CN110598770B - 一种多空间融合学习环境构建方法和装置 - Google Patents

一种多空间融合学习环境构建方法和装置 Download PDF

Info

Publication number
CN110598770B
CN110598770B CN201910816540.XA CN201910816540A CN110598770B CN 110598770 B CN110598770 B CN 110598770B CN 201910816540 A CN201910816540 A CN 201910816540A CN 110598770 B CN110598770 B CN 110598770B
Authority
CN
China
Prior art keywords
learning
space
semantic
model
constructing
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
CN201910816540.XA
Other languages
English (en)
Other versions
CN110598770A (zh
Inventor
杨宗凯
刘三女牙
周东波
王泰
刘智
张�浩
孙建文
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.)
Central China Normal University
Original Assignee
Central China Normal University
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 Central China Normal University filed Critical Central China Normal University
Priority to CN201910816540.XA priority Critical patent/CN110598770B/zh
Priority to PCT/CN2019/126856 priority patent/WO2021036117A1/zh
Publication of CN110598770A publication Critical patent/CN110598770A/zh
Priority to AU2020101287A priority patent/AU2020101287A4/en
Application granted granted Critical
Publication of CN110598770B publication Critical patent/CN110598770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及一种多空间融合学习环境构建方法及装置。该方法包括：预定义多空间融合学习环境所包括的多个空间及每个空间学习环境构建参数；构建每个所述空间语义网络模型；采集学习主体关联事件和学习环境关联事件，构建面向学习主体的多空间语义层级一致性的数据融合模型；构建基于学习场景的一体化具身模型；根据所述一体化具身模型为学习主体设置所述学习环境构建参数。本发明可以为学习主体个性化动态地构建多空间融合的学习环境。

