CN110175326A - 一种获取阅读心像信息量的计算方法及装置 - Google Patents
一种获取阅读心像信息量的计算方法及装置 Download PDFInfo
- Publication number
- CN110175326A CN110175326A CN201910374492.3A CN201910374492A CN110175326A CN 110175326 A CN110175326 A CN 110175326A CN 201910374492 A CN201910374492 A CN 201910374492A CN 110175326 A CN110175326 A CN 110175326A
- Authority
- CN
- China
- Prior art keywords
- reading
- duration
- read
- user
- practical
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种获取阅读心像信息量的计算方法及装置。该计算方法包括,步骤1:获取待统计的电子文本样本,识别其文体并归类;步骤2:统计电子文本的字数;步骤3:获取用户对不同文体的平均阅读速度;步骤4:计算用户对不同文体的平均阅读时长;步骤5:对比用户的实际阅读时长和平均阅读时长判断阅读的完整度;步骤6:判别用户是否为深度阅读状态;步骤7、计算用户在深度阅读状态下的心像信息量,并构建模型。本发明通过智能化判别用户是否进入深度阅读状态,以及计算用户在深度阅读状态下的心像获取量,可得出用户对阅读文本的文体偏好,是实现阅读文本智能化推送基础要素之一。
Description
技术领域
本发明涉及网络信息技术领域领域,尤其涉及一种获取阅读心像信息量的计算方法及装置。
背景技术
逻辑图像理论认为,人们对于外部对象的认知过程必须经历三个阶段:第一是根据已有经验,在大脑中对外部对象形成简单的图像,也可以称之为为关于外部对象的记号或心像(个体有时会对同一个对象的认知产生两个不同的心像,经过取舍或者合并后,最终会留下一个。取舍的原则是看哪个心像反映了较多的关于该对象的本质关联,或者说哪个心像在意识中的呈现更清晰。);第二是结合自已掌握的相关知识,运用逻辑推演等方法,对大脑中第一阶段形成的外部对象的心像或记号做进一步推导,从心像衍生出更多相关的知识;第三是返回外部世界进行实践,在实践中验证衍生知识的正确性(维特根斯坦,1985)。
阅读则是反向回归,在上述第一步中将文章中的各种语言表达形式,借助语法、语义规律对语言表达进行解析,同时可进入深度阅读状态,将其所要描述的心像重新构建出来,再将读者重构的心像和作者构建的心像以及外部对象做比对。如果读者重构的心像和作者构建的心像分毫不差,就可以说读者完全读懂了作者的意思;如果读者或作者构建的心像和外部对象不一致,则可以说读者或作者对外部对象的认知有偏颇。借助逻辑图像理论对阅读过程的分析,可以从外部对象到内部心像的建立过程入手进行指导。首先解决个体怎么看、看多少的问题,再到句法、语义分析,结合阅读心理、阅读习惯等外在规律,判定一篇文章适合哪些个体。
在数据量爆炸式增长和人工智能飞速发展的今天,机器智能辅助阅读的发展势不可挡。机器智能辅助阅读以大数据为基础,以读者为主体,以人工智能技术为工具,提高阅读效率,精选阅读内容,打造个性化新型阅读模式。
发明内容
为解决上述中的技术问题,本发明提供了获取阅读心像信息量的计算方法及装置。本发明主要根据用户在阅读过程中心像信息量获取的时长以及文体信息来判断用户的偏好程度,从而判断用户对文体类型的偏好。
本发明采用的技术方案为:
一种获取阅读心像信息量的计算方法,包括以下步骤:
步骤1:获取待统计的电子文本样本,识别其文体并归类;
步骤2:统计电子文本的字数;
步骤3:获取用户对不同文体的平均阅读速度vb;
步骤4:计算用户对不同文体的平均阅读时长tb;
步骤5:对比用户的实际阅读时长tsn和平均阅读时长tb判断阅读的完整度;
步骤6:判别用户是否为深度阅读状态;
步骤7、计算用户在深度阅读状态下的心像信息获取量qH,并构建模型。
所述步骤3中,平均阅读速度的获取方法为:
1.1)初始状态下,预存有不同文体的参考阅读速度vs;
1.2)记录用户首次阅读不同文体的实际阅读速度vsn,首次由所述实际阅读速度vsn对所述参考阅读速度vs进行更新;
1.3)记录该用户的各次阅读速度,记录并形成该用户不同文体的阅读速度列表,阅读速度列表中各文体的阅读速度均值即为该文体的平均阅读速度vb,并根据该用户的阅读情况不断更新所述平均阅读速度vb。
所述步骤4中,平均阅读时长计算方法为:
1.1)由所述步骤3获得该用户在相应文体的平均阅读速度vb;
1.2)依据该文本的字数和对应的平均阅读速度vb计算出该文本的平均阅读时长tb,并根据该用户的阅读情况不断更新所述平均阅读时长tb。
