CN110414628A - 一种自创课程的学习过程规划和管理方法及系统 - Google Patents
一种自创课程的学习过程规划和管理方法及系统 Download PDFInfo
- Publication number
- CN110414628A CN110414628A CN201910729362.7A CN201910729362A CN110414628A CN 110414628 A CN110414628 A CN 110414628A CN 201910729362 A CN201910729362 A CN 201910729362A CN 110414628 A CN110414628 A CN 110414628A
- Authority
- CN
- China
- Prior art keywords
- study
- user
- learning
- page
- learner
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 title claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001343 mnemonic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000035922 thirst Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- G09B19/00—Teaching not covered by other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提出一种自创课程的学习过程规划和管理方法及系统,所述方法包括如下步骤:S1、接受用户输入,生成待学习知识点;S2、根据用户的输入生成所述知识点的学习页面,或/和自动产生所述知识点的学习页面;S3、配合用户操作,系统以当前最优智能决策向用户呈现其自己设计的或机器自动生成的学习页面,供用户学习,同时收集用户学习活动数据,以供反复迭代,随着时间推移,不断优化智能。本申请允许用户自创课程,系统自动生成知识点和学习页面,突破了笔和纸的限制,更重要的是通过人工智能和机器学习自动探索不同的参数和方法,选择对于学习者最有效的学习方法,并自动检测知识点是否已突破短期记忆而完全掌握和运用自如,以便有效利用时间。
Description
技术领域
本发明涉及如何进行效率提升的自创学习课程设计,其典型应用在于但不限于语言学习。
背景技术
在语言学习中,许多成功人士分享他们的经验,如果制作和使用自己的笔记进行学习和复习,将会更有效率。传统上,语言学习者将自己整理的学习资料写在纸上的,大多数情况下是以卡片的形式。学习者通常使用铅笔制作不同的标记,或根据不同的掌握程度将卡片分类到不同的卡片叠中。
铅笔和纸的限制是显而易见的,携带不方便,也很难探索不同的参数和不同的方法。例如,同一知识点常常可以用多种方法来学习,哪种方法更为有效呢?同样,用什么样的方法来探测知识点是否已经突破短期记忆而完全掌握可以被运用自如了呢?这些问题都是人们长期以来渴望解决的。
发明内容
本发明目的目的是为了突破现有技术中的局限,提出自创课程的学习过程规划和管理方法及系统,建立神经网络模型,记录用户学习活动数据,并以之驱动及训练此神经网络模型,以机器学习寻找适合于学习者的最优学习规划参数提升学习效率、节省学习时间,强化学习效果。
为解决上述技术问题,本发明提出的自创课程的学习过程规划和管理方法包括如下步骤:S1、接受用户的输入,生成待学习的知识点;S2、根据用户的输入生成所述知识点的学习页面,或/和自动产生所述知识点的学习页面;S3、配合用户的操作,以当前最优智能决策向用户呈现其自己设计的学习页面或者机器自动生成的学习页面,供用户进行学习,同时收集用户学习活动数据,以供反复迭代,不断优化智能决策。
在本发明的一些实施例中,还包括以下技术特征:
步骤S3中,所述学习页面为学习者自己设计的一个或多个学习页面,或机器动态生成的不同页面,系统根据概率决定向学习者呈现哪个页面进行学习。
步骤S3中,根据用户对该知识点的掌握程度决定向用户呈现不同难度的学习页面。
掌握程度考核采用特定学习页面来进行,所述特定学习页面是机器自动产生的没有任何提示的学习页面。
掌握程度考核还包括:找出学习者给出的答案和预期答案之间的可量化的差别,该可量化的差别用如下编辑距离之一来表示:Levenshtein距离、Hamming距离、Jaro-Winkler距离。为方便清晰描述,以下仅使用Levenshtein距离为例,但其他距离同样适用。
