CN111583078A - 用于人工智能学习模式的标准课件生成系统与方法 - Google Patents

用于人工智能学习模式的标准课件生成系统与方法 Download PDF

Info

Publication number
CN111583078A
CN111583078A CN202010458265.1A CN202010458265A CN111583078A CN 111583078 A CN111583078 A CN 111583078A CN 202010458265 A CN202010458265 A CN 202010458265A CN 111583078 A CN111583078 A CN 111583078A
Authority
CN
China
Prior art keywords
knowledge
teaching
source data
courseware
learning
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
Application number
CN202010458265.1A
Other languages
English (en)
Other versions
CN111583078B (zh
Inventor
崔炜
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.)
Shanghai Yixue Education Technology Co Ltd
Original Assignee
Shanghai Yixue Education Technology 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 Shanghai Yixue Education Technology Co Ltd filed Critical Shanghai Yixue Education Technology Co Ltd
Priority to CN202010458265.1A priority Critical patent/CN111583078B/zh
Publication of CN111583078A publication Critical patent/CN111583078A/zh
Application granted granted Critical
Publication of CN111583078B publication Critical patent/CN111583078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了用于人工智能学习模式的标准课件生成系统与方法，该用于人工智能学习模式的标准课件生成系统与方法能够按照教学课程门类和教学课程进度对知识源数据进行加工处理，以此将该知识源数据进行模块化转换以生成若干可进行自由匹配组合的教学课件模块，最后再根据实际需求对该若干教学课件模块进行编辑组合，最终得到相应的标准课件，从而最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。

