体课文的具体数量的设置。
该推选模块用于根据该编辑要求从备选课文中推选主体课文。
可选地，该推选模块还用于，根据已被推选的主体课文计算已学知识点域；计算该备选课文中的每一篇备选课文中包含的属于该目标知识点域且不属于该已学知识点域的目标生词的数量以及属于超纲知识点域的超纲生词的数量；根据所述每一篇备选课文中包含的目标生词的数量和超纲生词的数量，筛选出目标生词的数量在该目标生词数量阈值范围内且超纲生词的数量在该超纲生词数量阈值范围内的备选课文；计算所筛选出的备选课文中的每一篇的综合质量系数；将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供用户选择主体课文；判断：“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”；如果是，则结束，否则继续根据已被推选的主体课文计算已学知识点域，完成推选过程直至该预设教学阶段的多媒体教材中所有主体课文都被推选完毕。
可选地，该推选模块还用于，分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标,并根据所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标计算该综合质量系数。在一个实施例中，每篇所筛选出的备选课文的综合质量系数的值可以通过公式Y＝A1×重要性指标+A2×目标生词数量合理性+A3×相关性指标+A4×超纲率指标计算得到，其中A1、A2、A3和A4分别是所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的权重值。
该四个质量指标的权重值可以根据不同的情况进行选取；优选地，可以根据教育部颁发的《教材评价指标体系》以及实际教材编辑经验，分别赋予该四个质量指标的权重值的优选值为A1＝4、A2＝3、A3＝2、A4＝1，在实际应用中，教材编辑人员可根据需求进行调整。
可选地，该推选模块还用于，根据以下公式1、2、3和4来了计算所筛选出的备选课文中的每一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；其中，
该公式1为：
Figure BDA0002050527970000221
Figure BDA0002050527970000222
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值；可以认为，备选课文的重要性取决于该备选课文中包含的生词的重要性，例如：按“掌握应用、理解说明、认识了解”从大到小赋值为3、2、1，则目标生词的重要性均值为2，如果备选课文的重要性越大，则该备选课文覆盖的重点学习的目标生词越多；
该公式2为：该目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量；其中该平均目标生词数量取决于预先设置的目标生词数量阈值范围，即平均目标生词数量为“目标生词数量阈值范围的平均值”，例如：预先设置的目标生词数量阈值范围为[10,30]，则一篇备选课文的平均目标生词数量为20；n为该备选课文的目标生词数量，n越接近平均目标生词数量，备选课文的目标生词数量越合理；
该公式3为：该相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；可以认为，该相关性取决于备选课文中包含前面已选主体课文中的目标生词数量；其中，备选课文的相关性越大，则该备选课文中包含前面已选主体课文中的目标生词数量越多，当前巩固学习的效果越好；
该公式4为：该超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量，该超纲率指标主要取决于预先设置的超纲生词数量阈值范围及目标生词数量阈值范围(通常超纲生词数量阈值范围<目标生词数量阈值范围)，则备选课文的超纲率越低，该备选课文越适用于当前教学阶段。
本实施方式中，该推选模块可以首选分析计算所筛选备选课文的重要性、目标生词数量合理性、相关性和超纲率的四个质量指标，并根据不同质量指标的重要程度赋予权重值，从而计算出各篇备选课文的综合质量系数Y，Y值越大的备选课文越适用当前教学阶段，系统根据Y值，由大到小依次排序推荐课文，供教材编辑人员选择最终的主体课文。
优选地，教材编辑人员可以根据课文的主题需求和上述综合质量系数Y值的排序结果，选择其中一篇作为主体课文。
该匹配模块用于为该主体课文匹配知识点讲解课件和课后习题。
可选地，该匹配模块还用于提取所述主体课文中的每一篇主体课文的目标知识点，根据所述知识点讲解课件属性信息表和试题属性信息表，获取与所述的目标知识点相关的知识点讲解课件和试题，生成所述每一篇主体课文的知识点讲解课件和课后习题。
该存储模块用于保存该主体课文及所匹配的知识点讲解课件和课后习题。
可选地，该系统还包括知识点库，用于分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储该各知识点，并对该各知识点的掌握要求进行标识，生成该各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合。
可选地，该系统还包括备选课文库，用于根据不同阶段的教学大纲收集不同类型的该备选课文进行存储，分别将该备选课文中的每一篇的内容与该各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表。
可选地，该系统还包括知识点课件库，用于获取学科知识点的学习特点，根据该学习特点制作各该知识点的讲解课件并对各该讲解课件中所讲解的知识点进行标识，生成知识点课件属性信息表。
可选地，该系统还包括试题库，用于根据学科不同阶段的考核特征，收集针对不同考核特征的对应题型的试题，并对各该试题中所考核的知识点进行标识，生成试题属性信息表。
本实施方式中，该系统所包括的“知识点库、备选课文库、知识点课件库和试题库”组成了数字化素材库，该数字化素材库是系统能够快速准确地推选主体课文的基础。
本申请的第三实施方式涉及的基于人工智能的多媒体教材编辑系统主要用于语言类学科的多媒体教材编辑，适用于如语文、英语、日语、韩语等所有语言类学科的多媒体教材编辑。
第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。
本申请的第四实施方式涉及一种多媒体教材编辑过程中主体课文推选系统，其结构如图5所示，该多媒体教材编辑过程中主体课文推选系统包括设置模块、计算模块、筛选模块和判断模块；其中，
