CN111597357A - 用于打地基学习的测评系统与方法 - Google Patents

用于打地基学习的测评系统与方法 Download PDF

Info

Publication number
CN111597357A
CN111597357A CN202010460500.9A CN202010460500A CN111597357A CN 111597357 A CN111597357 A CN 111597357A CN 202010460500 A CN202010460500 A CN 202010460500A CN 111597357 A CN111597357 A CN 111597357A
Authority
CN
China
Prior art keywords
knowledge
learning
data
content
foundation
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
CN202010460500.9A
Other languages
English (en)
Other versions
CN111597357B (zh
Inventor
栗浩洋
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 CN202010460500.9A priority Critical patent/CN111597357B/zh
Publication of CN111597357A publication Critical patent/CN111597357A/zh
Application granted granted Critical
Publication of CN111597357B publication Critical patent/CN111597357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G09B5/00—Electrically-operated educational appliances

Abstract

本发明提供了用于打地基学习的测评系统与方法，该用于打地基学习的测评系统与方法能够在面对崭新知识内容时直接进行相应的打地基模式学习操作切换，并且还能够快速地和精确地确定该打地基模式学习操作涉及的知识内容数据范畴，从而避免过度地进行学习而造成大量时间人力物力的浪费，并且还能够根据实时获得的知识数据学习进度和/或掌握程度来评价打地基模式学习操作的优劣性，以用于后续对打地基学习模式的质量反馈、控制和提升。

