CN111754370B - 一种基于人工智能的在线教育课程管理方法及系统 - Google Patents
一种基于人工智能的在线教育课程管理方法及系统 Download PDFInfo
- Publication number
- CN111754370B CN111754370B CN202010627478.2A CN202010627478A CN111754370B CN 111754370 B CN111754370 B CN 111754370B CN 202010627478 A CN202010627478 A CN 202010627478A CN 111754370 B CN111754370 B CN 111754370B
- Authority
- CN
- China
- Prior art keywords
- information
- course
- plan image
- user
- image information
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 127
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于人工智能的在线教育课程管理方法及系统，涉及学习管理技术领域，通过获得第一用户的第一课程计划图像信息；将第一课程计划图像信息输入训练模型；获得训练模型的输出信息，其中，输出信息包括第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据第一课程计划图像对应的第一完成度等级信息和第一专注度信息，对第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得第一用户的第一时间规划信息；判断第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当两者匹配度满足第一预设条件时，将标准课程计划图像信息作为第一用户的第一课程管理标准。
Description
技术领域
本发明涉及学习管理技术领域，尤其涉及一种基于人工智能的在线教育课程管理方法及系统。
背景技术
随着信息技术迅速发展，特别是从互联网到移动互联网，创造了跨时空的生活、工作和学习方式，使知识获取的方式发生了根本变化，教与学可以不受时间、空间和地点条件的限制，知识获取渠道灵活与多样化，在线教育越来越凸显出优势，在线教育是通过应用信息科技和互联网技术进行课程内容传播分享和快速学习的方法，以网络为介质，用户与教师通过网络即使相隔万里也可以开展教学活动。
但本发明申请人发现现有技术至少存在如下技术问题：
现有的在线教育课程管理无法精确为每一个用户定制个性化课程，使得用户学习的有效性差，学习效果不佳。
发明内容
本发明实施例提供了一种基于人工智能的在线教育课程管理方法及系统，解决了现有技术中在线教育课程管理无法精确为每一个用户定制个性化课程，使得用户学习的有效性差，学习效果不佳的技术问题，达到了结合人工智能对用户定制精确的个性化课程，促进用户有效学习，保障良好学习效果，提升学习效率的技术效果。
鉴于上述问题，提出了本申请实施例以便提供一种基于人工智能的在线教育课程管理方法及系统。
第一方面，本发明提供了一种基于人工智能的在线教育课程管理方法，所述方法包括：获得第一用户的第一课程计划图像信息；将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得所述第一用户的第一时间规划信息；判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准。
优选地，所述将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：
获得所述第一用户的第一计划周期；根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；获得所述第一课程的第一预期测评效果；根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
优选地，所述根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息，包括：
获得预设第一完成度等级阈值；判断所述第一课程计划图像对应的所述第一完成度等级信息是否符合所述预设第一完成度等级阈值；如果所述第一课程计划图像对应的所述第一完成度等级信息符合所述预设第一完成度等级阈值，获得预设第一专注度阈值；如果所述第一课程计划图像对应的所述第一完成度等级信息不符合所述预设第一完成度等级阈值，将所述第一课程计划图像滤除。
优选地，所述获得预设第一专注度阈值之后，包括：
判断所述第一课程计划图像对应的所述第一专注度信息是否符合所述预设第一专注度阈值；如果所述第一课程计划图像对应的所述第一专注度信息不符合所述预设第一专注度阈值，将所述第一课程计划图像滤除；如果所述第一课程计划图像对应的所述第一专注度信息符合所述预设第一专注度阈值，获得标准课程计划图像信息。
优选地，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，其中，所述第一预设条件具体为：所述第一时间规划信息与所述标准课程计划图像信息的匹配度达到80％以上。
优选地，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，包括：
当所述第一时间规划信息与所述标准课程计划图像信息的匹配度不满足第一预设条件时，获得所述第一用户的第一进度信息；获得所述第一用户的第一需求信息；根据所述第一进度信息与所述第一需求信息获得来自所述第一用户的第一指令信息；根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，将所述第二课程计划信息作为所述第一用户的第二课程管理标准。
优选地，所述根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，包括：
获得所述第一课程计划图像信息中的第一科目类别信息以及所述第一科目对应的第一课时信息；获得所述第一用户的第一特长信息；根据所述第一特长信息与所述第一科目类别信息获得所述第一科目的第一权重值；根据所述第一权重值与所述第一科目对应的第一课时信息确定第二课程计划信息。
第二方面，本发明提供了一种基于人工智能的在线教育课程管理系统，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一用户的第一课程计划图像信息；
