CN111612665A - 用于打地基学习的监督和校正系统与方法 - Google Patents

用于打地基学习的监督和校正系统与方法 Download PDF

Info

Publication number
CN111612665A
CN111612665A CN202010458382.8A CN202010458382A CN111612665A CN 111612665 A CN111612665 A CN 111612665A CN 202010458382 A CN202010458382 A CN 202010458382A CN 111612665 A CN111612665 A CN 111612665A
Authority
CN
China
Prior art keywords
knowledge
learning
subdata
information
data
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
CN202010458382.8A
Other languages
English (en)
Other versions
CN111612665B (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 CN202010458382.8A priority Critical patent/CN111612665B/zh
Publication of CN111612665A publication Critical patent/CN111612665A/zh
Application granted granted Critical
Publication of CN111612665B publication Critical patent/CN111612665B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了用于打地基学习的监督和校正系统与方法，该用于打地基学习的监督和校正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该打地基模式的学习操作对应每一个环节的实时质量优劣状态，以此对该打地基模式的学习操作对应每一个环节进行适应性的校正，从而便于后续对打地基学习模式的质量反馈、控制和提升。

Description

用于打地基学习的监督和校正系统与方法
技术领域
本发明涉及人工智能学习计的技术领域，特别涉及用于打地基学习的监督和校正系统与方法。
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监督和校正技术，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监督和校正系统与方法，该用于打地基学习的监督和校正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将当前学习过程切换进入至打地基模式的学习操作，再根据该打地基模式的学习操作对应的知识数据学习进程信息，确定该打地基模式的学习操作对应每一个环节的执行质量信息，最后根据执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正；可见，该用于打地基学习的监督和校正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该打地基模式的学习操作对应每一个环节的实时质量优劣状态，以此对该打地基模式的学习操作对应每一个环节进行适应性的校正，从而便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监督和校正系统，其特征在于：
所述用于打地基学习的监督和校正系统包括知识内容崭新性判断模块、打地基学习操作模块、打地基学习质量确定模块和打地基学习校正模块；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；
所述打地基学习操作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后，将当前学习过程切换进入至打地基模式的学习操作；
所述打地基学习质量确定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程信息，确定所述打地基模式的学习操作对应每一个环节的执行质量信息；
所述打地基学习校正模块用于根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正；
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，所述打地基学习操作模块包括待学习知识内容切分子模块、知识子数据难度系数计算子模块、知识子数据分类子模块和打地基学习操作执行子模块；其中，
所述待学习知识内容切分子模块用于通过一知识难度神经网络模型计算每一项知识子数据对应的知识子数据难度系数；
所述知识子数据分类子模块用于根据所述知识子数据难度系数，将所述若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
所述打地基学习操作执行子模块用于按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行所述打地基模式的学习操作；
进一步，所述打地基学习质量确定模块包括知识数据学习进程信息获取子模块和执行质量信息生成子模块；其中，
所述知识数据学习进程信息获取子模块用于获取所述打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为所述知识数据学习进程信息；
所述执行质量信息生成子模块用于根据所述知识数据更新变化进度信息和/或所述知识数据阅读理解速度信息，对所述打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成所述执行质量信息；
进一步，所述打地基学习校正模块包括打地基学习状态确定子模块、打地基学习异常确定子模块和校正执行子模块；其中，
所述打地基学习状态确定子模块用于根据所述执行质量信息，确定其在所述打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
所述打地基学习异常确定子模块用于根据所述知识数据学习卡顿状态、所述知识数据学习速度状态和所述知识数据学习容量状态中的至少一者，判断所述对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
所述校正执行子模块用于根据所述打地基学习异常确定子模块的所述判断的结果，对所述对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正；
进一步，所述打地基学习校正模块用于根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正，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，根据下面公式(1)，通过一知识难度神经网络模型，计算各项知识子数据对应的知识子数据难度系数
Figure BDA0002510085930000041
在上述公式(1)中，exp为以自然常数e为底的指数函数，π为圆周率，N为所述知识子数据的数量，n＝1，2，3、、、N，
Figure BDA0002510085930000042
为知识子数据难度系数，T为所述各知识子数据授课时长，p为所述知识子数据的难度等级，其取值为2、3、4分别代表低级、中级、高级知识子数据，i为所述知识子数据在各课程中出现频次，xi为所述知识子数据在各课程中出现频次为i所对应的知识子数据考核成绩，
Figure BDA0002510085930000043
为不同目标对象所述知识子数据的平均考核成绩，j为所述知识子数据在各次摸底考核中的累计分值，yj为所述知识子数据在各次摸底考核中累计分值为j所对应的分数占比信息，
Figure BDA0002510085930000044
为所述知识子数据在各摸底考核中的平均分数占比信息，
Figure BDA0002510085930000045
为计算各项知识子数据对应的知识子数据难度系数；
步骤A3，根据所述知识数据更新变化进度信息和所述知识数据阅读理解速度信息以及下面公式(2)，评判每一个环节的知识数据学习质量，获取所述执行质量信息
Figure BDA0002510085930000051
在上述公式(2)中，M为所述知识子数据的学习环节数，m＝1，2，3、、、M，k为所述知识数据学习卡顿次数，Ak为所述知识数据学习卡顿次数为k所对应的知识数据学习卡顿状态信息、τ为所述知识数据掌握时间，Bτ为所述知识数据掌握时间为τ所对应的知识数据学习速度状态信息，r为累计学习所述知识数据的数量，Cr为累计学习所述知识数据的数量为r所对应的知识数据学习容量信息，Q(Ak,Bτ,Cr)为通过评判每一个环节的知识数据学习质量，获取所述执行质量信息；
步骤A4，根据所述步骤A3获取的所述执行质量信息，与所述知识数据预设合格信息比对以及下面公式(3)，根据比对结果，执行对所述对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作
Figure BDA0002510085930000052
在上述公式(3)中，R为所述全部知识数据的学习容量信息，g(A)为所述知识数据预设学习顺畅性信息，g(B)为所述知识数据预设学习速度信息，g(C)为所述知识数据预设知识数据学习容量信息，
Figure BDA0002510085930000053
为所述知识数据预设合格平均学习顺畅性信息，
Figure BDA0002510085930000054
所述知识数据预设合格平均学习速度信息，
Figure BDA0002510085930000055
所述知识数据预设合格平均学习容量信息，R(η)为获取所述执行质量信息与所述知识数据预设合格信息比对结果，当R(η)小于1，表示所述执行质量信息不满足所述知识数据预设合格信息的要求，执行对所述对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作。
本发明还提供用于打地基学习的监督和校正方法，其特征在于，所述用于打地基学习的监督和校正系统方法包括如下步骤：
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，则将当前学习过程切换进入至打地基模式的学习操作；
步骤S3，获取所述打地基模式的学习操作对应的知识数据学习进程信息，以此确定所述打地基模式的学习操作对应每一个环节的执行质量信息；
步骤S4，根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正；
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，则将当前学习过程切换进入至打地基模式的学习操作具体包括
步骤S201，当确定所述待学习知识内容属于崭新的知识内容后，按照预设知识图谱分布特性，将所述待学习知识内容划分为若干项知识子数据；
步骤S202，构建与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每一项知识子数据对应的知识子数据难度系数；
步骤S203，根据所述知识子数据难度系数，将所述若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
步骤S204，按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行所述打地基模式的学习操作；
进一步，在所述步骤S3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程信息，以此确定所述打地基模式的学习操作对应每一个环节的执行质量信息具体包括，
步骤S301，获取所述打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为所述知识数据学习进程信息；
步骤S302，根据所述知识数据更新变化进度信息和/或所述知识数据阅读理解速度信息，对所述打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成所述执行质量信息；