Description

一种多空间融合学习环境构建方法和装置
技术领域
本发明涉及信息化技术领域，尤其涉及一种多空间融合学习环境构建方法和系统。
背景技术
信息技术的发展十分迅速，信息技术被广泛应用于教育上，传统的教学环境逐渐向数字化、智能化方向发展。学生在线下物理空间如教室学习的同时，还可以利用交互式白板、便携式平板等智能设备进行线上学习。因此学生的学习环境融合了线下物理空间和数字化教室、各种智能终端设备和教学器具等线上空间。
然而现有技术中，线下物理空间和线上空间是相互独立的，线上或线下之间无法实现无缝交互，无法根据学生在任一空间中的行为来个性化构建多空间融合的学习环境。例如，线下教育资源和线上教育资源是相互独立的，学生在线下对某一内容进行学习后，线上资源无法根据线下学习内容调整匹配合适的线上学习资源。
发明内容
针对现有技术的以上缺陷或改进需求，本申请提出了一种，能够根据学习主体行为来个性化构建多空间融合学习环境。
根据本申请的一个方面，本申请的一种多空间融合学习环境构建方法，包括：
S1，预定义多空间融合学习环境所包括的多个空间及每个空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个；
S2，预定义所述空间的服务内容，根据所述服务内容构建每个所述空间语义网络模型；
S3，采集学习主体关联事件和学习环境关联事件，构建面向学习主体的多空间语义层级一致性的数据融合模型；
S4，构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系，并且所述一体化具身模型可以根据任一空间新采集的学习主体关联事件或学习环境关联事件进行动态调整；
S5，根据所述一体化具身模型为学习主体设置所述学习环境构建参数。
作为本申请的进一步改进，所述步骤S2具体包括：
S21，根据学习场景预定义所述空间的服务内容，对各所述空间的所述服务内容进行语义标定，建立所述服务内容的语义主体单元，确定所述服务内容的语义单元；
S22，对各所述空间服务内容的语义关系进行分析，明确其语义主体单元间的序列关系、层次关系和包含关系，构建语义关系表；
S23，对各所述空间服务内容的语义单元，根据所述语义关系表构建语义网组织结构。
作为本申请的进一步改进，所述步骤S3具体包括：
S31，创建同一学习主体在不同所述空间的实例化对象，确定同一学习主体在不同所述空间的一致性表达；
S32，采集学习主体关联事件和学习环境关联事件，根据所述语义网络模型将所述学习主体关联事件和学习环境关联事件转换为数据，形成学习行为数据池；
S33，基于所述学习行为数据池构建多空间语义层级一致性的数据融合模型。
作为本申请的进一步改进，所述步骤S33具体是：
采用长短时记忆模型及包含空间、局部时域和全局时域三个通道的卷积神经网络对所述学习行为数据进行特征提取和分类，构建多空间语义层级一致性的数据融合模型。
作为本申请的进一步改进，所述步骤S4具体包括：
S41，根据所述语义网络模型和数据融合模型将所述学习主体关联事件和学习环境关联事件转换为标准格式数据；
S42,基于所述标准格式数据将所述学习环境关联事件和学习主体关联事件关联关系泛化为图网络模型，用所述图网络模型顶点表达空间环境，用所述图网络模型边来表达不同空间的具身关系，采用所述图神经网络模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述学习主体与学习环境构建参数关联关系并且可以根据任一空间新采集的学习主体关联事件或学习环境关联事件进行调整。
作为本申请的进一步改进，所述学习环境构建参数是物理空间、网络空间或社交空间的硬件或软件的驱动参数或资源空间的资源获取参数中的一种或多种。
根据本发明的另一方面，本发明的一种多空间融合学习环境构建装置，包括：
空间预定义模块，用来预定义多空间融合学习环境所包括的多个空间及每个所述空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个；
语义网络模型构建模块，用来预定义所述空间的服务内容，并且根据所述服务内容构建每个所述空间的语义网络模型；
数据融合模型构建模块，用来采集不同所述空间的学习主体关联事件和学习环境关联事件，并且构建面向学习主体的多空间语义层级一致性的数据融合模型；
一体化具身模型构建模块，用来构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系并且可以根据新采集的学习主体关联事件或学习环境关联事件进行动态调整；
学习环境构建模块，用来根据所述一体化具身模型为学习主体设置所述学习环境构建参数。
通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1)本发明技术方案，从教育、教学所展开的空间出发，分析教育情境所涉及的物理空间、网络空间、资源空间、社交空间等，探索基于教育、教学服务内容为基础的语义分析方法，实现主体一致的多空间统一表达与数据融合方法，可以根据学生在任一空间中的行为来个性化构建多空间融合的学习环境。
2)本发明技术方案，将多层次数据融合的方法，引入到教育场景的应用中，使得以学习者为主体构建一致性多空间学习环境成为可能。
3)本发明技术方案，提出了学习者具身的学习空间融合方法，并考虑语义网络模型等表达方法与传统独立空间表达进行统一组织，填补了应用空白。
4)本发明技术方案，针对学习者主体对象，构建个性化的多空间学习环境，并设计了一种多空间融合的系统，对解决不同物理条件下无差别体验的支持个性化学习环境提供基础。
附图说明
图1是本申请实施例提供的一种多空间融合学习环境构建的方法流程图；
图2是本申请实施例的一种多空间融合学习环境构建方法的应用示意图；
图3、4是本申请实施例提供的一种语义网络模型的示意图；
图5是本申请实施例提供的一种多空间融合学习环境构建装置的应用示意图；
图6是本申请实施例提供的一种多空间融合学习环境构建装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实例仅仅用以解释本申请，并不用于限定本申请。此外，下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本申请实施例所提供的方案，可以应用于教育信息化上，学生在线下物理空间如教室学习的同时，还可以利用交互式白板、便携式平板等智能设备进行线上学习，学生的学习环境融合了线下物理空间和数字化教室、各种智能终端设备和教学器具等网络空间、资源空间以及社交空间。可以根据学生在任一空间中的行为来个性化构建多空间融合的学习环境。例如，线下教育资源和线上教育资源是相互联系的，学生在线下对某一内容进行学习后，线上资源可以根据线下学习内容调整匹配合适的线上学习资源。