第一训练单元，所述第一训练单元用于将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；
第二获得单元，所述第二获得单元用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；
第三获得单元，所述第三获得单元用于根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；
第四获得单元，所述第四获得单元用于获得所述第一用户的第一时间规划信息；
第一判断单元，所述第一判断单元用于判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；
第一执行单元，所述第一执行单元用于当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准。
优选地，所述第一训练单元中将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：
第五获得单元，所述第五获得单元用于获得所述第一用户的第一计划周期；
第六获得单元，所述第六获得单元用于根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；
第七获得单元，所述第七获得单元用于获得所述第一课程的第一预期测评效果；
第八获得单元，所述第八获得单元用于根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；
第二训练单元，所述第二训练单元用于将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
优选地，所述第三获得单元中根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息，包括：
第九获得单元，所述第九获得单元用于获得预设第一完成度等级阈值；
第二判断单元，所述第二判断单元用于判断所述第一课程计划图像对应的所述第一完成度等级信息是否符合所述预设第一完成度等级阈值；
第十获得单元，所述第十获得单元用于如果所述第一课程计划图像对应的所述第一完成度等级信息符合所述预设第一完成度等级阈值，获得预设第一专注度阈值；
第二执行单元，所述第二执行单元用于如果所述第一课程计划图像对应的所述第一完成度等级信息不符合所述预设第一完成度等级阈值，将所述第一课程计划图像滤除。
优选地，所述获得预设第一专注度阈值之后，包括：
第三判断单元，所述第三判断单元用于判断所述第一课程计划图像对应的所述第一专注度信息是否符合所述预设第一专注度阈值；
第三执行单元，所述第三执行单元用于如果所述第一课程计划图像对应的所述第一专注度信息不符合所述预设第一专注度阈值，将所述第一课程计划图像滤除；
第十一获得单元，所述第十一获得单元用于如果所述第一课程计划图像对应的所述第一专注度信息符合所述预设第一专注度阈值，获得标准课程计划图像信息。
优选地，所述第一判断单元中判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，其中，所述第一预设条件具体为：所述第一时间规划信息与所述标准课程计划图像信息的匹配度达到80％以上。
优选地，所述第一判断单元中判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，包括：
第十二获得单元，所述第十二获得单元用于当所述第一时间规划信息与所述标准课程计划图像信息的匹配度不满足第一预设条件时，获得所述第一用户的第一进度信息；
第十三获得单元，所述第十三获得单元用于获得所述第一用户的第一需求信息；
第十四获得单元，所述第十四获得单元用于根据所述第一进度信息与所述第一需求信息获得来自所述第一用户的第一指令信息；
第四执行单元，所述第四执行单元用于根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，将所述第二课程计划信息作为所述第一用户的第二课程管理标准。
优选地，所述第四执行单元中根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，包括：
第十五获得单元，所述第十五获得单元用于获得所述第一课程计划图像信息中的第一科目类别信息以及所述第一科目对应的第一课时信息；
第十六获得单元，所述第十六获得单元用于获得所述第一用户的第一特长信息；
第十七获得单元，所述第十七获得单元用于根据所述第一特长信息与所述第一科目类别信息获得所述第一科目的第一权重值；
第一确定单元，所述第一确定单元用于根据所述第一权重值与所述第一科目对应的第一课时信息确定第二课程计划信息。
第三方面，本发明提供了一种基于人工智能的在线教育课程管理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种基于人工智能的在线教育课程管理方法及系统，通过获得第一用户的第一课程计划图像信息；将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得所述第一用户的第一时间规划信息；判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准，从而解决了现有技术中在线教育课程管理无法精确为每一个用户定制个性化课程，使得用户学习的有效性差，学习效果不佳的技术问题，达到了结合人工智能对用户定制精确的个性化课程，促进用户有效学习，保障良好学习效果，提升学习效率的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明实施例中一种基于人工智能的在线教育课程管理方法的流程示意图；
图2为本发明实施例中一种基于人工智能的在线教育课程管理系统的结构示意图；
图3为本发明实施例中另一种基于人工智能的在线教育课程管理系统的结构示意图。
附图标记说明：第一获得单元11，第一训练单元12，第二获得单元13，第三获得单元14，第四获得单元15，第一判断单元16，第一执行单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本发明实施例提供了一种基于人工智能的在线教育课程管理方法及系统，用于解决现有技术中在线教育课程管理无法精确为每一个用户定制个性化课程，使得用户学习的有效性差，学习效果不佳的技术问题。
