CN111723288B - 智适应学习检测系统及方法 - Google Patents

智适应学习检测系统及方法 Download PDF

Info

Publication number
CN111723288B
CN111723288B CN202010513028.0A CN202010513028A CN111723288B CN 111723288 B CN111723288 B CN 111723288B CN 202010513028 A CN202010513028 A CN 202010513028A CN 111723288 B CN111723288 B CN 111723288B
Authority
CN
China
Prior art keywords
learning
knowledge
value
preset object
action
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.)
Active
Application number
CN202010513028.0A
Other languages
English (en)
Other versions
CN111723288A (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 Squirrel Classroom Artificial Intelligence 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 Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202010513028.0A priority Critical patent/CN111723288B/zh
Publication of CN111723288A publication Critical patent/CN111723288A/zh
Application granted granted Critical
Publication of CN111723288B publication Critical patent/CN111723288B/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了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。

Description

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
Figure BDA0002529114960000031
Figure BDA0002529114960000032
在上述公式(1)中，
Figure BDA0002529114960000033
表示所述学习喜好值，其中当k＝0时，
Figure BDA0002529114960000034
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，
Figure BDA0002529114960000035
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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，
Figure BDA0002529114960000041
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，
Figure BDA0002529114960000042
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
Figure BDA0002529114960000061
Figure BDA0002529114960000062
在上述公式(1)中，
Figure BDA0002529114960000063
表示所述学习喜好值，其中当k＝0时，
Figure BDA0002529114960000064
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，
Figure BDA0002529114960000065
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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，
Figure BDA0002529114960000071
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，
Figure BDA0002529114960000072
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
Figure BDA0002529114960000111
Figure BDA0002529114960000112
在上述公式(1)中，
Figure BDA0002529114960000113
表示该学习喜好值，其中当k＝0时，
Figure BDA0002529114960000114
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，
Figure BDA0002529114960000115
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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，
Figure BDA0002529114960000121
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，
Figure BDA0002529114960000131
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
Figure BDA0002529114960000151
Figure BDA0002529114960000152
在上述公式(1)中，
Figure BDA0002529114960000153
表示该学习喜好值，其中当k＝0时，
Figure BDA0002529114960000154
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，
Figure BDA0002529114960000155
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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，
Figure BDA0002529114960000161
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，
Figure BDA0002529114960000171
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。

Claims (2)

1.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；
其中，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；
其中，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
Figure FDA0002964241020000021
Figure FDA0002964241020000022
在上述公式(1)中，
Figure FDA0002964241020000023
表示所述学习喜好值，其中当k＝0时，
Figure FDA0002964241020000024
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，
Figure FDA0002964241020000025
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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；
其中，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，
Figure FDA0002964241020000031
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；
其中，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，
Figure FDA0002964241020000041
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。
2.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；
其中，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；
其中，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
Figure FDA0002964241020000051
Figure FDA0002964241020000052
在上述公式(1)中，
Figure FDA0002964241020000053
表示所述学习喜好值，其中当k＝0时，
Figure FDA0002964241020000054
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，
Figure FDA0002964241020000055
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，Xb,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，Xb表示对第b个作业/考试题目解答时的标准行为动作值，Yb,j表示对第b个教学视频观看时的第i个行为动作值，Yb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；
其中，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，
Figure FDA0002964241020000061
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；
其中，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，
Figure FDA0002964241020000071
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。
CN202010513028.0A 2020-06-08 2020-06-08 智适应学习检测系统及方法 Active CN111723288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010513028.0A CN111723288B (zh) 2020-06-08 2020-06-08 智适应学习检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010513028.0A CN111723288B (zh) 2020-06-08 2020-06-08 智适应学习检测系统及方法

Publications (2)

Publication Number Publication Date
CN111723288A CN111723288A (zh) 2020-09-29
CN111723288B true CN111723288B (zh) 2021-06-29

Family

ID=72567178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010513028.0A Active CN111723288B (zh) 2020-06-08 2020-06-08 智适应学习检测系统及方法

