CN110473438B - 一种基于定量化分析的单词辅助学习系统及方法 - Google Patents

一种基于定量化分析的单词辅助学习系统及方法 Download PDF

Info

Publication number
CN110473438B
CN110473438B CN201910693154.6A CN201910693154A CN110473438B CN 110473438 B CN110473438 B CN 110473438B CN 201910693154 A CN201910693154 A CN 201910693154A CN 110473438 B CN110473438 B CN 110473438B
Authority
CN
China
Prior art keywords
learning
user
word
module
recommended
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
CN201910693154.6A
Other languages
English (en)
Other versions
CN110473438A (zh
Inventor
邓亚
杨卫东
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.)
Beijing Jiezu Xiandeng Education Technology Co ltd
Original Assignee
Beijing Jiezu Xiandeng Education Technology 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 Beijing Jiezu Xiandeng Education Technology Co ltd filed Critical Beijing Jiezu Xiandeng Education Technology Co ltd
Priority to CN201910693154.6A priority Critical patent/CN110473438B/zh
Publication of CN110473438A publication Critical patent/CN110473438A/zh
Application granted granted Critical
Publication of CN110473438B publication Critical patent/CN110473438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G09B5/06—Electrically-operated educational appliances with both visual and audible presentation of the material to be studied
    • G09B5/065—Combinations of audio and video presentations, e.g. videotapes, videodiscs, television systems
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及一种基于定量化分析的单词辅助学习系统及方法，包括客户端和服务器；所述客户端包括：学习请求模块、图形化学习界面和学习效果反馈模块；所述服务器部署有存储单元、智能决策单元、学前测试模块和学习模块；对用户不同阶段的请求做出响应。本发明根据单词的难度差异和用户的学习能力差异自适应地调整系统响应，辅助用户进行有针对性的、高效的单词学习。