本发明提供的技术方案总体思路如下：获得第一用户的第一课程计划图像信息；将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得所述第一用户的第一时间规划信息；判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准，从而达到了结合人工智能对用户定制精确的个性化课程，促进用户有效学习，保障良好学习效果，提升学习效率的技术效果。
下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
实施例一
图1为本发明实施例中一种基于人工智能的在线教育课程管理方法的流程示意图。如图1所示，本发明实施例提供了一种基于人工智能的在线教育课程管理方法，所述方法包括：
步骤110：获得第一用户的第一课程计划图像信息。
具体而言，所述第一用户可以是学生，也可以是具有完全行为能力的合法公民，第一课程计划图像信息是第一用户的关于第一课程的课时安排以及学习规划图像。例如，第一用户挑选了多科目选修课程，对这多科目选修课程制定了第一课程计划。在获得第一用户的第一课程计划图像之前，首先对采集的初始第一课程计划图像进行预处理，其中，预处理主要是对初始第一课程计划图像的尺寸、像素进行处理，将初始第一课程计划图像处理为尺寸、像素相同的图像信息，即第一课程计划图像信息，便于训练模型统一处理。
步骤120：将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息。
进一步的，所述将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：获得所述第一用户的第一计划周期；根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；获得所述第一课程的第一预期测评效果；根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
具体而言，训练模型即机器学习中的神经网络模型，神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。神经网络模型由网络拓扑.节点特点和学习规则来表示。本申请实施例中的训练模型是通过多组训练数据利用机器学习训练得出的，其中，机器学习是实现人工智能的一种途径，它和数据挖掘有一定的相似性，也是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。对比于数据挖掘从大数据之间找相互特性而言，机器学习更加注重算法的设计，让计算机能够白动地从数据中“学习”规律，并利用规律对未知数据进行预测。多组中的训练数据中的每一组训练数据均包括：第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息。其中，将预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息作为监督数据。
首先，通过获得第一用户的第一计划周期，其中，第一计划周期是第一用户考虑自身因素与客观因素(如学校规定时间范围等)设定的学习第一课程的时间周期。根据第一计划周期获得第一用户在第一时间节点对应的第一完成度等级，其中，第一完成度等级是对第一用户在规定的时间节点划分的第一用户对第一课程中阶段性学习的完成度等级，如可通过阶段测评获得第一完成度等级。其次，获得第一课程的第一预期测评效果，如第一预期测评效果可以是第一课程的综合评分等级(A、B、C、D评分)或学分制度等。根据第一预期测评效果获得标定的第一用户的第一专注度，即根据第一预期测评效果对第一用户的专注度进行标定，如综合评分等级为A，标定第一专注度为95％等。最后，将第一完成度等级与第一专注度作为监督数据，输入每一组训练数据中，对第一用户的第一课程计划图像信息进行训练。
步骤130：获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息。
步骤140：根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息。
进一步的，所述根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息，包括：获得预设第一完成度等级阈值；判断所述第一课程计划图像对应的所述第一完成度等级信息是否符合所述预设第一完成度等级阈值；如果所述第一课程计划图像对应的所述第一完成度等级信息符合所述预设第一完成度等级阈值，获得预设第一专注度阈值；如果所述第一课程计划图像对应的所述第一完成度等级信息不符合所述预设第一完成度等级阈值，将所述第一课程计划图像滤除。
进一步的，所述获得预设第一专注度阈值之后，包括：判断所述第一课程计划图像对应的所述第一专注度信息是否符合所述预设第一专注度阈值；如果所述第一课程计划图像对应的所述第一专注度信息不符合所述预设第一专注度阈值，将所述第一课程计划图像滤除；如果所述第一课程计划图像对应的所述第一专注度信息符合所述预设第一专注度阈值，获得标准课程计划图像信息。
具体而言，通过步骤120对第一课程计划图像信息进行训练之后，获得输出信息，其中，输出信息包括第一课程计划图像对应的第一完成度等级信息和第一专注度信息，也就是说，输出信息中包括第一用户对应第一课程计划图像中的第一时间节点处的第一完成度等级和第一专注度。进而对第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息。首先，根据第一课程的达标信息或第一用户对于学习第一课程的第一计划周期预设第一完成度等级阈值，判断第一课程计划图像对应的第一完成度等级信息是否符合预设第一完成度等级阈值。如果第一课程计划图像对应的第一完成度等级信息符合预设第一完成度等级阈值，进而可根据第一课程的达标信息或第一用户预期学习效果信息获得预设第一专注度阈值。如果第一课程计划图像对应的第一完成度等级信息不符合预设第一完成度等级阈值，将第一课程计划图像滤除。
在获得预设第一专注度阈值之后，判断第一课程计划图像对应的第一专注度信息是否符合预设第一专注度阈值。如果第一课程计划图像对应的第一专注度信息不符合预设第一专注度阈值，将第一课程计划图像滤除。例如，第一用户执行第一课程计划能够在规定的时间节点达到相应的第一完成度等级阈值，但第一用户对于第一课程的专注度不够，可能存在第一用户对于第一课程的基础好，但对第一课程学习的专注度不够。如果第一课程计划图像对应的第一专注度信息符合预设第一专注度阈值，获得标准课程计划图像信息。
