CN111340660A - 一种在线学习辅助系统及方法 - Google Patents
一种在线学习辅助系统及方法 Download PDFInfo
- Publication number
- CN111340660A CN111340660A CN201910585072.XA CN201910585072A CN111340660A CN 111340660 A CN111340660 A CN 111340660A CN 201910585072 A CN201910585072 A CN 201910585072A CN 111340660 A CN111340660 A CN 111340660A
- Authority
- CN
- China
- Prior art keywords
- video data
- learning
- catering
- answer
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims description 34
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000021403 cultural food Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computer Security & Cryptography (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供一种在线学习辅助系统及方法，包括根据餐饮从业者输入的用户名及用户密码，验证用户身份；在用户身份验证通过之后，根据用户名对应的角色标签获取相匹配的课程列表及对应的章节；将每个章节相关的视频数据依次输出；在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；根据答案选项输入情况，对视频数据输出位置进行控制。作为辅助用户拓展知识、培养良好学习习惯的上述方案，可应用于各行业企事业单位、公司内部使用，有效帮助员工在工作之余提升自己的个人能力，提高专业文化知识。
Description
技术领域
本发明属于计算机技术领域，具体涉及一种在线学习辅助系统及方法。
背景技术
随着我国经济的快速发展、现代化进程的加快以及人民生活水平的提高，人们对饮食的 重视度也越来越高。这种重视度不仅反映出饮食文化与健康息息相关，也体现了人们对于餐 饮商家的选择、饮食质量的追求，甚至餐饮从业者专业度上的要求。
在这个信息纷繁复杂、知识更新迅速的时代，信息技术已在各学习领域广泛渗透，甚至 延伸至餐饮行业。在这种局面下，餐饮行业也随着外部环境发生的根本性变化，竞争愈演愈 烈。餐饮企业要想在知识经济时代成功立足，就得改变其商业模式，这势必会引发一场企业 的组织革新。
对于餐饮企业管理者来说，如何利用信息技术构建互联网环境下的餐饮知识体系，是企 业提升员工素质、加强管理的核心内容。只有不断从外界获取信息、技术等资源才能开展稳 定的创新活动，才能在激烈的市场中站稳脚步。而对于餐饮从业者来说，如何准确、快速的 找到自己所需的信息，将其转化为所需的知识，并能很好的储存、分享、应用及创新，从而 有效地促进学习习惯的养成,提高专业技能，是每一个餐饮从业者都非常重视的问题。
发明内容
为了解决上述问题，本发明提出一种在线学习辅助系统及方法，通过提升知识文化，可 以促进餐饮从业者显性知识与隐形知识的相互转化，提高餐饮从业者的专业知识和专业技能、 增强餐饮从业者个人素质，促进专业化成长，进而提升企业的竞争力。
本发明的目的是采用下述技术方案实现的：
一种在线学习辅助系统，与多个餐饮从业者终端相互连接的学习辅助系统包括：
身份验证模块，用于根据餐饮从业者输入的用户名及用户密码，验证用户身份；
获取模块，用于在用户身份验证通过之后，根据所述用户名对应的角色标签获取相匹配 的课程列表及对应的章节；
输出模块，用于将每个章节相关的视频数据依次输出；
输入模块，用于在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
控制模块，用于根据输入的答案选项，对视频数据输出位置进行控制。
优选的，所述身份验证模块包括：
数据采集单元，用于获取餐饮从业者的职位等级和教育经历信息；
划分单元，用于根据餐饮从业者的职位等级和教育经历信息，划分学习等级；
制定单元，用于结合餐饮从业者自身需求资源和学习等级划分结果，制定学习方案；
注册管理单元，用于接收餐饮从业者的注册请求，为不同学习等级的餐饮从业者添加角 色标签，设置访问权限，生成学习辅助系统的用户注册窗口；
注册单元，用于在用户注册窗口写入用户名及用户密码，以实现用户注册操作；
所述输出模块包括：
显示单元，用于显示终端的显示界面；
展示单元，用于通过显示界面展示课程列表及对应的章节；
所述控制模块包括：
切换单元，用于根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频 数据输出，并自动切换终端的显示界面为答题界面；
第一控制单元，用于接收用户输入的退出指令，根据退出指令停止视频数据输出；
第二控制单元，用于判断输入单元输入的答案选项是否正确；如果正确，重新从视频数 据的停止位置继续输出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
第三控制单元，用于将视频数据的输出位置变更为所设定的位置，并且从所述变更后的 视频数据的位置起，重新开始对视频数据进行输出。
一种在线学习辅助方法，所述方法包括：
根据餐饮从业者输入的用户名及用户密码，验证用户身份；
在用户身份验证通过之后，根据所述用户名对应的角色标签获取相匹配的课程列表及对 应的章节；
将每个章节相关的视频数据依次输出；
在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
根据答案选项输入情况，对视频数据输出位置进行控制；其中，所述视频数据包括：与 餐饮相关的视频课程、以餐饮人视角解读书籍的视频和餐饮创业老板的经历分享视频。
优选的，所述将每个章节相关的视频数据依次输出包括：
显示终端的显示界面；
通过显示界面展示课程列表及对应的章节。
优选的，所述针对答题界面的试题输入答案选项之前包括：从题库数据库中调取与所述 视频数据相匹配的试题集，以供所述餐饮从业者作答；其中，所述题库数据库存储有试题题 目、与所述试题题目对应的知识点以及答案。
进一步地，还包括：当用户答错题目时，将答题界面跳转到显示与当前试题对应的注解 界面；
所述注解界面包括：试题题目对应的知识点以及答案。
优选的，所述根据答案选项输入情况，对视频数据输出位置进行控制包括：
根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频数据输出，并自 动切换终端的显示界面为答题界面；
接收用户输入的退出指令，根据退出指令停止视频数据输出；
判断输入单元输入的答案选项是否正确；如果正确，重新从视频数据的停止位置继续输 出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
将视频数据的输出位置变更为所设定的位置，并且从所述变更后的视频数据的位置起， 重新开始对视频数据进行输出；
所述根据答案选项输入情况，对视频数据输出位置进行控制之后还包括：
确定用于评价学习效果的关键特征量；
构建深度学习网络模型；
结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效果进行综合评估。
进一步地，所述确定用于评价学习效果的关键特征量包括：将餐饮从业者作为评价对象， 依据自定义的分类规则，将所述评价学习效果的特征量划分为在线学习状况和答题信息；获 取分类后的各部分特征量，并从中选取用于评价学习效果的关键特征量，生成特征空间；其 中，
所述在线学习状况包括在线学习时长和学习频率；
所述答题信息包括答题的数量、时间和答案正确率。
进一步地，所述深度学习网络模型是基于多层极限学习机构成的深度学习网络，其构建 方法包括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集 X＝{xi,ti},i＝1,...,n；其中，xi表示输入样本，ti表示输入样本对应的学习效果指数，n为样 本数量；
随机生成输入层到达第一隐层的连接权重
以及第一隐层的输出矩阵 H1；
采用最小二乘法计算求取β1，其表达式为：
将(β1)T代替所述输入层到第一隐层的连接权重β1，随机生成第一隐层到第二隐层的连接 权重β2，以及第二隐层的输出矩阵H2；
采用最小二乘法，通过下式计算获得输出权重β3：
式中，aj和bj分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为 隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的学习效果指数总量。
进一步地，所述结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效 果进行综合评估包括：将新产生的待测样本xnew分别输入专家系统和深度学习网络模型，将 各自获得的输出结果进行比较，判断深度学习网络模型与通过专家系统输出的指数是否一致； 如果一致，表示学习效果良好；如果不一致，则学习效果较差；其中，
所述专家系统，用于根据餐饮管理者经验、相关参考文献或者权威餐饮报告对餐饮从业 者的学习效果进行在线打分。
与最接近的现有技术相比，本发明的有益效果为：
本发明提出一种在线学习辅助系统及方法，包括根据餐饮从业者输入的用户名及用户密 码，验证用户身份；在用户身份验证通过之后，根据用户名对应的角色标签获取相匹配的课 程列表及对应的章节；将每个章节相关的视频数据依次输出；在视频数据依次输出的过程中， 针对答题界面的试题输入答案选项；根据输入的答案选项，对视频数据输出位置进行控制。 该系统和方法可应用于各行业企事业单位、公司内部使用，有效帮助员工在工作之余提升自 己的个人能力，提高专业文化知识。在这个信息时代，对于从业者学习习惯的培养具有非常 重要的意义。在增强从业者个人素质，促进专业化成长的同时，提升企业的竞争力。
附图说明
图1为本发明实施例中提供的在线学习辅助方法流程图。
具体实施方式
餐饮从业者作为饮食文化传播的载体，面对新的挑战，必须促进其专业知识的发展，提 升个人的专业素养，才能应对行业内及整个市场的竞争力。因此本发明提出一种在线学习辅 助系统，与多个餐饮从业者终端相互连接的学习辅助系统包括：
身份验证模块，用于根据餐饮从业者输入的用户名及用户密码，验证用户身份；
身份验证模块包括：数据采集单元，用于获取餐饮从业者的职位等级和教育经历信息； 划分单元，用于根据餐饮从业者的职位等级和教育经历信息，划分学习等级；制定单元，用 于结合餐饮从业者自身需求资源和学习等级划分结果，制定学习方案；
由于餐饮从业者工作的职能各异、教育水平和文化程度各异，如果一概而论，不但影响学 习任务的顺利进行，而且大大限制了不同岗位的人才在专业度与能力上的提升。此外如果不 考虑用户自身对知识的需求和兴趣，会极大降低餐饮从业者的参与度和积极性，且不利于良 好学习习惯的养成。
注册管理单元，用于接收餐饮从业者的注册请求，为不同学习等级的餐饮从业者添加角 色标签，设置访问权限，生成学习辅助系统的用户注册窗口；
注册单元，用于在用户注册窗口写入用户名及用户密码，以实现用户注册操作。
本发明提出的在线学习辅助系统还包括：获取模块，用于在用户身份验证通过之后，根 据所述用户名对应的角色标签获取相匹配的课程列表及对应的章节；
输出模块，用于将每个章节相关的视频数据依次输出；
所述输出模块包括：
显示单元，用于显示终端的显示界面；
展示单元，用于通过显示界面展示课程列表及对应的章节。
输入模块，用于在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
用户在播放视频的过程中，终端后台会根据视频数据中的知识点，在预先定义的题库数 据库中调取与所述视频数据相匹配的试题集，以供所述餐饮从业者作答；其中，所述题库数 据库存储有试题题目、与所述试题题目对应的知识点以及答案。
