CN110378812A - 一种自适应在线教育系统及方法 - Google Patents
一种自适应在线教育系统及方法 Download PDFInfo
- Publication number
- CN110378812A CN110378812A CN201910447450.8A CN201910447450A CN110378812A CN 110378812 A CN110378812 A CN 110378812A CN 201910447450 A CN201910447450 A CN 201910447450A CN 110378812 A CN110378812 A CN 110378812A
- Authority
- CN
- China
- Prior art keywords
- learning state
- student
- current
- learning
- model
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 21
- 230000015654 memory Effects 0.000 claims description 31
- 238000012512 characterization method Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000036772 blood pressure Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 208000024891 symptom Diseases 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/12—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations different stations being capable of presenting different information simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种自适应在线教育系统及方法,系统包括:教学交互模块、学习状态预测模块以及反馈与推荐模块,其中,教学交互模块获取学生在线的学习状态数据,将学习状态数据发送给学习状态预测模块;学习状态预测模块将学习状态数据输入学习状态预测模型,输出学生当前的学习状态;反馈与推荐模块将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源,发送给教学交互模块进行显示。本发明能根据学生的在线学习状态数据对学生的学习状态进行实时预测与监听,同时根据学习状态的预测结果给与学习者一定的反馈,该反馈包括提示建议以及推荐等,从而对学习者下一步的学习进行指引,帮助学生更好地汲取知识,提升学习效率。
Description
技术领域
本发明涉及人工智能教育技术领域,具体涉及一种自适应在线教育系统及方法。
背景技术
近几年来,随着人工智能技术的飞速发展,人工智能技术已经逐步的被应用到教育领域中,在线教育应运而生,目前的在线学习系统或者辅助学习系统,交互性较差,无法很好的监听学生的学习状态,不能根据学生的学习状态给与及时的反馈,导致学生在线学习时,不能学习到适合自己的学习资源,导致学习效率较差。
发明内容
因此,本发明提供的一种自适应在线教育系统及方法,克服了现有技术中学生在线学习时,与学习平台交互性差、学习效率低的缺点。
第一方面,本发明实施例提供一种自适应在线教育系统,包括:教学交互模块、学习状态预测模块以及反馈与推荐模块,其中,教学交互模块获取学生在线的学习状态数据,并将所述学习状态数据发送给学习状态预测模块;学习状态预测模块将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态;反馈与推荐模块将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源,并发送给教学交互模块进行显示。
在一实施例中,所述学习状态预测模型包括:学习者基础模型,用于预测多维的学习者基础学习状态;学习状态整合模型,用于对多维的学习者基础学习状态进行整合,生成学生当前的学习状态。
在一实施例中,所述学习者基础模型包括:学习情感模型,用于预测表征学生对当前学习资源的热爱程度;知识追踪模型,用于预测表征学生对当前学习资源的掌握程度;参与度模型,用于预测表征学生对当前学习资源的参与度;注意力模型,用于预测表征学生对当前学习资源的投入程度。
在一实施例中,学习状态预测模块还包括:数据处理器,用于对所述学习状态数据进行预处理及提取多个特征,多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征;所述学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;所述学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
在一实施例中,所述推荐与反馈模型包括:基础推荐模型,根据学习状态推荐学生当前的需要的学习资源;整合推荐模型,根据当前的学习状态及推荐的学习资源进行整合,根据学习状态或学习资源的优先级,在教学交互模块上进行显示。
