智适应学习检测系统及方法
技术领域
本发明涉及人工智能教育的技术领域,特别涉及智适应学习检测系统及方法。
背景技术
在教学过程中,因材施教能够更好地对学生进行高效的知识教学,而因材施教的执行需要以学生的学习偏好为前提的。但是,由于不同学生在学习习惯和学习喜好等方面上均具有一定的差异,并且这种差异通常体现在较为抽象的层面上,其无法用客观地标准进行衡量。目前,并不能有效地和精确地对不同学生个体进行学习偏好的客观判断,这严重地制约对不同学生个体进行有针对性的知识教学。可见,现有技术急需能够对不同学生个体进行全面准确的学习偏好智适应检测手段。
发明内容
针对现有技术存在的缺陷,本发明提供智适应学习检测系统及方法,该智适应学习检测系统及方法通过对预设学生对象进行学习过程和学习笔记/做题资料的拍摄,并对拍摄得到的学习过程影像进行学生行为动作的分析,从而计算得到预设学生对应的学习喜好值,再以此确定预设学生对应的学习专注度、知识盲点和知识掌握水平,以便于有针对性地对预设学生对象进行知识学习方案的调整;可见,该智适应学习检测系统及方法应用智能化技术(例如MCM蒙特卡洛统计模拟技术等技术)对相应的拍摄影像数据进行关于学习喜好值的计算分析,从而保证能够针对不同预设学生对象的学习喜好差异进行有针对性的知识学习方案调整,以期提高不同预设学生对象的学习效率。
本发明提供智适应学习检测系统,其特征在于:
所述智适应学习检测系统包括拍摄模块、影像分析模块、学习相关信息确定模块和知识学习方案确定模块;其中,
所述拍摄模块用于对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片,其中,所述学习过程包括所述预设对象的听课过程、撰写作业过程和考试过程中的至少一者,所述学习相关资料包括所述预设对象的听课笔记、作业和试卷中的至少一者;
所述影像分析模块用于对所述学习过程影像进行影像分析,以此获得所述预设对象的学习喜好值;
所述学习相关信息确定模块用于对所述学习喜好值进行分析,以此获得所述预设对象的学习专注度、知识盲点和知识掌握水平;
所述知识学习方案确定模块用于根据所述学习专注度、所述知识盲点和所述知识掌握水平,确定针对所述预设对象的知识学习方案;
进一步,所述拍摄模块包括视频拍摄子模块、照片拍摄子模块、视频筛选子模块和照片筛选子模块;其中,
所述视频拍摄子模块用于对所述预设对象在观看不同科目教学视频的过程、完成不同科目作业的过程和完成不同科目考试的过程进行拍摄,以此获得所述预设对象对应的学习过程影像;
所述照片拍摄子模块用于对所述预设对象的听课笔记、已完成作业和已完成试卷进行拍摄,以此获得所述学习相关资料照片;
所述视频筛选子模块用于根据所述学习过程影像中所述预设对象的动作可辨识度,并筛选保留所述预设对象的动作可辨识度超过预设动作辨识度阈值的影像数据;
所述照片筛选子模块用于根据所述学习相关资料照片中所述预设对象的笔迹可辨识度,并筛选保留所述预设对象的笔迹可辨识度超过预设笔迹辨识度阈值的学习文字记录数据;
进一步,所述影像分析模块包括影像分解子模块、行为动作提取子模块、学习喜好值计算子模块和学习喜好值排解子模块;其中,
所述影像分解子模块用于将所述学习过程影像分解成若干图像帧;
所述行为动作提取子模块用于提取每一图像帧中所述预设对象的学习行为动作及其对应的动作发生时间,以此获得所述预设对象的教学视频观看行为动作以及作业做题/考试做题行为动作;
所述学习喜好值计算子模块用于根据下面拟合回归公式(1),对所述教学视频观看行为动作以及所述作业做题/考试做题行为动作进行加权整合处理,以此获得所述预设对象在教学视频观看和作业/考试中的学习喜好值
在上述公式(1)中,
表示所述学习喜好值,其中当k=0时,
表示对第b个作业/考试题目解答时的第i个行为动作的学习喜好值,当k=1时,
表示对第b个教学视频观看时的第i个行为动作的学习喜好值,X
b,i表示对第b个作业/考试题目解答时的第i个行为动作值,X
b表示对第b个作业/考试题目解答时的标准行为动作值,Y
b,j表示对第b个教学视频观看时的第i个行为动作值,Y
b表示对第b个教学视频观看时的标准行为动作值,m表示对第b个作业/考试题目解答的所有行为动作总个数,n表示对第b个教学视频观看的所有行为动作总个数;