如图1所示，本发明实施例的一种多空间融合学习环境的构建方法包括如下步骤：
S1，预定义多空间融合学习环境所包括的多个空间及每个空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个。
学习环境构建参数是物理空间、网络空间或社交空间的硬件或软件的驱动参数、资源空间的资源获取参数中的一种或多种。
通过对教育学习情境进行分析，明确教育与学习场景下所涉及的不同情境与学习空间。可以是物理空间、网络空间、资源空间、社交空间等。界定每一个空间具体的介质及其呈现形式；明确每一个空间中所包含的典型学习场景以及在该场景下的学习情境。
如图2所示，步骤S1中进一步可以包括如下步骤：
S11，定义新型学习环境，明确新型学习环境所包括的空间维度；其空间维度包括但不限于：物理空间、网络空间、资源空间、社交空间。其中，物理空间是现实世界的描述，网络空间(或云空间、赛博空间)是互联网形成的虚拟空间；而资源空间与社交空间，是知识内容与人际社交形成的另外虚拟空间。
S12，界定新型学习情境中的物理空间，明确物理空间的含义，涉及的内容以及该空间下所包含的学习环境的内容与条件。本实施例中，优选针对教育与学习的环境，定义物理空间，描述学生学习所处的物理世界；物理空间是客观世界的实物存在。物理空间根据学习内容的区别，其学习发生的物理位置亦有较大的区别，即可以表达为教室、学习活动场所等，如教室、图书馆、阅览室、运动场、宿舍、报告厅等。
S13，界定新型学习情境中的网络空间，明确网络空间的含义，包含内容以及该空间下所支持学习环境的内容；网络空间，是通过有线或无线方式所连接的互联网，通过相应的设备连接互联网服务，其实质是互联网的不同层级的服务分区与组织，提供学习的网络场所；更多的表达为使用网络进行学习的情况；处理能力，如网络计算能力、网络存储能力以及网络服务能力等；同时，网络空间体现在描述学习所使用网络的情况，如网络连通带宽与速度、网络计算与处理能力、网络存储容量大小与读写速度、网络服务内容与服务质量等。
S14，界定新型学习情境中的资源空间，明确资源空间的含义，确定资源空间特征及其对学习环境构建的支持要素；资源空间，定义为学生所学习内容所形成的内容的空间，根据不同的学习内容，即学科或知识含义而标定，它体现在各学科内容所形成的独特资源组织结构空间，如学科的知识图谱空间，资源的空间更多的体现为资源的语义所形成的知识空间；资源空间，实质是对不同的知识内容的语义空间表达，其表现形式为知识图谱，当前，由于无统一的知识图谱可表达一切，因而需要根据不同的学科、研究内容来构建其知识图谱，在本实施例中，在一个应用场景下，资源空间表达为某特定内容的知识图谱，特别地，本实施例，并不在知识图谱的生成方面进行创新与研究，因而，只使用当前广泛接受的、公开的已知内容的知识图谱。
S15，界定新型学习情境中的社交空间，明确社交空间的含义，确定社交空间的特征及其对学习环境构建要素；社交空间，描述学生学习过程中与人沟通与交流的虚拟空间，体现学生在学习过程中的沟通与交流活动的虚拟空间，包括学生与学生之间的社交活动，学生与老师之间以及其它相关之间的社交活动，可以是学习网络论坛、社交网络工具所形成点对点通讯、群通讯等。社交空间，是通过论坛、即时通信等工具进行社交的空间，其空间记录了社交的内容，如发贴的文字，聊天的文字、语音或发朋友圈的图片与视频等，更多的表达学习者对学习内容或与其它学习者之间的个性化表达。
S16，界定新型学习情境中的其它维度空间，明确空间的含义、设置空间的依据以及空间对学习环境构建的要素。在一个优选的实施例中，学习空间至少包括上述所描述的物理空间、网络空间、资源空间与社交空间，但不限于上述空间，还可以包括其它未定空间，其同样可以支持学习过程。
S17，界定特定学习场景下不同空间的呈现形式以及呈现介质。特殊地，本权利要求中，物理空间特定装备信息化设备与条件的场所。如智慧教室，装备有声学、视频以及生物体感传感器，灯光、投影等各类输出设备以及传统的黑板或白板等；网络空间表达云存储场景与云服务场景，其中云存储场景中可包括学习内容存储空间情境、学习活动过程存储空间情境等；云服务场景可包括在线课程自主学习情境、在线课堂学习情境、在线辅导教学情境；资源空间的学习场景包括在线学习场景、学习内容构建场景以及学习内容管理场景。在线学习情境，表达为学习者对某一学科、某一课程的在线学习过程。学习内容构建，表达为具体学科知识的构建情境。学习内容管理情境，为用户对学习过程中对资源的操作与处理的管理。社交空间，在本实施例中，社交空间可分为不同的学习场景，主要包括：课程论坛讨论情境、应用社交网络工具与学习者个人、老师或班级聊天情境同时还包括在物理空间的讨论。
S2，预定义空间的服务内容，根据所述服务内容构建每个空间语义网络模型。
如图3所示，步骤S2中进一步包括如下步骤：
S21，根据学习场景预定义空间的服务内容，对各空间的服务内容进行语义标定，建立服务内容的语义主体单元，确定服务内容的语义单元；
S22，对各空间服务内容的语义关系进行分析，明确其语义主体单元间的序列关系、层次关系和包含关系，构建语义关系表；
S23，对各空间服务内容的语义单元，根据语义关系表构建语义网组织结构。可以实现对语义结构的表达与存储。
物理空间的语义模型构建的方法：定义学习情境中的物理空间，明确物理空间在提供教育与学习服务时所提供的服务内容；明确提供服务所涉及的设备与硬件要素，分析物理空间的内容语义，构建语义网络模型；课堂教学情境感知将主要通过智能传感、电子标签、图像/语音采集、视频监控等技术，实现课堂教学环境参数的智能感知与采集目标信息的自动标识，提供不同角度的课堂实录视频、教学课件录像以及定制合成视频，实时记录教学内容、学习方式、教学手段等上下文情境信息。多场景在线学习过程感知将采用“活动流”实时追踪学习者在所有活动中的有效行为信息集合，实现结构化、半结构化与无结构化行为数据的统一处理、量化与记录，形成具有可重用性与可计算性的全景式学习行为数据池。
课堂教学行为感知主要支持教师或学生课堂交互、答疑、讨论等典型课堂教学行为信息的感知功能，自动提取不同阶段、不同环节中的互动频率、互动主体和互动内容等交互行为数据。“活动流”生成格式，如<主体，动作，对象，结果，场景，时间戳，权限>，并通过语义定义将其转化为良构且适于建模的数据。
网络空间的语义模型构建的方法：定义学习情境中的网络空间，明确网络空间在提供教育与学习服务时所提供的服务内容；明确实现网络空间服务的硬件要素与网络空间的服务要素；分析基于服务的内容语义，构建网络空间的语义网络模型。目前网络空间的个性化服务多涉及个性化学习诊断、个性化学习路径规划、个性化资源推荐、学习状态可视化，但较少涉及个性化学习干预。就群体而言，网络空间个性化学习侧重于改善网民群体的在线体验，多基于社会计算、复杂网络等技术构建网民群体模型，通过分析群体需求及群体间相互影响，依据需求不同对群体进行分类，按需为不同群体提供定制化的学习路径规划等个性化服务内容。