在一实施例中,所述基础推荐模型包括:知识点推荐模型,根据当前的学习状态给学生推荐适合其学习的下一个知识点;题目推荐模型,根据当前的学习状态给学生推荐适合学生学习的下一道或者几道题目;帮助提示模型,根据当前的学习状态给学生提示与帮助;页面干预模型,根据学生当前的学习状态调整教学交互模块内容以适应学生学习。
第二方面,本发明实施例提供一种自适应在线教育方法,包括如下步骤:
获取学生在线的学习状态数据;将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态;将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源。
在一实施例中,所述获取学生在线的学习状态数据的步骤之后及所述将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态的步骤之前,还包括:对所述学习状态数据进行预处理及提取多个特征,多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征。
在一实施例中,所述将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态的步骤,包括:利用学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;利用学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
第三方面,本发明实施例提供一种计算机设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行本发明实施例第二方面所述的自适应在线教育方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第二方面所述的自适应在线教育方法。
本发明技术方案,具有如下优点:
本发明实施例提供的自适应在线教育系统及方法,通过教学交互模块获取学生在线的学习状态数据,将学习状态数据发送给学习状态预测模块;学习状态预测模块将学习状态数据输入学习状态预测模型,输出学生当前的学习状态;反馈与推荐模块将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源,发送给教学交互模块进行显示。本发明能根据学生的在线学习状态数据对学生的学习状态进行实时预测与监听,同时根据学习状态的预测结果给与学习者一定的反馈,该反馈包括提示建议以及推荐等,从而对学习者下一步的学习进行指引,帮助学生更好地汲取知识,提升学习效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的自适应在线教育系统的一个具体示例的应用场景图;
图2为本发明实施例提供教学界面的一个具体示例的示意图;
图3为本发明实施例提供的利用学习状态预测模块预测学习状态的示意图;
图4为本发明实施例提供的推荐与反馈模型的一个具体示例的组成图;
图5为本发明实施例提供的自适应在线教育方法一个具体示例的流程图;
图6为本发明实施例提供的自适应在线教育方法另一个具体示例的流程图;
图7为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种自适应在线教育系统,如图1所示的为一应用场景,该系统包括:包括:教学交互模块1、学习状态预测模块2以及反馈与推荐模块3,其中,
教学交互模块1获取学生在线的学习状态数据,并将学习状态数据发送给学习状态预测模块2。学生的学习状态数据可以包括学生在线的学习日志、摄像头记录学习者学习时的图像、语音输入设备获取学习者学习时的声音、体征监测手环捕捉学生的实时身体特征(例如血压,体温)等。
学习状态预测模块2将学习状态数据输入学习状态预测模型,输出学生当前的学习状态;学习状态预测模块根据学习状态数据提取多个特征,输入学习状态预测模型,输出当前的学习状态。
反馈与推荐模块3将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源,并发送给教学交互模块1进行显示。
本发明实施例提供的自适应在线教育系统,能够根据学生的在线学习状态数据对学生的学习状态进行实时的预测与监听,同时根据其学生学习状态的预测结果给与学习者一定的反馈,该反馈包括提示建议以及推荐等,从而对学习者下一步的学习进行指引,通过增强学生与系统的交互帮助学生更好地汲取知识,提升学习效率。
在一实施例中,教学交互模块1的前端教学界面以操作框(cell)为一个单元,学习者完成前一个操作框(cell),才能进入下一个操作框。学生在cell的一系列操作行为会以日志的形式被记录。如图2所示,cell为基于知识点的基本教学单元,每个cell包括知识点讲解单元,题目作答单元和反馈和建议单元,cell1为当前学生正在学习的cell、cell2和cell3是根据反馈与推荐模块3自适应生成的,学生下一刻将要进行学习的教学单元。其中,知识讲解单元可以是文本,也可以是视频、图片等多媒体;题目作答单元可以是选择题,填空题或者代码题;反馈和建议单元包括学习者在学习之前的建议,学习中的反馈以及相关推荐等多数会在此界面中展示。
在一实施例中,学习状态预测模型2包括:学习者基础模型,用于预测多维的学习者基础学习状态;学习状态整合模型,用于对多维的学习者基础学习状态进行整合,生成学生当前的学习状态。其中,学习者基础模型包括:学习情感模型,用于预测表征学生对当前学习资源的热爱程度;知识追踪模型,用于预测表征学生对当前学习资源的掌握程度;参与度模型,用于预测表征学生对当前学习资源的参与度;注意力模型,用于预测表征学生对当前学习资源的投入程度。