Description

一种基于定量化分析的单词辅助学习系统及方法
技术领域
本发明涉及英语学习领域，涉及一种英语辅助学习系统，特别是一种基于定量化分析的单词辅助学习系统及方法。
背景技术
在英语学习中，现有技术中已经有各种电子装置用于提升英语学习者的单词学习效率，在本世纪初Web 2.0时代伊始(2004年左右)时，有学者提出利用计算机技术及互联网应用辅助学习。其中，许多学者研究如何使用移动端应用辅助英语词汇学习，然而现有技术中，多数移动端应用在设计辅助学习系统时采取的还是对不同单词无差别的学习次数标记的统计方法，以及简单划分生熟词的做法，智能程度非常有限。因此，本发明致力于借助成熟算法模块和数据科学手段，借助于设备智能化的交互技术，提高设备智能化水平搭建定量化的英语单词辅助学习系统。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种基于定量化分析的单词辅助学习系统及方法，提高了学习系统的智能化水平，根据单词的难度差异和用户的学习能力差异自适应地调整系统响应，辅助用户进行有针对性的、高效的单词学习。
本发明的技术解决方案：
一种基于定量化分析的单词辅助学习系统，包括客户端和服务器；
所述客户端包括：学习请求模块、图形化学习界面和学习效果反馈模块；学习请求模块负责向服务器发送用户的学习请求，接收服务器中学习模块的运算结果；图形化学习界面以服务器中学习模块传回的来自智能决策模块的运算结果为根据，通过图形化的学习界面，辅助用户进行单词学习；学习效果反馈模块在学习过程中与图形化学习界面一起接收来自服务器中学习模块的响应，同时收集用户关于学习效果的反馈信息，所述反馈信息指用户学习每一个单词所花费的时间，和学习结束后用户在单词测试中的作答结果；将收集到的反馈信息和对应的用户及单词绑定成一个数据包，反馈给服务器中的存储单元，用于更新存储单元中的用户信息数据库和单词数据库；
所述服务器部署有存储单元、智能决策单元、学前测试模块和学习模块；对用户不同阶段的请求做出响应；
所述存储单元，负责接收来自学前测试模块和客户端中的学习效果反馈模块的反馈信息，更新单元内部的用户信息数据库和单词数据库；用户信息数据库负责记录用户的学习历史，所述学习历史即用户所学的单词、学各单词时所花费的时间，和用户在单词测试中的测试结果；单词数据库负责记录各单词被学习的情况，包括学习单词的用户的能力测试结果，各用户在单词的学习上所消耗的时间的汇总和对单词难度的推断结果；
所述智能决策单元，接收来自学习模块的包含待学习单词列表的学习请求，从存储单元获取用户在学习过程中反映出的用户学习能力、单词难度和用户学习记录，并基于这些数据，为用户提供推荐学习的单词序列；
所述学前测试模块，用于测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行测试，得到测试结果；一方面将测试结果反馈至客户端让用户知悉，另一方面将测试结果传入存储单元，用于更新用户信息数据库和单词数据库；
学习模块，是服务器与客户端用于通信的一个模块，它在用户信息不需要更新时接受来自客户端的学习请求，然后将这一请求转发给智能决策模块，待智能决策模块求解完毕，学习模块接收求解得到的推荐学习的单词序列，将这一单词和对应的用html语言生成单词学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐单词传给学习效果反馈模块作为学习记录；所述学习资源包括中文释疑和单词读音的音频。
所述智能决策单元包括：单步求解模块和动态规划迭代器；所述单步求解模块用于给出系统需要向用户推荐学习的单词序列的一部分，它包括代价矩阵计算模块和指派问题求解模块；代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用；指派问题求解模块将代价矩阵作为输入，运行用于求解指派问题的匈牙利算法，决定需要推荐用户学习的单词的一部分；动态规划迭代器通过多次调用单步求解模块，得到完整的推荐学习的单词序列，然后将得到的推荐学习的单词序列返回给学习模块。
本发明的一种基于定量化分析的单词辅助学习方法，包括以下步骤：
步骤1：用户通过客户端发出学习请求，服务器接收这一请求，判断用户信息数据库中是否存有用户近期的学习能力信息；如果用户系初次登陆或用户信息数据库中的用户学习能力信息一周以上没有被更新，则调用学前测试模块对用户学习能力进行测试，转到步骤2；如果用户并非第一次登陆，且用户信息库中的用户学习能力信息在一天内被更新过，直接跳转到步骤3；
步骤2：调用学前测试模块测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行考察，得到测试结果；测试卷基于项目反应理论设计，采用贝叶斯分析方法估测用户当前学习能力；得到测试结果后，一方面将测试结果反馈至客户端让用户知悉，另一方面将测试结果传入存储单元，用于更新用户信息数据库和单词数据库；
步骤3：学习模块响应用户的学习请求，将用户期望学习的单词列表作为请求发送给智能决策单元；智能决策单元响应这一请求，进行初始化操作，从存储单元读取用户信息以及用户期望学习的单词列表中中的单词的相关信息，用于智能决策；
步骤4：智能决策单元进行迭代的首步操作：先调用一次单步求解模块，求解出推荐学习序列的倒数第一部分，并将用户请求中对熟练程度的阈值要求作为本次迭代的熟练程度阈值要求，存入临时存储区域，作为迭代的历史信息，其中单步求解模块用于给出需要向用户推荐学习的单词的一部分，它包括代价矩阵计算模块和指派问题求解模块；代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用，指派问题求解模块则将代价矩阵作为输入，运行用于求解指派问题的匈牙利算法，决定需要推荐用户学习的单词的一部分；动态规划迭代器则通过多次调用单步求解模块，得到完整的单词推荐列表，然后将得到的推荐单词返回给学习模块；
步骤5：学习模块接收来自智能决策模块的推荐学习的单词序列，使用html语言生成包含单词和学习资源的学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐学习的单词序列传给学习效果反馈模块作为学习记录。所述的学习资源包括中文释义和单词读音的音频。