Description

用于打地基学习的测评系统与方法
技术领域
本发明涉及人工智能学习的技术领域，特别涉及用于打地基学习的测评系统与方法。
背景技术
目前，人工智能学习技术广泛应用于教育学习等不同领域中，而人工智能学习技术能够实现对不同知识内容的快速的和高效的学习，特别对于涉及崭新领域的知识内容，人工智能学习技术能够具备较高的兼容学习能力。而现有技术中，对于崭新领域的知识内容的学习都是采用重复大量数据学习的模式来实现的，但是这种学习方式与惯常的学习方式并不相匹配，并且还会造成大量时间人力物力的浪费，这不利于进一步提高学习效率。虽然，现有技术已经出现了打地基学习这种学习模式(即当对于某一个陌生从未涉及的学习内容，选择从该学习内容的最基础部分开始学习)，但是并没有出现专门针对打地基学习模式的测评技术，这不利于对打地基学习模式的质量反馈、控制和提升。
发明内容
针对现有技术存在的缺陷，本发明提供用于打地基学习的测评系统与方法，该用于打地基学习的测评系统与方法通过判断当前学习过程对应的待学习知识内容是否属于崭新的知识内容，并在判断确定的情况下进一步获取与该待学习知识内容相关的关联知识数据，再根据对该关联知识数据进行分类与排序处理的结果进行打地基模式的学习操作，最后通过该学习操作对应的知识数据学习进度和/或掌握程度执行相应的评价；可见，该用于打地基学习的测评系统与方法能够在面对崭新知识内容时直接进行相应的打地基模式学习操作切换，并且还能够快速地和精确地确定该打地基模式学习操作涉及的知识内容数据范畴，从而避免过度地进行学习而造成大量时间人力物力的浪费，并且还能够根据实时获得的知识数据学习进度和/或掌握程度来评价打地基模式学习操作的优劣性，以用于后续对打地基学习模式的质量反馈、控制和提升。
本发明提供用于打地基学习的测评系统，其特征在于：
所述用于打地基学习的测评系统包括知识内容崭新性判断模块、关联知识数据获取模块、打地基学习操作模块和打地基学习评价模块；其中，
所述知识内容崭新性判断模块用于判断当前学习过程对应的待学习知识内容是否属于崭新的知识内容；
所述关联知识数据获取模块用于在确定所述待学习知识内容属于崭新的知识内容时，获取与所述待学习知识内容相关的关联知识数据；
所述打地基学习操作模块用于根据对所述关联知识数据进行分类与排序处理的结果，进行打地基模式的学习操作；
所述打地基学习评价模块用于根据所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，实现对所述打地基模式的学习操作的评价；
进一步，所述知识内容崭新性判断模块包括知识内容要点信息提取子模块、知识重合度计算子模块和崭新知识内容确定子模块；其中，
所述知识内容要点信息提取子模块用于从当前学习过程对应的待学习知识内容中提取得到相应的知识内容要点信息；
所述知识重合度计算子模块用于将所述知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到所述知识内容要点信息与所述历史知识学习大数据之间的实际重合度；
所述崭新知识内容确定子模块用于将所述实际重合度与预设重合度范围进行对比，并在所述实际重合度不位于所述预设重合度范围内时，确定所述待学习知识内容属于崭新的知识内容；
进一步，所述关联知识数据获取模块包括知识图谱结构信息获取子模块、知识数据确定子模块和关联知识数据确定子模块；其中，
所述知识图谱结构信息获取子模块用于在确定当前学习过程对应的所述待学习知识内容属于崭新的知识内容后，获取所述待学习知识内容对应的知识图谱结构信息；
所述知识数据确定子模块用于根据所述知识图谱结构信息，确定与所述待学习知识内容存在知识图谱关联性的全部知识数据；
所述关联知识数据确定子模块用于在所述全部知识数据中每一项知识数据与所述待学习知识内容之间的知识图谱关联值大于预设关联阈值时，将对应所有项知识数据确定为关联知识数据；
进一步，所述打地基学习操作模块包括关联知识子数据难度系数计算子模块、分类与排序处理子模块和打地基学习执行子模块；其中，
所述关联知识子数据难度系数计算子模块用于通过知识难度神经网络模型计算所述关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
所述分类与排序处理子模块用于根据所述关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
所述打地基学习执行子模块用于依次对所述初级难度关联知识子数据集合、所述中级难度关联知识子数据集合和所述高级难度关联知识子数据集合进行学习，以此实现所述打地基模式的学习操作；
进一步，所述打地基学习评价模块包括学习相关参数值获取子模块、拟合函数确定子模块和优劣评价子模块；其中，
所述学习相关参数值获取子模块用于获取所述打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
所述拟合函数确定子模块用于确定所述学习进度值和/或所述掌握程度值与所述学习操作进行时长之间的拟合函数关系；
所述优劣评价子模块用于根据所述拟合函数关系，确定所述打地基模式的学习操作的执行优劣评价值；
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 BDA0002510031250000041
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 BDA0002510031250000042
为各章节知识点学习顺序的排列种类，
Figure BDA0002510031250000043
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 BDA0002510031250000044
为获取各教学课程相应的知识点摘要内容信息，
