CN112487290B - 基于大数据和人工智能的互联网精准化教学方法及系统 - Google Patents

基于大数据和人工智能的互联网精准化教学方法及系统 Download PDF

Info

Publication number
CN112487290B
CN112487290B CN202011358911.3A CN202011358911A CN112487290B CN 112487290 B CN112487290 B CN 112487290B CN 202011358911 A CN202011358911 A CN 202011358911A CN 112487290 B CN112487290 B CN 112487290B
Authority
CN
China
Prior art keywords
knowledge point
teaching
information
data
course
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
CN202011358911.3A
Other languages
English (en)
Other versions
CN112487290A (zh
Inventor
李海峰
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 Jiaotong University
Original Assignee
Dalian Jiaotong University
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 Jiaotong University filed Critical Dalian Jiaotong University
Priority to CN202011358911.3A priority Critical patent/CN112487290B/zh
Publication of CN112487290A publication Critical patent/CN112487290A/zh
Application granted granted Critical
Publication of CN112487290B publication Critical patent/CN112487290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于大数据和人工智能的互联网精准化教学方法及系统，涉及智能教学技术领域，其技术方案要点是：实时搜索用户的历史网络足迹数据，并对进行数据分类、数据分析后得到用户的兴趣爱好领域信息；从预构建的课程数据库中匹配相应的知识点课程；提取知识点课程中的知识点信息，匹配出与知识点信息关联的示例总集，并选出与兴趣爱好领域信息匹配的示例子集；生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，更新后得到互联网精准化教学课程。本发明结合学生真正感兴趣的领域和知识点信息构建能够体现教学思路的教学示例，通过教学示例既能够持续性的保持对学生的吸引力，同时能够降低教学人员的工作强度。

Description

基于大数据和人工智能的互联网精准化教学方法及系统
技术领域
本发明涉及智能教学技术领域，更具体地说，它涉及基于大数据和人工智能的互联网精准化教学方法及系统。
背景技术
随着信息技术的发展，越来越多针对个人学习的个性化学习系统和课程得到了开发。在线学习在不同阶段的学校教育以及各类成人教育的教学过程中逐渐发挥出了重要的作用。
目前，现有的教学辅导系统都是采用根据学生所处的学习阶段匹配推荐教师，学习资料的获取也是现阶段普遍的通用学习资料，并未考虑学生的个体化差异，无法做到精准化的教学辅导。为了提升在线课程的学习效果，世界各地的研究者开展了大量的研究。其中最主要的方面是如何提升教学资源的质量，例如在课件中加入大量多媒体元素可以更生动的表现教学内容从而降低学习难度并提升学习者的兴趣。另一个研究热点是增加教学间的互动与引导，例如许多学者采用不同的评价方法来评价各种影响因素和学习效果，进而对教学资源进行有针对性的改进。另外，人工智能和数据挖掘技术的应用也可以帮助教育者获得更有针对性的教学数据，从而为提升学习效果提供新的新途径。
然而，现有的教学课程均是针对集体学习群体，为了满足大部分学生需求在课程质量、多样性等方面进行改进，无法达到真正意义上的个性化教学。此外，通过丰富教学课程内容来吸引学生的注意力，只能在初始阶段达到较好的效果，持续性较差，无法从学生本身感兴趣的方向引导学生学习。因此，如何研究设计一种基于大数据和人工智能的互联网精准化教学方法及系统是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供基于大数据和人工智能的互联网精准化教学方法及系统。
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，提供了基于大数据和人工智能的互联网精准化教学方法，包括以下步骤：
S101：获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限；
S102：根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息；
S103：通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程；
S104：提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集；
S105：将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程。
进一步的，所述兴趣爱好领域信息获取具体为：
根据生活习性分类将历史网络足迹数据分成多个数据集；
获取数据集中各个足迹数据在预设期间内的浏览频率、浏览时间、间隔时间；
根据浏览频率、停留时间、浏览间隔时间计算各个数据集的评价权重值；
选取评价权重值最大的数据集所标记的习性分类类别作为兴趣爱好领域信息。
进一步的，所述评价权重值计算具体为：
式中，n表示数据集中足迹数据的数量；Wn表示第n个足迹数据的评价权重值；T0表示预设期间；fn表示第n个足迹数据的浏览频率；表示第n个足迹数据的浏览时间平均值；表示n个足迹数据之间浏览切换的间隔时间平均值；/>表示数据集的评价权重值。
进一步的，所述知识点信息提取具体为：
根据关键词识别技术提取知识点课程中每一个知识点对应的关键词组；
获取知识点课程中对应知识点的目录关联关系；
根据目录关联关系对关键词组中的关键词进行分级处理后建立教学思路框架；
将关键词组中的关键词与教学思路框架融合处理后建立对应知识点的教学思路图谱。
进一步的，所述示例总集匹配具体为：
获取示例数据库中各个教学示例的的示例思路图谱；
根据示例思路图谱和教学思路图谱计算各个教学示例的实际相识度；
选择实际相识度不小于预设的标准相识度的教学示例构成示例总集。
进一步的，所述实际相识度计算具体为：
式中，XS表示实际相识度；NS表示示例思路图谱中的关键词数量；NJ表示教学思路图谱中的关键词数量；NT表示示例思路图谱与教学思路图谱中的相同关键词数量；NiL表示某一相同关键词在示例思路图谱中与其他相同关键词存在同级或邻级关系的数量；KiL表示两个相同关键词的识别度，若两个相同关键词在教学思路图谱中存在同级或邻级关系，则KiL取值为1，反之取值为0。
进一步的，所述示例子集匹配具体为：
获取示例总集中表征领域方向的领域特征信息，并将领域特征信息划分成与兴趣爱好领域信息相关的相关领域集和不相关的不相关领域集；
选取相关领域集在领域特征信息的占比值大于预设占比值的教学示例作为示例子集。
进一步的，所述示例链接具体为：
根据示例子集中的各个教学示例生成对应的示例标签；
将示例标签排序后集成一个点击标签嵌入知识点课程中知识点信息对应位置处；
点击标签通过下拉隐藏窗口显示排序后的示例标签，每个示例标签对应设置显示隐藏窗口显示教学示例的教学内容。
第二方面，提供了基于大数据和人工智能的互联网精准化教学系统，包括：
用户登录模块，用于获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限；
数据采集模块，用于根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息；
课程选取模块，用于通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程；
示例匹配模块，用于提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集；
链接嵌入模块，用于将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器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如第一方面中任意一项所述的基于大数据和人工智能的互联网精准化教学方法。
与现有技术，本发明具有以下有益效果：
1、本发明根据学生的学习情况获取相应难度的知识点课程，并通过大数据分析得到学生的兴趣爱好领域信息，然后结合学生真正感兴趣的领域和知识点信息构建能够体现教学思路的教学示例，通过教学示例既能够持续性的保持对学生的吸引力，同时能够降低教学人员的工作强度；
2、本发明在知识点课程中嵌入教学示例不影响知识点课程本身的教学框架，能够适用于所有的教学领域，其适用范围广，互联网精准化教学课程生成快速、准确；
3、本发明通过对获取的生活习性进行数据处理和评价后，能够筛选出真实度高的兴趣爱好领域信息，实现不同学员之间的差异化教学；
4、本发明结合知识点课程中的关键词信息和教学示例中的关键词信息，通过对示例思路图谱、教学思路图谱进行相似度计算，其匹配的教学示例相似度高，误差小。
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性的前提下，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是本发明实施例中的系统框图。
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1-2及实施例1-2，对本发明进行进一步详细说明。
实施例1：基于大数据和人工智能的互联网精准化教学方法，如图1所示，包括以下步骤：
S101：获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限；
S102：根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息；
S103：通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程；
S104：提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集；
S105：将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程。
兴趣爱好领域信息获取具体为：根据生活习性分类将历史网络足迹数据分成多个数据集；获取数据集中各个足迹数据在预设期间内的浏览频率、浏览时间、间隔时间；根据浏览频率、停留时间、浏览间隔时间计算各个数据集的评价权重值；选取评价权重值最大的数据集所标记的习性分类类别作为兴趣爱好领域信息。
评价权重值计算具体为：
式中，n表示数据集中足迹数据的数量；Wn表示第n个足迹数据的评价权重值；T0表示预设期间；fn表示第n个足迹数据的浏览频率；表示第n个足迹数据的浏览时间平均值；表示n个足迹数据之间浏览切换的间隔时间平均值；/>表示数据集的评价权重值。
知识点信息提取具体为：根据关键词识别技术提取知识点课程中每一个知识点对应的关键词组；获取知识点课程中对应知识点的目录关联关系；根据目录关联关系对关键词组中的关键词进行分级处理后建立教学思路框架；将关键词组中的关键词与教学思路框架融合处理后建立对应知识点的教学思路图谱。
示例总集匹配具体为：获取示例数据库中各个教学示例的的示例思路图谱；根据示例思路图谱和教学思路图谱计算各个教学示例的实际相识度；选择实际相识度不小于预设的标准相识度的教学示例构成示例总集。
实际相识度计算具体为：
式中，XS表示实际相识度；NS表示示例思路图谱中的关键词数量；NJ表示教学思路图谱中的关键词数量；NT表示示例思路图谱与教学思路图谱中的相同关键词数量；NiL表示某一相同关键词在示例思路图谱中与其他相同关键词存在同级或邻级关系的数量；KiL表示两个相同关键词的识别度，若两个相同关键词在教学思路图谱中存在同级或邻级关系，则KiL取值为1，反之取值为0。
示例子集匹配具体为：获取示例总集中表征领域方向的领域特征信息，并将领域特征信息划分成与兴趣爱好领域信息相关的相关领域集和不相关的不相关领域集；选取相关领域集在领域特征信息的占比值大于预设占比值的教学示例作为示例子集。
示例链接具体为：根据示例子集中的各个教学示例生成对应的示例标签；将示例标签排序后集成一个点击标签嵌入知识点课程中知识点信息对应位置处；点击标签通过下拉隐藏窗口显示排序后的示例标签，每个示例标签对应设置显示隐藏窗口显示教学示例的教学内容。
实施例2：基于大数据和人工智能的互联网精准化教学系统，如图2所示，包括用户登录模块、数据采集模块、课程选取模块、示例匹配模块、链接嵌入模块。用户登录模块，用于获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限。数据采集模块，用于根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息。课程选取模块，用于通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程。示例匹配模块，用于提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集。链接嵌入模块，用于将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程。
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 (7)

1.基于大数据和人工智能的互联网精准化教学方法，其特征是，包括以下步骤：
S101：获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限；
S102：根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息；
S103：通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程；
S104：提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集；
S105：将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程；
所述兴趣爱好领域信息获取具体为：
根据生活习性分类将历史网络足迹数据分成多个数据集；
获取数据集中各个足迹数据在预设期间内的浏览频率、浏览时间、间隔时间；
根据浏览频率、停留时间、浏览间隔时间计算各个数据集的评价权重值；
选取评价权重值最大的数据集所标记的习性分类类别作为兴趣爱好领域信息；
所述评价权重值计算具体为：
式中，n表示数据集中足迹数据的数量；Wn表示第n个足迹数据的评价权重值；T0表示预设期间；fn表示第n个足迹数据的浏览频率；表示第n个足迹数据的浏览时间平均值；/>表示n个足迹数据之间浏览切换的间隔时间平均值；/>表示数据集的评价权重值；
所述示例链接具体为：
根据示例子集中的各个教学示例生成对应的示例标签；
将示例标签排序后集成一个点击标签嵌入知识点课程中知识点信息对应位置处；
点击标签通过下拉隐藏窗口显示排序后的示例标签，每个示例标签对应设置显示隐藏窗口显示教学示例的教学内容。
2.根据权利要求1所述的基于大数据和人工智能的互联网精准化教学方法，其特征是，所述知识点信息提取具体为：
根据关键词识别技术提取知识点课程中每一个知识点对应的关键词组；
获取知识点课程中对应知识点的目录关联关系；
根据目录关联关系对关键词组中的关键词进行分级处理后建立教学思路框架；
将关键词组中的关键词与教学思路框架融合处理后建立对应知识点的教学思路图谱。
3.根据权利要求1所述的基于大数据和人工智能的互联网精准化教学方法，其特征是，所述示例总集匹配具体为：
获取示例数据库中各个教学示例的的示例思路图谱；
根据示例思路图谱和教学思路图谱计算各个教学示例的实际相识度；
选择实际相识度不小于预设的标准相识度的教学示例构成示例总集。
4.根据权利要求3所述的基于大数据和人工智能的互联网精准化教学方法，其特征是，所述实际相识度计算具体为：
式中，XS表示实际相识度；NS表示示例思路图谱中的关键词数量；NJ表示教学思路图谱中的关键词数量；NT表示示例思路图谱与教学思路图谱中的相同关键词数量；NiL表示某一相同关键词在示例思路图谱中与其他相同关键词存在同级或邻级关系的数量；KiL表示两个相同关键词的识别度，若两个相同关键词在教学思路图谱中存在同级或邻级关系，则KiL取值为1，反之取值为0。
5.根据权利要求1所述的基于大数据和人工智能的互联网精准化教学方法，其特征是，所述示例子集匹配具体为：
获取示例总集中表征领域方向的领域特征信息，并将领域特征信息划分成与兴趣爱好领域信息相关的相关领域集和不相关的不相关领域集；
选取相关领域集在领域特征信息的占比值大于预设占比值的教学示例作为示例子集。
6.基于大数据和人工智能的互联网精准化教学系统，其特征是，包括：
用户登录模块，用于获取用户的身份信息，并在身份信息验证通过后授予相应的学习权限；
数据采集模块，用于根据身份信息进行大数据实时搜索用户的历史网络足迹数据，并对历史网络足迹数据进行数据分类、数据分析后得到用户的兴趣爱好领域信息；
课程选取模块，用于通过识别用户的身份信息以获取用户的学习等级信息，并根据学习等级信息从预构建的课程数据库中匹配相应的知识点课程；
示例匹配模块，用于提取知识点课程中的知识点信息，根据知识点信息在预构建的示例数据库中匹配出与知识点信息关联的示例总集，并从示例总集中筛选出与兴趣爱好领域信息匹配的示例子集；
链接嵌入模块，用于将示例子集与对应的知识点信息关联后生成示例链接，并将示例链接嵌入知识点课程中知识点信息对应位置处，以及对知识点课程进行更新后得到互联网精准化教学课程；
所述兴趣爱好领域信息获取具体为：
根据生活习性分类将历史网络足迹数据分成多个数据集；
获取数据集中各个足迹数据在预设期间内的浏览频率、浏览时间、间隔时间；
根据浏览频率、停留时间、浏览间隔时间计算各个数据集的评价权重值；
选取评价权重值最大的数据集所标记的习性分类类别作为兴趣爱好领域信息；
所述评价权重值计算具体为：
式中，n表示数据集中足迹数据的数量；Wn表示第n个足迹数据的评价权重值；T0表示预设期间；fn表示第n个足迹数据的浏览频率；表示第n个足迹数据的浏览时间平均值；/>表示n个足迹数据之间浏览切换的间隔时间平均值；/>表示数据集的评价权重值；
所述示例链接具体为：
根据示例子集中的各个教学示例生成对应的示例标签；
将示例标签排序后集成一个点击标签嵌入知识点课程中知识点信息对应位置处；
点击标签通过下拉隐藏窗口显示排序后的示例标签，每个示例标签对应设置显示隐藏窗口显示教学示例的教学内容。
7.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5中任意一项所述的基于大数据和人工智能的互联网精准化教学方法。
CN202011358911.3A 2020-11-27 2020-11-27 基于大数据和人工智能的互联网精准化教学方法及系统 Active CN112487290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011358911.3A CN112487290B (zh) 2020-11-27 2020-11-27 基于大数据和人工智能的互联网精准化教学方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011358911.3A CN112487290B (zh) 2020-11-27 2020-11-27 基于大数据和人工智能的互联网精准化教学方法及系统

Publications (2)

Publication Number Publication Date
CN112487290A CN112487290A (zh) 2021-03-12
CN112487290B true CN112487290B (zh) 2024-03-12

Family

ID=74936393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011358911.3A Active CN112487290B (zh) 2020-11-27 2020-11-27 基于大数据和人工智能的互联网精准化教学方法及系统

Country Status (1)

Country Link
CN (1) CN112487290B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967547B (zh) * 2021-03-30 2022-11-25 上海知到知识数字科技有限公司 一种在线教育课堂优化方法
CN113239185B (zh) * 2021-07-13 2021-10-29 深圳市创能亿科科技开发有限公司 教学课件的制作方法、设备及计算机可读存储介质
CN113286166B (zh) * 2021-07-21 2021-10-01 广州凡科互联网科技股份有限公司 在网络教育直播中进行实时交互信息的推送方法
CN114969460A (zh) * 2022-05-09 2022-08-30 北京高科云教育科技有限公司 基于知识图谱的资源推荐方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793796A (zh) * 2014-03-04 2014-05-14 北京科技大学 一种基于认知机理的教学系统
WO2016115866A1 (zh) * 2015-01-19 2016-07-28 深圳市时尚德源文化传播有限公司 一种智能终端机网络教学方法
WO2017193709A1 (zh) * 2016-05-12 2017-11-16 深圳市鹰硕技术有限公司 一种互联网教学方法及系统
WO2018223528A1 (zh) * 2017-06-08 2018-12-13 深圳市鹰硕技术有限公司 一种用于互联网学习平台的教学资源数据管理系统
CN111402093A (zh) * 2020-02-17 2020-07-10 浙江创课网络科技有限公司 基于大数据和人工智能的互联网精准化教学辅导管理系统
CN111540244A (zh) * 2020-05-11 2020-08-14 镇江纵陌阡横信息科技有限公司 一种基于大数据分析的多端线上授课系统
CN111753098A (zh) * 2020-06-23 2020-10-09 陕西师范大学 一种基于跨媒体动态知识图谱的教学方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801193B (zh) * 2017-11-17 2020-09-15 深圳市鹰硕教育服务股份有限公司 一种具有语音评价功能的跟随教学系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793796A (zh) * 2014-03-04 2014-05-14 北京科技大学 一种基于认知机理的教学系统
WO2016115866A1 (zh) * 2015-01-19 2016-07-28 深圳市时尚德源文化传播有限公司 一种智能终端机网络教学方法
WO2017193709A1 (zh) * 2016-05-12 2017-11-16 深圳市鹰硕技术有限公司 一种互联网教学方法及系统
WO2018223528A1 (zh) * 2017-06-08 2018-12-13 深圳市鹰硕技术有限公司 一种用于互联网学习平台的教学资源数据管理系统
CN111402093A (zh) * 2020-02-17 2020-07-10 浙江创课网络科技有限公司 基于大数据和人工智能的互联网精准化教学辅导管理系统
CN111540244A (zh) * 2020-05-11 2020-08-14 镇江纵陌阡横信息科技有限公司 一种基于大数据分析的多端线上授课系统
CN111753098A (zh) * 2020-06-23 2020-10-09 陕西师范大学 一种基于跨媒体动态知识图谱的教学方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
如何构建智慧课堂;钟绍春;钟卓;张琢;;电化教育研究(10);全文 *
教育知识图谱内涵及应用场景探析;陈敏;;教育传播与技术(03);全文 *

Also Published As

Publication number Publication date
CN112487290A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112487290B (zh) 基于大数据和人工智能的互联网精准化教学方法及系统
Novendri et al. Sentiment analysis of YouTube movie trailer comments using naïve bayes
Matzavela et al. Decision tree learning through a predictive model for student academic performance in intelligent m-learning environments
Anoopkumar et al. A Review on Data Mining techniques and factors used in Educational Data Mining to predict student amelioration
Thien et al. Affective characteristics and mathematics performance in Indonesia, Malaysia, and Thailand: what can PISA 2012 data tell us?
Bydžovská A Comparative Analysis of Techniques for Predicting Student Performance.
Kapur et al. Comparative Study on Marks Prediction using Data Mining and Classification Algorithms.
Hmedna et al. A machine learning approach to identify and track learning styles in MOOCs
Yulianto et al. Implementation Educational Data Mining For Analysis of Student Performance Prediction with Comparison of K-Nearest Neighbor Data Mining Method and Decision Tree C4. 5: Implementation Educational Data Mining For Analysis of Student Performance Prediction with Comparison of K-Nearest Neighbor Data Mining Method and Decision Tree C4. 5
Singh et al. An empirical study of applications of data mining techniques for predicting student performance in higher education
Herath et al. A personalized web content recommendation system for E-learners in E-learning environment
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
Cader The potential for the use of deep neural networks in e-learning student evaluation with new data augmentation method
CN115329200A (zh) 一种基于知识图谱和用户相似度的教学资源推荐方法
Hussain et al. Mining moodle data to detect the inactive and low-performance students during the moodle course
CN110993102A (zh) 一种基于校园大数据的学生行为与心理检测结果的精准分析方法及系统
Du et al. Is learning anytime, anywhere a good strategy for success? Identifying successful spatial-temporal patterns of on-the-job and full-time students
CN118193701A (zh) 基于知识追踪和知识图谱的个性化智能答疑方法及装置
Majeed et al. Current state of art of academic data mining and future vision
Zhang et al. Research and application of grade prediction model based on decision tree algorithm
Petchboonmee et al. A Comparative data mining technique for David Kolb's experiential learning style classification
Kumar et al. Relevance of data mining techniques in edification sector
Jiang et al. Research on individualized teaching based on big data mining
BH et al. Data mining in higher education system and the quality of faculty affecting students academic performance: a systematic review
Yao et al. A novel search ranking method for MOOCs using unstructured course information

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