该设置模块用于获取所述预设教学阶段的目标知识点域和超纲知识点域，根据所述目标知识点域和超纲知识点域设置作为所述编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围；该计算模块用于根据已被推选的主体课文计算已学知识点域，计算该备选课文中的每一篇备选课文中包含的属于该目标知识点域且不属于该已学知识点域的目标生词的数量以及属于超纲知识点域的超纲生词的数量，计算所筛选出的备选课文中的每一篇的综合质量系数，将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供用户选择主体课文；该筛选模块用于根据所述每一篇备选课文中包含的目标生词的数量和超纲生词的数量，筛选出目标生词的数量在该目标生词数量阈值范围内且超纲生词的数量在该超纲生词数量阈值范围内的备选课文；该判断模块用于判断“该预设教学阶段的多媒体教材中所有主体课文是否都被推选完毕”，如果是，则执行结束，否则返回“根据已被推选的主体课文计算已学知识点域”继续执行推选过程直至该预设教学阶段的多媒体教材中所有主体课文都被推选完毕。
可选地，该设置模块还用于，在系统第一次推选主体课文时，该已被推选的主体课文数量为0，则该已学知识点域记为空集。
可选地，该计算模块还用于，分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标，以及根据所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标计算该综合质量系数。
可选地，该计算模块还用于，根据以下公式1、2、3和4来了计算所筛选出的备选课文中的每一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；其中，该公式1为：
Figure BDA0002050527970000251
Figure BDA0002050527970000252
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值；该公式2为：目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量，其中该平均目标生词数量取决于所设置的该目标生词数量阈值范围；该公式3为：相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；该公式4为：超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量。
可选地，该系统还包括知识点库，用于分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储该各知识点，并对该各知识点的掌握要求进行标识，生成该各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合。
可选地，该系统还包括备选课文库，用于根据不同阶段的教学大纲收集不同类型的该备选课文进行存储，分别将该备选课文中的每一篇的内容与该各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表。
本申请的第四实施方式涉及的多媒体教材编辑过程中主体课文推选系统主要用于语言类学科的多媒体教材编辑过程中主体课文的推选，适用于如语文、英语、日语、韩语等所有语言类多媒体教材编辑过程中主体课文的推选。
第二实施方式是与本实施方式相对应的方法实施方式，第二实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第二实施方式。
需要说明的是，本领域技术人员应当理解，上述基于人工智能的多媒体教材编辑系统的实施方式中所示的各模块的实现功能可参照前述基于人工智能的多媒体教材编辑方法的相关描述而理解。上述基于人工智能的多媒体教材编辑系统的实施方式中所示的各模块的功能可通过运行于处理器上的程序(可执行指令)而实现，也可通过具体的逻辑电路而实现。本申请实施例上述基于人工智能的多媒体教材编辑系统如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，ReadOnly Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施方式还提供一种计算机可读存储介质，其中存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现本申请的各方法实施方式。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于，相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
此外，本申请实施方式还提供一种基于人工智能的多媒体教材编辑系统，其中包括用于存储计算机可执行指令的存储器，以及，处理器；该处理器用于在执行该存储器中的计算机可执行指令时实现上述各方法实施方式中的步骤。其中，该处理器可以是中央处理单元(Central Processing Unit，简称“CPU”)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称“DSP”)、专用集成电路(Appl ication SpecificIntegrated Circuit，简称“ASIC”)等。前述的存储器可以是只读存储器(read-onlymemory，简称“ROM”)、随机存取存储器(random access memory，简称“RAM”)、快闪存储器(Flash)、硬盘或者固态硬盘等。本发明各实施方式所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
需要说明的是，在本专利的申请文件中，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。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。
在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，以上所述仅为本说明书的较佳实施例而已，并非用于限定本说明书的保护范围。凡在本说明书一个或多个实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的保护范围之内。

