CN110533187A - 一种知识量化分级和智能教学方法 - Google Patents
一种知识量化分级和智能教学方法 Download PDFInfo
- Publication number
- CN110533187A CN110533187A CN201910836652.1A CN201910836652A CN110533187A CN 110533187 A CN110533187 A CN 110533187A CN 201910836652 A CN201910836652 A CN 201910836652A CN 110533187 A CN110533187 A CN 110533187A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learning
- difficulty
- quantization
- intelligent tutoring
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013139 quantization Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000019771 cognition Effects 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 7
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims 4
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种知识量化分级和智能化教学方法，主要包括基于知识深度和认知难度的知识量化方法、基于知识量化的知识难点和难度计算和分级方法、基于知识量化的学习难点反馈和难度反馈，和基于难点反馈和难度反馈的智能化教学方法。本发明从知识层次和认知层次实现了对知识的定量计算和等级确定；基于知识的定量和等级分析学习者目前的知识学习和技能掌握程度，找到学习困难的原因；根据学习者的学习程度和学习困难的原因，制定具有适合个人特色的教学和学习方法，选择合适的学习和练习材料。
Description
技术领域
本发明属于知识量化、智能学习和教育培训领域，具体涉及一种知识学习和认知能力的量化方法和学习认知难度分级、学习反馈、及智能学习和智能教学方法。
背景技术
基于大数据的智能学习将随着大数据的开发和应用称为一种热潮，但目前教学过程中尚未对每位学习者的个性和特点进行有效考虑。在从幼儿园、小学、中学到大学的各级教学机构，包括社会辅导机构的教学或辅导中，仍然难以有效考察学生在知识、技能学习和运用方面的缺陷或者不足。部分学习者为解决自身学习的个性化困难，通过一对一人工学习辅导等方法，付出了大量的金钱和时间代价。但即使是一对一的辅导，双方也不能快速有效地辨认一个学习者学习困难的具体原因，因此实际效果有待商榷。经查询，目前尚没有对知识点学习的难度量化方法，更缺少对学习困难原因分析的大数据定量计算分析方法。
按照布鲁姆模型，学习者的学可以从知识的层次和学习者的认知层次可以被分成不同的级别。这给学习的难易程度提供了一种量化的可能，并为学习的难易程度提供评价的标准。由于个体学习者的差异，不同的人可能存在不同的困难。对所要学习和掌握的知识和技能进行量化后，可以根据学习者自身的情况，从其学习知识的量化结果中识别他的学习困难原因。基于所查找到的原因，提供有针对性的智能学习或智能教学方案。
基于本发明的推广，将使学习者在学习时充分认识自己目前所达到的知识能力层级、学习中所面临的困难、并制定和采取有针对性的解决方案，不断促进学习者向知识和能力的更深层次进步。
发明内容
本发明提供了一种知识和认知两个维度的知识点分级量化和智能教学方法，包括：（1）一种知识点量化方法，（2）基于知识量化的知识点难度的计算和分级方法，（3）基于知识点量化的学习难点和难度反馈，和（4）基于难点和难度反馈的智能化教学方法。本发明的技术方案如下：
（1）知识量化方法。按照布鲁姆的学习分类模型，知识可以被分为事实、概念、原理和内化认知四个层次，学习认知可以被分为记忆、理解、应用、分析、评价和创造六个层次。由于每一个知识都可以从知识层次和认知层次两个维度进行标记，因此本方案中基于知识和认知构建二维坐标图，如图1所示。在图1中，每一个要学习的知识在学习过程中具有一个相应的具体位置，本发明中基于二维图上的位置对知识进行赋值。为了方便对知识的量化和后续的学习困难原因的分析，本发明中用矩阵元（i, j）表示某一个知识在坐标图上的位置，并基于矩阵元对知识进行进一步量化和分析。
利用图1可以清晰的显示知识在知识层次和认知深度两维分布情况。
对知识进行量化并利用（i, j）表示后，利用i和j的值对知识点的难度进行分级。其中，按照知识维度，用Q1来表示，对应事实、概念、原理和规律、和内化认知四个层次，Q1的值分别为1、2、3和4。按照认知的深度，用Q2来表示，从识记、理解、应用、分析、评价和创造，Q2的值分别为1、2、3、4、5和6。基于Q1和Q2的值，定义综合评价参数Q3=Q1+Q2，它代表知识维度和认知深度的综合值。以上由Q1、Q2和Q3完成对知识学习的量化。
以上对知识层次Q1和认知深度Q2的量化，可以根据某一个层次的复杂程度，进行扩展划分。如将原理和规律再分成三个等级，此时图1将改变为图2的形状，但仍然可以用矩阵（i, j）表示知识的位置。
经过量化后，知识和技能的学习和认知通过大数据分析方法进一步深入分析，实现对知识和技能的智能学习和智能教学。