Country Status (1)

Country Link
CN (1) CN111723288B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065986A (zh) * 2021-03-22 2021-07-02 深圳童年科技有限公司 一种基于智能交互的教育资源生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117460A (zh) * 2015-08-21 2015-12-02 湖南亿谷科技发展股份有限公司 学习资源推荐方法和系统
CN108829842A (zh) * 2018-06-20 2018-11-16 华南师范大学 基于大数据与人工智能的学习表现画像方法和机器人系统
CN110069707A (zh) * 2019-03-28 2019-07-30 广州创梦空间人工智能科技有限公司 一种人工智能自适应互动教学系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102035088B1 (ko) * 2018-12-31 2019-10-23 주식회사 이르테크 스토리텔링 기반 멀티미디어 무인 원격 1:1 맞춤형 교육시스템
CN110516979A (zh) * 2019-09-02 2019-11-29 西南大学 一种个性化学习评价方法及装置
CN110945522B (zh) * 2019-10-25 2023-09-12 中新智擎科技有限公司 一种学习状态的判断方法、装置及智能机器人
CN111046852A (zh) * 2019-12-30 2020-04-21 深圳泺息科技有限公司 个人学习路径生成方法、设备及可读存储介质
CN111160277A (zh) * 2019-12-31 2020-05-15 深圳中兴网信科技有限公司 行为识别分析方法和系统、计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117460A (zh) * 2015-08-21 2015-12-02 湖南亿谷科技发展股份有限公司 学习资源推荐方法和系统
CN108829842A (zh) * 2018-06-20 2018-11-16 华南师范大学 基于大数据与人工智能的学习表现画像方法和机器人系统
CN110069707A (zh) * 2019-03-28 2019-07-30 广州创梦空间人工智能科技有限公司 一种人工智能自适应互动教学系统

Also Published As

Publication number Publication date
CN111723288A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN110070295B (zh) 课堂教学质量的评析方法、装置和计算机设备
JP2020525965A (ja) 教学補助方法およびその方法を採用する教学補助システム
CN112115736B (zh) 一种基于图像识别的作业批改方法、系统和智能终端
US11934405B2 (en) Method for monitoring user behavior when interacting with content and a system for its implementation
US10037708B2 (en) Method and system for analyzing exam-taking behavior and improving exam-taking skills
CN111523518A (zh) 智适应学习方法及系统
CN111832952B (zh) 一种教育课件推送系统
CN111723288B (zh) 智适应学习检测系统及方法
US20160180727A1 (en) Student assessment grading engine
CN112116840B (zh) 一种基于图像识别的作业批改方法、系统和智能终端
CN111522877A (zh) 教育课程在线同步处理系统
TW201320031A (zh) 具人臉表情辨識輔助之測驗系統及方法
CN110363245B (zh) 在线课堂的精彩图片筛选方法、装置及系统
CN110879945A (zh) 基于人工智能和虚拟现实的虚拟现实实验室系统
CN112861809A (zh) 基于多目标视频分析的课堂抬头检测系统及其工作方法
CN115829234A (zh) 基于课堂检测的自动化督导系统及其工作方法
CN108074240B (zh) 识别方法、识别装置、计算机可读存储介质及程序产品
CN115631501A (zh) 一种基于环幕教学空间的板书智能云调取方法
CN115689340A (zh) 一种基于彩色动态人脸特征的课堂质量监控系统
CN114998440A (zh) 基于多模态的测评方法、装置、介质及设备
CN112784144B (zh) 一种基于大数据的在线教育课件推送方法
CN114004499A (zh) 一种教学作业的时长计算终端
CN111222684B (zh) 一种基于大数据环境下的成绩预测系统
KR101946279B1 (ko) 스마트 펜을 이용한 진단 검사 방법 및 장치
CN112818761A (zh) 一种基于人工智能的在线教育人机交互方法与系统

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

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

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.