按可能的最大Levinshtein距离将其归一化,并将其转换为掌握程度度量如下,
mastery_metric=1-Levinshtein(s1,s2)/max(length(s1),length(s2))其中s1,s2为学习者答案和预期答案两个字符串,Levinshtein(s1,s2)代表Levinshtein距离,max(length(s1),length(s2))表示两个字符串长度中的最大值。
还包括步骤:记录每个学习者的学习活动。
还包括步骤:按下式计算学习者的学习效率:
learning_efficiency=(new_mastery_metric-start_mastery_metric)/number_of_practices,
start_mastery_metric:表示此次练习开始时的掌握程度度量。
new_mastery_metric:表示此次考核结果学习者更新以后的掌握程度度量。
number_of_practice:表示达到新的掌握程度所用的学习遍数。
其中new_mastery_metric-start_mastery_metric表示掌握程度的改善,它与现有掌握程度度量,阶段练习评分,学习遍数密切相关,从数学上讲,是基于前述各变量的一个函数。根据神经网络模型通过机器学习找出该函数,进而对每一个学习遍数都会计算出一学习效率度量,取学习效率度量最大的遍数值,选取其为最有效的练习次数。
本发明还提出一种自创课程的学习过程规划和管理系统,采用如上的方法。
与现有技术相比,本发明的有益效果有:
本申请允许用户自创课程,自己生成知识点和学习页面,并辅以系统自动生成的学习页面,从而突破了铅笔和纸的限制,使得学习者得以能在电脑或移动终端上使用自己的笔记进行学习和复习学习,携带方便,更重要的是系统会通过人工智能和机器学习自动探索不同的参数和不同的方法,选择对于学习者最为有效的学习方法,并自动检测知识点是否已经突破短期记忆而完全掌握可以被运用自如,以便于有效利用时间,不将时间浪费在学习已知的内容上。
附图说明
图1是本发明一个实施例的流程图。
具体实施方式
为了使本发明实施例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。
本发明包括一种系统和方法。该系统由驻留在云上的数据库和模型训练优化及智能规划决策的算法模块,以及位于移动终端上的一种或多种用于访问数据库的软件组成。该软件通常是移动电话(或其他移动终端)上的应用程序,独立运行的或在社交网络上假装为自然人的聊天机器人,也可以是互联网上的网页。
如图1所示,该方法表现为一种算法,用于规划和管理学习过程,并通过估计学习者对于每个知识点掌握程度的改善来规划需要再进行多少次练习。整个系统和方法可以被认为是一种服务。当用户不断访问服务时,将收集用户数据并在后台使用AI/ML(机器学习,Machine Learning)算法进行处理,系统参数设置将被定制以匹配用户与学习相关的各种特征,节省用户时间,优化用户的学习效率。
课程表示
该课程将可由用户自己设计。系统将用户的设计组织成“知识点”和“学习页面”,定义如下:
知识点:是一个学习者通过学习后可以考核其掌握程度的单位。例如在词汇学习中,一个单词可以作为一个知识点;在成语学习中一条成语可以作为一个知识点。知识点的设定具有主观随意性,但根据教育学和心理学,一般的建议是知识点的设定不宜过大,内容太多将易于给学习者造成心理负担,降低学习效率。例如在外语学习的餐馆就餐的场景学习中,将所有的“开胃小菜”设为一个知识点就显得太大,应该将一个菜名设为一个知识点比较合适。
学习页面:是为知识点的学习和最终掌握而设计的学习方法。之所以称其为“页面”是因为在手机或者其他移动设备的APP中,通常是一页一页地展示给学习者的,例如多项选择为常见的页面设计。页面设计同样不宜将过多的内容置于同一页内,以免给学习者造成心理负担。以词汇学习为例,应该将一个单词的词源,释义,例句等分别设计为不同的页面。同一知识点通过多种不同的页面,可以让学习者的大脑受到多方刺激,强化学习效果。
一个“知识点”可以对应多个“学习页面”,同样一个“学习页面”也可以对应多个“知识点”,两者之间的关系可以非常灵活。例如“反义词配对”是“一个页面对应多个知识点”的典型例子。为了方便描述课程内容设计,在以下的例子中,我们将这种灵活性限制为只允许1个知识点有多个学习页面,而不允许其他方式。我们以一个懂英语的人学习德语时的“德语成语学习”为例进行说明。
例:
知识点Id:GI_005
German:Hochmut kommt vor dem Fall.
English:Pride goes before a fall.
