CN111414570A - 一种基于云服务的平板在线学习适应性学习系统及方法 - Google Patents

Abstract

本发明公开了一种基于云服务的平板在线学习适应性学习系统及方法，其主要基于云数据平台，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务；构建包含适应性云采集层、适应性云传输层、适应性云协同层、适应性云服务层、适应性云应用层的层次化适应性学习系统服务载体；其中，适应性云采集层、适应性云传输层分别用以采集和传输信息，而适应性云协同层、适应性云服务层、适应性云应用层根据适应性云采集层、适应性云传输层提供的信息，为整个在线平板学习系统提供适应性云服务支持。

Description

一种基于云服务的平板在线学习适应性学习系统及方法

技术领域

本发明属于发明涉及平板在线学习技术领域，具体涉及一种基于云服务的平板在线学习适应性学习系统及方法。

背景技术

随着云计算、大数据时代的到来，与教育领域结合所产生的教育大数据可以从海量教育数据中发现教学规律，进而优化教学模式、展开更高效的教学工作。教育大数据的本质是教育领域的大数据，其数据来源不仅包括学习者的学习数据，更包括日常教育活动中人的一切行为数据，具有多主题、多维度、多形态等特点。基于云服务，构建的适应性在线学习系统可以收集学生的学习行为数据，分析构建学生能力，推荐合适的专属学习资源。也正因为适应性学习在根据学生个体学习层次的差异进行适应性学习指导方面有较好的效果与优势。借助云服务计算能力，设计并开发了一个适应性学习系统，推荐学习资源时有较好的准确性、稳定性和有效性。

发明内容

本发明的目的是为克服已有技术的不足，设计出一种基于云服务的平板在线学习适应性学习系统及方法。

其基于云服务的平板在线学习适应性学习系统，主要包括：

适应性云采集层，采集在线学习系统的各个接入平板终端的时事学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

适应性云服务层，用于根据学习质量历史数据、学习质量计划数据和学习适应性实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性决策要素；

适应性云协同层，用于根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

适应性云应用层，用于根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务；

适应性云传输层，用于连接所述适应性云采集层、所述适应性云服务层、所述适应性云协同层和所述适应性云应用层，以使各层之间进行数据传输。

优选的，所述适应性云服务层进一步包括：

存储虚拟化单元，用于通过所述传输服务层获取所述云采集层获取的所述实时数据、所述历史数据和所述计划数据；

网络虚拟化单元，用于根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；

系统虚拟化单元，用于对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；

计算虚拟化单元，用于根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型，并根据所述适应性学习实时仿真模型、所述学习质量历史数据和所述计学习质量计划数据对所述适应性学习系统进行仿真分析；

应用虚拟化单元，用于根据所述仿真分析的结果，获取第一层在线学习适应性决策要素。

优选的，所述调度云协同层进一步包括：

分布式实时数据库，用于获取分布式平板终端客户的学习质量实时数据；分布式时序数据库，具有对应的分布式模型，用于根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；

分布式关系数据库，用于通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算；

非结构化数据存储自动化系统，用于根据所述协同计算获取第二层学习资源适应性分配决策要素。

还具有一种基于云服务的平板在线学习适应性学习方法，主要包括以下步骤：

步骤1)、获取在线学习系统的各个接入平板终端的实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

步骤2)、根据学习质量历史数据、学习质量计划数据和适应性学习实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性参数信息决策要素；

步骤3)、根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

步骤4)、根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务。

优选的，步骤2)所述的适应性学习实时仿真模型：是通过获取所述实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据，并根据所述实时数据构建的。

优选的，步骤2)所述适应性学习实时仿真模型包括根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型。

优选的，根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素包括：获取分布式平板终端客户的学习质量实时数据；根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素。

优选的，步骤4)所述的知识库模块自学习体现在对关联模型融合度RF的调整上，考虑初始融合度RF0、调整前的融合度RF1以及融合度的累计调整次数这三个参数；其中，初始融合度是通过数据驱动得到的固定数值；调整前的融合度为当前的环境下的数值；融合度的累计调整次数体现的是在以学习质量目标数据为目标导向，关联模型被用来进行优化调整并获得容错误差范围内的次数；结合数据拟合，调整后得到的融合度为：

其中，上式中J为调整基数，取值如下：

其中，融合度不大于1，调整前融合度是1的关联模型不再调整融合度；按照上述方案调整后融合度的理论值大于1时，将该关联模型融合度设为1，完成自我学习的过程。

优选的，所述学习质量参数与学习资源适应性分配的关联模型为：定义平板终端学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}，可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学习者，列向量则代表学习者学习过该资源，若X_m×n＝1，则表示学习者学习过该资源，若X_m×n＝0，则没有学习过，这样简单的归一处理并不能客观地反映出学习者对学习资源的关注程度，因此学习某一资源的频次是不能忽略的；学习者对学习资源的学习频率可反映不同的掌握程度，资源学习的平均频率可定义为：

其中

代表l_i使用学习资源的平均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数，由于该频率大小与学习者对该资源的掌握程度有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高掌握度。

本发明与现有技术相比，其有益的技术效果为：

1、基于云计算理念而提出的平板在线学习适应性决策方案，充分利用了云计算所带的高性价比、快速伸缩性、近乎无限的扩展性、高容错性等优势。

2、提出了一种学习质量主要参数与学习资源关联性之间协同运行的学习资源适应性实现方式，为学生及平板终端提供了立体、多层次的协同学习质量提高适应性的运行体系，提高在线学习的学习质量水平。

3、采用了知识库模块自学习的融合方法，提高了学习质量与学习资源调度推送适应性关联度。

附图说明

图1是本发明的适应性学习系统结构模块图。

图2是本发明的适应性学习方法的流程图。

具体实施方式

一种基于云服务的平板在线学习适应性学习系统及方法。其基于云服务的平板在线学习适应性学习系统，主要包括：

适应性云采集层，采集在线学习系统的各个接入平板终端的时事学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

适应性云服务层，用于根据学习质量历史数据、学习质量计划数据和学习适应性实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性决策要素；

适应性云协同层，用于根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

适应性云应用层，用于根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务；

适应性云传输层，用于连接所述适应性云采集层、所述适应性云服务层、所述适应性云协同层和所述适应性云应用层，以使各层之间进行数据传输。

优选的，所述适应性云服务层进一步包括：

存储虚拟化单元，用于通过所述传输服务层获取所述云采集层获取的所述实时数据、所述历史数据和所述计划数据；

网络虚拟化单元，用于根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；

系统虚拟化单元，用于对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；

计算虚拟化单元，用于根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型，并根据所述适应性学习实时仿真模型、所述学习质量历史数据和所述计学习质量计划数据对所述适应性学习系统进行仿真分析；

应用虚拟化单元，用于根据所述仿真分析的结果，获取第一层在线学习适应性决策要素。

优选的，所述调度云协同层进一步包括：

分布式实时数据库，用于获取分布式平板终端客户的学习质量实时数据；分布式时序数据库，具有对应的分布式模型，用于根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；

分布式关系数据库，用于通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算；

非结构化数据存储自动化系统，用于根据所述协同计算获取第二层学习资源适应性分配决策要素。

还具有一种基于云服务的平板在线学习适应性学习方法，主要包括以下步骤：

步骤1)、获取在线学习系统的各个接入平板终端的实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

步骤2)、根据学习质量历史数据、学习质量计划数据和适应性学习实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性参数信息决策要素；

步骤3)、根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

步骤4)、根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务。

优选的，步骤2)所述的适应性学习实时仿真模型：是通过获取所述实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据，并根据所述实时数据构建的。

优选的，步骤2)所述适应性学习实时仿真模型包括根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型。

优选的，根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素包括：获取分布式平板终端客户的学习质量实时数据；根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素。

优选的，步骤4)所述的知识库模块自学习体现在对关联模型融合度RF的调整上，考虑初始融合度RF0、调整前的融合度RF1以及融合度的累计调整次数这三个参数；其中，初始融合度是通过数据驱动得到的固定数值；调整前的融合度为当前的环境下的数值；融合度的累计调整次数体现的是在以学习质量目标数据为目标导向，关联模型被用来进行优化调整并获得容错误差范围内的次数；结合数据拟合，调整后得到的融合度为：

其中，上式中J为调整基数，取值如下：

其中，融合度不大于1，调整前融合度是1的关联模型不再调整融合度；按照上述方案调整后融合度的理论值大于1时，将该关联模型融合度设为1，完成自我学习的过程。

优选的，所述学习质量参数与学习资源适应性分配的关联模型为：定义平板终端学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{r₁，r₂，r₃，…r_m}，可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学习者，列向量则代表学习者学习过该资源，若X_m×n＝1，则表示学习者学习过该资源，若X_m×n＝0，则没有学习过，这样简单的归一处理并不能客观地反映出学习者对学习资源的关注程度，因此学习某一资源的频次是不能忽略的；学习者对学习资源的学习频率可反映不同的掌握程度，资源学习的平均频率可定义为：

其中

代表l_i使用学习资源的平均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数，由于该频率大小与学习者对该资源的掌握程度有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高掌握度。

以上对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于云服务的平板在线学习适应性学习系统，其特征在于，包括：

适应性云采集层，采集在线学习系统的各个接入平板终端的时事学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

适应性云服务层，用于根据学习质量历史数据、学习质量计划数据和学习适应性实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性决策要素；

适应性云协同层，用于根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

适应性云应用层，用于根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务；

适应性云传输层，用于连接所述适应性云采集层、所述适应性云服务层、所述适应性云协同层和所述适应性云应用层，以使各层之间进行数据传输。

2.根据权利要求1所述的基于云服务的平板在线学习适应性学习系统，其特征在于：所述适应性云服务层进一步包括：

存储虚拟化单元，用于通过所述传输服务层获取所述云采集层获取的所述实时数据、所述历史数据和所述计划数据；

网络虚拟化单元，用于根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；

系统虚拟化单元，用于对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；

计算虚拟化单元，用于根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型，并根据所述适应性学习实时仿真模型、所述学习质量历史数据和所述计学习质量计划数据对所述适应性学习系统进行仿真分析；

应用虚拟化单元，用于根据所述仿真分析的结果，获取第一层在线学习适应性决策要素。

3.根据权利要求1所述的基于云服务的平板在线学习适应性学习系统，其特征在于：所述调度云协同层进一步包括：

分布式实时数据库，用于获取分布式平板终端客户的学习质量实时数据；分布式时序数据库，具有对应的分布式模型，用于根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；

分布式关系数据库，用于通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算；

非结构化数据存储自动化系统，用于根据所述协同计算获取第二层学习资源适应性分配决策要素。

4.一种基于云服务的平板在线学习适应性学习方法，其特征在于，主要包括以下步骤：

步骤1)、获取在线学习系统的各个接入平板终端的实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据；

步骤2)、根据学习质量历史数据、学习质量计划数据和适应性学习实时仿真模型对所述学习适应性进行仿真分析，获取第一层在线学习适应性参数信息决策要素；

步骤3)、根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素；

步骤4)、根据所述第一层在线学习适应性决策要素和所述第二层学习资源分配适应性决策要素，通过设置自学习的知识库模块以及知识库模块的定义要求，建立所述学习系统的学习质量参数与学习资源适应性分配的关联模型，根据所述关联模型，以所述学习质量计划数据为向导，对所述平板在线学习系统的适应性进行优化分析，获取平板在线学习的学习资源分配的云决策要求和学习质量的云决策服务。

5.根据权利要求4所述的基于云服务的平板在线学习适应性学习方法，其特征在于：步骤2)所述的适应性学习实时仿真模型：是通过获取所述实时学习质量数据、学习质量历史数据、学习资源分布式数据和学习质量计划数据，并根据所述实时数据构建的。

6.根据权利要求4所述的基于云服务的平板在线学习适应性学习方法，其特征在于：步骤2)所述适应性学习实时仿真模型包括根据所述实时数据模拟所述学习系统的实际平板终端客户的学习质量区域组成，获取模拟学习系统模型；对所述模拟系统模型的层次关系和拓扑关系进行数据疏解，获取层次关系数据和拓扑关系数据；根据所述层次关系数据和所述拓扑关系数据构建所述适应性学习实时仿真模型。

7.根据权利要求4所述的基于云服务的平板在线学习适应性学习方法，其特征在于：根据所述在线学习系统内各分布式平板终端的分布式模型，以及所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素包括：获取分布式平板终端客户的学习质量实时数据；根据所述分布式模型对所述分布式平板终端客户的学习质量实时数据进行分层集群处理，并根据所述处理的输出建立集群关系表；通过集成服务对所述集群关系表中的数据进行集成处理，并通过所述分布式平板终端与外部学习资源间关系模型进行协同计算，获取第二层学习资源适应性分配决策要素。

8.根据权利要求4所述的基于云服务的平板在线学习适应性学习方法，其特征在于：步骤4)所述的知识库模块自学习体现在对关联模型融合度RF的调整上，考虑初始融合度RF0、调整前的融合度RF1以及融合度的累计调整次数这三个参数；其中，初始融合度是通过数据驱动得到的固定数值；调整前的融合度为当前的环境下的数值；融合度的累计调整次数体现的是在以学习质量计划数据为目标导向，关联模型被用来进行优化调整并获得容错误差范围内的次数；结合数据拟合，调整后得到的融合度为：

其中，上式中J为调整基数，取值如下：

其中，融合度不大于1，调整前融合度是1的关联模型不再调整融合度；按照上述方案调整后融合度的理论值大于1时，将该关联模型融合度设为1，完成自我学习的过程。

9.根据权利要求4所述的基于云服务的平板在线学习适应性学习方法，其特征在于：所述学习质量参数与学习资源适应性分配的关联模型为：定义平板终端学习者集合为：L＝{l₁，l₂，l₃，…l_m}；资源集合为：R＝{_r1，_r2，r₃，…r_m}，可得到一个由学习者集合和资源集合构成的二值关系矩阵X_m×n：

其中行向量代表学习者，列向量则代表学习者学习过该资源，若X_m×n＝1，则表示学习者学习过该资源，若X_m×n＝0，则没有学习过，这样简单的归一处理并不能客观地反映出学习者对学习资源的关注程度，因此学习某一资源的频次是不能忽略的；学习者对学习资源的学习频率可反映不同的掌握程度，资源学习的平均频率可定义为：

其中

代表l_i使用学习资源的平均次数，n(l_i)代表l_i已学习资源的数量，

代表l_i学习资源的总次数，由于该频率大小与学习者对该资源的掌握程度有很大关系，学习者对某一学习资源学习次数较多，可以认为该学习者对该资源或者该类资源具有较高掌握度。

Images