Description

用于人工智能学习模式的标准课件生成系统与方法
技术领域
本发明涉及人工智能学习的技术领域，特别涉及用于人工智能学习模式的标准课件生成系统与方法。
背景技术
目前，人工智能学习技术广泛应用于教育教学的领域中，而人工智能学习技术能够帮助教育教学相关人员进行相应辅助工作，这能够有效地提高教育教学的针对性和效率。在教育教学过程中，通常需要相应的课件来帮助提升教育教学质量，由于不同教学者的知识理解和教学水平并不相同，这导致不同教学者制作的教学课件也不仅相同，加上教学课件制作的前期需要投入相当的时间精力，这会降低教育教学的质量和效率。可见，现有技术的课件制作方式不仅不利于提高教育教学的质量和效率，也不利于实现教育教学资料的标准化。
发明内容
针对现有技术存在的缺陷，本发明提供用于人工智能学习模式的标准课件生成系统与方法，该用于人工智能学习模式的标准课件生成系统与方法通过根据人工智能学习场景的知识学习需求，获取相应的知识源数据，在根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类，以及将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块，最后根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件；可见，该用于人工智能学习模式的标准课件生成系统与方法能够按照教学课程门类和教学课程进度对知识源数据进行加工处理，以此将该知识源数据进行模块化转换以生成若干可进行自由匹配组合的教学课件模块，最后再根据实际需求对该若干教学课件模块进行编辑组合，最终得到相应的标准课件，从而最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。
本发明提供用于人工智能学习模式的标准课件生成系统，其特征在于，所述用于人工智能学习模式的标准课件生成系统包括知识源数据获取单元、知识源数据分类单元、教学课件模块生成单元和标准课件生成单元；其中，
所述知识源数据获取单元用于根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
所述知识源数据分类单元用于根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类；
所述教学课件模块生成单元用于将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
所述标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件；
进一步，所述知识源数据获取单元包括未学习知识数据确定子单元、知识学习需求确定子单元和知识源数据摘选子单元；其中，
所述未学习知识数据确定子单元用于根据所述人工智能学习场景对应的历史已学习知识数据和相应的知识图谱数据，确定未学习的知识数据；
所述知识学习需求确定子单元用于根据所述未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为所述知识学习需求；
所述知识源数据摘选子单元用于根据所述知识学习需求，从知识大数据库中摘选得到与之匹配的知识源数据；
进一步，所述知识源数据分类单元包括神经网络模型构建子单元、知识源数据预处理子单元和分类执行子单元；其中，
所述神经网络模型构建子单元用于根据所述教学课程门类和/或所述教学课程进度，构建一知识源数据识别神经网络模型；
所述知识源数据预处理子单元用于通过对所述知识源数据识别神经网络模型，计算每一个所述知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
所述分类执行子单元用于根据所述教学课程门类关联系数和/或所述教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果；
进一步，所述教学课件模块生成单元包括归类子单元、难度分级子单元、编辑子单元和排版子单元；其中，
所述归类子单元用于根据对所述知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
所述难度分级子单元用于根据所述知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
所述编辑子单元用于根据所述归类和所述难度分级的结果，对所述分类得到的知识源数据进行关于文字和/或图表的编辑；
所述排版子单元用于对所述编辑得到的文字化知识数据和/或图表化知识数据进行排版；
进一步，所述标准课件生成单元包括知识教授需求确定子单元、课件初稿生成子单元和课件初稿变更子单元；其中，
所述知识教授需求确定子单元用于获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定所述知识教授需求；
所述课件初稿生成子单元用于根据所述知识教授需求，从所述若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
所述课件初稿变更子单元用于对所述课件初稿进行文法检查与修正以及多媒体化转换，以此生成所述标准课件；
进一步，所述标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件，还包括根据所述知识源数据获取单元提取未学习的知识数据，并获取所述目标对象的知识学习需求信息，并获取所述目标对象综合学习能力信息，并根据所述知识学习需求信息和目标对象综合学习能力信息，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作，其具体实现步骤如下：
步骤A1，根据所述知识源数据获取单元，获取目标对象的学习记录，并结合各课程的全部知识点数据，通过预设条件自动筛选，获取所述目标对象未学习的知识数据信息；
步骤A2，将步骤A1获取的所述目标对象未学习的知识数据信息，通过下面公式(1)对应的增量迭代法确定相应的知识点摘要内容和最佳知识点学习顺序，获取所述目标对象的知识学习需求信息
Figure BDA0002510068240000041
在上述公式(1)中，log为对数函数，π为圆周率，N为所述教学课程的数量，M为教学课程各章节的编号值，Bn为所述教学课程的数量为n所对应的各知识点摘要内容信息，T为所述教学课程各章节的知识点时长，t为所述目标对象已学习教学课程各章节的时长，f(m)为所述各章节的具体知识点内容，
Figure BDA0002510068240000042
为各章节知识点学习顺序的排列种类，
Figure BDA0002510068240000043