学习页面#1:
KPID:GI_005
Q:“H__m_kommt vor dem Fall”means“Pride goes before a fall”.“H__m__”
is a cognate of two English words“H__m__”.
A:Hochmut,High mood
学习页面#2:
KPID:GI_005
Q:“Pride goes before a fall”,its German equivalent is“____________________”.
A:Hochmut kommt vor dem Fall
在以上的例子中,两个学习页面都由学习者自己手动设计(学习者将自己的笔记整理成知识点及学习页面),其中包含了他自己认为最有效的练习方法,例如第一个学习页面里包含了他喜欢的同源词提示,第二个学习页面是他认为比其它方法(如多项选择)相比更为有效的方法(即一般公认的主动检索比被动复习更为有效)。
机器自动生成学习页面
以上论及了学习者自己设计的学习页面。在实际情况中,经常会碰到另外一种情形,学习者很难找出对他有所帮助的提示来设计学习页面,例如没有合适的词根,同源词,联想等助记适合他。在这样的情形下,可以用机器自动产生学习页面来弥补。学习者自己设计的学习页面可灵活多样,不受限制,机器自动产生学习页面虽没有这种优点,但可以根据学习者对该知识点的掌握程度来生成不同难度的学习页面,其基本方法是给出不同程度的提示让学习者完成预期答案,直至完全没有任何提示时,学习者也能完成预期答案。以下是机器自动生成的两个不同难度的学习页面。
学习页面#3:
KPID:GI_005
Q:“Pride goes before a fall”,its German equivalent is“__kommt vor demFall”.
A:Hochmut kommt vor dem Fall
学习页面#4:
KPID:GI_005
Q:“Pride goes before a fall”,its German equivalent is“___vor___”.
A:Hochmut kommt vor dem Fall
以上学习页面#4示意了如何根据学习者对该知识点的掌握程度来生成不同难度的学习页面。其中假设学习者现在的掌握程度是20%,就提示80%的内容,所以那个德语的成语例句由5个单词,就随机的屏蔽1个单词,显示4个单词。
每当学习者练习完一个页面,需要下一个页面而用户又没有自己设计的学习页面时就会生成。
在产品实现时,可以根据概率决定是向学习者呈现其自己设计的学习页面还是机器自动生成的学习页面进行练习。例如对于某一个知识点,学习者提供了一个自己设计的页面,那么系统可以按50%的概率在自己设计和机器产生的学习页面中进行选择。而对于另一知识点,学习者提供了两个自己设计的页面,那么系统可按1/3的概率在3个页面(2个自己设计加1个机器产生)中选择。
掌握程度考核
掌握程度考核涉及如何考核及如何评价掌握程度。如何考核可以用一种特殊的学习页面来进行,即机器自动产生的没有任何提示的如下学习页面。
学习页面#5:
KPID:GI_005
Q:“Pride goes before a fall”,its German equivalentis“______”.
A:Hochmut kommt vor dem Fall
评价掌握程度需要找出学习者给出的答案和预期答案之间的可量化的差别,这可以有多种方法做到,其中一类方法可如下所述设计。学习者给出的答案和预期答案都可以看作是序列或者字符串,因此可以用Levenshtein距离或其它编辑距离(例如Hamming距离,Jaro-Winkler距离等)来找出其距离,然后按可能的最大Levinshtein距离(即两个字符串长度的最大值)将其归一化,并将其转换为掌握程度度量如下,
mastery_metric=1-Levinshtein(s1,s2)/max(length(s1),length(s2))
其中s1,s2为学习者答案和预期答案两个字符串,Levinshtein(s1,s2)代表Levinshtein距离,max(length(s1),length(s2))表示两个字符串长度中的最大值。
学习活动记录
用人工智能和机器学习方法解决复杂问题的必要条件是数据收集,然后创建模型,进行训练,轮番迭代,逐步优化。本节讨论数据收集,随后在学习规划时讨论建模及训练。
系统将记录每个学习者的学习活动。
KPID:GI_005
上述记录显示了学习者对知识点GI_005的学习活动(KPID:后面记录的是知识点内部实现索引)。学习者第一次学习活动使用学习页面#1练习,第三次学习活动是一次考核,等等。下面描述其参数所代表的意义。(“[]”号里面记录的是学习活动所涉及的页面及结果,记录的顺序代表学习的顺序)
practice:表示此次学习活动是用学习页面进行练习。
test:表示此次学习活动是用于进行考核。
when:表示此次学习活动进行的日期时间,用于间隔重复的学习规划。
start_mastery_metric:表示此次练习开始时的掌握程度度量。
score:表示此次练习学习者回答问题的评分,用两序列的比较算法进行计算。
new_mastery_metric:表示此次考核结果学习者更新以后的掌握程度度量。
学习效率度量
直观地,如果以少的练习次数能够获得大的掌握程度改善,那么学习效率就越高。因此学习效率可定义为,
learning_efficiency=(new_mastery_metri-start_mastery_metric)/number_of_practices其中new_mastery_metric和start_mastery_metric的含义已于上文描述,下为其余两项的含义,