进一步，在所述步骤S4中，根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正具体包括，
步骤S401，根据所述执行质量信息，确定其在所述打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
步骤S402，根据所述知识数据学习卡顿状态、所述知识数据学习速度状态和所述知识数据学习容量状态中的至少一者，判断所述对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
步骤S403，根据所述步骤S402的判断结果，对所述对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正。
相比于现有技术，该用于打地基学习的监督和校正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将当前学习过程切换进入至打地基模式的学习操作，再根据该打地基模式的学习操作对应的知识数据学习进程信息，确定该打地基模式的学习操作对应每一个环节的执行质量信息，最后根据执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正；可见，该用于打地基学习的监督和校正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该打地基模式的学习操作对应每一个环节的实时质量优劣状态，以此对该打地基模式的学习操作对应每一个环节进行适应性的校正，从而便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监督和校正系统的结构示意图。
图2为本发明提供的用于打地基学习的监督和校正方法的流程示意图。
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监督和校正系统的结构示意图。该用于打地基学习的监督和校正系统包括知识内容崭新性判断模块、打地基学习操作模块、打地基学习质量确定模块和打地基学习校正模块；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；
该打地基学习操作模块用于在确定该待学习知识内容属于崭新的知识内容后，将当前学习过程切换进入至打地基模式的学习操作；
该打地基学习质量确定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程信息，确定该打地基模式的学习操作对应每一个环节的执行质量信息；
该打地基学习校正模块用于根据该执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正。
该用于打地基学习的监督和校正系统对待学习知识内容进行崭新知识内容与否的判断，打地基模式的学习操作切换，学习操作环节质量信息确定以及学习操作环节校正来实现对打地基模式学习操作的全过程监督和校正，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，该打地基学习操作模块包括待学习知识内容切分子模块、知识子数据难度系数计算子模块、知识子数据分类子模块和打地基学习操作执行子模块；其中，
该待学习知识内容切分子模块用于通过一知识难度神经网络模型计算每一项知识子数据对应的知识子数据难度系数；
该知识子数据分类子模块用于根据该知识子数据难度系数，将该若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
该打地基学习操作执行子模块用于按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行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知识子数据难度系数来对不同项知识子数据进行分类能够保证划分得到的初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的精确性，从而保证该打地基模式的学习操作的顺利高效执行。
优选地，该打地基学习质量确定模块包括知识数据学习进程信息获取子模块和执行质量信息生成子模块；其中，
该知识数据学习进程信息获取子模块用于获取该打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为该知识数据学习进程信息；
该执行质量信息生成子模块用于根据该知识数据更新变化进度信息和/或该知识数据阅读理解速度信息，对该打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成该执行质量信息。
该打地基学习质量确定模块通过知识数据更新变化进度信息和/或知识数据阅读理解速度信息作为该知识数据学习进程信息，能够准确地反映该知识数据学习的实际状况，从而提高该执行质量信息的真实性和准确性。
优选地，该打地基学习校正模块包括打地基学习状态确定子模块、打地基学习异常确定子模块和校正执行子模块；其中，
该打地基学习状态确定子模块用于根据该执行质量信息，确定其在该打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
该打地基学习异常确定子模块用于根据该知识数据学习卡顿状态、该知识数据学习速度状态和该知识数据学习容量状态中的至少一者，判断该对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
该校正执行子模块用于根据该打地基学习异常确定子模块的该判断的结果，对该对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正。
该打地基学习校正模块通过学习卡顿、学习速度和学习容量这三个方面来对打地基模式的学习操作进行监督和校正，能够有效地改善该打地基模式的学习操作的校正多样化程度和准确性。
优选地，该打地基学习校正模块用于根据该执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正，其具体实现过程如下：