资源空间的语义模型构建的方法：定义学习情境中的资源空间，明确资源空间在提供教育与学习服务时所提供的服务内容；明确资源空间服务的硬件要素与服务要素,分析资源空间中，资源语义的图谱关系，构建语义网络模型；根据课程知识的内容，包括节点(领域概念，碎片化知识)及节点间关系(领域概念间的关系，课程间的关系，知识碎片与领域概念间的关系等)的抽取，构建知识语义网络，采用已有的单句语义类型分类方法对文本内容进行逐句判别，发现各类型领域概念的指示句；其次，采用词汇链方法，对指示语的邻近语句进行词汇链分析，发现句子间的词汇依赖关系；最后，结合词汇链分析结果，进一步采用CRF(Conditional Random Fields)、HMM(Hidden Model HMM)、MEMM(Maximum EntropyMarkov Model)等序列标注模型标注领域概念文本的起止点，通过对标注结果对比分析，提出领域概念边界划分方法。在此基础上，依据文本的词频、词序、上下文等特征，采用术语对竞争学习方法识别核心术语，采用多类分类器识别领域概念的语义类型。对每个学习者在线学习的过程追踪中，按照用户的点击行为、点击资源类型(领域概念的文本、图像、练习/试题)、论坛讨论的知识共享方式等特征，结合学习资源的元数据(含关键字)、用户所学的知识概念的掌握程度等，采用条件约束的序列模式挖掘方法，发现学习者的点击行为模式，分析出学习者的认知策略，挖掘和发现海量学习者的典型模式，借鉴Felder-Silverman学习风格分类方法，总结不同的学习者风格。
社交空间的语义模型构建的方法：定义学习情境中的社交空间，明确社交空间提供教育与学习服务的内容；明确资源空间服务的硬件要素与服务要素，分析社交空间的个体及其关系语义，构建语义网络模型。
S3，采集学习主体关联事件和学习环境关联事件，构建面向学习主体的多空间语义层级一致性的数据融合模型。
如图4所示，步骤S3进一步包括如下步骤：
S31，创建同一学习主体在不同空间的实例化对象，确定同一学习主体在不同空间的一致性表达。
学习者主体对象，构建统一学习主体在不同空间的实例化对象，分析个体的静态特征(背景信息、前期知识能力、学习风格等)以及在多场景学习(在线的资源浏览、协作互评、互助问答以及线下的课堂互动、户外学习等)中的动态特征(当前知识能力、学习动机、认知水平、情感态度、兴趣偏好等)，提取个体关键学习特征；基于内容分析法、认知分类理论、情感分析与深度学习等理论方法从多源学习活动数据中挖掘出表征个体特征的关键构成要素，对影响个体学习过程的关键因素进行分析，挖掘不同场景下学习者在知识能力、认知水平、情感态度等方面的特性与共性，考虑到学习状态特征的时序性、场景性以及深层语义特点，识别个体在特定时空下的学习状态。最后，面向具体教学设计与能力评价构建学习者动态统一模型。
S32，采集不同空间的学习主体关联事件和学习环境关联事件，根据语义网络模型将所述学习主体关联事件和和学习环境关联事件转换为数据，形成行为学习行为数据池。
学习主体关联事件和学习环境关联事件是通过环境中各种传感器以及网络监控装置采集的学习者行为/动作等或学习环境有关的监测参数。例如，课堂教学情境感知将主要通过智能传感、电子标签、图像/语音采集、视频监控等技术，实现课堂教学环境参数的智能感知与采集目标信息的自动标识，提供不同角度的课堂实录视频、教学课件录像以及定制合成视频，实时记录教学内容、学习方式、教学手段等上下文情境信息。多场景在线学习过程感知将采用“活动流”实时追踪学习者在所有活动中的有效行为信息集合，实现结构化、半结构化与无结构化行为数据的统一处理、量化与记录，形成具有可重用性与可计算性的全景式学习行为数据池。课堂教学行为感知主要支持教师或学生课堂交互、答疑、讨论等典型课堂教学行为信息的感知功能，自动提取不同阶段、不同环节中的互动频率、互动主体和互动内容等交互行为数据。“活动流”生成格式，如<主体，动作，对象，结果，场景，时间戳，权限>，并通过语义定义将其转化为良构且适于建模的数据。
S33，基于所述学习行为数据池构建多空间语义层级一致性的数据融合模型。明确同一学习主体在不同空间中对象主体与学习行为的语义，分析描述同一事件、同一行为与活动的不同空间的语义，明确各语义对象的数据化实体，构建多空间数据融合标准；不同课堂教学场景、不同网络平台、社交组织空间，实现对课堂教学情境、教学主体及教学状态、学习行为的自动提取、智能识别与自动记录，实现结构化、半结构化与无结构化行为数据的统一处理、量化与记录，形成具有可重用性与可计算性的全景式学习行为数据池。
采用长短时记忆模型及包含空间、局部时域和全局时域三个通道的卷积神经网络对学习行为数据进行特征提取和分类，构建多空间语义层级一致性的数据融合模型。
使用包含空间、局部时域和全局时域三个通道的卷积神经网络(Three-streamCNNs)框架对学习者行为动作进行时空特征提取。Three-stream CNNs框架的输入；Three-stream CNNs框架包含了4个卷积层(Conv1-4)，对2个卷积层进行归一化处理(Norm1和Norm2)，并连接到2个池化层(Pooling1和Pooling2)，在三个通道(空间通道、局部时域通道和全局时域通道)经过卷积和池化操作后，得到深度特征，其中空间通道CNNs对学习者行为动作图像进行深度学习，局部时域通道CNNs对光流特征进行深度学习，全局时域通道CNNs对学习者行为动作差分图像积进行深度学习。
借助长短时记忆模型(LSTM)在处理时序序列问题方面的优势，在分类模块的训练中引入LSTM模型识别学习者行为动作。将3DCNN提取的特征输入LSTM模型进行学习，序列学习可以引入时域信息，给分类带来更精确的结果。接着在全连接层(Fully Connected，FC)和LSTM模型之间添加了一个空间金字塔池化层(SPP)，不同尺寸的特征图在经过SPP层计算后，可以得到固定长度的特征向量。然后通过全连接层对3DCNN+LSTM学习得到单个类型的特征进行分类。最后通过三个通道独立特征的分类结果，进行投票表决获得行为动作类别，从而以标签化的形式对相应的行为数据进行归纳和存储。通过双向长短时记忆神经网络对学习者不同学习空间的数据进行学习，可有效学习到学习过程数据的单一形式的特征以及显示出不同数据形式间相关性的共享特征，这样能捕获学习者在不同时间、不同空间对相关学习内容和学习行为数据的关联性，从而能以相应的“活动流”规范对数据进行聚合。利用这些学习到的多层次特征，可以帮助我们自动理清不同数据间的关系。在此基础上，使用深度玻尔兹曼机(Deep Boltzmann Machine，DBM)对不同学习空间特征级数据进行融合