餐饮从业者针对答题界面的试题输入答案选项后，系统会自动判断对错，并通过控制模 块进行控制，使得用户在学习过程中的提高自身的专注度。
控制模块，用于根据输入的答案选项，对视频数据输出位置进行控制。
所述控制模块包括：
切换单元，用于根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频 数据输出，并自动切换终端的显示界面为答题界面；
第一控制单元，用于接收用户输入的退出指令，根据退出指令停止视频数据输出；
第二控制单元，用于判断输入单元输入的答案选项是否正确；如果正确，重新从视频数 据的停止位置继续输出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
第三控制单元，用于将视频数据的输出位置变更为所设定的位置，并且从所述变更后的 视频数据的位置起，重新开始对视频数据进行输出。
最后，本发明提出的在线学习辅助系统还包括：分享模块、奖励模块和学习社交模块； 其中，分享模块用于汇聚众多餐饮行业的媒体平台，用户可以登录学习辅助系统跳转至所述 媒体平台，获得阅读文章转发资格，将文章转发到学习辅助系统。所述奖励模块，用于通过 观看文章，分享，来获得AI机器人的智能评分和相应的奖励金币；以此提高餐饮从业者的学 习积极性。学习社交模块，用于添加其它用户为好友,可在社区发布图片、语音、视频、和文 字，与好友共同交流学习经验及感想。
基于相同的技术构思，如图1所示，本发明还提供一种在线学习辅助方法，所述方法包 括：
S1根据餐饮从业者输入的用户名及用户密码，验证用户身份；
S2在用户身份验证通过之后，根据所述用户名对应的角色标签获取相匹配的课程列表及 对应的章节；
S3将每个章节相关的视频数据依次输出；
S4在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
S5根据答案选项输入情况，对视频数据输出位置进行控制。
步骤S2，针对答题界面的试题输入答案选项之前包括：从题库数据库中调取与所述视频 数据相匹配的试题集，以供餐饮从业者作答；其中，题库数据库存储有试题题目、与所述试 题题目对应的知识点以及答案。这里的答案是包括ABCD四个答案备选项。
当用户答错题目时，将答题界面跳转到显示与当前试题对应的注解界面；所述注解界面 包括：试题题目对应的知识点以及答案。
步骤S3中，将每个章节相关的视频数据依次输出包括：
显示终端的显示界面；
通过显示界面展示课程列表及对应的章节。
所述视频数据包括：与餐饮相关的视频课程、以餐饮人视角解读书籍的视频和餐饮创业 老板的经历分享视频。
步骤S5，根据答案选项输入情况，对视频数据输出位置进行控制包括：
根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频数据输出，并自 动切换终端的显示界面为答题界面；
接收用户输入的退出指令，根据退出指令停止视频数据输出；
判断输入单元输入的答案选项是否正确；如果正确，重新从视频数据的停止位置继续输 出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
将视频数据的输出位置变更为所设定的位置，并且从所述变更后的视频数据的位置起， 重新开始对视频数据进行输出。
步骤S5，根据答案选项输入情况，对视频数据输出位置进行控制之后还包括：
a,确定用于评价学习效果的关键特征量；
b,构建深度学习网络模型；
c,结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效果进行综合评 估。
步骤a,确定用于评价学习效果的关键特征量包括：将餐饮从业者作为评价对象，依据自 定义的分类规则，将所述评价学习效果的特征量划分为在线学习状况和答题信息；获取分类 后的各部分特征量，并从中选取用于评价学习效果的关键特征量，生成特征空间；其中，所 述在线学习状况包括在线学习时长和学习频率；所述答题信息包括答题的数量、时间和答案 正确率。
步骤b,深度学习网络模型是基于多层极限学习机构成的深度学习网络，其构建方法包 括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集 X＝{xi,ti},i＝1,...,n；其中，xi表示输入样本，ti表示输入样本对应的学习效果指数，n为样 本数量；
随机生成输入层到达第一隐层的连接权重
以及第一隐层的输出矩阵 H1；
采用最小二乘法计算求取β1，其表达式为：
将(β1)T代替所述输入层到第一隐层的连接权重β1，随机生成第一隐层到第二隐层的连接 权重β2，以及第二隐层的输出矩阵H2；
采用最小二乘法，通过下式计算获得输出权重β3：
式中，aj和bj分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为 隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的学习效果指数总量。
步骤c,所述结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效果进 行综合评估包括：将新产生的待测样本xnew分别输入专家系统和深度学习网络模型，将各自 获得的输出结果进行比较，判断深度学习网络模型与通过专家系统输出的指数是否一致；如 果一致，表示学习效果良好；如果不一致，则学习效果较差；其中，
所述专家系统，用于根据餐饮管理者经验、相关参考文献或者权威餐饮报告对餐饮从业 者的学习效果进行在线打分。通过深度学习模型与专家系统的比较，使得学习评价指数的结 果更为真实可信。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。 因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的 形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储 介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一 个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工 作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制 造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指 定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或 其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编 程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多 个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制， 尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领 域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换， 这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。
Claims (10)
1.一种在线学习辅助系统，其特征在于，与多个餐饮从业者终端相互连接的学习辅助系统包括：
身份验证模块，用于根据餐饮从业者输入的用户名及用户密码，验证用户身份；
获取模块，用于在用户身份验证通过之后，根据所述用户名对应的角色标签获取相匹配的课程列表及对应的章节；
输出模块，用于将每个章节相关的视频数据依次输出；
输入模块，用于在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
控制模块，用于根据输入的答案选项，对视频数据输出位置进行控制。
2.根据权利要求1所述的在线学习辅助系统，其特征在于，所述身份验证模块包括：
数据采集单元，用于获取餐饮从业者的职位等级和教育经历信息；
划分单元，用于根据餐饮从业者的职位等级和教育经历信息，划分学习等级；
制定单元，用于结合餐饮从业者自身需求资源和学习等级划分结果，制定学习方案；
注册管理单元，用于接收餐饮从业者的注册请求，为不同学习等级的餐饮从业者添加角色标签，设置访问权限，生成学习辅助系统的用户注册窗口；
注册单元，用于在用户注册窗口写入用户名及用户密码，以实现用户注册操作；
所述输出模块包括：
显示单元，用于显示终端的显示界面；
展示单元，用于通过显示界面展示课程列表及对应的章节；
所述控制模块包括：
切换单元，用于根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频数据输出，并自动切换终端的显示界面为答题界面；
第一控制单元，用于接收用户输入的退出指令，根据退出指令停止视频数据输出；
第二控制单元，用于判断输入单元输入的答案选项是否正确；如果正确，重新从视频数据的停止位置继续输出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
第三控制单元，用于将视频数据的输出位置变更为所设定的位置，并且从所述变更后的视频数据的位置起，重新开始对视频数据进行输出。
3.一种在线学习辅助方法，其特征在于，所述方法包括：
根据餐饮从业者输入的用户名及用户密码，验证用户身份；
在用户身份验证通过之后，根据所述用户名对应的角色标签获取相匹配的课程列表及对应的章节；
将每个章节相关的视频数据依次输出；
在视频数据依次输出的过程中，针对答题界面的试题输入答案选项；
根据答案选项输入情况，对视频数据输出位置进行控制；其中，所述视频数据包括：与餐饮相关的视频课程、以餐饮人视角解读书籍的视频和餐饮创业老板的经历分享视频。
4.根据权利要求3所述的在线学习辅助方法，其特征在于，所述将每个章节相关的视频数据依次输出包括：
显示终端的显示界面；
通过显示界面展示课程列表及对应的章节。
5.根据权利要求3所述的在线学习辅助方法，其特征在于，所述针对答题界面的试题输入答案选项之前包括：从题库数据库中调取与所述视频数据相匹配的试题集，以供所述餐饮从业者作答；其中，所述题库数据库存储有试题题目、与所述试题题目对应的知识点以及答案。
6.根据权利要求3所述的在线学习辅助方法，其特征在于，还包括：当用户答错题目时，将答题界面跳转到显示与当前试题对应的注解界面；
所述注解界面包括：试题题目对应的知识点以及答案。
7.根据权利要求3所述的在线学习辅助方法，其特征在于，所述根据答案选项输入情况，对视频数据输出位置进行控制包括：
根据预先定义的不同视频数据相关联的试题及答案选项，暂时停止视频数据输出，并自动切换终端的显示界面为答题界面；
接收用户输入的退出指令，根据退出指令停止视频数据输出；
判断输入单元输入的答案选项是否正确；如果正确，重新从视频数据的停止位置继续输出；否则，将答题界面跳转到显示与当前试题对应的注解界面；
将视频数据的输出位置变更为所设定的位置，并且从所述变更后的视频数据的位置起，重新开始对视频数据进行输出；
所述根据答案选项输入情况，对视频数据输出位置进行控制之后还包括：
确定用于评价学习效果的关键特征量；
构建深度学习网络模型；
结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效果进行综合评估。
8.如权利要求7所述的在线学习辅助方法，其特征在于，所述确定用于评价学习效果的关键特征量包括：将餐饮从业者作为评价对象，依据自定义的分类规则，将所述评价学习效果的特征量划分为在线学习状况和答题信息；获取分类后的各部分特征量，并从中选取用于评价学习效果的关键特征量，生成特征空间；其中，
所述在线学习状况包括在线学习时长和学习频率；
所述答题信息包括答题的数量、时间和答案正确率。
9.如权利要求7所述的在线学习辅助方法，其特征在于，所述深度学习网络模型是基于多层极限学习机构成的深度学习网络，其构建方法包括：将关键特征量作为输入样本映射到新的特征空间中，构成训练样本集X＝{xi,ti},i＝1,...,n；其中，xi表示输入样本，ti表示输入样本对应的学习效果指数，n为样本数量；