步骤150：获得所述第一用户的第一时间规划信息。
步骤160：判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件。
进一步的，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，其中，所述第一预设条件具体为：所述第一时间规划信息与所述标准课程计划图像信息的匹配度达到80％以上。
步骤170：当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准。
具体而言，第一时间规划信息是第一用户对于自身学习、生活的时间统筹规划。例如，第一用户除了选修课还有多门必修课，第一时间规划信息中不仅包含第一用户的主修课学习规划，还包括第一用户对于选修课、生活的时间规划信息。判断第一时间规划信息与标准课程计划图像信息的匹配度是否满足第一预设条件，其中，第一预设条件具体为第一时间规划信息与标准课程计划图像信息的匹配度达到80％以上。也就是说，判断第一时间规划信息与标准课程计划图像信息之间是否存在时间冲突。当第一时间规划信息与标准课程计划图像信息的匹配度满足第一预设条件时，将标准课程计划图像信息作为第一用户的第一课程管理标准。
进一步的，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，包括：当所述第一时间规划信息与所述标准课程计划图像信息的匹配度不满足第一预设条件时，获得所述第一用户的第一进度信息；获得所述第一用户的第一需求信息；根据所述第一进度信息与所述第一需求信息获得来自所述第一用户的第一指令信息；根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，将所述第二课程计划信息作为所述第一用户的第二课程管理标准。
进一步的，所述根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，包括：获得所述第一课程计划图像信息中的第一科目类别信息以及所述第一科目对应的第一课时信息；获得所述第一用户的第一特长信息；根据所述第一特长信息与所述第一科目类别信息获得所述第一科目的第一权重值；根据所述第一权重值与所述第一科目对应的第一课时信息确定第二课程计划信息。
具体而言，当第一时间规划信息与标准课程计划图像信息的匹配度不满足第一预设条件时，获得第一用户的第一进度信息，其中，第一进度信息是第一用户当前学习第一课程的进度。进而获得第一用户的第一需求信息，根据第一进度信息与第一需求信息获得来自第一用户的第一指令信息，例如，第一用户学习第一课程的进度较快，可以根据第一用户当前的学习进度与第一用户预习的学习效果确定调节标准课程计划的第一指令信息。进而获得第一课程计划图像信息中的第一科目类别信息以及第一科目对应的第一课时信息，如第一课程计划图像信息中包括第一科目、第二科目，以及它们对应的课时。第一特长信息是第一用户擅长的科目信息或科目模块信息。根据第一特长信息与第一科目类别信息对第一科目、第二科目划分权重值，例如，第一用户擅长第一科目，分别对第一科目、第二科目划分权重值分别为2和3。根据第一权重值与第一科目对应的第一课时信息确定第二课程计划信息，将第二课程计划信息作为第一用户的第二课程管理标准，完成精准的个性化定制课程计划，保证用户学习的有效性。
进一步的，本实施例中的基于人工智能的在线教育课程管理方法也可结合机器学习中的回归算法来实现，其中，回归算法是一种用来构建自变量和应变量之间关系的算法，在机器学习中，应变量是目标值，自变量是特征。具体的步骤为：获得第一用户对所述第一课程的第一专注度；获得所述第一用户对第一课程的第一完成度等级；将所述第一专注度与所述第一完成度等级输入逻辑回归模型，其中，所述逻辑回归模型为使用多组数据通过机器学习训练得出的，所述多组数据中的每组数据均包括：第一课程计划、所述第一专注度、所述第一完成度等级；获取所述逻辑回归模型的输出信息，其中，所述输出信息为标准课程计划信息，其中的所述逻辑回归模型的输出信息是利用所述第一用户对所述第一课程的第一专注度与所述第一用户对第一课程的第一完成度等级之间形成的线性分类线得出的，对于所述第一用户对所述第一课程的第一专注度越高，则所述第一用户对第一课程的第一完成度等级则越高，根据所述第一用户对第一课程中不同科目在不同时段的第一专注度，进而得到不同科目的第一完成度等级，并依据所述第一完成度等级匹配准课程计划信息作为所述第一用户的第一课程管理标准，促进用户有效学习，保障良好学习效果。
进一步的，本实施例中逻辑回归模型是通过采用多组数据利用监督学习训练得出的，其中，监督学习是机器学习中的一种，监督学习是从给定的训练数据集中学习一个函数(模型)，当新的数据到来时，可以根据这个函数(模型)预测结果。
实施例二
基于与前述实施例中一种基于人工智能的在线教育课程管理方法同样的发明构思，本发明还提供一种基于人工智能的在线教育课程管理方法装置，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一用户的第一课程计划图像信息；
第一训练单元12，所述第一训练单元12用于将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；
第二获得单元13，所述第二获得单元13用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；
第三获得单元14，所述第三获得单元14用于根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；
第四获得单元15，所述第四获得单元15用于获得所述第一用户的第一时间规划信息；
第一判断单元16，所述第一判断单元16用于判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；
第一执行单元17，所述第一执行单元17用于当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准。
进一步的，所述第一训练单元中将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：
第五获得单元，所述第五获得单元用于获得所述第一用户的第一计划周期；
第六获得单元，所述第六获得单元用于根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；