步骤6：学习完成，调用学习效果反馈模块，收集用户关于学习效果的反馈信息，并使用这些信息更新用户信息数据库和单词数据库。
所述步骤4中，单步求解模块实现如下：
步骤4.1：响应用户学习请求时，若首次调用单步求解模块，则将学习请求中的熟练程度阈值发送给动态规划迭代器的临时存储区域中的待测试分阶段熟练程度γc，然后跳转至步骤4.2；若非首次调用单步求解模块，则向动态规划迭代器发送信号以初始化临时存储区域，具体操作包括归零计数器IterTime、可行解标记flag以及分阶段熟练程度搜索范围下界γl，并设定一个最大次数IterTimeMax；若首次执行步骤4.1，则把熟练程度阈值赋给分阶段熟练程度搜索范围上界γh；如果非首次执行步骤4.1，表示已至少进行过一次迭代，则根据上一轮迭代的求解结果更新本轮迭代中的分阶段熟练程度搜索范围上下界γh、γl，然后将上下界的平均值赋给γc；
步骤4.2：代价矩阵计算，学习时间指从用户开始学习某个单词起至用户结束某个单词的学习为止的这段自然时间内，用户所学习的单词数量；这一单词数量将重复的单词也计入其中，代价矩阵C是一个形状为W×W的，元素均为正整数的矩阵，其中W表示用户的学习请求中所包含的单词的个数，C矩阵中第i行第j列的元素表示为cij，它表示将用户最后一次学习单词i的时刻安排在整个学习过程结束时刻之前第j段学习时间内时，用户为了让自己对单词i的熟练程度在所有单词学习完毕时达到γc及以上，学习单词i所需要的最小的累积学习时间，又称为代价，以上关于C矩阵中第i行第j列的元素的叙述中所使用的字母i,j取遍1到W间的所有整数，包括1和W；所述熟练程度由遗忘曲线理论中用于拟合遗忘曲线的函数计算得到，遗忘曲线函数选用负指数幂函数或负指数函数拟合；
步骤4.3：指派问题求解模块接收代价矩阵计算模块给出的代价矩阵，将代价矩阵作为输入，调用匈牙利算法，得到一个用于表示指派方案的W维的、各分量为互不重复的单词标号的向量sol，向量sol第i个分量的值表示倒数第(W-i+1)段学习时间中，需要推荐用户学习的单词序号，i取遍1到W间的所有整数，包括1和W，学习模块从向量sol中解析出在最后长度为W的学习时间中，需要推荐用户学习的单词；
步骤4.4：动态规划迭代器所执行的迭代分为阶段内迭代和阶段间迭代：阶段内迭代使用二分搜索方法寻找适合用于当作当前学习阶段熟练程度目标的数值，阶段间迭代则根据阶段内迭代的求解结果，从后往前填充要向用户推荐学习的单词序列。
所述阶段内迭代：指派问题求解模块将向量sol传入动态规划迭代器。动态规划迭代器根据向量sol和矩阵C计算出熟练程度要求为γc的分阶段学习的学习时间；如果学习时间的大小大于上一次进入阶段间迭代的熟练程度所对应的学习时间减去W，则当前熟练程度要求过高，将γc置为熟练程度搜索范围的上界；如果学习时间大小不大于上一次进入阶段间迭代的熟练程度所对应的学习实践减去W，则将γc置为备选的可行阶段解γf，并将其置为熟练程度搜索范围的下界，可行解标记flag置1，完成判断后，迭代次数IterTime加1，若IterTime未达到IterTimeMax，则通过单步求解模块接口跳转至步骤4.2。
所述阶段间迭代实现为：判断可行解标记flag是否为1，若为1，则先根据γf对应的每个单词所需的学习次数和上一阶段每个单词所需的学习次数的差值减1，将这一部分学习次数按单词表顺序，在要向用户推荐学习的单词序列中，从后往前填充，然后将γf对应的向量sol的末W维的值，拷贝到要向用户推荐学习的单词序列的末W个空位，最后通过单步求解模块接口跳转至步骤4.1，若flag不为1，则根据上一学习阶段求得的向量sol和可由代价矩阵C推知的每个单词所需的学习次数，使用按单词表顺序轮转的方式，把要向用户推荐学习的单词序列中的空位从前往后依次填满，然后进入步骤5。
本发明与现有技术相比优点在于：
(1)本发明的单词学习辅助系统可通过反馈机制及时获取实时单词难度信息和用户学习能力信息，使系统在运行时能根据全局的单词和用户学习情况对系统输出进行更精准的自适应调整。如前所述，系统在用户的学习行为开始前、用户学习行为进行时以及用户学习行为完成后的三个阶段均设有信息收集(信息包括单词测试结果和单词学习用时)和反馈机制，且利用所有用户学习记录的汇总来调整输出；而现有的单词助记产品在用户使用过程中普遍只在学习结束后反馈用户对单词掌握程度的二分类标签(“已掌握”和“未掌握”)，且单用户行为数据仅作用于单用户本身。因此，本发明信息收集和反馈机制所收集的信息更为详细，应用于单用户输出的实际数据量更为庞大，作为结果，本发明中的反馈机制更为精细、准确，具备良好的自适应性。
(2)本发明的单词辅助学习系统中的智能决策模块基于定量化分析，给出智能决策，给出的学习建议可与用户当前的学习进度较精准地匹配。本发明中智能决策模块对遗忘理论的应用方式有别于众多现有技术：本发明应用遗忘理论时结合由系统反馈中获得的单词难度和用户学习能力，使用遗忘理论中的遗忘曲线定量化计算不同用户对不同单词的掌握情况；而现有技术大多在所有用户学习任意单词时都直接使用艾宾浩斯遗忘理论中提出的记忆周期。由于艾宾浩斯遗忘理论中的记忆周期是根据艾宾浩斯本人记忆一些特定的无意义字母组合的实验结果提出的，所以这一记忆周期对具有不同能力的用户和不同难度的单词的适用性无法得到保证。相较而言，本发明基于用户和单词数据的定量化计算方法能借助反馈机制，在决策不准确时及时调整，得到与用户学习进度相匹配的学习建议。
(3)本发明的智能决策模块给出的推荐学习序列是分阶段的，符合人脑记忆循序渐进的自然认知规律。智能决策模块中的动态规划迭代器通过反复调用单步求解模块，通过自动搜索得到除了用户给出的最终学习目标外，在每个学习阶段中适合于当前用户水平的熟练程度目标值。相比于一些现有技术采用的人为划分学习阶段的解决方案，本发明对分阶段学习的处理方式更为自然，且求解中使用源于用户学习记录的数据，因此能更好地适应不同用户的实际学习需求和认知规律。
附图说明
图1为本发明系统的组成框图；
图2为本发明用于拟合遗忘曲线(又称“熟练程度曲线”)的函数示意图；
图3为本发明系统客户端的智能决策单元中的动态规划迭代求解器的内部流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示。本发明系统由客户端和服务器构成。客户端负责向服务器发送用户的学习请求，接收服务器中学习模块的运算结果，并以这一结果为根据，通过图形化的学习界面，辅助用户进行单词学习。服务器部署有存储单元和智能决策单元两个核心单元，并配备学前测试模块和学习模块，对用户不同阶段的请求做出响应。实施步骤如下：
