CN112052342A - 基于在线测试结果大数据分析的学习路径推荐方法及系统 - Google Patents
基于在线测试结果大数据分析的学习路径推荐方法及系统 Download PDFInfo
- Publication number
- CN112052342A CN112052342A CN202010924351.7A CN202010924351A CN112052342A CN 112052342 A CN112052342 A CN 112052342A CN 202010924351 A CN202010924351 A CN 202010924351A CN 112052342 A CN112052342 A CN 112052342A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- path
- learning
- knowledge
- nodes
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005295 random walk Methods 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G06F16/30—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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了基于在线测试结果大数据分析的学习路径推荐方法,其技术方案要点是:构建知识图谱;获取评价结果以及知识点的分布数据,对分布数据融合整理计算得到错题点分布概率、正题点分布概率;根据错题点分布概率、正题点分布概率计算评价值,将评价值为负值的知识点作为初始推荐点;根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径;将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。能够自动生成相应的逻辑清晰、高效、精准化的最优推荐路径,为实现个性化、精准化教育提供技术支持。
Description
技术领域
本发明涉及网络教育技术领域,更具体地说,它涉及基于在线测试结果大数据分析的学习路径推荐方法及系统。
背景技术
在线教育,又称远程教育、网络教育,指的是通过应用信息科技和互联网技术进行内容传播和快速学习的方法。与传统的教育模式相比,网络教育具有学习时间分散、学习地点不限、内容目标性强、在线互动效率高、可重复学习等优点。在线测试是伴随着网络教育的发展而产生的,主要是指通过互联网进行基于现实考试环境的模拟考试形式,会自动批改。
目前,在线测试结果大部分是通过人为分析测试结果来判断测试人员尚未掌握的知识节点,并以此作为依据向测试人员推荐学习路径,而人为分析不仅存在工作效率低,且主观判断意识强,其准确性相对较低,无法完整个性化教育需求;部分在线测试结果是通过大数据智能分析得到测试人员的知识节点掌握分布情况,能够在一定程度上为测试人员制定个性化学习路径、工作效率相对较高。
然而,现有的在线测试结果分析系统推荐的学习路径存在逻辑顺序杂乱无序,导致学生学习效率较低;此外,受阅题、答题不仔细等情况影响,其推荐的学习路径存在一定误差,在一定程度上增加了学生学习的任务量,无法达到高效、精准化学习路径推荐。因此,如何研究设计基于在线测试结果大数据分析的学习路径推荐方法及系统是我们目前急需解决的问题。
发明内容
本发明的目的是提供基于在线测试结果大数据分析的学习路径推荐方法及系统,能够根据在线测试的评价结果自动生成相应的逻辑清晰、高效、精准化的最优推荐路径,为实现个性化、精准化教育提供技术支持,从而提高学生的学习效率。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了基于在线测试结果大数据分析的学习路径推荐方法,包括以下步骤:
构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成;
获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率;
根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点;
根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径;
将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
优选的,所述初始推荐点具体为:
以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。
优选的,所述最优推荐路径具体为:
根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。
优选的,所述最优推荐路径具体为:
根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
优选的,所述最优推荐路径具体为:
以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
第二方面,提供了基于在线测试结果大数据分析的学习路径推荐系统,包括:
知识图谱构建模块,用于构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成;
评价结果处理模块,用于获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率;
推荐点选取模块,用于根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点;
推荐路径集成模块,用于根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径;
最优路径筛选模块,用于将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
优选的,所述推荐点选取模块包括链域集成单元;所述链域集成单元,用于以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。
优选的,所述最优路径筛选模块包括路径分解单元;所述路径分解单元,用于根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。
优选的,所述推荐路径集成模块还包括路径排序单元;所述路径排序单元,用于根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
优选的,所述推荐路径集成模块还包括排序定位单元;所述排序定位单元,用于以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
与现有技术相比,本发明具有以下有益效果:
1、本发明通过对知识节点、知识节点间关联关系进行梳理、过滤,得到的最优推荐路径简洁、逻辑思路清晰;
2、本发明通过对错题点分布概率、正题点分布概率进行计算、整合,得到无重合的初始推荐点,使得构建的初始推荐路径结构简洁、准确度高;
3、本发明通过对中心知识点、对应的直接关联节点集合形成链域,能够覆盖错题点直接关联的知识点,弥补了在线测试无法完全覆盖的缺陷;
4、通过对最优推荐路径进行分级分解、排序,方便学习参考高效的学习思路,从而提高学习效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例中的流程图;
图2是本发明实施例中链域的形成示意图;
图3是本发明实施例中单向学习路径的分解示意图;
图4是本发明实施例中单向学习路径的排序示意图;
图5是本发明实施例中的功能框图。
图中:101、知识图谱构建模块;102、评价结果处理模块;103、推荐点选取模块;104、链域集成单元;105、推荐路径集成模块;106、最优路径筛选模块;107、路径分解单元;108、路径排序单元;109、排序定位单元。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图1-5及实施例1-2,对本发明进行进一步详细说明。
实施例1:基于在线测试结果大数据分析的学习路径推荐方法,如图1所示,包括以下步骤:
步骤一、构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成。
步骤二、获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率。
步骤三、根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点。设定错题点分布概率为负值,正题点分布概率为正值,评价值为同一知识点的错题点分布概率、正题点分布概率之和。
如图2所示,初始推荐点具体为:以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。其中,Dz为中心知识点,Dg1、Dg2、Dg3、Dg4均为直接关联节点。
步骤四、根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径。
如图3所示,Dz1、Dz2、Dz3、Dz4、Dz5均为错题节点对应的初始推荐点,DG1、DG4为Dz1、Dz3之间的关联节点,DG2、DG5、DG7为Dz2、Dz4之间的关联节点,DG2、DG3、DG5、DG6为Dz2、Dz5之间的关联节点。
步骤五、将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
如图3所示,假设DG3、DG6的评价值均超过预设阈值,则将Dz2、Dz5之间由DG3、DG6链接的路径过滤。
如图3所示,根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。例如:Dz1-DG1-DG4-Dz3、Dz2-DG2-DG5-DG7-Dz4、Dz2-DG2-DG5-Dz5、Dz2-DG3-DG6-Dz5四个单向学习路径。其中,路径分解、路径过滤顺序不受限制,本实施例中采用的是优先分解、再过滤。
如图3与图4所示,根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
例如,以Dz3、DG7、Dz5形成的同一层级作为排序同级,当Dz3、DG7、Dz5在教科书安排的时间先后顺序依次为DG7、Dz3、Dz5,则优先学习Dz2-DG2-DG5-DG7-Dz4单向学习路径,然后学习Dz1-DG1-DG4-Dz3单向学习路径,最后学习Dz2-DG2-DG5-Dz5单向学习路径。
实施例2:基于在线测试结果大数据分析的学习路径推荐系统,如图5所示,包括知识图谱构建模块101、评价结果处理模块102、推荐点选取模块103、推荐路径集成模块105、最优路径筛选模块106。
知识图谱构建模块101用于构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成。
评价结果处理模块102用于获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率。
推荐点选取模块103用于根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点。推荐点选取模块103包括链域集成单元104,链域集成单元104用于以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。
推荐路径集成模块105用于根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径。
最优路径筛选模块106用于将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
最优路径筛选模块106包括路径分解单元107、路径排序单元108、排序定位单元109;
路径分解单元107用于根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。
路径排序单元108用于根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
排序定位单元109用于以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (10)
1.基于在线测试结果大数据分析的学习路径推荐方法,其特征是,包括以下步骤:
构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成;
获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率;
根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点;
根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径;
将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
2.根据权利要求1所述的基于在线测试结果大数据分析的学习路径推荐方法,其特征是,所述初始推荐点具体为:
以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。
3.根据权利要求1所述的基于在线测试结果大数据分析的学习路径推荐方法,其特征是,所述最优推荐路径具体为:
根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。
4.根据权利要求3所述的基于在线测试结果大数据分析的学习路径推荐方法,其特征是,所述最优推荐路径具体为:
根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
5.根据权利要求4所述的基于在线测试结果大数据分析的学习路径推荐方法,其特征是,所述最优推荐路径具体为:
以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
6.基于在线测试结果大数据分析的学习路径推荐系统,其特征是,包括:
知识图谱构建模块(101),用于构建以知识节点、知识节点间关联关系组成的知识图谱,在线测试题以知识图谱为依据生成;
评价结果处理模块(102),用于获取在线测试的评价结果以及在线测试知识点的分布数据,对分布数据通过加权融合法融合整理后根据评价结果计算得到错题点分布概率、正题点分布概率;
推荐点选取模块(103),用于根据模糊综合评价法对错题点分布概率、正题点分布概率计算同一知识点的评价值,将评价值为负值的知识点作为初始推荐点;
推荐路径集成模块(105),用于根据初始推荐点在知识图谱中通过基于属性的随机游走方法搜索匹配错题节点、错题节点间存在关联关系的关联节点以及节点之间的关联关系,得到初始推荐路径;
最优路径筛选模块(106),用于将初始推荐路径中的由评价值为正值且超过预设阈值的知识节点构成的分支路径过滤,得到最优推荐路径。
7.根据权利要求6所述的基于在线测试结果大数据分析的学习路径推荐系统,其特征是,所述推荐点选取模块(103)包括链域集成单元(104);所述链域集成单元(104),用于以评价负值的知识点为中心在知识图谱搜索匹配直接关联节点,将中心知识点、对应的直接关联节点集合形成链域的初始推荐点。
8.根据权利要求6所述的基于在线测试结果大数据分析的学习路径推荐系统,其特征是,所述最优路径筛选模块(106)包括路径分解单元(107);所述路径分解单元(107),用于根据学习层次逻辑对各个初始推荐点进行分级处理,以初始级至最终级的学习思路将最优推荐路径分解为多个单向学习路径。
9.根据权利要求8所述的基于在线测试结果大数据分析的学习路径推荐系统,其特征是,所述推荐路径集成模块(105)还包括路径排序单元(108);所述路径排序单元(108),用于根据同级之间的学习时间顺序对多个单向学习路径进行排序,以排序序列逐一完成单个单向学习路径学习。
10.根据权利要求9所述的基于在线测试结果大数据分析的学习路径推荐系统,其特征是,所述推荐路径集成模块(105)还包括排序定位单元(109);所述排序定位单元(109),用于以初始级至最终级方向,选择第一个同一层级中包含所有单向学习路径的至少一个初始推荐点作为排序同级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010924351.7A CN112052342B (zh) | 2020-09-04 | 2020-09-04 | 基于在线测试结果大数据分析的学习路径推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010924351.7A CN112052342B (zh) | 2020-09-04 | 2020-09-04 | 基于在线测试结果大数据分析的学习路径推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052342A true CN112052342A (zh) | 2020-12-08 |
CN112052342B CN112052342B (zh) | 2023-05-12 |
Family
ID=73608041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010924351.7A Active CN112052342B (zh) | 2020-09-04 | 2020-09-04 | 基于在线测试结果大数据分析的学习路径推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052342B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463989A (zh) * | 2020-12-11 | 2021-03-09 | 交控科技股份有限公司 | 一种基于知识图谱的信息获取方法及系统 |
CN112580896A (zh) * | 2020-12-31 | 2021-03-30 | 南京谦萃智能科技服务有限公司 | 知识点预测方法、装置、设备及存储介质 |
CN112579892A (zh) * | 2020-12-14 | 2021-03-30 | 成都中科大旗软件股份有限公司 | 一种基于图谱技术的推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086498A1 (en) * | 2014-09-18 | 2016-03-24 | International Business Machines Corporation | Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation |
US20160133162A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Student specific learning graph |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN107665473A (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 |
CN110263179A (zh) * | 2019-06-12 | 2019-09-20 | 湖南酷得网络科技有限公司 | 学习路径推送方法、装置、计算机设备和存储介质 |
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 |
CN111125640A (zh) * | 2019-12-23 | 2020-05-08 | 江苏金智教育信息股份有限公司 | 一种知识点学习路径推荐方法和装置 |
-
2020
- 2020-09-04 CN CN202010924351.7A patent/CN112052342B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160086498A1 (en) * | 2014-09-18 | 2016-03-24 | International Business Machines Corporation | Recommending a Set of Learning Activities Based on Dynamic Learning Goal Adaptation |
US20160133162A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Student specific learning graph |
CN107665473A (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 |
CN106503172A (zh) * | 2016-10-25 | 2017-03-15 | 天闻数媒科技(湖南)有限公司 | 基于知识图谱推荐学习路径的方法和装置 |
CN110263179A (zh) * | 2019-06-12 | 2019-09-20 | 湖南酷得网络科技有限公司 | 学习路径推送方法、装置、计算机设备和存储介质 |
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 |
CN111125640A (zh) * | 2019-12-23 | 2020-05-08 | 江苏金智教育信息股份有限公司 | 一种知识点学习路径推荐方法和装置 |
Non-Patent Citations (4)
Title |
---|
DAQIAN SHI 等: "A learning path recommendation model based on a multidimensional knowledge graph framework for e-learning", 《KNOWLEDGE-BASED SYSTEMS》 * |
刘昱良 等: "基于科学知识图谱的学习路径推荐研究", 《河南科技学院学报(自然科学版)》 * |
唐烨伟 等: "基于学习者画像建模的个性化学习路径规划研究", 《电化教育研究》 * |
张博雅: "慕课平台上基于知识图谱的学习路径规划", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463989A (zh) * | 2020-12-11 | 2021-03-09 | 交控科技股份有限公司 | 一种基于知识图谱的信息获取方法及系统 |
CN112579892A (zh) * | 2020-12-14 | 2021-03-30 | 成都中科大旗软件股份有限公司 | 一种基于图谱技术的推荐方法 |
CN112580896A (zh) * | 2020-12-31 | 2021-03-30 | 南京谦萃智能科技服务有限公司 | 知识点预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112052342B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052342A (zh) | 基于在线测试结果大数据分析的学习路径推荐方法及系统 | |
Mislove et al. | You are who you know: inferring user profiles in online social networks | |
CN112579707A (zh) | 一种日志数据的知识图谱构建方法 | |
Chiu et al. | Statistical discourse analysis: Modeling sequences of individual actions during group interactions across time. | |
CN108256022A (zh) | 人才评价模型构建方法及人才评价方法及系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN111950708A (zh) | 一种发现大学生日常生活习惯的神经网络结构与方法 | |
Mgala et al. | Data-driven intervention-level prediction modeling for academic performance | |
CN109460914A (zh) | 基于半监督的纠错学习的桥梁健康等级确定方法 | |
CN114971565A (zh) | 基于互联网的区块链智慧服务系统 | |
US20220130266A1 (en) | Method and apparatus for visualizing and intelligently guiding general problem-solving processes | |
Prasetyono et al. | Identification of the decline in learning outcomes in statistics courses using the chi-squared automatic interaction detection method | |
Touya | Social welfare to assess the global legibility of a generalized map | |
Murillo-Morera et al. | Software Fault Prediction: A Systematic Mapping Study. | |
Richels | Building good models is not enough | |
CN115984053A (zh) | 试题推荐方法、装置、电子设备和存储介质 | |
Meca et al. | Early Warning Methodology for dropping out of university degrees | |
CN109409664A (zh) | 一种设计规范检测方法及系统 | |
CN115660645A (zh) | 一种维修人员技能评估方法、装置、设备及存储介质 | |
Valerio et al. | Automatic classification of concept maps based on a topological taxonomy and its application to studying features of human-built maps | |
CN113918588A (zh) | 一种基于知识点的错题动态智能管理系统 | |
CN113971213A (zh) | 智慧城市管理公共信息共享系统 | |
CN109739950A (zh) | 筛选适用法律条文的方法及装置 | |
Oreski et al. | MODELLING TEACHERS’INTENTION TO RE-USE DIGITAL EDUCATIONAL CONTENT | |
Luck | Motivated inductive discovery |
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 |