第七获得单元，所述第七获得单元用于获得所述第一课程的第一预期测评效果；
第八获得单元，所述第八获得单元用于根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；
第二训练单元，所述第二训练单元用于将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
进一步的，所述第三获得单元中根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息，包括：
第九获得单元，所述第九获得单元用于获得预设第一完成度等级阈值；
第二判断单元，所述第二判断单元用于判断所述第一课程计划图像对应的所述第一完成度等级信息是否符合所述预设第一完成度等级阈值；
第十获得单元，所述第十获得单元用于如果所述第一课程计划图像对应的所述第一完成度等级信息符合所述预设第一完成度等级阈值，获得预设第一专注度阈值；
第二执行单元，所述第二执行单元用于如果所述第一课程计划图像对应的所述第一完成度等级信息不符合所述预设第一完成度等级阈值，将所述第一课程计划图像滤除。
进一步的，所述获得预设第一专注度阈值之后，包括：
第三判断单元，所述第三判断单元用于判断所述第一课程计划图像对应的所述第一专注度信息是否符合所述预设第一专注度阈值；
第三执行单元，所述第三执行单元用于如果所述第一课程计划图像对应的所述第一专注度信息不符合所述预设第一专注度阈值，将所述第一课程计划图像滤除；
第十一获得单元，所述第十一获得单元用于如果所述第一课程计划图像对应的所述第一专注度信息符合所述预设第一专注度阈值，获得标准课程计划图像信息。
进一步的，所述第一判断单元中判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，其中，所述第一预设条件具体为：所述第一时间规划信息与所述标准课程计划图像信息的匹配度达到80％以上。
进一步的，所述第一判断单元中判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，包括：
第十二获得单元，所述第十二获得单元用于当所述第一时间规划信息与所述标准课程计划图像信息的匹配度不满足第一预设条件时，获得所述第一用户的第一进度信息；
第十三获得单元，所述第十三获得单元用于获得所述第一用户的第一需求信息；
第十四获得单元，所述第十四获得单元用于根据所述第一进度信息与所述第一需求信息获得来自所述第一用户的第一指令信息；
第四执行单元，所述第四执行单元用于根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，将所述第二课程计划信息作为所述第一用户的第二课程管理标准。
进一步的，所述第四执行单元中根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，包括：
第十五获得单元，所述第十五获得单元用于获得所述第一课程计划图像信息中的第一科目类别信息以及所述第一科目对应的第一课时信息；
第十六获得单元，所述第十六获得单元用于获得所述第一用户的第一特长信息；
第十七获得单元，所述第十七获得单元用于根据所述第一特长信息与所述第一科目类别信息获得所述第一科目的第一权重值；
第一确定单元，所述第一确定单元用于根据所述第一权重值与所述第一科目对应的第一课时信息确定第二课程计划信息。
前述图1实施例一中的一种基于人工智能的在线教育课程管理方法的各种变化方式和具体实例同样适用于本实施例的一种基于人工智能的在线教育课程管理系统，通过前述对一种基于人工智能的在线教育课程管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于人工智能的在线教育课程管理系统的实施方法，所以为了说明书的简洁，在此不再详述。
实施例三
基于与前述实施例中一种基于人工智能的在线教育课程管理方法同样的发明构思，本发明还提供一种基于人工智能的在线教育课程管理系统，如图3所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现前文所述基于人工智能的在线教育课程管理方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种基于人工智能的在线教育课程管理方法同样的发明构思，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获得第一用户的第一课程计划图像信息；将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得所述第一用户的第一时间规划信息；判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准。
在具体实施过程中，该程序被处理器执行时，还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明实施例提供的一种基于人工智能的在线教育课程管理方法及系统，通过获得第一用户的第一课程计划图像信息；将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；获得所述第一用户的第一时间规划信息；判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准，从而解决了现有技术中在线教育课程管理无法精确为每一个用户定制个性化课程，使得用户学习的有效性差，学习效果不佳的技术问题，达到了结合人工智能对用户定制精确的个性化课程，促进用户有效学习，保障良好学习效果，提升学习效率的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (9)
1.一种基于人工智能的在线教育课程管理方法，其特征在于，所述方法包括：
获得第一用户的第一课程计划图像信息，其中，第一课程计划由所述第一用户制定；
将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；所述训练模型为神经网络模型；
获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；
根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；
获得所述第一用户的第一时间规划信息；
判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；