步骤1：用户通过客户端发出学习请求，服务器接收这一请求，判断用户信息数据库中是否存有用户近期的能力信息；如果用户系初次登陆或用户信息数据库中的用户学习能力信息一周以上没有被更新，则调用学前测试模块对用户学习能力进行测试，转到步骤2；如果用户并非第一次登陆学习系统，且用户信息库中的用户学习能力信息在一天内被更新过，则直接跳转到步骤3；
步骤2：调用学前测试模块：学前测试模块用于测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行考察，得到考察结果；考察试卷基于项目反应理论设计，采用贝叶斯分析方法估测用户当前学习能力；得到考察结果后，一方面将测试结果反馈至客户端让用户知悉，另一方面将测试结果传入存储单元，用于更新用户信息数据库和单词数据库；
步骤3：学习模块响应用户的学习请求，将用户期望学习的单词列表作为请求发送给智能决策单元；智能决策单元响应这一请求，进行初始化操作，从存储单元读取用户信息以及用户请求的单词集合中的单词的相关信息，用于后续智能决策；
步骤4：智能决策单元进行迭代的首步操作：先调用一次单步求解模块，求解出推荐学习序列的倒数第一部分，并将用户原始请求中对熟练程度的阈值要求作为本次迭代的熟练程度阈值要求，存入临时存储区域，作为迭代的历史信息。其中，单步求解模块用于给出系统需要向用户推荐学习的单词的一部分，它包括代价矩阵计算模块和指派问题求解模块。代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用，指派问题求解模块则将代价矩阵作为输入，运行用于求解指派问题的匈牙利算法，决定需要推荐用户学习的单词的一部分。动态规划迭代器则通过多次调用单步求解模块，得到完整的单词推荐列表，然后将得到的推荐单词返回给学习模块；
步骤5：智能决策单元将完整的推荐学习的单词序列传送给学习模块；
步骤6：学习模块是服务器与客户端用于通信的一个模块，它在用户信息不需要更新时接受来自客户端的学习请求，然后将这一请求转发给智能决策模块，待智能决策模块求解完毕，学习模块接收求解得到的推荐单词，将这一单词和对应的学习资源(包括中文释疑和单词读音的音频)用html语言生成单词学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐单词传给学习效果反馈模块作为学习记录；
步骤7：学习完成，调用学习效果反馈模块，收集用户关于学习效果的反馈信息，并使用这些信息更新用户信息数据库和单词数据库。
下面对各模块进行详细说明。
1.存储单元包括用户信息数据库和单词数据库。
用户信息数据库中的存储内容和含义列举如下：
(1)用户唯一标识号UID：用于区分不同用户，以及对不同用户信息的归档。
(2)用户所学单词记录表：每个用户在用户信息数据库中都有一个所学单词记录表，单词记录表中存储有用户学习过的每一个单词的、用于区分不同单词的单词唯一标识号GWID，并记录每个单词的首次学习时间。每个单词在单个用户的用户所学单词记录表中持有唯一标识号WID。使用(UID,WID)序偶，可以在用户信息数据库中追溯到UID对应用户在学习WID对应单词过程中的学习记录。在实际部署系统时，若用户的单词记录表满，无法继续添加用户即将学习的新单词，则将单词记录表中首次学习时间最早的单词从表中删去，同时删去用户信息数据库中可使用(UID,WID)序偶追溯到的单词。
(3)用户学习记录表：每个用户在用户信息数据库中都有一个用户学习记录表，用于记录用户上次学习时第一遍学习各单词所使用的时间长短。对于确定的用户，这一表中的信息可以使用单词标识号WID索引。
(4)用户测试结果表：每个用户在用户信息数据库中都有一个用户测试结果表，用于记录截至用户上次学习结束时的各单词测试结果。对于确定的用户，这一表中的信息可以使用单词标识号WID索引。
(5)用户学习能力值表：这是一个全局的正浮点型数组，数组中各值为各用户的学习能力标定，这一表中的信息可以使用用户标识号UID索引。
单词数据库中的存储内容和含义列举如下：
(1)单词唯一标识号GWID：用于区分不同的单词，以及对不同单词信息的归档。GWID和用户信息数据库中使用的WID不同，GWID是单词数据库中的全局标识号，而WID是单词在用户所学单词记录表中的局部标识号。
(2)单词的学习记录表：每个单词在单词数据库中都有一个学习记录表，表项为三元组(UID，首次学习用时，测试结果0-1量)，其中UID是用户标识号，可用于到用户信息数据库中追溯用户学习能力值；“首次学习用时”与标识号为UID的用户的用户学习记录表中GWID单词对应的表项中的所记录的时间是等同的；“测试结果0-1量”与标识号为UID的用户的用户测试结果表中与GWID单词对应的表项所记录的测试结果是等同的。在实际部署系统时，如果单词学习记录表满，则将最早入表的表项移除，然后添加新的表项。
(3)单词难度值表：这是一个全局的正浮点型数组，数组中各值为各单词的难度值标定，这一表中的信息可以使用单词标识号GWID索引。
存储单元的用户信息数据库和单词数据库中的用户所学单词记录表、用户测试结果表、用户学习能力值表和单词学习记录表均在客户端触发反馈操作时，根据从客户端传来的数据包内容进行更新。
用户信息数据库中的用户学习能力值和单词数据库中的单词难度值在首次运行系统时采用如下公式计算：
(1)单词难度值表示为bw，表示第w个单词的单词难度值为bw，下标w的取值范围为1,2,…,W，W表示用户学习请求中的单词总数。采用如下公式确定：
bw＝0.7*所含字母数+0.3*所含音节数。
然后将单词库中的所有单词难度归一化：
Figure BDA0002148507780000081
公式中，max(b)表示单词数据库中具有最大难度值的单词的难度，min(b)表示单词数据库中具有最小难度值的单词的难度。
(2)用户学习能力值θ的计算依赖于学前测试模块的测试结果。学前测试模块的输出结果包括测试用的单词向量a，以及用于表示测试结果的0-1向量scr。使用项目反应理论中的极大似然估计法，采用双参数logistic项目反应函数：
Figure BDA0002148507780000091