所述学习喜好值排解子模块用于根据保留后的所述学习文字记录数据,对所述学习喜好值进行高低排列处理;
进一步,所述学习相关信息确定模块包括预设对象做题/视频观看信息提取子模块和学习判定值计算子模块;其中,
所述预设对象做题/视频观看信息提取子模块用于从所述学习过程影像和所述学习相关资料照片中,提取得到所述预设对象的做题准确率、做题耗费时间和教学视频观看时间;
所述学习判定值计算子模块用于根据下面权重计算公式(2)并结合所述学习喜好值,计算得到所述预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,
在上述公式(2)中,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值,Db表示第b个学生对应的做题准确率,Gb表示第b个学生对应的教学视频观看时间,Zb表示第b个学生对应的做题耗费时间;
进一步,所述知识学习方案确定模块包括判定值筛选子模块、学习知识兴趣点分值计算子模块和科目学习调整子模块;其中,
所述判定值筛选子模块用于对所述学习专注度、所述知识盲点和所述知识掌握水平各自对应的所述学习专注度判定值、所述知识盲点判定值和所述知识掌握水平判定值进行关于正态分布统计模型的坏点剔除;
所述学习知识兴趣点分值计算子模块用于根据下面公式(3),对经过所述坏点剔除的所述学习专注度判定值、所述知识盲点判定值和所述知识掌握水平判定值进行综合计算,以此确定所述预设对应的学习知识兴趣点分值Qb,
在上述公式(3)中,Qb表示第b个学生对应的学习知识兴趣点分值,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值;
所述科目学习调整子模块用于根据所述学习知识兴趣点分值Qb,对所述预设对象的科目学习类型和/或科目学习时长进行调整。
本发明还提供智适应学习检测方法,其特征在于,所述智适应学习检测方法包括如下步骤:
步骤S1,对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片,其中,所述学习过程包括所述预设对象的听课过程、撰写作业过程和考试过程中的至少一者,所述学习相关资料包括所述预设对象的听课笔记、作业和试卷中的至少一者;
步骤S2,对所述学习过程影像进行影像分析,以此获得所述预设对象的学习喜好值;
步骤S3,对所述学习喜好值进行分析,以此获得所述预设对象的学习专注度、知识盲点和知识掌握水平;
步骤S4,根据所述学习专注度、所述知识盲点和所述知识掌握水平,确定针对所述预设对象的知识学习方案;
进一步,在所述步骤S1中,对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片具体包括,
步骤S101,对所述预设对象在观看不同科目教学视频的过程、完成不同科目作业的过程和完成不同科目考试的过程进行拍摄,以此获得所述预设对象对应的学习过程影像;
步骤S102,对所述预设对象的听课笔记、已完成作业和已完成试卷进行拍摄,以此获得所述学习相关资料照片;
步骤S103,确定所述学习过程影像中所述预设对象的动作可辨识度,并只保留所述预设对象的动作可辨识度超过预设动作辨识度阈值的影像数据;
步骤S104,确定所述学习相关资料照片中所述预设对象的笔迹可辨识度,并只保留所述预设对象的笔迹可辨识度超过预设笔迹辨识度阈值的学习文字记录数据;
进一步,在所述步骤S2中,对所述学习过程影像进行影像分析,以此获得所述预设对象的学习喜好值具体包括,
步骤S201,将所述学习过程影像分解成若干图像帧,并提取每一图像帧中所述预设对象的学习行为动作及其对应的动作发生时间,以此获得所述预设对象的教学视频观看行为动作以及作业做题/考试做题行为动作;
步骤S202,根据下面拟合回归公式(1),对所述教学视频观看行为动作以及所述作业做题/考试做题行为动作进行加权整合处理,以此获得所述预设对象在教学视频观看和作业/考试中的学习喜好值
在上述公式(1)中,
表示所述学习喜好值,其中当k=0时,
表示对第b个作业/考试题目解答时的第i个行为动作的学习喜好值,当k=1时,
表示对第b个教学视频观看时的第i个行为动作的学习喜好值,X