所述步骤6中,深度阅读状态的判别方法为:所述深度阅读状态下,实际阅读速度vsn不大于对应文体的所述平均阅读速度vb,且/或实际阅读时长tsn不小于对应文体的所述平均阅读时长tb。
所述步骤7中,心像信息获取量qH的计算步骤为:
1.1)分阶段获取并记录用户的实际阅读速度vsn和实际阅读时长tsn;
1.2)用户在阅读时初始阶段阅读速度v0和初始阶段阅读时长t0为恒定值,用户在下列阅读情形时心像信息获取量∠H的计算方法为:
(1)当用户实际阅读速度vsn小于平均阅读速度vb,且实际阅读时长tsn小于平均阅读时长tb时,
心像获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn
×(实际阅读时长tsn-初始阅读时长t0)
(2)当用户实际阅读速度vsn小于平均阅读速度vb,而实际阅读时长tsn大于平均阅读时长tb时,
心像获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn×(平均阅读时长tb-初始阅读时长t0)+Sn+1的阅读速度vsn+1×(S1的阅读时长ts1-平均阅读时长tb)+…+Sn+i的阅读速度vsn+i×(Sn的阅读时长tsn-Sn-1的阅读时长tsn-1)
(3)当用户实际阅读速度vsn大于平均阅读速度vb,且实际阅读时长tsn大于平均阅读时长tb时,
心像获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn×(平均阅读时长tb-初始阅读时长t0)+Sn+1的实际阅读速度vsn×(S1阅读时长ts1-平均阅读时长tb)+…+Sn+i的实际阅读速度vsn×(Sn阅读时长tsn-Sn-1阅读时长tsn-1)
一种基于阅读心像信息获取量的计算装置,其特征在于,包括:
—获取模块,用于获取待统计的电子文本样本,识别该电子文本的文体并归类;
—字数统计模块,用于统计所述电子文本的字数;
—阅读速度统计模块,用于统计用户对不同文体的平均阅读速度;
—阅读时长统计模块,用于统计用户对不同文体的平均阅读时长;
—第一对比模块,用于对比用户的实际阅读时长和平均阅读时长,判断阅读的完整度;
—第二对比模块,用于对比用户的实际阅读速度和平均阅读速度,并判别用户是否为深度阅读状态;
—计算模块,用于计算用户在深度阅读状态下心像信息获取量和构建模型。
所述阅读速度统计模块,包括,
—参考速度子模块,用于预设不同文体的参考阅读速度;
—阅读速度更新子模块,用于将实际阅读速度更新所述参考阅读速度,并将不同文体的历次实际阅读速度统计,不断更新并得到用户对不同文体的所述平均阅读时长。
所述阅读时长统计模块,包括,
—参考速度子模块,用于根据电子阅读物字数和所述平均阅读速度,预设不同电子阅读物的参考阅读时长;
—阅读时长更新子模块,用于将实际阅读时长更新所述参考阅读时长,不断更新并得到用户对不同文体的所述平均阅读时长。
所述第二对比模块,包括,
—阅读速度对比子模块,用于在实际阅读速度不大于对应文体的所述平均阅读速度时,形成对比;
—阅读时长对比子模块,用于在实际阅读时长不小于对应文体的所述平均阅读时长时,形成对比;
—深度阅读判别子模块,用于在上述阅读速度对比子模块,且/或上述阅读时长对比子模块对比形成后,做出判别。
所述计算模块,包括,
—第一计算模块,用于在用户实际阅读速度小于平均阅读速度,且实际阅读时长小于平均阅读时长时,计算心像信息获取量;
—第二计算模块,用于在用户实际阅读速度小于平均阅读速度,而实际阅读时长大于平均阅读时长时,计算心像信息获取量;
—第三计算模块,用于在用户实际阅读速度大于平均阅读速度,且实际阅读时长大于平均阅读时长时,计算心像信息获取量。
本发明提供的一种获取阅读心像信息量的计算方法及装置,可在用户进行阅读时,通过智能化判别用户是否进入深度阅读状态,以及计算用户在深度阅读状态下的心像信息量,可得出用户对阅读文本的文体偏好,是实现阅读文本智能化推送基础要素之一。
附图说明
图1为本发明实施例的的工作流程图;
图2为本发明实施例一中学生测评的默读速度分布统计表;
图3为本发明实施例一中学生测评的默读速度区间测量统计分布图;
图4为本发明实施例一中学生测评的朗读速度分布统计表;
图5为本发明实施例一中学生测评的朗读速度区间测量统计分布图;
图6为本发明实施例二中第1组心像信息获取量采样拟合曲线图;
图7为本发明实施例二中第2组心像信息获取量采样拟合曲线图;
图8为本发明实施例三中成人记叙文体像信息获取量采样拟合曲线图。
具体实施方式
下面结合附图,对本发明作进一步的说明。
参照图1,一种获取阅读心像信息量的计算方法,包括以下步骤:
101、获取待统计的电子文本样本,识别其文体并归类。
102、统计电子文本的字数。
103、获取用户对不同文体的平均阅读速度vb。