在一实施例中,学习状态预测模块2对利用数据处理器对学习状态数据进行预处理及提取多个特征,其中,学习状态数据包括:学习的行为序列,答题记录,实时图像,实时声音信息,实时体征信息等。行为序列指的学生在线行为序列;答题记录指的是学生的答题记录,包括选择题,填空题等;实时图像指的是学生学习过程中的图像,包括面部与上半身的肢体;实时声音信息指的是学生所处环境中的声音信实时声音信息指的是学生所处环境中的声音信息;实时体征信息指的学生实时的身体特征包括心率,血压等。
如图3所示,上述的五部分学习状态数据将以json的形式传入数据处理器,数据处理器,将各部分数据进行数据清洗与预处理,特征抽取等操作,将原始的学生日志数据转换为能被学习者基础模型进行识别的数据。其中,抽取多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征。学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
本发明实施例提供的自适应在线教育系统,根据学习者学习状态会给与合适的学习时长比如学习者当前的投入度模型和注意力模型预测结果会保存在学习状态中,学习状态会判断学生能继续高效学习多长时间,例如学习状态显示学生状态较好时会推荐一个较长的学习时间比如50分钟,如果显示较低时会首先进行相应的提示和建议以提高学生的学习状态相关指标,然后推荐一个适中的学习时间比如半小时,以达到学习效率的最大化。系统通过实时监控学习者的学习状态,最终形成的cell学习序列,作为适合学习者的学习方案,帮助学生更好地汲取知识,提升学习效率。
在一实施例中,推荐与反馈模型3包括:基础推荐模型,根据学习状态推荐学生当前的需要的学习资源;整合推荐模型,根据当前的学习状态及推荐的学习资源进行整合,根据学习状态或学习资源的优先级,在教学交互模块上进行显示,例如,当前同时存在下个知识点的推荐,下个题目的推荐,以及当前学习状态的提示,以及页面干预,系统会根据优先级来推送一个当前最重要且紧迫的,比如优先进行学习状态提示。
在一实施例中,如图4所示,基础推荐模型包括:知识点推荐模型,根据当前的学习状态给学生推荐适合其学习的下一个知识点;题目推荐模型,根据当前的学习状态给学生推荐适合学生学习的下一道或者几道题目;帮助提示模型,根据当前的学习状态给学生提示与帮助(例如,学习者学习期间是否可以进入下一个cell学习,是否需要推荐当前知识点的其他题目,需不需要复习前面的cell学习以及答题过程中学生没有进展时给与一定解题的提示等);页面干预模型,根据学生当前的学习状态调整教学交互模块内容以适应学生学习,例如,学习者当前的重点是知识学习,那么提示框和答题框就会缩小甚至消失,如果需要当前都有的话,则会按照比例来合理分布。下一个cell是否显现以及下一个内容也是根据页面干预模型来调整的,同时根据学生的图像信息,可以跟踪学生眼神的变化的聚焦点,使得提示框显示的位置更加合理。
本发明实施例提供的自适应在线教育系统,使得学习者不需要老师进行监管,由系统进行监管通过反馈实现学生的自适应,在各个特殊场景上具有很强对应对性。例如,学习者在学习期间身体突然出现不适(判断出现身体不适主要依据手环监测的身体特征以及图像和声音特征,当学生的血压,体温异常甚至面部出现一些显而易见的症状时)手环将身体特征进入预测系统生成的学习状态,推荐与反馈模型根据该学习状态会提示终止学习并进行休息。
实施例2
本发明实施例提供一种自适应在线教育方法,应用于实施例1中所述的自适应在线教育系统,如图5所示,该自适应在线教育方法,包括:
步骤S1:获取学生在线的学习状态数据。
本发明实施例中,学习状态数据包括:学习的行为序列,答题记录,实时图像,实时声音信息,实时体征信息等。行为序列指的学生在线行为序列;答题记录指的是学生的答题记录,包括选择题,填空题等;实时图像指的是学生学习过程中的图像,包括面部与上半身的肢体;实时声音信息指的是学生所处环境中的声音信实时声音信息指的是学生所处环境中的声音信息;实时体征信息指的学生实时的身体特征包括心率,血压等,仅以此举例,不以此为限。
步骤S2:将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态。
在本发明实施例中,利用如实施例1中的所描述的学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;利用学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
步骤S3:将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源。
在一实施例中,步骤S1之后及步骤S2之前,如图6所示,还包括:
步骤S11:对所述学习状态数据进行预处理及提取多个特征,多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征。