当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准；
其中，所述将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：
获得所述第一用户的第一计划周期；
根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；
获得所述第一课程的第一预期测评效果；
根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；
将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息，包括：
获得预设第一完成度等级阈值；
判断所述第一课程计划图像对应的所述第一完成度等级信息是否符合所述预设第一完成度等级阈值；
如果所述第一课程计划图像对应的所述第一完成度等级信息符合所述预设第一完成度等级阈值，获得预设第一专注度阈值；
如果所述第一课程计划图像对应的所述第一完成度等级信息不符合所述预设第一完成度等级阈值，将所述第一课程计划图像滤除。
3.如权利要求2所述的方法，其特征在于，所述获得预设第一专注度阈值之后，包括：
判断所述第一课程计划图像对应的所述第一专注度信息是否符合所述预设第一专注度阈值；
如果所述第一课程计划图像对应的所述第一专注度信息不符合所述预设第一专注度阈值，将所述第一课程计划图像滤除；
如果所述第一课程计划图像对应的所述第一专注度信息符合所述预设第一专注度阈值，获得标准课程计划图像信息。
4.如权利要求1所述的方法，其特征在于，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，其中，所述第一预设条件具体为：所述第一时间规划信息与所述标准课程计划图像信息的匹配度达到80％以上。
5.如权利要求4所述的方法，其特征在于，所述判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件，包括：
当所述第一时间规划信息与所述标准课程计划图像信息的匹配度不满足第一预设条件时，获得所述第一用户的第一进度信息；
获得所述第一用户的第一需求信息；
根据所述第一进度信息与所述第一需求信息获得来自所述第一用户的第一指令信息；
根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，将所述第二课程计划信息作为所述第一用户的第二课程管理标准。
6.如权利要求5所述的方法，其特征在于，所述根据所述第一指令信息对所述标准课程计划图像信息进行调整，获得第二课程计划信息，包括：
获得所述第一课程计划图像信息中的第一科目类别信息以及所述第一科目对应的第一课时信息；
获得所述第一用户的第一特长信息；
根据所述第一特长信息与所述第一科目类别信息获得所述第一科目的第一权重值；
根据所述第一权重值与所述第一科目对应的第一课时信息确定第二课程计划信息。
7.一种基于人工智能的在线教育课程管理系统，其特征在于，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一用户的第一课程计划图像信息，其中，第一课程计划由所述第一用户制定；
第一训练单元，所述第一训练单元用于将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息；所述训练模型为神经网络模型；
第二获得单元，所述第二获得单元用于获得所述训练模型的输出信息，其中，所述输出信息包括所述第一课程计划图像对应的第一完成度等级信息和第一专注度信息；
第三获得单元，所述第三获得单元用于根据所述第一课程计划图像对应的所述第一完成度等级信息和所述第一专注度信息，对所述第一课程计划图像信息进行筛选过滤，获得标准课程计划图像信息；
第四获得单元，所述第四获得单元用于获得所述第一用户的第一时间规划信息；
第一判断单元，所述第一判断单元用于判断所述第一时间规划信息与所述标准课程计划图像信息的匹配度是否满足第一预设条件；
第一执行单元，所述第一执行单元用于当所述第一时间规划信息与所述标准课程计划图像信息的匹配度满足第一预设条件时，将所述标准课程计划图像信息作为所述第一用户的第一课程管理标准；
其中，所述第一训练单元中将所述第一课程计划图像信息输入训练模型，其中，所述训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一课程计划图像信息、预设第一完成度等级作为第一标签信息和预设第一专注度作为第二标签信息，包括：
第五获得单元，所述第五获得单元用于获得所述第一用户的第一计划周期；
第六获得单元，所述第六获得单元用于根据所述第一计划周期获得所述第一用户在第一时间节点对应的第一完成度等级；
第七获得单元，所述第七获得单元用于获得所述第一课程的第一预期测评效果；
第八获得单元，所述第八获得单元用于根据所述第一预期测评效果获得标定的所述第一用户的第一专注度；
第二训练单元，所述第二训练单元用于将所述第一完成度等级与所述第一专注度作为监督数据，输入所述每一组训练数据中，对所述第一用户的第一课程计划图像信息进行训练。
8.一种基于人工智能的在线教育课程管理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010627478.2A CN111754370B (zh) | 2020-07-01 | 2020-07-01 | 一种基于人工智能的在线教育课程管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010627478.2A CN111754370B (zh) | 2020-07-01 | 2020-07-01 | 一种基于人工智能的在线教育课程管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754370A CN111754370A (zh) | 2020-10-09 |
| CN111754370B true CN111754370B (zh) | 2021-04-27 |
Family
ID=72678754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010627478.2A Active CN111754370B (zh) | 2020-07-01 | 2020-07-01 | 一种基于人工智能的在线教育课程管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111754370B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418599B (zh) * | 2020-10-15 | 2023-02-10 | 重庆市科学技术研究院 | 一种基于指标集的企业成长路径规划方法及系统 |
| CN112289136A (zh) * | 2020-11-10 | 2021-01-29 | 南通市第一人民医院 | 一种危险预知强化护理实践技能训练方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106485616A (zh) * | 2016-09-28 | 2017-03-08 | 杭州电子科技大学 | 一种自适应的移动网络教学分级模型及系统 |
| CN108198103A (zh) * | 2017-12-01 | 2018-06-22 | 深圳市科迈爱康科技有限公司 | 教学方法、装置及计算机可读存储介质 |
| CN108596804A (zh) * | 2018-04-28 | 2018-09-28 | 重庆玮宜电子科技有限公司 | 多线程在线教育评价方法 |
| CN109597937A (zh) * | 2018-12-03 | 2019-04-09 | 华中师范大学 | 网络课程推荐方法及装置 |
| CN111209474A (zh) * | 2019-12-27 | 2020-05-29 | 广东德诚科教有限公司 | 在线课程的推荐方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089779A1 (en) * | 2016-09-29 | 2018-03-29 | Linkedln Corporation | Skill-based ranking of electronic courses |
| CN107180284A (zh) * | 2017-07-07 | 2017-09-19 | 北京航空航天大学 | 一种基于学习行为特征的spoc学生每周表现预测方法及装置 |
| CN107423851A (zh) * | 2017-07-20 | 2017-12-01 | 上海理工大学 | 基于学习风格情境感知的自适应学习方法 |
| CN108615423A (zh) * | 2018-06-21 | 2018-10-02 | 中山大学新华学院 | 一种基于深度学习的线上教育管理系统 |
-
2020
- 2020-07-01 CN CN202010627478.2A patent/CN111754370B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485616A (zh) * | 2016-09-28 | 2017-03-08 | 杭州电子科技大学 | 一种自适应的移动网络教学分级模型及系统 |
| 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 |
| CN108198103A (zh) * | 2017-12-01 | 2018-06-22 | 深圳市科迈爱康科技有限公司 | 教学方法、装置及计算机可读存储介质 |
| CN108596804A (zh) * | 2018-04-28 | 2018-09-28 | 重庆玮宜电子科技有限公司 | 多线程在线教育评价方法 |
| CN109597937A (zh) * | 2018-12-03 | 2019-04-09 | 华中师范大学 | 网络课程推荐方法及装置 |
| CN111209474A (zh) * | 2019-12-27 | 2020-05-29 | 广东德诚科教有限公司 | 在线课程的推荐方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111754370A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
| Nieto et al. | Supporting academic decision making at higher educational institutions using machine learning-based algorithms | |
| Naser et al. | Predicting student performance using artificial neural network: In the faculty of engineering and information technology | |
| Gray et al. | Fuzzy cognitive maps as representations of mental models and group beliefs | |
| CN111754370B (zh) | 一种基于人工智能的在线教育课程管理方法及系统 | |
| US20080222064A1 (en) | Processes and Systems for Automated Collective Intelligence | |
| Alshmrany | Adaptive learning style prediction in e-learning environment using levy flight distribution based CNN model | |
| CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
| Jani et al. | A framework of software requirements quality analysis system using case-based reasoning and Neural Network | |
| Hatwágner et al. | Parameterization and concept optimization of FCM models | |
| Andayani et al. | Decision-making model for student assessment by unifying numerical and linguistic data | |