具体的,平均阅读速度的获取方法为:
1.1)初始状态下,预存有不同文体的参考阅读速度vs;
1.2)记录用户首次阅读不同文体的实际阅读速度vsn,首次由实际阅读速度vsn对所述参考阅读速度vs进行更新;
1.3)记录该用户的各次阅读速度,记录并形成用户不同文体的阅读速度列表,阅读速度列表中各文体的阅读速度均值即为该文体的平均阅读速度vb,并根据该用户的阅读情况不断更新所述平均阅读速度vb。
104、计算用户对不同文体的平均阅读时长tb。
具体的,平均阅读时长计算方法为:
1.1)由所述步骤3获得用户在相应文体的平均阅读速度vb;
1.2)依据该文本的字数和对应的平均阅读速度vb计算出该文本的平均阅读时长tb,并根据该用户的阅读情况不断更新所述平均阅读时长tb。
105、对比用户的实际阅读时长tsn和平均阅读时长tb判断阅读的完整度。
106、判别用户是否为深度阅读状态。
具体的,深度阅读状态的判别方法为,深度阅读状态下,实际阅读速度vsn不大于对应文体的平均阅读速度vb,且/或实际阅读时长tsn不小于对应文体的平均阅读时长tb。
107、计算用户在深度阅读状态下的心像信息获取量qH,并构建模型。
具体的,心像信息获取量∠H的计算步骤为:
1.3)分阶段获取并记录用户的实际阅读速度vsn和实际阅读时长tsn;
1.2)用户在阅读时初始阶段阅读速度v0和初始阶段阅读时长t0为恒定值。心像信息获取量qH与实际阅读速度vsn、实际阅读时长tsn等要素间的计算关系为:
(1)
If 0<υSn≤υb,0<tSn≤tb,then
(2)
If tb<tSn,0<υSn≤υb,then
(3)
If υb<υSn,tb<tSn,then
如此,一个完整的单次实际阅读时长范围下,用户从开始阅读到进入深度阅读需要时间,深度阅读状态的维持也是有限的时间,伴随着时间的延长,用户的实际阅读速度vs逐渐减慢,直到阅读活动结束。
实施例一
依据心像信息量计算方法及模型设计,本实施例实验选取北京市八一学校三年级290名学生做为阅读测评对象用户。
具体测评方式为,所有学生均选择同一文本,为测量全体样本的平均阅读(包括默读和朗读)速度,并基于测量数据,通过本实施例来测量全体样本的速度均值。
本实施例选择290名学生做为测评对象用户,组织为期两周的阅读教学课程的跟踪测评。经统计可得各班级阅读、默读速度分布统计表(图2)并对应形成图3默读速度区间测量统计分布图,以及朗读速度分布统计表(图4)并对应形成图5朗读速度区间测量统计分布图。
由图2和图3可知整体样本默读速度在200-250字/分钟、351-400字/分钟区间的人数分布相对集中。由图4和图5可知朗读速度在100-150字/分钟区间分布相对集中。
为能够较为准确的把握单个样本在单次完整阅读过程的分析描述,同时能够构建智能辅助阅读定量推荐模型的数学表达,特挑选默读速度在351-400字/分钟的精选样本若干,共同参与实施例二的关于心像信息量的获取及智能辅助阅读定量推荐模型的函数模型实现过程。
实施例二
心像信息的获取是对阅读内容的重构过程,为了便于心像信息获取量的计算和模型的构建,在本实施例中选择了与对象用户相适应的阅读难度内容,以便在阅读中顺利完成计算和模型的构建。本实施例全过程记录阅读场景,采用定期采样的方式记录阅读进展,作为心像信息量的获取情况,单次实验直到对象主动提出停止本次实验为止。经统计得到如上述图6所示的信息采样点,经过曲线拟合得到各段时间分布拟合曲线,其中横坐标代表时间(单位为“秒”),纵坐标代表心像信息量获取(文中用“字”作为单位)。
本实施例按照不同的阅读文体共分两组进行,图6是议论文文体的心像信息量获取采样和拟合过程。由曲线拟合可知,本实施例全过程被分为三个阶段,对应不同时段的拟合函数为:
图7是阅读记叙文文体的心像信息量获取采样和拟合过程。曲线拟合可知,本实验全过程被分为三个阶段,对应不同时段的拟合方程为:
由两组心像信息量获取拟合函数模型可知,不同文体的智能辅助阅读的定量推荐函数不同。图7显示记叙文文体的代入感更强,容易让实验对象增加阅读量。由图7与图6对比,显示记叙文体在最先开始的阅读速度上更有优势,但在正式进入深度阅读状态后两者的实际阅读速度相差不大。
实施例三
为能够获得心像信息获取量模型的生长曲线,在实施例中增加了成人心像信息量获取采样的曲线分析,对应不同时段的拟合方程为。
由图8的拟合曲线分析可知,成人在阅读开始进入深度阅读状态的时间更短,本实施例中对象用户仅用10s就进入深度阅读状态,且在时间持续性方面有良好表现。故此,按照差异化的阅读对象制定个性智能辅助阅读定量推荐模型后,逐步调整曲线函数使其向成人的曲线变化生长,并最终用成人曲线来训练阅读。
综上所述,心像信息获取量是阅读定量模型所关注的重中之重,采用形式的方法推导出心像信息获取量和阅读速度、阅读时长等其他相关因素之间的语法、语义关系,不仅有助于清晰展现心像信息获取量的详尽构成,也是实现阅读文本智能化推送基础要素之一。
本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种获取阅读心像信息量的计算方法,其特征在于,包括以下步骤:
步骤1:获取待统计的电子文本样本,识别其文体并归类;
步骤2:统计电子文本的字数;
步骤3:获取用户对不同文体的平均阅读速度vb;
步骤4:计算用户对不同文体的平均阅读时长tb;
步骤5:对比用户的实际阅读时长tsn和平均阅读时长tb判断阅读的完整度;
步骤6:判别用户是否为深度阅读状态;
步骤7、计算用户在深度阅读状态下的心像信息获取量qH,并构建模型。
2.根据权利要求1所述的一种获取阅读心像信息量的计算方法,其特征在于,所述步骤3中,平均阅读速度的获取方法为:
1.1)初始状态下,预存有不同文体的参考阅读速度vs;
1.2)记录用户首次阅读不同文体的实际阅读速度vsn,首次由所述实际阅读速度vsn对所述参考阅读速度vs进行更新;
1.3)记录该用户的各次阅读速度,记录并形成该用户不同文体的阅读速度列表,阅读速度列表中各文体的阅读速度均值即为该文体的平均阅读速度vb,并根据该用户的阅读情况不断更新所述平均阅读速度vb。
3.根据权利要求1或2所述的一种获取阅读心像信息量的计算方法,其特征在于,所述步骤4中,平均阅读时长计算方法为:
1.1)由所述步骤3获得该用户在相应文体的平均阅读速度vb;
1.2)依据该文本的字数和对应的平均阅读速度vb计算出该文本的平均阅读时长tb,并根据该用户的阅读情况不断更新所述平均阅读时长tb。
4.根据权利要求1所述的一种基于阅读心像信息获取量的计算方法,其特征在于,所述步骤6中,深度阅读状态的判别方法为:所述深度阅读状态下,实际阅读速度vsn不大于对应文体的所述平均阅读速度vb,且/或实际阅读时长tsn不小于对应文体的所述平均阅读时长tb。
5.根据权利要求4所述的一种获取阅读心像信息量的计算方法,其特征在于,所述步骤7中,心像信息获取量qH的计算步骤为:
1.1)分阶段获取并记录用户的实际阅读速度vsn和实际阅读时长tsn;
1.2)用户在阅读时初始阶段阅读速度v0和初始阶段阅读时长t0为恒定值,用户在下列阅读情形时心像信息获取量qH的计算方法为:
(1)当用户实际阅读速度vsn小于平均阅读速度vb,且实际阅读时长tsn小于平均阅读时长tb时,
心像信息获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn×(实际阅读时长tsn-初始阅读时长t0)
(2)当用户实际阅读速度vsn小于平均阅读速度vb,而实际阅读时长tsn大于平均阅读时长tb时,
心像信息获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn×(平均阅读时长tb-初始阅读时长t0)+Sn+1的阅读速度vsn+1×(S1的阅读时长ts1-平均阅读时长tb)+…+Sn+i的阅读速度vsn+i×(Sn的阅读时长tsn-Sn-1的阅读时长tsn-1)
(3)当用户实际阅读速度vsn大于平均阅读速度vb,且实际阅读时长tsn大于平均阅读时长tb时,
心像信息获取量qH=初始阅读速度v0×初始阅读时长t0+实际阅读速度vsn×(平均阅读时长tb-初始阅读时长t0)+Sn+1的实际阅读速度vsn×(S1阅读时长ts1-平均阅读时长tb)+…+Sn+i的实际阅读速度vsn×(Sn阅读时长tsn-Sn-1阅读时长tsn-1)。
6.一种基于阅读心像信息获取量的计算装置,其特征在于,包括:
—获取模块,用于获取待统计的电子文本样本,识别该电子文本的文体并归类;
—字数统计模块,用于统计所述电子文本的字数;
—阅读速度统计模块,用于统计用户对不同文体的平均阅读速度;
—阅读时长统计模块,用于统计用户对不同文体的平均阅读时长;
—第一对比模块,用于对比用户的实际阅读时长和平均阅读时长,判断阅读的完整度;
—第二对比模块,用于对比用户的实际阅读速度和平均阅读速度,并判别用户是否为深度阅读状态;
—计算模块,用于计算用户在深度阅读状态下心像信息获取量和构建模型。
7.根据权利要求6所述的一种获取阅读心像信息量的计算装置,其特征在于,所述阅读速度统计模块,包括,
—参考速度子模块,用于预设不同文体的参考阅读速度;
—阅读速度更新子模块,用于将实际阅读速度更新所述参考阅读速度,并将不同文体的历次实际阅读速度统计,不断更新并得到用户对不同文体的所述平均阅读时长。
8.根据权利要求6所述的一种获取阅读心像信息量的计算装置,其特征在于,所述阅读时长统计模块,包括,
—参考速度子模块,用于根据电子阅读物字数和所述平均阅读速度,预设不同电子阅读物的参考阅读时长;
—阅读时长更新子模块,用于将实际阅读时长更新所述参考阅读时长,不断更新并得到用户对不同文体的所述平均阅读时长。
