CN111046852A - 个人学习路径生成方法、设备及可读存储介质 - Google Patents
个人学习路径生成方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN111046852A CN111046852A CN201911423232.7A CN201911423232A CN111046852A CN 111046852 A CN111046852 A CN 111046852A CN 201911423232 A CN201911423232 A CN 201911423232A CN 111046852 A CN111046852 A CN 111046852A
- Authority
- CN
- China
- Prior art keywords
- learning
- preset
- action
- feedback information
- personal
- 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
- 230000013016 learning Effects 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000009471 action Effects 0.000 claims abstract description 150
- 230000008451 emotion Effects 0.000 claims abstract description 67
- 230000000694 effects Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims description 33
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 39
- 230000006978 adaptation Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000012360 testing method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种个人学习路径生成方法、设备及可读存储介质，所述个人学习路径生成方法通过采集并分析当前学生用户在学习过程中实时的动作反馈信息、情绪反馈信息与学习反馈信息，打破了现有的智能教学系统仅采集学生的学习成绩反馈数据的局限；通过预设识别算法对学生在学习过程中的动作还有情绪实时进行识别，能够更加精准地分析学生的学习状态与教学的效率；基于学生在学习过程中的动作、情绪与学习反馈的分析结果、基于教学大纲所指定的教育知识结构以及预设的学习模式效果响应库，对学生的学习路径进行规划，生成各学生专属的个人学习路径，提升了个人学习路径对于对应学生的适配度，进而提高了学生的学习效率。
Description
技术领域
本发明涉及智能教学技术领域，尤其涉及一种个人学习路径生成方法、设备及可读存储介质。
背景技术
随着科学技术的迅速发展，教育系统越来越趋向于智能化。但现有的智能教学系统依然停留在通过收集分析学生用户的学习成绩反馈信息对目标用户进行学习引导，而无法准确获知学生的学习状态与教学效率，因而无法根据学生制定符合自身学习情况的个人学习路径，学生基于不适合自身的学习路径进行学习的效率往往也比较低下，从而导致了解决了现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种个人学习路径生成方法，旨在解决现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。
为实现上述目的，本发明提供一种个人学习路径生成方法，所述个人学习路径生成方法应用于个人学习路径生成设备，所述个人学习路径生成方法包括以下步骤：
获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；
基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；
结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。
可选地，所述获取当前用户基于预设智能学习设备所做出的反馈信息的步骤包括：
基于所述预设智能学习设备中的摄像设备获取当前用户的情绪反馈信息与动作反馈信息；
基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息。
可选地，所述基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息的步骤包括：
基于预设选项感应器获取当前用户对于每一选项勾选指令的勾选次数与勾选正误信息，将所述勾选次数与勾选正误信息作为所述学习反馈信息。
可选地，所述基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果的步骤包括：
基于预设动作情绪匹配规则，识别所述情绪反馈信息的情绪类别；
基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型；
基于预设标准反馈规则判断所述学习反馈信息所指向知识点的熟练程度，其中，所述情绪类别、动作反馈类型与熟练程度为所述分析结果。
可选地，所述基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型的步骤包括：
基于所述动作识别算法，判断当前用户在翻页动作指令发出后的预设第一时长内是否做出翻页动作；