Claims (8)

1.一种基于人工智能的多媒体教材编辑方法，其特征在于，包括：
根据预设教学阶段的教学大纲设置编辑要求；其中进一步包括：获取所述预设教学阶段的目标知识点域和超纲知识点域；根据所述目标知识点域和超纲知识点域，设置作为所述编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围；
根据所述编辑要求从备选课文中推选主体课文；
为所述主体课文匹配知识点讲解课件和课后习题；
保存所述主体课文及所匹配的知识点讲解课件和课后习题；
其中，所述根据预设教学阶段的教学大纲设置编辑要求，进一步包括：
所述根据所述编辑要求从备选课文中推选主体课文，进一步包括：
至少一次执行以下步骤，直至所述预设教学阶段的多媒体教材中所有主体课文都被推选完毕：
根据已被推选的主体课文计算已学知识点域；
计算所述备选课文中的每一篇所包含的属于所述目标知识点域且不属于所述已学知识点域的目标生词的数量，以及属于超纲知识点域的超纲生词的数量；
筛选出目标生词的数量在所述目标生词数量阈值范围内且超纲生词的数量在所述超纲生词数量阈值范围内的备选课文；
计算所筛选出的备选课文中的每一篇的综合质量系数；
将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供教材编辑人员选择主体课文。
2.如权利要求1所述的基于人工智能的多媒体教材编辑方法，其特征在于，所述计算所筛选出的备选课文中的每一篇的综合质量系数，进一步包括：
分别计算所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标；
对所筛选出的备选课文中的每一篇的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标进行加权求和，以得到所述所筛选出的备选课文中的每一篇的综合质量系数；
所述重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的权重值分别为4、3、2和-1。
3.如权利要求2所述的基于人工智能的多媒体教材编辑方法，其特征在于，所述所筛选出的备选课文中的一篇备选课文的重要性指标、目标生词数量合理性指标、相关性指标和超纲率指标的计算方法分别为：
Figure FDA0003999354360000021
Figure FDA0003999354360000022
其中n为该篇备选课文中目标生词数量，Km为第m个目标生词的重要性，该重要性按照“掌握要求从大到小”赋值，该目标生词的重要性均值是预先设置的多类重要性的平均值；
所述目标生词数量合理性指标＝1-(n-平均目标生词数量)/平均目标生词数量，其中该平均目标生词数量取决于所设置的所述目标生词数量阈值范围；
所述相关性指标＝该篇备选课文中包含已选主体课文中的目标生词数量/该篇备选课文的目标生词数量；
所述超纲率指标＝该篇备选课文的超纲生词数量/该篇备选课文的目标生词数量。
4.如权利要求1-3任意一项所述的基于人工智能的多媒体教材编辑方法，其特征在于，所述根据预设教学阶段的教学大纲设置编辑要求之前，还包括：
分别从各教学阶段的教学大纲中提取各知识点,按照不同的教学阶段分类存储所述各知识点，并对所述各知识点的掌握要求进行标识，生成所述各教学阶段的知识点属性信息表以及每个教学阶段对应的目标知识点域、超纲知识点域，其中一个教学阶段的超纲知识点域是高于该教学阶段的教学阶段的目标知识点域的集合；
根据不同阶段的教学大纲收集不同类型的所述备选课文，分别将所述备选课文中的每一篇的内容与所述各教学阶段的知识点属性信息表进行匹配，以生成每一篇备选课文的知识点属性信息表；
获取学科知识点的学习特点，根据所述学习特点制作各所述知识点的讲解课件并对各所述讲解课件中所讲解的知识点进行标识，生成知识点课件属性信息表；
根据学科不同阶段的考核特征，收集针对不同考核特征的对应题型的试题，并对各所述试题中所考核的知识点进行标识，生成试题属性信息表。
5.如权利要求4所述的基于人工智能的多媒体教材编辑方法，其特征在于，所述为所述主体课文匹配知识点讲解课件和课后习题，进一步包括：
提取所述主体课文中的每一篇主体课文的目标知识点，根据所述知识点讲解课件属性信息表和试题属性信息表，获取与所述的目标知识点相关的知识点讲解课件和试题，生成所述每一篇主体课文的知识点讲解课件和课后习题。
6.一种基于人工智能的多媒体教材编辑系统，其特征在于，包括：
设置模块，用于根据预设教学阶段的教学大纲设置编辑要求；所述设置模块被配置为：获取所述预设教学阶段的目标知识点域和超纲知识点域；根据所述目标知识点域和超纲知识点域，设置作为所述编辑要求的目标生词数量阈值范围和超纲生词数量阈值范围；
推选模块，用于根据所述编辑要求从备选课文中推选主体课文；
匹配模块，用于为所述主体课文匹配知识点讲解课件和课后习题；
存储模块，用于保存所述主体课文及所匹配的知识点讲解课件和课后习题；
其中，所述推选模块通过以下方式实现：
至少一次执行以下步骤，直至所述预设教学阶段的多媒体教材中所有主体课文都被推选完毕：
根据已被推选的主体课文计算已学知识点域；
计算所述备选课文中的每一篇所包含的属于所述目标知识点域且不属于所述已学知识点域的目标生词的数量，以及属于超纲知识点域的超纲生词的数量；
筛选出目标生词的数量在所述目标生词数量阈值范围内且超纲生词的数量在所述超纲生词数量阈值范围内的备选课文；
计算所筛选出的备选课文中的每一篇的综合质量系数；
将所筛选出的备选课文按照对应的综合质量系数的值的大小进行排序，供教材编辑人员选择主体课文。
7.一种基于人工智能的多媒体教材编辑系统，其特征在于，包括：
存储器，用于存储计算机可执行指令；以及，
处理器，用于在执行所述计算机可执行指令时实现如权利要求1至5中任意一项所述的基于人工智能的多媒体教材编辑方法中的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现如权利要求1至5中任意一项所述的基于人工智能的多媒体教材编辑方法中的步骤。
CN201910372679.XA 2019-05-06 2019-05-06 基于人工智能的多媒体教材编辑方法及其系统 Active CN110096686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910372679.XA CN110096686B (zh) 2019-05-06 2019-05-06 基于人工智能的多媒体教材编辑方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910372679.XA CN110096686B (zh) 2019-05-06 2019-05-06 基于人工智能的多媒体教材编辑方法及其系统