9.根据权利要求6所述的一种获取阅读心像信息量的计算装置,其特征在于,所述第二对比模块,包括,
—阅读速度对比子模块,用于在实际阅读速度不大于对应文体的所述平均阅读速度时,形成对比;
—阅读时长对比子模块,用于在实际阅读时长不小于对应文体的所述平均阅读时长时,形成对比;
—深度阅读判别子模块,用于在上述阅读速度对比子模块,且/或上述阅读时长对比子模块对比形成后,做出判别。
10.根据权利要求9所述的一种获取阅读心像信息量的计算装置,其特征在于,所述计算模块,包括,
—第一计算模块,用于在用户实际阅读速度小于平均阅读速度,且实际阅读时长小于平均阅读时长时,计算心像信息获取量;
—第二计算模块,用于在用户实际阅读速度小于平均阅读速度,而实际阅读时长大于平均阅读时长时,计算心像信息获取量;
—第三计算模块,用于在用户实际阅读速度大于平均阅读速度,且实际阅读时长大于平均阅读时长时,计算心像信息获取量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374492.3A CN110175326B (zh) | 2019-05-07 | 2019-05-07 | 一种获取阅读心像信息量的计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910374492.3A CN110175326B (zh) | 2019-05-07 | 2019-05-07 | 一种获取阅读心像信息量的计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175326A true CN110175326A (zh) | 2019-08-27 |
CN110175326B CN110175326B (zh) | 2022-06-21 |
Family
ID=67691293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910374492.3A Active CN110175326B (zh) | 2019-05-07 | 2019-05-07 | 一种获取阅读心像信息量的计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175326B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777139A (zh) * | 2016-12-19 | 2017-05-31 | 浙江工业大学 | 基于阅读时间的用户阅读偏好统计的个性化推送方法 |
US20170351664A1 (en) * | 2015-01-28 | 2017-12-07 | Bruce C. Hahn | Deep reading machine and method |
CN108197797A (zh) * | 2017-12-28 | 2018-06-22 | 广州星耀悦教育科技有限公司 | 一种基于大数据的学生阅读分析评价方法及装置 |
CN108256499A (zh) * | 2018-02-05 | 2018-07-06 | 湖南科乐坊教育科技股份有限公司 | 一种图书评价信息确定方法、装置及系统 |
-
2019
- 2019-05-07 CN CN201910374492.3A patent/CN110175326B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170351664A1 (en) * | 2015-01-28 | 2017-12-07 | Bruce C. Hahn | Deep reading machine and method |
CN106777139A (zh) * | 2016-12-19 | 2017-05-31 | 浙江工业大学 | 基于阅读时间的用户阅读偏好统计的个性化推送方法 |
CN108197797A (zh) * | 2017-12-28 | 2018-06-22 | 广州星耀悦教育科技有限公司 | 一种基于大数据的学生阅读分析评价方法及装置 |
CN108256499A (zh) * | 2018-02-05 | 2018-07-06 | 湖南科乐坊教育科技股份有限公司 | 一种图书评价信息确定方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
郭淑斌: "电子文本的阅读过程与心理表征的构建", 《电化教育研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175326B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suggate et al. | Children’s fine motor skills in kindergarten predict reading in grade 1 | |
