CN112818196B - 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 - Google Patents
基于电子学习平台的数据处理方法、设备、电子装置及存储介质 Download PDFInfo
- Publication number
- CN112818196B CN112818196B CN201911128349.2A CN201911128349A CN112818196B CN 112818196 B CN112818196 B CN 112818196B CN 201911128349 A CN201911128349 A CN 201911128349A CN 112818196 B CN112818196 B CN 112818196B
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- vector
- optimal
- learning object
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 275
- 230000007786 learning performance Effects 0.000 claims abstract description 48
- 239000000463 material Substances 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000006855 networking Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 52
- 230000000306 recurrent effect Effects 0.000 description 48
- 230000006870 function Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000001419 dependent effect Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000013100 final test Methods 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 244000290333 Vanilla fragrans Species 0.000 description 2
- 235000009499 Vanilla fragrans Nutrition 0.000 description 2
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Abstract
本申请提供一种基于电子学习平台的数据处理方法、设备、电子装置及计算机可读存储介质，可使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；以及，将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于电子学习平台的数据处理方法、设备、电子装置及存储介质。
背景技术
随着诸如智能补习系统(Intelligent Tutoring System，ITS)和大规模在线公开课程(Massive Open Online Courses，MOOCs)等电子学习平台的普及，数字技术的进步促进了知识的广泛传播。这些平台以不同的形式提供学习材料，例如文本，视频，音频，照片和/或多媒体，以促进知识的传递过程；并且用户(学生)能够随时随地在个人设备(例如计算机和智能手机)上访问学习材料(内容)。
在线学习管理系统(Learning Management System，LMS)作为软件模块可便于管理以及向学生分发在线内容，以便学生能够灵活地访问学习内容。这些内容来自规定的书籍，教师开发的内容，补充笔记，第三方内容以及其他资源。利用上述技术，相关技术已经开发了几种在线教育平台，例如edX和Coursera，它们为学生访问各种课程提供了灵活方便的解决方案。
发明内容
本申请为了解决现有的电子学习平台无法有效评估用户(学生)的学习表现，导致电子学习平台使用效果欠佳的问题，提供一种基于电子学习平台的数据处理方法、设备、电子装置及计算机可读存储介质。
根据本申请实施例的一个方面，提供一种基于电子学习平台的数据处理方法，包括：使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，设定学习目标包括一个或多个学习对象，任一学习对象向量包括一个或多个属性的权重值，且任一属性的权重值表征该任一属性与该任一学习对象向量对应的学习对象的相关性；以及，将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模；其中，一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合。
可能的实施方式中，使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量，包括：构建原始学生资料向量X＝(x1，x2，…，xi，…，xM)，其中，xi为设定学生的属性i的属性值，且M为正整数；构建设定学习目标的各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；将学生资料向量X与各学习对象向量{LO1，LO2，…，LOj，…LON}相乘，得到各特定对象的学生资料向量{X*LO1，X*LO2，…，X*LOj，…X*LON}，其中，针对学习对象j的特定对象的学生资料向量X*LOj＝(x1*wj1，x2*wj2，…，xi*wji，…，xM*wjM)；以及，计算各特定对象的学生资料向量的平均值，得到特定目标的学生资料向量。
可能的实施方式中，该方法还包括：基于特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得预测模型的输出与给定的设定学生在设定学习目标上的期望学习表现之间的差值最小化。
可能的实施方式中，使用优化方法确定最佳学生资料向量，包括：使用优化方法，确定最佳特定目标的学生资料向量；以及，根据最佳特定目标的学生资料向量以及各学习对象向量，确定最佳学生资料向量。
可能的实施方式中，在确定最佳学生资料向量之后，该方法还包括：使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值；使用原始学生资料向量处理各学习对象向量，以评估各学习对象的原始重要性数值和/或设定学习目标的原始重要性数值；基于各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于设定学习目标的最佳重要性数值与原始重要性数值的差值，确定设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及，基于各学习对象的优先级和/或设定学习目标在多个学习目标中的优先级，为设定学生提供学习内容。
可能的实施方式中，使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值，包括：获取最佳学生资料向量X’＝(x’1，x’2，…，x’i，…，x’M)，其中，x’i表征在设定学生在设定学习目标上的学习表现为期望学习表现时，设定学生的属性i的属性值，且M为正整数；构建设定学习目标的各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；以及，将最佳学生资源向量X’与各学习对象向量{LO1，LO2，…，LOj，…LON}进行点积运算，得到设定学习目标的最佳重要性数值LO_imp_val＝(LO1_imp_val+LO2_imp_val+…+LOj_imp_val+…+LON_imp_val)，其中，学习对象j的最佳重要性数值LOj_imp_val＝(x’1*wj1+x’2*wj2+…x’i*wji+…x’M*wjM)。
根据本申请实施例的另一个方面，提供一种基于电子学习平台的数据处理设备，包括：数据采集模块，配置为使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，设定学习目标包括一个或多个学习对象，任一学习对象向量包括一个或多个属性的权重值，且任一属性的权重值表征该任一属性与该任一学习对象向量对应的学习对象的相关性；以及，成绩预测模块，配置为将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模；其中，一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合。