| Leśniak | Supporting contractors’ bidding decision: RBF neural networks application | |
| CN113313470B (zh) | 一种基于大数据的就业类型评估方法及系统 | |
| Motlagh et al. | An agile FCM for real-time modeling of dynamic and real-life systems | |
| Ozbey et al. | The determination and analysis of factors affecting to student learning by artificial intelligence in higher education | |
| OROZOVA et al. | Generalized net model for dynamic decision making and prognoses | |
| CN111950987B (zh) | 一种基于互联网的远程教育培训方法及系统 | |
| CN112370039B (zh) | 一种基于智慧课堂的课堂质量检测方法及装置 | |
| Wang et al. | A novel intelligent multi-attribute three-way group sorting method based on dempster-shafer theory | |
| Razak et al. | Modelling Hierarchical Fuzzy Systems for Mango Grading via FuzzyR Toolkit | |
| Gupta et al. | Student Performance Evaluation Expert System Using Machine Learning to Make Cognitive Decisions | |
| Infanger et al. | Applying Time-Inhomogeneous Markov Chains to Math Performance Rating | |
| CN116050780B (zh) | 一种基于教育平台的教育智能化管理方法及系统 | |
| Indrawati | Development of decision support system for employee selection using Adaptive Neuro Fuzzy Inference System | |
| CN112965703B (zh) | 克服多头领导的教师主导人工智能教育机器人 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210413 Address after: Unit 1602, building B, 1032 Xiahe Road, Siming District, Xiamen City, Fujian Province Applicant after: Xiamen dedicated online education technology Co.,Ltd. Address before: 510700 Room 102, 680 Guangxin Road, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Guangzhou chixing General Technology Research Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220112 Address after: 361000 room 1702, No. 1034, Xiahe Road, Siming District, Xiamen City, Fujian Province Patentee after: Data age (Xiamen) Information Service Co.,Ltd. Address before: Unit 1602, building B, 1032 Xiahe Road, Siming District, Xiamen City, Fujian Province Patentee before: Xiamen dedicated online education technology Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An online education course management method and system based on artificial intelligence Effective date of registration: 20230223 Granted publication date: 20210427 Pledgee: Fujian Jin Channel Financing Guarantee Co.,Ltd. Pledgor: Data age (Xiamen) Information Service Co.,Ltd. Registration number: Y2023980033302 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20210427 Pledgee: Fujian Jin Channel Financing Guarantee Co.,Ltd. Pledgor: Data age (Xiamen) Information Service Co.,Ltd. Registration number: Y2023980033302 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Online Education Course Management Based on Artificial Intelligence Granted publication date: 20210427 Pledgee: Fujian Jin Channel Financing Guarantee Co.,Ltd. Pledgor: Data age (Xiamen) Information Service Co.,Ltd. Registration number: Y2024980007483 |