Figure BDA0002510031250000051
为获取各教学课程的最佳知识点学习顺序信息，
Figure BDA0002510031250000052
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 BDA0002510031250000053
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 BDA0002510031250000054
为所述知识源数据关联教学课程数量为K时，所述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 BDA0002510031250000055
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 BDA0002510031250000056
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 BDA0002510031250000061
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 BDA0002510031250000062
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。
本发明还提供用于打地基学习的测评方法，其特征在于，所述用于打地基学习的测评方法包括如下步骤：
步骤S1，获取当前学习过程对应的待学习知识内容，以此判断所述待学习知识内容是否属于崭新的知识内容；
步骤S2，当确定所述待学习知识内容属于崭新的知识内容，则获取与所述待学习知识内容相关的关联知识数据；
步骤S3，对所述关联知识数据进行分类与排序处理，并根据所述分类与排序处理的结果，进行打地基模式的学习操作；
步骤S4，获取所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现所述打地基模式的学习操作的评价；
进一步，在所述步骤S1中，获取当前学习过程对应的待学习知识内容，以此判断所述待学习知识内容是否属于崭新的知识内容具体包括，
步骤S101，获取当前学习过程对应的待学习知识内容，并从所述待学习知识内容中提取得到相应的知识内容要点信息；
步骤S102，将所述知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到所述知识内容要点信息与所述历史知识学习大数据之间的实际重合度；
步骤S103，将所述实际重合度与预设重合度范围进行对比，若所述实际重合度不位于所述预设重合度范围内，则确定所述待学习知识内容属于崭新的知识内容；
或者，
在所述步骤S2中，当确定所述待学习知识内容属于崭新的知识内容，则获取与所述待学习知识内容相关的关联知识数据具体包括，
步骤S201，当确定当前学习过程对应的所述待学习知识内容属于崭新的知识内容后，获取所述待学习知识内容对应的知识图谱结构信息；
步骤S202，根据所述知识图谱结构信息，确定与所述待学习知识内容存在知识图谱关联性的全部知识数据；
步骤S203，计算所述全部知识数据中每一项知识数据与所述待学习知识内容之间的知识图谱关联值，并将知识图谱关联值大于预设关联阈值的对应所有项知识数据作为所述关联知识数据；
进一步，在所述步骤S3中，对所述关联知识数据进行分类与排序处理，并根据所述分类与排序处理的结果，进行打地基模式的学习操作具体包括，
步骤S301，构建并优化一知识难度神经网络模型，并通过所述知识难度神经网络模型计算所述关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
步骤S302，根据所述关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
步骤S303，依次对所述初级难度关联知识子数据集合、所述中级难度关联知识子数据集合和所述高级难度关联知识子数据集合进行学习，以此实现所述打地基模式的学习操作；
进一步，在所述步骤S4中，获取所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现所述打地基模式的学习操作的评价具体包括，
步骤S401，获取所述打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
步骤S402，确定所述学习进度值和/或所述掌握程度值与所述学习操作进行时长之间的拟合函数关系；
步骤S403，根据所述拟合函数关系，确定所述打地基模式的学习操作的执行优劣评价值。
相比于现有技术，该用于打地基学习的测评系统与方法通过判断当前学习过程对应的待学习知识内容是否属于崭新的知识内容，并在判断确定的情况下进一步获取与该待学习知识内容相关的关联知识数据，再根据对该关联知识数据进行分类与排序处理的结果进行打地基模式的学习操作，最后通过该学习操作对应的知识数据学习进度和/或掌握程度执行相应的评价；可见，该用于打地基学习的测评系统与方法能够在面对崭新知识内容时直接进行相应的打地基模式学习操作切换，并且还能够快速地和精确地确定该打地基模式学习操作涉及的知识内容数据范畴，从而避免过度地进行学习而造成大量时间人力物力的浪费，并且还能够根据实时获得的知识数据学习进度和/或掌握程度来评价打地基模式学习操作的优劣性，以用于后续对打地基学习模式的质量反馈、控制和提升。
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打地基学习的测评系统的结构示意图。
图2为本发明提供的用于打地基学习的测评方法的流程示意图。