若当前用户在所述预设第一时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为正确反馈类型；
若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作，其中，所述预设第二时长大于所述预设第一时长。
可选地，所述若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作的步骤之后，还包括：
若当前用户在所述预设第二时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为滞后反馈类型；
若当前用户在所述预设第二时长内未做出翻页动作或做出非翻页动作，则判定所述翻页动作指令对应的动作反馈类型为错误反馈类型。
可选地，所述结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径的步骤包括：
基于指向知识点的所述熟练程度生成当前用户的个人知识结构；
对比预设教育知识结构与所述个人知识结构，确定所述个人学习路径中的待掌握知识点，以基于所述待掌握知识点为当前用户制定碎片化学习内容；
基于所述情绪类别、动作反馈类型与学习模式效果响应库，确定所述个人学习路径中的学习阶段规划与学习内容优先级。
可选地，所述获取当前用户基于预设智能学习设备所做出的反馈信息的步骤之前，还包括：
基于预设图像边缘算法对预存人物图像进行边缘处理，生成目标教师形象；
对所述目标教师形象进行表情匹配，生成动态虚拟教师形象，以将所述动态虚拟教师形象运用于虚拟课堂，并通过所述预设智能学习设备中的家庭智能电视放映。
此外，为实现上述目的，本发明还提供一种个人学习路径生成设备，所述个人学习路径生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的个人学习路径生成程序，所述个人学习路径生成程序被所述处理器执行时实现如上述的个人学习路径生成方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有个人学习路径生成程序，所述个人学习路径生成程序被处理器执行时实现如上述的个人学习路径生成方法的步骤。
本发明提供一种个人学习路径生成方法、设备及计算机可读存储介质。所述个人学习路径生成方法通过获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。通过上述方式，本发明通过采集并分析当前学生用户在学习过程中实时的动作反馈信息、情绪反馈信息与学习反馈信息，打破了现有的智能教学系统仅采集学生的学习成绩反馈数据的局限，使得学生在学习过程中的动作与情绪也能够作为考量学习情况的部分依据；通过预设识别算法对学生在学习过程中的动作还有情绪实时进行识别，能够更加精准地分析学生的学习状态与教学的效率；基于学生在学习过程中的动作、情绪与学习反馈的分析结果与预设的学习模式效果响应库，以及基于教学大纲所指定的教育知识结构，对学生的学习路径进行规划，生成各学生专属的个人学习路径，提升了个人学习路径对于对应学生的适配度，进而提高了学生的学习效率，从而解决了现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明个人学习路径生成方法第一实施例的流程示意图；
图3为本发明个人学习路径生成方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及个人学习路径生成程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的个人学习路径生成程序，并执行以下操作：
获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；
基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；
结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于所述预设智能学习设备中的摄像设备获取当前用户的情绪反馈信息与动作反馈信息；
基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于预设选项感应器获取当前用户对于每一选项勾选指令的勾选次数与勾选正误信息，将所述勾选次数与勾选正误信息作为所述学习反馈信息。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于预设动作情绪匹配规则，识别所述情绪反馈信息的情绪类别；
基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型；
基于预设标准反馈规则判断所述学习反馈信息所指向知识点的熟练程度，其中，所述情绪类别、动作反馈类型与熟练程度为所述分析结果。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于所述动作识别算法，判断当前用户在翻页动作指令发出后的预设第一时长内是否做出翻页动作；
若当前用户在所述预设第一时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为正确反馈类型；
若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作，其中，所述预设第二时长大于所述预设第一时长。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
若当前用户在所述预设第二时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为滞后反馈类型；
若当前用户在所述预设第二时长内未做出翻页动作或做出非翻页动作，则判定所述翻页动作指令对应的动作反馈类型为错误反馈类型。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于指向知识点的所述熟练程度生成当前用户的个人知识结构；
对比预设教育知识结构与所述个人知识结构，确定所述个人学习路径中的待掌握知识点，以基于所述待掌握知识点为当前用户制定碎片化学习内容；
基于所述情绪类别、动作反馈类型与学习模式效果响应库，确定所述个人学习路径中的学习阶段规划与学习内容优先级。
进一步地，处理器1001可以调用存储器1005中存储的个人学习路径生成程序，还执行以下操作：
基于预设图像边缘算法对预存人物图像进行边缘处理，生成目标教师形象；
对所述目标教师形象进行表情匹配，生成动态虚拟教师形象，以将所述动态虚拟教师形象运用于虚拟课堂，并通过所述预设智能学习设备中的家庭智能电视放映。
基于上述硬件结构，提出本发明个人学习路径生成方法的各个实施例。
参照图2，图2为个人学习路径生成方法第一实施例的流程示意图。
本发明第一实施例提供一种个人学习路径生成方法，所述个人学习路径生成方法包括以下步骤：
随着科学技术的迅速发展，教育系统越来越趋向于智能化。但现有的智能教学系统依然停留在通过收集分析学生用户的学习成绩反馈信息对目标用户进行学习引导，而无法准确获知学生的学习状态与教学效率，因而无法根据学生制定符合自身学习情况的个人学习路径，学生基于不适合自身的学习路径进行学习的效率往往也比较低下，从而导致了解决了现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。
为解决上述问题，本发明通过采集并分析当前学生用户在学习过程中实时的动作反馈信息、情绪反馈信息与学习反馈信息，打破了现有的智能教学系统仅采集学生的学习成绩反馈数据的局限，使得学生在学习过程中的动作与情绪也能够作为考量学习情况的部分依据；通过预设识别算法对学生在学习过程中的动作实时进行识别，能够更加精准地分析学生的学习状态与教学的效率；基于学生在学习过程中的动作、情绪与学习反馈的分析结果与预设的学习模式效果响应库，以及基于教学大纲所指定的教育知识结构，对学生的学习路径进行规划，生成各学生专属的个人学习路径，提升了个人学习路径对于对应学生的适配度，进而提高了学生的学习效率，从而解决了现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。本发明应用于预设有智能学习设备的智能教学系统。
步骤S10，获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；
其中，预设智能学习设备可为家庭智能电视、指读教材设备、平板电脑等。情绪反馈信息为当前用户在通过智能学习设备进行学习的过程中的作出的某些动作所反映出的情绪信息。动作反馈信息为当前用户在通过智能学习设备进行学习的过程中对于特定动作指令所做出的动作信息。学习反馈信息为当前用户在通过智能学习设备进行学习的过程中对于选项或是题目等学习内容的反馈信息，具体可包括选项反馈信息、测试反馈信息等。
在本实施例中，以中小学生通过指读教材设备进行家庭学习为例。指读教材设备中预置有摄像头。学生将当前所要使用的教材与指读教材设备配合使用，且正面对于指读教材设备中的内置摄像头。智能教学系统可向学生发出适配于当前所使用教材的做出特定动作的指令，学生接收到这些指令后，可按照指示做出相应动作；也可显示与当前所使用教材内容相应的勾选框，以供学生在勾选框中选择自己所认为的正确选项。而在学生正对于摄像头并通过指读教材设备进行学习的全过程，摄像头会实时记录学生的情绪反馈信息与动作反馈信息，而学生在指读教材设备上进行的勾选、输入等学习活动也会由智能教学系统所获取，将这些学习活动的结果作为学习反馈信息。
步骤S20，基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；
其中，预设识别算法可为表情识别算法与动作识别算法。预设标准反馈规则为基于教育学的基本原理设定的，且对应于学习过程中智能教学系统所发出的教学指令的，期待学生及时作出的标准反馈。
在本实施例中，智能教学系统获取到当前学生通过指读教材设备进行学习过程中实时的情绪反馈信息、动作反馈信息与学习反馈信息，可通过表情识别算法识别出当前学生在学习过程中的面部表情所表示的情绪类型；可通过动作识别算法识别当前学生的动作状态是连贯还是呆滞；可在智能教学系统发出翻页等动作学习指令时，判断学生是否及时作出正确的动作反馈；可对学生基于勾选框的勾选次数以及选择的正误进行分析等；还可对用户在完成学习测试后对测试结果进行分析。
步骤S30，结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。
其中，预设教育知识结构为基于教学大纲指定的系统性的知识结构，通常以复杂多路径树状形式构建，本实施例对其结构形式不做具体限定。学习模式效果响应库为学生学习模式与学生学习效果的预设响应库，响应可包括手指的指向，迟滞，无序，停滞等，是情绪的关联指证。个人学习路径为根据个人实际学习情况而制定的独特学习计划，与标准教学大纲要求的不同之处在于，允许学生实行不同的学习路径，甚至允许知识树没有被遍览或完成。这是考虑到每个孩子的天赋能力兴趣不同，允许并鼓励孩子们可以有无法完成的一些内容。上述方式通过个性化的快乐学习鼓励孩子尽可能的完成更多的知识树部分。
在本实施例中，智能教学系统通过整合当前学生在通过指读教材设备进行学习的过程中的动作、表情、学习反馈的分析结果，结合预设的教育知识树结构与学习模式效果响应库，确定出该学生对于当前学习知识的掌握程度、兴趣程度等个人学习情况信息。智能教学系统实时根据这些个人学习情况信息制定个人专属的学习计划。个人学习计划可包括学习阶段规划、学习内容优先级等。