为人工智能学习模式自动遍历各课程信息，并对各教学课程的知识点学习顺序进行随机排列的种类，
Figure BDA0002510068240000044
为获取各教学课程相应的知识点摘要内容信息，
Figure BDA0002510068240000045
为获取各教学课程的最佳知识点学习顺序信息，
Figure BDA0002510068240000046
为通过增量迭代法获取的所述目标对象的知识学习需求信息；
步骤A3，根据所述知识源数据获取单元获取的知识源信息，通过所述知识源数据识别神经网络模型和下面公式(2)，计算所述各知识源数据对应的教学课程门类关联系数及教学课程进度评判值，以获取所述目标对象综合学习能力信息
Figure BDA0002510068240000051
在上述公式(2)中，K为所述知识源数据关联教学课程的数量，
Figure BDA0002510068240000055
为所述知识源数据关联教学课程数量为K时，该知识源的学习进度信息，i为所述知识源数据中各教学课程的占比，xi为所述知识源数据中各教学课程的占比为i所对应的知识源难度等级，j为所述重要知识源数据的出现频次，yj为所述重要知识源数据的出现频次为j所对应的重点信息源离散分布值，s(xi)为不同知识源难度已完成学习进度信息，d(yj)为所述重点知识源分布概率，S(k|N)为通过数据识别神经网络提取不同教学课程中同类型知识源的数据，l(s(xi)，yj)为计算教学课程进度评判值，
Figure BDA0002510068240000052
为计算所述各知识源数据对应的教学课程门类关联系数，
Figure BDA0002510068240000053
为计算所述各知识源数据对应的教学课程进度评判值，P(xi,yj)为获取所述目标对象综合学习能力信息；
步骤A4，根据步骤A2获取的所述目标对象的知识学习需求信息与所述步骤A3获取的所述目标对象综合学习能力信息，通过标准课件生成单元进行最佳知识源数据排列，根据排列结果以及下面公式(3)，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作
Figure BDA0002510068240000054
在上述公式(3)中，H为新生成课件中各知识源数据的排列编号值，
Figure BDA0002510068240000056
为获取所述目标对象课程安排及实际学习进度信息，O(h)为通过标准课件生成单元进行最佳知识源数据排列，FIX(O(h))为所述生成的标准课件与所述目标对象综合学习能力拟合度，当FIX(O(h))为1，表示通过标准课件生成单元进行最佳知识源数据排列与所述目标对象综合学习能力信息拟合，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作。
本发明还提供用于人工智能学习模式的标准课件生成方法，其特征在于，所述用于人工智能学习模式的标准课件生成方法包括如下步骤：
步骤S1，根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
步骤S2，根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类；
步骤S3，将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
步骤S4，根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件；
进一步，在所述步骤S1中，根据人工智能学习场景的知识学习需求，获取相应的知识源数据具体包括，
步骤S101，获取所述人工智能学习场景对应的历史已学习知识数据，并结合相应的知识图谱数据，确定未学习的知识数据；
步骤S102，根据所述未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为所述知识学习需求；
步骤S103，根据所述知识学习需求，从知识大数据库中摘选与之匹配的知识源数据；
或者，
在所述步骤S2中，根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类具体包括，
步骤S201，根据所述教学课程门类和/或所述教学课程进度，构建一知识源数据识别神经网络模型；
步骤S202，基于对所述知识源数据识别神经网络模型，计算每一个所述知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
步骤S203，根据所述教学课程门类关联系数和/或所述教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果；
进一步，在所述步骤S3中，将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块具体包括，
步骤S301，根据对所述知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
步骤S302，根据所述知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
步骤S303，根据所述归类和所述难度分级的结果，对所述分类得到的知识源数据进行关于文字和/或图表的编辑，再对所述编辑得到的文字化知识数据和/或图表化知识数据进行排版；
进一步，在所述步骤S4中，根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件具体包括，
步骤S401，获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定所述知识教授需求；
步骤S402，根据所述知识教授需求，从所述若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
步骤S403，对所述课件初稿进行文法检查与修正以及多媒体化转换，以此生成所述标准课件。
相比于现有技术，该用于人工智能学习模式的标准课件生成系统与方法通过根据人工智能学习场景的知识学习需求，获取相应的知识源数据，在根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类，以及将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块，最后根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件；可见，该用于人工智能学习模式的标准课件生成系统与方法能够按照教学课程门类和教学课程进度对知识源数据进行加工处理，以此将该知识源数据进行模块化转换以生成若干可进行自由匹配组合的教学课件模块，最后再根据实际需求对该若干教学课件模块进行编辑组合，最终得到相应的标准课件，从而最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明提供的用于人工智能学习模式的标准课件生成系统与的结构示意图。