随机生成输入层到达第一隐层的连接权重
以及第一隐层的输出矩阵H1；
采用最小二乘法计算求取β1，其表达式为：
将(β1)T代替所述输入层到第一隐层的连接权重β1，随机生成第一隐层到第二隐层的连接权重β2，以及第二隐层的输出矩阵H2；
采用最小二乘法，通过下式计算获得输出权重β2：
式中，aj和bj分别表示随机设置的与第j个隐藏节点关联的输入权值和隐层阈值，z为隐藏节点个数，H为广义的雅各比矩阵,T为样本对应的学习效果指数总量。
10.如权利要求7所述的在线学习辅助方法，其特征在于，所述结合深度学习网络模型和预先定义的专家系统，对餐饮从业者的学习效果进行综合评估包括：将新产生的待测样本xnew分别输入专家系统和深度学习网络模型，将各自获得的输出结果进行比较，判断深度学习网络模型与通过专家系统输出的指数是否一致；如果一致，表示学习效果良好；如果不一致，则学习效果较差；其中，
所述专家系统，用于根据餐饮管理者经验、相关参考文献或者权威餐饮报告对餐饮从业者的学习效果进行在线打分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585072.XA CN111340660B (zh) | 2019-07-01 | 2019-07-01 | 一种在线学习辅助系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585072.XA CN111340660B (zh) | 2019-07-01 | 2019-07-01 | 一种在线学习辅助系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340660A true CN111340660A (zh) | 2020-06-26 |
| CN111340660B CN111340660B (zh) | 2023-09-01 |
Family
ID=71185094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910585072.XA Active CN111340660B (zh) | 2019-07-01 | 2019-07-01 | 一种在线学习辅助系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340660B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111998259A (zh) * | 2020-09-08 | 2020-11-27 | 安徽声讯信息技术有限公司 | 一种基于台灯的智能学习辅助系统 |
| CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
| CN112734365A (zh) * | 2020-12-31 | 2021-04-30 | 中驰(南京)科技咨询有限公司 | 一种企业员工考试教育信息处理方法 |
| CN117670146A (zh) * | 2024-02-01 | 2024-03-08 | 青岛培诺教育科技股份有限公司 | 一种学习过程测评方法、装置、电子设备及介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2465855A1 (en) * | 2001-11-07 | 2003-05-15 | Takafumi Terasawa | Schedule data distribution evaluating method |
| US20060282306A1 (en) * | 2005-06-10 | 2006-12-14 | Unicru, Inc. | Employee selection via adaptive assessment |
| WO2011138799A2 (en) * | 2010-05-04 | 2011-11-10 | Moodeye Media And Technologies Pvt Ltd | Customizable electronic system for education |
| WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| CN104408985A (zh) * | 2014-12-17 | 2015-03-11 | 李莎 | 基于云网络的答题学习方法及系统 |
| CN104851060A (zh) * | 2015-05-11 | 2015-08-19 | 中国旅游研究院 | 旅游游客满意度指数的构建与测算方法 |
| CN104882038A (zh) * | 2014-02-27 | 2015-09-02 | 迈思好课 | 使用二维码(qr)和应用的线上线下互连学习系统 |
| CN104951871A (zh) * | 2015-06-03 | 2015-09-30 | 广东电网有限责任公司教育培训评价中心 | 一种电力仿真培训的智能评价方法及系统 |
| CN106227335A (zh) * | 2016-07-14 | 2016-12-14 | 广东小天才科技有限公司 | 预习讲义与视频课程的交互学习方法及应用学习客户端 |
| CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
| CN108074007A (zh) * | 2016-11-14 | 2018-05-25 | 天津市阿波罗信息技术有限公司 | 一种人工智能超深度学习的股票预测方法 |
| CN108876225A (zh) * | 2018-09-19 | 2018-11-23 | 青岛智能产业技术研究院 | 基于人机混合智能的在线教育系统及方法 |
| CN109035943A (zh) * | 2018-09-05 | 2018-12-18 | 广东电网有限责任公司 | 学习系统及学习方法 |
| CN109754661A (zh) * | 2019-03-18 | 2019-05-14 | 北京一维大成科技有限公司 | 一种在线学习方法、装置、设备及介质 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
-
2019
- 2019-07-01 CN CN201910585072.XA patent/CN111340660B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2465855A1 (en) * | 2001-11-07 | 2003-05-15 | Takafumi Terasawa | Schedule data distribution evaluating method |
| EP1450280A1 (en) * | 2001-11-07 | 2004-08-25 | TERASAWA, Takafumi | Schedule data distribution evaluating method |
| US20060282306A1 (en) * | 2005-06-10 | 2006-12-14 | Unicru, Inc. | Employee selection via adaptive assessment |
| WO2011138799A2 (en) * | 2010-05-04 | 2011-11-10 | Moodeye Media And Technologies Pvt Ltd | Customizable electronic system for education |
| WO2012013996A1 (en) * | 2010-07-30 | 2012-02-02 | Gravity Research & Development Kft. | Recommender systems and methods |
| US20120214147A1 (en) * | 2011-02-16 | 2012-08-23 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment And Learning |
| CN104882038A (zh) * | 2014-02-27 | 2015-09-02 | 迈思好课 | 使用二维码(qr)和应用的线上线下互连学习系统 |
| CN104408985A (zh) * | 2014-12-17 | 2015-03-11 | 李莎 | 基于云网络的答题学习方法及系统 |
| CN104851060A (zh) * | 2015-05-11 | 2015-08-19 | 中国旅游研究院 | 旅游游客满意度指数的构建与测算方法 |
| CN104951871A (zh) * | 2015-06-03 | 2015-09-30 | 广东电网有限责任公司教育培训评价中心 | 一种电力仿真培训的智能评价方法及系统 |
| CN106227335A (zh) * | 2016-07-14 | 2016-12-14 | 广东小天才科技有限公司 | 预习讲义与视频课程的交互学习方法及应用学习客户端 |
| CN108074007A (zh) * | 2016-11-14 | 2018-05-25 | 天津市阿波罗信息技术有限公司 | 一种人工智能超深度学习的股票预测方法 |
| CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
| CN109035943A (zh) * | 2018-09-05 | 2018-12-18 | 广东电网有限责任公司 | 学习系统及学习方法 |
| CN108876225A (zh) * | 2018-09-19 | 2018-11-23 | 青岛智能产业技术研究院 | 基于人机混合智能的在线教育系统及方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN109829577A (zh) * | 2019-01-17 | 2019-05-31 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
| CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
| CN109754661A (zh) * | 2019-03-18 | 2019-05-14 | 北京一维大成科技有限公司 | 一种在线学习方法、装置、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘爱宏;左晓华;: "平面设计课程网上学习系统的研究", no. 10 * |
| 姚梅玲;迟宗涛;: "数据结构学习系统的设计", 工业控制计算机, no. 07 * |
| 腾讯视频: "信息学在线入门课程注册教程", pages 0 - 2 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111998259A (zh) * | 2020-09-08 | 2020-11-27 | 安徽声讯信息技术有限公司 | 一种基于台灯的智能学习辅助系统 |
| CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
| CN112734365A (zh) * | 2020-12-31 | 2021-04-30 | 中驰(南京)科技咨询有限公司 | 一种企业员工考试教育信息处理方法 |
| CN117670146A (zh) * | 2024-02-01 | 2024-03-08 | 青岛培诺教育科技股份有限公司 | 一种学习过程测评方法、装置、电子设备及介质 |
| CN117670146B (zh) * | 2024-02-01 | 2024-04-30 | 青岛培诺教育科技股份有限公司 | 一种学习过程测评方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340660B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Exploring the relationships among instructional leadership, professional learning communities and teacher self-efficacy in China | |
| Chen et al. | A linguistic signaling model of social support exchange in online health communities | |
| CN111340660B (zh) | 一种在线学习辅助系统及方法 | |
| Jin et al. | Why users keep answering questions in online question answering communities: A theoretical and empirical investigation | |
| Brandtner | Putting the world in orders: Plurality in organizational evaluation | |
| Hirth et al. | Analyzing costs and accuracy of validation mechanisms for crowdsourcing platforms | |
| Ridge | From tagging to theorizing: deepening engagement with cultural heritage through crowdsourcing | |
| Hirth et al. | Cost-optimal validation mechanisms and cheat-detection for crowdsourcing platforms | |
| Clewley et al. | Mining learning preferences in web-based instruction: Holists vs. serialists | |
| CN106557995A (zh) | 基于智能终端和云平台的教学管理方法 | |
| Azoulay et al. | Self-citation, cumulative advantage, and gender inequality in science | |
| Liu et al. | Predicting information searchers' topic knowledge at different search stages | |
| Lin et al. | Assessing mobile learning systems success | |
| Codish et al. | User behavior pattern detection in unstructured processes–a learning management system case study | |
| McKoon et al. | Adults with poor reading skills and the inferences they make during reading | |
| WO2022237400A1 (zh) | 线上线下混合式教育方法、系统、电子设备及存储介质 | |
| Herath et al. | Intelligent recommendations for e-learning personalization based on learner's learning activities and performances | |
| CN113705792B (zh) | 基于深度学习模型的个性化推荐方法、装置、设备及介质 | |
| Hadi Mogavi et al. | More gamification is not always better: A case study of promotional gamification in a question answering website | |
| Hidayat et al. | Usability evaluation on educational chatbot using the system usability scale (SUS) | |
| Rothshild et al. | How the interplay of google and wikipedia affects perceptions of online news sources | |
| Li et al. | Research on the strategy of E-Learning resources recommendation based on learning context | |
| Chattopadhyay et al. | Exploring effect of service innovation on business performance of restaurants in India | |
| Stewart et al. | ‘Men actually need to practice the conversation’: Collective learnings from Australian programs seeking to challenge outdated masculine stereotypes and norms | |
| Kedrick et al. | The Multifaceted Role of Self‐Generated Question Asking in Curiosity‐Driven Learning |
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 |