CN111445362A - 一种以学习者为中心的自适应学习系统 - Google Patents
一种以学习者为中心的自适应学习系统 Download PDFInfo
- Publication number
- CN111445362A CN111445362A CN202010208251.4A CN202010208251A CN111445362A CN 111445362 A CN111445362 A CN 111445362A CN 202010208251 A CN202010208251 A CN 202010208251A CN 111445362 A CN111445362 A CN 111445362A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- learning
- learner
- model
- adaptive
- 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.)
- Withdrawn
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 96
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 26
- 230000001149 cognitive effect Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 230000006698 induction Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 230000019771 cognition Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000005065 mining Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
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)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自适应学习技术领域，公开了一种以学习者为中心的自适应学习系统，包括：基础设施支持层，数据资源层，核心业务层，可视化呈现层；基础设施支持层，为系统提供开发及运行的环境，计算和存储的资源，以及数据采集接口；数据资源层，为自适应学习核心业务提供数据支持及数据归档管理服务；核心业务层，实现自适应学习的核心业务；可视化呈现层，为系统提供输入接口和输出呈现，为用户提供自适应教学数据检索及操作的可视化接口服务，以及为系统的管理提供运维管理服务接口。有利于帮助学生构建系统的知识结构，提高学习效率；为教师提供教学数据服务及教学参与手段；为学习内容服务商提供领域知识模型的自动生成及数字资产转化服务。
Description
技术领域
本发明涉及自适应学习技术领域，更具体地说，它涉及一种以学习者为中心的自适应学习系统。
背景技术
自适应学习旨在为不同学习者提供适应性的学习内容和学习路径，达到个性化学习的目的。美国匹兹堡大学信息科学家Peter Brusilovsky于1996年首次提出自适应学习概念，并提出了一个自适应学习系统的通用模型，该模型主要包括领域知识模型、学习者模型、教学模型、自适应引擎及接口模型。
通过对国内外研究现状及自适应产品的调研及分析，总结出以下几点在现有技术中自适应学习研究中存在的不足：(1)领域知识模型搭建多基于学校的课程大纲和专家的教学经验，属于静态模型，忽略了知识间的关联性、动态发展特性和学生对领域模型的反向影响；(2)学习者模型的搭建过程中，对于学习风格及认知水平的获取大多数采用专业量表及测试成绩进行表征，未考虑学习者在学习过程中通过与系统的动态交互而体现的动态个性特征；(3)教学模型中对学习路径的匹配与推荐规则多基于教师教学经验，这些规则步骤的设计耗时多、投入大、且只考虑学生单方面因素对规则的影响，忽略知识自身特性对系统推荐性能的影响；(4)自适应引擎不能实现真正的“自适应”，比如，无法支持可修改的、开放性领域知识模型的搭建；无法支持多学科系统中用户模型的共享；无法支持教学模型的学科自适应性；(5)目前国内关于自适应学习系统的研究大多停留在理论层面上，成熟、可商用的自适应学习系统研究及开放仍然处于初级阶段。
发明内容
针对上述问题，本发明的目的在于提供一种以学习者为中心的自适应学习系统。
本发明的系统是一种基于云计算架构，以学习者为中心的自适应学习系统，尤其适用于(kindergarten through twelfth grade，学前教育至高中教育)教育领域。
本发明利用云计算可弹性获取的计算能力和存储能力支撑上层“以学习者为中心”的自适应学习平台，并为用户提供统一标准的，人性化开放访问门户，支持学习者、教师及学习内容服务商等三种身份用户通过多种访问终端登录，分别获取自适应学习服务、教学数据获取、教学参与服务，以及领域知识转化服务等。系统旨在为学生提供线上虚拟学习环境、适应性学习内容和学习路径，帮助学生构建系统的知识结构，提高学习效率；为教师提供教学数据服务及教学参与手段；为学习内容服务商提供领域知识模型的自动生成及数字资产转化服务。具体功能包括：
(1)满足学生线上学习所需的条件，包括虚拟学习环境、学习内容及学习规则等，提供较强的系统交互性，具备线上学习、查看信息和资源管理的功能。
(2)具备学习活动数据自动采集、分析、处理和存储功能；学习者数据采集涵盖个人信息、学习风格、学习力、学科知识状态、学习行为等个性特征。
(3)具备自动构建和动态更新学生模型和领域知识模型的功能，以及针对学生的个性特征和领域知识特点，完成学习路径和内容推荐的功能。
(4)具备自适应内容、自适应知识导航、自适应学习路径，及自适应测试等人性化自适应界面呈现功能。
(5)支持第三方内容服务商的知识资源接入，具备基于学科知识数据自动建立领域知识模型知识图谱的功能。
本发明以语义网技术、知识图谱技术、项目反应理论、多元智能理论、人工智能技术等心理学、教育学及信息学理论及技术为基础，参照美国匹兹堡大学Brusilovsky教授所提出的自适应教育超媒体通用模型，实现针对k12教育的自适应学习系统云服务平台。该平台通过对k12阶段学习者个性化数据及其学习行为数据的实时在线采集及深度挖掘分析，建立以学习者为中心的线上个性化虚拟教学环境，为其提供精准推送的定制化教学服务；并通过领域知识模型的自动生成技术，为学习内容服务商提供开放式数字资产转化服务。旨在打破传统教学模式下学科数字资源、优秀教师及教学资源的共享壁垒，实现差异化教学、个性化学习、智能化服务的新型教学体系。为我国构建以学习者为中心的全新教育生态，促进教育公平、提高教育质量做出理论及实践探索，助力教育服务供给模式升级。
本发明是以下技术方案得以实现的：
以云计算架构为基础，利用云计算可弹性获取的计算能力和存储能力支撑上层“以学习者为中心的自适应学习平台”，并为用户提供统一标准的、人性化开放访问门户，支持学习者、教师及学习内容服务商等三种身份用户通过移动或有线访问终端登录，分别获取自适应学习服务，教学数据获取/教学参与服务，以及领域知识转化服务等。系统旨在为学习者提供适应性学习内容和学习路径，帮助学习者构建系统的知识结构，提高学习效率；为教师提供教学数据服务及教学参与手段；为学习内容服务商提供领域知识模型自动生成及数字资产转化服务。
一种以学习者为中心的自适应学习系统，包括：基础设施支持层，数据资源层，核心业务层，可视化呈现层；
所述基础设施支持层，用于为所述系统提供开发及运行的环境，计算和存储的资源，以及数据采集接口；