图2为本发明提供的用于人工智能学习模式的标准课件生成方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
参阅图1，为本发明实施例提供的用于人工智能学习模式的标准课件生成系统的结构示意图。该用于人工智能学习模式的标准课件生成系统包括知识源数据获取单元、知识源数据分类单元、教学课件模块生成单元和标准课件生成单元；其中，
该知识源数据获取单元用于根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
该知识源数据分类单元用于根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类；
该教学课件模块生成单元用于将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
该标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件。
该用于人工智能学习模式的标准课件生成系统通过知识源数据获取与分类加工以及教学课件模块生成与组合的处理操作，来生成标准课件，其可保证对知识源数据进行统一的和高效的处理转换，并且生成的若干教学课件模块能够重复用于后续不同类型标准课件的组合，这样能够省去花费大量人力物力去构建新课件的麻烦，同时也能够最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。
优选地，该知识源数据获取单元包括未学习知识数据确定子单元、知识学习需求确定子单元和知识源数据摘选子单元；其中，
该未学习知识数据确定子单元用于根据该人工智能学习场景对应的历史已学习知识数据和相应的知识图谱数据，确定未学习的知识数据；
该知识学习需求确定子单元用于根据该未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为该知识学习需求；
该知识源数据摘选子单元用于根据该知识学习需求，从知识大数据库中摘选得到与之匹配的知识源数据。
该知识源数据获取单元通过确定该未学习的知识数据能够有效地避免对同一知识数据的重复教学，以此最大限度地提高知识源数据的处理效率，此外，根据该知识源数据生成相应的知识学习需求能够保证后续对知识源数据进行处理的针对性和准确性。
优选地，该知识源数据分类单元包括神经网络模型构建子单元、知识源数据预处理子单元和分类执行子单元；其中，
该神经网络模型构建子单元用于根据该教学课程门类和/或该教学课程进度，构建一知识源数据识别神经网络模型；
该知识源数据预处理子单元用于通过对该知识源数据识别神经网络模型，计算每一个该知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
该分类执行子单元用于根据该教学课程门类关联系数和/或该教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果。
该知识源数据分类单元通过神经网络模型来对知识源数据进行知识内容和/或知识难度的分类处理能够保证分类结果的准确性和实效性。
优选地，该教学课件模块生成单元包括归类子单元、难度分级子单元、编辑子单元和排版子单元；其中，
该归类子单元用于根据对该知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
该难度分级子单元用于根据该知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
该编辑子单元用于根据该归类和该难度分级的结果，对该分类得到的知识源数据进行关于文字和/或图表的编辑；
该排版子单元用于对该编辑得到的文字化知识数据和/或图表化知识数据进行排版。
该教学课件模块生成单元通过对该知识源数据进行关于文字和/或图表的编辑能够改善生成的若干教学课件模块的呈现形式多样性，并且还对该若干教学课件模块进行排版，从而实现每一个教学课件模块的标准化转换。
优选地，该标准课件生成单元包括知识教授需求确定子单元、课件初稿生成子单元和课件初稿变更子单元；其中，
该知识教授需求确定子单元用于获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定该知识教授需求；
该课件初稿生成子单元用于根据该知识教授需求，从该若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
该课件初稿变更子单元用于对该课件初稿进行文法检查与修正以及多媒体化转换，以此生成该标准课件。
该标准课件生成单元通过对该课件出该进行文法检查与修正以及多媒体化转换的处理能够最大限度地保证该标准课件的正确性和质量可控性。
优选地，该标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件，还包括根据该知识源数据获取单元提取未学习的知识数据，并获取该目标对象的知识学习需求信息，并获取该目标对象综合学习能力信息，并根据该知识学习需求信息和目标对象综合学习能力信息，执行将该若干教学课件模块进行组合，生成相应的标准课件的操作，其具体实现步骤如下：
步骤A1，根据该知识源数据获取单元，获取目标对象的学习记录，并结合各课程的全部知识点数据，通过预设条件自动筛选，获取该目标对象未学习的知识数据信息；
步骤A2，将步骤A1获取的该目标对象未学习的知识数据信息，通过下面公式(1)对应的增量迭代法确定相应的知识点摘要内容和最佳知识点学习顺序，获取该目标对象的知识学习需求信息
Figure BDA0002510068240000111
在上述公式(1)中，log为对数函数，π为圆周率，N为该教学课程的数量，M为教学课程各章节的编号值，Bn为该教学课程的数量为n所对应的各知识点摘要内容信息，T为该教学课程各章节的知识点时长，t为该目标对象已学习教学课程各章节的时长，f(m)为该各章节的具体知识点内容，
Figure BDA0002510068240000121
为各章节知识点学习顺序的排列种类，
Figure BDA0002510068240000122
为人工智能学习模式自动遍历各课程信息，并对各教学课程的知识点学习顺序进行随机排列的种类，