b,i表示对第b个作业/考试题目解答时的第i个行为动作值,X
b表示对第b个作业/考试题目解答时的标准行为动作值,Y
b,j表示对第b个教学视频观看时的第i个行为动作值,Y
b表示对第b个教学视频观看时的标准行为动作值,m表示对第b个作业/考试题目解答的所有行为动作总个数,n表示对第b个教学视频观看的所有行为动作总个数;
步骤S203,根据保留后的所述学习文字记录数据,对所述学习喜好值进行高低排列处理;
进一步,在所述步骤S3中,对所述学习喜好值进行分析,以此获得所述预设对象的学习专注度、知识盲点和知识掌握水平具体包括,
步骤S301,从所述学习过程影像和所述学习相关资料照片中,提取得到所述预设对象的做题准确率、做题耗费时间和教学视频观看时间;
步骤S302,根据下面权重计算公式(2)并结合所述学习喜好值,计算得到所述预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,
在上述公式(2)中,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值,Db表示第b个学生对应的做题准确率,Gb表示第b个学生对应的教学视频观看时间,Zb表示第b个学生对应的做题耗费时间;
进一步,在所述步骤S4中,根据所述学习专注度、所述知识盲点和所述知识掌握水平,确定针对所述预设对象的知识学习方案具体包括,
步骤S401,对所述学习专注度、所述知识盲点和所述知识掌握水平各自对应的所述学习专注度判定值、所述知识盲点判定值和所述知识掌握水平判定值进行关于正态分布统计模型的坏点剔除;
步骤S402,根据下面公式(3),对经过所述坏点剔除的所述学习专注度判定值、所述知识盲点判定值和所述知识掌握水平判定值进行综合计算,以此确定所述预设对应的学习知识兴趣点分值Qb,
在上述公式(3)中,Qb表示第b个学生对应的学习知识兴趣点分值,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值;
步骤S403,根据所述学习知识兴趣点分值Qb,对所述预设对象的科目学习类型和/或科目学习时长进行调整。
相比于现有技术,该智适应学习检测系统及方法通过对预设学生对象进行学习过程和学习笔记/做题资料的拍摄,并对拍摄得到的学习过程影像进行学生行为动作的分析,从而计算得到预设学生对应的学习喜好值,再以此确定预设学生对应的学习专注度、知识盲点和知识掌握水平,以便于有针对性地对预设学生对象进行知识学习方案的调整;可见,该智适应学习检测系统及方法应用智能化技术(例如MCM等技术)对相应的拍摄影像数据进行关于学习喜好值的计算分析,从而保证能够针对不同预设学生对象的学习喜好差异进行有针对性的知识学习方案调整,以期提高不同预设学生对象的学习效率。
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为本发明提供的智适应学习检测系统的结构示意图。
图2为本发明提供的智适应学习检测方法的流程示意图。
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智适应学习检测系统的结构示意图。该智适应学习检测系统包括拍摄模块、影像分析模块、学习相关信息确定模块和知识学习方案确定模块;其中,
该拍摄模块用于对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片,其中,该学习过程包括该预设对象的听课过程、撰写作业过程和考试过程中的至少一者,该学习相关资料包括该预设对象的听课笔记、作业和试卷中的至少一者;
该影像分析模块用于对该学习过程影像进行影像分析,以此获得该预设对象的学习喜好值;
该学习相关信息确定模块用于对该学习喜好值进行分析,以此获得该预设对象的学习专注度、知识盲点和知识掌握水平;
该知识学习方案确定模块用于根据该学习专注度、该知识盲点和该知识掌握水平,确定针对该预设对象的知识学习方案。