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打地基学习的测评系统的结构示意图。该用于打地基学习的测评系统包括知识内容崭新性判断模块、关联知识数据获取模块、打地基学习操作模块和打地基学习评价模块；其中，
该知识内容崭新性判断模块用于判断当前学习过程对应的待学习知识内容是否属于崭新的知识内容；
该关联知识数据获取模块用于在确定该待学习知识内容属于崭新的知识内容时，获取与该待学习知识内容相关的关联知识数据；
该打地基学习操作模块用于根据对该关联知识数据进行分类与排序处理的结果，进行打地基模式的学习操作；
该打地基学习评价模块用于根据该打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，实现对该打地基模式的学习操作的评价。
该用于打地基学习的测评系统通过对待学习知识内容进行崭新知识内容与否的判断，关联知识数据的确定、分类与排序，打地基模式学习操作执行与评价来实现对打地基模式学习操作的全过程操控，这样能够提高该打地基模式学习操作的执行可控性和实时获得该打地基模式学习操作的执行优劣性，从而便于后续对该打地基模式学习操作的反馈与调整。
优选地，该知识内容崭新性判断模块包括知识内容要点信息提取子模块、知识重合度计算子模块和崭新知识内容确定子模块；其中，
该知识内容要点信息提取子模块用于从当前学习过程对应的待学习知识内容中提取得到相应的知识内容要点信息；
该知识重合度计算子模块用于将该知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到该知识内容要点信息与该历史知识学习大数据之间的实际重合度；
该崭新知识内容确定子模块用于将该实际重合度与预设重合度范围进行对比，并在该实际重合度不位于该预设重合度范围内时，确定该待学习知识内容属于崭新的知识内容。
该知识内容崭新性判断模块通过计算该知识内容要点信息与该历史知识学习大数据之间的实际重合度，并根据实际重合度来判断待学习知识内容是否属于崭新的知识内容能够最大限度地避免误判断情况的出现，从而提高对该待学习知识内容判断的准确性和快速性。
优选地，该关联知识数据获取模块包括知识图谱结构信息获取子模块、知识数据确定子模块和关联知识数据确定子模块；其中，
该知识图谱结构信息获取子模块用于在确定当前学习过程对应的该待学习知识内容属于崭新的知识内容后，获取该待学习知识内容对应的知识图谱结构信息；
该知识数据确定子模块用于根据该知识图谱结构信息，确定与该待学习知识内容存在知识图谱关联性的全部知识数据；
该关联知识数据确定子模块用于在该全部知识数据中每一项知识数据与该待学习知识内容之间的知识图谱关联值大于预设关联阈值时，将对应所有项知识数据确定为关联知识数据。
该关联知识数据获取模块通过知识图谱结构信息来确定该全部知识数据能够有效地避免相关知识数据遗漏确定的情况出现，并且还通过根据知识图谱关联值来确定相应的关联知识数据能够有效地和精准地缩小关联知识数据的确定范围，从而降低后续对关联知识数据处理的工作量。
优选地，该打地基学习操作模块包括关联知识子数据难度系数计算子模块、分类与排序处理子模块和打地基学习执行子模块；其中，
该关联知识子数据难度系数计算子模块用于通过知识难度神经网络模型计算该关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
该分类与排序处理子模块用于根据该关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
该打地基学习执行子模块用于依次对该初级难度关联知识子数据集合、该中级难度关联知识子数据集合和该高级难度关联知识子数据集合进行学习，以此实现该打地基模式的学习操作。
该打地基学习操作模块通过根据该关联知识子数据难度系数来确定具有初级难度、中级难度和高级难度的关联知识子数据集合，以便于后续打地基模式学习操作执行的有效性和快速性，同时也能够最大限度地防止由于关联知识子数据分类混乱而导致的打地基模式学习操作执行紊乱情况的发生。
优选地，该打地基学习评价模块包括学习相关参数值获取子模块、拟合函数确定子模块和优劣评价子模块；其中，
该学习相关参数值获取子模块用于获取该打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
该拟合函数确定子模块用于确定该学习进度值和/或该掌握程度值与该学习操作进行时长之间的拟合函数关系；
该优劣评价子模块用于根据该拟合函数关系，确定该打地基模式的学习操作的执行优劣评价值。
该打地基学习评价模块通过确定该学习进度值和/或该掌握程度值与该学习操作进行时长之间的拟合函数关系，能够准确地预测随着时间推移该打地基模式学习操作的变化趋势，从而提高后续确定该打地基模式的学习操作的执行优劣评价值的准确性和有效性。
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 BDA0002510031250000121
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 BDA0002510031250000122
为各章节知识点学习顺序的排列种类，
Figure BDA0002510031250000123
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 BDA0002510031250000124
为获取各教学课程相应的知识点摘要内容信息，
Figure BDA0002510031250000131
为获取各教学课程的最佳知识点学习顺序信息，
Figure BDA0002510031250000132
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 BDA0002510031250000133