（2）基于知识量化的知识难度的计算和分级方法。根据Q1、Q2和Q3的值的大小，可以对知识学习的难易程度进行分级。从单纯的一维分析，Q1从1到4知识的层次难度逐渐增加，Q2从1到6认知程度的深度逐渐增加。利用Q3，则可对知识进行二维综合判断分析。由于Q3的值最大为10，即对知识的学习转化为学习者自身的下意识行为并利用该知识来创造新知，因此对应了知识和技能学习的最高层级和最高目标。从Q3的值，知识学习可以根据量化结果从2到10进行分级，以2为最低级，10为最高级。
根据Q1、Q2和Q3的值，实现对学习者所处的知识层次、学习能力和综合学习级别及难度的判断和分析。例如当Q1=1时，可以分析学习者在事实知识层面上对知识在不同认知程度上的掌握水平。该分析将有利于第（3）方面的实施。
（3）基于知识量化的学习难点和学习知识难度反馈。根据（2）中的知识难度计算和分级方法，可以对学习者学习的难点和难度进行反馈分析。学习者在学习时，通过不同手段的练习训练或者考核分析，基于Q1、Q2和Q3的值可以确定该学习者在某个层面的掌握程度和学习能力如何，并发现学习困难的具体原因。例如对某位学习者，分析他Q1=1时的j值，如果对于大部分的训练题目，得分中j均小于3，说明他对于识记原理和规律、内化知识存在困难。通过一定题目的测算，可以利用学习者掌握知识所处的Q1、Q2和Q3得分，判断和反馈学习者目前的学习水平和层级，并判断他的学习难点在什么地方，判断出所使用学习资料的难度水平，同时可以选择合适学习者使用的学习资料。
（4）基于难点和难度反馈的智能化教学方法。通过（3）中对学习者学习难点和难度的分析反馈，对于学习者、教师或辅导老师可以制定特色的教学计划和教学方法，并提供有针对性的学习和练习资料。基于大数据的智能化算法实现智能化教学。
本发明与现有技术相比具有以下优点：
1、从知识层次和认知层次实现了对知识的定量计算和等级确定；
2、基于知识的定量和等级分析学习者目前的知识学习和技能掌握程度，找到学习困难的原因；
3、根据学习者的学习程度和学习困难的原因，制定具有适合个人特色的教学和学习方法，选择合适的学习和练习材料。
附图说明
图1是知识的量化矩阵；
图2是对“原理和规律”扩展的量化矩阵示意图；
图3是某套考题的难度和特点分析结果；
图4是某学习者的学习层次分析结果。
具体实施方式
以下通过实施例对本发明的上述内容做进一步详细说明，但不应该将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明上述内容实现的技术均属于本发明的范围。
实施例1
基于本发明方法对考题进行难度和特点分析，优化和改进考题。如某套考题，所考的知识点在知识和认知的二维图上的分布如图2所示，可以利用该分布图查看该套试题所考查的知识层次和认知水平，判断该考试所考查知识的层次和能力是否全面。并进一步基于相应的Q1、Q2和Q3的值，进行考题难度和特点分析。
从图3可以看出，考题集中在对于知识的事实概念和认知的识记、理解和应用方面，题目数分别为：事实+识记（Q3=2）×2、概念+识记（Q3=3）×4、事实+理解（Q3=3）×2、概念+理解（Q3=4）×3、和事实+应用（Q3=4）×2，并分别有内化认知+识记（Q3=5）×2、原理和规律+应用（Q3=6）×2，以及概念+评价（Q3=7）×2的题目。由于图中间存在跳跃的空白区，同时在难度上缺少了8-10分的题目，试题的区分度可能存在一定的缺陷。因此存在一定的知识层次和认知深度考核空白。从该考题对学生的学习效果分析将不能正确反映出学习困难的原因。基于该分析结果，可以对考题进行优化和改进。
实施例2
基于本发明方法对某位学生的学习层次分析。在分析学生的学习能力前，首先利用题目对学生进行测试。考题的选择为每个（i, j）上的知识点为5个题目。测试结果见图4。从结果上可以看出，在知识层次上，该学生对于知识的事实和概念掌握很好，但涉及到原理和规律时开始有欠缺，而对于知识的内化认知则存在更多的困难；而在认知层次上，该生对于识记、理解和应用有较好的能力，但在分析和评价上则具有一定的不足。随着知识层次的提高，该生学习的困难随着认知能力的深层次话越发困难。
实施例3
基于本发明制定学习者的智能教学方案。结合实施例2总的学生学习层次分析，可以对该生制定个性化教学或学习方案，并挑选合适的学习内容和训练题目。实施例2中的学生，学习层次可以归类为对概念的应用层面，而需要进一步加强对原理的理解掌握，逐步夯实基础，实现稳步提高。
以上实施例描述了本发明的基本原理、主要特征及优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明原理的范围下，本发明还会有各种变化和改进，这些变化和改进均落入本发明保护的范围内。
Claims (8)
1.一种知识量化分级和智能教学方法，其特征在于具体过程为：对知识进行定量化计算，并基于定量化计算对知识和认知难度、学习者能力层次的量化和分级，学习难度反馈，以及基于定量化和难度分级的智能学习和智能教学。
2.根据权利要求1所述的知识量化分级和智能教学方法，其特征在于：对知识和学习按照知识的层次和认知的深度进行定量分析计算，基于该定量计算结果产生知识层次指标、认知深度指标和综合分析指标。
3.根据权利要求2所述的知识量化分级和智能教学方法，其特征在于：知识层次指标、认知深度指标和综合分析指标可以生成可视化图像，清晰地显示分析结果。
4.根据权利要求1所述的知识量化分级和智能教学方法，其特征在于：基于该方法对知识层次指标和认知深度指标的细化，以及对综合分析指标的细化。