Weisz et al. | Piagetian evidence and the developmental-difference controversy | |
Wearden | The psychology of time perception | |
Milgram | The rationale and irrational in Zigler's motivational approach to mental retardation | |
Washburne et al. | What characteristics of teachers affect children's growth? | |
Hall et al. | Adolescent cognitive skills, attitudinal/behavioral traits and career wages | |
Yıldırım et al. | How are entrepreneurial intentions affected by emotional intelligence and creativity? | |
CN110232343B (zh) | 基于潜变量模型的儿童个性化行为统计分析系统及方法 | |
Chango et al. | Improving prediction of students’ performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources | |
Khatena | Major directions in creativity research | |
Martin | A critical analysis of the theoretical construction and empirical measurement of cognitive load | |
CN112464774A (zh) | 一种基于眼动测量的视频学习中的情感识别方法 | |
CN110175326A (zh) | 一种获取阅读心像信息量的计算方法及装置 | |
KR101150768B1 (ko) | 피문 분석을 이용한 적성검사 방법 및 그 방법을 기록한 컴퓨터로 읽을 수 있는 기록매체 | |
Obaidellah et al. | The role of chunking in drawing Rey complex figure | |
Wang et al. | Causal association analysis algorithm for MOOC learning behavior and learning effect | |
CN113065595A (zh) | 一种用于在线视频学习的基于眼动信号的情感识别方法 | |
Rosseel | The impact of attitudes toward the personal future on study motivation and work orientations of nonworking adolescents | |
Mostafavi et al. | Data-driven proficiency profiling: proof of concept | |
Leavitt | Chapter VIII: Teacher-Pupil Relationships | |
Batchelder | Cognitive psychometrics | |
Kent | An Autoethnography of my Journey through Autoethnography | |
Mohtashemi et al. | Qualitative analysis of the all-cause black-white mortality crossover | |
Cui et al. | The influence of implicit theories of personality on processing strategy of person impressions | |
Vanthournout et al. | The development of learning strategies in higher education: impact of gender and prior education |
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 |