CN112348363A - 一种学习数据整合方法及装置 - Google Patents
一种学习数据整合方法及装置 Download PDFInfo
- Publication number
- CN112348363A CN112348363A CN202011235370.5A CN202011235370A CN112348363A CN 112348363 A CN112348363 A CN 112348363A CN 202011235370 A CN202011235370 A CN 202011235370A CN 112348363 A CN112348363 A CN 112348363A
- Authority
- CN
- China
- Prior art keywords
- learning
- scenes
- data
- different
- different learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000010354 integration Effects 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 21
- 230000007246 mechanism Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- 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
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种学习数据整合方法及装置，涉及教育领域，该学习数据整合方法包括：获取目标用户在不同学习场景下的学习数据，并获取不同学习场景的可信度；根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据；对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据；根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据。可见，实施这种实施方式，能够统一多个平台中包括的学习数据，从而实现对学生学习能力与学习状态的准确评估，进而有利于确定适合该学生的学习方案。
Description
技术领域
本申请涉及教育领域，具体而言，涉及一种学习数据整合方法及装置。
背景技术
目前，随着教育行业的快速数字化，越来越多的学习数据和教学数据存储在平台或者数据库当中。然而，在实践中发现，每个平台都会根据学生的平台学习情况生成学习数据，但是平台数量增加时，每个平台中的学习数据并不相同，从而导致各个平台无法对学生的知识掌握情况进行客观评判，进而影响学习能力的评估，无法推送更加有效的学习方案。
发明内容
本申请实施例的目的在于提供一种学习数据整合方法及装置，能够统一多个平台中包括的学习数据，从而实现对学生学习能力与学习状态的准确评估，进而有利于确定适合该学生的学习方案。
本申请实施例第一方面提供了一种学习数据整合方法，包括：
获取目标用户在不同学习场景下的学习数据，并获取所述不同学习场景的可信度；
根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据；
对所述不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到所述不同学习场景下的整合数据；
根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据，所述不同学习场景下的知识状态数据为整合好的学习数据。
在上述实现过程中，该方法可以优先获取目标用户在不同学习场景下的学习数据，并获取不同学习场景的可信度；然后再根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据；再然后，对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据；最后，根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据，不同学习场景下的知识状态数据为整合好的学习数据。可见，实施这种实施方式，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
进一步地，所述根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据，包括：
根据所述不同学习场景下的整合数据获取所述目标用户在所述不同学习场景下的学习行为数据；
根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
在上述实现过程中，该方法在根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据的过程中，可以优先根据不同学习场景下的整合数据获取目标用户在不同学习场景下的学习行为数据；然后再根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。可见，实施这种实施方式，能够根据目标用户的学习行为和可信度进行知识状态数据的计算，从而得到更客观有效的知识状态数据。
进一步地，所述根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据，包括：
确定贝叶斯知识追踪参数；
根据所述贝叶斯知识追踪参数、不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
在上述实现过程中，该方法在根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据的过程中，可以优先确定贝叶斯知识追踪参数；然后再根据贝叶斯知识追踪参数、不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。可见，实施这种实施方式，能够根据贝叶斯追踪参数辅助获取知识状态数据，从而能够提高知识状态数据的客观性。
进一步地，所述获取所述不同学习场景的可信度包括：
获取所述不同学习场景对应的用户数量、学习数据量以及用户学习水平信息；
根据所述用户数量和所述用户学习水平信息计算每个所述不同学习场景的可信度。
在上述实现过程中，该方法在获取不同学习场景的可信度的过程中，可以优先获取不同学习场景对应的用户数量、学习数据量以及用户学习水平信息；然后再根据用户数量和用户学习水平信息计算每个不同学习场景的可信度。可见，实施这种实施方式，可以根据不同学习场景的用户数量和用户水平进行可信度的计算，从而实现不同学习场景的可信度客观计算，进而有利于对学习数据进行客观地整合，得到更符合实际情况的学生掌握的知识状态。
进一步地，所述根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据，包括：
根据预设的标准知识体系，对所述不同学习场景下的学习数据进行知识点映射处理，得到所述不同学习场景下的归一化学习数据。
在上述实现过程中，该方法在根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据的过程中可以根据预设的标准知识体系，对不同学习场景下的学习数据进行知识点映射处理，得到不同学习场景下的归一化学习数据。可见，实施这种实施方式，能够基于知识点将不同学习场景下的学习数据映射到标准知识体系当中，从而获取到归一化学习数据，进而提高了数据获取的标准性。
进一步地，所述根据预设的标准知识体系，对所述不同学习场景下的学习数据进行知识点映射处理，得到所述不同学习场景下的归一化学习数据包括：
根据自然语言处理算法和预设的Solr搜索引擎将所述不同学习场景下的学习数据一一映射至预设的标准知识体系中，得到与所述标准知识体系相对应的所述不同学习场景下的归一化学习数据。
在上述实现过程中，该方法在根据预设的标准知识体系，对不同学习场景下的学习数据进行知识点映射处理，得到不同学习场景下的归一化学习数据的过程中可以根据自然语言处理算法和预设的Solr搜索引擎将不同学习场景下的学习数据一一映射至预设的标准知识体系中，得到与标准知识体系相对应的不同学习场景下的归一化学习数据。可见，实施这种实施方式能够通过NLP和Solr搜索引擎进行大批量的学习数据归一映射，从而高效准确地获取到不同学习场景下的归一化学习数据。
本申请实施例第二方面提供了一种学习数据整合装置，所述学习数据整合装置包括：
第一获取单元，用于获取目标用户在不同学习场景下的学习数据；
第二获取单元，用于获取所述不同学习场景的可信度；
归一化单元，用于根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据；
整合单元，用于对所述不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到所述不同学习场景下的整合数据；
计算单元，用于根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据。
在上述实现过程中，该学习数据整合装置可以通过第一获取单元来获取目标用户在不同学习场景下的学习数据；通过第二获取单元来获取不同学习场景的可信度；通过归一化单元来根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据；通过整合单元对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据；通过计算单元来根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据。可见，实施这种实施方式，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
进一步地，所述计算单元包括：
获取子单元，用于根据所述不同学习场景下的整合数据获取所述目标用户在所述不同学习场景下的学习行为数据；
计算子单元，用于根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
在上述实现过程中，计算单元可以通过获取子单元来根据不同学习场景下的整合数据获取目标用户在不同学习场景下的学习行为数据；再通过计算子单元来根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。可见，实施这种实施方式，能够能够根据目标用户的学习行为和可信度进行知识状态数据的计算，从而得到更客观有效的知识状态数据。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的学习数据整合方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的学习数据整合方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例一提供的一种学习数据整合方法的流程示意图；
图2为本申请实施例二提供的一种学习数据整合方法的流程示意图；
图3为本申请实施例三提供的一种学习数据整合装置的结构示意图；
图4为本申请实施例四提供的一种学习数据整合装置的结构示意图；
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种学习数据整合方法的流程示意图。该方法应用于对不同学习场景的学习数据进行融合确定以得到学生知识状态的过程当中，具体的，该方法可以应用于多个学习机构具有多个不同的机构平台时，对多个不同的机构平台进行学习数据标准化的过程中。其中，该学习数据整合方法包括：
S101、获取目标用户在不同学习场景下的学习数据，并获取不同学习场景的可信度。
本实施例中，不同学习场景可以为不同学习地点，还可以为不同学习机构，还可以为不同学习机构中的机构系统。
本实施例中，学习数据为学生在对应场景下进行学习的数据，其中该学习数据可以包括学习的知识点信息，学习的时间信息，学习的速度信息等等。
本实施例中，在获取学习数据的同时还要获取学生的基本信息和身份标识，以便于在不同的学习场景中确定同一学生的学习数据，并将其学习数据进行整合。
本实施例中，不同学习场景的可信度用于表示不同学习场景的可靠性，可以理解的是不同学习场景的可信度用于表示不同学习场景的学习数据是否可信。
S102、根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据。
本实施例中，归一化处理可以使得学习数据符合同一个标准知识体系，从而实现更客观的评价。
S103、对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据。
本实施例中，通过时间顺序将学习数据进行深度分类，从而使得整合数据更具有可靠性。
S104、根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据；不同学习场景下的知识状态数据为整合好的学习数据。
本实施例中，通过可信度对整合数据的计算，能够得到用户在不同学习场景下的知识状态数据，从而能够得到更客观的知识状态数据，进而能够确定出用户当前对于各类知识的掌握程度。
本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。
可见，实施本实施例所描述的学习数据整合方法，能够优先获取目标用户在不同学习场景下的学习数据，并获取不同学习场景的可信度；然后再根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据；再然后，对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据；最后，根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据，不同学习场景下的知识状态数据为整合好的学习数据。可见，实施这种实施方式，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
实施例2
请参看图2，图2为本申请实施例提供的一种学习数据整合方法的流程示意图。如图2所示，其中，该学习数据整合方法包括：
S201、获取目标用户在不同学习场景下的学习数据。
本实施例中，学习数据包括用户的上课数据、用户的做题数据等等。
S202、获取不同学习场景对应的用户数量、学习数据量以及用户学习水平信息。
本实施例中，不同学习场景可以对应于不同的学习机构。
在本宿舍拉拉这，用户数量可以理解为学习结构的用户总数，学习数据量可以理解为用于学习的题目纵湖，用户学习水平信息可以理解为用户的平均知识水平。
S203、根据用户数量、学习数据量和用户学习水平信息计算每个不同学习场景的可信度。
本实施例中，该方法可以根据不同学习场景的用户数量、学习数据量、该学习场景中学生的平均水平以及学生在该学习场景中进行学习的认真程度，对不同的学习场景进行可信度进行估计并存储。
作为一种可选的实施方式，根据用户数量、学习数据量和用户学习水平信息计算每个不同学习场景的可信度的步骤包括：
根据用户数量、学习数据量、预设的用户数量阈值以及预设的学习数据量阈值进行计算处理，得到学习场景规模信息；
根据用户学习水平信息和用户在该学习场景中进行学习的认真程度，进行统计处理，得到学习场景质效信息；
根据学习场景规模信息和学习场景质效信息计算每个不同学习场景的可信度。
实施这种实施方式，能够通过质与量对可信度进行计算获取，从而得到更加可靠的可信度。
作为一种进一步可选的实施方式，根据学习场景规模信息和学习场景质效信息计算每个不同学习场景的可信度的步骤可以包括：
根据学习场景规模信息对预设的答题概率进行修正调整，得到第一概率；
根据学习场景质效信息对第一概率进行修正调整，得到第二概率；
根据第二概率计算每个不同学习场景的可信度。
本实施例中，学习场景质效信息用于表示该学生在该学习场景的中的学习质量与学习效果。
本实施例中，上述答题概率用于表示学生真正凭借自己实力答对的概率。
举例来说，当学习场景规模信息表示学习场景规模较小时，认定学生在答题时会因手滑、误答等原因导致题目答对，因此需要调低该答题概率，得到第一概率；
当学习场景规模信息表示学习场景规模较大时，认定学生在答题时很少会因手滑、误答等原因导致题目答对，因此需要调高的答题概率，得到第一概率；
当学习场景质效信息表示学习场景中学习效果较低时，认定学生在答题时会因手滑、误答等原因导致题目答对，因此需要调低该第一概率，得到第二概率；
当学习场景质效信息表示学习场景中学习效果较高时，认定学生在答题时很少会因手滑、误答等原因导致题目答对，因此需要调高该第一概率，得到第二概率；
根据第二概率计算每个不同学习场景的可信度。
作为一种进一步可选的实施方式，根据答题概率计算每个不同学习场景的可信度的步骤包括：
根据答题概率、平均答题正确率、贝叶斯公式计算每个不同学习场景的真正答题正确率；
根据真正答题正确率计算每个不同学习场景的可信度。
作为一种可选的实施方式，根据用户数量和用户学习水平信息计算每个不同学习场景的可信度的步骤之后，该方法还可以包括：
根据预设的标准知识体系，对不同学习场景下的学习数据进行知识点映射处理，得到不同学习场景下的归一化学习数据。
实施这种实施方式，能够基于知识点将不同学习场景下的学习数据映射到标准知识体系当中，从而获取到归一化学习数据，进而提高了数据获取的标准性。
作为一种可选的实施方式，根据预设的标准知识体系，对不同学习场景下的学习数据进行知识点映射处理，得到不同学习场景下的归一化学习数据的步骤可以包括步骤S204。
S204、根据自然语言处理算法和预设的Solr搜索引擎将不同学习场景下的学习数据一一映射至预设的标准知识体系中，得到与标准知识体系相对应的不同学习场景下的归一化学习数据。
本实施例中，该方法可以对不同学习场景下的学习数据中包括的描述和题目等内容进行自然语言处理，得到搜索标签，再经过Solr搜索引擎将搜索标签映射至标准知识体系中，以使不同学习场景下的学习数据可以统一对应至标准知识体系下。
举例来说，当不同学习场景为不同学习机构时，不同学习结构具有不同的机构系统，基于此，该方法可以根据机构系统的个性化知识点中的描述和题目、Solr引擎、NLP等数据科学算法，在标准知识体系中进行模糊查询，实现个性化知识点与标准知识体系中的知识点的一一映射。从而实现将学生不同知识体系下的学习数据对应到同一标准知识体系下。
S205、对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据。
本实施例中，因为时间的变化，距离现在时间长度最长的时间点对应的知识状态应当更低。
在本实施例中，知识状态表示学生掌握的知识点数量以及掌握的知识点程度。也就是说，随着时间的变化，用户理应掌握更多的知识点和更深的知识点程度。因此，在理论程度上，时间长度越长，知识状态更低。
S206、根据不同学习场景下的整合数据获取目标用户在不同学习场景下的学习行为数据。
本实施例中，学习行为数据包括用户答题数据、用户上课数据等等。
S207、根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。
本实施例中，不同学习场景下的知识状态数据为整合好的学习数据。
作为一种可选的实施方式，根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据的步骤包括：
确定贝叶斯知识追踪参数；
根据贝叶斯知识追踪参数、不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。
实施这种实施方式，能够根据贝叶斯追踪参数辅助获取知识状态数据，从而能够提高知识状态数据的客观性。
本实施例中，该方法能够根据公式：
计算某一种知识状态的假设下发生某一行为的概率。
在本实施例中，根据贝叶斯理论，能够计算出在给定学习行为的前提下的各个知识状态的概率P(Mj|X)。并且，对于不同学习场景的可信度中可信度低的学习场景，可以对学生手滑答错题目的概率予以更高的参数。从而，实现数据自我处理，避免用户对系统进行过多干涉。
可见，实施本实施例所描述的学习数据整合方法，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
实施例3
请参看图3，图3为本申请实施例提供的一种学习数据整合装置的结构示意图。如图3所示，该学习数据整合装置包括：
第一获取单元310，用于获取目标用户在不同学习场景下的学习数据；
第二获取单元320，用于获取不同学习场景的可信度；
归一化单元330，用于根据预设的标准知识体系，对不同学习场景下的学习数据进行归一化处理，得到不同学习场景下的归一化学习数据；
整合单元340，用于对不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到不同学习场景下的整合数据；
计算单元350，用于根据不同学习场景下的整合数据和不同学习场景的可信度，计算目标用户在不同学习场景下的知识状态数据。
本申请实施例中，对于学习数据整合装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的学习数据整合装置，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
实施例4
请一并参阅图4，图4是本申请实施例提供的一种学习数据整合装置的结构示意图。其中，图4所示的学习数据整合装置是由图3所示的学习数据整合装置进行优化得到的。如图4所示，计算单元350包括：
第一获取子单元351，用于根据不同学习场景下的整合数据获取目标用户在不同学习场景下的学习行为数据；
第一计算子单元352，用于根据不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。
作为一种可选的实施方式，第一计算子单元352包括：
确定模块，用于确定贝叶斯知识追踪参数；
计算模块，用于根据贝叶斯知识追踪参数、不同学习场景的可信度和学习行为数据，计算目标用户在不同学习场景下的知识状态数据。
作为一种可选的实施方式，第一获取单元310包括：
第二获取子单元311，用于获取不同学习场景对应的用户数量、学习数据量以及用户学习水平信息；
第二计算子单元312，用于根据用户数量和用户学习水平信息计算每个不同学习场景的可信度。
作为一种可选的实施方式，归一化单元330具体用于根据预设的标准知识体系，对不同学习场景下的学习数据进行知识点映射处理，得到不同学习场景下的归一化学习数据。
作为一种可选的实施方式，归一化单元330具体用于根据自然语言处理算法和预设的Solr搜索引擎将不同学习场景下的学习数据一一映射至预设的标准知识体系中，得到与标准知识体系相对应的不同学习场景下的归一化学习数据。
本申请实施例中，对于学习数据整合装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的学习数据整合装置，能够对不同场景下的学习数据进行层层处理与整合，并根据最终处理得到的整合数据和可信度进行计算，得到一个最为客观的学习状态数据，以显示出学生的目前学习状态，从而能够统一多个平台中包括的学习数据，进而能够实现对学生学习能力与学习状态的准确评估，有利于进一步确定适合该学生的学习方案。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1或实施例2中任一项学习数据整合方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项学习数据整合方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种学习数据整合方法，其特征在于，包括：
获取目标用户在不同学习场景下的学习数据，并获取所述不同学习场景的可信度；
根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据；
对所述不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到所述不同学习场景下的整合数据；
根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据；所述不同学习场景下的知识状态数据为整合好的学习数据。
2.根据权利要求1所述的学习数据整合方法，其特征在于，所述根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据，包括：
根据所述不同学习场景下的整合数据获取所述目标用户在所述不同学习场景下的学习行为数据；
根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
3.根据权利要求2所述的学习数据整合方法，其特征在于，所述根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据，包括：
确定贝叶斯知识追踪参数；
根据所述贝叶斯知识追踪参数、不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
4.根据权利要求1所述的学习数据整合方法，其特征在于，所述获取所述不同学习场景的可信度包括：
获取所述不同学习场景对应的用户数量、学习数据量以及用户学习水平信息；
根据所述用户数量和所述用户学习水平信息计算每个所述不同学习场景的可信度。
5.根据权利要求1所述的学习数据整合方法，其特征在于，所述根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据，包括：
根据预设的标准知识体系，对所述不同学习场景下的学习数据进行知识点映射处理，得到所述不同学习场景下的归一化学习数据。
6.根据权利要求5所述的学习数据整合方法，其特征在于，所述根据预设的标准知识体系，对所述不同学习场景下的学习数据进行知识点映射处理，得到所述不同学习场景下的归一化学习数据包括：
根据自然语言处理算法和预设的Solr搜索引擎将所述不同学习场景下的学习数据一一映射至预设的标准知识体系中，得到与所述标准知识体系相对应的所述不同学习场景下的归一化学习数据。
7.一种学习数据整合装置，其特征在于，所述学习数据整合装置包括：
第一获取单元，用于获取目标用户在不同学习场景下的学习数据；
第二获取单元，用于获取所述不同学习场景的可信度；
归一化单元，用于根据预设的标准知识体系，对所述不同学习场景下的学习数据进行归一化处理，得到所述不同学习场景下的归一化学习数据；
整合单元，用于对所述不同学习场景下的归一化学习数据按时间顺序进行整合处理，得到所述不同学习场景下的整合数据；
计算单元，用于根据所述不同学习场景下的整合数据和所述不同学习场景的可信度，计算所述目标用户在所述不同学习场景下的知识状态数据。
8.根据权利要求7所述的学习数据整合装置，其特征在于，所述计算单元包括：
获取子单元，用于根据所述不同学习场景下的整合数据获取所述目标用户在所述不同学习场景下的学习行为数据；
计算子单元，用于根据所述不同学习场景的可信度和所述学习行为数据，计算所述目标用户在所述不同学习场景下的知识状态数据。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至6中任一项所述的学习数据整合方法。
10.一种可读存储介质，其特征在于，所述可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至6任一项所述的学习数据整合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011235370.5A CN112348363A (zh) | 2020-11-06 | 2020-11-06 | 一种学习数据整合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011235370.5A CN112348363A (zh) | 2020-11-06 | 2020-11-06 | 一种学习数据整合方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112348363A true CN112348363A (zh) | 2021-02-09 |
Family
ID=74428996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011235370.5A Pending CN112348363A (zh) | 2020-11-06 | 2020-11-06 | 一种学习数据整合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348363A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
| CN108694501A (zh) * | 2018-05-04 | 2018-10-23 | 北京航空航天大学 | 一种面向xAPI的个性化学习效果分析系统及方法 |
| CN109377078A (zh) * | 2018-11-12 | 2019-02-22 | 重庆靶向科技发展有限公司 | 一种基于大数据的学生学习质量评价方法 |
| CN110378812A (zh) * | 2019-05-20 | 2019-10-25 | 北京师范大学 | 一种自适应在线教育系统及方法 |
| CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 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 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
-
2020
- 2020-11-06 CN CN202011235370.5A patent/CN112348363A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
| CN108694501A (zh) * | 2018-05-04 | 2018-10-23 | 北京航空航天大学 | 一种面向xAPI的个性化学习效果分析系统及方法 |
| CN109377078A (zh) * | 2018-11-12 | 2019-02-22 | 重庆靶向科技发展有限公司 | 一种基于大数据的学生学习质量评价方法 |
| CN110378812A (zh) * | 2019-05-20 | 2019-10-25 | 北京师范大学 | 一种自适应在线教育系统及方法 |
| CN110991645A (zh) * | 2019-11-18 | 2020-04-10 | 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 |
| CN111368182A (zh) * | 2020-02-17 | 2020-07-03 | 浙江创课网络科技有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116134454A (zh) | 用于使用知识蒸馏训练神经网络模型的方法和系统 | |
| CN111475627B (zh) | 解答推导题目的检查方法、装置、电子设备及存储介质 | |
| JP7077483B2 (ja) | 暗算問題に対する問題添削方法、装置、電子機器及び記憶媒体 | |
| CN113409174A (zh) | 知识点测评方法和装置 | |
| KR20200048594A (ko) | 인공지능을 이용한 사용자 맞춤형 학습 콘텐츠 제공 시스템 및 방법 | |
| CN110852071A (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
| CN112132118B (zh) | 人物关系识别方法、装置、电子设备及计算机存储介质 | |
| CN113849603A (zh) | 负样本确定方法、相关设备及可读存储介质 | |
| CN113469111A (zh) | 图像关键点检测方法及系统、电子设备、存储介质 | |
| CN112419815A (zh) | 一种学习路径的规划方法及装置 | |
| JP7293658B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| CN112348363A (zh) | 一种学习数据整合方法及装置 | |
| CN112328755B (zh) | 一种问答系统、问答机器人及其faq问答库召回方法 | |
| CN111177391B (zh) | 获取社交舆情声量的方法和装置及计算机可读存储介质 | |
| CN111967276B (zh) | 翻译质量评估方法及装置、电子设备、存储介质 | |
| US20220092608A1 (en) | Counterfeit item detection system | |
| Mohammed et al. | Contextualised student modelling for enculturated systems | |
| CN112131427A (zh) | 一种练习套题的获取方法及系统 | |
| KR102635769B1 (ko) | 학습효과 추정 장치, 학습효과 추정 방법, 프로그램 | |
| CN110659356B (zh) | 一种信息匹配方法、装置及存储介质 | |
| CN112989057B (zh) | 文本标签确定方法、装置、计算机设备和存储介质 | |
| CN113537104B (zh) | 一种基于互联网医院的处方图片智能识别方法及系统 | |
| CN117828033A (zh) | 一种ai智能问答优化方法、系统及电子设备 | |
| CN116432641A (zh) | 题目相似度的评估方法、装置、设备及介质 | |
| CN113469033A (zh) | 图像识别方法、装置、电子设备及存储介质 |
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 |