在一具体的实施例中,学习者佩戴手环,登入在线教育系统,进行交互界面,手环、摄像头、声音输入设备均被激活;然后学习者学习当前cell的知识讲解,预测系统开始监听学生的各方面数据生成学习状态,根据学生的学习状态,给与提示或者帮助,并在恰当的时机推荐题目,学习者进行题目作答,反馈推荐系统根据学生最新的学习状态,进行反馈(例如,题目推荐、停止学习进行休息、下一个cell基于哪个知识点、进入下一个cell学习,知识点提示、系统提示、相关知识介绍等),学习者对反馈进行回应,反馈推荐系统根据学生最新的学习状态,再进行反馈,直到反馈为进入下一个cell,学习者才能进入下一个cell的学习,系统判断学习结束,或学习者主动结束,则学习结束,例如,学生知识点已经掌握无需继续学习,学生当前的注意力和投入度无法进行有效学习建议暂时退出学习,或者学习者当前身体不适建议学习结束等。
本发明实施例提供的自适应在线教育方法,能根据学生的在线学习状态数据对学生的学习状态进行实时预测与监听,同时根据学习状态的预测结果给与学习者一定的反馈,该反馈包括提示建议以及推荐等,从而对学习者下一步的学习进行指引,帮助学生更好地汲取知识,提升学习效率。
实施例3
本发明实施例提供一种计算机设备,如图7所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Ramdom Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例2的自适应在线教育方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例2的自适应在线教育方法。
其中,通信总线402可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例2的自适应在线教育方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例2的自适应在线教育方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种自适应在线教育系统,其特征在于,包括:教学交互模块、学习状态预测模块以及反馈与推荐模块,其中,
教学交互模块获取学生在线的学习状态数据,并将所述学习状态数据发送给学习状态预测模块;
学习状态预测模块将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态;
反馈与推荐模块将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源,并发送给教学交互模块进行显示。
2.根据权利要求1所述的自适应在线教育系统,其特征在于,所述学习状态预测模型包括:
学习者基础模型,用于预测多维的学习者基础学习状态;
学习状态整合模型,用于对多维的学习者基础学习状态进行整合,生成学生当前的学习状态。
3.根据权利要求2所述的自适应在线教育系统,其特征在于,所述学习者基础模型包括:
学习情感模型,用于预测表征学生对当前学习资源的热爱程度;
知识追踪模型,用于预测表征学生对当前学习资源的掌握程度;
参与度模型,用于预测表征学生对当前学习资源的参与度;
注意力模型,用于预测表征学生对当前学习资源的投入程度。
4.根据权利要求2或3所述的自适应在线教育系统,其特征在于,学习状态预测模块还包括:数据处理器,用于对所述学习状态数据进行预处理及提取多个特征,多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征;
所述学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;
所述学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
5.根据权利要求1所述的自适应在线教育系统,其特征在于,所述推荐与反馈模型包括:
基础推荐模型,根据学习状态推荐学生当前的需要的学习资源;
整合推荐模型,根据当前的学习状态及推荐的学习资源进行整合,根据学习状态或学习资源的优先级,在教学交互模块上进行显示。
6.根据权利要求5所述的自适应在线教育系统,其特征在于,所述基础推荐模型包括:
知识点推荐模型,根据当前的学习状态给学生推荐适合其学习的下一个知识点;
题目推荐模型,根据当前的学习状态给学生推荐适合学生学习的下一道或者几道题目;
帮助提示模型,根据当前的学习状态给学生提示与帮助;
页面干预模型,根据学生当前的学习状态调整教学交互模块内容以适应学生学习。
7.一种自适应在线教育方法,其特征在于,包括如下步骤:
获取学生在线的学习状态数据;
将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态;
将学生当前的学习状态输入推荐与反馈模型,生成学习建议及推荐相应的学习资源。
8.根据权利要求7所述的自适应在线教育方法,其特征在于,所述获取学生在线的学习状态数据的步骤之后及所述将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态的步骤之前,还包括:
对所述学习状态数据进行预处理及提取多个特征,多个特征包括:行为特征、答题特征、图像特征、声音特征及生理特征。
9.根据权利要求8所述的自适应在线教育方法,其特征在于,所述将所述学习状态数据输入学习状态预测模型,输出学生当前的学习状态的步骤,包括:
利用学习者基础模型基于所述多个特征预测多维的学习者基础学习状态;
利用学习状态整合模型对数据处理器进行预处理后的数据、多维的学习者基础学习状态及历史学习状态设置相应的权重进行整合,生成学生当前的学习状态。
10.一种计算机设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求7-9中任一所述的自适应在线教育方法。