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 BDA0002510031250000134
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 BDA0002510031250000135
为计算该各知识源数据对应的教学课程门类关联系数，
Figure BDA0002510031250000136
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 BDA0002510031250000141
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 BDA0002510031250000142
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的计算过程可支持快速地和精确地确定该打地基模式学习操作涉及的知识内容数据范畴，并识别所述目标对象已学习的所述关联子数据，从而避免过度地进行重复学习而造成大量时间人力物力的浪费，并且还能够根据实时获得的知识数据学习进度和掌握程度，以及学习操作进行时长来评价打地基模式学习操作的优劣性，以提高打地基学习模式的质量反馈、控制和提升能力。
参阅图2，为本发明实施例提供的用于打地基学习的测评方法的流程示意图。该用于打地基学习的测评方法包括如下步骤：
步骤S1，获取当前学习过程对应的待学习知识内容，以此判断该待学习知识内容是否属于崭新的知识内容；
步骤S2，当确定该待学习知识内容属于崭新的知识内容，则获取与该待学习知识内容相关的关联知识数据；
步骤S3，对该关联知识数据进行分类与排序处理，并根据该分类与排序处理的结果，进行打地基模式的学习操作；
步骤S4，获取该打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现该打地基模式的学习操作的评价。
该用于打地基学习的测评方法通过对待学习知识内容进行崭新知识内容与否的判断，关联知识数据的确定、分类与排序，打地基模式学习操作执行与评价来实现对打地基模式学习操作的全过程操控，这样能够提高该打地基模式学习操作的执行可控性和实时获得该打地基模式学习操作的执行优劣性，从而便于后续对该打地基模式学习操作的反馈与调整。
优选地，在该步骤S1中，获取当前学习过程对应的待学习知识内容，以此判断该待学习知识内容是否属于崭新的知识内容具体包括，
步骤S101，获取当前学习过程对应的待学习知识内容，并从该待学习知识内容中提取得到相应的知识内容要点信息；
步骤S102，将该知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到该知识内容要点信息与该历史知识学习大数据之间的实际重合度；
步骤S103，将该实际重合度与预设重合度范围进行对比，若该实际重合度不位于该预设重合度范围内，则确定该待学习知识内容属于崭新的知识内容。
通过计算该知识内容要点信息与该历史知识学习大数据之间的实际重合度，并根据实际重合度来判断待学习知识内容是否属于崭新的知识内容能够最大限度地避免误判断情况的出现，从而提高对该待学习知识内容判断的准确性和快速性。
优选地，在该步骤S2中，当确定该待学习知识内容属于崭新的知识内容，则获取与该待学习知识内容相关的关联知识数据具体包括，
步骤S201，当确定当前学习过程对应的该待学习知识内容属于崭新的知识内容后，获取该待学习知识内容对应的知识图谱结构信息；
步骤S202，根据该知识图谱结构信息，确定与该待学习知识内容存在知识图谱关联性的全部知识数据；
步骤S203，计算该全部知识数据中每一项知识数据与该待学习知识内容之间的知识图谱关联值，并将知识图谱关联值大于预设关联阈值的对应所有项知识数据作为该关联知识数据。
通过知识图谱结构信息来确定该全部知识数据能够有效地避免相关知识数据遗漏确定的情况出现，并且还通过根据知识图谱关联值来确定相应的关联知识数据能够有效地和精准地缩小关联知识数据的确定范围，从而降低后续对关联知识数据处理的工作量。
优选地，在该步骤S3中，对该关联知识数据进行分类与排序处理，并根据该分类与排序处理的结果，进行打地基模式的学习操作具体包括，
步骤S301，构建并优化一知识难度神经网络模型，并通过该知识难度神经网络模型计算该关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
步骤S302，根据该关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
步骤S303，依次对该初级难度关联知识子数据集合、该中级难度关联知识子数据集合和该高级难度关联知识子数据集合进行学习，以此实现该打地基模式的学习操作。
通过根据该关联知识子数据难度系数来确定具有初级难度、中级难度和高级难度的关联知识子数据集合，以便于后续打地基模式学习操作执行的有效性和快速性，同时也能够最大限度地防止由于关联知识子数据分类混乱而导致的打地基模式学习操作执行紊乱情况的发生。
优选地，在该步骤S4中，获取该打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现该打地基模式的学习操作的评价具体包括，
步骤S401，获取该打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
步骤S402，确定该学习进度值和/或该掌握程度值与该学习操作进行时长之间的拟合函数关系；
步骤S403，根据该拟合函数关系，确定该打地基模式的学习操作的执行优劣评价值。
通过确定该学习进度值和/或该掌握程度值与该学习操作进行时长之间的拟合函数关系，能够准确地预测随着时间推移该打地基模式学习操作的变化趋势，从而提高后续确定该打地基模式的学习操作的执行优劣评价值的准确性和有效性。
从上述实施例的内容可知，该用于打地基学习的测评系统与方法能够在面对崭新知识内容时直接进行相应的打地基模式学习操作切换，并且还能够快速地和精确地确定该打地基模式学习操作涉及的知识内容数据范畴，从而避免过度地进行学习而造成大量时间人力物力的浪费，并且还能够根据实时获得的知识数据学习进度和/或掌握程度来评价打地基模式学习操作的优劣性，以用于后续对打地基学习模式的质量反馈、控制和提升。
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.用于打地基学习的测评系统，其特征在于：
所述用于打地基学习的测评系统包括知识内容崭新性判断模块、关联知识数据获取模块、打地基学习操作模块和打地基学习评价模块；其中，所述知识内容崭新性判断模块用于判断当前学习过程对应的待学习知识内容是否属于崭新的知识内容；
所述关联知识数据获取模块用于在确定所述待学习知识内容属于崭新的知识内容时，获取与所述待学习知识内容相关的关联知识数据；
所述打地基学习操作模块用于根据对所述关联知识数据进行分类与排序处理的结果，进行打地基模式的学习操作；
所述打地基学习评价模块用于根据所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，实现对所述打地基模式的学习操作的评价。
2.如权利要求1所述的用于打地基学习的测评系统，其特征在于：
所述知识内容崭新性判断模块包括知识内容要点信息提取子模块、知识重合度计算子模块和崭新知识内容确定子模块；其中，
所述知识内容要点信息提取子模块用于从当前学习过程对应的待学习知识内容中提取得到相应的知识内容要点信息；
所述知识重合度计算子模块用于将所述知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到所述知识内容要点信息与所述历史知识学习大数据之间的实际重合度；
所述崭新知识内容确定子模块用于将所述实际重合度与预设重合度范围进行对比，并在所述实际重合度不位于所述预设重合度范围内时，确定所述待学习知识内容属于崭新的知识内容。
3.如权利要求1所述的用于打地基学习的测评系统，其特征在于：
所述关联知识数据获取模块包括知识图谱结构信息获取子模块、知识数据确定子模块和关联知识数据确定子模块；其中，
所述知识图谱结构信息获取子模块用于在确定当前学习过程对应的所述待学习知识内容属于崭新的知识内容后，获取所述待学习知识内容对应的知识图谱结构信息；
所述知识数据确定子模块用于根据所述知识图谱结构信息，确定与所述待学习知识内容存在知识图谱关联性的全部知识数据；
所述关联知识数据确定子模块用于在所述全部知识数据中每一项知识数据与所述待学习知识内容之间的知识图谱关联值大于预设关联阈值时，将对应所有项知识数据确定为关联知识数据。
4.如权利要求1所述的用于打地基学习的测评系统，其特征在于：
所述打地基学习操作模块包括关联知识子数据难度系数计算子模块、分类与排序处理子模块和打地基学习执行子模块；其中，
所述关联知识子数据难度系数计算子模块用于通过知识难度神经网络模型计算所述关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
所述分类与排序处理子模块用于根据所述关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
所述打地基学习执行子模块用于依次对所述初级难度关联知识子数据集合、所述中级难度关联知识子数据集合和所述高级难度关联知识子数据集合进行学习，以此实现所述打地基模式的学习操作。
5.如权利要求1所述的用于打地基学习的测评系统，其特征在于：
所述打地基学习评价模块包括学习相关参数值获取子模块、拟合函数确定子模块和优劣评价子模块；其中，
所述学习相关参数值获取子模块用于获取所述打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
所述拟合函数确定子模块用于确定所述学习进度值和/或所述掌握程度值与所述学习操作进行时长之间的拟合函数关系；
所述优劣评价子模块用于根据所述拟合函数关系，确定所述打地基模式的学习操作的执行优劣评价值。
6.如权利要求1所述的用于打地基学习的测评系统，其特征在于：
所述打地基学习评价模块用于根据所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，实现对所述打地基模式的学习操作的评价，其具体实现过程如下：
步骤A1，根据所述关联知识数据确定子模块获取关联知识数据，并对所述获取数据进行子数据拆分处理，以获取各关联知识子数据；
步骤A2，通过下面公式(1)，利用知识难度神经网络模型，获取所述关联知识数据中关联知识子数据难度系数值
Figure FDA0002510031240000031
在上述公式(1)中，N为所述关联知识数据中关联知识子数据数量，i为参与关联知识子数据考核人数，
Figure FDA0002510031240000032
为所述参与关联知识子数据考核人数为i所对应的考核平均分数，x为所述关联知识子数据的初始编号，ax为所述关联知识子数据的初始编号为x所对应的预设及格分数，j为参与关联知识子数据难度系数专家测评人数，
Figure FDA0002510031240000033
为与关联知识子数据难度系数专家测评人数为j所对应的专家平均评判值，bx为所述关联知识子数据的初始编号为x所对应的专家预设及格分数值，T为所述关联知识子数据的预设授课时间，ζ为所述关联知识数据中关联知识子数据的难度系数值，Hn-1(i,j)为所述各关联知识子数据中所述考核平均分数与专家平均评判值的预设权重比，其取值一般为7:3，X(ζ)为获取所述关联知识数据中关联知识子数据难度系数值；
步骤A3，根据所述步骤A2获取的关联知识子数据难度系数值，通过下面公式(2)，获取所述学习进度值和所述掌握程度值与所述学习操作进行时长之间的拟合函数关系信息
Figure FDA0002510031240000041
在上述公式(2)中，exp为以自然常数e为底的指数函数，τ为学习操作进行时长，τn为所述各关联知识子数据的学习操作进行时长，s为学习进度值，sn为所述各关联知识子数据的学习进度值，s0为未开始学习的所述各关联知识子数据，k为关联知识子数据的考核通过率，w为关联知识子数据掌握程度值，wk为关联知识子数据考核通过率为k所对应的所述关联知识子数据掌握程度值，w0为初始状态下未掌握的所述关联知识子数据，
Figure FDA0002510031240000042
为将所述学习进度值与所述学习操作进行时长函数拟合处理，
Figure FDA0002510031240000043
为所述掌握程度值与所述学习操作进行时长函数拟合处理，E(sn,wk)为获取所述学习进度值和所述掌握程度值与所述学习操作进行时长之间的拟合函数关系信息；
步骤A4、根据步骤A3获取的拟所述学习进度值和所述掌握程度值与所述学习操作进行时长之间的拟合函数关系信息，通过下面公式(3)与所述测评系统预设合格数据比对，根据结果，执行确定所述打地基模式的学习操作的执行优劣评价值的操作
Figure FDA0002510031240000051
在上述公式(3)中，π为圆周率，O(y)为所述预设合格学习进度与掌握程度值与常规操作时长的拟合函数经反导后得出的归一化数值，P(y)为评价所述学习进度值和所述掌握程度值与所述学习操作进行时长之间的拟合函数信息与所述预设合格数据的比对结果，若P(y)值小于75％，表示所述目标对象打地基学习效果不符合预设合格数据要求，执行确定所述打地基模式的学习操作的执行优劣评价值的操作。
7.用于打地基学习的测评方法，其特征在于，所述用于打地基学习的测评方法包括如下步骤：
步骤S1，获取当前学习过程对应的待学习知识内容，以此判断所述待学习知识内容是否属于崭新的知识内容；
步骤S2，当确定所述待学习知识内容属于崭新的知识内容，则获取与所述待学习知识内容相关的关联知识数据；
步骤S3，对所述关联知识数据进行分类与排序处理，并根据所述分类与排序处理的结果，进行打地基模式的学习操作；
步骤S4，获取所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现所述打地基模式的学习操作的评价。
8.如权利要求7所述的用于打地基学习的测评方法，其特征在于：
在所述步骤S1中，获取当前学习过程对应的待学习知识内容，以此判断所述待学习知识内容是否属于崭新的知识内容具体包括，
步骤S101，获取当前学习过程对应的待学习知识内容，并从所述待学习知识内容中提取得到相应的知识内容要点信息；
步骤S102，将所述知识内容要点信息，与历史知识学习大数据进行数据匹配处理，以此计算得到所述知识内容要点信息与所述历史知识学习大数据之间的实际重合度；
步骤S103，将所述实际重合度与预设重合度范围进行对比，若所述实际重合度不位于所述预设重合度范围内，则确定所述待学习知识内容属于崭新的知识内容；
或者，
在所述步骤S2中，当确定所述待学习知识内容属于崭新的知识内容，则获取与所述待学习知识内容相关的关联知识数据具体包括，
步骤S201，当确定当前学习过程对应的所述待学习知识内容属于崭新的知识内容后，获取所述待学习知识内容对应的知识图谱结构信息；
步骤S202，根据所述知识图谱结构信息，确定与所述待学习知识内容存在知识图谱关联性的全部知识数据；
步骤S203，计算所述全部知识数据中每一项知识数据与所述待学习知识内容之间的知识图谱关联值，并将知识图谱关联值大于预设关联阈值的对应所有项知识数据作为所述关联知识数据。
9.如权利要求7所述的用于打地基学习的测评方法，其特征在于：
在所述步骤S3中，对所述关联知识数据进行分类与排序处理，并根据所述分类与排序处理的结果，进行打地基模式的学习操作具体包括，
步骤S301，构建并优化一知识难度神经网络模型，并通过所述知识难度神经网络模型计算所述关联知识数据中每一项关联知识子数据对应的关联知识子数据难度系数；
步骤S302，根据所述关联知识子数据难度系数，对所有项关联知识子数据进行关于难易程度的分类与排序处理，以此确定初级难度关联知识子数据集合、中级难度关联知识子数据集合和高级难度关联知识子数据集合；
步骤S303，依次对所述初级难度关联知识子数据集合、所述中级难度关联知识子数据集合和所述高级难度关联知识子数据集合进行学习，以此实现所述打地基模式的学习操作。
10.如权利要求7所述的用于打地基学习的测评方法，其特征在于：
在所述步骤S4中，获取所述打地基模式的学习操作对应的知识数据学习进度和/或掌握程度，以此实现所述打地基模式的学习操作的评价具体包括，
步骤S401，获取所述打地基模式的学习操作对具有初级难度、中级难度和高级难度的不同知识数据集合的学习进度值和/或掌握程度值；
步骤S402，确定所述学习进度值和/或所述掌握程度值与所述学习操作进行时长之间的拟合函数关系；
步骤S403，根据所述拟合函数关系，确定所述打地基模式的学习操作的执行优劣评价值。
CN202010460500.9A 2020-05-27 2020-05-27 用于打地基学习的测评系统与方法 Active CN111597357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010460500.9A CN111597357B (zh) 2020-05-27 2020-05-27 用于打地基学习的测评系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010460500.9A CN111597357B (zh) 2020-05-27 2020-05-27 用于打地基学习的测评系统与方法

Publications (2)

Publication Number Publication Date
CN111597357A true CN111597357A (zh) 2020-08-28
CN111597357B CN111597357B (zh) 2024-04-09

Family

ID=72186502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010460500.9A Active CN111597357B (zh) 2020-05-27 2020-05-27 用于打地基学习的测评系统与方法

Country Status (1)

Country Link
CN (1) CN111597357B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2516160A1 (en) * 2003-02-14 2004-09-02 Ctb/Mcgraw-Hill System and method for creating, assessing, modifying, and using a learning map
WO2012112390A1 (en) * 2011-02-16 2012-08-23 Knowledge Factor, Inc. System and method for adaptive knowledge assessment and learning
CN107085803A (zh) * 2017-03-31 2017-08-22 弘成科技发展有限公司 基于知识图谱和能力测评的个性化教学资源推荐系统
CN107346346A (zh) * 2017-08-26 2017-11-14 海南大学 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统
WO2019075826A1 (zh) * 2017-10-20 2019-04-25 深圳市鹰硕技术有限公司 一种基于互联网教学平台的跟随教学系统
CN110197452A (zh) * 2019-06-11 2019-09-03 合肥明信软件技术有限公司 一种基于人工智能技术的智适应在线学习与考试平台

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2516160A1 (en) * 2003-02-14 2004-09-02 Ctb/Mcgraw-Hill System and method for creating, assessing, modifying, and using a learning map
WO2012112390A1 (en) * 2011-02-16 2012-08-23 Knowledge Factor, Inc. System and method for adaptive knowledge assessment and learning
CN107085803A (zh) * 2017-03-31 2017-08-22 弘成科技发展有限公司 基于知识图谱和能力测评的个性化教学资源推荐系统
CN107346346A (zh) * 2017-08-26 2017-11-14 海南大学 基于数据图谱、信息图谱和知识图谱的学习者能力建模与学习过程优化管理系统
WO2019075826A1 (zh) * 2017-10-20 2019-04-25 深圳市鹰硕技术有限公司 一种基于互联网教学平台的跟随教学系统
CN110197452A (zh) * 2019-06-11 2019-09-03 合肥明信软件技术有限公司 一种基于人工智能技术的智适应在线学习与考试平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张旭;: "人工智能背景下高职教育自适应学习模型研究" *

Also Published As

Publication number Publication date
CN111597357B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Yu et al. An automatically tuning intrusion detection system
CN111583078B (zh) 用于人工智能学习模式的标准课件生成系统与方法
CN111723973B (zh) 基于mooc日志数据中用户行为因果关系的学习效果优化方法
CN106649479A (zh) 一种基于概率图的变压器状态关联规则挖掘方法
CN109858755B (zh) 一种评价水体质量的方法
CN116228021A (zh) 一种基于环境监测的矿山生态修复评价分析方法及系统
CN107221212B (zh) 一种基于时间序列的在线学习者认知风格分析方法
CN116263782A (zh) 一种基于题库的智能组卷方法、系统及存储介质
CN106156857A (zh) 用于混合模型选择的方法和装置
CN111597357A (zh) 用于打地基学习的测评系统与方法
CN112015830B (zh) 适用于自适应学习的题目存储方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111680572B (zh) 一种电网运行场景动态判定方法及系统
Wang et al. A prediction strategy for academic records based on classification algorithm in online learning environment
CN113448840A (zh) 基于预测缺陷率和模糊综合评价模型的软件质量评价方法
CN112613525A (zh) 目标框预测方法、装置、设备及介质
CN113095398B (zh) 一种基于遗传算法优化的bp神经网络的压裂数据清洗方法
CN106156856A (zh) 用于混合模型选择的方法和装置
Fernando et al. Development of a Predictive Decision Support System for Student Graduation using a Decision Tree Algorithm
CN111612665A (zh) 用于打地基学习的监督和校正系统与方法
Li et al. Evaluation method of GA-BP neural network programming ability based on entropy weight-deviation
Liu et al. Mid and long-term hydrological classification forecasting model based on KDE-BDA and its application research
Wang Research on Campus Digital Teaching System of Smart u Based on Data Mining Algorithm
Xuanyuan et al. A SENSITIVITY ANALYSIS METHOD COMBINING DEMPSTER-SHAFER THEORY AND MACHINE LEARNING FOR ENERGY-SAVING EVALUATION OF BUILDING OCCUPANT BEHAVIOR
Han et al. Research on prefabricated component production line mold platform combination method

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