所述数据资源层，用于为自适应学习核心业务提供数据支持及数据归档管理服务，存储包括学习者画像，学科知识图谱，教学模型，试题库，试卷库，在线课程库，成绩分析，学习日志，学习路径在内的信息；
所述核心业务层，用于实现自适应学习的核心业务；
所述可视化呈现层，用于为所述系统提供输入接口和输出呈现，为用户提供自适应教学数据检索及操作的可视化接口服务，以及为所述系统的管理提供运维管理服务接口。
进一步地，在所述基础设施支持层中：
所述开发及运行的环境具体为包括基于Paas平台的可扩展开发环境，托管服务环境，服务管理环境在内的环境；
所述计算和存储的资源，具体为，弹性可扩展的，按需应用的计算和存储资源；
所述数据采集接口，具体为，为所述系统的所述核心业务层中模型的建立提供数据采集接口。
进一步地，所述核心业务层，包括：领域知识模型，学习者模型，教学模型，自适应测评，自适应引擎和自适应呈现模型；以所述自适应引擎为数据交互的枢纽和驱动，自动创建所述领域知识模型，动态生成所述学习者模型，自适应决策和调整所述教学模型，同时向所述可视化呈现层提供包括学习内容，学习者状态，学习路径在内的自适应接口；
所述领域知识模型，采用知识图谱表征学科领域的知识结构，描述所述学科领域涉及的知识单元、知识点、学习对象、所述知识单元之间的关联关系、所述知识单元与所述知识点之间的关联关系、所述知识点之间的关联关系、所述知识点与所述学习对象之间的关联；
所述学习者模型，完成包括学生基本信息、学习风格、学习力在内的学习者静态数据的采集，建立所述学习者的初始模型；跟踪收集学习过程中包括所述学习者与所述系统的交互，学习路径，绩效行为和学习历史记录在内的信息；实时更新所述学习者的知识状态，兴趣偏好，学习力；
所述教学模型，用于对所述学习者模型的更新、学习内容的呈现和系统反馈进行决策；计算学习路径达成度，依据所述学习者当前的知识水平和学习行为数据，为所述学习者规划后续的学习路径；
所述自适应测评，用于依据所述学习者模型中所述学习者的个人能力及所述教学模型中所述学习者的学习路径，从自适应题库中选取难度相当的题目对所述学习者进行学习效果的评估；
所述自适应引擎，用于所述领域知识模型、所述学习者模型、所述教学模型、所述自适应测评和所述自适应呈现模块之间数据通信枢纽；
所述自适应呈现模型，用于提供给系统根据所述学习者模型、所述领域知识模型、所述教学模型通过所述自适应引擎实现内容显示、导航、学习活动序列和测试界面的适应性显示。
进一步地，在所述自适应呈现模型的适应性显示中，
所述内容显示，具体为，系统根据所述学习者的所述学习风格呈现出不同媒体类型、事实、抽象的学习内容；
所述导航，具体为，系统根据所述学习风格、认知水平和兴趣爱好以树形结构呈现课程知识体系和所述学习者的知识概念图；
所述学习活动序列，具体为，系统根据所述学习者的所述学习风格呈现个性化学习序列界面；
所述测试界面，具体为，根据所述自适应测评生成的测试题呈现不同风格的界面。
在一种实施例中，所述领域知识模型，采用知识图谱表征学科领域的知识结构，具体的构建步骤为：
S311：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象在内的元素实体；
S312：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量；
S313：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实体联系起来，最终形成网状的知识图谱；
S314：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。
进一步地，在步骤S312中，所述生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量，还包括步骤：
S3121：选取知识点集合N，针对所述知识点集合中每一个所述知识点n(n∈N)，选取学习过该所述知识点的s个学生的学习力向量Xi＝(x1,x2,…,x8),(1≤i≤s)中的学习力属性，其中所述学习力属性包括观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力在内的特征属性；以所述学习力属性中的每一个所述特征属性xj(1≤j≤8)以及该学生对该所述知识点的测试成绩等级Gi(1≤i≤s)为输入，作为分类标签，建立随机森林模型，所述随机森林模型中决策树个数记为t，其中Gi∈{0，1}，用以表示“未掌握，掌握”；
S3122：计算所述特征属性xj(1≤j≤8)对所述知识点学习成绩的贡献度VIMj，具体如下:
S31221：对所述随机森林模型中含有特征xj的决策树Ti(1≤i≤t)，计算基于gini指数(公式1)的平均不纯度，对特征xj在Ti中的重要性
进行评估(公式2～公式3)：
其中，k为Ti中因特征xj而分支的结点m中数据的分类类别，Pmk为结点m中类别k所占的比例；
其中，
为节点m分枝前后Gini指数的变化，表示特征xj在节点m的重要性；
其中，M为特征xj在决策树Ti中出现的结点集合，
表示特征xj在决策树Ti中的重要性；
S31222：对所述特征属性xj在整个所述随机森林模型中的重要性
进行评估(公式4)：
S3123：计算作为样本的所述知识点n的属性向量Pn＝(p1,p2,…,p8)，具体如下:
S31231：对任一所述特征属性Xj在所述随机森林模型中重要性评分进行归一化处理：
S31232：将VIMj(1≤j≤8)作为所述知识点n∈N的属性向量Pn＝(p1,p2,…,p8)，写入n的属性集:
pj＝VIMj(1≤j≤8)
S3124：计算任一新的所述知识点q的属性向量Pq＝(pq1,pq2,…,pq8)，具体如下：
将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点q与最近分类中心点的所述知识点r(Pr＝(pr1,pr2,…,pr8))的欧式距离d，则所述知识点q的属性向量计算方式为：
在一种实施例中，所述学习者模型，具体的构建步骤为：
S321：确定所述学习者模型的自适应源，所述自适应源包括学生的基础信息、学习风格、学习力和知识状态，其中，所述基础信息、所述学习风格和所述学习力用于构建静态学习模型，所述知识状态通过包括学习行为、认知水平和学习路径在内的所述学习者与所述系统的交互数据进行所述学习者模型的动态更新；
S322：评估所述学习者的认知水平，同时利用所述学习者的前测数据对知识点知识水平进行初始值设置；
S323：将所述学习者模型中课程知识状态以思维导图的形式呈现出来，并且融入所述学习者在课程中各章、节及知识点的学习进展。
进一步地，在步骤S322中，所述评估所述学习者的认知水平，同时利用
所述学习者的前测数据对知识点知识水平进行初始值设置，还包括步骤：
S3221：判断所述学习者是否为首次学习当前知识点；若是执行步骤S3222；否则，执行步骤S3223；
S3222：选择分布在不同难度区间的测试题对所述学习者进行测试，并且采用包括CTT经典测评理论在的测评理论对所述学习者的测试结果进行计算，并且将计算结果作为所述知识点知识水平的初始值，其中所述知识点知识水平采用包括Rasch模型在内的心理学统计模型；
S3223：选择与所述学习者的所述知识点知识水平相匹配的测试题对所述学习者进行测试，并且通过包括牛顿-拉夫逊迭代法在内的算法对所述学习者的测试结果进行计算，实现对所述知识点知识水平的估计，通过所述教学模型反馈所述知识点知识水平的等级变化结果；
S3224：判断是否终止所述学习者对所述知识点知识水平的估计；若是执行步骤S3225；否则，执行步骤S3223；