11.一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存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求7-9中任一所述的自适应在线教育方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910419316 | 2019-05-20 | ||
CN2019104193167 | 2019-05-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378812A true CN110378812A (zh) | 2019-10-25 |
Family
ID=68248792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910447450.8A Pending CN110378812A (zh) | 2019-05-20 | 2019-05-27 | 一种自适应在线教育系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378812A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930781A (zh) * | 2019-12-04 | 2020-03-27 | 广州云蝶科技有限公司 | 录播系统 |
CN111538868A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学技术大学 | 知识追踪方法及习题推荐方法 |
CN111832952A (zh) * | 2020-07-18 | 2020-10-27 | 广元量知汇科技有限公司 | 一种教育课件推送系统 |
CN111831886A (zh) * | 2020-07-18 | 2020-10-27 | 广元量知汇科技有限公司 | 基于大数据的网络课件推送方法 |
CN111898810A (zh) * | 2020-07-16 | 2020-11-06 | 上海松鼠课堂人工智能科技有限公司 | 基于师生交流用户流失预测系统 |
CN112188232A (zh) * | 2020-09-30 | 2021-01-05 | 北京有竹居网络技术有限公司 | 一种视频生成、视频展示方法及装置 |
CN112330999A (zh) * | 2020-11-23 | 2021-02-05 | 上海松鼠课堂人工智能科技有限公司 | 自适应远程学习同步控制方法及系统 |
CN112348363A (zh) * | 2020-11-06 | 2021-02-09 | 北京爱论答科技有限公司 | 一种学习数据整合方法及装置 |
CN112396891A (zh) * | 2020-10-12 | 2021-02-23 | 镇江长香科技服务有限公司 | 基于人工智能的自适应在线职业培训平台 |
CN112652200A (zh) * | 2020-11-16 | 2021-04-13 | 北京家有课堂科技有限公司 | 人机交互系统、方法、服务器、交互控制设备及存储介质 |
CN113160009A (zh) * | 2021-03-31 | 2021-07-23 | 北京大米科技有限公司 | 信息推送方法、相关装置、以及计算机介质 |
CN113342761A (zh) * | 2021-08-05 | 2021-09-03 | 深圳启程智远网络科技有限公司 | 一种基于互联网的教学资源共享系统及方法 |
CN113642459A (zh) * | 2021-08-12 | 2021-11-12 | 广州宏途教育网络科技有限公司 | 一种基于智慧纸笔的学习状态检测方法 |
CN116187533A (zh) * | 2022-12-29 | 2023-05-30 | 安徽宝信信息科技有限公司 | 一种基于深度学习的大数据趋势预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122437A (zh) * | 2016-11-28 | 2018-06-05 | 北大方正集团有限公司 | 自适应学习方法及装置 |
CN108596472A (zh) * | 2018-04-20 | 2018-09-28 | 贵州金符育才教育科技有限公司 | 一种理科学习的人工智能教学系统及方法 |
CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
CN108805009A (zh) * | 2018-04-20 | 2018-11-13 | 华中师范大学 | 基于多模态信息融合的课堂学习状态监测方法及系统 |
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 |
CN109215426A (zh) * | 2018-10-26 | 2019-01-15 | 刘晓蓓 | 一种学生学习情况分析系统及其使用方法 |
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 |
-
2019
- 2019-05-27 CN CN201910447450.8A patent/CN110378812A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108122437A (zh) * | 2016-11-28 | 2018-06-05 | 北大方正集团有限公司 | 自适应学习方法及装置 |
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 |
CN108596472A (zh) * | 2018-04-20 | 2018-09-28 | 贵州金符育才教育科技有限公司 | 一种理科学习的人工智能教学系统及方法 |
CN108805009A (zh) * | 2018-04-20 | 2018-11-13 | 华中师范大学 | 基于多模态信息融合的课堂学习状态监测方法及系统 |
CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
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 |
CN109215426A (zh) * | 2018-10-26 | 2019-01-15 | 刘晓蓓 | 一种学生学习情况分析系统及其使用方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110930781A (zh) * | 2019-12-04 | 2020-03-27 | 广州云蝶科技有限公司 | 录播系统 |
CN111538868A (zh) * | 2020-04-28 | 2020-08-14 | 中国科学技术大学 | 知识追踪方法及习题推荐方法 |
CN111538868B (zh) * | 2020-04-28 | 2023-06-16 | 中国科学技术大学 | 知识追踪方法及习题推荐方法 |
WO2022012605A1 (zh) * | 2020-07-16 | 2022-01-20 | 上海松鼠课堂人工智能科技有限公司 | 基于预训练深度神经网络模型的用户流失预测系统 |
CN111898810A (zh) * | 2020-07-16 | 2020-11-06 | 上海松鼠课堂人工智能科技有限公司 | 基于师生交流用户流失预测系统 |
CN111898810B (zh) * | 2020-07-16 | 2021-06-01 | 上海松鼠课堂人工智能科技有限公司 | 基于师生交流用户流失预测系统 |
CN111832952A (zh) * | 2020-07-18 | 2020-10-27 | 广元量知汇科技有限公司 | 一种教育课件推送系统 |
CN111831886A (zh) * | 2020-07-18 | 2020-10-27 | 广元量知汇科技有限公司 | 基于大数据的网络课件推送方法 |
CN111832952B (zh) * | 2020-07-18 | 2021-03-30 | 南京阳子社会经济咨询有限公司 | 一种教育课件推送系统 |
CN112188232A (zh) * | 2020-09-30 | 2021-01-05 | 北京有竹居网络技术有限公司 | 一种视频生成、视频展示方法及装置 |
CN112396891A (zh) * | 2020-10-12 | 2021-02-23 | 镇江长香科技服务有限公司 | 基于人工智能的自适应在线职业培训平台 |
CN112348363A (zh) * | 2020-11-06 | 2021-02-09 | 北京爱论答科技有限公司 | 一种学习数据整合方法及装置 |
CN112652200A (zh) * | 2020-11-16 | 2021-04-13 | 北京家有课堂科技有限公司 | 人机交互系统、方法、服务器、交互控制设备及存储介质 |
CN112330999B (zh) * | 2020-11-23 | 2021-07-30 | 上海松鼠课堂人工智能科技有限公司 | 自适应远程学习同步控制方法及系统 |
CN112330999A (zh) * | 2020-11-23 | 2021-02-05 | 上海松鼠课堂人工智能科技有限公司 | 自适应远程学习同步控制方法及系统 |
CN113160009A (zh) * | 2021-03-31 | 2021-07-23 | 北京大米科技有限公司 | 信息推送方法、相关装置、以及计算机介质 |
CN113342761A (zh) * | 2021-08-05 | 2021-09-03 | 深圳启程智远网络科技有限公司 | 一种基于互联网的教学资源共享系统及方法 |
WO2023010813A1 (zh) * | 2021-08-05 | 2023-02-09 | 深圳启程智远网络科技有限公司 | 一种基于互联网的教学资源共享系统及方法 |
CN113642459A (zh) * | 2021-08-12 | 2021-11-12 | 广州宏途教育网络科技有限公司 | 一种基于智慧纸笔的学习状态检测方法 |
CN113642459B (zh) * | 2021-08-12 | 2022-12-23 | 广州宏途数字科技有限公司 | 一种基于智慧纸笔的学习状态检测方法 |
CN116187533A (zh) * | 2022-12-29 | 2023-05-30 | 安徽宝信信息科技有限公司 | 一种基于深度学习的大数据趋势预测方法及系统 |
