CN111914162B - 一种基于知识图谱的个性化学习方案引导方法 - Google Patents

一种基于知识图谱的个性化学习方案引导方法 Download PDF

Info

Publication number
CN111914162B
CN111914162B CN202010482645.9A CN202010482645A CN111914162B CN 111914162 B CN111914162 B CN 111914162B CN 202010482645 A CN202010482645 A CN 202010482645A CN 111914162 B CN111914162 B CN 111914162B
Authority
CN
China
Prior art keywords
learner
knowledge
learning
evaluation
knowledge point
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
CN202010482645.9A
Other languages
English (en)
Other versions
CN111914162A (zh
Inventor
王磊
邹超群
王彬
李薇
费蓉
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.)
Dalian Houren Technology Co ltd
Xi'an Huaqi Zhongxin Technology Development Co ltd
Original Assignee
Dalian Houren 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 Dalian Houren Technology Co ltd filed Critical Dalian Houren Technology Co ltd
Priority to CN202010482645.9A priority Critical patent/CN111914162B/zh
Publication of CN111914162A publication Critical patent/CN111914162A/zh
Application granted granted Critical
Publication of CN111914162B publication Critical patent/CN111914162B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的目的是提供一种基于知识图谱的个性化学习方案引导方法，首先获取学习者的基本信息和学习动态信息，然后根据采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；选择学科中基本的知识内容作为知识点，提取知识点具有代表性的属性作为重要属性，分别对每种重要属性进行量化得到量化的结果；然后分别将学习者特征的评价结果和知识点重要属性进行差异匹配，计算学习者与知识点之间的匹配度；最后通输出一条适合学习者的学习路径序列，反馈给学习者。本发明结合计算机技术和理论方法，在对学习者自主学习的过程中进行有效的指导。