number_of_practice:表示达到新的掌握程度所用的学习遍数。
learning_efficiency:表示表示学习效率。
上述定义也可改写如下,
learning_efficiency=mastery_improvement/number_of_practices
其中mastery_improvement=new_mastery_metric-start_mastery_metric表示掌握程度改善。
提高学习效率至关重要,可以避免学习者浪费时间,此为本发明之主要目的。
用AI/ML寻求最优学习规划
学习过程正如我们所预期的一样,如果学习者的上一阶段练习评分越高,下次练习次数越多,那么可期望达到的新的掌握程度越高,但是这并不意味着掌握程度改善大。如何让掌握程度改善最大是我们最主要的关注,它应该与上一阶段练习达到的现有掌握程度,上一阶段多次练习的平均评分,和上一阶段多少次练习有关,从数学上讲也就是存在一个函数,
mastery_improvement=f(mastery_metric,practice_score,number_practices)
mastery_metric为掌握程度度量,practice_score为上一阶段练习评分,number_practices为上次练习次数。这个函数,如何找到它正是深度学习神经网络的长处所在,因为多层神经网络在神经元足够多的情况下可以看作是能够近似任意一个函数,我们只需要有足够的数据来训练找出此函数。回顾前述学习记录的定义,所幸的是,我们每次的练习都会为此函数找到一个训练样本,随着学习者练习次数的增多,训练样本越多,这个函数会被逐渐逼近。
在实际学习规划中,首先检查该知识点最近的一次练习时间是什么时候。如果根据间隔重复原则,该知识点现在符合再次练习的条件(即满足一定的间隔时间。例如:如果一个小时前刚学过这篇课文,现在又学习就会造成效率很低,应该等到一定时间后,比如第二天以后再学这篇课文,我们会根据用深度神经网络找出的函数,计算出对应于一定范围之内的练习次数的掌握程度改善,选取其中对应于最有效的练习次数。这里的练习次数是指完全掌握之前的中间练习次数,“一般范围”设为1至8遍,应能覆盖各种不同快慢的学习者。根据上述神经网络模型通过机器学习找出的函数,每一个学习遍数都会计算出一学习效率度量,取学习效率最大的遍数值即为对此特定学习者的最优参数。例如计算结果发现学习3遍,效率度量为0.4,而学习其他遍数,效率度量都低于0.35,则最优遍数值为3遍。为了防止神经网络陷入次优状态,系统可以辅助以一定的概率选取随机的练习次数。而该知识点又对应于多个学习页面,系统可以按照概率随机选择一个学习页面而提供给学习者进行练习。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干等同替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (10)
1.一种自创课程的学习过程规划和管理方法,其特征在于包括如下步骤:
S1、接受用户的输入,生成待学习的知识点;
S2、根据用户的输入生成所述知识点的学习页面,或/和自动产生所述知识点的学习页面;
S3、配合用户的操作,以当前最优智能决策向用户呈现其自己设计的学习页面或者机器自动生成的学习页面,供用户进行学习,同时收集用户学习活动数据,以供反复迭代,不断优化智能决策。
2.如权利要求1所述的自创课程的学习过程规划和管理方法,其特征在于,步骤S3中,所述学习页面为用户自己设计的一个或多个学习页面,或机器动态生成的不同页面,根据概率决定向学习者呈现哪个页面进行学习。
3.如权利要求1所述的自创课程的学习过程规划和管理方法,其特征在于,步骤S3中,根据用户对该知识点的掌握程度决定向用户呈现不同难度的学习页面。
4.如权利要求3所述的自创课程的学习过程规划和管理方法,其特征在于,所述掌握程度考核采用特定学习页面来进行,所述特定学习页面是机器自动产生的没有任何提示的学习页面。
5.如权利要求4所述的自创课程的学习过程规划和管理方法,其特征在于,所述掌握程度考核还包括:找出学习者给出的答案和预期答案之间的可量化的差别,该可量化的差别用如下编辑距离之一来表示:Levenshtein距离、Hamming距离、Jaro-Winkler距离。
6.如权利要求5所述的自创课程的学习过程规划和管理方法,其特征在于,按可能的最大Levinshtein距离将其归一化,并将其转换为掌握程度度量如下,
mastery_metric=1-Levinshtein(s1,s2)/max(length(s1),length(s2))
其中s1,s2为学习者答案和预期答案两个字符串,Levinshtein(s1,s2)代表Levinshtein距离,max(1ength(s1),length(s2))表示两个字符串长度中的最大值。
7.如权利要求1所述的自创课程的学习过程规划和管理方法,其特征在于,还包括步骤:记录每个学习者的学习活动。
8.如权利要求7所述的自创课程的学习过程规划和管理方法,其特征在于,还包括步骤:按下式计算学习者的学习效率:
learning_efficiency=(new_mastery_metric-start_mastery_metric)/number_of_practices,
其中,start_mastery_metric:表示此次练习开始时的掌握程度度量;
new_mastery_metric:表示此次考核结果学习者更新以后的掌握程度度量;
number_of_practice:表示达到新的掌握程度所用的学习遍数。
9.如权利要求8所述的自创课程的学习过程规划和管理方法,其特征在于,根据神经网络模型通过机器学习找出掌握程度改善函数,进而对每一个学习遍数都会计算出一学习效率度量,取学习效率度量最大的遍数值,选取其为最有效的练习次数;为了防止神经网络陷入次优状态,系统可以辅助以一定的概率选取随机的练习次数。
10.一种自创课程的学习过程规划和管理系统,其特征在于,采用上述权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729362.7A CN110414628A (zh) | 2019-08-07 | 2019-08-07 | 一种自创课程的学习过程规划和管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910729362.7A CN110414628A (zh) | 2019-08-07 | 2019-08-07 | 一种自创课程的学习过程规划和管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414628A true CN110414628A (zh) | 2019-11-05 |
Family
ID=68366688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910729362.7A Pending CN110414628A (zh) | 2019-08-07 | 2019-08-07 | 一种自创课程的学习过程规划和管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414628A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611310A (zh) * | 2021-07-28 | 2021-11-05 | 网易有道信息技术(北京)有限公司 | 背诵检验方法、装置及相关产品 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103930939A (zh) * | 2011-03-21 | 2014-07-16 | Learn-Bop有限公司 | 学习行为优化方案 |
CN106960610A (zh) * | 2016-11-16 | 2017-07-18 | 重庆万学创世教育科技有限公司 | 一种优化的智能深度学习的数据处理系统 |
CN107977708A (zh) * | 2017-11-24 | 2018-05-01 | 重庆科技学院 | 面向个性化学习方案推荐的学生dna身份信息定义方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
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 |
CN108765228A (zh) * | 2018-06-20 | 2018-11-06 | 陆柒(北京)科技有限公司 | 一种计算机自适应私教学习方法 |
CN109002533A (zh) * | 2018-07-18 | 2018-12-14 | 上海萌番文化传播有限公司 | 一种内容推送系统、方法、装置、介质和计算设备 |
CN109255994A (zh) * | 2018-10-26 | 2019-01-22 | 北京智能优学科技有限公司 | 一种外语教学自适应学习方法及计算机可读存储介质 |
CN109299882A (zh) * | 2018-10-11 | 2019-02-01 | 四川生学教育科技有限公司 | 一种成绩分析、诊断预测和学习资源推送方法及平台 |
CN109559580A (zh) * | 2018-12-29 | 2019-04-02 | 武汉易测云网络科技有限公司 | 一种在线学习系统 |
-
2019
- 2019-08-07 CN CN201910729362.7A patent/CN110414628A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103930939A (zh) * | 2011-03-21 | 2014-07-16 | Learn-Bop有限公司 | 学习行为优化方案 |
CN106960610A (zh) * | 2016-11-16 | 2017-07-18 | 重庆万学创世教育科技有限公司 | 一种优化的智能深度学习的数据处理系统 |
CN107977708A (zh) * | 2017-11-24 | 2018-05-01 | 重庆科技学院 | 面向个性化学习方案推荐的学生dna身份信息定义方法 |
CN108573628A (zh) * | 2018-04-23 | 2018-09-25 | 中山大学 | 基于学习轨迹的学习能力评估与扩展知识点集推荐的方法 |
CN108765228A (zh) * | 2018-06-20 | 2018-11-06 | 陆柒(北京)科技有限公司 | 一种计算机自适应私教学习方法 |
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 |
CN109002533A (zh) * | 2018-07-18 | 2018-12-14 | 上海萌番文化传播有限公司 | 一种内容推送系统、方法、装置、介质和计算设备 |
CN109299882A (zh) * | 2018-10-11 | 2019-02-01 | 四川生学教育科技有限公司 | 一种成绩分析、诊断预测和学习资源推送方法及平台 |
CN109255994A (zh) * | 2018-10-26 | 2019-01-22 | 北京智能优学科技有限公司 | 一种外语教学自适应学习方法及计算机可读存储介质 |
CN109559580A (zh) * | 2018-12-29 | 2019-04-02 | 武汉易测云网络科技有限公司 | 一种在线学习系统 |
Non-Patent Citations (1)
Title |
---|
蔡翔: ""新型在线英语学习系统的设计与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611310A (zh) * | 2021-07-28 | 2021-11-05 | 网易有道信息技术(北京)有限公司 | 背诵检验方法、装置及相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Downes | Connectivism | |
Mirza et al. | A concept analysis of abductive reasoning | |
CN111415740A (zh) | 问诊信息的处理方法、装置、存储介质及计算机设备 | |
Tan et al. | A systematic review of artificial intelligence techniques for collaborative learning over the past two decades | |
CN101799849A (zh) | 采用计算机实现的非障碍性自动心理咨询方法 | |
CN111326040B (zh) | 语文阅读理解智能测试和智能辅导系统和方法 | |
Chrysafiadi et al. | Advances in personalized web-based education | |
CN112257966B (zh) | 模型处理方法、装置、电子设备及存储介质 | |
CN108491515B (zh) | 一种用于校园心理咨询的句对匹配度预测方法 | |
KR20200089914A (ko) | 교육 플랫폼에서 전문가 자동 매칭 시스템 | |
Bagaria et al. | An intelligent system for evaluation of descriptive answers | |
CN110414628A (zh) | 一种自创课程的学习过程规划和管理方法及系统 | |
CN117438047A (zh) | 心理咨询模型训练和心理咨询处理方法、装置及电子设备 | |
Rosas et al. | Search for dementia patterns in transcribed conversations using natural language processing | |
Sangodiah et al. | Integration of machine learning approach in item bank test system | |
Guia et al. | An exploratory study of factors indicative of affective states of students using SQL-Tutor | |
Meineri et al. | How the psychological theory of action identification can offer new advances for research in cognitive engineering | |
Vullamparthi et al. | A smart tutoring aid for the autistic-educational aid for learners on the autism spectrum | |
TWM612850U (zh) | 人工智慧之學習歷程規劃系統 | |
Miao | A hybrid model for student grade prediction using support vector machine and neural network | |
Simons | Linguistic Skills and Reading Comprehension. | |
Landowska | Student model representation for pedagogical virtual mentors | |
Lieverse | Predictive Characteristics of Item-difficulty and discrimination for 2F Dutch Reading Comprehension Exams | |
Bentivoglio | Recognizing community interaction states in discussion forum evolution | |
Du | Using Artificial Intelligence Technology to Improve Interaction and Learning Assessment in Higher Vocational English Classes |
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: 20191105 |
|
RJ01 | Rejection of invention patent application after publication |