式中xi表示用户答对关于第i个单词的测试题，P(xi＝1|θ)表示已知θ时，用户答对第i个单词的测试题的概率；P(xi＝0|θ)表示已知θ时，用户答错第i个单词的测试题的概率。由此，可知似然函数：
Figure BDA0002148507780000092
函数I(·)是示性函数，当括号内的命题为真时取1，为假则取0；scri表示向量scr的第i个分量，scri的值为1表示用户答对第i个单词的测试题，为0表示用户答错第i个单词的测试题，i取遍1,2,…,A，A表示单词向量a所含单词个数。然后对上述似然函数取对数，并求导，令导数为0，使用牛顿-拉夫逊迭代法求解使似然函数最大的能力值θ。
当辅助学习系统的学习记录条数达到一定的数量(大于1000条)时，使用EM算法，视单词难度为EM算法中的“隐变量”，用户学习能力值为EM算法中的“模型参数”，EM算法运算过程中所需要的先验概率和条件概率直接使用数据库中的记录进行估计(使用实际出现的频率估计概率)。
2.学前测试模块用于测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行考察，得到考察结果，具体实现过程如下：
(1)由系统管理员指定一个用于单词测试的单词数量V。如果系统管理员不给出这一数量，则取单词数量的默认值为V＝100。
(2)读取存储单元中的用户信息数据库，通过用户的UID查询当前用户的能力值θ。如果查询失败，则取θ为所有用户学习能力值的中位数。
(3)创建一个容量为V的空数组，数组用于存储即将用于用户水平测试的单词的GWID。
(4)从单词数据库中随机抽取4V个单词，根据项目反应理论，使用用户学习能力值θ和单词难度bj,j＝1,2,…,4V，计算出单词对于用户的最大信息函数Ij(θ)，计算公式如下：
Figure BDA0002148507780000093
(5)将各单词的最大信息函数值按从大到小顺序排列，取出排列中的前0.6V个单词，如0.6V不是整数，则向上取整，然后将它们放入(3)中创建的容量为V的空数组，然后从排列中的末2.4V个单词中随机抽取0.4V个单词，如果2.4V不是整数，则向下取整，如果0.4V不是整数，则向下取整，然后放入(3)中创建的数组中剩余的空位中。
(6)将(3)中创建的数组返回给客户端，作为单词测试内容。
3.学习模块是用于服务器与客户端间通信的一个模块，它接受来自客户端的学习请求，然后将这一请求转发给智能决策模块，待智能决策模块求解完毕，学习模块接收求解得到的推荐单词，将这一单词和对应的学习资源(包括中文释疑和单词读音的音频)用html语言生成单词学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐单词传给学习效果反馈模块作为学习记录。
4.智能决策单元负责给出符合遗忘曲线理论规律的推荐单词学习序列，帮助用户高效学习单词。智能决策单元由单步求解模块和动态规划迭代器构成，具体实现如下：
单步求解模块用于给出系统需要向用户推荐学习的单词的一部分，它包括代价矩阵计算模块和指派问题求解模块，描述如下：
调用单步求解模块前的初始化操作：在响应某一用户的学习请求时，如果首次调用单步求解模块，则不执行本段描述操作，将用户学习请求中的熟练程度阈值赋给单步求解模块临时存储区域中的γc，直接转入代价矩阵求解模块的相关步骤。单步求解模块初始化模块内的临时存储区域：置计数器IterTime为0，可行解标记flag为0，γl＝0，并设定一个最大次数IterTimeMax，默认值为5，实际运行时可调整。如果是第一次执行本段描述操作，则把用户学习请求中的熟练程度阈值赋值给γh，如果不是第一次执行本段描述操作，则令γl＝γf，其中γf将在动态规划迭代器中被计算出来，因为第一次执行本段描述操作时并不使用γf，下一次执行本段描述操作时，动态规划迭代器已被调用过，所以本段描述操作中的关于单步求解模块的初始化操作描述在时间顺序上并无矛盾。然后令。初始化操作的运行时机是在调用单步求解模块之前，由动态规划求解器负责。
代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用，具体实现为以下三步：
(1)代价矩阵求解模块由于动态规划迭代器的调用而开始运行。代价矩阵求解模块从动态规划迭代器获得学习过程中的熟练程度阈值γ和待学习的单词列表(假设列表中有W个单词，在此次学习中使用下标1,2,…,W索引，然后从存储模块获取当前用户的能力值θ，和每个单词的难度值bw,w＝1,2,…,W。
(2)指定一个用于拟合遗忘曲线理论中的遗忘曲线的函数prof(w,t,N)。可以由系统管理员自行指定，或采用默认函数：
Figure BDA0002148507780000101
函数中，w是单词的索引标号，t是以开始学习第一个单词的时间为起始点所经过的学习时间(学习时间的定义见摘要)，N表示到时间t为止，用户已学习单词w的次数，dw(t)表示以学习时间t为终止点，以最近一次学习单词w的开始时刻为起始点，所历经的学习时间，Sw(N)是遗忘曲线的记忆牢固程度参数，Sw(N)＝αNSw(0)，其中α是更新速率，从存储单元获取掌握难度为中位数(0.5)的单词所需的最小学习次数N*(如果无法获取，可取默认值4)，则给出如下确定方式：
Figure BDA0002148507780000111
记忆牢固程度参数初值Sw(0)通过用户学习能力值和单词难度确定，默认的确定公式为：
Sw(0)＝θ(1-bw)
公式中，下标w表示单词，取遍1,2,…,W的所有值，W是用户学习请求中的单词总数。
图2是选用默认函数作为遗忘曲线函数时，在用户实际使用系统过程中函数值可能出现的一种变化情况。
(3)计算代价矩阵C：C是一个W×W的矩阵，cij表示这一矩阵第i行第j列的元素，它由如下公式确定：
cij＝min{N|prof(i,j,N)≥γ}
在使用默认遗忘曲线函数的情况下，求解公式为：
Figure BDA0002148507780000112
指派问题求解模块接收代价矩阵计算模块给出的代价矩阵，将代价矩阵作为输入，调用匈牙利算法(一种已存在的、成熟的指派问题求解算法)，得到的输出是一个W维向量，向量中各分量为互不重复的单词标号，将这个向量命名为sol，它的形式为：
sol＝[w1,w2,…,ww].