Description

一种基于知识图谱的个性化学习方案引导方法
技术领域
本发明属于知识图谱的个性化学习技术领域，具体涉及一种基于知识图谱的个性化学习方案引导方法。
背景技术
近年来，随着互联网技术的迅猛发展，线上学习逐渐兴起，它打破了时间和空间的限制，大大缓解了教育资源短缺或分配不均的难题，成为了未来教育发展的一种趋势。但是目前的线上学习系统存在一些问题：首先，现有线上学习多以传授方式为主，不能及时反馈学习者的当前学习状况；其次，线上学习系统因其标准化而不能适应学习者的个性特征和知识水平的差异；最后，学习者在学习过程中可能会偏离学习目标，而传统学习系统未能有效给予学习者学习路径的引导和学习内容的推荐。
知识图谱可以描述真实世界中存在的各种实体或概念以及它们之间的联系，知识图谱最初在搜索领域获得应用之后，逐渐的扩展到了其他领域，目前知识图谱在关系推理、情报分析、智能问答中的应用都较为广泛。在个性化推荐方面，知识图谱主要是用于旅游、电影、音乐和书籍的推荐，而将知识图谱和教育结合进行研究的较少。为展示知识点之间的关联性和知识结构，利用知识图谱关系表达能力强的特点。在知识图谱映射的网络中，为学习者寻找最合适的知识，最终为学习者提供一条合理的学习路径。
发明内容
本发明的目的是提供一种基于知识图谱的个性化学习方案引导方法，结合计算机技术和理论方法，在对学习者自主学习的过程中进行有效的指导。
本发明所采用的技术方案是，一种基于知识图谱的个性化学习方案引导方法，具体按照以下步骤实施：
步骤1、获取学习者的基本信息，将基本信息存入数据库，将数据库命名为学习者基本信息数据库，学习者的基本信息包括姓名、年龄、性别、教育程度；采集学习者的学习动态信息，学习者的学习动态信息包括测试成绩、测试时间排名、作业完成率、测试成绩平均得分、学习总时长、学习总进度，将学习者的学习动态信息存入学习者行为数据库；
步骤2、根据步骤1采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；
步骤3、选择学科中基本的知识内容作为知识点，其中，知识点的编号、知识的名称、知识点的所属知识章节范围、知识点的难度系数、知识点与其它知识点的联系程度、知识点的相关资源作为知识点的固有属性，提取知识点具有代表性的属性作为重要属性，重要属性包括知识点的难度系数、知识点的关联程度、知识点的资源类型这三种，分别对每种重要属性进行量化得到量化的结果；
步骤4、分别将步骤2得到的学习者特征的评价结果和步骤3得到的知识点重要属性进行差异匹配，根据最小差异匹配原则，计算学习者与知识点之间的匹配度；
步骤5、从学习者当前学完的知识点开始，结合步骤4计算得到的学习者和知识点之间的匹配度和步骤2中学习者特征的评价结果，在知识图谱映射的网络空间中遍历整个网络空间；
步骤6、通过步骤5进行排序后，最终输出一条适合学习者的学习路径序列，反馈给学习者。
本发明的特点还在于，
步骤2中，认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
学习能力即学习者在学习活动中掌握知识的能力，通过掌握知识的快慢和效果衡量；
学习风格即学习者对学习资源类型的偏好，分为文本、演示文稿、视频三种类型；
以上三种特征构成了学习者特征。
步骤2中模糊综合评价法的具体过程：
步骤2.1、选定评价对象：选定学习者的学习能力和认知水平两种特征作为模糊综合评价的评价对象；
步骤2.2、确定评价对象的指标集：选择步骤1获取的学习者动态信息作为评价指标，评价指标包括测试成绩、测试时间排名、作业完成率、学习总时长、学习总进度；
步骤2.3、确定评价集：将步骤2.2中的评价指标进行模糊分割处理，分割出不同区间对应的评价等级；
步骤2.4、确定评价指标权重：利用层次分析法确定评价指标对评价对象影响的权重；
步骤2.5、构建综合评价矩阵：确定评价对象中各指标对步骤2.3中评价集的隶属函数，将输入的指标集中的数据带入隶属函数求得隶属度，得出综合评价矩阵；
步骤2.6、评价结果分析：通过对步骤2.4中得到的评价矩阵和步骤2.5 中得到的综合评价矩阵进行合成运算得到评价结果向量，经过精确化处理最终得到评价结果。
步骤2.3中评价等级具体如下：
将测试成绩的取值分为“优秀”、“良好”、“中等”、“及格”、“较差”五个等级，根据学习者多次测试成绩的平均值，判定测试成绩这一指标落在哪一个等级区间内；
将测试时间排名的取值分为“高”、“较高”、“中等”、“较低”、“低”五个等级，根据学习者多次测试所用时间的在所有学习者中的排名，判定测试时间排名这一指标落在哪一个等级区间内；
将作业完成率的取值分为“好”、“较好”、“中等”、“较差”、“差”五个等级，根据学习者在已学过知识点中的作业完成率情况，判定作业完成率这一指标落在哪一个等级区间内；
将学习总时长的取值分为“多”、“较多”、“中等”、“较少”、“少”五个等级，统计学习者的学习时长，判定这一指标落在哪一个等级区间内；
将学习总进度的取值分为“快”、“较快”、“中等”、“较慢”、“慢”五个等级，根据学习者已学过知识点数量和所有知识点数量的比值，判定测试时间排名这一指标落在哪一个等级区间内。
步骤3中对每种重要属性进行量化具体如下：
知识点的关联程度：体现为知识点与知识点之间的语义密集程度，映射在图谱中，每个实体都有0～n个与之关联的实体，第i个知识点的关联程度定义为关联数目ci均值归一化后的值；
知识点的难度系数：使用专家判别法进行定义，每个知识点的难度分值介于0～1之间，分值越大代表知识点难度越高；
知识点的资源类型分为文本、演示文稿、视频三种类型。
步骤4具体如下：
步骤4.1、计算第i个学习者学习能力和第p个知识点难度系数的差异度 S1：
S1＝|Ni-Hp|
其中，Ni表示第i个学习者的学习能力，Hp表示第p个知识点p的难度系数，i,p均为常数；
步骤4.2、计算第i个学习者认识水平和第p个知识点关联程度的差异度 S2：
S2＝|Ri-Gp|
其中，Ri表示第i个学习者的认知水平，Gp表示第p个知识点的关联系数，i,p均为常数；
步骤4.3、计算第i个学习者学习风格与第p个知识点资源类型的差异度 S3：
S3＝|Fi-Zp|
其中，Fi表示第i个学习者的认知水平，Zp表示第p个知识点的资源类型，i,p均为常数；
步骤4.4、将学习者特征与知识点的重要属性进行匹配，根据计算出的匹配度进行知识点的优先排列，对于第i个学习者和第p个知识点，匹配度mi,p的计算公式如下：
Figure BDA0002517705670000051
其中，|Ri-Gp|表示学习者认知水平与知识点关联程度的差异度，|Ni-Hp| 表示学习者学习能力与知识点难度系数差异度，|Fi-Zp|表示学习者学习风格与知识点资源类型的差异度，λ1,λ2,λ3分别表示各差异度的权重，λ1,λ2,λ3取值均为0～1之间，且λ1+λ2+λ3＝1。
步骤5具体如下：
步骤5.1、根据步骤2中收集的学习者动态信息，获取学习者当前学过的知识点，将学习者最新学过的知识点作为根节点，将学习过程中未学过的知识点看成一个有向图；
步骤5.2、将有向图表示为一个邻接矩阵；
步骤5.3、依据邻接矩阵，从当前第一个知识点出发，采用图搜索算法寻找与当前知识点相邻的匹配度最高的下一个知识点，知识点的匹配度由步骤4.4计算得出；
步骤5.4、将遍历结果进行排序，生成路径方案；
步骤5.5、每个阶段的学习结束后，根据学习者的学习情况和测试情况重新计算器个性化特征和知识点的匹配度，由此进行更新。