5.根据权利要求1所述的知识量化分级和智能教学方法，其特征在于：根据知识的量化结果，实现对知识在不同维度以及综合指标的难度计算和分级评价。
6.根据权利要求5所述的知识量化分级和智能教学方法，其特征在于：根据难度和分级结果，实现对学习者的学习层次、学习资料、考试资料等与知识学习和能力训练的在各维度上和综合量化上的分级评价。
7.根据权利要求5所述的知识量化分级和智能教学方法，其特征在于：根据难度和分级结果，实现对学习者在学习计划、学习方法、学习资料等与知识学习和能力训练的合理选择。
8.根据权利要求5所述的知识量化分级和智能教学方法，其特征在于：根据难度和分级结果，实现对教师、学习指导者或辅导者对学习者在个性化教学方案或教学策略、制定学习者的学习计划和学习方法、挑选学习资料等与知识学习和能力训练的合理选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836652.1A CN110533187A (zh) | 2019-09-05 | 2019-09-05 | 一种知识量化分级和智能教学方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836652.1A CN110533187A (zh) | 2019-09-05 | 2019-09-05 | 一种知识量化分级和智能教学方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533187A true CN110533187A (zh) | 2019-12-03 |
Family
ID=68666924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910836652.1A Withdrawn CN110533187A (zh) | 2019-09-05 | 2019-09-05 | 一种知识量化分级和智能教学方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533187A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
| CN102956124A (zh) * | 2011-08-31 | 2013-03-06 | 新诺亚舟科技（深圳）有限公司 | 一种认知罗盘评价方法及系统 |
| CN105678665A (zh) * | 2016-03-14 | 2016-06-15 | 成都爱易佰网络科技有限公司 | 一种满足自适应教学的内容开发标准的系统及方法 |
| CN106960245A (zh) * | 2017-02-24 | 2017-07-18 | 中国科学院计算技术研究所 | 一种基于认知过程链的个体知识评价方法及系统 |
| CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
| CN108550292A (zh) * | 2018-04-16 | 2018-09-18 | 中山大学 | 一种在线教育系统的学习资源多层组织与表示方法 |
| 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 |
| CN108711125A (zh) * | 2018-07-24 | 2018-10-26 | 电子科技大学 | 一种知识单元中心度和难度量化方法 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
-
2019
- 2019-09-05 CN CN201910836652.1A patent/CN110533187A/zh not_active Withdrawn
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
| CN102956124A (zh) * | 2011-08-31 | 2013-03-06 | 新诺亚舟科技（深圳）有限公司 | 一种认知罗盘评价方法及系统 |
| CN105678665A (zh) * | 2016-03-14 | 2016-06-15 | 成都爱易佰网络科技有限公司 | 一种满足自适应教学的内容开发标准的系统及方法 |
| CN106960245A (zh) * | 2017-02-24 | 2017-07-18 | 中国科学院计算技术研究所 | 一种基于认知过程链的个体知识评价方法及系统 |
| CN107103384A (zh) * | 2017-04-01 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于三维知识网络的学习者学习轨迹量化方法 |
| CN108550292A (zh) * | 2018-04-16 | 2018-09-18 | 中山大学 | 一种在线教育系统的学习资源多层组织与表示方法 |
| 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 |
| CN108711125A (zh) * | 2018-07-24 | 2018-10-26 | 电子科技大学 | 一种知识单元中心度和难度量化方法 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ceylan et al. | Improving a sample lesson plan for secondary science courses within the STEM education | |