可能的实施方式中，该设备还包括：内容提供模块，配置为基于特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得预测模型的输出与给定的设定学生在设定学习目标上的期望学习表现之间的差值最小化；使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值；使用原始学生资料向量处理各学习对象向量，以评估各学习对象的原始重要性数值和/或设定学习目标的原始重要性数值；基于各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于设定学习目标的最佳重要性数值与原始重要性数值的差值，确定设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及，基于各学习对象的优先级和/或设定学习目标在多个学习目标中的优先级，为设定学生提供学习内容。
根据本申请实施例的又一个方面，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一方面的基于电子学习平台的数据处理方法。
根据本申请实施例的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，其中，计算机程序被设置为运行时执行上述任一方面的基于电子学习平台的数据处理方法。
本申请实施例提供的基于电子学习平台的数据处理方法、设备、电子装置及计算机可读存储介质，可使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，设定学习目标包括一个或多个学习对象，任一学习对象向量包括一个或多个属性的权重值，且任一属性的权重值表征该任一属性与该任一学习对象向量对应的学习对象的相关性；以及，将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模；其中，一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合。也就是说，可针对特定的学生，获取该特定学生的各种属性、特征，并基于获取的该学生的各种属性、特征对该学生对学习目标的表现进行预测；从而可提供针对学生定制的自适应和个性化的在线学习表现评估，优化了电子学习平台使用效果。
附图说明
图1示出了根据本申请实施例提供的一种示例性网络环境。
图2示出了根据本申请实施例提供的课程的结构以及针对每个学习目标的学习对象矩阵的生成的示例。
图3示出了根据本申请实施例提供的用相应的学习对象矩阵处理学生资料向量序列，以生成最终学生资料向量序列的示例。
图4示出了根据本申请实施例提供的具有一个或多个隐藏层的递归神经网络的示例性示意图。
图5示出了根据本申请实施例提供的使用一阶导数的逆模型的算法的流程示意图。
图6示出了根据本申请实施例提供的计算针对递归神经网络的一个特定输入特征的目标标签的预期变化的一阶导数的示例性方法的示意图。
图7示出了根据本申请实施例提供的用相应的学习对象矩阵处理最佳学生资料向量序列以评估学习对象的重要性数值的示例性图示。
图8示出了根据本申请实施例提供的利用预测模型生成个性化课程内容的示例性方法的流程示意图。
图9示出了根据本申请实施例提供的基于电子学习平台的数据处理方法的一种流程示意图。
图10示出了根据本申请实施例提供的基于电子学习平台的数据处理设备的一种结构示意图。
图11示出了根据本申请实施例提供的电子装置的一种结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本申请实施例作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在线学习系统可以帮助学生实现特定的学习目标。但是，在线学习系统本质上是通用的，无论学生的学习历史，智力和认知特征如何，呈现给所有学生的课程，内容和评估方式都相同。课程内容一旦创建，对所有学生来说都是一成不变的，而没有考虑到学生的个人资料、人口统计特征和认知特征等因素。通常情况下，学习吃力的学生和出色的学生都会被布置相同的作业和内容。如果无法提供基于学生表现而定制的作业和内容，那么教师和电子学习平台都无法有效地提高学生的学习表现。因此，成绩低于普通学生的学生不会得到必要的额外关注，并且在课程中表现出色的学生也无法接受足够的挑战。电子学习平台“一刀切”的做法，使得学生无法从课程中获得足够的帮助和反馈，并且教师也发现很难识别出需要帮助的潜在学生。
考虑到较高的减员率和辍学率，需要一种在线学习管理系统，以提供针对学生定制的自适应和个性化的在线内容，以基于诸如动态发展的学生个人资料等要素，实现高效的学习环境。
在在线学习的背景下，相关的推荐个性化内容的方法，例如，协作过滤(Collaborative Filtering)和基于内容过滤(Content-Based Filtering)，都基于相似性和偏好，并且可能无法有效地结合历史学习活动和成绩提高目标。这些方法试图通过分析学生的行为来确定特定的学生对内容的偏好；但是，基于学生对一些学习对象的偏好推荐学习内容，将限制学生在课程的所有学习对象上的进一步提高。另一方面，这些系统可能会利用来自在某种形式或其他方面上类似于该特定学生的其他学生的信息；因此，表现不佳的学生可能会共享相似的学习模式，而基于这种相似性的推荐可能不会显着提高学生的成绩。诸如神经网络方法之类的机器学习技术的出现，使人们有机会预测学生的学习表现、识别需要帮助的表现欠佳的学生，以及提供相应的个性化内容，从而帮助学生感知内容并增加动力。神经网络可以对自变量和因变量之间的关系进行建模；其中，自变量可以基于学生资料，而因变量可以是学生学习某些目标的知识评估的成绩。借助训练后的神经网络，可以使用给定的自变量来预测学生未来的表现，并搜索与学生表现的预期改善相关的重要因素，从而确定学生在掌握内容方面的学习困难；其中，重要因素可能有助于确定为了促进预期改善所需要的相关课程内容。
本申请实施例提供了实现个性化学习管理系统的方案，可通过处理动态发展的学生资料并在电子学习平台上预测学生的表现来实现针对学生定制的自适应和个性化在线课程内容。
在本申请提供的一些实施例中，可以创建学生资料，更新和处理可描述学生资料对学习目标的影响的学生资料向量序列；其中，对应于一个学习目标的每个学生资料向量可包括一个或多个属性以及与学生相关的定量值。每个学习目标可包括一个或多个可以从课程内容中提取的学习对象。学生资料向量的属性可以包括人口统计学资料，学习方式，学习兴趣，社交网络资料，在线互动特征，前提知识评估以及通过从电子学习平台上的课程中挖掘结构化和/或非结构化数据得来的学习表现中的一种或组合。对于学习目标，学习目标中的每个学习对象均可表示为一个或多个属性及其权重的向量。对于特定的学习目标，可使用学习对象矩阵处理学生资料向量，以生成一系列特定对象的学生资料向量；其中，一个特定对象的学生资料向量可基于学生的属性的值和该特定学习对象的相应属性的权重来生成。可以使用特定对象的学生资料向量的列表来计算每个学习目标的最终学生资料向量。对于特定学习目标的最终学生资料向量可以是各特定对象的学生资料向量的平均值。
学习对象矩阵的每个属性的权重可以基于每个属性与学习对象的相关性。特定学习目标中所有不同学习对象的每个公共属性的权重可以相同。用学生资料向量处理的每个学习对象中的属性可以与学生资料向量的属性相同，然后可以通过计算学生资料的每个属性的值与学习对象矩阵的学习对象的每个对应属性的权重的乘积，得到特定对象的学生资料向量。对于一个特定学习目标的特定对象的学生资料向量可以根据学生资料向量和该学习目标的学习对象矩阵两者的变化来更新。该更新可以是实时的。
在本申请提供的一些实施例中，可以基于动态变化的学生资料并利用预测模型来预测学生对于每个学习目标的学生表现。可以使用机器学习方法(例如，神经网络)来实现预测模型；其中神经网络可以对自变量和因变量之间的关系进行建模，并且其中自变量可以基于学生资料，而因变量可以是各学习目标的知识评估中的学生表现。根据所有学习目标的先决条件依赖性和动态变化的学生资料，可以使用时间模型(例如递归神经网络)来识别不同学习目标之间的细微关系，并在所有学习目标上对学生学习历史进行建模；其中，学生学习历史可以通过一系列学生资料向量和相关的表现来很好地描述。给定一个预测模型，可以使用给定的学生资料向量序列来预测学生在所有学习目标上的表现。
在本申请提供的一些实施例中，可以结合动态的学生资料和训练的预测模型，来生成针对学生定制的自适应和个性化在线课程内容。给定一个训练的预测模型，对于因变量的预期变化，可以获取每个自变量的变化，然后可以针对因变量的预期变化找到具有新自变量的最佳学生资料；其中，预期变化可能是针对特定学习目标的学习表现的提高。通过评估最佳学生资料和原始学生资料，可以确定与成绩提高相关的潜在因素，然后按优先顺序选择一组重要的学习目标和学习对象。优先顺序可以基于一个特定学生的学习目标和学习对象的重要性数值。可以基于优先的各学习对象来生成针对学生定制的课程内容。
本申请实施例提供了一种基于电子学习平台的数据处理方法，该方法可通过电子学习平台处理动态发展的学生资料并预测学生表现来提供针对学生定制的自适应和个性化的在线课程内容。本申请实施例在很大程度上基于电子学习平台来讨论和描述。本申请实施例可以广泛地应用于各种电子学习平台。
本申请实施例提供了一种用于提供针对学生定制的自适应和个性化的在线课程内容的在线学习管理系统，该在线学习管理系统可以被在线访问以实现在线学习；其中，课程内容根据动态发展的学生资料和预期的学生表现的改善而被个性化和自适应。本申请实施例可以针对特定的学生，基于人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、学习表现，以及学生的其他属性中的一个或组合，在关联的学习目标上创建、更新和处理学生资料向量序列。本申请实施例还提供了一种预测学生表现的方法，以便对学生资料的属性值和对应学生表现之间的关系进行建模。
可以基于上述属性中的一个或组合将学生资料生成为学生资料向量序列；其中，可针对每个学习目标，生成并更新每个学生资料向量。一个学习目标可包括多个学习对象，各学习对象可以从电子学习平台上课程的课程内容资料库中提取。基于学生资料向量序列，可以利用预测学生表现的训练模型来生成与较高学习表现相对应的最佳学生资料。通过原始学生资料和最佳学生资料之间的比较，可以识别并以优先级顺序提取每个学习目标中的针对学生定制的各学习对象。可以对针对学生定制的学习对象进行处理和汇总，以生成该学生的个性化课程内容。
根据本申请提供的实施例，图1示出了可以在其中应用本申请的示例性网络环境。当然，实际的网络环境可以具有多种配置，本申请决不旨在限于这里描述的示例性网络环境。图1所示的环境为客户端-服务器系统。该系统包括用于许多学生102a，102b，…和102x使用的多个客户端设备；其中，这些设备可以是台式计算机、手持式设备、膝上型计算机或其他便携式计算机，移动电话等。客户端和服务器通过网络104相互通信。该系统还可包括服务器106，该服务器106托管着一个包括学习管理系统(LMS)108的电子学习平台。该学习管理系统可包括用于存储学生资料的数据库110。学习管理系统108还可包括用于存储课程内容的资料库112。除了官方的电子学习服务器以外，还可以建立用于实施本申请实施例的服务器114，服务器114可处理针对学生定制的信息并提供个性化的应用程序。服务器114可与学习管理系统108相互配合、合作。
电子学习平台允许记录学生的学习活动。学习事件可包括视频讲座观看，论坛参与讨论，作业提交和测验/考试成绩表现等，学习事件可记录所有在线活动以及关联的互联网协议(Internet Protocol，IP)地址和用户标识(Identification，ID)。这些事件数据可以由服务器，浏览器或移动设备发出，以捕获学生与课程的学习管理系统之间的交互。在在线学习的情况下，可以基于以下各项中的一个或者组合的属性表现来创建学生资料：人口统计资料，学习方式，学习兴趣，社交网络资料，在线互动特征，前提知识评估，学习表现，以及学生的其他属性。
根据本申请提供的实施例，对于特定学生X，表1示出了针对各学习目标，学生X的学生资料向量序列的形成的示例。根据表1，学生X的学生资料可以表示为学生资料向量序列，例如X_1，X_2，…X_n，其中，每个学生资料向量X_i与学习目标“学习目标i”相关联，并且向量X_i可以通过统计“学习目标i”涉及的所有学生的通用属性集合以及学生X的该集合中每个属性的值生成。例如，可以基于属性A，属性B，…属性M创建学生X的向量X_1，其中，每个属性的值对于不同的学生可以是不同的。具体地，这些属性可以包括人口统计资料，学习方式，学习兴趣，社交网络资料，在线互动特征，前提知识评估，学习表现，以及其他属性中的一种或组合。在一个示例中，对于学生X，“学习目标1”的学生资料向量X_1可以表示为X_1＝{X_1a，X_1b，…，X_1m}，其中X_1a是属性A的值，X_1b是属性B的值，并且X_1m是属性M的值。一个或多个学生的学生资料可以存储在学生资料数据库110中。
表1：针对各学习目标，学生X的学生资料向量序列的形成的示例
| 属性A | 属性B | … | 属性M | |
| 学习目标1 | X_1a | X_1b | … | X_1m |
| 学习目标2 | X_2a | X_2b | … | X_2m |
| … | … | … | … | … |
| 学习目标N | X_Na | X_Nb | … | X_Nm |
根据本申请提供的实施例，对于学生X，表2示出了将学生X的学习表现表示为针对所有学习目标的成绩序列的示例。完成问题分配，测验和考试所获得的成绩表示学生X对课程内容的掌握程度。特定学习目标的成绩表示学生X对该特定学习目标的掌握程度。例如，成绩Y_1表示学生X对“学习目标1”的学习表现。
表2：将学生X的学习表现表示为针对所有学习目标的成绩序列的示例
根据本申请提供的实施例，图2示出了课程的结构以及针对每个学习目标的学习对象矩阵的生成的示例。如图2所示，给定的课程302(例如，编程)可以包括多个学习目标，例如，学习目标1(例如，原函数类型)304，学习目标2(例如，变量)306，…和学习目标N(例如，对象类别)308。每门课程可因此表示为N个学习任务或目标的序列，即{LO_1，LO_2，…LO_N}，其中，LO_1，LO_2，…LO_N中的每个代表一个学习目标。
根据本申请提供的实施例，每个学习目标LO_i可以包括一个或多个学习对象。例如，学习目标LO_i可具有K个学习对象，即{LO_i1，LO_i2，…LO_iK}。基于特定的课程结构，各学习目标可以包括不同或相同数量的学习对象。每个学习对象可以由一组有相关权重的属性的向量表示。
根据本申请提供的实施例，用于生成每个学习对象向量的各属性可以与用于生成学生资料向量的各属性相同。例如，利用属性A，属性B，…属性M，“LO_i1”的学习对象向量可以表示为LO_i1＝{W_i1a，W_i1b，…W_i1m}。学习对象向量的每个属性的权重可基于每个属性对学习对象的相关性。可以堆叠一个学习目标中的所有学习对象对应的学习对象向量，以形成学习对象矩阵。
根据本申请提供的实施例，图3示出了用相应的学习对象矩阵处理学生资料向量序列，以生成最终学生资料向量序列的示例。如图3所示，对于一个给定学生，该学生涉及一个具有N个学习目标的课程，学生资料被表示为N个学生资料向量350，352，…354，并且每个学生资料向量都与关联的学习目标一起被处理。例如，可以使用关联的学习对象矩阵{LO_11，LO_12，…LO_1K}处理学生资料向量X_1 350，可以使用关联的学习对象矩阵{LO_21，LO_22，…LO_2K}处理学生资料向量X_2 352，以及可以使用关联的学习对象矩阵{LO_N1，LO_N2，…LO_NK}处理学生资料向量X_N 354。
根据本申请提供的实施例，可以将一个学生资料向量与包括在相关学习目标中的每个学习对象向量相乘，以生成特定对象的学生资料向量，即，可以将学生资料向量的各属性的值分别乘以各学习对象中的对应属性的权重；再将所有特定对象的学生资料向量汇总在一起，以生成最终学生资料向量。例如，X_1可以与学习对象360，362，…和364分别相乘，以获得特定对象的学生资料向量{X_1a*W_11a，X_1b*W_11b，…，X_1m*W_11m}，{X_1a*W_12a，X_1b*W_12b，…，X_1m*W_12m}，…和{X_1a*W_1Ka，X_1b*W_1Kb，…，X_1m*W_1Km}；这些特定对象的学生资料向量可以汇总为最终学生资料向量380，X'_1＝{X_1a*(W_11a+W_12a+…W_1Ka)，X_1b*(W_11b+W_12b+…W_1Kb)，…，X_1m*(W_11m+W_12m+…W_1Km)}。可以以相同的方式处理对于其他学习目标的学生资料向量352、354，以分别生成最终学生资料向量382、384。一个特定对象的学生资料向量的每个属性的值，可表示在该特定学习对象中，学生资料中的每个属性的相关性。一个最终学生资料向量的每个属性的值，可表示在特定学习目标中，学生资料中的每个属性的相关性。
当然，实际上也可以采用其他方式使用学习对象来处理学生资料向量，本申请实施例对此不作任何限定。例如，X_1可以乘以学习对象360，然后使用非线性激活函数，从而得到特定对象的学生资料向量f({X_1a*W_11a，X_1b*W_11b，…，X_1m*W_11m})＝{f(X_1a*W_11a)，f(X_1b*W_11b)，…，f(X_1m*W_11m)}，其中，激活函数f为所有分量的逐元素运算。
根据本申请提供的实施例，可以利用完整属性集{A，B，…M}的一个子集来提取对于一个特定学习目标的学生资料向量，并且可以使用属性子集的相应权重对该学生资料向量进行处理以生成最终的资料向量。例如，对于属性子集{A，B}，可以对学生资料向量X_1＝{X_1a，X_1b}进行处理以获得最终学生资料向量X'_1＝{X_1a*(W_11a+W_12a+…W_1Ka)，X_1b*(W_11b+W_12b+…W_1Kb)}。
根据本申请提供的实施例，对于每个学习目标，学生资料向量和关联的学习对象矩阵一旦建立就可以被持续更新，然后动态处理更新的学生资料向量和关联的学习对象矩阵以生成最终学生资料向量。
根据本申请提供的实施例，可以使用基于学生资料的预测模型，针对各种表现指标，对每个学生的学习表现进行评估和预测。预测模型旨在对自变量和因变量之间的关系进行建模。在学习目标的情景中，自变量可以是最终学生资料向量序列，因变量可以是对于每个学习目标的学生表现的序列。通过训练的模型，可以应用相应的分析，以给定的学生资料来识别参与新学习目标的表现不佳的学生。自变量和因变量之间的关系可以反向，反向关系可以规定为针对因变量的预期变化找到自变量的相应变化。训练模型的反向模型旨在对反向关系进行建模。使用反向模型，对于表现不佳的学生，可能识别出欲实现一个学习目标的预期成绩进步所需要改进的学习对象。通常，可以采用许多方法建模，例如，集成学习和机器学习。
根据本申请提供的实施例，图4示出了具有一个或多个隐藏层的递归神经网络的示例性示意图。递归神经网络可以对一系列自变量和一系列因变量之间的非线性关系进行建模。一旦创建了有效的递归神经网络，它就可以基于一系列已知自变量来预测一系列未知因变量的值。按照惯例，在递归神经网络分析中，自变量的序列称为输入序列，因变量的序列称为输出序列。递归神经网络的强大之处在于它使用非线性方程组来对输入序列和输出序列之间的非线性关系进行建模。非线性方程组由一组激活函数和称为连接权重的变量定义。连接权重的具体值由检查训练数据组的训练算法确定。训练数据为一组输入和关联的输出，该输入输出组代表要建立的模型的非线性关系。训练算法处理训练数据的输入序列，并找到一组连接权重，该连接权重组使递归神经网络的预测输出序列与训练数据的输出序列之间的误差最小。
如图4所示，递归神经网络在结构上由一个输入层，一个或多个隐藏层和一个输出层组成。递归神经网络使用从一个隐藏层到其自身的递归连接，以便隐藏层帮助记忆前一个内部输入。在展开的递归神经网络模型420中，隐藏层最初被设置为h_0，并且在步骤i的隐藏层可以被认为是当前输入和直到步骤i-1为止的先前信息的编码。
递归神经网络的典型示例可以以展开形式420示出。经过训练的递归神经网络模型通过隐藏层(h1，h2，…hN)将输入序列(x1，x2，…xN)映射到输出序列(y1，y2，…yN)，其，中hn可被视为对直到步骤n-1为止获得的先前信息和当前输入特征xn的编码。如果使用Vanilla递归神经网络，则可使用以下公式定义整个神经网络：
hn＝tanh(Whx xn+Whh hn-1+bh) (1)，
其中，tanh(x)为逐元素应用，而f(x)为激活函数，例如tanh，ReLU和Sigmoid。整个神经网络以权重{Whx，Whh，Wyh}和偏差{bh，by}为参数。就Vanilla递归神经网络中的消失梯度问题而言，使用具有长短期记忆(Long Short-Term Memory，LSTM)单元或阈值递归单元(Gated Recurrent Unit，GRU)的递归神经网络可能更实用。
根据本申请提供的实施例，可以构造具有一个或多个隐藏层的递归神经网络对输入序列和输出序列之间的关系建模。递归神经网络模型430示出了具有两个隐藏层的示例性递归神经网络。
根据本申请提供的实施例，可以采用递归神经网络来对最终学生资料向量序列与标签序列之间的关系进行建模，该标签序列用于描述对于每个学习目标的学生的表现。如图4所示，输入序列可以是最终学生资料向量序列，即{x1，x2，…xN}＝{X'_1，X'_2，…X'_N}，而输出序列可以是学生对于所有学习目标的学习表现的序列，即{y1，y2，…yN}＝{Y_1，Y_2，…Y_N}。在学习目标的情景中，一个学习目标中的知识可能取决于先前学习目标中的前提知识，并且学习目标的顺序可以由老师设计。因此，在作为例子的编程课程中，一个学生在当前的学习目标中，例如一维数组，取得良好成绩，将更可能在下一个学习目标中，例如多维数组，具有良好的表现。
根据本申请提供的实施例，可以使用多个标签来指示学生在每个学习目标中的表现。循环神经网络的输出序列的设计可取决于神经网络应用的目的。输出序列可以是{y1，y2，…yN}＝{(Y_1，Y_Final)，(Y_2，Y_Final)，…(Y_N，Y_Final)}，其中，Y_Final为最终考试成绩。因此，预测模型可以根据学生资料预测特定学生的最终考试成绩。
一旦确定了递归神经网络的结构，就可以使用训练数据来训练递归神经网络。训练数据为包括输入序列和关联的输出序列的一组数据。并且，可通过收集和使用更多的训练数据来优化通过建模产生的关系。可通过优化方法来完成训练网络。递归神经网络训练完后，可以在给定输入序列的情况下，将其用于预测输出序列。对于在不同年份反复提供的课程，可以使用从先前年份提供的该课程中提取的数据来训练模型，并可以在后续的该课程中使用该模型。
由训练模型建模得到的关系可以视为映射F：X→Y，其中X＝(x1，x2，…xN)是输入特征序列，Y＝(y1，y2，…yN)是输出标签序列，且xn和yn分别对应于学习目标n中的特征向量和标签向量。基于训练后的模型，给定一个特定学生的输入特征序列(x1，x2，…xN)，可以预测出成绩指标序列，这有助于识别表现不佳的学生。例如，对于一个特定学生，当学生参与第四学习目标时，系统可以预测最终考试成绩为90/100；而当学生参与新的第五学习目标时，系统可以预测最终考试成绩为60/100。预测成绩从90/100到60/100的转变，可能表明该学生在第5个学习目标中存在学习困难。
根据本申请提供的实施例，可以使用反向模型来实现针对学生定制的自适应和个性化在线课程内容的生成。反向模型旨在逆转输入要素与输出标签之间的关系，以便基于问题的提出来找到学习困难的相关因素：针对输出标签的预期变化，应该改变什么输入要素。在学习目标的情景中，可以明确表述为：给定学习目标n中第i个目标标签的指定值y'n,i和一个特定学生的输入特征序列X0，使得Fn,i(X')＝y'n,i的输入特征X'的最佳序列是什么，其中，Fn,i(X)提取预测值yn,i。对于经过训练的模型，我们可以获得具有为输出标签中的预期变化找到最佳输入特征的功能的反向模型。
在实现反向模型时，算法可以采用包括梯度下降法在内的常规优化方法。梯度下降是一种可用于找到函数目标值的一阶迭代优化算法。它重复地在当前点上沿着函数的梯度的负方向向前行进一个步长。为了找到与预期积极改进相对应的最佳特征，可以对梯度下降法进行修改，以沿当前点的函数梯度的正方向更新数值。使用在特征空间中的点X的附近定义的且可微的多变量函数F(X)，F(X)沿梯度的正方向增长最快。对于具有对课程资料计数活动数的属性的输入特征，可能会限制更新，即新特征值只能与原始值相比增加。在某些特征具有正限制的情况下，对原始梯度下降方法进行了修改，以找到一组特征，使得然后计算出X被可作为最优X'。
根据本申请提供的实施例，图5示出了使用一阶导数的逆模型的算法的流程示意图。该算法旨在通过上述迭代方法找到最佳特征。在该迭代中，预先设定最大迭代次数“M”，正学习率“γ”和公差“E”。在步骤510，算法可以从初始参数开始，即给定的输入序列和学习目标n的第i个目标标签的预期值y'n,i。在步骤520中，将目标输出初始化为X＝X0，并且将计数值“loop”初始设置为1。在步骤540中，用相对于目标输出X的每个元素xm,j的目标标签的一阶导数迭代更新该元素xm,j。一旦步骤550中的公差达到了预期值“E”，或者步骤530中，循环计数达到了数值“M”，则迭代停止，并且将目标输出X作为最优特征X'返回。
根据本申请提供的实施例，图6示出了计算针对递归神经网络的一个特定输入特征的目标标签的预期变化的一阶导数的示例性方法。对于循环神经网络610，一个预期标签612，即yn，取决于输入特征列表614，即{x1，x2，…xn}。可以使用链式规则计算在特定步骤n中的yn相对于先前/当前步骤m(m≤n)中的xm的偏导数：
其中，{i，i0，i1，…in-m，j}中的每个都标记一个层中的分量索引。需要注意的是，该计算高度依赖于不同隐藏层之间的偏导数可以被递归导出：
其中，k为分量索引，0≤p≤n-m-1。由于yn不依赖于输入特征xm(其中m>n)，因此当m>n时，所有分量索引{i，j}的偏导数这里，两个相邻隐藏层之间的偏导数将取决于递归神经网络中使用的递归连接。对于公式(1)中的递归连接，/>其中Whh[i，j]是矩阵Whh的第i行、第j列的元素。
在递归神经网络的另一种实现方式中，可以使用双向递归神经网络620，该双向递归神经网络将两个递归神经网络的输出连接起来，即一个从左至右处理序列，另一个从右至左处理序列。然后，基于递归神经网络的级联输出生成输出层。对于递归神经网络620，预期标签622，即yn，取决于所有输入特征624，即，{x1，x2，…xN}。可以使用链式规则来计算在特定步骤n中的yn相对于前一步骤m(m<n)或后一步骤m(m>n)中的xm的偏导数：
其中，{i，i0，i1，…i|n-m|，j}中的每个都标记一个层中的分量索引。在特定步骤n中的yn相对于当前步骤xn的偏导数可以计算为
偏导数计算的精确形式取决于特定的递归连接。
在步骤540中，可以使用向后传播的方法来计算针对神经网络的一个特定特征元素的预期目标标签的一阶导数。对于递归神经网络，可以按照图6中的实施例实施计算。除了在递归神经网络中使用的递归连接外，偏导数的精确形式还取决于递归神经网络的结构。可以将一阶导数的计算从具有一个隐藏层的递归神经网络推广到具有多个隐藏层的递归神经网络。基于这种概括方法而来的一阶导数的计算值得鼓励。
根据本申请提供的实施例，可以使用具有许多递归连接的递归神经网络，例如，LSTM单元或GRU等单元。也可以将输入序列输入到其他神经网络，该其他神经网络可以包括但不限于一个或多个完全连接神经层和卷积神经网络，然后再将这些额外神经网络的输出序列作为输入序列输入到递归神经网络。递归神经网络的输出序列也可以输入到其他神经网络，该其他神经网络可以包括但不限于多层感知网络。
根据本申请提供的实施例，图7示出了用相应的学习对象矩阵处理最佳学生资料向量序列以评估学习对象的重要性数值的示例性图示。可以基于最佳输入特征序列来生成最佳学生资料向量序列，其中，最佳输入特征序列可以用上述算法计算得到。可以利用包括在关联的学习目标中的每个学习对象向量与最佳学生资料向量的点积运算，来生成该学习对象的重要性数值。例如，最佳学生资料向量710，即X_1，分别与学习对象向量712，714，…和716的点积，可以分别定义为各特征重要性数值，即，LO_11_imp_val＝(X_1a*W_11a+X_1b*W_11b+…X_1m*W_11m)742，LO_12_imp_val＝(X_1a*W_12a+X_1b*W_12b+…X_1m*W_12m)744，…和LO_1K_imp_val＝(X_1a*W_1Ka+X_1b*W_1Kb+…X_1m*W_1Km)746；这些特征重要性数值可以被汇总为“学习目标1”的学习目标重要性数值740，即LO_1_imp_val＝(LO_11_imp_val+LO_12_imp_val+…LO_1K_imp_val)。类似地，最佳学生资料向量720可以与关联的学习对象{722，724，…和726}一起处理以生成学习对象重要性数值{752，754，…和756}和学习目标重要性数值750；并且，最佳学生资料向量730可以与关联的学习对象{732，734，…和736}一起处理，以生成学习对象重要性数值{762，764，…和766}和学习目标重要性数值760。一个学习对象重要性数值指示学习对象与学生的相关性，一个学习目标重要性数值指示学习目标与学生的相关性。
最佳学生资料向量实际上也可以通过其他方式与学习对象一起处理以计算重要性数值，本申请实施例决不旨在限于上述向量点积的示例性操作。例如，最佳学生资料向量710，即X_1，与学习对象712的点积可以跟随非线性激活函数，从而得到学习对象重要性数值LO_11_imp_val＝f(X_1a*W_11a+X_1b*W_11b+…X_1m*W_11m)742。
根据本申请提供的实施例，可以以与最佳学生资料向量相同的方式来处理原始学生资料向量，以生成原始学习对象重要性数值和原始学习目标重要性数值。基于最佳(原始)学生资料向量的重要性数值可以称为最佳(原始)重要性数值。一个特定学习对象或学习目标的原始和最佳重要性数值之间的差异表示学生的重要性数值的相对变化，其中，该差异可以称为重要性差异值。
根据本申请提供的实施例，针对学生定制的自适应和个性化在线课程内容可以基于重要性差异值和最佳重要性数值。内容生成可以包括优先化操作。对于一个特定的学生，在学习目标层面上，可以基于重要性差异值和最佳重要性数值对一组学习目标进行分类；在针对一个特定学习目标的学习对象的层面上，可以基于重要性差异值和最佳重要性数值对一组学习对象进行分类。这样，既可以识别重要的学习目标，又可以基于优先顺序识别包含的重要学习对象。优先的学习目标和学习对象可以通过学习管理系统以合适的方式呈现给该特定的学生。
根据本申请提供的实施例，图8示出了利用预测模型生成个性化课程内容的示例性方法。在步骤802中，可以通过汇总一个特定课程的每个学习目标中包括的多个学习对象来生成学习对象矩阵，其中，每个学习目标包括至少一个学习对象，且学习对象由属性的权重的向量表示。这些属性可以包括人口统计资料，学习方式，学习兴趣，社交网络资料，在线互动特征，前提知识评估，学习成绩以及其他因素中的一个或它们的组合。
在步骤804中，接收一个特定学生的学生资料向量序列，其中，对应于一个学习目标的每个学生资料向量可以基于人口统计资料，学习方式，学习兴趣，社交网络资料，在线互动特征，前提知识评估，学习成绩以及其他因素中的一个或者组合的属性表示生成。在一个实施例中，对于一个特定的学习目标，学生资料向量的各个属性可以与学习对象矩阵的各个属性相同。
在步骤806中，对于该特定的学生，可以用关联的学习目标的每个学习对象向量来处理学生资料向量，以生成最终学生资料向量。对于一个特定的学习目标，可以基于学生资料向量的各属性的值和学习对象向量的各对应属性的权重来生成该特定学习目标包括的一个学习对象的特定对象的学生资料向量，并且可以通过汇总所有特定对象的学生资料向量，生成最终学生资料向量。
在步骤808中，可以使用预测模型来对输入特征序列与输出标签序列之间的关系进行建模；其中，一个输入特征可以是一个最终学生资料向量，而一个输出标签可以是一个学习目标的学生表现。在一个实施例中，输出标签可以是(Y_i，Y_Final)，其中Y_i是“学习目标i”的学习目标等级，而Y_Final是最终考试成绩。在一个实施例中，可以基于从该指定课程的先前提供中提取的数据来训练该预测模型。在一个实施例中，可以采用递归神经网络作为预测模型。
在步骤810中，可以使用学生的学生资料向量序列，预测该学生在一个特定学习目标上的表现，以便识别该学生是否在一个学习目标上表现不佳。
在步骤812中，可以利用反向模型算法找到关于特定学习目标的预期改善的特定学生的最佳学生资料向量。在反向模型的实施例中，可以通过使用梯度下降的方法迭代地更新原始特征来获得最佳特征，其中，特定特征变量的更新可以基于相对于相应的特征变量的预期目标标签的偏导数来进行，其中，偏导数可以使用神经网络的反向传播方法进行计算。可以基于最佳输入特征来生成最佳学生资料向量。
在步骤814中，可以以针对学习目标和学习对象这两者的优先级顺序，生成针对学生定制的自适应和个性化在线内容。可以处理最佳和原始学生资料向量，以分别计算学习目标重要性数值和学习对象重要性数值。学习目标的优先顺序可以基于各学习目标的最佳和原始重要性数值。学习对象的优先级顺序可以基于各学习对象的最佳和原始重要性数值。学习管理系统可以基于学习目标和学习对象的优先级顺序，针对特定的学生调整课程内容。
基于上述内容，本申请实施例提供一种基于电子学习平台的数据处理方法。如图9所示，该方法可包括：步骤902和步骤904。
在步骤902中，使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量。其中，原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，设定学习目标包括一个或多个学习对象，任一学习对象向量包括一个或多个属性的权重值，且任一属性的权重值表征该任一属性与该任一学习对象向量对应的学习对象的相关性。
根据本申请提供的实施例，一个或多个属性可包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合。
根据本申请提供的实施例，步骤902使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量，可包括：构建原始学生资料向量X＝(x1，x2，…，xi，…，xM)，其中，xi为设定学生的属性i的属性值，且M为正整数；构建设定学习目标的各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；将学生资料向量X与各学习对象向量{LO1，LO2，…，LOj，…LON}相乘，得到各特定对象的学生资料向量{X*LO1，X*LO2，…，X*LOj，…X*LON}，其中，针对学习对象j的特定对象的学生资料向量X*LOj＝(x1*wj1，x2*wj2，…，xi*wji，…，xM*wjM)；以及，计算各特定对象的学生资料向量的平均值，得到特定目标的学生资料向量。
在步骤904中，将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模。
根据本申请提供的实施例，该方法还可包括：基于特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得预测模型的输出与给定的设定学生在设定学习目标上的期望学习表现之间的差值最小化。
根据本申请提供的实施例，使用优化方法确定最佳学生资料向量，可具体包括：使用优化方法，确定最佳特定目标的学生资料向量；以及，根据最佳特定目标的学生资料向量以及各学习对象向量，确定最佳学生资料向量。
根据本申请提供的实施例，在确定最佳学生资料向量之后，该方法还可包括：使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值；使用原始学生资料向量处理各学习对象向量，以评估各学习对象的原始重要性数值和/或设定学习目标的原始重要性数值；基于各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于设定学习目标的最佳重要性数值与原始重要性数值的差值，确定设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及，基于各学习对象的优先级和/或设定学习目标在多个学习目标中的优先级，为设定学生提供学习内容。
根据本申请提供的实施例，使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值，可具体包括：获取最佳学生资料向量X’＝(x’1，x’2，…，x’i，…，x’M)，其中，x’i表征在设定学生在设定学习目标上的学习表现为期望学习表现时，设定学生的属性i的属性值，且M为正整数；构建设定学习目标的各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；以及，将最佳学生资源向量X’与各学习对象向量{LO1，LO2，…，LOj，…LON}进行点积运算，得到设定学习目标的最佳重要性数值LO_imp_val＝(LO1_imp_val+LO2_imp_val+…+LOj_imp_val+…+LON_imp_val)，其中，学习对象j的最佳重要性数值LOj_imp_val＝(x’1*wj1+x’2*wj2+…x’i*wji+…x’M*wjM)。
本申请实施例还提供一种基于电子学习平台的数据处理设备(个性化电子学习平台(Personalized E-Learning Platform，PEP))。如图10所示，该设备可包括数据采集模块1002和成绩预测模块1004。
数据采集模块1002，可配置为使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，设定学习目标包括一个或多个学习对象，任一学习对象向量包括一个或多个属性的权重值，且任一属性的权重值表征该任一属性与该任一学习对象向量对应的学习对象的相关性。
成绩预测模块1004，可配置为将特定目标的学生资料向量输入预测模型，得到设定学生在设定学习目标上的预测学习表现；其中，预测模型对特定目标的学生资料向量与设定学生在设定学习目标上的学习表现之间的关系进行建模；
根据本申请提供的实施例，一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合。
根据本申请提供的实施例，该设备还可包括内容提供模块(图10中未示出)，可配置为基于特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得预测模型的输出与给定的设定学生在设定学习目标上的期望学习表现之间的差值最小化；使用最佳学生资料向量处理各学习对象向量，以评估各学习对象的最佳重要性数值和/或设定学习目标的最佳重要性数值；使用原始学生资料向量处理各学习对象向量，以评估各学习对象的原始重要性数值和/或设定学习目标的原始重要性数值；基于各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于设定学习目标的最佳重要性数值与原始重要性数值的差值，确定设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及，基于各学习对象的优先级和/或设定学习目标在多个学习目标中的优先级，为设定学生提供学习内容。
需要说明的是，该基于电子学习平台的数据处理设备可实施本申请实施例中的各方法全部或部分步骤，本申请在此不再赘述。
本申请实施例还提供了一种电子装置。如图11所示，该电子装置可包括处理器1102、存储器1104以及通信总线1106。
通信总线1106，配置为实现处理器1102与存储器1104之间的通信连接。
根据申请提供的实施例，处理器1102可用于执行存储器1104中存储的一个或者多个计算机程序，以实现本申请实施例提供的基于电子学习平台的数据处理方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器)，EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
根据本申请提供的实施例，计算机可读存储介质可用于存储一个或者多个计算机程序，该一个或者多个计算机程序可被一个或者多个处理器执行，以实现本申请实施例提供的基于电子学习平台的数据处理方法的步骤。
本实施例还提供了一种计算机程序(或称计算机软件)，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现本申请实施例提供的基于电子学习平台的数据处理方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。根据本申请提供的实施例，该计算机可读装置可包括如上所述的计算机可读存储介质。
应当说明的是，在申请文中，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”或者其任何其它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它要素，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域内的技术人员应明白，本申请实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作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范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种基于电子学习平台的数据处理方法，包括：
使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，所述原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，所述设定学习目标包括一个或多个学习对象，任一学习对象向量包括所述一个或多个属性的权重值，且任一属性的权重值表征所述任一属性与所述任一学习对象向量对应的学习对象的相关性；以及
将所述特定目标的学生资料向量输入预测模型，得到所述设定学生在所述设定学习目标上的预测学习表现；其中，所述预测模型对所述特定目标的学生资料向量与所述设定学生在所述设定学习目标上的学习表现之间的关系进行建模；
其中，所述一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合，
其中，所述方法还包括：基于所述特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得所述预测模型的输出与给定的所述设定学生在所述设定学习目标上的期望学习表现之间的差值最小化。
2.根据权利要求1所述的方法，其中，使用所述原始学生资料向量处理所述设定学习目标的所述各学习对象向量，得到所述特定目标的学生资料向量，包括：
构建所述原始学生资料向量X＝(x1，x2，…，xi，…，xM)，其中，xi为所述设定学生的属性i的属性值，且M为正整数；
构建所述设定学习目标的所述各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；
将所述学生资料向量X与所述各学习对象向量{LO1，LO2，…，LOj，…LON}相乘，得到各特定对象的学生资料向量{X*LO1，X*LO2，…，X*LOj，…X*LON}，其中，针对所述学习对象j的特定对象的学生资料向量X*LOj＝(x1*wj1，x2*wj2，…，xi*wji，…，xM*wjM)；以及
计算所述各特定对象的学生资料向量的平均值，得到所述特定目标的学生资料向量。
3.根据权利要求1所述的方法，其中，使用所述优化方法确定所述最佳学生资料向量，包括：
使用所述优化方法，确定最佳特定目标的学生资料向量；以及
根据所述最佳特定目标的学生资料向量以及所述各学习对象向量，确定所述最佳学生资料向量。
4.根据权利要求1所述的方法，在确定所述最佳学生资料向量之后，还包括：
使用所述最佳学生资料向量处理所述各学习对象向量，以评估各学习对象的最佳重要性数值和/或所述设定学习目标的最佳重要性数值；
使用所述原始学生资料向量处理所述各学习对象向量，以评估所述各学习对象的原始重要性数值和/或所述设定学习目标的原始重要性数值；
基于所述各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于所述设定学习目标的最佳重要性数值与原始重要性数值的差值，确定所述设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及
基于所述各学习对象的优先级和/或所述设定学习目标在多个学习目标中的优先级，为所述设定学生提供学习内容。
5.根据权利要求4所述的方法，其中，使用所述最佳学生资料向量处理所述各学习对象向量，以评估各学习对象的最佳重要性数值和/或所述设定学习目标的最佳重要性数值，包括：
获取所述最佳学生资料向量X’＝(x’1，x’2，…，x’i，…，x’M)，其中，x’i表征在所述设定学生在所述设定学习目标上的学习表现为所述期望学习表现时，所述设定学生的属性i的属性值，且M为正整数；
构建所述设定学习目标的所述各学习对象向量{LO1，LO2，…，LOj，…LON}；其中，学习对象j的学习对象向量LOj＝(wj1，wj2，…，wji，…，wjM)，wji为属性i的权重值，且N为正整数；以及
将所述最佳学生资源向量X’与所述各学习对象向量{LO1，LO2，…，LOj，…LON}进行点积运算，得到所述设定学习目标的最佳重要性数值LO_imp_val＝(LO1_imp_val+LO2_imp_val+…+LOj_imp_val+…+LON_imp_val)，其中，所述学习对象j的最佳重要性数值LOj_imp_val＝(x’1*wj1+x’2*wj2+…x’i*wji+…x’M*wjM)。
6.一种基于电子学习平台的数据处理设备，包括：
数据采集模块，配置为使用原始学生资料向量处理设定学习目标的各学习对象向量，得到特定目标的学生资料向量；其中，所述原始学生资料向量包括与设定学生相关的一个或多个属性的属性值，所述设定学习目标包括一个或多个学习对象，任一学习对象向量包括所述一个或多个属性的权重值，且任一属性的权重值表征所述任一属性与所述任一学习对象向量对应的学习对象的相关性；以及
成绩预测模块，配置为将所述特定目标的学生资料向量输入预测模型，得到所述设定学生在所述设定学习目标上的预测学习表现；其中，所述预测模型对所述特定目标的学生资料向量与所述设定学生在所述设定学习目标上的学习表现之间的关系进行建模；
其中，所述一个或多个属性包括人口统计学资料、学习方式、学习兴趣、社交网络资料、在线互动特征、前提知识评估、或通过从电子学习平台上的课程中提取的结构化和/或非结构化数据得到的学习表现中的一种或者组合，
其中，所述数据处理设备还包括：内容提供模块，配置为基于所述特定目标的学生资料向量，使用优化方法确定最佳学生资料向量，使得所述预测模型的输出与给定的所述设定学生在所述设定学习目标上的期望学习表现之间的差值最小化。
7.根据权利要求6所述的设备，其中，
所述内容提供模块还被配置为：使用所述最佳学生资料向量处理所述各学习对象向量，以评估各学习对象的最佳重要性数值和/或所述设定学习目标的最佳重要性数值；使用所述原始学生资料向量处理所述各学习对象向量，以评估所述各学习对象的原始重要性数值和/或所述设定学习目标的原始重要性数值；基于所述各学习对象的最佳重要性数值与原始重要性数值的差值，确定各学习对象的优先级；和/或基于所述设定学习目标的最佳重要性数值与原始重要性数值的差值，确定所述设定学习目标在多个学习目标中的优先级；其中，差值越大，对应的优先级越高；以及，基于所述各学习对象的优先级和/或所述设定学习目标在多个学习目标中的优先级，为所述设定学生提供学习内容。
8.一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
9.一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911128349.2A CN112818196B (zh) | 2019-11-18 | 2019-11-18 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911128349.2A CN112818196B (zh) | 2019-11-18 | 2019-11-18 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818196A CN112818196A (zh) | 2021-05-18 |
| CN112818196B true CN112818196B (zh) | 2023-12-22 |
Family
ID=75852514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911128349.2A Active CN112818196B (zh) | 2019-11-18 | 2019-11-18 | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818196B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114912027A (zh) * | 2022-05-31 | 2022-08-16 | 济南大学 | 一种基于学习成效预测的学习方案推荐方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060117828A (ko) * | 2005-05-14 | 2006-11-17 | 인제대학교 산학협력단 | 온라인망을 기반으로 하는 학습평가 관리 시스템 |
| CN106575280A (zh) * | 2014-07-22 | 2017-04-19 | 香港科技大学 | 用于分析用户关联图像以产生非用户生成标签以及利用该生成标签的系统和方法 |
| CN106779079A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于多模型数据驱动的知识点掌握状态的预测系统及方法 |
| CN106779053A (zh) * | 2016-12-15 | 2017-05-31 | 福州瑞芯微电子股份有限公司 | 一种基于影响因子和神经网络的知识点摸底方法 |
| CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
| CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
| JP2019191782A (ja) * | 2018-04-20 | 2019-10-31 | 富士通株式会社 | 学習用データ生成方法、学習用データ生成プログラムおよびデータ構造 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9412281B2 (en) * | 2013-11-25 | 2016-08-09 | Pearson Education, Inc. | Learning system self-optimization |
| US20150206442A1 (en) * | 2014-01-18 | 2015-07-23 | Invent.ly LLC | Student-specific adaptive personalized book creation |
| US20150221056A1 (en) * | 2014-01-31 | 2015-08-06 | Pearson Education, Inc. | Adjustable and dynamically updated dynamic academic pace-chart engine |
| JP5984153B2 (ja) * | 2014-09-22 | 2016-09-06 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、プログラム、及び情報処理方法 |
-
2019
- 2019-11-18 CN CN201911128349.2A patent/CN112818196B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060117828A (ko) * | 2005-05-14 | 2006-11-17 | 인제대학교 산학협력단 | 온라인망을 기반으로 하는 학습평가 관리 시스템 |
| CN106575280A (zh) * | 2014-07-22 | 2017-04-19 | 香港科技大学 | 用于分析用户关联图像以产生非用户生成标签以及利用该生成标签的系统和方法 |
| CN106779079A (zh) * | 2016-11-23 | 2017-05-31 | 北京师范大学 | 一种基于多模型数据驱动的知识点掌握状态的预测系统及方法 |
| CN106779053A (zh) * | 2016-12-15 | 2017-05-31 | 福州瑞芯微电子股份有限公司 | 一种基于影响因子和神经网络的知识点摸底方法 |
| JP2019191782A (ja) * | 2018-04-20 | 2019-10-31 | 富士通株式会社 | 学習用データ生成方法、学習用データ生成プログラムおよびデータ構造 |
| CN108876123A (zh) * | 2018-06-01 | 2018-11-23 | 首都师范大学 | 一种教学干预方法和装置 |
| CN109919810A (zh) * | 2019-01-22 | 2019-06-21 | 山东科技大学 | 在线学习系统中的学生建模与个性化课程推荐方法 |
Non-Patent Citations (1)
| Title |
|---|
| 在线课堂知识建构效果监督模型实证研究;涂艳等;《高等教育研究学报》;第64-73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818196A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huo et al. | Knowledge modeling via contextualized representations for LSTM-based personalized exercise recommendation | |
| Joy et al. | Review and classification of content recommenders in E-learning environment | |
| Deborah et al. | Fuzzy-logic based learning style prediction in e-learning using web interface information | |
| Tam et al. | A new framework of concept clustering and learning path optimization to develop the next-generation e-learning systems | |
| JP2017199355A (ja) | レコメンデーション生成 | |
| Abhinav et al. | LeCoRe: A Framework for Modeling Learner's preference. | |
| Hu et al. | Learning peer recommendation using attention-driven CNN with interaction tripartite graph | |
| Khalid et al. | Novel online recommendation algorithm for massive open online courses (NoR-MOOCs) | |
| Dien et al. | An approach for learning resource recommendation using deep matrix factorization | |
| Zhong et al. | Design of a personalized recommendation system for learning resources based on collaborative filtering | |
| Dai et al. | Study of online learning resource recommendation based on improved BP neural network | |
| Raj et al. | An improved adaptive learning path recommendation model driven by real-time learning analytics | |
| Aydoğdu | A new student modeling technique with convolutional neural networks: Learnerprints | |
| CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
| CN112818196B (zh) | 基于电子学习平台的数据处理方法、设备、电子装置及存储介质 | |
| Salehi | Latent feature based recommender system for learning materials using genetic algorithm | |
| Hain et al. | The promises of Machine Learning and Big Data in entrepreneurship research | |
| Ahamad et al. | Students’ knowledge assessment using the ensemble methods | |
| Otero et al. | Finding informative code metrics under uncertainty for predicting the pass rate of online courses | |
| Moore et al. | Behavioural cloning of teachers for automatic homework selection | |
| Dai et al. | An improved deep model for knowledge tracing and question-difficulty discovery | |
| Kaur et al. | Personality Prediction through Curriculam Vitae Analysis involving Password Encryption and Prediction Analysis | |
| Ali | Artificial intelligence techniques to predict the performance of teachers for kindergarten: Iraq as a case study | |
| Alahmadi et al. | Deep Learning for MOOCs Course Recommendation Systems: State of the Art Survey | |
| Nikiforos et al. | Enhancing collaborative filtering recommendations for web-based learning platforms with genetic algorithms |
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 |