Publications (2)

Publication Number Publication Date
CN110096686A CN110096686A (zh) 2019-08-06
CN110096686B true CN110096686B (zh) 2023-02-28

Family

ID=67446965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910372679.XA Active CN110096686B (zh) 2019-05-06 2019-05-06 基于人工智能的多媒体教材编辑方法及其系统

Country Status (1)

Country Link
CN (1) CN110096686B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110825892A (zh) * 2019-11-01 2020-02-21 广州云蝶科技有限公司 一种课件生成方法
CN111242816B (zh) * 2020-01-02 2024-03-15 广州蓝鸽软件有限公司 基于人工智能的多媒体教案制作方法和系统
CN114547281B (zh) * 2022-02-23 2024-07-05 北京林业大学 一种基于词汇和语法的英文文本筛选方法及系统
CN114743418A (zh) * 2022-04-26 2022-07-12 简伟广 一种基于ai智能的日语教学系统
CN117952072B (zh) * 2024-03-22 2024-06-25 浙江蓝鸽科技有限公司 Ai校本化英语教材编辑方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000067226A1 (en) * 1999-05-05 2000-11-09 Ac Properties B.V. System method and article of manufacture for creating interactive simulations utilizing a remote knowledge base
CN105095619A (zh) * 2014-05-07 2015-11-25 北大方正集团有限公司 试题信息处理方法和装置
CN105447793A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化教学资源的教学系统
CN105448153A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化试卷的教学系统
CN106326417A (zh) * 2016-08-24 2017-01-11 冯玉国 一种试题数据处理方法及系统
CN108389450A (zh) * 2018-01-26 2018-08-10 广州大学 一种微课教学系统及方法
CN109002499A (zh) * 2018-06-29 2018-12-14 浙江蓝鸽科技有限公司 学科相关性知识点库构建方法及其系统
CN109299281A (zh) * 2018-07-06 2019-02-01 浙江学海教育科技有限公司 知识点标签的标注方法
CN109690581A (zh) * 2016-09-02 2019-04-26 浙江核新同花顺网络信息股份有限公司 用户指导系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9852648B2 (en) * 2015-07-10 2017-12-26 Fujitsu Limited Extraction of knowledge points and relations from learning materials

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000067226A1 (en) * 1999-05-05 2000-11-09 Ac Properties B.V. System method and article of manufacture for creating interactive simulations utilizing a remote knowledge base
CN105095619A (zh) * 2014-05-07 2015-11-25 北大方正集团有限公司 试题信息处理方法和装置
CN105447793A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化教学资源的教学系统
CN105448153A (zh) * 2015-12-31 2016-03-30 华夏博雅（北京）教育科技发展有限公司 生成定制化试卷的教学系统
CN106326417A (zh) * 2016-08-24 2017-01-11 冯玉国 一种试题数据处理方法及系统
CN109690581A (zh) * 2016-09-02 2019-04-26 浙江核新同花顺网络信息股份有限公司 用户指导系统及方法
CN108389450A (zh) * 2018-01-26 2018-08-10 广州大学 一种微课教学系统及方法
CN109002499A (zh) * 2018-06-29 2018-12-14 浙江蓝鸽科技有限公司 学科相关性知识点库构建方法及其系统
CN109299281A (zh) * 2018-07-06 2019-02-01 浙江学海教育科技有限公司 知识点标签的标注方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
新建本科大学物理化学实验课程改革与实践;孙开莲等;《赤峰学院学报（ 自然科学版）》;20181130;第234-235页 *

Also Published As

Publication number Publication date
CN110096686A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
CN110096686B (zh) 基于人工智能的多媒体教材编辑方法及其系统
Cobb Learning about language and learners from computer programs
CN109783601B (zh) 基于测试知识点的计算机智能组卷方法及其系统
CN111242816B (zh) 基于人工智能的多媒体教案制作方法和系统
CN105677747A (zh) 在线教学中的知识点管理方法和系统
CN102262634A (zh) 一种自动问答方法及系统
CN110134871B (zh) 一种基于课程和学习者网络结构的动态课程推荐方法
CN112506945B (zh) 基于知识图谱的自适应导学方法及系统
CN113836894B (zh) 多维度英语作文评分方法、装置及可读存储介质
JP2024527185A (ja) スピーチ原稿の評価方法及び機器
CN112182210B (zh) 基于作文论据特征分类器的语言生成模型及写作支持方法
CN111625631B (zh) 一种选择题选项生成方法
Mohamad et al. Feature engineering for predicting MOOC performance
Çiftçi The Studies on Educational Digital Games Regarding Children: A New Word Analysis Approach.
CN111126066B (zh) 基于神经网络的中文修辞手法的确定方法和装置
Ezz Advisory system for student enrollment in university based on variety of machine learning algorithms
Altindiş Perspective chapter: New approaches to the assessment of domain-specific creativity
CN110223206A (zh) 课文专业方向确定方法及系统和解析课件匹配方法及系统
Unal et al. Creating data resources for designing user-centric frontends for Query by Humming systems
Liang Research on the key technology of the personalized English learning system
Qin The construction of a localized teaching model of the Orff music teaching method based on big data analysis
Kokaj et al. The Effect of ICT in Education and Teaching: Student Evaluation Based Verification
Suriyasat et al. A Comparison of Machine Learning and Neural Network Algorithms for an Automated Thai Essay Scoring
Li et al. Thinking Vs Doing Uncertainty of Design Thinking Tools in Facilitating Maker Workshops
US20240339042A1 (en) Automatically creating psychometrically valid and reliable items using generative language models

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