该智适应学习检测系统通过对学生等的预设对象进行听课过程、撰写作业过程和考试过程的实景影像拍摄以及对学习过程中的笔记、作业和试卷进行照片拍摄,并且还应用智能化技术(例如MCM等技术)客观地获得预设对象的学习过程相关数据,该智能化技术(例如MCM等技术)是一种人工智能数据统计分析技术,其能够对大量的影像数据和学习文本数据进行快速的和细化的分析处理,以便于后续对不同预设对象进行有针对性的学习喜好内容分析,并且其还能够以该学习喜好内容为基础精确地和全面地确定预设对象的学习专注度、知识盲点和知识掌握水平,以便于确定不同预设对象之间的学习状态差异性,从而对不同预设对象进行有针对性的知识学习方案调整。
优选地,该拍摄模块包括视频拍摄子模块、照片拍摄子模块、视频筛选子模块和照片筛选子模块;其中,
该视频拍摄子模块用于对该预设对象在观看不同科目教学视频的过程、完成不同科目作业的过程和完成不同科目考试的过程进行拍摄,以此获得该预设对象对应的学习过程影像;
该照片拍摄子模块用于对该预设对象的听课笔记、已完成作业和已完成试卷进行拍摄,以此获得该学习相关资料照片;
该视频筛选子模块用于根据该学习过程影像中该预设对象的动作可辨识度,并筛选保留该预设对象的动作可辨识度超过预设动作辨识度阈值的影像数据;
该照片筛选子模块用于根据该学习相关资料照片中该预设对象的笔迹可辨识度,并筛选保留该预设对象的笔迹可辨识度超过预设笔迹辨识度阈值的学习文字记录数据。
通过对预设对象的观看教学视频和作业/考试完成过程以及相应的笔记、作业。考试文本进行影像拍摄,能够为后续分析预设对象的学习喜好提供客观和全面的数据基础,此外对不同影像进行动作可辨识度或者笔迹可辨识度的筛选判断能够保证相应影像的可用性,从而避免影像因无法识别而导致分析错误情况的出现。
优选地,该影像分析模块包括影像分解子模块、行为动作提取子模块、学习喜好值计算子模块和学习喜好值排解子模块;其中,
该影像分解子模块用于将该学习过程影像分解成若干图像帧;
该行为动作提取子模块用于提取每一图像帧中该预设对象的学习行为动作及其对应的动作发生时间,以此获得该预设对象的教学视频观看行为动作以及作业做题/考试做题行为动作;
该学习喜好值计算子模块用于根据下面拟合回归公式(1),对该教学视频观看行为动作以及该作业做题/考试做题行为动作进行加权整合处理,以此获得该预设对象在教学视频观看和作业/考试中的学习喜好值
在上述公式(1)中,
表示该学习喜好值,其中当k=0时,
表示对第b个作业/考试题目解答时的第i个行为动作的学习喜好值,当k=1时,
表示对第b个教学视频观看时的第i个行为动作的学习喜好值,X
b,i表示对第b个作业/考试题目解答时的第i个行为动作值,X
b表示对第b个作业/考试题目解答时的标准行为动作值,Y
b,j表示对第b个教学视频观看时的第i个行为动作值,Y
b表示对第b个教学视频观看时的标准行为动作值,m表示对第b个作业/考试题目解答的所有行为动作总个数,n表示对第b个教学视频观看的所有行为动作总个数;
该学习喜好值排解子模块用于根据保留后的该学习文字记录数据,对该学习喜好值进行高低排列处理。
由于预设对象在观看教学视频过程中的行为动作和进行答题过程中的行为动作能够真实地反映预设对象对不同学习知识内容的喜好偏差性,而通过上述公式(1)确定预设对象的学习喜好值能够最大限度地真实反映不同预设对象的学习喜好状态,从而使得学习喜好值的计算结果更加人性化和具备良好的可靠性。
优选地,该学习相关信息确定模块包括预设对象做题/视频观看信息提取子模块和学习判定值计算子模块;其中,
该预设对象做题/视频观看信息提取子模块用于从该学习过程影像和该学习相关资料照片中,提取得到该预设对象的做题准确率、做题耗费时间和教学视频观看时间;
该学习判定值计算子模块用于根据下面权重计算公式(2)并结合该学习喜好值,计算得到该预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,
在上述公式(2)中,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值,Db表示第b个学生对应的做题准确率,Gb表示第b个学生对应的教学视频观看时间,Zb表示第b个学生对应的做题耗费时间。
通过上述公式(2)计算得到的预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,并能够更加全面地和准确地对预设对象的学习状态进行刻画,从而提高对不同预设对象学习状态的表征精细度和合理性,以及更加实际地凸显不同预设对象的学习状态优劣性和对不同知识内容的喜好程度。
优选地,该知识学习方案确定模块包括判定值筛选子模块、学习知识兴趣点分值计算子模块和科目学习调整子模块;其中,
该判定值筛选子模块用于对该学习专注度、该知识盲点和该知识掌握水平各自对应的该学习专注度判定值、该知识盲点判定值和该知识掌握水平判定值进行关于正态分布统计模型的坏点剔除;
该学习知识兴趣点分值计算子模块用于根据下面公式(3),对经过该坏点剔除的该学习专注度判定值、该知识盲点判定值和该知识掌握水平判定值进行综合计算,以此确定该预设对应的学习知识兴趣点分值Qb,
在上述公式(3)中,Qb表示第b个学生对应的学习知识兴趣点分值,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值;
该科目学习调整子模块用于根据该学习知识兴趣点分值Qb,对该预设对象的科目学习类型和/或科目学习时长进行调整。
由于预设对象自身的学习专注度判定值、知识盲点判定值和知识掌握水平判定值在一定程度上能够反映预设对象的整体学习兴趣分布情况,通过上述公式(3)计算得到的学习知识兴趣点分值能够最大限度地还原表征预设对象的学习兴趣情况,从而便于后续有针对性地为不同预设对象提供个性化的教学方案。
参阅图2,为本发明实施例提供的智适应学习检测方法的流程示意图。该智适应学习检测方法包括如下步骤:
步骤S1,对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片,其中,该学习过程包括该预设对象的听课过程、撰写作业过程和考试过程中的至少一者,该学习相关资料包括该预设对象的听课笔记、作业和试卷中的至少一者;
步骤S2,对该学习过程影像进行影像分析,以此获得该预设对象的学习喜好值;
步骤S3,对该学习喜好值进行分析,以此获得该预设对象的学习专注度、知识盲点和知识掌握水平;
步骤S4,根据该学习专注度、该知识盲点和该知识掌握水平,确定针对该预设对象的知识学习方案。
该智适应学习检测方法通过对学生等的预设对象进行听课过程、撰写作业过程和考试过程的实景影像拍摄以及对学习过程中的笔记、作业和试卷进行照片拍摄,并且还应用智能化技术(例如MCM等技术)客观地获得预设对象的学习过程相关数据,该智能化技术(例如MCM等技术)是一种人工智能数据统计分析技术,其能够对大量的影像数据和学习文本数据进行快速的和细化的分析处理,以便于后续对不同预设对象进行有针对性的学习喜好内容分析,并且其还能够以该学习喜好内容为基础精确地和全面地确定预设对象的学习专注度、知识盲点和知识掌握水平,以便于确定不同预设对象之间的学习状态差异性,从而对不同预设对象进行有针对性的知识学习方案调整。
优选地,在该步骤S1中,对预设对象的学习过程及其学习相关资料进行拍摄,以此获得学习过程影像和学习相关资料照片具体包括,
步骤S101,对该预设对象在观看不同科目教学视频的过程、完成不同科目作业的过程和完成不同科目考试的过程进行拍摄,以此获得该预设对象对应的学习过程影像;
步骤S102,对该预设对象的听课笔记、已完成作业和已完成试卷进行拍摄,以此获得该学习相关资料照片;
步骤S103,确定该学习过程影像中该预设对象的动作可辨识度,并只保留该预设对象的动作可辨识度超过预设动作辨识度阈值的影像数据;
步骤S104,确定该学习相关资料照片中该预设对象的笔迹可辨识度,并只保留该预设对象的笔迹可辨识度超过预设笔迹辨识度阈值的学习文字记录数据。
通过对预设对象的观看教学视频和作业/考试完成过程以及相应的笔记、作业。考试文本进行影像拍摄,能够为后续分析预设对象的学习喜好提供客观和全面的数据基础,此外对不同影像进行动作可辨识度或者笔迹可辨识度的筛选判断能够保证相应影像的可用性,从而避免影像因无法识别而导致分析错误情况的出现。
优选地,在该步骤S2中,对该学习过程影像进行影像分析,以此获得该预设对象的学习喜好值具体包括,
步骤S201,将该学习过程影像分解成若干图像帧,并提取每一图像帧中该预设对象的学习行为动作及其对应的动作发生时间,以此获得该预设对象的教学视频观看行为动作以及作业做题/考试做题行为动作;
步骤S202,根据下面拟合回归公式(1),对该教学视频观看行为动作以及该作业做题/考试做题行为动作进行加权整合处理,以此获得该预设对象在教学视频观看和作业/考试中的学习喜好值
在上述公式(1)中,
表示该学习喜好值,其中当k=0时,
表示对第b个作业/考试题目解答时的第i个行为动作的学习喜好值,当k=1时,
表示对第b个教学视频观看时的第i个行为动作的学习喜好值,X
b,i表示对第b个作业/考试题目解答时的第i个行为动作值,X
b表示对第b个作业/考试题目解答时的标准行为动作值,Y
b,j表示对第b个教学视频观看时的第i个行为动作值,Y
b表示对第b个教学视频观看时的标准行为动作值,m表示对第b个作业/考试题目解答的所有行为动作总个数,n表示对第b个教学视频观看的所有行为动作总个数;
步骤S203,根据保留后的该学习文字记录数据,对该学习喜好值进行高低排列处理。
由于预设对象在观看教学视频过程中的行为动作和进行答题过程中的行为动作能够真实地反映预设对象对不同学习知识内容的喜好偏差性,而通过上述公式(1)确定预设对象的学习喜好值能够最大限度地真实反映不同预设对象的学习喜好状态,从而使得学习喜好值的计算结果更加人性化和具备良好的可靠性。
优选地,在该步骤S3中,对该学习喜好值进行分析,以此获得该预设对象的学习专注度、知识盲点和知识掌握水平具体包括,
步骤S301,从该学习过程影像和该学习相关资料照片中,提取得到该预设对象的做题准确率、做题耗费时间和教学视频观看时间;
步骤S302,根据下面权重计算公式(2)并结合该学习喜好值,计算得到该预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,
在上述公式(2)中,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值,Db表示第b个学生对应的做题准确率,Gb表示第b个学生对应的教学视频观看时间,Zb表示第b个学生对应的做题耗费时间。
通过上述公式(2)计算得到的预设对象的学习专注度判定值、知识盲点判定值和知识掌握水平判定值,并能够更加全面地和准确地对预设对象的学习状态进行刻画,从而提高对不同预设对象学习状态的表征精细度和合理性,以及更加实际地凸显不同预设对象的学习状态优劣性和对不同知识内容的喜好程度。
优选地,在该步骤S4中,根据该学习专注度、该知识盲点和该知识掌握水平,确定针对该预设对象的知识学习方案具体包括,
步骤S401,对该学习专注度、该知识盲点和该知识掌握水平各自对应的该学习专注度判定值、该知识盲点判定值和该知识掌握水平判定值进行关于正态分布统计模型的坏点剔除;
步骤S402,根据下面公式(3),对经过该坏点剔除的该学习专注度判定值、该知识盲点判定值和该知识掌握水平判定值进行综合计算,以此确定该预设对应的学习知识兴趣点分值Qb,
在上述公式(3)中,Qb表示第b个学生对应的学习知识兴趣点分值,H1b表示第b个学生对应的学习专注度判定值,H2b表示第b个学生对应的知识盲点判定值,H3b表示第b个学生对应的知识掌握水平判定值;
步骤S403,根据该学习知识兴趣点分值Qb,对该预设对象的科目学习类型和/或科目学习时长进行调整。
由于预设对象自身的学习专注度判定值、知识盲点判定值和知识掌握水平判定值在一定程度上能够反映预设对象的整体学习兴趣分布情况,通过上述公式(3)计算得到的学习知识兴趣点分值能够最大限度地还原表征预设对象的学习兴趣情况,从而便于后续有针对性地为不同预设对象提供个性化的教学方案。
从上述实施例的内容可知,该智适应学习检测系统及方法通过对预设学生对象进行学习过程和学习笔记/做题资料的拍摄,并对拍摄得到的学习过程影像进行学生行为动作的分析,从而计算得到预设学生对应的学习喜好值,再以此确定预设学生对应的学习专注度、知识盲点和知识掌握水平,以便于有针对性地对预设学生对象进行知识学习方案的调整;可见,该智适应学习检测系统及方法应用智能化技术(例如MCM等技术)对相应的拍摄影像数据进行关于学习喜好值的计算分析,从而保证能够针对不同预设学生对象的学习喜好差异进行有针对性的知识学习方案调整,以期提高不同预设学生对象的学习效率。
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。