S4，构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系，并且所述一体化具身模型可以根据任一空间新采集的学习主体关联事件和学习环境关联事件进行调整。
上述步骤S4具体可以包括步骤：
S41，根据所述语义网络模型和数据融合模型将所述学习主体关联事件和学习环境关联事件转换为标准格式数据；
S42,基于所述标准格式数据将多空间学习环境关联事件和学习主体关联事件关联关系泛化为图网络模型，用所述图网络模型顶点表达空间环境，用所述图网络模型边来表达不同空间的具身关系，采用所述图神经网络模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述学习主体与学习环境构建参数关联关系并且可以根据任一空间新采集的学习主体关联事件和学习环境关联事件进行动态调整。
具体的是：构建基于场景的空间与环境结构、资源与内容语义、学习活动与行为相融合的一体化具身模型；应用图网络实现具身学习环境的数据融合，即智能学伴系统的物理具身。
通过采用图神经网络来表达具身学习环境以及具身关系。设置G(术语：图)表达为多空间融合的具身环境与具身关系集合，其中N(术语：顶点)表达为具身学习环境的空间集合，E(术语：边)表达为各空间中具身关系集合。
G＝(N,E)
其中，ne[n]表示某空间n的邻接空间(用顶点表示)，co[n]关联空间n的关系(用边表示)。空间n，关系(n_1,n_2)相对应属性表示为l_n∈R^(l_N)和(n_1,n_2)∈R^(l_E),l表示将图中所有的属性堆积构成的张量。
过将多空间具身学习环境及其关系泛化为图神经网络模型，即使用顶点表达空间环境，使用边来表达不同空间的具身关系，在图神经网络的计算模型的基础上，构建多空间具身数据感知与融合的计算规则，实现个性化具身环境求解。
应用多模态交互技术，通过语音交互、动作交互、全息可视交互、穿戴传感器交互等技术，构建环境全要素、行为全过程的数据感知，实现学习者的多空间具身交互；通过具身学习环境感知学习者的认知结果，构建认知结果对具身学习环境与智能服务的反馈机制。认知实践结果具身反馈到学习环境，实现对学习环境的个性化定制，认知结果反馈到智能服务，实现智能服务的个性化资源定制，实现“因人而异，因时而异”的个性化学习。
构建多空间具身模型基础上，包括空间层级、资源图谱与学习交互行为融合的数据标准规范。
针对数据的非结构化、分布式、异构性、来源分散等特点，在学习科学和教育教学相关理论的指导下，形成多空间数据的融合标准体系，具体包括主体标准、资源标准、评测标准、管理标准、教学过程标准等教育相关标准、数据处理与数据质量标准以及数据互操作标准。通过教育大数据标准化统一转换网关，实现对异构教育数据的标准化处理，包括对结构化、非结构化和半结构化数据的信息提取、数据存储和检索等，以及数据清洗和数据验证等步骤，为数据建模、分析与应用提供可用、可信任的数据来源。多源数据汇聚将通过获取多源数据的实体及其多层次关联关系，建立跨场景、跨时空的教育大数据信息关联模型，实现多源异构教育数据的信息提取和汇聚，使处理后的数据能够满足数据分析和建模等应用的需求。实现基于应用需求的数据交换和共享服务，通过统一标准的数据接口和标准数据格式，支持对多种数据源的按需数据交换，包括数据汇总、数据分发、数据更新、数据转换等，提供身份验证、用户授权、传输加密、数据完整性、数据可信性、数据有效性的支持。
教学主体标准：描述教学主体基本信息，实现活动主体跨平台、跨系统的连续记录和数据关联。教学主体是实施教学活动的主体，包括学生、家长、教师、教研员和教学管理者等。教学资源标准：教学资源标准包括对不同形式、不同粒度、不同格式的教学资源的统一描述、封装与重组的一系列标准，如课程、视频、习题等。教学资源标准不仅包含资源属性的元数据描述，还包含资源的语义属性，支持机器自动识别和处理，以实现资源的个性化智能推送。教学过程标准：教学过程标准是描述教学过程中，教学主体与教学内容(如课程、资源等)、教学环境(如传统教室、户外学习环境)、以及与其它教学活动的参与者所进行的任何交互或相关经历。教学过程标准面向传统的教学环境(如学校、教室)和非传统的教学环境(如在线学习环境，户外学习环境)，其核心包括教学活动如何发生、何时发生、情境信息以及教学过程的结果等。数据处理和数据质量标准：数据处理标准主要针对数据的收集、预处理、分析、可视化、访问等方面进行规范。数据质量标准主要针对数据质量提出具体的管理要求和相应的指标要求，确保数据在产生、存储、交换和使用等各个环节中的质量，为教育大数据应用打下良好基础。教育数据互操作标准：该类标准主要是针对教育数据的异构性，以实现海量数据集之间的连接，教育数据的耦合、融合、迁移以及信息提取等的互操作要求。
S5，根据所述一体化具身模型为学习主体设置所述学习环境构建参数。
(1)建立学习者个性化多空间具身的学习环境自动构建技术；应用多模态交互技术，通过语音交互、动作交互、全息可视交互、穿戴传感器交互等技术，构建环境全要素、行为全过程的数据感知，实现学习者的多空间具身交互；通过具身学习环境感知学习者的认知结果，构建认知结果对具身学习环境与智能服务的反馈机制。认知实践结果具身反馈到学习环境，实现对学习环境的个性化定制，认知结果反馈到智能服务，实现智能服务的个性化资源定制。
感知学习空间的情境、学习主体行为，获取环境数据、学习过程数据、学习行为等数据，构建多空间的具身实体，表达为图网络的顶点，通过利用空间具身间的关系约束，形成边结构，描述顶点间关系，最终形成多空间学习环境图网络结构，应用图的拓扑计算方法，研发多空间数据融合算法，实现依主体的数据融合。
应用学习者特征提取算法、学习者状态识别算法以及学习者画像技术与学习分析技术，分析学习主体的学习过程在多空间的状态与可视化。在学习者的学习过程轨迹中，进行数据挖掘和深入分析，绘制出学习者的学习曲线，从而对学生的知识结构进行详细诊断，寻找学习的盲点，设计出更加针对学生薄弱知识的个性化学习方案，开展精准定位，向学习者提供个性化的学习诊断。
(2)研发并集成符合学习者具身要求的多空间融合学习环境的创建装置；面向具身认知的智能学伴系统，通过多空间具身认知数据感知与融合模块实现对学习环境、学习过程数据的感知与融合，利用基于多源数据的学习者学习分析模块实现对学习主体特征与状态识别，精准刻画学习者及其学习行为反馈，应用智能导学模块实现自主学习。
依据学习者个性化需求，应用数据挖掘、语义搜索不断完善课程知识图谱，结合学习过程、遗忘规律和成功率，动态更新课程知识图谱中的节点关系，应用遗传算法(GA)来实现路径的优化，输出适应学习者的个性学习路径。通过优化的学习路径与优质适配的学习资源，应用泛义资源推荐方法，实现对学习者的个性化智能导学。