本发明的有益效果是，一种基于知识图谱的个性化学习方案引导方法从学习者的角度进行分析，对学习者的行为进行挖掘，对原有学习者建模标准上进行拓展，从学习者的知识状态特征、学习风格、交互行为特征等方面刻画学习者。设计以一种基于知识图谱的个性化学习方案引导模型，将学习者产生的信息抽象成多种属性，对应每个知识点中提取关键属性，对知识点属性与学习者属性进行差异匹配。利用知识图谱在知识点之间的关联性和知识结构福安息表达能力强的特点。将知识图谱映射在网络结构中，在知识图谱中进行搜索，为学习者寻找最合适的知识，最终为学习者提供一条合理的学习路径方案。
附图说明
图1整体框架图；
图2学习者知识匹配图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于知识图谱的个性化学习方案引导方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、获取学习者的基本信息，将基本信息存入数据库，将数据库命名为学习者基本信息数据库，学习者的基本信息包括姓名、年龄、性别、教育程度；采集学习者的学习动态信息，学习者的学习动态信息包括测试成绩、测试时间排名、作业完成率、测试成绩平均得分、学习总时长、学习总进度，将学习者的学习动态信息存入学习者行为数据库；
步骤2、根据步骤1采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；
步骤2中，认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
学习能力即学习者在学习活动中掌握知识的能力，通过掌握知识的快慢和效果衡量；
学习风格即学习者对学习资源类型的偏好，分为文本、演示文稿、视频三种类型；
以上三种特征构成了学习者特征。
步骤2中模糊综合评价法的具体过程：
步骤2.1、选定评价对象：选定学习者的学习能力和认知水平两种特征作为模糊综合评价的评价对象；
步骤2.2、确定评价对象的指标集：选择步骤1获取的学习者动态信息作为评价指标，评价指标包括测试成绩、测试时间排名、作业完成率、学习总时长、学习总进度；
步骤2.3、确定评价集：将步骤2.2中的评价指标进行模糊分割处理，分割出不同区间对应的评价等级；
步骤2.4、确定评价指标权重：利用层次分析法确定评价指标对评价对象影响的权重；
步骤2.5、构建综合评价矩阵：确定评价对象中各指标对步骤2.3中评价集的隶属函数，将输入的指标集中的数据带入隶属函数求得隶属度，得出综合评价矩阵；
步骤2.6、评价结果分析：通过对步骤2.4中得到的评价矩阵和步骤2.5 中得到的综合评价矩阵进行合成运算得到评价结果向量，经过精确化处理最终得到评价结果。
步骤2.3中评价等级具体如下：
将测试成绩的取值分为“优秀”、“良好”、“中等”、“及格”、“较差”五个等级，根据学习者多次测试成绩的平均值，判定测试成绩这一指标落在哪一个等级区间内；
将测试时间排名的取值分为“高”、“较高”、“中等”、“较低”、“低”五个等级，根据学习者多次测试所用时间的在所有学习者中的排名，判定测试时间排名这一指标落在哪一个等级区间内；
将作业完成率的取值分为“好”、“较好”、“中等”、“较差”、“差”五个等级，根据学习者在已学过知识点中的作业完成率情况，判定作业完成率这一指标落在哪一个等级区间内；
将学习总时长的取值分为“多”、“较多”、“中等”、“较少”、“少”五个等级，统计学习者的学习时长，判定这一指标落在哪一个等级区间内；
将学习总进度的取值分为“快”、“较快”、“中等”、“较慢”、“慢”五个等级，根据学习者已学过知识点数量和所有知识点数量的比值，判定测试时间排名这一指标落在哪一个等级区间内。
步骤3、选择学科中基本的知识内容作为知识点，其中，知识点的编号、知识的名称、知识点的所属知识章节范围、知识点的难度系数、知识点与其它知识点的联系程度、知识点的相关资源作为知识点的固有属性，提取知识点具有代表性的属性作为重要属性，重要属性包括知识点的难度系数、知识点的关联程度、知识点的资源类型这三种，分别对每种重要属性进行量化得到量化的结果；
步骤3中对每种重要属性进行量化具体如下：
知识点的关联程度：体现为知识点与知识点之间的语义密集程度，映射在图谱中，每个实体都有0～n个与之关联的实体，第i个知识点的关联程度定义为关联数目ci均值归一化后的值；
知识点的难度系数：使用专家判别法进行定义，每个知识点的难度分值介于0～1之间，分值越大代表知识点难度越高；
知识点的资源类型分为文本、演示文稿、视频三种类型。
步骤4、分别将步骤2得到的学习者特征的评价结果和步骤3得到的知识点重要属性进行差异匹配，根据最小差异匹配原则，计算学习者与知识点之间的匹配度；
如图2所示，步骤4具体如下：
步骤4.1、计算第i个学习者学习能力和第p个知识点难度系数的差异度 S1：
S1＝|Ni-Hp|
其中，Ni表示第i个学习者的学习能力，Hp表示第p个知识点p的难度系数，i,p均为常数；
步骤4.2、计算第i个学习者认识水平和第p个知识点关联程度的差异度 S2：
S2＝|Ri-Gp|
其中，Ri表示第i个学习者的认知水平，Gp表示第p个知识点的关联系数，i,p均为常数；
步骤4.3、计算第i个学习者学习风格与第p个知识点资源类型的差异度 S3：
S3＝|Fi-Zp|
其中，Fi表示第i个学习者的认知水平，Zp表示第p个知识点的资源类型，i,p均为常数；
步骤4.4、将学习者特征与知识点的重要属性进行匹配，根据计算出的匹配度进行知识点的优先排列，对于第i个学习者和第p个知识点，匹配度mi,p的计算公式如下：
Figure BDA0002517705670000101
其中，|Ri-Gp|表示学习者认知水平与知识点关联程度的差异度，|Ni-Hp| 表示学习者学习能力与知识点难度系数差异度，|Fi-Zp|表示学习者学习风格与知识点资源类型的差异度，λ1,λ2,λ3分别表示各差异度的权重，λ1,λ2,λ3取值均为0～1之间，且λ1+λ2+λ3＝1。
步骤5、从学习者当前学完的知识点开始，结合步骤4计算得到的学习者和知识点之间的匹配度和步骤2中学习者特征的评价结果，在知识图谱映射的网络空间中遍历整个网络空间；
步骤5具体如下：
步骤5.1、根据步骤2中收集的学习者动态信息，获取学习者当前学过的知识点，将学习者最新学过的知识点作为根节点，将学习过程中未学过的知识点看成一个有向图；
步骤5.2、将有向图表示为一个邻接矩阵；
步骤5.3、依据邻接矩阵，从当前第一个知识点出发，采用图搜索算法寻找与当前知识点相邻的匹配度最高的下一个知识点，知识点的匹配度由步骤4.4计算得出；
步骤5.4、将遍历结果进行排序，生成路径方案；
步骤5.5、每个阶段的学习结束后，根据学习者的学习情况和测试情况重新计算器个性化特征和知识点的匹配度，由此进行更新。
步骤6、通过步骤5进行排序后，最终输出一条适合学习者的学习路径序列，反馈给学习者。
本发明，知识体系结构能为知识的关联提供指导，体系结构能够让知识链接，可以快速方便的让学习者对自己所学的碎片化知识有一个结构概况，从而进行有效的学习指导。为了描述一门学科的知识结构，表现知识结构中知识点以及知识点之间的联系，提出将知识图谱作为研究工具。
参考已有的学习者建模标准。首先，采集学习者信息和学习行为信息。然后，以学习者的认知水平、学习能力和学习风格为特征构建动态调整的学习者模型。通过构建学习者、知识点、学习资源之间的关联。通过计算知识点和学习者之间匹配度，基于知识图谱的知识点选择策略，选择满足学习目标的知识集合。最后面向不同风格的学习者，选择不同的学习序列进行推荐。引导学习者选择适合自己的学习路径，提高推荐的准确率和个性化程度。
在判定知识点的难度系数时，使用专家判别法进行定义，即根据考试大纲中专家对每个知识点难度判定的分值来定义难度系数。每个知识点的难度系数分值介于0～1之间，分值越大代表知识点难度越高。
本发明提出了一种基于知识图谱的个性化学习引导方案，根据分析学习者的个人学习特征和知识内容的特征，为学习者寻找最合适自身状态的学习内容，从而为学习者提供个性化的学习方案，达到个性化学习的需求。

Claims (1)

1.一种基于知识图谱的个性化学习方案引导方法，其特征在于，具体按照以下步骤实施：
步骤1、获取学习者的基本信息，将基本信息存入数据库，将数据库命名为学习者基本信息数据库，学习者的基本信息包括姓名、年龄、性别、教育程度；采集学习者的学习动态信息，学习者的学习动态信息包括测试成绩、测试时间排名、作业完成率、测试成绩平均得分、学习总时长、学习总进度，将学习者的学习动态信息存入学习者行为数据库；
步骤2、根据步骤1采集的学习者的学习动态信息，对学习者的学习能力、认知水平和学习风格三种个性特征使用模糊综合评价法进行综合评价，得出每种特征的评价结果；
所述步骤2中，认知水平即学习者在某一学习阶段的知识掌握情况，学习者在学习的过程中是由多个知识点组成的，学习者对知识的掌握程度反应出学习者的学习情况；
学习能力即学习者在学习活动中掌握知识的能力，通过掌握知识的快慢和效果衡量；
学习风格即学习者对学习资源类型的偏好，分为文本、演示文稿、视频三种类型；
以上三种特征构成了学习者特征；
所述步骤2中模糊综合评价法的具体过程：
步骤2.1、选定评价对象：选定学习者的学习能力和认知水平两种特征作为模糊综合评价的评价对象；
步骤2.2、确定评价对象的指标集：选择步骤1获取的学习者动态信息作为评价指标，评价指标包括测试成绩、测试时间排名、作业完成率、学习总时长、学习总进度；
步骤2.3、确定评价集：将步骤2.2中的评价指标进行模糊分割处理，分割出不同区间对应的评价等级；
步骤2.4、确定评价指标权重：利用层次分析法确定评价指标对评价对象影响的权重；
步骤2.5、构建综合评价矩阵：确定评价对象中各指标对步骤2.3中评价集的隶属函数，将输入的指标集中的数据带入隶属函数求得隶属度，得出综合评价矩阵；
步骤2.6、评价结果分析：通过对步骤2.4中得到的评价矩阵和步骤2.5中得到的综合评价矩阵进行合成运算得到评价结果向量，经过精确化处理最终得到评价结果；
所述步骤2.3中评价等级具体如下：
将测试成绩的取值分为“优秀”、“良好”、“中等”、“及格”、“较差”五个等级，根据学习者多次测试成绩的平均值，判定测试成绩这一指标落在哪一个等级区间内；
将测试时间排名的取值分为“高”、“较高”、“中等”、“较低”、“低”五个等级，根据学习者多次测试所用时间的在所有学习者中的排名，判定测试时间排名这一指标落在哪一个等级区间内；
将作业完成率的取值分为“好”、“较好”、“中等”、“较差”、“差”五个等级，根据学习者在已学过知识点中的作业完成率情况，判定作业完成率这一指标落在哪一个等级区间内；
将学习总时长的取值分为“多”、“较多”、“中等”、“较少”、“少”五个等级，统计学习者的学习时长，判定这一指标落在哪一个等级区间内；
将学习总进度的取值分为“快”、“较快”、“中等”、“较慢”、“慢”五个等级，根据学习者已学过知识点数量和所有知识点数量的比值，判定测试时间排名这一指标落在哪一个等级区间内；
步骤3、选择学科中基本的知识内容作为知识点，其中，知识点的编号、知识的名称、知识点的所属知识章节范围、知识点的难度系数、知识点与其它知识点的联系程度、知识点的相关资源作为知识点的固有属性，提取知识点具有代表性的属性作为重要属性，重要属性包括知识点的难度系数、知识点的关联程度、知识点的资源类型这三种，分别对每种重要属性进行量化得到量化的结果；
所述步骤3中对每种重要属性进行量化具体如下：
知识点的关联程度：体现为知识点与知识点之间的语义密集程度，映射在图谱中，每个实体都有0～n个与之关联的实体，第i个知识点的关联程度定义为关联数目ci均值归一化后的值；
知识点的难度系数：使用专家判别法进行定义，每个知识点的难度分值介于0～1之间，分值越大代表知识点难度越高；
知识点的资源类型分为文本、演示文稿、视频三种类型；
步骤4、分别将步骤2得到的学习者特征的评价结果和步骤3得到的知识点重要属性进行差异匹配，根据最小差异匹配原则，计算学习者与知识点之间的匹配度；
所述步骤4具体如下：
步骤4.1、计算第i个学习者学习能力和第p个知识点难度系数的差异度S1：
S1＝|Ni-Hp|
其中，Ni表示第i个学习者的学习能力，Hp表示第p个知识点p的难度系数，i,p均为常数；
步骤4.2、计算第i个学习者认识水平和第p个知识点关联程度的差异度S2：
S2＝|Ri-Gp|
其中，Ri表示第i个学习者的认知水平，Gp表示第p个知识点的关联系数，i,p均为常数；
步骤4.3、计算第i个学习者学习风格与第p个知识点资源类型的差异度S3：
S3＝|Fi-Zp|
其中，Fi表示第i个学习者的认知水平，Zp表示第p个知识点的资源类型，i,p均为常数；
步骤4.4、将学习者特征与知识点的重要属性进行匹配，根据计算出的匹配度进行知识点的优先排列，对于第i个学习者和第p个知识点，匹配度mi,p的计算公式如下：
Figure FDA0003973837110000041
其中，|Ri-Gp|表示学习者认知水平与知识点关联程度的差异度，|Ni-Hp|表示学习者学习能力与知识点难度系数差异度，|Fi-Zp|表示学习者学习风格与知识点资源类型的差异度，λ1,λ2,λ3分别表示各差异度的权重，λ1,λ2,λ3取值均为0～1之间，且λ1+λ2+λ3＝1；
步骤5、从学习者当前学完的知识点开始，结合步骤4计算得到的学习者和知识点之间的匹配度和步骤2中学习者特征的评价结果，在知识图谱映射的网络空间中遍历整个网络空间；
所述步骤5具体如下：
步骤5.1、根据步骤2中收集的学习者动态信息，获取学习者当前学过的知识点，将学习者最新学过的知识点作为根节点，将学习过程中未学过的知识点看成一个有向图；
步骤5.2、将有向图表示为一个邻接矩阵；
步骤5.3、依据邻接矩阵，从当前第一个知识点出发，采用图搜索算法寻找与当前知识点相邻的匹配度最高的下一个知识点，知识点的匹配度由步骤4.4计算得出；
步骤5.4、将遍历结果进行排序，生成路径方案；
步骤5.5、每个阶段的学习结束后，根据学习者的学习情况和测试情况重新计算器个性化特征和知识点的匹配度，由此进行更新；
步骤6、通过步骤5进行排序后，最终输出一条适合学习者的学习路径序列，反馈给学习者。
CN202010482645.9A 2020-06-01 2020-06-01 一种基于知识图谱的个性化学习方案引导方法 Active CN111914162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010482645.9A CN111914162B (zh) 2020-06-01 2020-06-01 一种基于知识图谱的个性化学习方案引导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010482645.9A CN111914162B (zh) 2020-06-01 2020-06-01 一种基于知识图谱的个性化学习方案引导方法