CN116187533B (zh) * | 2022-12-29 | 2023-11-17 | 安徽宝信信息科技有限公司 | 一种基于深度学习的大数据趋势预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378812A (zh) | 一种自适应在线教育系统及方法 | |
Shukor et al. | Exploring students' knowledge construction strategies in computer-supported collaborative learning discussions using sequential analysis | |
US20200065697A1 (en) | Modeling mastery in distributed cognitive systems and storing the results in a ledger | |
US8571463B2 (en) | Systems and methods for computerized interactive skill training | |
Vazquez et al. | Flipping out! A case study on how to flip the principles of economics classroom | |
JP6190122B2 (ja) | 問題選択サーバ、学習支援システム、問題選択方法および問題選択プログラム | |
Jankvist | Changing students’ images of “mathematics as a discipline” | |
WO2022174817A1 (zh) | 试题生成方法、装置和系统、计算机存储介质和程序产品 | |
CN112435152B (zh) | 一种在线学习投入动态评价方法及系统 | |
WO2020186484A1 (zh) | 图片自动生成描述的方法、系统、电子装置及存储介质 | |
CN113657723A (zh) | 知识点掌握情况诊断方法、试题推荐方法及装置 | |
CN107358554B (zh) | 多维学习力提升系统及方法 | |
Lai et al. | Impact of static graphics, animated graphics and mental imagery on a complex learning task | |
CN113257060A (zh) | 一种答疑解决方法、装置、设备和存储介质 | |
Llorente Cejudo et al. | Blended learning: attitudes, satisfaction, academic performance and online communication in processes of University Training | |
Singh et al. | Competency-based calisthenics of learning outcomes for engineering education | |
CN110782961A (zh) | 听力言语智能康复方法、装置、电子设备及介质 | |
US20160063871A1 (en) | Online learning style automated diagnostic system, online learning style automated diagnostic method and non-transitory computer readable recording medium | |
Bailey et al. | Internet-based spaced repetition learning in and out of the classroom: Implementation and student perception | |
Morales et al. | Applying a digital learning ecosystem to increase the effectiveness of a massive open online course | |
CN115063272A (zh) | 一种3d护理教学系统 | |
US11501654B2 (en) | Automated decision making for selecting scaffolds after a partially correct answer in conversational intelligent tutor systems (ITS) | |
Renz et al. | Handling re-grading of automatically graded assignments in MOOCs | |
Li et al. | Modeling student retention in an environment with delayed testing | |
CN113673811A (zh) | 一种基于session的在线学习绩效评估方法及装置 |
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 |
Application publication date: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |