CN111444354A - 一种基于人工智能的知识点回溯学习评估方法 - Google Patents

一种基于人工智能的知识点回溯学习评估方法 Download PDF

Info

Publication number
CN111444354A
CN111444354A CN202010275995.8A CN202010275995A CN111444354A CN 111444354 A CN111444354 A CN 111444354A CN 202010275995 A CN202010275995 A CN 202010275995A CN 111444354 A CN111444354 A CN 111444354A
Authority
CN
China
Prior art keywords
learning
knowledge point
module
knowledge
backtracking
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
Application number
CN202010275995.8A
Other languages
English (en)
Inventor
邱长海
洪哲伦
林威延
陈树威
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.)
Dream Sharing Education Technology Shenzhen Co ltd
Original Assignee
Dream Sharing Education Technology Shenzhen Co ltd
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 Dream Sharing Education Technology Shenzhen Co ltd filed Critical Dream Sharing Education Technology Shenzhen Co ltd
Priority to CN202010275995.8A priority Critical patent/CN111444354A/zh
Publication of CN111444354A publication Critical patent/CN111444354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于人工智能的知识点回溯学习评估方法，具体涉及学习方法领域，包括视频数据库、试题数据库、视频观看模块、测验模块、知识点评估筛选模块和回溯学习模块；评估方法包括以下步骤：S1、由相关知识点建立知识图谱，经由若干学生在知识图谱的学习路径，在每个知识点的学习纪录为深度神经网络之输入数据，透过多层深度神经网络，输出为多个最佳学习路径；S2、学生当前知识点学习成绩不佳，可以由深度神经网络的模型回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点，并更新学习路径。本发明透过人工智能技术回溯过去没有掌握好的知识点重新学习，并建立新的学习路径。

Description

一种基于人工智能的知识点回溯学习评估方法
技术领域
本发明实施例涉及学习方法领域，具体涉及一种基于人工智能的知识点回溯学习评估方法。
背景技术
现有技术中，所有的学生在学习时，都需要对学习过的知识点进行复习巩固，以便更牢固的掌握知识，目前所有学生一般都只能够翻阅书本或是通过考试才能够发现自己没有掌握的知识点，书本翻阅方法需要消耗大量的精力，而且自己以为掌握好的知识点实践应用时可能才会发现没有掌握牢固，考试的方法效果很好，但是一般考试不常有，不利于随时的学习未掌握的知识，考试失败还会大大打击学生的积极性；
由此可知，现有的技术或系统并没有提供解决当前知识点为何学习效果不佳的问题。当前知识点无法学习突破时，并无法得知是过去哪个知识点没有掌握好，才导致当前知识点无法学习好。
因此，目前无任何技术可以回溯找寻过去知识点不足的地方，无法有效复习未尽之处。
发明内容
为此，本发明实施例提供一种基于人工智能的知识点回溯学习评估方法，通过人工智能技术回溯过去没有掌握好的知识点重新学习，并建立一条新的学习路径，以解决现有技术中存在的问题。
为了实现上述目的，本发明实施例提供如下技术方案：一种基于人工智能的知识点回溯学习评估系统，包括视频数据库、试题数据库、视频观看模块、测验模块、知识点评估筛选模块和回溯学习模块；
所述视频数据库输出端连接视频观看模块，所述试题数据库输出端连接测验模块，所述测验模块和视频观看模块输出端连接知识点评估筛选模块，各模块和数据库连接构成知识点测验系统，该系统采用试题测验的方式回溯学习路径，查找未掌握知识点；
所述视频数据库和试题数据库内存储的相关知识点组建成知识图谱；
所述知识点评估筛选模块输出端连接回溯学习模块，所述回溯学习模块包括深度神经网络系统，知识点评估筛选模块将知识图谱内所有学生的学习路径、学习记录输入至该深度神经网络系统中，由深度神经网络系统根据未掌握知识点规划新的知识点学习路径重新学习，并更新学习路径。
进一步地，该评估系统采用APP或小程序的形式安装于智能终端上，且系统入口经账户注册/登录进入，直接访问试题数据库和视频数据库，进行视频观看学习以及试题测试学习。
进一步地，所述视频数据库输出端连接视频观看模块输入端，学生进入视频数据库内观看视频学习，学习过程中由视频观看模块记录视频观看时间、次数。
进一步地，所述试题数据库输出端连接测验模块输入端，学生进入试题数据库内进行试题测试，所述测验模块包括测验单元、试题判断单元、试题答案数据库，测验单元用于控制试题的展示测试，试题判断单元用于对学生输入答案进行判断对错，判断依据为与试题答案数据库内的答案进行对比。
进一步地，所述测验模块还包括测验结果记录单元和试题通过时间记录单元，测试过程中由测验结果记录单元和试题通过时间记录单元分别记录测试结果、测试时间。
进一步地，所述测验模块和视频观看模块输出端连接知识点评估筛选模块输入端，用于将视频观看时间、次数以及测试结果、测试时间发送给知识点评估筛选模块，由知识点评估筛选模块根据这些参数进行学习能力评估，并将所有检测参数以及学习能力评估发送至回溯学习模块。
进一步地，所述深度神经网络系统包括知识点回溯查找单元和最佳学习路径选择单元；
所述知识点回溯查找单元用于回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点；
所述最佳学习路径选择单元用于根据推荐的知识点选择并输出多个最佳学习路径，每个路径都其学习纪录，并更新学习路径。
本发明还提供了一种基于人工智能的知识点回溯学习评估方法，包括以下步骤：
S1、由相关知识点建立一知识图谱，经由若干学生在知识图谱的学习路径，在每个知识点的学习纪录为深度神经网络之输入数据，透过多层深度神经网络，输出为多个最佳学习路径并且每个路径都有其学习纪录；
S2、学生当前知识点学习成绩不佳，可以由深度神经网络的模型回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点，并更新学习路径。
进一步地，步骤S1中所述的学习路径包含测验结果、视频观看时间与次数、以及知识点之学习能力。
本发明实施例具有如下优点：
1、本发明通过利用相关知识点建立知识图谱，该知识图谱具备最佳学习路径信息，利用知识点测验系统能够测试学生知识点掌握情况，透过深度神经网络系统可随时回溯到未能掌握之知识点，学生可以贯穿全局有效学习整个知识图谱，不因某知识点的不足，导致整个学习效果降低；
2、本发明通过人工智能技术回溯过去没有掌握好的知识点重新学习，并建立一条新的学习路径，对未能掌握之知识点重新学习。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的整体系统框图；
图2为本发明提供的测验模块结构框图；
图3为本发明提供的深度神经网络系统结构框图；
图中：1视频数据库、2试题数据库、3视频观看模块、4测验模块、5知识点评估筛选模块、6回溯学习模块、7测验单元、8试题判断单元、9试题答案数据库、10测验结果记录单元、11试题通过时间记录单元、12知识点回溯查找单元、13最佳学习路径选择单元。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照说明书附图1-3，该实施例的一种基于人工智能的知识点回溯学习评估系统，包括视频数据库1、试题数据库2、视频观看模块3、测验模块4、知识点评估筛选模块5和回溯学习模块6；
所述视频数据库1输出端连接视频观看模块3，所述试题数据库2输出端连接测验模块4，所述测验模块4和视频观看模块3输出端连接知识点评估筛选模块5，各模块和数据库连接构成知识点测验系统，该系统采用试题测验的方式回溯学习路径，查找未掌握知识点；
所述视频数据库1和试题数据库2内存储的相关知识点组建成知识图谱；
所述知识点评估筛选模块5输出端连接回溯学习模块6，所述回溯学习模块6包括深度神经网络系统，知识点评估筛选模块5将知识图谱内所有学生的学习路径、学习记录输入至该深度神经网络系统中，由深度神经网络系统根据未掌握知识点规划新的知识点学习路径重新学习，并更新学习路径。
进一步地，所述视频数据库1输出端连接视频观看模块3输入端，学生进入视频数据库1内观看视频学习，学习过程中由视频观看模块3记录视频观看时间、次数。
进一步地，所述试题数据库2输出端连接测验模块4输入端，学生进入试题数据库2内进行试题测试，所述测验模块4包括测验单元7、试题判断单元8、试题答案数据库9，测验单元7用于控制试题的展示测试，试题判断单元8用于对学生输入答案进行判断对错，判断依据为与试题答案数据库9内的答案进行对比。
进一步地，所述测验模块4还包括测验结果记录单元10和试题通过时间记录单元11，测试过程中由测验结果记录单元10和试题通过时间记录单元11分别记录测试结果、测试时间。
进一步地，所述测验模块4和视频观看模块3输出端连接知识点评估筛选模块5输入端，用于将视频观看时间、次数以及测试结果、测试时间发送给知识点评估筛选模块5，由知识点评估筛选模块5根据这些参数进行学习能力评估，并将所有检测参数以及学习能力评估发送至回溯学习模块6。
进一步地，所述深度神经网络系统包括知识点回溯查找单元12和最佳学习路径选择单元13；
所述知识点回溯查找单元12用于回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点；
所述最佳学习路径选择单元13用于根据推荐的知识点选择并输出多个最佳学习路径，每个路径都其学习纪录，并更新学习路径。
实施方式具体为：本发明通过相关知识点建立一知识图谱，经由若干学生在知识图谱的学习路径中学习，具体以视频学习以及试题测试的形式进行学习，在学习过程中，通过记录视频观看时间、次数以及测试结果、测试时间，判断知识点的学习能力，将每个知识点的学习纪录为深度神经网络之输入数据，透过多层深度神经网络，输出为多个最佳学习路径并且每个路径都有其学习纪录；
学生当前知识点学习成绩不佳时，可以由深度神经网络的模型回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点，并更新学习路径，重新学习。
参照说明书附图1，该评估系统采用APP或小程序的形式安装于智能终端上，且系统入口经账户注册/登录进入，直接访问试题数据库2和视频数据库1，进行视频观看学习以及试题测试学习。
实施方式具体为：本发明整个系统可以做成APP或小程序的形式，现有小程序和APP技术成熟，人们通过手机终端和电脑终端等智能终端即可进行操作，在进入系统时，可以采用账号注册，登录的形式进入，进行视频观看以及试题测试等，使用较为方便。
本发明还提供了一种基于人工智能的知识点回溯学习评估方法，包括以下步骤：
S1、由相关知识点建立一知识图谱，经由若干学生在知识图谱的学习路径包含测验结果、视频观看时间与次数、以及知识点之学习能力，在每个知识点的学习纪录为深度神经网络之输入数据，透过多层深度神经网络，输出为多个最佳学习路径并且每个路径都有其学习纪录；
S2、学生当前知识点学习成绩不佳，可以由深度神经网络的模型回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点，并更新学习路径。
实施方式具体为：本发明经由相关知识点所建立的知识图谱，透过若干学员过往的学习纪录包含测验结果、视频观看时间与次数、以及知识点之学习能力，建立知识点学习路径的人工智能，依据学生当前知识点无法掌握测验未通过，则透过人工智能回溯过往哪个相关知识点未学习完整找出其弱点，进而规划新的知识点学习路径，学生在每个知识点会纪录其视频观看总时间、所有测验结果、作答时间、以及知识点之学习能力，每个知识点之间的关联性，由当前知识点的学习能力，透过人工智能回溯找出过往未能掌握之知识点重新学习。
本发明就是透过人工智能技术回溯过去没有掌握好的知识点重新学习，并建立一条新的学习路径。
实施例1：
学生进行知识点测验时无法得到高成绩，透过本发明深度神经网络系统可以在知识图谱中发现某个相关知识点的弱项，进而重新学习。