Figure BDA0002510068240000123
为获取各教学课程相应的知识点摘要内容信息，
Figure BDA0002510068240000124
为获取各教学课程的最佳知识点学习顺序信息，
Figure BDA0002510068240000125
为通过增量迭代法获取的该目标对象的知识学习需求信息；
步骤A3，根据该知识源数据获取单元获取的知识源信息，通过该知识源数据识别神经网络模型和下面公式(2)，计算该各知识源数据对应的教学课程门类关联系数及教学课程进度评判值，以获取该目标对象综合学习能力信息
Figure BDA0002510068240000126
在上述公式(2)中，K为该知识源数据关联教学课程的数量，
Figure BDA0002510068240000127
为该知识源数据关联教学课程数量为K时，该知识源的学习进度信息，i为该知识源数据中各教学课程的占比，xi为该知识源数据中各教学课程的占比为i所对应的知识源难度等级，j为该重要知识源数据的出现频次，yj为该重要知识源数据的出现频次为j所对应的重点信息源离散分布值，s(xi)为不同知识源难度已完成学习进度信息，d(yj)为该重点知识源分布概率，S(k|N)为通过数据识别神经网络提取不同教学课程中同类型知识源的数据，l(s(xi)，yj)为计算教学课程进度评判值，
Figure BDA0002510068240000128
为计算该各知识源数据对应的教学课程门类关联系数，
Figure BDA0002510068240000129
为计算该各知识源数据对应的教学课程进度评判值，P(xi,yj)为获取该目标对象综合学习能力信息；
步骤A4，根据步骤A2获取的该目标对象的知识学习需求信息与该步骤A3获取的该目标对象综合学习能力信息，通过标准课件生成单元进行最佳知识源数据排列，根据排列结果以及下面公式(3)，执行将该若干教学课件模块进行组合，生成相应的标准课件的操作
Figure BDA0002510068240000131
在上述公式(3)中，H为新生成课件中各知识源数据的排列编号值，
Figure BDA0002510068240000132
为获取该目标对象课程安排及实际学习进度信息，O(h)为通过标准课件生成单元进行最佳知识源数据排列，FIX(O(h))为该生成的标准课件与该目标对象综合学习能力拟合度，当FIX(O(h))为1，表示通过标准课件生成单元进行最佳知识源数据排列与该目标对象综合学习能力信息拟合，执行将该若干教学课件模块进行组合，生成相应的标准课件的操作。
上述该标准课件生成单元通过教学课程门类和教学课程进度对知识源数据进行加工处理，并将知识源数据进行模块化转换以生成可自由匹配组合的教学课件模块，并可根据实际需求对教学课件模块进行编辑组合，最终得到相应的标准课件，通过对不同目标对象量身定制课件，从而最大限度地提高了教育教学的质量和效率，并实现教育教学资料的标准化。
参阅图2，为本发明实施例提供的用于人工智能学习模式的标准课件生成方法的流程示意图。该用于人工智能学习模式的标准课件生成方法包括如下步骤：
步骤S1，根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
步骤S2，根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类；
步骤S3，将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
步骤S4，根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件。
该用于人工智能学习模式的标准课件生成方法通过知识源数据获取与分类加工以及教学课件模块生成与组合的处理操作，来生成标准课件，其可保证对知识源数据进行统一的和高效的处理转换，并且生成的若干教学课件模块能够重复用于后续不同类型标准课件的组合，这样能够省去花费大量人力物力去构建新课件的麻烦，同时也能够最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。
优选地，在该步骤S1中，根据人工智能学习场景的知识学习需求，获取相应的知识源数据具体包括，
步骤S101，获取该人工智能学习场景对应的历史已学习知识数据，并结合相应的知识图谱数据，确定未学习的知识数据；
步骤S102，根据该未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为该知识学习需求；
步骤S103，根据该知识学习需求，从知识大数据库中摘选与之匹配的知识源数据。
通过确定该未学习的知识数据能够有效地避免对同一知识数据的重复教学，以此最大限度地提高知识源数据的处理效率，此外，根据该知识源数据生成相应的知识学习需求能够保证后续对知识源数据进行处理的针对性和准确性。
优选地，在该步骤S2中，根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类具体包括，
步骤S201，根据该教学课程门类和/或该教学课程进度，构建一知识源数据识别神经网络模型；
步骤S202，基于对该知识源数据识别神经网络模型，计算每一个该知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
步骤S203，根据该教学课程门类关联系数和/或该教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果。
通过神经网络模型来对知识源数据进行知识内容和/或知识难度的分类处理能够保证分类结果的准确性和实效性。
优选地，在该步骤S3中，将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块具体包括，
步骤S301，根据对该知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
步骤S302，根据该知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
步骤S303，根据该归类和该难度分级的结果，对该分类得到的知识源数据进行关于文字和/或图表的编辑，再对该编辑得到的文字化知识数据和/或图表化知识数据进行排版。
通过对该知识源数据进行关于文字和/或图表的编辑能够改善生成的若干教学课件模块的呈现形式多样性，并且还对该若干教学课件模块进行排版，从而实现每一个教学课件模块的标准化转换。
优选地，在该步骤S4中，根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件具体包括，