S3225：获取所述学习者的所述知识点知识水平。
在一种实施例中，所述教学模型，为所述学习者规划后续的学习路径，具体的学习路径规划步骤为：
S331：从领域知识库中选取待推荐单元知识点群，所述单元知识点群包括若干个单元知识点，且所述若干个单元知识点以知识图谱拓扑结构存储；
S332：基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中；
S333：将所述推荐队列中的各所述知识点形成所述待推荐单元知识点群的学习推荐路径。
进一步地，在步骤S332中，所述基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中，还包括步骤：
S3321：基于领域知识模型中知识点群的知识图谱拓扑结构选取符合要求的入度为零的所述知识点作为第一个所述元知识点存储于所述推荐队列中；
S3322：判断所述推荐队列中所述元知识点的直接后继结点集合是否为空；
若为空，转步骤S3325，若不为空转步骤S3323；
S3323：获取所述直接后继结点集合中所述知识点贡献度最大的所述知识点，所述知识点贡献度为所述知识点在所述领域知识库的所述知识图谱拓扑结构中出度与入度的比值，其中，所述入度，为所述知识点的一阶前驱知识点集合；所述出度，为所述知识点的一阶后继知识点集合；
S3324：通过D-S证据理论判断所述知识点是否可达，具体为：
若可达，将所述知识点加入到所述推荐队列中，并设置为新的元知识点转步骤S3322；
若不可达，从所述直接后继结点集合中删除所述知识点，转步骤S3322；
其中，判断所述知识点学习是否可达，具体为：
通过所述学习者模型中的学习风格、学习力和知识水平，形成用于所述知识点达成度的预测的学习风格向量、学习力向量和知识水平特征值；
所述领域知识模型，包括学习对象向量，知识点特征向量和前序知识点列表；
所述学习风格向量与所述学习对象向量，生成学习风格匹配度证据；所述学习力向量与所述知识点特征向量，生成知识点擅长度证据；所述知识水平特征值与所述前序知识点列表，生成前序知识点认知度证据；基于D-S证据理论，对所述学习风格匹配度证据，所述知识点擅长度证据和所述前序知识点认知度证据进行融合，计算出所述知识点达成度；
S3325：形成所述推荐队列，用于后续学习路径的推荐。
与现有技术相比，本发明的有益效果是：
(1)提出了融合多元智能理论的自适应学习系统知识图谱构建技术。本研究将多元智能理论中用来描述学习者学习能力的八维属性加入领域模型知识图谱的实体属性集，在知识图谱构建过程中，基于学生学习行为大数据，采用随机森林模型，为知识点赋予针对观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力的八维属性值，用以表示该知识点学习所需具备的学习能力及对各维度学习能力的要求。该方案为系统在基于知识图谱及学习者模型的自适应学习路径推荐中计算知识点达成度时提供更准确的依据。
(2)提出了基于D-S证据理论的个性化学习路径推荐技术。本研究通过采集用户模型中自定义的学习力特征向量、知识点认知水平特征值、学习风格特征向量，以及领域知识模型中的知识点学习力需求特征向量、知识图谱拓扑结构、知识点关联的学习对象特征向量，分别匹配转换成三维异构证据，采用D-S证据理论对体现学习者知识水平、学习风格及学习力的三维异构证据进行融合，以达到预测学习者对某知识点学习效果，即知识点达成度的目的，从而基于知识点贡献度及预期达成度进行自适应学习路径规划。该方案能够更好地针对k12教学目标的特点，实现兼顾学习效能及学习能力的自适应，能更有效地帮助学生在短期内提高学习成绩。
(3)设计了国内第一款具有开放型自适应学习引擎，实现PaaS服务模式的自适应教学服务平台。本系统方案中的自适应学习引擎是领域知识模型、学习者模型、教学模型、自适应测评和自适应呈现模块之间的数据通信桥梁，可通过界面接口模块将来自第三方数字内容提供方上传的学科知识传递给领域知识模型，由其自动完成本学科知识图谱的生成及更新，并将学习者模型和领域知识模型中提取的相关特征向量传递给教学模型，由其生成自适应学习内容及路径，反馈推送给界面模块。该方案对新学科知识接入及自动生成的支持，可改变目前国内自适应学习系统中领域知识模型的生成对人工标注的依赖，可大大降低新学科知识领域模型生成成本，并将自适应学习系统从SaaS服务(Software-as-a-Service，软件即服务)模式推向PaaS服务(Platform-as-a-Service：平台即服务)模式，实现了商业模式的创新。
附图说明
图1为本发明一种以学习者为中心的自适应学习系统的整体结构示意图；
图2为本发明一种以学习者为中心的自适应学习系统的技术路线的结构图；
图3为以初中数学学科为例，数学学科所包含的领域知识元素及其层级关系示意图；
图4为以华东师范大学编写的初中数学七年级上学期课程为例，课程所包含的章、节、知识点形成的自上而下的层级关系的示意图；
图5为领域知识模型建立规范示意图；
图6为对知识点知识水平估计的流程图；
图7为自适应学习的学习路径推荐的流程图；
图8为知识点学习达成度预测模型示意图。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
实施例一
如图1所示，本实施例提供一种以学习者为中心的自适应学习系统，其特征在于，包括：基础设施支持层1，数据资源层2，核心业务层3，可视化呈现层4；
所述基础设施支持层1，用于为所述系统提供开发及运行的环境，计算和存储的资源，以及数据采集接口；
其中，所述开发及运行的环境具体为包括基于Paas平台的可扩展开发环境，托管服务环境，服务管理环境在内的环境；所述计算和存储的资源，具体为，弹性可扩展的，按需应用的计算和存储资源；所述数据采集接口，具体为，为所述系统的所述核心业务层中模型的建立提供数据采集接口。
所述数据资源层2，用于为自适应学习核心业务提供数据支持及数据归档管理服务，供数据支持及数据归档管理服务，存储包括学习者画像，学科知识图谱，教学模型，试题库，试卷库，在线课程库，成绩分析，学习日志，学习路径在内的信息；
所述核心业务层3，该层为自适应教学核心业务的实现层，主要用于实现自适应学习的核心业务，包括：领域知识模型31，学习者模型32，教学模型33，自适应测评34，自适应引擎35和自适应呈现模型36等模块；以所述自适应引擎为数据交互的枢纽和驱动，自动创建所述领域知识模型，动态生成所述学习者模型，自适应决策和调整所述教学模型，同时向所述可视化呈现层提供包括学习内容，学习者状态，学习路径在内的自适应接口。
所述领域知识模型31，采用知识图谱表征学科领域的知识结构，描述所述学科领域涉及的知识单元、知识点、学习对象、所述知识单元之间的关联关系、所述知识单元与所述知识点之间的关联关系、所述知识点之间的关联关系、所述知识点与所述学习对象之间的关联关系；依据领域知识模型结构图和领域知识元素属性设置情况，从学科、课程和学习对象三部分出发，完成知识图谱的搭建和动态更新、知识数据库的存储，为自适应引擎模块进行知识数据调用提供数据支持等内容。
所述学习者模型32，完成包括学生基本信息、学习风格、学习力在内的学习者静态数据的采集，建立所述学习者的初始模型；跟踪收集学习过程中包括所述学习者与所述系统的交互，学习路径，绩效行为和学习历史记录在内的信息；采用覆盖建模技术和数据驱动技术对学习者知识状态、兴趣偏好、学习力进行诊断、实时跟踪及更新，为实现学习对象和学习内容的适应性呈现提供依据。
所述教学模型33，用于对所述学习者模型的更新、学习内容的呈现和系统反馈进行决策；通过的调用学生模型和领域知识模型的相关数据，计算学习路径达成度，依据所述学习者当前的知识水平和学习行为数据，为所述学习者规划后续的学习路径，并依次为学习者推荐合适的知识点、学习对象、回顾的学习对象等。
所述自适应测评34，用于基于项目反应理论，依据所述学习者模型中所述学习者的个人能力及所述教学模型中所述学习者的学习路径，从自适应题库中选取难度相当的题目对所述学习者进行学习效果的评估，此评估结果将作为学习者模型中个性化数据初始化及动态更新的依据。
所述自适应引擎35，用于所述领域知识模型、所述学习者模型、所述教学模型、所述自适应测评和所述自适应呈现模块之间数据通信枢纽，将来自界面模块的用户与系统的交互信息传递给学习者模型和教学模型，同时从学习者模型和领域知识模型提取相关信息，结合教学模型中相应规则，将要呈现的学习内容及系统反馈推送给界面模块。
所述自适应呈现模型36，用于提供给系统根据所述学习者模型、所述领域知识模型、所述教学模型通过所述自适应引擎实现内容显示、导航、学习活动序列和测试界面的适应性显示。其中，所述内容显示，具体为，系统根据所述学习者的所述学习风格呈现出不同媒体类型、事实、抽象的学习内容；所述导航，具体为，系统根据所述学习风格、认知水平和兴趣爱好以树形结构呈现课程知识体系和所述学习者的知识概念图；所述学习活动序列，具体为，系统根据所述学习者的所述学习风格呈现个性化学习序列界面；所述测试界面，具体为，根据所述自适应测评生成的测试题呈现不同风格的界面。
所述可视化呈现层4，用于为所述系统提供输入接口和输出呈现，是学习者，教师及知识提供商与系统的交互媒介，通过包括web网站，移动APP在内的形式为用户提供自适应教学数据检索及操作的可视化接口服务，以及为所述系统的平台管理人员的管理提供运维管理服务接口。
实施例二
如图2所示，基于实施例一中的系统，本实施例提供了本发明的技术路线的具体实施例。
本发明涉及以下几种关键技术：
(1)领域知识模型的知识图谱构建方法
领域知识模型，采用知识图谱表征学科领域的知识结构，具体的构建步骤为：
S311：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象在内的元素实体；学科由一级知识点、二级知识点和知识点三种领域知识元素构成，形成自上而下的层级关系。依据同一学科的不同教材，定义课程由章、节、知识点三个领域知识元素构成，同样形成自上而下的层级关系。学习对象是学习过程中进行学习任务和学习活动的支撑，学习对象以其丰富多样的类型向学习者呈现适合其个性特征的学习内容，学习对象的类型包括文本、视频、音频、图片、测验、测试题、样例、动画和示范、课件、教学案例、常见问题解答等，学习对象通过知识点关联到领域知识模型。以初中数学学科为例，数学学科所包含的领域知识元素及其层级关系如图3所示。以华东师范大学编写的初中数学七年级上学期课程为例，该课程所包含的章、节、知识点形成的自上而下的层级关系如图4所示。本实施例采用基于双向LSTM深度神经网络及条件随机场的实体识别方法实现知识实体提取，该方法对于文本数据集中的实体提取准确率与召回率均可达到95％以上。
S312：设定所述领域知识模型的元素的属性，在本实施例中为提高领域知识模型的学科通用性，本研究中基于中国教育部教育信息化技术标准委员会定义的学习对象元数据CELTS-3.1标准设定领域知识元素的属性，其参考规范如图5所示。特别的，本发明将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，利用集成学习技术为知识点赋予针对学习者观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力的一维属性向量P＝(p1,p2,...,p8)，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量。
生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量，还包括步骤：
S3121：选取知识点集合N，针对所述知识点集合中每一个所述知识点n(n∈N)，选取学习过该所述知识点的s个学生的学习力向量Xi＝(x1,x2,…,x8),(1≤i≤s)中的学习力属性，其中所述学习力属性包括观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力在内的特征属性；以所述学习力属性中的每一个所述特征属性xj(1≤j≤8)以及该学生对该所述知识点的测试成绩等级Gi(1≤i≤s)为输入，作为分类标签，建立随机森林模型，所述随机森林模型中决策树个数记为t，其中Gi∈{0，1}，用以表示“未掌握，掌握”；
S3122：计算所述特征属性xj(1≤j≤8)对所述知识点学习成绩的贡献度VIMj，具体如下:
S31221：对所述随机森林模型中含有特征xj的决策树Ti(1≤i≤t)，计算基于gini指数(公式1)的平均不纯度，对特征xj在Ti中的重要性
进行评估(公式2～公式3)：
其中，k为Ti中因特征xj而分支的结点m中数据的分类类别，Pmk为结点m中类别k所占的比例；
其中，
为节点m分枝前后Gini指数的变化，表示特征xj在节点m的重要性；
其中，M为特征xj在决策树Ti中出现的结点集合，
表示特征xj在决策树Ti中的重要性；
S31222：对所述特征属性xj在整个所述随机森林模型中的重要性
进行评估(公式4)：
S3123：计算作为样本的所述知识点n的属性向量Pn＝(p1,p2,…,p8)，具体如下:
S31231：对任一所述特征属性Xj在所述随机森林模型中重要性评分进行归一化处理：
S31232：将VIMj(1≤j≤8)作为所述知识点n∈N的属性向量Pn＝(p1,p2,…,p8)，写入n的属性集:
pj＝VIMj(1≤j≤8)
S3124：计算任一新的所述知识点q的属性向量Pq＝(pq1,pq2,…,pq8)，具体如下：
将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点q与最近分类中心点的所述知识点r(Pr＝(pr1,pr2,…,pr8))的欧式距离d，则所述知识点q的属性向量计算方式为：
S313：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实体联系起来，最终形成网状的知识图谱；
S314：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。
本发明中知识图谱的动态更新需要考虑资源管理和关联规则挖掘两种情况，其中资源管理由系统管理员或教师进行内容增添、删减和修改；关联规则的挖掘使用关联分析算法，基于实际学习者学习路径数据进行课程实体关系挖掘，从而实现知识图谱的动态更新。考虑到教学数据量大以及系统的实时性能，本系统采用FP-Growth算法实现。在相同实验环境下对8124条数据运用两种常用关联规则算法FP-Growth和Apriori进行计算的速度比较如下表所示，可知本系统选用的FP-Growth算法速度较快，效率更高。
| 算法名称 | 平均运行速度 |
| Apriori算法 | 0.65245983013s |
| FP-Growth算法 | 0.215206561911s |
(2)学习者模型的构建及可视化
为了提高学生数据的可移植性，方便不同系统间数据共享，同时确保学生数据的隐私、安全和完整，本系统遵循中国信息技术标准化技术委员会发布的《GB/T29805-2013信息技术学习、教育和培训学习者模型》标准完成模型搭建。
学习者模型，具体的构建步骤为：
S321：确定所述学习者模型的自适应源，所述自适应源包括学生的基础信息、学习风格、学习力和知识状态，其中，所述基础信息、所述学习风格和所述学习力用于构建静态学习模型，所述知识状态通过包括学习行为、认知水平和学习路径在内的所述学习者与所述系统的交互数据进行所述学习者模型的动态更新；