本发明实施例的一种多空间融合学习环境构建装置应用示意图如图5所示，多空间融合学习环境构建装置和学习环境中的视像模块、网络模块、物联模块等通过接口连接，视像模块、网络模块、物联模块等用来采集不同空间的学习主体关联事件和学习环境关联事件，及被控制来根据多空间融合学习环境构建装置设置的学习环境构建参数来配置学习环境。
多空间融合学习环境构建装置结构如图6所示包括：
(1)空间预定义模块，用来根据学习场景预定义多空间融合学习环境所包括的多个空间及每个空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个；
(2)语义网络模型构建模块，用来根据学习场景预定义空间的服务内容，并且根据所述服务内容构建每个空间语义网络模型。
语义网络模型构建模块具体包括：
(2-1)空间内容语义标定模块，用来根据学习场景预定义空间的服务内容，对各空间的服务内容进行语义标定，建立服务内容的语义主体单元，确定服务内容的语义单元；
(2-2)空间内容语义分析模块，用来对各空间中服务内容的语义关系进行分析，明确其语义主体单元间的序列关系、层次关系和包含关系，构建语义关系表；
(2-3)空间内容语义构网模块，用来对各空间服务内容的语义单元，根据语义关系表构建语义网组织结构。
语义网络构建模块，对不同空间内容进行语义标定与分层组织，依据空间内容间语义关系构建语义网络模型，建立基于内容的组织结构，建立多空间服务与内容的语义一致性表达；将多空间学习环境、学习行为与认知结果(学习结果)联结关系泛化为图网络模型；其中图网络的顶点表达某一空间的认知结果(知识)，并表达学习行为；图网络中的某一子网，表达某一学习空间(即具身学习环境)，子网间节点的聚合操作，即为此学习空间的个性化求解。多子网个性化求解后的生成树，表达为个性化的多空间模型。具身交互的框架与反馈机制则为聚合计算约束条件。
(3)数据融合模型构建模块，用来采集不同空间的学习主体关联事件和学习环境关联事件，并且构建面向学习主体的多空间语义层级一致性的数据融合模型，采用所述数据融合模型来将多空间非标准格式数据转换为标准格式数据。
所述数据融合模型构建模块具体包括：
(3-1)学习主体一致性校验模块，用来创建同一学习主体在不同空间的实例化对象，确定同一学习主体在不同空间的一致性表达；
(3-2)学习主体多空间数据采集模块，用来采集不同空间的学习主体关联事件和学习环境关联事件，根据语义网络模型将所述学习主体关联事件和和学习环境关联事件转换为数据，形成行为学习行为数据池；
(3-3)数据融合模块，用来基于所述学习行为数据池构建多空间语义层级一致性的数据融合模型。
学习者主体数据融合模块，对多空间构建以学习者主体的、语义层次一致的学习内容、学习服务与个性特征的数据融合方法，实现学习者主体基于同一语义的多空间实例化数据表达；构建标准化统一转换网关，实现对异构教育数据的标准化处理，包括对结构化、非结构化和半结构化数据的信息提取、数据存储和检索等，以及数据清洗和数据验证等步骤，为数据建模、分析与应用提供可用、可信任的数据来源。预处理流程包括数据清洗、数据验证、规范化处理等步骤，为数据建模、分析与应用提供可用、可信任的数据来源。清除数据中的错误数据和冗余数据，对原始数据一致性和完备性的验证，并采用统一标准对数据进行处理，例如文本信息格式转换、计量单位统一等，使待处理的数据集更完备，将异构、复杂的数据转变为可分析、可应用的信息。
(4)一体化具身模型构建模块，用来构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系并且可以根据新采集的学习主体关联事件和学习环境关联事件进行动态调整。
(5)学习环境构建模块，用来根据所述一体化具身模型为学习主体设置所述学习环境构建参数。
学习环境构建模块构建以学习者为主体的多空间融合的学习环境，实现对不同空间的融合表达、展示与数据服务，提出个性化的学习环境。
多空间具身环境创建：根据学习者的主体情况，计算不同学习空间的构造参数，应用参数驱动环境构建技术，实现不同学习空间的环境设置与定制；学习者在不空间进行学习，其学习感受应表达为统一整体，而其整体效果需要通过具身，具化到每一个空间；在某一个空间，通过具身对象来获得其它空间的资源或能力，在一个空间的活动，可以通过具身反馈作用到不同空间。如云空间的学习行为，可以反馈到物理空间的学习活动，多空间具身，不再是单一空间的学习行为或过程；
多空间学习环境融合：研制学习环境融合装置，在一定的物理空间中，连接非物理空间，并应用全息技术与多模态交互技术，实现多空间的集成呈现，提供个性化智能学习环境。根据学习者个性化特征，定制与个性相匹配的多空间学习环境，如符合学习者个性交互方式的学习环境(语音交互为主、体感交互为主等)，强调环境对学习过程反馈对用户、感、触、视觉等影响。
本发明的多空间融合学习环境的构建方法和系统具有以下有益效果：
(1)从教育、教学所展开的空间出发，分析教育情境所涉及的物理空间、网络空间、资源空间、社交空间等，探索基于教育、教学服务内容为基础的语义分析方法，实现主体一致的多空间统一表达与数据融合方法，可以根据学生在任一空间中的行为来个性化构建多空间融合的学习环境。例如，线下教育资源和线上教育资源是相互联系的，学生在线下对某一内容进行学习后，线上资源可以根据线下学习内容调整匹配合适的线上学习资源。
(2)本发明技术方案，将多层次数据融合的方法，引入到教育场景的应用中，使得以学习者为主体构建一致性多空间学习环境成为可能。
(3)本发明技术方案，提出了学习者具身的学习空间融合方法，并考虑语义网络模型等表达方法与传统独立空间表达进行统一组织，填补了应用空白。
(4)本发明技术方案，针对学习者主体对象，构建个性化的多空间学习环境，并设计了一种多空间融合的系统，对解决不同物理条件下无差别体验的支持个性化学习环境提供基础。
应当理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其他的顺序执行。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多空间融合学习环境构建方法，其特征在于，包括：
S1，预定义多空间融合学习环境所包括的多个空间及每个空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个；
S2，预定义所述空间的服务内容，根据所述服务内容构建每个所述空间的语义网络模型；
S3，采集学习主体关联事件和学习环境关联事件，构建面向学习主体的多空间语义层级一致性的数据融合模型；
S4，根据所述语义网络模型、所述数据融合模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系，并且所述一体化具身模型可以根据任一空间新采集的学习主体关联事件或学习环境关联事件进行动态调整；
S5，根据所述一体化具身模型为学习主体设置所述学习环境构建参数；
所述S4具体包括：
S41，根据所述语义网络模型和所述数据融合模型将所述学习主体关联事件和学习环境关联事件转换为标准格式数据；
S42, 基于所述标准格式数据将所述学习环境关联事件和学习主体关联事件关联关系泛化为图网络模型，用所述图网络模型顶点表达空间环境，用所述图网络模型边来表达不同空间的具身关系，采用所述图网络模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述学习主体与学习环境构建参数关联关系并且可以根据任一空间新采集的学习主体关联事件或学习环境关联事件进行调整。
2.如权利要求1所述的一种多空间融合学习环境构建方法，其特征在于，所述步骤S2具体包括：
S21，根据学习场景预定义所述空间的服务内容，对各所述空间的所述服务内容进行语义标定，建立所述服务内容的语义主体单元，确定所述服务内容的语义单元；
S22，对各所述空间服务内容的语义关系进行分析，明确其语义主体单元间的序列关系、层次关系和包含关系，构建语义关系表；
S23，对各所述空间服务内容的语义单元，根据所述语义关系表构建语义网组织结构。
3.如权利要求1或2所述的一种多空间融合学习环境构建方法，其特征在于，所述步骤S3具体包括：
S31，创建同一学习主体在不同所述空间的实例化对象，确定同一学习主体在不同所述空间的一致性表达；
S32，采集学习主体关联事件和学习环境关联事件，根据所述语义网络模型将所述学习主体关联事件和学习环境关联事件转换为数据，形成学习行为数据池；
S33，基于所述学习行为数据池构建多空间语义层级一致性的数据融合模型。
4.如权利要求3所述的一种多空间融合学习环境构建方法，其特征在于，所述步骤S33具体是：
采用长短时记忆模型及包含空间、局部时域和全局时域三个通道的卷积神经网络对所述学习行为数据进行特征提取和分类，构建多空间语义层级一致性的数据融合模型。
5.如权利要求1或2所述的一种多空间融合学习环境构建方法，其特征在于，所述学习环境构建参数是物理空间、网络空间或社交空间的硬件或软件的驱动参数或资源空间的资源获取参数中的一种或多种。
6.一种多空间融合学习环境构建装置，其特征在于，包括：
空间预定义模块，用来预定义多空间融合学习环境所包括的多个空间及每个所述空间学习环境构建参数，所述多个空间至少包括物理空间、网络空间、资源空间和社交空间中的两个；
语义网络模型构建模块，用来预定义所述空间的服务内容，并且根据所述服务内容构建每个所述空间的语义网络模型；
数据融合模型构建模块，用来采集不同所述空间的学习主体关联事件和学习环境关联事件，并且构建面向学习主体的多空间语义层级一致性的数据融合模型；
一体化具身模型构建模块，用来根据所述语义网络模型、所述数据融合模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述该学习场景下学习主体与学习环境构建参数关联关系并且可以根据新采集的学习主体关联事件或学习环境关联事件进行动态调整；
学习环境构建模块，用来根据所述一体化具身模型为学习主体设置所述学习环境构建参数；
所述根据所述语义网络模型、所述数据融合模型构建基于学习场景的一体化具身模型包括步骤：
S41，根据所述语义网络模型和所述数据融合模型将所述学习主体关联事件和学习环境关联事件转换为标准格式数据；
S42, 基于所述标准格式数据将所述学习环境关联事件和学习主体关联事件关联关系泛化为图网络模型，用所述图网络模型顶点表达空间环境，用所述图网络模型边来表达不同空间的具身关系，采用所述图网络模型构建基于学习场景的一体化具身模型，所述一体化具身模型用来描述学习主体与学习环境构建参数关联关系并且可以根据任一空间新采集的学习主体关联事件或学习环境关联事件进行调整。
7.如权利要求6所述的一种多空间融合学习环境构建装置，其特征在于，所述语义网络模型构建模块具体包括：
空间内容语义标定模块，用来根据学习场景预定义空间的服务内容，对各空间的服务内容进行语义标定，建立服务内容的语义主体单元，确定服务内容的语义单元；
空间内容语义分析模块，用来对各空间中服务内容的语义关系进行分析，明确其语义主体单元间的序列关系、层次关系和包含关系，构建语义关系表；
空间内容语义构网模块，用来对各空间服务内容的语义单元，根据语义关系表构建语义网组织结构。
8.如权利要求6或7所述的一种多空间融合学习环境构建装置，其特征在于，所述数据融合模型构建模块具体包括：
学习主体一致性校验模块，用来创建同一学习主体在不同所述空间的实例化对象，确定同一学习主体在不同所述空间的一致性表达；
学习主体多空间数据采集模块，用来采集学习主体关联事件和学习环境关联事件，根据所述语义网络模型将所述学习主体关联事件和学习环境关联事件转换为数据，形成学习行为数据池；
数据融合模块，用来基于所述学习行为数据池构建多空间语义层级一致性的数据融合模型。
9.如权利要求6或7所述的一种多空间融合学习环境构建装置，其特征在于，所述学习环境构建参数具体是物理空间、网络空间或社交空间的硬件或软件的驱动参数或资源空间的资源获取参数。
CN201910816540.XA 2019-08-30 2019-08-30 一种多空间融合学习环境构建方法和装置 Active CN110598770B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910816540.XA CN110598770B (zh) 2019-08-30 2019-08-30 一种多空间融合学习环境构建方法和装置
PCT/CN2019/126856 WO2021036117A1 (zh) 2019-08-30 2019-12-20 一种多空间融合学习环境构建方法和装置
AU2020101287A AU2020101287A4 (en) 2019-08-30 2020-07-08 Method and device for constructing an educational cyber-physical space fusion learning environment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910816540.XA CN110598770B (zh) 2019-08-30 2019-08-30 一种多空间融合学习环境构建方法和装置

Publications (2)

Publication Number Publication Date
CN110598770A CN110598770A (zh) 2019-12-20
CN110598770B true CN110598770B (zh) 2022-04-08

Family

ID=68856981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910816540.XA Active CN110598770B (zh) 2019-08-30 2019-08-30 一种多空间融合学习环境构建方法和装置

Country Status (3)

Country Link
CN (1) CN110598770B (zh)
AU (1) AU2020101287A4 (zh)
WO (1) WO2021036117A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553166B (zh) * 2020-04-05 2023-05-26 温州大学 基于场景认知计算的在线学习者动态模型预测方法
CN111950892B (zh) * 2020-08-11 2023-08-18 华中师范大学 一种数据驱动的大学生个性化学习行为预测与干预方法
CN112561341B (zh) * 2020-12-18 2024-02-02 创意信息技术股份有限公司 一种城市灾害多元动态协同处置系统
CN112671792B (zh) * 2020-12-29 2022-08-23 西安电子科技大学 一种基于张量分解与知识图谱的网络事件提取方法及系统
CN113065986A (zh) * 2021-03-22 2021-07-02 深圳童年科技有限公司 一种基于智能交互的教育资源生成方法
CN112734142B (zh) * 2021-04-02 2021-07-02 平安科技（深圳）有限公司 基于深度学习的资源学习路径规划方法及装置
CN112906707B (zh) * 2021-05-10 2021-07-09 武汉科技大学 一种表面缺陷图像的语义分割方法、装置及计算机设备
CN113672809A (zh) * 2021-08-18 2021-11-19 广州创显科教股份有限公司 一种基于个性化推荐算法的智能导学方法及系统
CN113743495B (zh) * 2021-08-31 2024-02-13 华中师范大学 一种基于注意力机制的学习风格识别方法及系统
CN114049048B (zh) * 2021-12-10 2023-04-18 汉朗科技(北京)有限责任公司 一种基于体能验估的体能课程优化方法
CN114888795B (zh) * 2022-04-25 2023-08-18 重庆市科学技术研究院 未来教学空间场景建模与认知理解方法及系统
CN114898156B (zh) * 2022-05-21 2024-06-04 山东大学 基于跨模态语义表征学习和融合的图像分类方法及系统
CN115544276B (zh) * 2022-12-01 2023-04-07 南方电网数字电网研究院有限公司 计量装置知识图谱构建方法和计量装置档案核查方法
CN116484309B (zh) * 2023-03-09 2023-09-29 重庆市规划和自然资源信息中心 户籍人口数据与不动产登记数据融合方法
CN116737817B (zh) * 2023-08-04 2023-11-07 深圳市智慧城市科技发展集团有限公司 多源异构数据融合方法、设备及计算机可读存储介质
CN116719957B (zh) * 2023-08-09 2023-11-10 广东信聚丰科技股份有限公司 基于画像挖掘的学习内容分发方法及系统
CN117251700B (zh) * 2023-11-18 2024-01-26 拓普思传感器(太仓)有限公司 基于人工智能的环境监测传感器数据分析方法及系统
CN117541723A (zh) * 2023-11-19 2024-02-09 广州寰越教育控股集团有限公司 一种基于元宇宙的职业教育具身场景构建方法及系统
CN117877329A (zh) * 2024-01-12 2024-04-12 寰讯智能技术(广州)有限公司 一种基于Web3.0技术的多维空间资源系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204371A (zh) * 2016-06-29 2016-12-07 北京师范大学 一种支持工学融合的移动情境感知教学系统及方法
CN108154452A (zh) * 2017-12-21 2018-06-12 华中师范大学 一种泛在学习资源情境表征方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930454B (zh) * 2010-07-27 2012-09-05 武汉大学 上下文敏感的空间信息服务推送方法
US11783173B2 (en) * 2016-06-23 2023-10-10 Microsoft Technology Licensing, Llc Multi-domain joint semantic frame parsing
CN106205244A (zh) * 2016-07-04 2016-12-07 杭州医学院 基于信息融合与机器学习的智能计算机辅助教学系统
CN108492224A (zh) * 2018-03-09 2018-09-04 上海开放大学 基于深度学习在线教育学生综合画像标签管理系统
CN108550292B (zh) * 2018-04-16 2020-11-24 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204371A (zh) * 2016-06-29 2016-12-07 北京师范大学 一种支持工学融合的移动情境感知教学系统及方法
CN108154452A (zh) * 2017-12-21 2018-06-12 华中师范大学 一种泛在学习资源情境表征方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Developing a Smart Learning Environment in Universities Via Cyber-Physical Systems;Chi-Un Lei et al.;《Procedia Computer Science》;20131231;第583-585页 *
学习主体与学习环境双向建构与整体生成-创造全球化时代的学习文化与教育智慧;桑新民;《教育发展研究》;20091231;第58-65页 *
智慧教室"三位一体"模型构建及实践探索--以华中师范大学为例;金智勇，张立龙;《现代教育技术》;20190430;第29卷(第4期);第75-81页 *
高校智慧教室的建设理念、模式与应用展望;贺占魁，黄涛;《现代教育技术》;20181130;第28卷(第11期);第54-60页 *

Also Published As

Publication number Publication date
CN110598770A (zh) 2019-12-20
WO2021036117A1 (zh) 2021-03-04
AU2020101287A4 (en) 2020-08-20

Similar Documents

Publication Publication Date Title
CN110598770B (zh) 一种多空间融合学习环境构建方法和装置
Shum et al. Social learning analytics
Yilmaz et al. Smart MOOC integrated with intelligent tutoring: A system architecture and framework model proposal
Brooks et al. The data-assisted approach to building intelligent technology-enhanced learning environments
Phillips et al. Introduction [to" Citizen voices: performing public participation in science and environment communication"]
Fan et al. Artificial intelligence-based creative thinking skill analysis model using human–computer interaction in art design teaching
Zainal et al. Technology Adoption in Malaysian Schools: An Analysis of National ICT in Education Policy Initiatives.
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
Wang et al. Smart educational learning strategy with the internet of things in higher education system
Tsoni et al. From Analytics to Cognition: Expanding the Reach of Data in Learning.
Yuskovych-Zhukovska et al. Application of artificial intelligence in education. Problems and opportunities for sustainable development
Keskin et al. Online learners’ navigational patterns based on data mining in terms of learning achievement
Mamcenko et al. On using learning analytics to personalise learning in virtual learning environments
Wang et al. [Retracted] Personalized Online Education Learning Strategies Based on Transfer Learning Emotion Classification Model
Xu et al. The design of personalized learning resource recommendation system for ideological and political courses
Geng et al. Analysis of the teaching quality using novel deep learning-based intelligent classroom teaching framework
Zhang et al. Learning preference: development in smart learning environments
Fasihuddin et al. A Framework to Personalise Open Learning Environments by Adapting to Learning Styles.
Chawla et al. Smart education: A proposed IoT based interoperable architecture to make real time decisions in higher education
Terzieva et al. Conceptual model of intelligent educational system and the need of big data analytics
NL2026606B1 (en) Method and device for constructing an educational learning environment
Kawale et al. Development of an e-learning system based on artificial intelligence
Zhou et al. Political teaching application in high vocational care courses based on machine learning systems
Chen et al. Analysing preservice teachers' reflection journals using text-mining techniques
KR102572168B1 (ko) 맞춤형 커리큘럼 제공이 가능한 인공지능 코칭 방법 및 시스템

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