本发明提供一种个人学习路径生成方法。所述个人学习路径生成方法通过获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。通过上述方式，本发明通过采集并分析当前学生用户在学习过程中实时的动作反馈信息、情绪反馈信息与学习反馈信息，打破了现有的智能教学系统仅采集学生的学习成绩反馈数据的局限，使得学生在学习过程中的动作与情绪也能够作为考量学习情况的部分依据；通过预设识别算法对学生在学习过程中的动作还有情绪实时进行识别，能够更加精准地分析学生的学习状态与教学的效率；基于学生在学习过程中的动作、情绪与学习反馈的分析结果与预设的学习模式效果响应库，以及基于教学大纲所指定的教育知识结构，对学生的学习路径进行规划，生成各学生专属的个人学习路径，提升了个人学习路径对于对应学生的适配度，进而提高了学生的学习效率，从而解决了现有智能教学系统根据个人学习数据所定制的个人化学习路径的适用性差的技术问题。
参照图3，图3为本发明个人学习路径生成方法第二实施例的流程示意图。
基于上述图2所示的第一实施例，在本实施例中，步骤S10包括：
步骤S11，基于所述预设智能学习设备中的摄像设备获取当前用户的情绪反馈信息与动作反馈信息；
在本实施例中，对于高端的智能学习设备，可配置红外线摄像头或是多深度摄像头。学生可将指读教材设备放置于当前所使用课本的正前方，并将指读教材设备中的摄像头正对于面部。当学生使用指读教材设备进行学习时，摄像头记录下学生在学习过程中的表情与动作，以供智能教学系统实时分析学生在学习过程中的反馈信息。
步骤S12，基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息。
在本实施例中，可以理解的是智能学习设备针对中小学生的学习能力会在学习过程中设置一些用于检验学生对于知识点掌握程度的勾选项目。当学习过程中出现勾选项目时，学生需要在多个勾选框中作出选择，点击个人认为正确的某一选项。而智能教学系统中预设有选项感应器，用于感应学生的点击操作以及确定学生选中的选项信息。
进一步地，图中未示的，在本实施例中，步骤S12包括：
步骤a，基于预设选项感应器获取当前用户对于每一选项勾选指令的勾选次数与勾选正误信息，将所述勾选次数与勾选正误信息作为所述学习反馈信息。
在本实施例中，在智能教学系统生成并向学生显示关于某一知识点的三个勾选选项，正确答案为第一选项。学生显示选中第一选项，后又取消改选第二选择，再后又改选为第三选项，最后又改选回第一选项。智能教学系统基于选项感应器，获取到该学生对于这一知识点所对应的勾选次数为四次，勾选结果正确。这些信息可归类于该学生的学习反馈信息。
另外，智能教学系统还可根据学生的实际学习情况制定学习成果测试，学习测试的测试结果也可作为该学生的学习反馈结果。
进一步地，图中未示的，步骤S10之前，还包括：
步骤b，基于预设图像边缘算法对预存人物图像进行边缘处理，生成目标教师形象；
在本实施例中，智能教学系统中还包括家庭智能电视。智能教学系统根据预存的教师的人像图片或是标准教师图片构造一个虚拟教师形象，并通过预设的用于图像边缘处理的图像边缘算法对这一虚拟教师形象进行漫画化。
步骤c，对所述目标教师形象进行表情匹配，生成动态虚拟教师形象，以将所述动态虚拟教师形象运用于虚拟课堂，并通过所述预设智能学习设备中的家庭智能电视放映。
在本实施例中，智能教学系统为这一虚拟教师形象添加上多种表情，并将其运用于虚拟课堂。学生可通过家中的家庭智能电视体验虚拟课堂的教学方式，进行趣味性的学习。
本发明提供一种个人学习路径生成方法。所述个人学习路径生成方法进一步通过智能学习设备中的摄像设备与选项感应器，使得能够实时获取到学生在使用智能学习设备进行学习的过程中的情绪反馈信息、动作反馈信息与学习反馈信息，使得系统能够更加准确地判断学生的学习情况；通过将勾选次数同勾选正误信息一起归类为学生的学习反馈信息，突破了现有方式中仅将题目的正误信息作为学习反馈信息的局限，使得系统能够进一步更加准确地判断学生对知识点的掌握情况；通过在家庭智能电视中以设置有动态虚拟教师形象的虚拟课堂的形式进行教学，增加了学习的趣味性，特别是对于中小学生而言，这一教学方式能够极大地提升他们的学习兴趣。
图中未示的，基于上述图2所示的第一实施例，提出本发明个人学习路径生成方法第三实施例。在本实施例中，步骤S20包括：
步骤d，基于预设动作情绪匹配规则，识别所述情绪反馈信息的情绪类别；
在本实施例中，智能教学系统根据上述动作识别算法对学生在学习过程中的动作实时进行识别，再根据预设的动作与情绪间的匹配规则，确定学生的情绪类别。其中，情绪类别可分为正向情绪类别、中性情绪类别与负向情绪类别。具体地，预设动作情绪匹配规则可为：若智能教学系统检测到用户的手指指向在几个选项反复犹豫重复，则可判定学生的情绪是困扰；若学生的手指是无序摆动，则可判定学生迷茫；若学生的手指处于无效状态(包括没有指向屏幕，或者停滞很长时间)，则可判定学生注意力已经不集中；若学生在需要站立的时候却是坐姿，则可判定学生为疲惫或无兴趣。
步骤e，基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型；
在本实施例中，智能教学系统根据结合了快速傅立叶变换与小波变换的动作识别算法识别学生在利用指读教材设备进行学习的过程中翻页等指定动作；也可识别在学习过程中无系统指示时学生的肢体动作是连贯还是呆滞。反馈动作类型可设为正确反馈类型、滞后反馈类型与错误反馈类型。
步骤f，基于预设标准反馈规则判断所述学习反馈信息所指向知识点的熟练程度，其中，所述情绪类别、动作反馈类型与熟练程度为所述分析结果。
在本实施例中，智能教学系统根据预设的标准反馈规则对学生在利用指读教材设备进行学习的过程中的学习反馈信息的熟练程度。例如，智能教学系统在该学生学习完某一阶段的学习任务时，生成对应的学习成果测试。智能教学系统在学生完成这一学习成果测试时，将学生的作答情况与标准答案进行比对，并结合学生的勾选次数，对学生对于各知识点的掌握情况进行判定。具体可将学生的勾选次数低于预设阈值且勾选正确的题目所对应在教育知识结构上的知识点标记为高熟练度；将勾选次数高于上述预设阈值但勾选正确的题目所对应在教育知识结构上的知识点标记为中熟练度；将勾选次数高于上述阈值且勾选错误或是勾选次数低于上述阈值但勾选错误的题目所对应在教育知识结构上的知识点标记为低熟练度。其中，预设阈值可根据实际情况灵活设定，本实施例对此不做限定。
进一步地，本实施例中，步骤e包括：
步骤g，基于所述动作识别算法，判断当前用户在翻页动作指令发出后的预设第一时长内是否做出翻页动作；
在本实施例中，智能教学系统基于预存的动作识别算法，判断学生在学习过程中系统发出翻页动作指令后是否在预设第一时长内作出正确动作反馈，以判断学生是否对这一动作指令及时做出正确的反馈动作。其中，预设第一时长可根据实际情况灵活设定，本实施例对此不做限定。
步骤h，若当前用户在所述预设第一时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为正确反馈类型；
在本实施例中，智能教学系统若基于预存的动作识别算法判定当前学生在预设第一时长内做出了翻页动作，也即是学生及时对系统发出的动作指令做出了正确的动作反馈，则可判定该学生对于这一动作指令的动作反馈类型为正确反馈类型。
步骤i，若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作，其中，所述预设第二时长大于所述预设第一时长。
在本实施例中，智能教学系统若基于预存的动作识别算法判定当前学生未在预设第一时长内做出指定的翻页动作，则进而判断该学生是否在预设第二时长内做出翻页动作。其中，预设第二时长可根基实际情况灵活设定，但一定大于预设第一时长。
进一步地，在本实施例中，步骤i之后，还包括：
步骤j，若当前用户在所述预设第二时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为滞后反馈类型；
在本实施例中，智能教学系统若基于预存的动作识别算法判定当前学生在预设第二时长内做出了指定的翻页动作，也即是学生对于系统所发出的这一动作指令虽做出了正确的动作反馈但不及时，智能教学系统则可判定该学生对于这一动作指令的动作反馈类型为滞后反馈类型。
步骤k，若当前用户在所述预设第二时长内未做出翻页动作或做出非翻页动作，则判定所述翻页动作指令对应的动作反馈类型为错误反馈类型。
在本实施例中，智能教学系统若基于预存的动作识别算法判定当前学生在预设第二时长内未做出指定的翻页动作，或是在预设第二时长内做出了除指定的翻页动作之外的其他动作，则智能教学系统可判定该学生对于系统发出的这一动作指令的动作反馈类型为错误反馈类型。
近一步地，本实施例中，步骤S30包括：
步骤l，基于指向知识点的所述熟练程度生成当前用户的个人知识结构；
在本实施例中，智能教学系统根据各学生所对应的学习过程中记录的对应在各知识点上的熟练程度，生成各用户专属的个人知识结构。具体地，各学生专属的个人知识结构中可标记每一知识点的掌握程度。
步骤m，对比预设教育知识结构与所述个人知识结构，确定所述个人学习路径中的待掌握知识点，以基于所述待掌握知识点为当前用户制定碎片化学习内容；
在本实施例中，智能教学系统将各学生专属的个人知识结构和基于教学大纲构建的预设教育知识结构进行对比，确定出各学生在预设教育知识结构中遗漏的或是熟练程度较低的待掌握知识点。其中，预设教育知识结构中包含有教学大纲中规定需要学习的知识点以及各知识点的从属、并列等关联关系。智能教学系统可根据各学生对应的待掌握知识点制定专属的知识点碎片化学习计划，以便学生在家利用零碎时间进行知识点强化学习。
步骤n，基于所述情绪类别、动作反馈类型与学习模式效果响应库，确定所述个人学习路径中的学习阶段规划与学习内容优先级。
在本实施例中，智能教学系统根据各学生在学习过程中的情绪类别与动作反馈类型结合预设的学习模式效果响应库，可确定学生对于各所学知识点的兴趣程度，制定各学生专属的学习阶段规划，并确定各学生所要学习内容的优先级。需要说明的是，学习内容优先级除了需参考各学生的个人学习情况，还需结合基于教学大纲所制定的教育知识结构综合设定，以确保智能教学系统所制定出的学习内容优先级的科学性。具体地，对于数学这一学科，假设教学大纲中设有十大知识点，当前学生已学习了其中的八个知识点，且对于这八个知识点中的两个对应的兴趣程度为高等，三个对应的兴趣程度为中等，剩余三个知识点的兴趣程度为低等。且另外两个未学知识点分别为一高等兴趣程度知识点的从属知识点与一低等兴趣程度知识点的从属知识点。智能教学系统可基于兴趣程度优先安排学生用户学习高等兴趣程度知识点的从属知识点，以充分调动学生的学习兴趣。
本发明提供一种个人学习路径生成方法。所述个人学习路径生成方法进一步通过分析学生在学习过程中的反馈信息，获取学生在学习时的情绪类别、动作反馈类型与熟练程度，为系统提供了明确的判断依据；通过预设第一时长与第二时长判断学生对于系统所发出的翻页指令所作出动作的动作反馈类型为正确反馈类型、滞后反馈类型还是错误反馈类型，为系统判断学生的动作反馈类型提供了具体的判定方式；基于个人学习情况生成个人知识结构并与基于教学大纲所制定的教育知识结构对比，确定出学生的待掌握知识点，提升了系统制定学习计划的科学性，且通过系统制定碎片化的学习内容，使得学生可充分利用零碎的学习时间，科学性地查漏补缺，极大提升了学生在家中的学习效率。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有个人学习路径生成程序，所述个人学习路径生成程序被处理器执行时实现如上所述的个人学习路径生成方法的步骤。
其中，所述个人学习路径生成程序被执行时所实现的方法可参照本发明个人学习路径生成方法各个实施例，此处不再赘述。
本发明还提供一种个人学习路径生成设备。
所述个人学习路径生成设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的个人学习路径生成程序，其中所述个人学习路径生成程序被所述处理器执行时，实现如上所述的个人学习路径生成方法的步骤。
其中，所述个人学习路径生成程序被执行时所实现的方法可参照本发明个人学习路径生成方法的各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种个人学习路径生成方法，其特征在于，所述个人学习路径生成方法包括：
获取当前用户基于预设智能学习设备所做出的反馈信息，其中，反馈信息至少包括情绪反馈信息、动作反馈信息与学习反馈信息；
基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果；
结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径。
2.如权利要求1所述的个人学习路径生成方法，其特征在于，所述获取当前用户基于预设智能学习设备所做出的反馈信息的步骤包括：
基于所述预设智能学习设备中的摄像设备获取当前用户的情绪反馈信息与动作反馈信息；
基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息。
3.如权利要求2所述的个人学习路径生成方法，其特征在于，所述基于所述预设智能学习设备中的选项感应器获取当前用户的学习反馈信息的步骤包括：
基于预设选项感应器获取当前用户对于每一选项勾选指令的勾选次数与勾选正误信息，将所述勾选次数与勾选正误信息作为所述学习反馈信息。
4.如权利要求1所述的个人学习路径生成方法，其特征在于，所述基于预设识别算法与预设标准反馈规则分析所述情绪反馈信息、动作反馈信息与学习反馈信息，获取分析结果的步骤包括：
基于预设动作情绪匹配规则，识别所述情绪反馈信息的情绪类别；
基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型；
基于预设标准反馈规则判断所述学习反馈信息所指向知识点的熟练程度，其中，所述情绪类别、动作反馈类型与熟练程度为所述分析结果。
5.如权利要求4所述的个人学习路径生成方法，其特征在于，所述基于预设识别算法中的动作识别算法与预设标准反馈规则，判断当前用户对于指定动作指令的动作反馈类型的步骤包括：
基于所述动作识别算法，判断当前用户在翻页动作指令发出后的预设第一时长内是否做出翻页动作；
若当前用户在所述预设第一时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为正确反馈类型；
若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作，其中，所述预设第二时长大于所述预设第一时长。
6.如权利要求5所述的个人学习路径生成方法，其特征在于，所述若当前用户在所述预设第一时长内未做出翻页动作，则判断当前用户是否在预设第二时长内做出翻页动作的步骤之后，还包括：
若当前用户在所述预设第二时长内做出翻页动作，则判定所述翻页动作指令对应的动作反馈类型为滞后反馈类型；
若当前用户在所述预设第二时长内未做出翻页动作或做出非翻页动作，则判定所述翻页动作指令对应的动作反馈类型为错误反馈类型。
7.如权利要求4所述的个人学习路径生成方法，其特征在于，所述结合分析结果、预设教育知识结构以及学习模式效果响应库，生成当前用户的个人学习路径的步骤包括：
基于指向知识点的所述熟练程度生成当前用户的个人知识结构；
对比预设教育知识结构与所述个人知识结构，确定所述个人学习路径中的待掌握知识点，以基于所述待掌握知识点为当前用户制定碎片化学习内容；
基于所述情绪类别、动作反馈类型与学习模式效果响应库，确定所述个人学习路径中的学习阶段规划与学习内容优先级。
8.如权利要求1所述的个人学习路径生成方法，其特征在于，所述获取当前用户基于预设智能学习设备所做出的反馈信息的步骤之前，还包括：
基于预设图像边缘算法对预存人物图像进行边缘处理，生成目标教师形象；
对所述目标教师形象进行表情匹配，生成动态虚拟教师形象，以将所述动态虚拟教师形象运用于虚拟课堂，并通过所述预设智能学习设备中的家庭智能电视放映。
9.一种个人学习路径生成设备，其特征在于，所述个人学习路径生成设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的个人学习路径生成程序，所述个人学习路径生成程序被所述处理器执行时实现如权利要求1至8中任一项所述的个人学习路径生成方法的步骤。
10.一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上存储有个人学习路径生成程序，所述个人学习路径生成程序被处理器执行时实现如权利要求1至8中任一项所述的个人学习路径生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911423232.7A CN111046852A (zh) | 2019-12-30 | 2019-12-30 | 个人学习路径生成方法、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911423232.7A CN111046852A (zh) | 2019-12-30 | 2019-12-30 | 个人学习路径生成方法、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111046852A true CN111046852A (zh) | 2020-04-21 |
Family
ID=70243284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911423232.7A Pending CN111046852A (zh) | 2019-12-30 | 2019-12-30 | 个人学习路径生成方法、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111046852A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723855A (zh) * | 2020-06-09 | 2020-09-29 | 广东小天才科技有限公司 | 一种学习知识点的显示方法、终端设备及存储介质 |
| CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
| CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN117649319A (zh) * | 2023-12-11 | 2024-03-05 | 广州工程技术职业学院 | 基于海运危险品归类的智能教学方法及装置、设备、介质 |
| CN117649319B (zh) * | 2023-12-11 | 2024-06-04 | 广州工程技术职业学院 | 基于海运危险品归类的智能教学方法及装置、设备、介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160314699A1 (en) * | 2012-10-26 | 2016-10-27 | Zoomi, Inc. | System and method for automated course individualization via learning behaviors and natural language processing |
| CN109214966A (zh) * | 2018-10-25 | 2019-01-15 | 重庆鲁班机器人技术研究院有限公司 | 学习效果获取方法、装置以及电子设备 |
| CN110162713A (zh) * | 2019-05-31 | 2019-08-23 | 成都鼎晟数智科技有限公司 | 基于卷积神经网络的自适应学习内容推荐方法及系统 |
-
2019
- 2019-12-30 CN CN201911423232.7A patent/CN111046852A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160314699A1 (en) * | 2012-10-26 | 2016-10-27 | Zoomi, Inc. | System and method for automated course individualization via learning behaviors and natural language processing |
| CN109214966A (zh) * | 2018-10-25 | 2019-01-15 | 重庆鲁班机器人技术研究院有限公司 | 学习效果获取方法、装置以及电子设备 |
| CN110162713A (zh) * | 2019-05-31 | 2019-08-23 | 成都鼎晟数智科技有限公司 | 基于卷积神经网络的自适应学习内容推荐方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
| CN111723855A (zh) * | 2020-06-09 | 2020-09-29 | 广东小天才科技有限公司 | 一种学习知识点的显示方法、终端设备及存储介质 |
| CN112382151A (zh) * | 2020-11-16 | 2021-02-19 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN112382151B (zh) * | 2020-11-16 | 2022-11-18 | 深圳市商汤科技有限公司 | 一种线上学习方法及装置、电子设备及存储介质 |
| CN117649319A (zh) * | 2023-12-11 | 2024-03-05 | 广州工程技术职业学院 | 基于海运危险品归类的智能教学方法及装置、设备、介质 |
| CN117649319B (zh) * | 2023-12-11 | 2024-06-04 | 广州工程技术职业学院 | 基于海运危险品归类的智能教学方法及装置、设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mota et al. | Augmented reality mobile app development for all | |
| Pereira et al. | Survey and analysis of current mobile learning applications and technologies | |
| Santos et al. | Augmented reality learning experiences: Survey of prototype design and evaluation | |
| CN110568984A (zh) | 在线教学方法、装置、存储介质及电子设备 | |
| CN111046852A (zh) | 个人学习路径生成方法、设备及可读存储介质 | |
| CN111475627B (zh) | 解答推导题目的检查方法、装置、电子设备及存储介质 | |
| Ochoa et al. | Multimodal learning analytics-Rationale, process, examples, and direction | |
| US20140045162A1 (en) | Device of Structuring Learning Contents, Learning-Content Selection Support System and Support Method Using the Device | |
| Nathoo et al. | Using tangible user interfaces for teaching concepts of internet of things: Usability and learning effectiveness | |
| Sinclair et al. | Digital technology in mathematics teaching and learning: A decade focused on theorising and teaching | |
| CN113362206A (zh) | 在线课堂的信息处理方法、装置、计算机设备及存储介质 | |
| CN115131867A (zh) | 基于学生学习效率检测方法、系统、设备及介质 | |
| Faisal et al. | Towards a reference model for sensor-supported learning systems | |
| US20150301726A1 (en) | Systems and Methods for Displaying Free-Form Drawing on a Contact-Sensitive Display | |
| Sanusi et al. | Developing middle school students’ understanding of machine learning in an African school | |
| KR20160095543A (ko) | 학습활동 분석 방법 및 시스템 | |
| Schaeffer | Usability evaluation for augmented reality | |
| Hassan et al. | An Adaptive M-Learning Usability Model for Facilitating M-Learning for Slow Learners. | |
| Mota et al. | Learning analytics in mobile applications based on multimodal interaction | |
| Emerson et al. | Investigating visitor engagement in interactive science museum exhibits with multimodal Bayesian hierarchical models | |
| Hernández Correa et al. | An application of machine learning and image processing to automatically detect teachers’ gestures | |
| Brata et al. | An Idea of Interactive Japanese Language M-Learning Application to Support Listening and Speaking Exercise | |
| CN114550545A (zh) | 一种课程生成、课程展示方法以及装置 | |
| Fanani et al. | An interactive mobile technology to improve the usability of exam application for disabled student | |
| Gharbi | Empirical Research on Developing an Educational Augmented Reality Authoring Tool |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211228 Address after: 518000 floor D6, building 5, Shenzhen software industry base, No. 11, 13 and 15, Haitian 1st Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Xinqin Technology Co.,Ltd. Address before: 1302a, satellite building, No.61, South Jiudao, Gaoxin, high tech Zone community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Luoxi Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |