CN112507140B - 一种个性化智能学习推荐方法、装置、设备及存储介质 - Google Patents
一种个性化智能学习推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112507140B CN112507140B CN202110173039.3A CN202110173039A CN112507140B CN 112507140 B CN112507140 B CN 112507140B CN 202110173039 A CN202110173039 A CN 202110173039A CN 112507140 B CN112507140 B CN 112507140B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- current
- information
- knowledge point
- subject
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 239000000463 material Substances 0.000 claims abstract description 51
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 238000013519 translation Methods 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/35—Clustering; Classification
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供了一种个性化智能学习推荐方法、装置、设备及存储介质，所述方法包括：预构建知识图谱；所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐；能够实现对学生学习情况的分析，让学生随时掌握自己的薄弱点；针对薄弱点进行专项教材及学习推荐，提高学生的学习效果；可以让用户快速的知道自己学习掌握的知识点，并针对性提高学习能力。
Description
技术领域
本申请涉及智能学习领域，特别是一种个性化智能学习推荐方法、装置、设备及存储介质。
背景技术
学习，是指通过阅读、听讲、思考、研究、实践等途径获得知识和技能的过程。学习分为狭义与广义两种；狭义：通过阅读、听讲、研究、观察、理解、探索、实验、实践等手段获得知识或技能的过程，是一种使个体可以得到持续变化（知识和技能，方法与过程，情感与价值的改善和升华）的行为方式。例如通过学校教育获得知识的过程。广义：是人在生活过程中，通过获得经验而产生的行为或行为潜能的相对持久为方式。
对于传统的教学系统而言，传统的教学系统是由教师、学生和教材这三个要素构成的，在现代化教学环境下还要多增加一个要素，这就是教学媒体。既然是一个教学系统，从系统论的观点考虑，几个要素就不是简单地、孤立地拼凑在起，而是彼此相互联系、相互作用而形成的有机整体。所谓教学模式正是这四个要素相互联系、相互作用而形成的教学活动进程的稳定结构形式，是四个要素相互联系、相互作用的具体体现。
而目前的传统的教学系统无法对学生学习的知识点掌握情况进行有效的分析，且无法根据学生自身的掌握情况进行智能学习资料推荐。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种个性化智能学习推荐方法和一种个性化智能学习推荐装置，所述方法包括：
一种个性化智能学习推荐方法，用于对学生的学习情况进行分析并推荐相关学习资料，包括：
预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；
所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；
在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
进一步地，所述预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库的步骤，还包括：
预构建知识图谱，其中，所述知识图谱内至少包括具有学科分类信息、语法分类信息、使用场景分类信息、相关联的知识点分类信息的学科知识点，具有知识点运用的不同应用层次和使用场景信息、相同知识点在不同应用层次和使用场景标准程度信息的知识结构，以及具有知识点对应的检测试题和有关知识点边缘拓展的检测试题的知识点检测题库。
进一步地，所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构的步骤，包括：
获取所述当前学习教材信息内的标签信息，其中，所述标签信息包括关键词标签以及使用场景标签；
根据所述关键词标签和所述使用场景标签对所述学科知识点进行检索处理得到第一学科知识点，根据所述第一学科知识点生成学科知识点相似度；
和/或，
根据所述关键词标签和所述使用场景标签对所述知识结构进行检索处理得到第一知识结构，根据所述第一知识结构生成知识结构相似度；
当所述学科知识点相似度和/或所述知识结构相似度均大于预设相似值时，则将所述第一学科知识点确定为所述当前学科知识点和所述第一知识结构确定为所述当前知识结构。
进一步地，所述根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题的步骤，包括：
根据所述当前学科知识点和所述当前知识结构生成关键字；
根据所述关键字在所述知识图谱的所述知识点检测题库内获取与所述关键字相关的检测试题；
将所述关键字相关的所述检测试题确定为当前知识点检测试题。
进一步地，所述在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图的步骤，包括：
获取所述当前知识点检测试题对应的标准答案信息；
将所述标准答案信息与所述答题信息根据预设对比分析规则生成所述知识点掌握情况分析图，其中，所述预设对比分析规则至少包括不同等级所具备的不同掌握程度、实际得分与标准得分之间的差值。
进一步地，所述根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐的步骤，包括：
在所述知识点掌握情况分析图内获取每个知识点的水平等级信息和每个知识点的得分信息；
将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值。
进一步地，所述将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值的步骤，包括：
当所述水平等级信息低于所述水平等级建议值，且所述得分信息低于所述得分建议值时，则将该知识点的掌握程度标记为低，并推荐该知识点相关的学习资料；
和/或，
当所述水平等级信息高于所述水平等级建议值，且所述得分信息高于所述得分建议值时，则将该知识点的掌握程度标记为高，无需推荐该知识点相关的学习资料；
和/或，
当所述水平等级信息低于所述水平等级建议值且所述得分信息高于所述得分建议值，和/或，所述水平等级信息高于所述水平等级建议值且所述得分信息低于所述得分建议值时，则都将该知识点的掌握程度标记为中等，并推荐加强该知识点的掌握程度。
本发明实施例还公开了一种个性化智能学习推荐装置，所述装置包括：
知识图谱模块，用于预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；
匹配模块，用于所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
获取模块，用于根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；
分析模块，用于在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
推荐模块，用于根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
本发明实施例还公开了一种计算机设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的一种个性化智能学习推荐方法的步骤。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的一种个性化智能学习推荐方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
通过一种个性化智能学习推荐方法能够实现对学生学习情况的分析，让学生随时掌握自己的薄弱点；针对薄弱点进行专项教材及学习推荐，提高学生的学习效果；可以让用户快速的知道自己学习掌握的知识点，并针对性提高学习能力。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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申请的一些实施例，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是本申请一实施例提供的一种个性化智能学习推荐方法的步骤流程图；
图2是本申请一实施例提供的一种个性化智能学习推荐装置的结构框图；
图3是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本发明任一实施例中，用于对学生的学习情况进行分析并推荐相关学习资料。
参照图1，示出了本申请一实施例提供的一种个性化智能学习推荐方法的步骤流程图；
所述方法包括：
S110、预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；
S120、所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
S130、根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；
S140、在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
S150、根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
在本申请的实施例中，通过预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
通过一种个性化智能学习推荐方法能够实现对学生学习情况的分析，让学生随时掌握自己的薄弱点；针对薄弱点进行专项教材及学习推荐，提高学生的学习效果；可以让用户快速的知道自己学习掌握的知识点，并针对性提高学习能力。
下面，将对本示例性实施例中一种个性化智能学习推荐方法作进一步地说明。
如所述步骤S110所述，预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库”的具体过程。
如下列步骤所述，
步骤S1101，预构建知识图谱，其中，所述知识图谱内至少包括具有学科分类信息、语法分类信息、使用场景分类信息、相关联的知识点分类信息的学科知识点，具有知识点运用的不同应用层次和使用场景信息、相同知识点在不同应用层次和使用场景标准程度信息的知识结构，以及具有知识点对应的检测试题和有关知识点边缘拓展的检测试题的知识点检测题库。
需要说明的是，预构建知识图谱是通过在不同数据库中获取相关资料信息，其中包括中文通用百科知识图谱（CN-DBpedia）、思知知识图谱、 openKG（链上的开放知识图谱）、维基数据(Wikidata)等相关大数据库中获取知识点信息构建知识图谱。
作为一种示例，学科知识点具体包括知识点属于的学科分类，语法分类，使用场景分类，相关联的知识点分类的相关信息；知识结构具体包括知识点运用的不同应用层次和使用场景的相关信息；其中，不同应用层次包括如小学生、初中生、成人等；使用场景包括行业类别、应用场景、使用需求等；知识结构还包括相同知识点不同应用层次和使用场景标准程度，即在相同知识点在不同应用层次和使用场景的建议掌握程度或者标准掌握程度；知识点检测题库具体包括知识点对应的检测试题和有关知识点边缘拓展的检测试题，其中检测试题的类型包括选择题、简答题、翻译题、主观题等。
如所述步骤S120所述，所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构”的具体过程。
如下列步骤所述，
步骤S1201，获取所述当前学习教材信息内的标签信息，其中，所述标签信息包括关键词标签以及使用场景标签；
步骤S12021，根据所述关键词标签和所述使用场景标签对所述学科知识点进行检索处理得到第一学科知识点，根据所述第一学科知识点生成学科知识点相似度；
和/或，
步骤S12022，根据所述关键词标签和所述使用场景标签对所述知识结构进行检索处理得到第一知识结构，根据所述第一知识结构生成知识结构相似度；
步骤S1203，当所述学科知识点相似度和/或所述知识结构相似度均大于预设相似值时，则将所述第一学科知识点确定为所述当前学科知识点和所述第一知识结构确定为所述当前知识结构。
需要说明的是，根据当前学习教材信息中获取得到标签信息，标签信息包括关键词标签以及使用场景标签，其中，关键词标签包括关键单词名称、关键单词语法，使用场景标签包括行业类别、应用场景、使用需求等；根据标签信息在知识图谱的学科知识点内查询检索具有相同标签的学科知识点，并将确定为第一学科知识点，根据第一学科知识点的标签信息与当前学习教材信息的标签信息计算生成一个学科知识点相似度；根据标签信息在知识图谱的知识结构内查询检索具有相同标签的知识结构，并将确定为第一知识结构，根据第一知识结构的标签信息与当前学习教材信息的标签信息计算生成一个知识结构相似度；只有在将学科知识点相似度与预设的相似值进行对比，即学科知识点相似度大于预设的相似值的70%，且将知识结构相似度与预设的相似值进行对比，即知识结构相似度大于预设的相似值的70%时，才能将第一学科知识点确定为当前学科知识点和将第一知识结构确定为当前知识结构。
如所述步骤S130所述，根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题”的具体过程。
如下列步骤所述，
步骤S1301，根据所述当前学科知识点和所述当前知识结构生成关键字；
步骤S1302，根据所述关键字在所述知识图谱的所述知识点检测题库内获取与所述关键字相关的检测试题；
步骤S1303，将所述关键字相关的所述检测试题确定为当前知识点检测试题。
需要说明的是，关键字是有关知识图谱的关键字，知识图谱根据关键字在其知识点检测题库内获取对应的与关键字相关的测试试题，并将该测试试题确定为当前知识点检测试题，并将其输出至用户。
如所述步骤S140所述在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图”的具体过程。
如下列步骤所述，
步骤S1401，获取所述当前知识点检测试题对应的标准答案信息；
步骤S1402，将所述标准答案信息与所述答题信息根据预设对比分析规则生成所述知识点掌握情况分析图，其中，所述预设对比分析规则至少包括不同等级所具备的不同掌握程度、实际得分与标准得分之间的差值；
需要说明的是，在所述当前知识点检测试题内获取答题信息之前，用户需要将对当前知识点检测试题进行答题，答题后的当前知识点检测试题才能生成答题信息；当前知识点检测试题内具有答题信息后，获取对应的标准答案信息，将对应知识点的答案与用户答题的答案进行对比分析，其中，对比分析需要考虑对应知识点在不同等级所具备的不同掌握程度，具体地，可以理解为每道题目都有一个不同等级用户应该掌握的一个推荐程度；以及对应知识点的实际得分与标准得分之间的差值，具体地，可以理解为根据用户自身的水平等级程度，对比此水平等级程度对应的分数，将学生实际得分和推荐分数进行对比；从而生成知识点掌握情况分析图。
如所述步骤S150所述，根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
在本发明一实施例中，可以结合下列描述进一步说明步骤S150所述“根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐”的具体过程。
如下列步骤所述，
步骤S1501，在所述知识点掌握情况分析图内获取每个知识点的水平等级信息和每个知识点的得分信息；
步骤S1502，将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值。
需要说明的是，知识点掌握情况分析图内应当包括水平等级信息以及得分信息，其中水平等级信息具体可以包括为根据前一次测试的用户对应的水平等级、用户第一次自测的水平等级；水平等级可以理解为知识点的掌握程度；得分信息具体可以包括学生上一次水平等级的知识点检测试题的得分、学生当前水平等级的知识点检测试题的得分，学生当前水平等级的进阶水平等级的知识点检测试题的得分；将其水平等级信息与水平等级建议值进行分析，等到关于水平等级的分析结果；将其得分信息与得分建议值进行分析，等到关于得分的分析结果；再根据水平等级的分析结果和得分的分析结果作出具体的学习推荐。
其中，如所述步骤步骤S1502所述，将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值。
在本发明一实施例中，可以结合下列描述进一步说明步骤S1502所述“将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值”的具体过程。
如下列步骤所述，
步骤S15021，当所述水平等级信息低于所述水平等级建议值，且所述得分信息低于所述得分建议值时，则将该知识点的掌握程度标记为低，并推荐该知识点相关的学习资料；
和/或，
步骤S15022，当所述水平等级信息高于所述水平等级建议值，且所述得分信息高于所述得分建议值时，则将该知识点的掌握程度标记为高，无需推荐该知识点相关的学习资料；
和/或，
步骤S15023，当所述水平等级信息低于所述水平等级建议值且所述得分信息高于所述得分建议值，和/或，所述水平等级信息高于所述水平等级建议值且所述得分信息低于所述得分建议值时，则都将该知识点的掌握程度标记为中等，并推荐加强该知识点的掌握程度。
需要说明的是，通过数值比较，可以根据不同情况作出不同的学习资料的推荐，即当学生水平等级信息低于水平等级建议值，且得分信息低于得分建议值，能够得知学生对当前知识点掌握较弱，并标记为学生知识点的弱点，向该学生推荐相关当前知识点的学习资料；即当学生水平等级信息高于水平等级建议值，且得分信息高于得分建议值，能够得知学生对当前知识点掌握较强，并标记为学生知识点的强点，向该学生推荐除当前知识点以外的其他知识点对应的学习资料；除上述两种情况以外，还包括：当学生水平等级信息高于水平等级建议值，且得分信息低于得分建议值为第一额外情况，当学生水平等级信息低于水平等级建议值，且得分信息高于得分建议值为第二额外情况，对于第一额外情况和第二额外情况而言，能够得知学生对当前知识点掌握存在一定波动，对于当前知识点是处于一种时好时坏的状态，需要加强当前知识点的掌握程度，向该学生推荐当前知识点的学习资料，使其当前知识点能够达到强点。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图2，示出了本申请一实施例提供的一种个性化智能学习推荐装置的结构框图；
具体包括：
知识图谱模块210，用于预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；
匹配模块220，用于所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
获取模块230，用于根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；
分析模块240，用于在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
推荐模块250，用于根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
在本发明一实施例中，所述.知识图谱模块210，包括：
构建子模块，用于预构建知识图谱，其中，所述知识图谱内至少包括具有学科分类信息、语法分类信息、使用场景分类信息、相关联的知识点分类信息的学科知识点，具有知识点运用的不同应用层次和使用场景信息、相同知识点在不同应用层次和使用场景标准程度信息的知识结构，以及具有知识点对应的检测试题和有关知识点边缘拓展的检测试题的知识点检测题库。
在本发明一实施例中，所述匹配模块220，包括：
第一获取子模块，用于获取所述当前学习教材信息内的标签信息，其中，所述标签信息包括关键词标签以及使用场景标签；
第一生成子模块，用于根据所述关键词标签和所述使用场景标签对所述学科知识点进行检索处理得到第一学科知识点，根据所述第一学科知识点生成学科知识点相似度；
和/或，
第二生成子模块，用于根据所述关键词标签和所述使用场景标签对所述知识结构进行检索处理得到第一知识结构，根据所述第一知识结构生成知识结构相似度；
第一确定子模块，用于当所述学科知识点相似度和/或所述知识结构相似度均大于预设相似值时，则将所述第一学科知识点确定为所述当前学科知识点和所述第一知识结构确定为所述当前知识结构。
在本发明一实施例中，所述获取模块230，包括：
第二生成子模块，用于根据所述当前学科知识点和所述当前知识结构生成关键字；
第二获取子模块，用于根据所述关键字在所述知识图谱的所述知识点检测题库内获取与所述关键字相关的检测试题；
第二确定子模块，用于将所述关键字相关的所述检测试题确定为当前知识点检测试题。
在本发明一实施例中，所述分析模块240，包括：
第三获取子模块，用于获取所述当前知识点检测试题对应的标准答案信息；
对比分析子模块，用于将所述标准答案信息与所述答题信息根据预设对比分析规则生成所述知识点掌握情况分析图，其中，所述预设对比分析规则至少包括不同等级所具备的不同掌握程度、实际得分与标准得分之间的差值。
在本发明一实施例中，所述推荐模块250，包括：
第四获取子模块，用于在所述知识点掌握情况分析图内获取每个知识点的水平等级信息和每个知识点的得分信息；
第三生成子模块，用于将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值。
在本发明一实施例中，所述第三生成子模块，包括：
第一推荐单元，用于当所述水平等级信息低于所述水平等级建议值，且所述得分信息低于所述得分建议值时，则将该知识点的掌握程度标记为低，并推荐该知识点相关的学习资料；
和/或，
第二推荐单元，用于当所述水平等级信息高于所述水平等级建议值，且所述得分信息高于所述得分建议值时，则将该知识点的掌握程度标记为高，无需推荐该知识点相关的学习资料；
和/或，
第三推荐单元，用于当所述水平等级信息低于所述水平等级建议值且所述得分信息高于所述得分建议值，和/或，所述水平等级信息高于所述水平等级建议值且所述得分信息低于所述得分建议值时，则都将该知识点的掌握程度标记为中等，并推荐加强该知识点的掌握程度。
参照图3，示出了本发明的一种个性化智能学习推荐方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件（包括内存28和处理单元16）的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构（ISA）总线18，微通道体系结构（MAC）总线18，增强型ISA总线18、音视频电子标准协会（VESA）局域总线18以及外围组件互连（PCI）总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（通常称为“硬盘驱动器”）。尽管图3中未示出，可以提供用于对可移动非易失性磁盘（如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM，DVD-ROM或者其他光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24、摄像头等）通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（LAN）），广域网（WAN）和/或公共网络（例如因特网）通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的个性化智能学习推荐方法。
也即，上述处理单元16执行上述程序时实现：预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
在本发明实施例中，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如本申请所有实施例提供的个性化智能学习推荐方法：
也即，给程序被处理器执行时实现：预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到操作人员计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种个性化智能学习推荐方法、装置、设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种个性化智能学习推荐方法，用于对学生的学习情况进行分析并推荐相关学习资料，其特征在于，包括：
预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；其中，知识结构具体包括所述学科知识点运用的应用层次和使用场景的相关信息；知识结构还包括相同所述学科知识点应用层次和使用场景标准程度；
所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
获取所述当前学习教材信息内的标签信息，其中，所述标签信息包括关键词标签以及使用场景标签；
根据所述关键词标签和所述使用场景标签对所述学科知识点进行检索处理得到第一学科知识点，根据所述第一学科知识点生成学科知识点相似度；
和/或，
根据所述关键词标签和所述使用场景标签对所述知识结构进行检索处理得到第一知识结构，根据所述第一知识结构生成知识结构相似度；
当所述学科知识点相似度和/或所述知识结构相似度均大于预设相似值时，则将所述第一学科知识点确定为所述当前学科知识点和所述第一知识结构确定为所述当前知识结构；
根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；
在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
2.根据权利要求1所述的方法，其特征在于，所述预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库的步骤，还包括：
预构建知识图谱，其中，所述知识图谱内至少包括具有学科分类信息、语法分类信息、使用场景分类信息、相关联的知识点分类信息的学科知识点，以及具有知识点对应的检测试题和有关知识点边缘拓展的检测试题的知识点检测题库。
3.根据权利要求1所述的方法，其特征在于，所述根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题的步骤，包括：
根据所述当前学科知识点和所述当前知识结构生成关键字；
根据所述关键字在所述知识图谱的所述知识点检测题库内获取与所述关键字相关的检测试题；
将所述关键字相关的所述检测试题确定为当前知识点检测试题。
4.根据权利要求1所述的方法，其特征在于，所述在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图的步骤，包括：
获取所述当前知识点检测试题对应的标准答案信息；
将所述标准答案信息与所述答题信息根据预设对比分析规则生成所述知识点掌握情况分析图，其中，所述预设对比分析规则至少包括不同等级所具备的不同掌握程度、实际得分与标准得分之间的差值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐的步骤，包括：
在所述知识点掌握情况分析图内获取每个知识点的水平等级信息和每个知识点的得分信息；
将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值。
6.根据权利要求5所述的方法，其特征在于，所述将所述水平等级信息和所述得分信息与预设阈值进行对比生成相对应的学习推荐，其中，所述预设阈值至少包括水平等级建议值以及得分建议值的步骤，包括：
当所述水平等级信息低于所述水平等级建议值，且所述得分信息低于所述得分建议值时，则将该知识点的掌握程度标记为低，并推荐该知识点相关的学习资料；
和/或，
当所述水平等级信息高于所述水平等级建议值，且所述得分信息高于所述得分建议值时，则将该知识点的掌握程度标记为高，无需推荐该知识点相关的学习资料；
和/或，
当所述水平等级信息低于所述水平等级建议值且所述得分信息高于所述得分建议值，和/或，所述水平等级信息高于所述水平等级建议值且所述得分信息低于所述得分建议值时，则都将该知识点的掌握程度标记为中等，并推荐加强该知识点的掌握程度。
7.一种个性化智能学习推荐装置，其特征在于，包括：
知识图谱模块，用于预构建知识图谱，其中，所述知识图谱内至少包括学科知识点、知识结构以及知识点检测题库；
匹配模块，用于所述知识图谱根据当前学习教材信息匹配生成所述当前学习教材信息相对应的当前学科知识点和相对应的当前知识结构；
获取模块，用于根据所述当前学科知识点和所述当前知识结构在所述知识图谱获取当前知识点检测试题；获取所述当前学习教材信息内的标签信息，其中，所述标签信息包括关键词标签以及使用场景标签；根据所述关键词标签和所述使用场景标签对所述学科知识点进行检索处理得到第一学科知识点，根据所述第一学科知识点生成学科知识点相似度；和/或，根据所述关键词标签和所述使用场景标签对所述知识结构进行检索处理得到第一知识结构，根据所述第一知识结构生成知识结构相似度；当所述学科知识点相似度和/或所述知识结构相似度均大于预设相似值时，则将所述第一学科知识点确定为所述当前学科知识点和所述第一知识结构确定为所述当前知识结构；
分析模块，用于在所述当前知识点检测试题内获取答题信息，根据所述答题信息生成知识点掌握情况分析图；
推荐模块，用于根据所述知识点掌握情况分析图与预设阈值对比生成相对应的学习推荐。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173039.3A CN112507140B (zh) | 2021-02-08 | 2021-02-08 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173039.3A CN112507140B (zh) | 2021-02-08 | 2021-02-08 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112507140A CN112507140A (zh) | 2021-03-16 |
| CN112507140B true CN112507140B (zh) | 2021-06-04 |
Family
ID=74952900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110173039.3A Active CN112507140B (zh) | 2021-02-08 | 2021-02-08 | 一种个性化智能学习推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507140B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113012508A (zh) * | 2021-03-24 | 2021-06-22 | 苏州星昕教育科技有限公司 | 一种基于人工智能的个性化在线交互式教育方法 |
| CN112948650B (zh) * | 2021-03-31 | 2024-04-12 | 北京大米科技有限公司 | 学习效果展示方法、装置及计算机存储介质 |
| CN112907411A (zh) * | 2021-04-01 | 2021-06-04 | 读书郎教育科技有限公司 | 一种智慧课堂依据掌握程度推荐学习路径的方法及系统 |
| CN113434036B (zh) * | 2021-05-26 | 2024-02-20 | 上海慕知文化传媒有限公司 | Ar增强现实教材辅助系统 |
| CN113221540A (zh) * | 2021-06-03 | 2021-08-06 | 天闻数媒科技（湖南）有限公司 | 一种知识点识别的方法、装置、设备和存储介质 |
| CN113254629B (zh) * | 2021-06-07 | 2022-07-26 | 重庆第二师范学院 | 一种基于人工智能的学习内容推荐方法及系统 |
| CN113851020A (zh) * | 2021-11-04 | 2021-12-28 | 华南师范大学 | 一种基于知识图谱的自适应学习平台 |
| CN116450801A (zh) * | 2023-03-29 | 2023-07-18 | 北京思明启创科技有限公司 | 编程学习方法、装置、设备和存储介质 |
| CN116342340B (zh) * | 2023-03-31 | 2023-10-17 | 上海毅学堂智能科技有限公司 | 基于多版本教材知识图谱实现的个性化教育系统及方法 |
| CN116955589B (zh) * | 2023-09-19 | 2024-01-30 | 山东山大鸥玛软件股份有限公司 | 一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质 |
| CN117493531B (zh) * | 2023-12-29 | 2024-04-09 | 深圳星网信通科技股份有限公司 | 培训材料的生成方法、设备及存储介质 |
| CN117648449B (zh) * | 2024-01-30 | 2024-05-14 | 青岛培诺教育科技股份有限公司 | 基于知识图谱的自适应推送方法、系统、设备和介质 |
| CN117952072B (zh) * | 2024-03-22 | 2024-06-25 | 浙江蓝鸽科技有限公司 | Ai校本化英语教材编辑方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763588A (zh) * | 2018-06-19 | 2018-11-06 | 深圳习习网络科技有限公司 | 一种知识点量化分析方法及装置 |
| CN109949638A (zh) * | 2019-04-22 | 2019-06-28 | 软通智慧科技有限公司 | 知识掌握程度确定方法、装置、终端和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10769539B2 (en) * | 2016-08-16 | 2020-09-08 | International Business Machines Corporation | Automatic evaluation of a knowledge canvassing application |
-
2021
- 2021-02-08 CN CN202110173039.3A patent/CN112507140B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108763588A (zh) * | 2018-06-19 | 2018-11-06 | 深圳习习网络科技有限公司 | 一种知识点量化分析方法及装置 |
| CN109949638A (zh) * | 2019-04-22 | 2019-06-28 | 软通智慧科技有限公司 | 知识掌握程度确定方法、装置、终端和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112507140A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507140B (zh) | 一种个性化智能学习推荐方法、装置、设备及存储介质 | |
| Adesope et al. | Verbal redundancy in multimedia learning environments: A meta-analysis. | |
| CN111475627B (zh) | 解答推导题目的检查方法、装置、电子设备及存储介质 | |
| CN112395403B (zh) | 一种基于知识图谱的问答方法、系统、电子设备及介质 | |
| WO2023273583A1 (zh) | 阅卷方法、装置、电子设备及存储介质 | |
| US20180349781A1 (en) | Method and device for judging news quality and storage medium | |
| BR122017002795B1 (pt) | sistemas e métodos para aprendizagem de idioma | |
| US20150026184A1 (en) | Methods and systems for content management | |
| CN113886567A (zh) | 一种基于知识图谱的教学方法及系统 | |
| Stancheva et al. | A model for generation of test questions | |
| CN111614986A (zh) | 基于在线教育的弹幕生成方法、系统、设备及存储介质 | |
| Thomas et al. | Automatic prediction of presentation style and student engagement from videos | |
| Ermatita et al. | Improving student’s cognitive performance during the pandemic through a machine learning-based virtual museum | |
| Rashid et al. | A Student Learning Style Auto-Detection Model in a Learning Management System | |
| Wang et al. | Video-Based Big Data Analytics in Cyberlearning. | |
| Wu et al. | Automatic evaluation of online learning interaction content using domain concepts | |
| Du et al. | Trends and Issues in STEM+ C Research: A Bibliometric Perspective. | |
| CN114862141A (zh) | 基于画像关联性的课程推荐方法、装置、设备及存储介质 | |
| Das et al. | Mining multiple informational text structure from text data | |
| KR20130065861A (ko) | 학생의 취약 부분 분석 시스템 및 방법 | |
| CN111508292A (zh) | 在线教育广告信息生成方法、系统、设备及存储介质 | |
| Bond | Building a foundation for data science researchers in political science | |
| US20180182255A1 (en) | Automatically generated flash cards | |
| Tapia et al. | Emotions analysis techniques: their application in the identification of criteria for selecting suitable Open Educational Resources (OERs) | |
| Freeman et al. | ChatGPT in education: A comparative study of media framing in Japan and Malaysia |
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 |