从这一向量中，学习模块可以解析出以用户进行最后一个单词的学习完毕为终止点且长度为W的这段学习时间内，单词辅助学习系统向用户推荐单词的排序：即在最后的长度为W的学习时间中，系统依次推荐单词w1,w2,…,wW。
动态规划迭代器则通过多次调用单步求解模块，得到完整的单词推荐列表，然后将得到的推荐单词返回给学习模块。
图3是动态规划求解器的内部流程图，除了在单步求解模块实现部分已经描述过的调用单步求解模块前的初始化操作外，具体实现步骤如下：
(1)接收指派问题求解模块传来的向量sol，将其存入动态规划迭代器中临时存储单元内的推荐学习序列存储器，并根据矩阵C和向量sol更新动态规划求解器中的临时存储单元内的单词所需学习次数存储器。单词所需学习次数存储器中为用户请求的每一个单词都分配了一个可存储一个无符号整型数的空间cntw,w＝1,2,…,W。更新方式为：对标号为w的单词，首先在sol向量中找到标号w，得到它在sol向量中的位置j，然后计算一个W维向量cnttemp：
cnttempw＝cwj
(2)如果是用户向学习模块发出请求后第一次给cnttemp赋值，则直接更新cnt向量：
cntw＝cnttempw
然后，令γf＝γc，使用sol向量更新临时存储区域中的推荐学习序列存储的末W个空位，然后回到智能决策单元的“初始化操作”步，不再执行(3)。
如果用户向学习模块发出请求后，系统并非第一次给cnttemp赋值，则进行如下操作：
判断下面不等式是否成立：
cnt-cnttmp≥1w
上式中1w是一个W维的，分量全部为1的向量；如果不等式成立，则将单步求解模块临时存储区域中的可行解标记flag置1，将γc的值赋给γf和γl，将cnttmp存入一个临时区域cntsuc，并将sol向量暂存入临时区域solsuc；如果不等式不成立，则只将γc的值赋给γh。然后令IterTime增加1。
(3)动态规划迭代器检查临时存储区域中的IterTime计数值是否达到预先设置的IterTimeMax(默认值为5)，如果未达到，则通过单步求解模块接口跳转至代价矩阵求解模块；如果已达到，则判断可行解标记flag是否为1，如果不为1，则置临时变量cntsuc为分量全部为0的W维向量，然后执行下面3个步骤，更新推荐学习序列存储：
(3.1)创建W维临时0-1变量isexist：当cnt的第i(i＝1,2,…,W)个分量为非零值时，isexist的第i个分量为1；当cnt的第i个分量为0时，isexist的第i个分量为0。
(3.2)计算临时向量diff＝cnt-isexist-cntsuc。然后循环遍历diff的每个分量：遍历到第i个分量时，判断第i个分量是否为0，如果不为0，则将在用户学习请求中索引序号为i的单词安排到推荐学习序列存储的最末一个空位中，然后令diff的第i个分量自减1，然后移动遍历指针至第(i+1)％W个分量，这里的％为取余数符号。遍历操作保持进行，直至diff变为零向量。
(3.3)如果可行解标记flag为0，则智能决策模块求解完毕，将运算结果传送到学习模块；如果可行解标记flag不为0，则使用solsuc向量更新推荐学习序列存储的末W个空位，并令cnt＝cntsuc，回到智能决策单元的“初始化操作”步。
5.学习请求模块收集用户的学习请求，并将用户的学习请求发送至服务器，具体实现过程如下：
(1)学习请求模块询问用户本次计划学习的单词列表以及希望在本次学习结束后达到的熟练程度。
(2)收到用户关于单词列表和期望熟练程度的应答后，学习请求模块使用http协议将用户的应答和用户的标识号封装成学习请求数据包，转发给服务器。
6.图形化学习界面以从服务器中学习模块传回的来自智能决策模块的运算结果为依据，通过图形化的学习界面，辅助用户进行单词学习，具体实现过程如下：
(1)图形化学习界面通过http协议从服务器的学习模块接收推荐的单词学习序列。
(2)用户开始本次学习，图形化学习界面重复执行如下操作直至推荐学习的单词序列为空：从推荐学习的单词序列中取出首个单词，并将这一单词从序列中删去(只删去首个单词，即使序列中存在与首个单词相同的单词，只要不是首个单词，就予以保留)，然后向本地缓存或服务器请求这一单词的学习资源，包括中文释疑，英文发音，然后使用html语言包装这些学习资源，呈现给用户。本地缓存在系统结构图中没有画出，其作用为储存最新请求的单词资源，在存储空间没有空余时删除最近最久未使用的单词资源，并在图形化学习界面请求学习资源时先在本地存储中进行搜索，如果搜索到了相应资源，则直接传送给图形化学习界面，如果未能搜索到相应学习资源，则向服务器请求资源。
7.学习效果反馈模块在学习过程中与图形化学习界面一起接收来自服务器中学习模块的相应，同时收集用户关于学习效果的反馈信息，将收集到的反馈信息反馈给服务器中的存储单元，用于更新存储单元中的用户信息数据库和单词数据库，具体实现过程如下：
(1)学习效果反馈模块通过http协议从服务器的学习模块接收推荐的单词学习序列。
(2)学习效果反馈模块内置一个以本次学习的单词标号为索引的整形数组。用户学习某一单词w(w＝1,2,…,W)时，学习效果反馈模块记录用户首次学习这一单词所消耗的时间。具体实现方式为：学习效果反馈模块侦听图形化学习界面与服务器学习模块进行通信的端口，当学习效果反馈模块监测到服务器学习模块发送来的单词资源数据包时，根据数据包内容确定即将学习的单词w，然后打开计时器。当学习效果反馈模块监测到服务器学习模块发送来的下一个单词资源数据包，或监测到用户本次学习已经结束时，终止计时，如果在以单词标号为索引的整型数组中，当前单词对应的数组元素非空，则将计时结果近似到秒级精度，存入数组的对应位置。
(3)本次单词学习结束后，学习效果反馈模块安排单词测试，并将单词测试结果记录在以单词标号为索引的0-1数组中，具体实现为：将本次学习请求中的单词列表乱序排列，然后从单词列表中依次取出单词，执行操作：按等概率随机选择“只显示中文释义”、“只显示单词本身”、“只播放读音”，选定后，按照选定方式，将单词呈现给用户，并提供两个选项“认识”、“不认识”，同时打开计时器，设定时间5秒，开始倒计时。如果在倒计时结束前，用户选择了“认识”，则将0-1数组中这一单词对应的位置置1；如果在倒计时结束前用户选择了“不认识”，或是在倒计时结束后用户仍未做出选择，则将0-1数组中这一单词对应的位置置0。
(4)将实现步骤(2)(3)中提及的整型数组和0-1数组封装成数据包，回传至服务器，由服务器中的存储单元接收。

Claims (5)

1.一种基于定量化分析的单词辅助学习系统，其特征在于，包括：客户端和服务器；所述客户端包括：学习请求模块、图形化学习界面和学习效果反馈模块；学习请求模块负责向服务器发送用户的学习请求，接收服务器中学习模块的运算结果；图形化学习界面以服务器中学习模块传回的来自智能决策模块的运算结果为根据，通过图形化的学习界面，辅助用户进行单词学习；学习效果反馈模块在学习过程中与图形化学习界面一起接收来自服务器中学习模块的响应，同时收集用户关于学习效果的反馈信息，所述反馈信息指用户学习每一个单词所花费的时间，和学习结束后对用户学习成果进行的测试结果；将收集到的反馈信息和对应的用户及单词绑定成一个数据包，反馈给服务器中的存储单元，用于更新存储单元中的用户信息数据库和单词数据库；
所述服务器部署有存储单元、智能决策单元、学前测试模块和学习模块；对用户不同阶段的请求做出响应；
所述存储单元，负责接收来自学前测试模块和客户端中的学习效果反馈模块的反馈信息，更新单元内部的用户信息数据库和单词数据库；用户信息数据库负责记录用户的学习历史，所述学习历史即用户所学的单词、学各单词时所花费的时间和学习结束后用户在单词测试中的作答结果；单词数据库负责记录各单词被学习的情况，包括学习单词的用户的能力测试结果，各用户在单词的学习上所消耗的时间的汇总和对单词难度的推断结果；
所述智能决策单元，接收来自学习模块的包含待学习单词列表的学习请求，从存储单元获取用户在学习过程中反映出的用户学习能力、单词难度和用户学习记录，并基于这些数据，为用户提供推荐学习的单词序列；所述智能决策单元包括：单步求解模块和动态规划迭代器；所述单步求解模块用于给出系统需要向用户推荐学习的单词的一部分，它包括代价矩阵计算模块和指派问题求解模块；代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用；指派问题求解模块将代价矩阵作为输入，运行用于求解指派问题的匈牙利算法，决定需要推荐用户学习的单词的一部分；动态规划迭代器通过多次调用单步求解模块，得到完整的单词推荐列表，然后将得到的推荐单词返回给学习模块；
所述学前测试模块，用于测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行测试，得到测试结果；一方面将测试结果反馈至客户端让用户知悉，另一方面将测试结果传入存储单元，用于更新用户信息数据库和单词数据库；
所述学习模块，是服务器与客户端用于通信的一个模块，它在用户信息不需要更新时接受来自客户端的学习请求，然后将这一请求转发给智能决策模块，待智能决策模块求解完毕，学习模块接收求解得到的推荐学习的单词序列，将这一单词和对应的用html语言生成单词和学习资源的学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐学习的单词序列传给学习效果反馈模块作为学习记录；所述学习资源包括中文释疑和单词读音的音频。
2.一种基于定量化分析的单词辅助学习方法，其特征在于，包括以下步骤：
步骤1：用户通过客户端发出学习请求，服务器接收这一请求，判断用户信息数据库中是否存有用户近期的学习能力信息；如果用户系初次登陆或用户信息数据库中的用户学习能力信息一周以上没有被更新，则调用学前测试模块对用户学习能力进行测试，转到步骤2；如果用户并非第一次登陆，且用户信息库中的用户学习能力信息在一天内被更新过，直接跳转到步骤3；
步骤2：调用学前测试模块测试用户的用户学习能力，利用单词数据库中的单词组卷，对用户单词学习能力进行考察，得到测试结果；测试卷基于项目反应理论设计，采用贝叶斯分析方法估测用户当前学习能力；得到测试结果后，一方面将测试结果反馈至客户端让用户知悉，另一方面将测试结果传入存储单元，用于更新用户信息数据库和单词数据库；
步骤3：学习模块响应用户的学习请求，将用户期望学习的单词列表作为请求发送给智能决策单元；智能决策单元响应这一请求，进行初始化操作，从存储单元读取用户信息以及用户期望学习的单词列表中的单词的相关信息，用于智能决策；
步骤4：智能决策单元进行迭代的首步操作：先调用一次单步求解模块，求解出推荐学习的单词序列的倒数第一部分，并将用户请求中对熟练程度的阈值要求作为本次迭代的熟练程度阈值要求，存入临时存储区域，作为迭代的历史信息，其中单步求解模块用于给出需要向用户推荐学习的单词序列的一部分，它包括代价矩阵计算模块和指派问题求解模块；代价矩阵求解模块利用遗忘曲线评估在不同的时机推荐不同的单词对提高用户学习效率的作用，指派问题求解模块则将代价矩阵作为输入，运行用于求解指派问题的匈牙利算法，决定需要推荐用户学习的单词序列的一部分；在本步骤中，求解出推荐学习序列的倒数第一部分后，动态规划迭代器反复调用单步求解模块，将需要向用户推荐的学习序列从后往前填充，直至得到完整的推荐学习的单词序列，然后将得到的单词序列返回给学习模块；
步骤5：学习模块接收来自智能决策模块的推荐学习的单词序列，使用html语言生成包含单词和学习资源的学习页面，借由http协议回传至客户端的图形化学习界面，同时将推荐学习的单词序列传给学习效果反馈模块作为学习记录，所述学习资源包括中文释义和单词读音的音频；
步骤6：学习完成，调用学习效果反馈模块，收集用户关于学习效果的反馈信息，并使用这些信息更新用户信息数据库和单词数据库。
3.根据权利要求2所述的一种基于定量化分析的单词辅助学习方法，其特征在于，所述步骤4中，单步求解模块实现如下：
步骤4.1：响应用户学习请求时，若首次调用单步求解模块，则将学习请求中的熟练程度阈值发送给动态规划迭代器的临时存储区域中的待测试分阶段熟练程度γc，然后跳转至步骤4.2；若非首次调用单步求解模块，则向动态规划迭代器发送信号以初始化临时存储区域，具体操作包括归零计数器IterTime、可行解标记flag以及分阶段熟练程度搜索范围下界γl，并设定一个最大次数IterTimeMax；若首次执行步骤4.1，则把熟练程度阈值赋给分阶段熟练程度搜索范围上界γh；如果非首次执行步骤4.1，表示已至少进行过一次迭代，则根据上一轮迭代的求解结果更新本轮迭代中的分阶段熟练程度搜索范围上下界γh、γl，然后将上下界的平均值赋给γc；
步骤4.2：代价矩阵计算，学习时间指从用户开始学习某个单词起至用户结束某个单词的学习为止的这段自然时间内，用户所学习的单词数量；这一单词数量将重复的单词也计入其中，代价矩阵C是一个形状为W×W的，元素均为正整数的矩阵，其中W表示用户的学习请求中所包含的单词的个数，C矩阵中第i行第j列的元素表示为cij，它表示将用户最后一次学习单词i的时刻安排在整个学习过程结束时刻之前第j段学习时间内时，用户为了让自己对单词i的熟练程度在所有单词学习完毕时达到γc及以上，学习单词i所需要的最小的累积学习时间，又称为代价，以上关于C矩阵中第i行第j列的元素的叙述中所使用的字母i,j取遍1到W间的所有整数，包括1和W；所述熟练程度由遗忘曲线理论中用于拟合遗忘曲线的函数计算得到，遗忘曲线函数选用负指数幂函数或负指数函数拟合；
步骤4.3：指派问题求解模块接收代价矩阵计算模块给出的代价矩阵，将代价矩阵作为输入，调用匈牙利算法，得到一个用于表示指派方案的W维的、各分量为互不重复的单词标号的向量sol，向量sol第i个分量的值表示倒数第(W-i+1)段学习时间中，需要推荐用户学习的单词序号，i取遍1到W间的所有整数，包括1和W，学习模块从向量sol中解析出在最后长度为W的学习时间中，需要推荐用户学习的单词；
步骤4.4：动态规划迭代器所执行的迭代分为阶段内迭代和阶段间迭代：阶段内迭代使用二分搜索方法寻找适合用于当作当前学习阶段熟练程度目标的数值，阶段间迭代则根据阶段内迭代的求解结果，从后往前填充要向用户推荐学习的单词序列。
4.根据权利要求3所述的一种基于定量化分析的单词辅助学习方法，其特征在于，所述阶段内迭代：指派问题求解模块将向量sol传入动态规划迭代器；动态规划迭代器根据向量sol和矩阵C计算出熟练程度要求为γc的分阶段学习的学习时间；如果学习时间的大小大于上一次进入阶段间迭代的熟练程度所对应的学习时间减去W，则当前熟练程度要求过高，将其置为熟练程度搜索范围的上界；如果学习时间大小不大于上一次进入阶段间迭代的熟练程度所对应的学习时间减去W，则将γc置为备选的可行阶段解γf，并将γc置为熟练程度搜索范围的下界，可行解标记flag置1，完成判断后，迭代次数IterTime加1，若IterTime未达到IterTimeMax，则通过单步求解模块接口跳转至步骤4.2。
5.根据权利要求3所述的一种基于定量化分析的单词辅助学习方法，其特征在于，所述阶段间迭代实现为：判断可行解标记flag是否为1，若为1，则先根据γf对应的每个单词所需的学习次数和上一阶段每个单词所需的学习次数的差值减1，将这一部分学习次数按用户期望学习的单词列表中的顺序，在要向用户推荐学习的单词序列中，从后往前填充，然后将γf对应的向量sol的末W维的值，拷贝到要向用户推荐的学习序列的末W个空位，最后通过单步求解模块接口跳转至步骤4.1，若flag不为1，则根据上一学习阶段求得的向量sol和由代价矩阵C推知的每个单词所需的学习次数，使用按单词表顺序轮转的方式，把要向用户推荐学习的单词序列中的空位从前往后依次填满，然后进入步骤5。
CN201910693154.6A 2019-07-30 2019-07-30 一种基于定量化分析的单词辅助学习系统及方法 Active CN110473438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910693154.6A CN110473438B (zh) 2019-07-30 2019-07-30 一种基于定量化分析的单词辅助学习系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910693154.6A CN110473438B (zh) 2019-07-30 2019-07-30 一种基于定量化分析的单词辅助学习系统及方法

Publications (2)

Publication Number Publication Date
CN110473438A CN110473438A (zh) 2019-11-19
CN110473438B true CN110473438B (zh) 2021-07-20

Family

ID=68509090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910693154.6A Active CN110473438B (zh) 2019-07-30 2019-07-30 一种基于定量化分析的单词辅助学习系统及方法

Country Status (1)

Country Link
CN (1) CN110473438B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861373B (zh) * 2020-06-19 2024-02-23 北京国音红杉树教育科技有限公司 一种智能默写中的复习时间计算方法及电子设备
CN111861816B (zh) * 2020-06-19 2024-01-16 北京国音红杉树教育科技有限公司 一种语言互译学习中用于计算单词记忆强度的方法及设备
CN111861370B (zh) * 2020-06-19 2024-02-06 北京国音红杉树教育科技有限公司 一种词听最佳复习时间规划的方法及装置
CN111861375B (zh) * 2020-06-19 2023-12-26 北京国音红杉树教育科技有限公司 一种单词听写最佳复习时间的计算方法及系统
CN111861812B (zh) * 2020-06-19 2024-01-16 北京国音红杉树教育科技有限公司 一种词听方式的单词记忆强度计算方法及装置
CN112364152A (zh) * 2020-11-09 2021-02-12 上海束水智能科技有限公司 一种响应式学习辅助的方法、系统及设备
CN114401279A (zh) * 2022-01-06 2022-04-26 托普爱英(北京)科技有限公司 一种数据同步方法、装置、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050008271A (ko) * 2003-07-15 2005-01-21 박진우 에빙하우스의망각곡선을도입한e-learningsystem
CN101201812A (zh) * 2006-12-14 2008-06-18 英业达股份有限公司 通过计算机可执行的辅助学习语言单词的系统及其方法
CN103413478A (zh) * 2013-07-09 2013-11-27 复旦大学 记忆单词智能学习方法与系统
CN104077930A (zh) * 2014-05-13 2014-10-01 李国胜 基于移动终端的强效记忆学习方法及移动终端
CN104134374A (zh) * 2014-05-06 2014-11-05 天津工业大学 一种基于词句排序动态评估掌握程度的电子词典方法
JP2015206835A (ja) * 2014-04-17 2015-11-19 株式会社エレナ 学習システム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050008271A (ko) * 2003-07-15 2005-01-21 박진우 에빙하우스의망각곡선을도입한e-learningsystem
CN101201812A (zh) * 2006-12-14 2008-06-18 英业达股份有限公司 通过计算机可执行的辅助学习语言单词的系统及其方法
CN103413478A (zh) * 2013-07-09 2013-11-27 复旦大学 记忆单词智能学习方法与系统
JP2015206835A (ja) * 2014-04-17 2015-11-19 株式会社エレナ 学習システム
CN104134374A (zh) * 2014-05-06 2014-11-05 天津工业大学 一种基于词句排序动态评估掌握程度的电子词典方法
CN104077930A (zh) * 2014-05-13 2014-10-01 李国胜 基于移动终端的强效记忆学习方法及移动终端

Also Published As

Publication number Publication date
CN110473438A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110473438B (zh) 一种基于定量化分析的单词辅助学习系统及方法
CN110473435B (zh) 一种具有学习周期的定量化的单词辅助学习系统及方法
CN110569443B (zh) 一种基于强化学习的自适应学习路径规划系统
CN112508334B (zh) 融合认知特性及试题文本信息的个性化组卷方法及系统
CN110991645A (zh) 一种基于知识模型的自适应学习方法、系统及存储介质
CN108959331B (zh) 运用设备学习框架的方法、装置及计算机程序
CN110941723A (zh) 一种知识图谱的构建方法、系统及存储介质
CN111651676B (zh) 基于能力模型进行职业推荐的方法、装置、设备和介质
CN111723193A (zh) 习题智能推荐方法、装置、计算机设备及存储介质
CN110659311B (zh) 题目推送方法、装置、电子设备及存储介质
CN107301164B (zh) 数学公式的语义解析方法及装置
CN111680216B (zh) 一种试题推荐方法、系统、介质及设备
CN111914176A (zh) 题目的推荐方法及装置
CN115544241B (zh) 一种线上作业的智能推送方法及装置
CN110189238A (zh) 辅助学习的方法、装置、介质以及电子设备
CN112015992B (zh) 智能单词背诵计划生成方法
CN109800880B (zh) 基于动态学习风格信息的自适应学习特征提取系统及应用
CN116228361A (zh) 基于特征匹配的课程推荐方法、装置、设备和存储介质
CN116258613B (zh) 课程规划方法、课程规划设备和可读存储介质
CN112052393A (zh) 一种学习方案推荐方法、装置、设备和存储介质
CN111950852A (zh) 一种用户行为分析与指导方法、装置、电子设备和可读存储装置
CN114676295A (zh) 基于ai的个性化教学方法、装置、设备及可读存储介质
KR102329611B1 (ko) 교육적 요소를 예측하는 사전학습 모델링 시스템 및 방법
CN113763767A (zh) 学习试题推送方法、装置、计算机设备和存储介质
CN112907004B (zh) 学习规划方法、装置及计算机存储介质

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