(i)基本信息：学习者注册的基本个人信息，与系统自适应性无关，包括ID、姓名、性别、年龄、年级、班级、ip所在地、E-mail等。
(ii)学习风格：学习风格是学习者持续一贯的带有个性特征的学习方式，是学习风格和学习倾向的总和，可能影响用户对于呈现内容的选择和学习路径的不同等。本系统采用所罗门学习风格测量量表预设学习风格类型，从信息加工、感知、输入、理解四个方面将学习风格分为4个组对8种类型：活跃型与沉思型、感悟型与直觉型、视觉型与言语型、序列型与综合型，并通过后期的数据挖掘对其进行修正。
(iii)学习力：学习力表征学习者对知识理解和掌握的能力。本系统根据霍华德·加德纳的多元智能理论，将认知能力概括为观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力等八类，并设置多元智能测试题对学习者模型设置学习力初始值。
(iv)知识状态：知识状态描述学习者在知识单元或知识点上的知识掌握情况，包括标识ID、对应领域模型中知识元素ID、知识水平、上位关系和下位关系，其中知识水平是知识状态的一个重要维度。
S322：评估所述学习者的认知水平，同时利用所述学习者的前测数据对知识点知识水平进行初始值设置；
如图6所示，本项目基于项目反应理论(IRT)中的Rasch模型实现对学习者认知水平的估计，并利用学习者的前测数据，采用基于CTT的难度和知识水平估计模型对知识点知识水平初始值设置进行优化，实现对知识点知识水平的更准确估计，具体步骤为：
S3221：判断所述学习者是否为首次学习当前知识点；若是执行步骤S3222；否则，执行步骤S3223；
S3222：选择分布在不同难度区间的测试题对所述学习者进行测试，并且采用包括CTT经典测评理论在的测评理论对所述学习者的测试结果进行计算，并且将计算结果作为所述知识点知识水平的初始值，其中所述知识点知识水平采用包括Rasch模型在内的心理学统计模型；
S3223：选择与所述学习者的所述知识点知识水平相匹配的测试题对所述学习者进行测试，并且通过包括牛顿-拉夫逊迭代法在内的算法对所述学习者的测试结果进行计算，实现对所述知识点知识水平的估计，通过所述教学模型反馈所述知识点知识水平的等级变化结果；
S3224：判断是否终止所述学习者对所述知识点知识水平的估计；若是执行步骤S3225；否则，执行步骤S3223；
S3225：获取所述学习者的所述知识点知识水平。
S323：将所述学习者模型中课程知识状态以思维导图的形式呈现出来，在开源代码JSMind的基础上，对思维导图的界面和界面特性进行改进，并且融入所述学习者在课程中各章、节及知识点的学习进展。有利于帮助学习者了解自己的知识状态，树立新的知识目标，便于学习者掌握个人学习状态。
(3)基于D-S证据理论的个性化学习路径推荐
如图7所示，学习路径推荐是自适应学习系统实现个性化学习的关键部分，主要基于学生模型中的学习者特征值与领域模型的知识结构信息及知识点特征值进行学习路径和学习内容的自适应匹配和推荐。本系统对学习路径的推荐考虑知识图谱中知识点的贡献度及学生完成度两个因素，将某个知识单元的知识图谱看作有向无环图，具体的步骤如下：
S331：从领域知识库中选取待推荐单元知识点群，所述单元知识点群包括若干个单元知识点，且所述若干个单元知识点以知识图谱拓扑结构存储；
S332：基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中；
基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中，还包括步骤：
S3321：基于领域知识模型中知识点群的知识图谱拓扑结构选取符合要求的入度为零的所述知识点作为第一个所述元知识点存储于所述推荐队列中；
S3322：判断所述推荐队列中所述元知识点的直接后继结点集合是否为空；
若为空，转步骤S3325，若不为空转步骤S3323；
S3323：获取所述直接后继结点集合中所述知识点贡献度最大的所述知识点，所述知识点贡献度为所述知识点在所述领域知识库的所述知识图谱拓扑结构中出度与入度的比值，其中，所述入度，为所述知识点的一阶前驱知识点集合；所述出度，为所述知识点的一阶后继知识点集合；
S3324：通过D-S证据理论判断所述知识点是否可达，具体为：
若可达，将所述知识点加入到所述推荐队列中，并设置为新的元知识点转步骤S3322；
若不可达，从所述直接后继结点集合中删除所述知识点，转步骤S3322；
其中，如图8所示，判断所述知识点学习是否可达，具体为：
通过所述学习者模型中的学习风格、学习力和知识水平，形成用于所述知识点达成度的预测的学习风格向量、学习力向量和知识水平特征值；
所述学习风格，采用所罗门学习风格测量量表预设所述学习风格类型，将所述学习风格划分为活跃型与沉思型、感悟型与直觉型、视觉型与言语型、序列型与综合型；
所述学习力，采用霍华德·加德纳的多元智能理论，将所述学习力概括为观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力和逻辑能力，并且建立多元智能测试题对所述学生模型设置所述学习力的初始值；
所述知识水平，通过认知诊断算法，对所述学生的所述知识水平进行评估；
所述领域知识模型，包括学习对象向量，知识点特征向量和前序知识点列表；
所述学习对象向量，为所述学习对象通过所述知识点关联到所述领域模型，并且根据所述学习对象的类型用(0,1)一维向量表示。
所述知识点特征向量，P＝(p1,p2,…,p8)为八元一维向量，其中各分量分别表示该所述知识点学习所需具备的不同维度的所述学习力的要求，具体为观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力；
所述学习风格向量与所述学习对象向量，生成学习风格匹配度证据；所述学习力向量与所述知识点特征向量，生成知识点擅长度证据；所述知识水平特征值与所述前序知识点列表，生成前序知识点认知度证据；基于D-S证据理论，对所述学习风格匹配度证据，所述知识点擅长度证据和所述前序知识点认知度证据进行融合，计算出所述知识点达成度；
S3325：形成所述推荐队列，用于后续学习路径的推荐。
S333：将所述推荐队列中的各所述知识点形成所述待推荐单元知识点群的学习推荐路径。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种以学习者为中心的自适应学习系统，其特征在于，包括：基础设施支持层(1)，数据资源层(2)，核心业务层(3)，可视化呈现层(4)；
所述基础设施支持层(1)，用于为所述系统提供开发及运行的环境，计算和存储的资源，以及数据采集接口；
所述数据资源层(2)，用于为自适应学习核心业务提供数据支持及数据归档管理服务，存储包括学习者画像，学科知识图谱，教学模型，试题库，试卷库，在线课程库，成绩分析，学习日志，学习路径在内的信息；
所述核心业务层(3)，用于实现自适应学习的核心业务；
所述可视化呈现层(4)，用于为所述系统提供输入接口和输出呈现，为用户提供自适应教学数据检索及操作的可视化接口服务，以及为所述系统的管理提供运维管理服务接口。
2.根据权利要求1所述的以学习者为中心的自适应学习系统，其特征在于，在所述基础设施支持层中：
所述开发及运行的环境具体为包括基于Paas平台的可扩展开发环境，托管服务环境，服务管理环境在内的环境；
所述计算和存储的资源，具体为，弹性可扩展的，按需应用的计算和存储资源；
所述数据采集接口，具体为，为所述系统的所述核心业务层中模型的建立提供数据采集接口。
3.根据权利要求1所述的以学习者为中心的自适应学习系统，其特征在于，所述核心业务层(3)，进一步包括：领域知识模型(31)，学习者模型(32)，教学模型(33)，自适应测评(34)，自适应引擎(35)和自适应呈现模型(36)；以所述自适应引擎为数据交互的枢纽和驱动，自动创建所述领域知识模型，动态生成所述学习者模型，自适应决策和调整所述教学模型，同时向所述可视化呈现层提供包括学习内容，学习者状态，学习路径在内的自适应接口；
所述领域知识模型(31)，采用知识图谱表征学科领域的知识结构，描述所述学科领域涉及的知识单元、知识点、学习对象、所述知识单元之间的关联关系、所述知识单元与所述知识点之间的关联关系、所述知识点之间的关联关系、所述知识点与所述学习对象之间的关联；
所述学习者模型(32)，完成包括学生基本信息、学习风格、学习力在内的学习者静态数据的采集，建立所述学习者的初始模型；跟踪收集学习过程中包括所述学习者与所述系统的交互，学习路径，绩效行为和学习历史记录在内的信息；实时更新所述学习者的知识状态，兴趣偏好，学习力；
所述教学模型(33)，用于对所述学习者模型的更新、学习内容的呈现和系统反馈进行决策；计算学习路径达成度，依据所述学习者当前的知识水平和学习行为数据，为所述学习者规划后续的学习路径；
所述自适应测评(34)，用于依据所述学习者模型中所述学习者的个人能力及所述教学模型中所述学习者的学习路径，从自适应题库中选取难度相当的题目对所述学习者进行学习效果的评估；
所述自适应引擎(35)，用于所述领域知识模型、所述学习者模型、所述教学模型、所述自适应测评和所述自适应呈现模块之间数据通信枢纽；
所述自适应呈现模型(36)，用于提供给系统根据所述学习者模型、所述领域知识模型、所述教学模型通过所述自适应引擎实现内容显示、导航、学习活动序列和测试界面的适应性显示。
4.根据权利要求3所述的以学习者为中心的自适应学习系统，其特征在于，在所述自适应呈现模型的适应性显示中，
所述内容显示，具体为，系统根据所述学习者的所述学习风格呈现出不同媒体类型、事实、抽象的学习内容；
所述导航，具体为，系统根据所述学习风格、认知水平和兴趣爱好以树形结构呈现课程知识体系和所述学习者的知识概念图；
所述学习活动序列，具体为，系统根据所述学习者的所述学习风格呈现个性化学习序列界面；
所述测试界面，具体为，根据所述自适应测评生成的测试题呈现不同风格的界面。
5.根据权利要求3所述的以学习者为中心的自适应学习系统，其特征在于，所述领域知识模型，采用知识图谱表征学科领域的知识结构，具体的构建步骤为：
S311：提取领域知识元素实体，构建领域知识模型，其中，所述领域知识元素实体包括学科，课程，学习对象在内的元素实体；
S312：设定所述领域知识模型的元素的属性，并且将多元智能理论中用于描述学习者学习能力的属性集成到所述领域知识模型中知识点的属性上，生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量；
S313：构建所述领域知识模型的元素之间的关系，对所述领域知识元素实体，提取出实体之间的关联关系，通过所述关联关系将所述领域知识元素实体联系起来，最终形成网状的知识图谱；
S314：根据包括所述知识点在内的知识资源的变化和所述关联关系的变化，针对所述网状的知识图谱进行动态的更新。
6.根据权利要求5所述的以学习者为中心的自适应学习系统，其特征在于，在步骤S312中，所述生成用于表述学习所述知识点所需具备的学习能力以及对各维度的学习能力的要求程度的属性向量，还包括步骤：
S3121：选取知识点集合N，针对所述知识点集合中每一个所述知识点n(n∈N)，选取学习过该所述知识点的s个学生的学习力向量Xi＝(x1,x2,…,x8),(1≤i≤s)中的学习力属性，其中所述学习力属性包括观察能力、抽象能力、归纳能力、记忆能力、分析能力、计算能力、想象能力及逻辑能力在内的特征属性；以所述学习力属性中的每一个所述特征属性xj(1≤j≤8)以及该学生对该所述知识点的测试成绩等级Gi(1≤i≤s)为输入，作为分类标签，建立随机森林模型，所述随机森林模型中决策树个数记为t，其中Gi∈{0，1}，用以表示“未掌握，掌握”；
S3122：计算所述特征属性xj(1≤j≤8)对所述知识点学习成绩的贡献度VIMj，具体如下:
S31221：对所述随机森林模型中含有特征xj的决策树Ti(1≤i≤t)，计算基于gini指数(公式1)的平均不纯度，对特征xj在Ti中的重要性
进行评估(公式2～公式3)：
其中，k为Ti中因特征xj而分支的结点m中数据的分类类别，Pmk为结点m中类别k所占的比例；
其中，
为节点m分枝前后Gini指数的变化，表示特征xj在节点m的重要性；
其中，M为特征xj在决策树Ti中出现的结点集合，
表示特征xj在决策树Ti中的重要性；
S31222：对所述特征属性xj在整个所述随机森林模型中的重要性
进行评估(公式4)：
S3123：计算作为样本的所述知识点n的属性向量Pn＝(p1,p2,…,p8)，具体如下:
S31231：对任一所述特征属性Xj在所述随机森林模型中重要性评分进行归一化处理：
S31232：将VIMj(1≤j≤8)作为所述知识点n∈N的属性向量Pn＝(p1,p2,…,p8)，写入n的属性集:
pj＝VIMj(1≤j≤8)
S3124：计算任一新的所述知识点q的属性向量Pq＝(pq1,pq2,…,pq8)，具体如下：
将所述知识点的学习内容特征、学习对象特征等作为知识点属性，对集合N中所有作为样本的所述知识点n做K-means聚类分析，计算所述知识点q与最近分类中心点的所述知识点r(Pr＝(pr1,pr2,…,pr8))的欧式距离d，则所述知识点q的属性向量计算方式为：
7.根据权利要求3所述的以学习者为中心的自适应学习系统，其特征在于，所述学习者模型，具体的构建步骤为：
S321：确定所述学习者模型的自适应源，所述自适应源包括学生的基础信息、学习风格、学习力和知识状态，其中，所述基础信息、所述学习风格和所述学习力用于构建静态学习模型，所述知识状态通过包括学习行为、认知水平和学习路径在内的所述学习者与所述系统的交互数据进行所述学习者模型的动态更新；
S322：评估所述学习者的认知水平，同时利用所述学习者的前测数据对知识点知识水平进行初始值设置；
S323：将所述学习者模型中课程知识状态以思维导图的形式呈现出来，并且融入所述学习者在课程中各章、节及知识点的学习进展。
8.根据权利要求7所述的以学习者为中心的自适应学习系统，其特征在于，在步骤S322中，所述评估所述学习者的认知水平，同时利用所述学习者的前测数据对知识点知识水平进行初始值设置，还包括步骤：
S3221：判断所述学习者是否为首次学习当前知识点；若是执行步骤S3222；否则，执行步骤S3223；
S3222：选择分布在不同难度区间的测试题对所述学习者进行测试，并且采用包括CTT经典测评理论在的测评理论对所述学习者的测试结果进行计算，并且将计算结果作为所述知识点知识水平的初始值，其中所述知识点知识水平采用包括Rasch模型在内的心理学统计模型；
S3223：选择与所述学习者的所述知识点知识水平相匹配的测试题对所述学习者进行测试，并且通过包括牛顿-拉夫逊迭代法在内的算法对所述学习者的测试结果进行计算，实现对所述知识点知识水平的估计，通过所述教学模型反馈所述知识点知识水平的等级变化结果；
S3224：判断是否终止所述学习者对所述知识点知识水平的估计；若是执行步骤S3225；否则，执行步骤S3223；
S3225：获取所述学习者的所述知识点知识水平。
9.根据权利要求3所述的以学习者为中心的自适应学习系统，其特征在于，所述教学模型，为所述学习者规划后续的学习路径，具体的学习路径规划步骤为：
S331：从领域知识库中选取待推荐单元知识点群，所述单元知识点群包括若干个单元知识点，且所述若干个单元知识点以知识图谱拓扑结构存储；
S332：基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中；
S333：将所述推荐队列中的各所述知识点形成所述待推荐单元知识点群的学习推荐路径。
10.根据权利要求9所述的以学习者为中心的自适应学习系统，其特征在于，在步骤S332中，所述基于知识点贡献度和知识点学习可达度从所述单元知识点群中选取符合要求的知识点，并将选取的所述知识点按序存储于推荐队列中，还包括步骤：
S3321：基于领域知识模型中知识点群的知识图谱拓扑结构选取符合要求的入度为零的所述知识点作为第一个所述元知识点存储于所述推荐队列中；
S3322：判断所述推荐队列中所述元知识点的直接后继结点集合是否为空；
若为空，转步骤S3325，若不为空转步骤S3323；
S3323：获取所述直接后继结点集合中所述知识点贡献度最大的所述知识点，所述知识点贡献度为所述知识点在所述领域知识库的所述知识图谱拓扑结构中出度与入度的比值，其中，所述入度，为所述知识点的一阶前驱知识点集合；所述出度，为所述知识点的一阶后继知识点集合；
S3324：通过D-S证据理论判断所述知识点是否可达，具体为：
若可达，将所述知识点加入到所述推荐队列中，并设置为新的元知识点转步骤S3322；
若不可达，从所述直接后继结点集合中删除所述知识点，转步骤S3322；
其中，判断所述知识点学习是否可达，具体为：
通过所述学习者模型中的学习风格、学习力和知识水平，形成用于所述知识点达成度的预测的学习风格向量、学习力向量和知识水平特征值；
所述领域知识模型，包括学习对象向量，知识点特征向量和前序知识点列表；
所述学习风格向量与所述学习对象向量，生成学习风格匹配度证据；所述学习力向量与所述知识点特征向量，生成知识点擅长度证据；所述知识水平特征值与所述前序知识点列表，生成前序知识点认知度证据；基于D-S证据理论，对所述学习风格匹配度证据，所述知识点擅长度证据和所述前序知识点认知度证据进行融合，计算出所述知识点达成度；
S3325：形成所述推荐队列，用于后续学习路径的推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010208251.4A CN111445362A (zh) | 2020-03-23 | 2020-03-23 | 一种以学习者为中心的自适应学习系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010208251.4A CN111445362A (zh) | 2020-03-23 | 2020-03-23 | 一种以学习者为中心的自适应学习系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111445362A true CN111445362A (zh) | 2020-07-24 |
Family
ID=71650628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010208251.4A Withdrawn CN111445362A (zh) | 2020-03-23 | 2020-03-23 | 一种以学习者为中心的自适应学习系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111445362A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111816010A (zh) * | 2020-08-17 | 2020-10-23 | 上海智云智训教育科技有限公司 | 一种基于人工智能的职业教育自适应学习系统 |
| CN111861825A (zh) * | 2020-07-31 | 2020-10-30 | 嘉兴运达智能设备有限公司 | 一种轨道交通行业职业培训体系模型构建方法及系统 |
| CN112184511A (zh) * | 2020-10-19 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于大数据的在线职业教育个性化课程内容推送算法 |
| CN112633504A (zh) * | 2020-12-23 | 2021-04-09 | 北京工业大学 | 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法 |
| CN112926889A (zh) * | 2021-03-31 | 2021-06-08 | 创壹（上海）信息科技有限公司 | 一种学习能力评估系统及提升学习能力的方法 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN113434036A (zh) * | 2021-05-26 | 2021-09-24 | 上海慕知文化传媒有限公司 | Ar增强现实教材辅助系统 |
| CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
| CN113591988A (zh) * | 2021-07-30 | 2021-11-02 | 华中师范大学 | 知识认知结构分析方法、系统、计算机设备、介质、终端 |
| CN113963578A (zh) * | 2021-10-27 | 2022-01-21 | 北京科东电力控制系统有限责任公司 | 一种面向知识服务与技能演练的自适应培训系统及培训方法 |
| CN114628027A (zh) * | 2022-03-14 | 2022-06-14 | 四川大学华西医院 | 汉语儿童语法障碍临床筛查诊断自动评估平台及搭建方法 |
| CN117114104A (zh) * | 2023-10-24 | 2023-11-24 | 徐州医科大学 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
| CN117252461A (zh) * | 2023-08-29 | 2023-12-19 | 广州盈培教育科技有限公司 | 基于大数据的线上培训多模式教学方法及系统 |
| CN117726485A (zh) * | 2024-02-08 | 2024-03-19 | 湖南湘洋数字科技有限公司 | 一种基于大数据的智适应教育学习方法及系统 |
-
2020
- 2020-03-23 CN CN202010208251.4A patent/CN111445362A/zh not_active Withdrawn
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861825A (zh) * | 2020-07-31 | 2020-10-30 | 嘉兴运达智能设备有限公司 | 一种轨道交通行业职业培训体系模型构建方法及系统 |
| CN111816010A (zh) * | 2020-08-17 | 2020-10-23 | 上海智云智训教育科技有限公司 | 一种基于人工智能的职业教育自适应学习系统 |
| CN113409174A (zh) * | 2020-09-29 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 知识点测评方法和装置 |
| CN112184511A (zh) * | 2020-10-19 | 2021-01-05 | 中国人民解放军国防科技大学 | 基于大数据的在线职业教育个性化课程内容推送算法 |
| CN112633504A (zh) * | 2020-12-23 | 2021-04-09 | 北京工业大学 | 一种基于知识图谱的果树病虫害智慧云知识服务系统及方法 |
| CN112926889A (zh) * | 2021-03-31 | 2021-06-08 | 创壹（上海）信息科技有限公司 | 一种学习能力评估系统及提升学习能力的方法 |
| CN113434036B (zh) * | 2021-05-26 | 2024-02-20 | 上海慕知文化传媒有限公司 | Ar增强现实教材辅助系统 |
| CN113434036A (zh) * | 2021-05-26 | 2021-09-24 | 上海慕知文化传媒有限公司 | Ar增强现实教材辅助系统 |
| CN113516574A (zh) * | 2021-07-27 | 2021-10-19 | 北京爱学习博乐教育科技有限公司 | 基于大数据与深度学习的自适应学习系统及其构建方法 |
| CN113591988A (zh) * | 2021-07-30 | 2021-11-02 | 华中师范大学 | 知识认知结构分析方法、系统、计算机设备、介质、终端 |
| CN113591988B (zh) * | 2021-07-30 | 2023-08-29 | 华中师范大学 | 知识认知结构分析方法、系统、计算机设备、介质、终端 |
| CN113963578A (zh) * | 2021-10-27 | 2022-01-21 | 北京科东电力控制系统有限责任公司 | 一种面向知识服务与技能演练的自适应培训系统及培训方法 |
| CN114628027A (zh) * | 2022-03-14 | 2022-06-14 | 四川大学华西医院 | 汉语儿童语法障碍临床筛查诊断自动评估平台及搭建方法 |
| CN117252461A (zh) * | 2023-08-29 | 2023-12-19 | 广州盈培教育科技有限公司 | 基于大数据的线上培训多模式教学方法及系统 |
| CN117114104A (zh) * | 2023-10-24 | 2023-11-24 | 徐州医科大学 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
| CN117114104B (zh) * | 2023-10-24 | 2024-01-30 | 徐州医科大学 | 基于知识特征划分与多维测评的个性化知识图谱生成方法 |
| CN117726485A (zh) * | 2024-02-08 | 2024-03-19 | 湖南湘洋数字科技有限公司 | 一种基于大数据的智适应教育学习方法及系统 |
| CN117726485B (zh) * | 2024-02-08 | 2024-05-10 | 湖南湘洋数字科技有限公司 | 一种基于大数据的智适应教育学习方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111445362A (zh) | 一种以学习者为中心的自适应学习系统 | |
| CN110598770B (zh) | 一种多空间融合学习环境构建方法和装置 | |
| Liyanage et al. | Detecting learning styles in learning management systems using data mining | |
| Kotsiantis | Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades | |
| Dwivedi et al. | e‐Learning recommender system for a group of learners based on the unified learner profile approach | |
| CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
| US20190354887A1 (en) | Knowledge graph based learning content generation | |
| Fan et al. | Artificial intelligence-based creative thinking skill analysis model using human–computer interaction in art design teaching | |
| CN112016767A (zh) | 学习路线的动态规划方法及装置 | |
| KR20100123209A (ko) | 온라인 학습 평가 방법 및 그 장치, 그 기록 매체 | |
| Moreira et al. | Higher education disruption through IoT and Big Data: A conceptual approach | |
| Liu et al. | Collaborative learning team formation: a cognitive modeling perspective | |
| CN109754349A (zh) | 一种在线教育智能师生匹配系统 | |
| CN111428051A (zh) | 一种融合多元智能的自适应学习知识图谱构建方法及系统 | |
| CN117252047B (zh) | 基于数字孪生的教学信息处理方法及系统 | |
| Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
| Khare et al. | Educational data mining (EDM): Researching impact on online business education | |
| Peng | Research on online learning behavior analysis model in big data environment | |
| Kour et al. | Analysis of student performance using Machine learning Algorithms | |
| Alfaro et al. | Using Project-based learning in a Hybrid e-Learning system model | |
| KR101763390B1 (ko) | 문제풀이 과정을 계층별로 나누어 시각화시키는 추론과정 전개도 서비스 장치 및 방법 | |
| Bahel et al. | Knowledge discovery in educational databases in indian educational system: A case study of ghrce, nagpur | |
| Mamcenko et al. | On using learning analytics to personalise learning in virtual learning environments | |
| CN110084291A (zh) | 一种基于大数据极限学习的学生行为分析方法及装置 | |
| Jiang et al. | Research on individualized teaching based on big data mining |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200724 |
|
| WW01 | Invention patent application withdrawn after publication |