如：知识点A，B，C，D，E相关，A->C，B->C，C->D->E，E的知识点评估其学习成效为α，α<β。A，B，C，D知识点的学习成效A，C为满分。此时人工知慧由过去的学生经验所得到的结果判断B为知识点弱点，因此推荐从B开始学习。并规划新的学习路径B->D->E。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种基于人工智能的知识点回溯学习评估系统，其特征在于：包括视频数据库(1)、试题数据库(2)、视频观看模块(3)、测验模块(4)、知识点评估筛选模块(5)和回溯学习模块(6)；
所述视频数据库(1)输出端连接视频观看模块(3)，所述试题数据库(2)输出端连接测验模块(4)，所述测验模块(4)和视频观看模块(3)输出端连接知识点评估筛选模块(5)，各模块和数据库连接构成知识点测验系统，该系统采用试题测验的方式回溯学习路径，查找未掌握知识点；
所述视频数据库(1)和试题数据库(2)内存储的相关知识点组建成知识图谱；
所述知识点评估筛选模块(5)输出端连接回溯学习模块(6)，所述回溯学习模块(6)包括深度神经网络系统，知识点评估筛选模块(5)将知识图谱内所有学生的学习路径、学习记录输入至该深度神经网络系统中，由深度神经网络系统根据未掌握知识点规划新的知识点学习路径重新学习，并更新学习路径。
2.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：该评估系统采用APP或小程序的形式安装于智能终端上，且系统入口经账户注册/登录进入，直接访问试题数据库(2)和视频数据库(1)，进行视频观看学习以及试题测试学习。
3.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：所述视频数据库(1)输出端连接视频观看模块(3)输入端，学生进入视频数据库(1)内观看视频学习，学习过程中由视频观看模块(3)记录视频观看时间、次数。
4.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：所述试题数据库(2)输出端连接测验模块(4)输入端，学生进入试题数据库(2)内进行试题测试，所述测验模块(4)包括测验单元(7)、试题判断单元(8)、试题答案数据库(9)，测验单元(7)用于控制试题的展示测试，试题判断单元(8)用于对学生输入答案进行判断对错，判断依据为与试题答案数据库(9)内的答案进行对比。
5.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：所述测验模块(4)还包括测验结果记录单元(10)和试题通过时间记录单元(11)，测试过程中由测验结果记录单元(10)和试题通过时间记录单元(11)分别记录测试结果、测试时间。
6.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：所述测验模块(4)和视频观看模块(3)输出端连接知识点评估筛选模块(5)输入端，用于将视频观看时间、次数以及测试结果、测试时间发送给知识点评估筛选模块(5)，由知识点评估筛选模块(5)根据这些参数进行学习能力评估，并将所有检测参数以及学习能力评估发送至回溯学习模块(6)。
7.根据权利要求1所述的一种基于人工智能的知识点回溯学习评估系统，其特征在于：所述深度神经网络系统包括知识点回溯查找单元(12)和最佳学习路径选择单元(13)；
所述知识点回溯查找单元(12)用于回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点；
所述最佳学习路径选择单元(13)用于根据推荐的知识点选择并输出多个最佳学习路径，并更新学习路径。
8.一种根据权利要求1-7任意一项所述的基于人工智能的知识点回溯学习评估系统的评估方法，其特征在于：包括以下步骤：
S1、由相关知识点建立一知识图谱，经由若干学生在知识图谱的学习路径，在每个知识点的学习纪录为深度神经网络之输入数据，透过多层深度神经网络，输出为多个最佳学习路径并且每个路径都有其学习纪录；
S2、学生当前知识点学习成绩不佳，可以由深度神经网络的模型回溯学习路径是当前学生哪个知识点的能力与最佳学习路径中的知识点能力不匹配，进而推荐须回溯学习之知识点，并更新学习路径。
9.根据权利要求8所述的一种基于人工智能的知识点回溯学习评估方法，其特征在于：步骤S1中所述的学习路径包含测验结果、视频观看时间与次数、以及知识点之学习能力。
CN202010275995.8A 2020-04-09 2020-04-09 一种基于人工智能的知识点回溯学习评估方法 Pending CN111444354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010275995.8A CN111444354A (zh) 2020-04-09 2020-04-09 一种基于人工智能的知识点回溯学习评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010275995.8A CN111444354A (zh) 2020-04-09 2020-04-09 一种基于人工智能的知识点回溯学习评估方法

Publications (1)

Publication Number Publication Date
CN111444354A true CN111444354A (zh) 2020-07-24

Family

ID=71651313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010275995.8A Pending CN111444354A (zh) 2020-04-09 2020-04-09 一种基于人工智能的知识点回溯学习评估方法

Country Status (1)

Country Link
CN (1) CN111444354A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289103A (zh) * 2020-12-23 2021-01-29 河南应用技术职业学院 一种人工智能自适应互动教学系统
CN113313982A (zh) * 2021-07-29 2021-08-27 深圳市轻生活科技有限公司 一种基于5g网络的教育系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN106503172A (zh) * 2016-10-25 2017-03-15 天闻数媒科技（湖南）有限公司 基于知识图谱推荐学习路径的方法和装置
CN108596472A (zh) * 2018-04-20 2018-09-28 贵州金符育才教育科技有限公司 一种理科学习的人工智能教学系统及方法
CN110263020A (zh) * 2019-06-20 2019-09-20 广州市教育研究院 在线学习测验题库管理系统及管理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105853A (zh) * 2007-08-16 2008-01-16 上海交通大学 网络教学中基于非零起点的个性化导学系统
CN105355111A (zh) * 2015-12-02 2016-02-24 华中师范大学 基于学情分析的课后强化学习系统
CN106503172A (zh) * 2016-10-25 2017-03-15 天闻数媒科技（湖南）有限公司 基于知识图谱推荐学习路径的方法和装置
CN108596472A (zh) * 2018-04-20 2018-09-28 贵州金符育才教育科技有限公司 一种理科学习的人工智能教学系统及方法
CN110263020A (zh) * 2019-06-20 2019-09-20 广州市教育研究院 在线学习测验题库管理系统及管理方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112289103A (zh) * 2020-12-23 2021-01-29 河南应用技术职业学院 一种人工智能自适应互动教学系统
CN113313982A (zh) * 2021-07-29 2021-08-27 深圳市轻生活科技有限公司 一种基于5g网络的教育系统
CN113313982B (zh) * 2021-07-29 2021-11-09 深圳市轻生活科技有限公司 一种基于5g网络的教育系统

Similar Documents

Publication Publication Date Title
Hershkovitz et al. Discovery with models: A case study on carelessness in computer-based science inquiry
CN110991645A (zh) 一种基于知识模型的自适应学习方法、系统及存储介质
CN105761564A (zh) 一种思想政治教育智能教学系统
CN104794947A (zh) 一种教学情况反馈方法及装置
CN108182837A (zh) 一种思想政治教育智能教学系统
CN105512214A (zh) 一种知识数据库、构建方法及学情诊断系统
CN112596731B (zh) 一种融合智能教育的编程教学系统及方法
CN110543995A (zh) 一种基于模糊算法的学生认知水平的测试评定系统
CN110189238A (zh) 辅助学习的方法、装置、介质以及电子设备
CN112149994A (zh) 一种基于统计分析的英语个人能力追踪学习系统
Tamada et al. Predicting and reducing dropout in virtual learning using machine learning techniques: A systematic review
CN111444354A (zh) 一种基于人工智能的知识点回溯学习评估方法
Thille et al. Incorporating learning analytics in the classroom
Duru et al. An overview of studies about students' performance analysis and learning analytics in MOOCs
CN106503050B (zh) 一种基于大数据进行阅读文章推荐的方法与系统
Ma [Retracted] Study on College English Online Teaching Model in Mixed Context Based on Genetic Algorithm and Neural Network Algorithm
CN111028583A (zh) 一种远程网络教学系统和方法
Mi Student performance early warning based on data mining
Fu et al. [Retracted] Research on Teaching Quality Evaluation of Ideological Politics Teachers in Colleges and Universities Based on a Structural Equation Model
CN116362426B (zh) 基于人工智能和深度学习的学习行为预测管理系统和方法
CN117171337A (zh) 一种基于知识图谱的煤炭行业智适应培训平台搭建方法
Tang [Retracted] Research on the Difficulties and Countermeasures of the Practical Teaching of Ideological and Political Theory Courses in Colleges and Universities Based on Wireless Communication and Artificial Intelligence Decision Support
Li et al. Research on the big data analysis of MOOCs in a flipped classroom based on attention mechanism in deep learning model
CN115422457A (zh) 一种基于教育云平台的试题随机生成方法及系统
Wu et al. A review of intelligent application of educational knowledge graph from the perspective of artificial intelligence

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200724

RJ01 Rejection of invention patent application after publication