| Finley | Science processes | |
| CN105448152A (zh) | 一种在线教学系统 | |
| CN110163781A (zh) | 一种智能教学分析系统 | |
| Jalil et al. | Development and validation of science process skills instrument in physics | |
| Maaß et al. | Designing a teacher questionnaire to evaluate professional development in modelling | |
| Casey | Teachers’ knowledge of students’ conceptions and their development when learning linear regression | |
| Lowell et al. | Keeping critical thinking afloat | |
| Hackling | Inquiry and investigation in primary science | |
| Mustofa et al. | The impact of modeling instruction based on system toward work-energy concept understanding | |
| Tanak | Developing preservice science teachers’ teaching practices with an emphasis on higher order thinking | |
| CN110533187A (zh) | 一种知识量化分级和智能教学方法 | |
| Khamngoen et al. | Research synthesis of STEM Education approach effected on students’ problem solving skills in Thailand | |
| Adie | The impact of the graphics calculator on physics teaching | |
| Pummawan | The development of an e-learning module on the sandy shores ecosystem for grade-8 secondary students | |
| Stecher et al. | Performance Assessments in Science: Hands-On Tasks and Scoring Guides. | |
| Ashmann et al. | Integrated mathematics and science teacher education courses: a modelling perspective | |
| Panizzon | Assessment, learning and teaching | |
| Kavitha et al. | A two-phase item assigning in adaptive testing using norm referencing and bayesian classification | |
| Sefni et al. | The validity of inquiry-based mathematics learning tools using the Malay context of Rengat to improve mathematical reasoning skills | |
| Knowles et al. | Strategies in accomplishing mathematics, science, and reading PISA questions | |
| Gafoor et al. | Efficacy of Concept Maps to Assess Student Teachers' Understanding of Physics | |
| Haji et al. | Implementation of realistic mathematics education learning model with outdoor approach in elementary school: Study of presenting and processing data | |
| Sukarno et al. | School Environment Exploration Activity to Enhance Science Process Skill | |
| Vanitha et al. | An integrated framework to enhance performance of online students |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191203 |
|
| WW01 | Invention patent application withdrawn after publication |