Publications (2)

Publication Number Publication Date
CN111914162A CN111914162A (zh) 2020-11-10
CN111914162B true CN111914162B (zh) 2023-03-17

Family

ID=73237614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010482645.9A Active CN111914162B (zh) 2020-06-01 2020-06-01 一种基于知识图谱的个性化学习方案引导方法

Country Status (1)

Country Link
CN (1) CN111914162B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488887A (zh) * 2020-12-02 2021-03-12 广州大学 一种基于知识图谱的学习者画像的生成方法与装置
CN112506945B (zh) * 2020-12-03 2024-05-31 华中师范大学 基于知识图谱的自适应导学方法及系统
CN112686789A (zh) * 2021-01-11 2021-04-20 重庆电子工程职业学院 一种高校课堂教学效果智能化评价方法
CN113190747B (zh) * 2021-04-29 2023-04-14 深圳采贝教育科技有限公司 一种基于学习风格与认知水平的个性化资源推荐方法
CN113515641A (zh) * 2021-04-30 2021-10-19 浙江工业大学 一种利用评语构建评价者认知结构图谱的方法及其系统
CN116610945B (zh) * 2023-03-23 2023-11-14 读书郎教育科技有限公司 基于智能算法的学习平台数据记录系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991197A (zh) * 2017-05-30 2017-07-28 海南大学 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法
CN108335555A (zh) * 2018-01-26 2018-07-27 广州大学 一种知识点体系教学方法
CN110032651A (zh) * 2019-04-18 2019-07-19 江苏师范大学 一种基于知识图谱的个性化学习特征模型的建构方法
CN110347701A (zh) * 2019-06-28 2019-10-18 西安理工大学 一种面向实体检索查询的目标类型标识方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960245A (zh) * 2017-02-24 2017-07-18 中国科学院计算技术研究所 一种基于认知过程链的个体知识评价方法及系统
CN107103384A (zh) * 2017-04-01 2017-08-29 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于三维知识网络的学习者学习轨迹量化方法
CN107038508A (zh) * 2017-06-06 2017-08-11 海南大学 基于知识图谱的学习能力建模及动态自适应的目标驱动的学习点组织及执行路径推荐方法
US20190005030A1 (en) * 2017-06-30 2019-01-03 EverMem, Inc. System and method for providing an intelligent language learning platform
US20190266497A1 (en) * 2018-02-23 2019-08-29 Microsoft Technology Licensing, Llc Knowledge-graph-driven recommendation of career path transitions
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
US10943497B2 (en) * 2018-04-27 2021-03-09 Adobe Inc. Personalized e-learning using a deep-learning-based knowledge tracing and hint-taking propensity model
CN110991645B (zh) * 2019-11-18 2024-03-29 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991197A (zh) * 2017-05-30 2017-07-28 海南大学 一种基于知识图谱的目标驱动的学习点和学习路径推荐方法
CN108335555A (zh) * 2018-01-26 2018-07-27 广州大学 一种知识点体系教学方法
CN110032651A (zh) * 2019-04-18 2019-07-19 江苏师范大学 一种基于知识图谱的个性化学习特征模型的建构方法
CN110347701A (zh) * 2019-06-28 2019-10-18 西安理工大学 一种面向实体检索查询的目标类型标识方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GRE: An Adaptive and Personalized Exercise Model for K-12 Online Education;Tuan-Ji Gong 等;《ACM》;20181105;第48-54页 *
信息素养和知识空间视阈下青少年学习能力提升研究;伍星;《四川图书馆学报》;20191225(第06期);第1-3页 *
基于数据分析的初中生自适应学习系统的设计与开发;袁霄等;《中国教育信息化》;20190510(第10期);第87-90页 *
基于知识状态的个性化学习资源推荐方法;翟域等;《吉首大学学报(自然科学版)》;20190525(第03期);第23-27页 *

Also Published As

Publication number Publication date
CN111914162A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111914162B (zh) 一种基于知识图谱的个性化学习方案引导方法
CN107273490B (zh) 一种基于知识图谱的组合错题推荐方法
CN112148890B (zh) 基于网络群体智能的教学知识点图谱系统
CN111831905B (zh) 基于团队科研影响力及可持续性建模的推荐方法和装置
CN112000689B (zh) 一种基于文本分析的多知识图谱融合方法
US20220327398A1 (en) Technology maturity judgment method and system based on science and technology data
CN111930518A (zh) 面向知识图谱表示学习的分布式框架构建方法
Peng Research on online learning behavior analysis model in big data environment
CN115809376A (zh) 一种基于教学大数据的智能推荐方法
CN110909785B (zh) 基于语义层级的多任务Triplet损失函数学习方法
CN114330716A (zh) 一种基于cart决策树的大学生就业预测方法
Carmona et al. Subgroup discovery in an e-learning usage study based on Moodle
CN108491477B (zh) 基于多维云和用户动态兴趣的神经网络推荐方法
CN117131345A (zh) 一种基于数据深度学习计算的多源数据参数评估方法
CN113129188A (zh) 一种基于人工智能大数据的省级教育教学评估系统
CN112529141A (zh) 一种基于改进免疫算法的学习路径生成方法
CN114282875A (zh) 流程审批确定性规则和语义自学习结合判定方法及装置
CN115738285A (zh) 一种游戏质量评价反馈方法及系统
CN115841269A (zh) 一种基于多维指标分析的期刊动态评价方法
CN111274404B (zh) 一种基于人机协同的小样本实体多领域分类方法
CN113657766A (zh) 一种基于游客多元数据的旅游景区欢乐指数的计量方法
CN111860857B (zh) 基于智能学习环境的学生学习情感判别方法及装置
Zhou et al. Research on the Hierarchical Structure of User Feature Factors Affecting the Accurate Recommendation of Digital Educational Resources
Hu et al. Prediction of the positive psychology of college students using LightGBM algorithm based on SMOTE and Bayesian optimization
Guan An online education course recommendation method based on knowledge graphs and reinforcement learning

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
GR01 Patent grant
GR01 Patent grant
TA01 Transfer of patent application right

Effective date of registration: 20230306

Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 5

Applicant before: XI'AN University OF TECHNOLOGY

Effective date of registration: 20230306

Address after: Room 2401, 2402, 2403, 2407, 24/F, Building B, No. 6, Yiyang Road, Qixianling, High-tech Industrial Park, Dalian, Liaoning, 116000

Applicant after: Dalian Houren Technology Co.,Ltd.

Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province

Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd.

TA01 Transfer of patent application right