步骤A1，根据该关联知识数据确定子模块获取关联知识数据，并对该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，根据下面公式(1)，通过一知识难度神经网络模型，计算各项知识子数据对应的知识子数据难度系数
Figure BDA0002510085930000111
在上述公式(1)中，exp为以自然常数e为底的指数函数，π为圆周率，N为该知识子数据的数量，n＝1，2，3、、、N，
Figure BDA0002510085930000121
为知识子数据难度系数，T为该各知识子数据授课时长，p为该知识子数据的难度等级，其取值为2、3、4分别代表低级、中级、高级知识子数据，i为该知识子数据在各课程中出现频次，xi为该知识子数据在各课程中出现频次为i所对应的知识子数据考核成绩，
Figure BDA0002510085930000122
为不同目标对象该知识子数据的平均考核成绩，j为该知识子数据在各次摸底考核中的累计分值，yj为该知识子数据在各次摸底考核中累计分值为j所对应的分数占比信息，
Figure BDA0002510085930000123
为该知识子数据在各摸底考核中的平均分数占比信息，
Figure BDA0002510085930000124
为计算各项知识子数据对应的知识子数据难度系数；
步骤A3，根据该知识数据更新变化进度信息和该知识数据阅读理解速度信息以及下面公式(2)，评判每一个环节的知识数据学习质量，获取该执行质量信息
Figure BDA0002510085930000125
在上述公式(2)中，M为该知识子数据的学习环节数，m＝1，2，3、、、M，k为该知识数据学习卡顿次数，Ak为该知识数据学习卡顿次数为k所对应的知识数据学习卡顿状态信息、τ为该知识数据掌握时间，Bτ为该知识数据掌握时间为τ所对应的知识数据学习速度状态信息，r为累计学习该知识数据的数量，Cr为累计学习该知识数据的数量为r所对应的知识数据学习容量信息，Q(Ak,Bτ,Cr)为通过评判每一个环节的知识数据学习质量，获取该执行质量信息；
步骤A4，根据该步骤A3获取的该执行质量信息，与该知识数据预设合格信息比对以及下面公式(3)，根据比对结果，执行对该对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作
Figure BDA0002510085930000131
在上述公式(3)中，R为该全部知识数据的学习容量信息，g(A)为该知识数据预设学习顺畅性信息，g(B)为该知识数据预设学习速度信息，g(C)为该知识数据预设知识数据学习容量信息，
Figure BDA0002510085930000132
为该知识数据预设合格平均学习顺畅性信息，
Figure BDA0002510085930000133
该知识数据预设合格平均学习速度信息，
Figure BDA0002510085930000134
该知识数据预设合格平均学习容量信息，R(η)为获取该执行质量信息与该知识数据预设合格信息比对结果，当R(η)小于1，表示该执行质量信息不满足该知识数据预设合格信息的要求，执行对该对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作。
上述该打地基学习校正模块的计算过程支持快速地和精确地识别该打地基模式的学习操作对应每一个环节的实时质量优劣状态，并以此对该打地基模式的学习操作对应每一个环节进行适应性的校正，通过细微调整，不仅降低了用户重复学习所浪费的时间，而且通过适应性校正，可使得该系统变得更适合用户的学习模式，不仅提高了用户的学习效率，还增强了本产品的市场竞争力。
参阅图2，为本发明实施例提供的用于打地基学习的监督和校正方法的流程示意图。该用于打地基学习的监督和校正系统方法包括如下步骤：
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，则将当前学习过程切换进入至打地基模式的学习操作；
步骤S3，获取该打地基模式的学习操作对应的知识数据学习进程信息，以此确定该打地基模式的学习操作对应每一个环节的执行质量信息；
步骤S4，根据该执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正。
该用于打地基学习的监督和校正方法对待学习知识内容进行崭新知识内容与否的判断，打地基模式的学习操作切换，学习操作环节质量信息确定以及学习操作环节校正来实现对打地基模式学习操作的全过程监督和校正，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，则将当前学习过程切换进入至打地基模式的学习操作具体包括
步骤S201，当确定该待学习知识内容属于崭新的知识内容后，按照预设知识图谱分布特性，将该待学习知识内容划分为若干项知识子数据；
步骤S202，构建与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每一项知识子数据对应的知识子数据难度系数；
步骤S203，根据该知识子数据难度系数，将该若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
步骤S204，按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行该打地基模式的学习操作。
通过根据知识子数据难度系数来对不同项知识子数据进行分类能够保证划分得到的初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的精确性，从而保证该打地基模式的学习操作的顺利高效执行。
优选地，在该步骤S3中，获取该打地基模式的学习操作对应的知识数据学习进程信息，以此确定该打地基模式的学习操作对应每一个环节的执行质量信息具体包括，
步骤S301，获取该打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为该知识数据学习进程信息；
步骤S302，根据该知识数据更新变化进度信息和/或该知识数据阅读理解速度信息，对该打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成该执行质量信息。
通过知识数据更新变化进度信息和/或知识数据阅读理解速度信息作为该知识数据学习进程信息，能够准确地反映该知识数据学习的实际状况，从而提高该执行质量信息的真实性和准确性。
优选地，在该步骤S4中，根据该执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正具体包括，
步骤S401，根据该执行质量信息，确定其在该打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
步骤S402，根据该知识数据学习卡顿状态、该知识数据学习速度状态和该知识数据学习容量状态中的至少一者，判断该对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
步骤S403，根据该步骤S402的判断结果，对该对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正。
通过学习卡顿、学习速度和学习容量这三个方面来对打地基模式的学习操作进行监督和校正，能够有效地改善该打地基模式的学习操作的校正多样化程度和准确性。
从上述实施例的内容可知，该用于打地基学习的监督和校正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将当前学习过程切换进入至打地基模式的学习操作，再根据该打地基模式的学习操作对应的知识数据学习进程信息，确定该打地基模式的学习操作对应每一个环节的执行质量信息，最后根据执行质量信息，对该打地基模式的学习操作对应每一个环节进行适应性的校正；可见，该用于打地基学习的监督和校正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该打地基模式的学习操作对应每一个环节的实时质量优劣状态，以此对该打地基模式的学习操作对应每一个环节进行适应性的校正，从而便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.用于打地基学习的监督和校正系统，其特征在于：
所述用于打地基学习的监督和校正系统包括知识内容崭新性判断模块、打地基学习操作模块、打地基学习质量确定模块和打地基学习校正模块；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；
所述打地基学习操作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后，将当前学习过程切换进入至打地基模式的学习操作；
所述打地基学习质量确定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程信息，确定所述打地基模式的学习操作对应每一个环节的执行质量信息；
所述打地基学习校正模块用于根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正。
2.如权利要求1所述的用于打地基学习的监督和校正系统，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监督和校正系统，其特征在于：
所述打地基学习操作模块包括待学习知识内容切分子模块、知识子数据难度系数计算子模块、知识子数据分类子模块和打地基学习操作执行子模块；其中，
所述待学习知识内容切分子模块用于通过一知识难度神经网络模型计算每一项知识子数据对应的知识子数据难度系数；
所述知识子数据分类子模块用于根据所述知识子数据难度系数，将所述若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
所述打地基学习操作执行子模块用于按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行所述打地基模式的学习操作。
4.如权利要求1所述的用于打地基学习的监督和校正系统，其特征在于：
所述打地基学习质量确定模块包括知识数据学习进程信息获取子模块和执行质量信息生成子模块；其中，
所述知识数据学习进程信息获取子模块用于获取所述打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为所述知识数据学习进程信息；
所述执行质量信息生成子模块用于根据所述知识数据更新变化进度信息和/或所述知识数据阅读理解速度信息，对所述打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成所述执行质量信息。
5.如权利要求1所述的用于打地基学习的监督和校正系统，其特征在于：
所述打地基学习校正模块包括打地基学习状态确定子模块、打地基学习异常确定子模块和校正执行子模块；其中，
所述打地基学习状态确定子模块用于根据所述执行质量信息，确定其在所述打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
所述打地基学习异常确定子模块用于根据所述知识数据学习卡顿状态、所述知识数据学习速度状态和所述知识数据学习容量状态中的至少一者，判断所述对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
所述校正执行子模块用于根据所述打地基学习异常确定子模块的所述判断的结果，对所述对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正。
6.如权利要求1所述的用于打地基学习的监督和校正系统，其特征在于：
所述打地基学习校正模块用于根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正，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，根据下面公式(1)，通过一知识难度神经网络模型，计算各项知识子数据对应的知识子数据难度系数
Figure FDA0002510085920000031
在上述公式(1)中，exp为以自然常数e为底的指数函数，π为圆周率，N为所述知识子数据的数量，n＝1，2，3、、、N，
Figure FDA0002510085920000032
为知识子数据难度系数，T为所述各知识子数据授课时长，p为所述知识子数据的难度等级，其取值为2、3、4分别代表低级、中级、高级知识子数据，i为所述知识子数据在各课程中出现频次，xi为所述知识子数据在各课程中出现频次为i所对应的知识子数据考核成绩，
Figure FDA0002510085920000041
为不同目标对象所述知识子数据的平均考核成绩，j为所述知识子数据在各次摸底考核中的累计分值，yj为所述知识子数据在各次摸底考核中累计分值为j所对应的分数占比信息，
Figure FDA0002510085920000042
为所述知识子数据在各摸底考核中的平均分数占比信息，
Figure FDA0002510085920000043
为计算各项知识子数据对应的知识子数据难度系数；
步骤A3，根据所述知识数据更新变化进度信息和所述知识数据阅读理解速度信息以及下面公式(2)，评判每一个环节的知识数据学习质量，获取所述执行质量信息
Figure FDA0002510085920000044
在上述公式(2)中，M为所述知识子数据的学习环节数，m＝1，2，3、、、M，k为所述知识数据学习卡顿次数，Ak为所述知识数据学习卡顿次数为k所对应的知识数据学习卡顿状态信息、τ为所述知识数据掌握时间，Bτ为所述知识数据掌握时间为τ所对应的知识数据学习速度状态信息，r为累计学习所述知识数据的数量，Cr为累计学习所述知识数据的数量为r所对应的知识数据学习容量信息，Q(Ak,Bτ,Cr)为通过评判每一个环节的知识数据学习质量，获取所述执行质量信息；
步骤A4，根据所述步骤A3获取的所述执行质量信息，与所述知识数据预设合格信息比对以及下面公式(3)，根据比对结果，执行对所述对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作
Figure FDA0002510085920000051
在上述公式(3)中，R为所述全部知识数据的学习容量信息，g(A)为所述知识数据预设学习顺畅性信息，g(B)为所述知识数据预设学习速度信息，g(C)为所述知识数据预设知识数据学习容量信息，
Figure FDA0002510085920000052
为所述知识数据预设合格平均学习顺畅性信息，
Figure FDA0002510085920000053
所述知识数据预设合格平均学习速度信息，
Figure FDA0002510085920000054
所述知识数据预设合格平均学习容量信息，R(η)为获取所述执行质量信息与所述知识数据预设合格信息比对结果，当R(η)小于1，表示所述执行质量信息不满足所述知识数据预设合格信息的要求，执行对所述对应环节进行知识数据学习顺畅性、知识数据学习速度和知识数据学习容量的校正的操作。
7.用于打地基学习的监督和校正系统方法，其特征在于，所述用于打地基学习的监督和校正系统方法包括如下步骤：
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，则将当前学习过程切换进入至打地基模式的学习操作；
步骤S3，获取所述打地基模式的学习操作对应的知识数据学习进程信息，以此确定所述打地基模式的学习操作对应每一个环节的执行质量信息；
步骤S4，根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正。
8.如权利要求7所述的用于打地基学习的监督和校正方法，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，则将当前学习过程切换进入至打地基模式的学习操作具体包括
步骤S201，当确定所述待学习知识内容属于崭新的知识内容后，按照预设知识图谱分布特性，将所述待学习知识内容划分为若干项知识子数据；
步骤S202，构建与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每一项知识子数据对应的知识子数据难度系数；
步骤S203，根据所述知识子数据难度系数，将所述若干项知识子数据划分为初级难度知识子数据、中级难度知识子数据和高级难度知识子数据；
步骤S204，按照初级难度知识子数据、中级难度知识子数据和高级难度知识子数据的顺序，执行所述打地基模式的学习操作。
9.如权利要求7所述的用于打地基学习的监督和校正方法，其特征在于：
在所述步骤S3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程信息，以此确定所述打地基模式的学习操作对应每一个环节的执行质量信息具体包括，
步骤S301，获取所述打地基模式的学习操作在从难度系数较低的知识数据向难度系数较高的知识数据逐渐学习过程中对应的知识数据更新变化进度信息和/或知识数据阅读理解速度信息，以作为所述知识数据学习进程信息；
步骤S302，根据所述知识数据更新变化进度信息和/或所述知识数据阅读理解速度信息，对所述打地基模式的学习操作对应每一个环节进行知识数据学习质量评判，以此生成所述执行质量信息。
10.如权利要求7所述的用于打地基学习的监督和校正方法，其特征在于：
在所述步骤S4中，根据所述执行质量信息，对所述打地基模式的学习操作对应每一个环节进行适应性的校正具体包括，
步骤S401，根据所述执行质量信息，确定其在所述打地基模式的学习操作对应环节的知识数据学习卡顿状态、知识数据学习速度状态和知识数据学习容量状态中的至少一者；
步骤S402，根据所述知识数据学习卡顿状态、所述知识数据学习速度状态和所述知识数据学习容量状态中的至少一者，判断所述对应环节是否存在学习卡顿、学习速度异常和学习容量异常中的至少一者；
步骤S403，根据所述步骤S402的判断结果，对所述对应环节进行关于知识数据学习顺畅性、知识数据学习速度和知识数据学习容量中至少一者的校正。
CN202010458382.8A 2020-05-27 2020-05-27 用于打地基学习的监督和校正系统与方法 Active CN111612665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010458382.8A CN111612665B (zh) 2020-05-27 2020-05-27 用于打地基学习的监督和校正系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010458382.8A CN111612665B (zh) 2020-05-27 2020-05-27 用于打地基学习的监督和校正系统与方法

Publications (2)

Publication Number Publication Date
CN111612665A true CN111612665A (zh) 2020-09-01
CN111612665B CN111612665B (zh) 2024-04-05

Family

ID=72200828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010458382.8A Active CN111612665B (zh) 2020-05-27 2020-05-27 用于打地基学习的监督和校正系统与方法

Country Status (1)

Country Link
CN (1) CN111612665B (zh)

Citations (15)

* 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
US20090287619A1 (en) * 2008-05-15 2009-11-19 Changnian Liang Differentiated, Integrated and Individualized Education
US20100041007A1 (en) * 2008-08-13 2010-02-18 Chi Wang Method and System for Knowledge Diagnosis and Tutoring
CN105869474A (zh) * 2015-01-23 2016-08-17 上海达钮信息科技有限公司 一种响应式教学设计方法及系统
CN106205248A (zh) * 2016-08-31 2016-12-07 北京师范大学 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法
CN106408084A (zh) * 2016-09-09 2017-02-15 山东建筑大学 一种知识与数据混合驱动的二型模糊神经网络设计方法
CN106408475A (zh) * 2016-09-30 2017-02-15 中国地质大学（北京） 一种在线课程适用性评价方法
CN107230174A (zh) * 2017-06-13 2017-10-03 深圳市鹰硕技术有限公司 一种基于网络的在线互动学习系统和方法
CN107665472A (zh) * 2016-07-27 2018-02-06 科大讯飞股份有限公司 学习路径规划方法和装置
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
CN108876676A (zh) * 2018-06-15 2018-11-23 四川文理学院 一种基于情景的机器人教学方法及系统
CN109712455A (zh) * 2018-11-22 2019-05-03 浙江创一信息技术有限公司 智能学习监督方法、存储介质、控制装置以及学习机
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110543572A (zh) * 2019-08-26 2019-12-06 杭州奇迹在线科技有限公司 一种基于认知图谱的学习认知路径生成方法
CN110599831A (zh) * 2019-09-11 2019-12-20 湖北理工学院 基于大数据的自适应学习系统及学习者模型构建方法