步骤S401，获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定该知识教授需求；
步骤S402，根据该知识教授需求，从该若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
步骤S403，对该课件初稿进行文法检查与修正以及多媒体化转换，以此生成该标准课件。
通过对该课件出该进行文法检查与修正以及多媒体化转换的处理能够最大限度地保证该标准课件的正确性和质量可控性。
从上述实施例的内容可知，该用于人工智能学习模式的标准课件生成系统与方法通过根据人工智能学习场景的知识学习需求，获取相应的知识源数据，在根据教学课程门类和/或教学课程进度，对该知识源数据进行关于知识内容和/或知识难度的分类，以及将经过该分类的知识源数据进行编辑与排版，以此生成若干教学课件模块，最后根据当前人工智能学习模式的知识教授需求，将至少部分该若干教学课件模块进行组合，以此生成相应的标准课件；可见，该用于人工智能学习模式的标准课件生成系统与方法能够按照教学课程门类和教学课程进度对知识源数据进行加工处理，以此将该知识源数据进行模块化转换以生成若干可进行自由匹配组合的教学课件模块，最后再根据实际需求对该若干教学课件模块进行编辑组合，最终得到相应的标准课件，从而最大限度地提高教育教学的质量和效率以及实现教育教学资料的标准化。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.用于人工智能学习模式的标准课件生成系统，其特征在于，所述用于人工智能学习模式的标准课件生成系统包括知识源数据获取单元、知识源数据分类单元、教学课件模块生成单元和标准课件生成单元；其中，
所述知识源数据获取单元用于根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
所述知识源数据分类单元用于根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类；
所述教学课件模块生成单元用于将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
所述标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件。
2.如权利要求1所述的用于人工智能学习模式的标准课件生成系统，其特征在于：
所述知识源数据获取单元包括未学习知识数据确定子单元、知识学习需求确定子单元和知识源数据摘选子单元；其中，
所述未学习知识数据确定子单元用于根据所述人工智能学习场景对应的历史已学习知识数据和相应的知识图谱数据，确定未学习的知识数据；
所述知识学习需求确定子单元用于根据所述未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为所述知识学习需求；
所述知识源数据摘选子单元用于根据所述知识学习需求，从知识大数据库中摘选得到与之匹配的知识源数据。
3.如权利要求1所述的用于人工智能学习模式的标准课件生成系统，其特征在于：
所述知识源数据分类单元包括神经网络模型构建子单元、知识源数据预处理子单元和分类执行子单元；其中，
所述神经网络模型构建子单元用于根据所述教学课程门类和/或所述教学课程进度，构建一知识源数据识别神经网络模型；
所述知识源数据预处理子单元用于通过对所述知识源数据识别神经网络模型，计算每一个所述知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
所述分类执行子单元用于根据所述教学课程门类关联系数和/或所述教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果。
4.如权利要求1所述的用于人工智能学习模式的标准课件生成系统，其特征在于：
所述教学课件模块生成单元包括归类子单元、难度分级子单元、编辑子单元和排版子单元；其中，
所述归类子单元用于根据对所述知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
所述难度分级子单元用于根据所述知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
所述编辑子单元用于根据所述归类和所述难度分级的结果，对所述分类得到的知识源数据进行关于文字和/或图表的编辑；
所述排版子单元用于对所述编辑得到的文字化知识数据和/或图表化知识数据进行排版。
5.如权利要求1所述的用于人工智能学习模式的标准课件生成系统，其特征在于：
所述标准课件生成单元包括知识教授需求确定子单元、课件初稿生成子单元和课件初稿变更子单元；其中，
所述知识教授需求确定子单元用于获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定所述知识教授需求；
所述课件初稿生成子单元用于根据所述知识教授需求，从所述若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
所述课件初稿变更子单元用于对所述课件初稿进行文法检查与修正以及多媒体化转换，以此生成所述标准课件。
6.如权利要求1所述的用于人工智能学习模式的标准课件生成系统，其特征在于：
所述标准课件生成单元用于根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件，还包括根据所述知识源数据获取单元提取未学习的知识数据，并获取所述目标对象的知识学习需求信息，并获取所述目标对象综合学习能力信息，并根据所述知识学习需求信息和目标对象综合学习能力信息，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作，其具体实现步骤如下：
步骤A1，根据所述知识源数据获取单元，获取目标对象的学习记录，并结合各课程的全部知识点数据，通过预设条件自动筛选，获取所述目标对象未学习的知识数据信息；
步骤A2，将步骤A1获取的所述目标对象未学习的知识数据信息，通过下面公式(1)对应的增量迭代法确定相应的知识点摘要内容和最佳知识点学习顺序，获取所述目标对象的知识学习需求信息
Figure FDA0002510068230000041
在上述公式(1)中，log为对数函数，π为圆周率，N为所述教学课程的数量，M为教学课程各章节的编号值，Bn为所述教学课程的数量为n所对应的各知识点摘要内容信息，T为所述教学课程各章节的知识点时长，t为所述目标对象已学习教学课程各章节的时长，f(m)为所述各章节的具体知识点内容，
Figure FDA0002510068230000042
为各章节知识点学习顺序的排列种类，
Figure FDA0002510068230000043
为人工智能学习模式自动遍历各课程信息，并对各教学课程的知识点学习顺序进行随机排列的种类，
Figure FDA0002510068230000044
为获取各教学课程相应的知识点摘要内容信息，
Figure FDA0002510068230000045
为获取各教学课程的最佳知识点学习顺序信息，
Figure FDA0002510068230000046
为通过增量迭代法获取的所述目标对象的知识学习需求信息；
步骤A3，根据所述知识源数据获取单元获取的知识源信息，通过所述知识源数据识别神经网络模型和下面公式(2)，计算所述各知识源数据对应的教学课程门类关联系数及教学课程进度评判值，以获取所述目标对象综合学习能力信息
Figure FDA0002510068230000047
在上述公式(2)中，K为所述知识源数据关联教学课程的数量，
Figure FDA0002510068230000048
为所述知识源数据关联教学课程数量为K时，该知识源的学习进度信息，i为所述知识源数据中各教学课程的占比，xi为所述知识源数据中各教学课程的占比为i所对应的知识源难度等级，j为所述重要知识源数据的出现频次，yj为所述重要知识源数据的出现频次为j所对应的重点信息源离散分布值，s(xi)为不同知识源难度已完成学习进度信息，d(yj)为所述重点知识源分布概率，S(k|N)为通过数据识别神经网络提取不同教学课程中同类型知识源的数据，l(s(xi)，yj)为计算教学课程进度评判值，
Figure FDA0002510068230000051
为计算所述各知识源数据对应的教学课程门类关联系数，
Figure FDA0002510068230000052
为计算所述各知识源数据对应的教学课程进度评判值，P(xi,yj)为获取所述目标对象综合学习能力信息；
步骤A4，根据步骤A2获取的所述目标对象的知识学习需求信息与所述步骤A3获取的所述目标对象综合学习能力信息，通过标准课件生成单元进行最佳知识源数据排列，根据排列结果以及下面公式(3)，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作
Figure FDA0002510068230000053
在上述公式(3)中，H为新生成课件中各知识源数据的排列编号值，
Figure FDA0002510068230000054
为获取所述目标对象课程安排及实际学习进度信息，O(h)为通过标准课件生成单元进行最佳知识源数据排列，FIX(O(h))为所述生成的标准课件与所述目标对象综合学习能力拟合度，当FIX(O(h))为1，表示通过标准课件生成单元进行最佳知识源数据排列与所述目标对象综合学习能力信息拟合，执行将所述若干教学课件模块进行组合，生成相应的标准课件的操作。
7.用于人工智能学习模式的标准课件生成方法，其特征在于，所述用于人工智能学习模式的标准课件生成方法包括如下步骤：
步骤S1，根据人工智能学习场景的知识学习需求，获取相应的知识源数据；
步骤S2，根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类；
步骤S3，将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块；
步骤S4，根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件。
8.如权利要求7所述的用于人工智能学习模式的标准课件生成方法，其特征在于：
在所述步骤S1中，根据人工智能学习场景的知识学习需求，获取相应的知识源数据具体包括，
步骤S101，获取所述人工智能学习场景对应的历史已学习知识数据，并结合相应的知识图谱数据，确定未学习的知识数据；
步骤S102，根据所述未学习的知识数据，确定相应的知识点摘要内容和/或知识点学习顺序，以此作为所述知识学习需求；
步骤S103，根据所述知识学习需求，从知识大数据库中摘选与之匹配的知识源数据。
或者，
在所述步骤S2中，根据教学课程门类和/或教学课程进度，对所述知识源数据进行关于知识内容和/或知识难度的分类具体包括，
步骤S201，根据所述教学课程门类和/或所述教学课程进度，构建一知识源数据识别神经网络模型；
步骤S202，基于对所述知识源数据识别神经网络模型，计算每一个所述知识源数据对应的教学课程门类关联系数和/或教学课程进度评判值；
步骤S203，根据所述教学课程门类关联系数和/或所述教学课程进度评判值，确定每一个知识源数据对应的知识内容分类结果和/或知识难度分类结果。
9.如权利要求7所述的用于人工智能学习模式的标准课件生成方法，其特征在于：
在所述步骤S3中，将经过所述分类的知识源数据进行编辑与排版，以此生成若干教学课件模块具体包括，
步骤S301，根据对所述知识源数据的知识内容分类结果，对属于同一知识点的知识源数据进行归类；
步骤S302，根据所述知识源数据的知识难度分类结果，对归类为同一知识点属下的知识源数据进行难度分级；
步骤S303，根据所述归类和所述难度分级的结果，对所述分类得到的知识源数据进行关于文字和/或图表的编辑，再对所述编辑得到的文字化知识数据和/或图表化知识数据进行排版。
10.如权利要求7所述的用于人工智能学习模式的标准课件生成方法，其特征在于：
在所述步骤S4中，根据当前人工智能学习模式的知识教授需求，将至少部分所述若干教学课件模块进行组合，以此生成相应的标准课件具体包括，
步骤S401，获取当前人工智能学习模式针对的目标对象学龄信息和/或文理科知识占比信息，以此确定所述知识教授需求；
步骤S402，根据所述知识教授需求，从所述若干教学课件模块中摘选至少一个教学课件模块进行组合，以此得到课件初稿；
步骤S403，对所述课件初稿进行文法检查与修正以及多媒体化转换，以此生成所述标准课件。
CN202010458265.1A 2020-05-27 2020-05-27 用于人工智能学习模式的标准课件生成系统与方法 Active CN111583078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010458265.1A CN111583078B (zh) 2020-05-27 2020-05-27 用于人工智能学习模式的标准课件生成系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010458265.1A CN111583078B (zh) 2020-05-27 2020-05-27 用于人工智能学习模式的标准课件生成系统与方法

Publications (2)

Publication Number Publication Date
CN111583078A true CN111583078A (zh) 2020-08-25
CN111583078B CN111583078B (zh) 2021-07-30

Family

ID=72114188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010458265.1A Active CN111583078B (zh) 2020-05-27 2020-05-27 用于人工智能学习模式的标准课件生成系统与方法

Country Status (1)

Country Link
CN (1) CN111583078B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015925A (zh) * 2020-08-27 2020-12-01 上海松鼠课堂人工智能科技有限公司 多媒体文件合并生成教学素材包的方法和系统
CN112017496A (zh) * 2020-08-30 2020-12-01 上海松鼠课堂人工智能科技有限公司 基于游戏化学习的学生计算能力分析方法
CN112052652A (zh) * 2020-09-08 2020-12-08 国家电网有限公司技术学院分公司 一种电子课件脚本自动生成方法及装置
CN112598547A (zh) * 2020-12-22 2021-04-02 作业帮教育科技（北京）有限公司 基于自动生产线的教育题目生成方法、装置和电子设备
CN114707471A (zh) * 2022-06-06 2022-07-05 浙江大学 基于超参数评估图算法的人工智能课件制作方法及装置
CN116932488A (zh) * 2023-09-15 2023-10-24 之江实验室 基于知识图谱的课件生成方法、装置、系统和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2433890A1 (en) * 2002-06-28 2003-12-28 Accenture Global Services Gmbh Business driven learning solution particularly suitable for sales-oriented organizations
CN102880932A (zh) * 2012-09-04 2013-01-16 北京邮电大学 一种网络课件系统及学习管理系统
CN104021149A (zh) * 2014-05-11 2014-09-03 合肥市艾塔器网络科技有限公司 基于元知识点的教学课件构建方法
CN104484840A (zh) * 2014-12-17 2015-04-01 天脉聚源（北京）教育科技有限公司 一种用于智慧教学系统的课件生成装置及其生成方法
US20160225278A1 (en) * 2015-01-31 2016-08-04 Usa Life Nutrition Llc Method and apparatus for incentivization of learning
CN110111223A (zh) * 2019-05-20 2019-08-09 上海乂学教育科技有限公司 基于人工智能的自适应教育方法和系统
CN111045585A (zh) * 2019-12-27 2020-04-21 北京爱论答科技有限公司 一种课件编辑方法及系统
CN111105656A (zh) * 2020-01-13 2020-05-05 北京爱论答科技有限公司 一种课件生成方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2433890A1 (en) * 2002-06-28 2003-12-28 Accenture Global Services Gmbh Business driven learning solution particularly suitable for sales-oriented organizations
CN102880932A (zh) * 2012-09-04 2013-01-16 北京邮电大学 一种网络课件系统及学习管理系统
CN104021149A (zh) * 2014-05-11 2014-09-03 合肥市艾塔器网络科技有限公司 基于元知识点的教学课件构建方法
CN104484840A (zh) * 2014-12-17 2015-04-01 天脉聚源（北京）教育科技有限公司 一种用于智慧教学系统的课件生成装置及其生成方法
US20160225278A1 (en) * 2015-01-31 2016-08-04 Usa Life Nutrition Llc Method and apparatus for incentivization of learning
CN110111223A (zh) * 2019-05-20 2019-08-09 上海乂学教育科技有限公司 基于人工智能的自适应教育方法和系统
CN111045585A (zh) * 2019-12-27 2020-04-21 北京爱论答科技有限公司 一种课件编辑方法及系统
CN111105656A (zh) * 2020-01-13 2020-05-05 北京爱论答科技有限公司 一种课件生成方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于永涛 等: "项目驱动、增量迭代纠错式C++教学方法", 《电脑与电信》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112015925A (zh) * 2020-08-27 2020-12-01 上海松鼠课堂人工智能科技有限公司 多媒体文件合并生成教学素材包的方法和系统
CN112017496A (zh) * 2020-08-30 2020-12-01 上海松鼠课堂人工智能科技有限公司 基于游戏化学习的学生计算能力分析方法
CN112052652A (zh) * 2020-09-08 2020-12-08 国家电网有限公司技术学院分公司 一种电子课件脚本自动生成方法及装置
CN112052652B (zh) * 2020-09-08 2024-02-20 国家电网有限公司技术学院分公司 一种电子课件脚本自动生成方法及装置
CN112598547A (zh) * 2020-12-22 2021-04-02 作业帮教育科技（北京）有限公司 基于自动生产线的教育题目生成方法、装置和电子设备
CN114707471A (zh) * 2022-06-06 2022-07-05 浙江大学 基于超参数评估图算法的人工智能课件制作方法及装置
CN116932488A (zh) * 2023-09-15 2023-10-24 之江实验室 基于知识图谱的课件生成方法、装置、系统和存储介质
CN116932488B (zh) * 2023-09-15 2024-01-09 之江实验室 基于知识图谱的课件生成方法、装置、系统和存储介质

Also Published As

Publication number Publication date
CN111583078B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN111583078B (zh) 用于人工智能学习模式的标准课件生成系统与方法
CN108470022B (zh) 一种基于运维管理的智能工单质检方法
CN109376247B (zh) 一种基于关联规则的软件缺陷自动分类方法
CN111897733B (zh) 一种基于最小集合覆盖的模糊测试方法和装置
CN110751416A (zh) 一种用水量的预测方法、装置及设备
CN113849542A (zh) 基于人工智能的区域温室气体排放清单核算系统与方法
CN111428480A (zh) 简历识别方法、装置、设备及存储介质
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN113301376A (zh) 一种基于虚拟现实技术的直播交互方式及系统
CN110647461B (zh) 多信息融合的回归测试用例排序方法及系统
CN117132171B (zh) 一种自动化的办公信息管理系统
CN112528011B (zh) 多数据源驱动的开放式数学作业批改方法、系统及设备
CN111311025B (zh) 一种基于气象相似日的负荷预测方法
CN115438190B (zh) 一种配电网故障辅助决策知识抽取方法及系统
CN108830302B (zh) 一种图像分类方法、训练方法、分类预测方法及相关装置
CN111027801A (zh) 基于任务邀请的卫星筛选方法和系统
CN113066358B (zh) 理科教学辅助系统
CN109711799A (zh) 引导行政管理岗标准化办公的教学软件及其运行方法
CN115080386A (zh) 基于自动驾驶功能要求的场景有效性分析方法与设备
CN111815488A (zh) 基于决策树的光伏发电助学方法
CN111651960A (zh) 一种从合同简体迁移到繁体的光学字符联合训练及识别方法
CN115619192B (zh) 一种面向需求计划规则的混合式关系提取方法
CN111369005A (zh) 众包标记系统
CN112016603B (zh) 基于图神经网络的错因分析方法
CN116739387B (zh) 一种多维度分析数据的方法及装置、计算机存储介质

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
CB02 Change of applicant information

Address after: 200237 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai

Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co.,Ltd.

Address before: 200237 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai

Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 200233 9 / F, 10 / F, building 2, 188 Yizhou Road, Xuhui District, Shanghai

Patentee after: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd.

Address before: 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai, 200237

Patentee before: Shanghai squirrel classroom Artificial Intelligence Technology Co.,Ltd.

CP03 Change of name, title or address