Patent Citations (15)

* 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
US20090287619A1 (en) * 2008-05-15 2009-11-19 Changnian Liang Differentiated, Integrated and Individualized Education
US20100041007A1 (en) * 2008-08-13 2010-02-18 Chi Wang Method and System for Knowledge Diagnosis and Tutoring
CN105869474A (zh) * 2015-01-23 2016-08-17 上海达钮信息科技有限公司 一种响应式教学设计方法及系统
CN107665472A (zh) * 2016-07-27 2018-02-06 科大讯飞股份有限公司 学习路径规划方法和装置
CN106205248A (zh) * 2016-08-31 2016-12-07 北京师范大学 一种表征学习者在特定领域知识学习掌握状态的在线学习认知地图生成系统及方法
CN106408084A (zh) * 2016-09-09 2017-02-15 山东建筑大学 一种知识与数据混合驱动的二型模糊神经网络设计方法
CN106408475A (zh) * 2016-09-30 2017-02-15 中国地质大学（北京） 一种在线课程适用性评价方法
CN107230174A (zh) * 2017-06-13 2017-10-03 深圳市鹰硕技术有限公司 一种基于网络的在线互动学习系统和方法
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
CN108876676A (zh) * 2018-06-15 2018-11-23 四川文理学院 一种基于情景的机器人教学方法及系统
CN109712455A (zh) * 2018-11-22 2019-05-03 浙江创一信息技术有限公司 智能学习监督方法、存储介质、控制装置以及学习机
CN110378818A (zh) * 2019-07-22 2019-10-25 广西大学 基于难度的个性化习题推荐方法、系统及介质
CN110543572A (zh) * 2019-08-26 2019-12-06 杭州奇迹在线科技有限公司 一种基于认知图谱的学习认知路径生成方法
CN110599831A (zh) * 2019-09-11 2019-12-20 湖北理工学院 基于大数据的自适应学习系统及学习者模型构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUI PENG; BIN TIAN: "Prediction of Seepage Quantities of Earthfill Dam Foundation Based on Artificial Neural Network", 《2010 INTERNATIONAL CONFERENCE ON MEASURING TECHNOLOGY AND MECHATRONICS AUTOMATION》 *
申屠江平;: "学校课程质量的监控与评估", no. 03 *
陈仕品;张剑平;: "适应性学习支持系统的学习内容组织策略研究", 电化教育研究, no. 11 *

Also Published As

Publication number Publication date
CN111612665B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN109949290A (zh) 路面裂缝检测方法、装置、设备及存储介质
CN110348615B (zh) 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN109871954B (zh) 训练样本生成方法、异常检测方法及装置
CN111008641B (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN112327189A (zh) 一种基于knn算法的储能电池健康状态综合判断方法
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN111882363A (zh) 销量预测方法、系统及终端
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN111179576B (zh) 一种具有归纳学习的用电信息采集故障诊断方法及系统
CN115130102A (zh) 一种基于增量学习的在线自适应入侵检测方法
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN116341911A (zh) 一种基于fahp-svm的交流干扰腐蚀风险评价方法及系统
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN112327096B (zh) 一种基于自适应策略的故障诊断信息融合方法及装置
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
CN111612665A (zh) 用于打地基学习的监督和校正系统与方法
CN110996128B (zh) 在线教学视频推送管理系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN115459982A (zh) 一种电力网络虚假数据注入攻击检测方法
CN115101136A (zh) 一种大型铝电解槽全局阳极效应预测方法
CN114399491A (zh) 人脸图像质量评估方法、装置以及计算机可读存储介质
CN112082769A (zh) 一种基于专家系统和贝叶斯决策器的模拟量输入模块智能bit设计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information
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.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant