CN113066327B - 一种大学生在线智能教育方法 - Google Patents
一种大学生在线智能教育方法 Download PDFInfo
- Publication number
- CN113066327B CN113066327B CN202110393344.3A CN202110393344A CN113066327B CN 113066327 B CN113066327 B CN 113066327B CN 202110393344 A CN202110393344 A CN 202110393344A CN 113066327 B CN113066327 B CN 113066327B
- Authority
- CN
- China
- Prior art keywords
- information
- knowledge
- education
- quantification
- acquiring
- 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
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/12—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations different stations being capable of presenting different information simultaneously
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
本发明提供了一种大学生在线智能教育方法,包括:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库;获取目标用户的学习信息,并对学习信息进行第一教育量化;获取目标用户的行为信息,并对行为信息进行第二教育量化;建立第一教育量化与知识数据库的第一关联关系以及第二教育量化与知识数据库的第二关联关系,同时,从知识数据库中筛选待教育信息;按照第一关联关系以及第二关联关系,对待教育信息中涉及到的知识单元进行分类处理,同时,基于分类结果对知识单元进行优先级标注,对目标用户进行智能教育。便于针对性学习,提高线上学习效率。
Description
技术领域
本发明涉及智能教育技术领域,特别涉及一种大学生在线智能教育方法。
背景技术
随着互联网技术的飞速发展,智能手机、平板电脑等智能终端设备的大规模普及,4G等移动网络资源不再稀缺,数字化和移动在线学习已成为人们接受教育的新途径。以在线学习平台为代表的在线教育服务正在重塑传统的学习习惯,使人们能够随时随地进行分散的网络化学习。与传统的教育模式相比,网络教育具有学习时间分散、学习地点不限、内容目标性强、在线互动效率高、可重复学习等优点。它对学习风格从传统的“被动”课堂教学模式向“互动”在线教学模式的转变起到了重要作用。通过在线教育平台,用户可以突破传统教学模式的时空限制,随时选择感兴趣的内容进行有针对性的、零散的学习,学习方式变得更加灵活可控。
尤其疫情期间,各大院校开始对学生展开线上教育,一般一个班级的学生在进行网课学习过程中,会学习同样的知识内容,但是由于学生的学习进度以及学习吸收能力的不同,不仅会造成对时间的浪费,而且还不具备针对性学习,使其的学习效率底下,达不到想要的学习效果。
因此,本发明提出一种大学生在线智能教育方法。
发明内容
本发明提供一种一种大学生在线智能教育方法,用以解决上述提出的技术问题。
本发明提供一种大学生在线智能教育方法,包括:
步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库;
步骤2:获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化;
步骤3:获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化;
步骤4:建立第一教育量化与知识数据库的第一关联关系以及第二教育量化与所述知识数据库的第二关联关系,同时,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息;
步骤5:按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,同时,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育。
在一种可能实现的方式中,步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库,包括:
基于时间戳将获取的所有目标用户的在线教育请求依次排列到请求数据表中,获取每个在线教育请求基于所述请求数据表中的第一地址;
对每个所述在线教育请求进行解析,根据预设策略规则,对解析结果进行过滤处理,并统计每个在线教育请求的请求合理度;
按照请求合理度,对所述在线教育请求进行合理度排序,同时,获取排序后的每个在线教育请求基于所述请求数据表的第二地址;
将所述第一地址以及第二地址进行重合比较;
若重合,保持所述在线教育请求在当前地址不变;
否则,标定不重合地址,并根据预设策略规则,对不重合地址对应的在线教育请求与重合地址对应的在线教育请求进行匹配;
在对应重合地址一侧建立空闲地址,并根据匹配结果,将对应匹配的在线教育请求放置在所述空闲地址;
删除多余空闲地址,得到有效请求表;
按照所述有效请求表中所述在线教育请求的地址顺序,并基于大数据技术,从预设数据资料库中调取相应的知识数据包,并形成知识数据库。
在一种可能实现的方式中,步骤2中,获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化,包括:
将所述目标用户的学习信息按照预设课程规划进行划分,获得不同课程的多条学习子信息;
对每个课程的学习子信息进行预处理,确定对应的课程特性;
对所述课程特性进行量化处理,获得量化字符;
判断所述量化字符中是否存在至少一个特性字符;
若是,提取所述量化字符中的特性字符,并根据所述特性字符的数量,获取字符转换规则,并转换得到对应的特性码;
否则,对所述量化字符进行统一字符提取,并按照提取的统一字符以及数量,按照预设转换规则,转换得到对应的统一码;
根据所述特性码以及统一码,构建特征向量,进而实现对所述学习信息的第一教育量化。
在一种可能实现的方式中,步骤3中,获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化,包括:
根据所述目标用户的行为信息,确定所述目标用户对在线教育学习过程中的聚焦集合以及非聚焦集合;
提取所述聚焦集合对应的第一知识库以及非聚焦集合对应的第二知识库;
确定所述第一知识库中每个知识的第一权值以及第二知识库中每个知识的第二权值;
确定所述聚焦集合中每个第一量化指标的量化区间,并获取每个第一量化指标对应的第一知识数量,进而获取第一量化比值;
确定所述非聚焦集合中每个第二量化指标的量化区间,并获取每个第二量化指标对应的第二知识数量,进而获取第二量化比值;
根据所述每个知识的第一权值以及第一量化比值、第二权值以及第二量化比值,实现对所述行为信息的第二教育量化。
在一种可能实现的方式中,步骤4中,建立第一教育量化与知识数据库的第一关联关系,包括:
获取与第一教育量化对应的特征向量中的统一码以及特性码,并按照所述统一码以及特性码进行相应有效词语的设置;
建立每个所述有效词语与知识数据包的拓扑图谱,剔除拓扑分支阈值小于预设平均拓扑值的拓扑分支,获得第一图谱;
同时,按照所述第二教育量化对所述第一教育量化的影响信息,对所述第一图谱进行第一优化,进而获取第一关联关系。
在一种可能实现的方式中,步骤4中,建立第二教育量化与所述知识数据库的第二关联关系,包括:
获取与所述第二教育量化对应的知识的权值以及量化比,并基于知识数据包对对应的知识进行量化测试,当量化测试合格后,获取合格的知识的知识关键词,并建立与知识数据包的第二图谱;
同时,按照所述第一教育量化对所述第二教育量化的影响信息,对所述第二图谱进行第二优化,进而获取第二关联关系。
在一种可能实现的方式中,步骤4中,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息,包括:
从知识数据库中,筛选与第一教育量化相关的第一数据包;
从知识数据库中,筛选与第二教育量化相关的第二数据包;
按照所述第一数据包以及第二数据包构成待教育信息。
在一种可能实现的方式中,步骤5中,按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,包括:
基于所述第一关联关系,从第一图谱中爬取第一拓扑线,并基于所述第二关联关系,从第二图谱中爬取第二拓扑线;
获取所述第一拓扑线的第一有效信息,并确定所述第一有效信息的权值以及信息类型,同时,获取所述第二拓扑线的第二有效信息,并确定所述第二有效信息的权值以及信息类型;
获取所述第一有效信息以及第二有效信息的匹配特征序列,并基于所述匹配特征序列,确定所述待教育信息中的待处理信息;
获取所述待处理信息是否为持续连续信息,若是,获取所述待处理信息的信息位置,并按照所述信息位置的初位置点以及末位置点对所述待教育信息进行分割处理;
否则,确定所述待处理信息的个数,并获取每个待处理信息对应的初点以及末点,对所述待教育信息进行分割处理;
按照除去所述待处理信息之外的剩余信息的信息类型以及权值对分割处理后的剩余信息中的子信息进行类型归类;
根据归类结果,将对应的子信息分配到第一暂存单元;
同时,将所述待处理信息分配到第二暂存单元;
其中,所述第二暂存单元的教育优先级高于第一暂存单元的教育优先级;
其中,所述知识单元为知识数据包。
在一种可能实现的方式中,步骤5中,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育的过程中,还包括:
捕捉所述知识单元进行依次教育播放过程中的同个知识单元在播放过程中产生的播放日志,以及由当前知识单元跳转到下一知识单元的跳转日志;
按照所述播放日志以及如下公式,计算确定对应的流畅度L;
其中,n表示基于播放日志获取的对应知识单元播放过程中产生的画面失真次数;ti表示第i次画面失真的失真持续时间;δi表示第i次画面失真的画面权值,且取值范围为(0,1),且p表示对应知识单元进行播放过程中影响其正常播放的概率;δ表示对应知识单元的权值;
按照所述跳转日志以及如下公式,计算对应跳转的有效值Y,
其中,t′表示基于所述跳转日志,获取的由当前知识单元跳转到下一知识单元的实际跳转时间;T′表示标准跳转时间;p′表示由当前知识单元跳转到下一知识单元的成功跳转概率;m1表示获取的所述当前知识单元进行播放结束时刻的总帧;yj1表示第j1帧的播放能力,且取值范围为[0,1],y2表示所述当前知识单元的平均播放能力;m2表示获取的所述下一知识单元进行播放开始时刻的总帧;yj2表示第j2帧的播放能力,且取值范围为[0,1],y1表示所述下一知识单元的平均播放能力;
根据所述流畅度以及有效值,判断按照标注的优先级对所述知识单元进行依次教育播放是否合格;
若合格,存储对应的播放日志以及跳转日志,并与下次播放获取的日志进行比较;
否则,基于所述播放日志以及跳转日志获取异常日志,并基于修复数据库,获取与所述异常日志对应的修正方案,并进行输出显示。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种大学生在线智能教育方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种大学生在线智能教育方法,如图1所示,包括:
步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库;
步骤2:获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化;
步骤3:获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化;
步骤4:建立第一教育量化与知识数据库的第一关联关系以及第二教育量化与所述知识数据库的第二关联关系,同时,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息;
步骤5:按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,同时,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育。
该实施例中,在线教育请求,例如是学习某个课程的请求,例如目标用户是针对一个班级的同学,且每个同学选的选修课不同,因此就需要调取不同知识数据包,且知识数据包,可以是针对不同的课程,或者课程中不同的知识点进行展开的;
该实施例中,学习信息,例如是用户按照数学、英语、思修等课程的顺序进行课程学习,且第一教育量化,可以是指确定数学、英语、思修课程的课程权值(即课程的重要程度)或者课程中某些知识点的知识权值;
该实施例中,行为信息,例如是用户对某个课程的学习进展以及学习情况等,且在学习过程中,对某些知识点的过度关注以及过度忽视,且第二教育量化是指对过度关注或者过度忽视的知识点的进行权值确定;
该实施例中,第一关联关系以及第二关联关系,都是基于对应教育量化来构建的图谱实现的;
该实施例中,分类处理,是为了对相同或者类似的知识进行区分,便于进行集中学习,且对知识单元进行优先级标注,是因为不同的用户对知识点的学习情况是不一样的,通过优先级标注便于针对性的学习,进而提高学习效率。
上述技术方案的有益效果是:基于请求进行知识筛选,缩小知识的有效范围,通过将学习信息以及行为信息进行结合,便于有效量化,并通过建立关联关系进行知识分类以及优先级标注,便于针对性学习,提高线上学习效率。
本发明提供一种大学生在线智能教育方法,步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库,包括:
基于时间戳将获取的所有目标用户的在线教育请求依次排列到请求数据表中,获取每个在线教育请求基于所述请求数据表中的第一地址;
对每个所述在线教育请求进行解析,根据预设策略规则,对解析结果进行过滤处理,并统计每个在线教育请求的请求合理度;
按照请求合理度,对所述在线教育请求进行合理度排序,同时,获取排序后的每个在线教育请求基于所述请求数据表的第二地址;
将所述第一地址以及第二地址进行重合比较;
若重合,保持所述在线教育请求在当前地址不变;
否则,标定不重合地址,并根据预设策略规则,对不重合地址对应的在线教育请求与重合地址对应的在线教育请求进行匹配;
在对应重合地址一侧建立空闲地址,并根据匹配结果,将对应匹配的在线教育请求放置在所述空闲地址;
删除多余空闲地址,得到有效请求表;
按照所述有效请求表中所述在线教育请求的地址顺序,并基于大数据技术,从预设数据资料库中调取相应的知识数据包,并形成知识数据库。
该实施例中,请求书列表是预先设置好的,且每个在线教育请求都对对应一个地址,即为第一地址,且进行解析,是为了方便获取请求信息;
该实施例中,预设策略规则,是为了滤除解析结果的无效信息,比如空白字等,来获取有效信息,提高统计请求合理度的效率。
该实施例中,请求合理度是指的请求出现错误的概率;
该实施例中,第二地址,是指按照请求合理度进行重新排序后进而确定的。
该实施例中,进行请求匹配,是为了将不重合地址的请求进行合理有效的放置,进而进行后续排序,且空闲地址就是为了对其不重合地址的请求进行放置,有效请求表是指最后排序后获得表。
上述技术方案的有益效果是:通过进行两次排序,便于对重合地址以及不重合地址进行区分,且通过删除空闲地址以及匹配某些地址,便于获取有效请求表,为后续便于针对性学习,提高线上学习效率提供数据基础。
本发明提供一种大学生在线智能教育方法,步骤2中,获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化,包括:
将所述目标用户的学习信息按照预设课程规划进行划分,获得不同课程的多条学习子信息;
对每个课程的学习子信息进行预处理,确定对应的课程特性;
对所述课程特性进行量化处理,获得量化字符;
判断所述量化字符中是否存在至少一个特性字符;
若是,提取所述量化字符中的特性字符,并根据所述特性字符的数量,获取字符转换规则,并转换得到对应的特性码;
否则,对所述量化字符进行统一字符提取,并按照提取的统一字符以及数量,按照预设转换规则,转换得到对应的统一码;
根据所述特性码以及统一码,构建特征向量,进而实现对所述学习信息的第一教育量化。
该实施例中,子信息可以是包括多个知识点在内的,且进行预处理,是为了获取课程特性,如计算特性、表述特性等;
该实施例中,量化处理,是为了获取可以表示特性的字符,如111表示计算特性,000表示表述特性;
该实施例中,111以及000,可以是代表两个特性字符,且按照字符转换规则,可以是将000以及111,转化为001等,进而方便表示。
该实施例中,统一码与特性码类似,不过统一码可以是公共类的字符有关。
该实施例中,根据特性码以及统一码来构建向量,来获取第一教育量化。
上述技术方案的有益效果是:通过获取特性码以及统一码,可以构建特征向量,实现对学习信息的量化,为后续便于针对性学习,提高线上学习效率提供基础。
本发明提供一种大学生在线智能教育方法,步骤3中,获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化,包括:
根据所述目标用户的行为信息,确定所述目标用户对在线教育学习过程中的聚焦集合以及非聚焦集合;
提取所述聚焦集合对应的第一知识库以及非聚焦集合对应的第二知识库;
确定所述第一知识库中每个知识的第一权值以及第二知识库中每个知识的第二权值;
确定所述聚焦集合中每个第一量化指标的量化区间,并获取每个第一量化指标对应的第一知识数量,进而获取第一量化比值;
确定所述非聚焦集合中每个第二量化指标的量化区间,并获取每个第二量化指标对应的第二知识数量,进而获取第二量化比值;
根据所述每个知识的第一权值以及第一量化比值、第二权值以及第二量化比值,实现对所述行为信息的第二教育量化。
该实施例中,聚焦集合,是关注的知识点,非聚焦集合是不关注的知识点,且每个知识点的权值是不同的;
该实施例中,量化指标,可以是指与数据函数相关的指标,进而来确定函数的量化区间,即为函数的可选范围,且针对函数进行具体化,便于有效确定该函数的知识数量,来获取量化值。
上述技术方案的有益效果是:通过确定聚焦以及非聚焦,来获取对应知识库,进而通过量化,实现对行为信息的量化,便于针对性学习,提高学习效率。
本发明提供一种大学生在线智能教育方法,步骤4中,建立第一教育量化与知识数据库的第一关联关系,包括:
获取与第一教育量化对应的特征向量中的统一码以及特性码,并按照所述统一码以及特性码进行相应有效词语的设置;
建立每个所述有效词语与知识数据包的拓扑图谱,剔除拓扑分支阈值小于预设平均拓扑值的拓扑分支,获得第一图谱;
同时,按照所述第二教育量化对所述第一教育量化的影响信息,对所述第一图谱进行第一优化,进而获取第一关联关系。
该实施例中,有效词语,例如000的为文字,111的为数字等;
该实施例中,拓扑图谱是由一条条的连接线即拓扑线构建成的;
该实施例中,拓扑分支阈值是当下实时确定好的连接线的阈值,可以为有效词汇与知识数据包的匹配度。
该实施例中,影响信息,例如为知识的量化比对向量的影响。
上述技术方案的有益效果是:通过统一码以及特性码,便于设置有效词语进而方便建立拓扑图谱,通过剔除,提高图谱的准确性,通过优化,便于提高获取关系的准确性,间接提高学习效率。
本发明提供一种大学生在线智能教育方法,步骤4中,建立第二教育量化与所述知识数据库的第二关联关系,包括:
获取与所述第二教育量化对应的知识的权值以及量化比,并基于知识数据包对对应的知识进行量化测试,当量化测试合格后,获取合格的知识的知识关键词,并建立与知识数据包的第二图谱;
同时,按照所述第一教育量化对所述第二教育量化的影响信息,对所述第二图谱进行第二优化,进而获取第二关联关系。
该实施例中,量化测试例如为对量化比对应的知识数量进行数量测试。
该实施例中,影响信息,例如为向量对知识的量化比的影响。
上述技术方案的有益效果是:通过权值以及量化比,便于进行量化测试,通过优化,便于提高获取关系的准确性,间接提高学习效率。
本发明提供一种大学生在线智能教育方法,步骤4中,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息,包括:
从知识数据库中,筛选与第一教育量化相关的第一数据包;
从知识数据库中,筛选与第二教育量化相关的第二数据包;
按照所述第一数据包以及第二数据包构成待教育信息。
上述技术方案的有益效果是,便于得到待教育信息,为针对性学习提供基础。
本发明提供一种大学生在线智能教育方法,步骤5中,按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,包括:
基于所述第一关联关系,从第一图谱中爬取第一拓扑线,并基于所述第二关联关系,从第二图谱中爬取第二拓扑线;
获取所述第一拓扑线的第一有效信息,并确定所述第一有效信息的权值以及信息类型,同时,获取所述第二拓扑线的第二有效信息,并确定所述第二有效信息的权值以及信息类型;
获取所述第一有效信息以及第二有效信息的匹配特征序列,并基于所述匹配特征序列,确定所述待教育信息中的待处理信息;
获取所述待处理信息是否为持续连续信息,若是,获取所述待处理信息的信息位置,并按照所述信息位置的初位置点以及末位置点对所述待教育信息进行分割处理;
否则,确定所述待处理信息的个数,并获取每个待处理信息对应的初点以及末点,对所述待教育信息进行分割处理;
按照除去所述待处理信息之外的剩余信息的信息类型以及权值对分割处理后的剩余信息中的子信息进行类型归类;
根据归类结果,将对应的子信息分配到第一暂存单元;
同时,将所述待处理信息分配到第二暂存单元;
其中,所述第二暂存单元的教育优先级高于第一暂存单元的教育优先级;
其中,所述知识单元为知识数据包。
该实施例中,第一拓扑线、第二拓扑线可以是指的连接关系线,例如有效词语到知识数据包的连线,且第一有效信息可以是指的有效词语与对应知识数据包的重合信息,且权值是按照有效信息是什么从预设数据库来对应获取的。
信息类型即为数学相关的计算类型或者表述类型等。
匹配特征序列,可以是由于二进制构成的序列,且是为了获取按照两个不同信息,来确定的重叠的待处理信息。
该实施例中,剩余信息,是把待处理信息除去的信息,是为了对剩余信息进行同种方式的处理,是区分于待处理信息的,且待处理信息的暂存单元是优于剩余信息的单元的优先级的。
上述技术方案的有益效果是:通过爬取拓扑线,获取有效信息,便于确定两种信息分别对应的匹配特征序列,进而可以优先获取信息,通过对剩余信息按照待处理信息的信息位置进行分割,便于后续进行有效分类,保证存储的优先级,进一步提高学习效率。
本发明提供一种大学生在线智能教育方法,步骤5中,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育的过程中,还包括:
捕捉所述知识单元进行依次教育播放过程中的同个知识单元在播放过程中产生的播放日志,以及由当前知识单元跳转到下一知识单元的跳转日志;
按照所述播放日志以及如下公式,计算确定对应的流畅度L;
其中,n表示基于播放日志获取的对应知识单元播放过程中产生的画面失真次数;ti表示第i次画面失真的失真持续时间;δi表示第i次画面失真的画面权值,且取值范围为(0,1),且p表示对应知识单元进行播放过程中影响其正常播放的概率;δ表示对应知识单元的权值;
按照所述跳转日志以及如下公式,计算对应跳转的有效值Y,
其中,t′表示基于所述跳转日志,获取的由当前知识单元跳转到下一知识单元的实际跳转时间;T′表示标准跳转时间;p′表示由当前知识单元跳转到下一知识单元的成功跳转概率;m1表示获取的所述当前知识单元进行播放结束时刻的总帧;yj1表示第j1帧的播放能力,且取值范围为[0,1],y2表示所述当前知识单元的平均播放能力;m2表示获取的所述下一知识单元进行播放开始时刻的总帧;yj2表示第j2帧的播放能力,且取值范围为[0,1],y1表示所述下一知识单元的平均播放能力;
根据所述流畅度以及有效值,判断按照标注的优先级对所述知识单元进行依次教育播放是否合格;
若合格,存储对应的播放日志以及跳转日志,并与下次播放获取的日志进行比较;
否则,基于所述播放日志以及跳转日志获取异常日志,并基于修复数据库,获取与所述异常日志对应的修正方案,并进行输出显示。
该实施例中,日志实在播放过程中持续获取到的。
上述技术方案的有益效果是:通过捕捉同个知识单元播放过程中的日志以及相邻单元播放过程中的跳转日志,来根据公式,计算单个单元播放流畅度以及相邻单元跳转的有效值,进而根据所有的流畅度以及有效值,来判断所有单元播放完成后是否合格,进而有效获取异常日志,进行修正方案的输出显示,保证播放的合格,间接提高学习效率。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种大学生在线智能教育方法,其特征在于,包括:
步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库;
步骤2:获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化;
步骤3:获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化;
步骤4:建立第一教育量化与知识数据库的第一关联关系以及第二教育量化与所述知识数据库的第二关联关系,同时,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息;
步骤5:按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,同时,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育;
其中,步骤2中,获取所述目标用户的学习信息,并对所述学习信息进行第一教育量化,包括:
将所述目标用户的学习信息按照预设课程规划进行划分,获得不同课程的多条学习子信息;
对每个课程的学习子信息进行预处理,确定对应的课程特性;
对所述课程特性进行量化处理,获得量化字符;
判断所述量化字符中是否存在至少一个特性字符;
若是,提取所述量化字符中的特性字符,并根据所述特性字符的数量,获取字符转换规则,并转换得到对应的特性码;
否则,对所述量化字符进行统一字符提取,并按照提取的统一字符以及数量,按照预设转换规则,转换得到对应的统一码;
根据所述特性码以及统一码,构建特征向量,进而实现对所述学习信息的第一教育量化;
其中,步骤3中,获取所述目标用户的行为信息,并对所述行为信息进行第二教育量化,包括:
根据所述目标用户的行为信息,确定所述目标用户对在线教育学习过程中的聚焦集合以及非聚焦集合;
提取所述聚焦集合对应的第一知识库以及非聚焦集合对应的第二知识库;
确定所述第一知识库中每个知识的第一权值以及第二知识库中每个知识的第二权值;
确定所述聚焦集合中每个第一量化指标的量化区间,并获取每个第一量化指标对应的第一知识数量,进而获取第一量化比值;
确定所述非聚焦集合中每个第二量化指标的量化区间,并获取每个第二量化指标对应的第二知识数量,进而获取第二量化比值;
根据所述每个知识的第一权值以及第一量化比值、第二权值以及第二量化比值,实现对所述行为信息的第二教育量化;
其中,步骤4中,建立第一教育量化与知识数据库的第一关联关系,包括:
获取与第一教育量化对应的特征向量中的统一码以及特性码,并按照所述统一码以及特性码进行相应有效词语的设置;
建立每个所述有效词语与知识数据包的拓扑图谱,剔除拓扑分支阈值小于预设平均拓扑值的拓扑分支,获得第一图谱;
同时,按照所述第二教育量化对所述第一教育量化的影响信息,对所述第一图谱进行第一优化,进而获取第一关联关系;
其中,步骤4中,建立第二教育量化与所述知识数据库的第二关联关系,包括:
获取与所述第二教育量化对应的知识的权值以及量化比,并基于知识数据包对对应的知识进行量化测试,当量化测试合格后,获取合格的知识的知识关键词,并建立与知识数据包的第二图谱;
同时,按照所述第一教育量化对所述第二教育量化的影响信息,对所述第二图谱进行第二优化,进而获取第二关联关系。
2.如权利要求1所述的方法,其特征在于,步骤1:获取每个目标用户的在线教育请求,并基于大数据技术,从预设数据资料库中调取知识数据库,包括:
基于时间戳将获取的所有目标用户的在线教育请求依次排列到请求数据表中,获取每个在线教育请求基于所述请求数据表中的第一地址;
对每个所述在线教育请求进行解析,根据预设策略规则,对解析结果进行过滤处理,并统计每个在线教育请求的请求合理度;
按照请求合理度,对所述在线教育请求进行合理度排序,同时,获取排序后的每个在线教育请求基于所述请求数据表的第二地址;
将所述第一地址以及第二地址进行重合比较;
若重合,保持所述在线教育请求在当前地址不变;
否则,标定不重合地址,并根据预设策略规则,对不重合地址对应的在线教育请求与重合地址对应的在线教育请求进行匹配;
在对应重合地址一侧建立空闲地址,并根据匹配结果,将对应匹配的在线教育请求放置在所述空闲地址;
删除多余空闲地址,得到有效请求表;
按照所述有效请求表中所述在线教育请求的地址顺序,并基于大数据技术,从预设数据资料库中调取相应的知识数据包,并形成知识数据库。
3.如权利要求1所述的方法,其特征在于,步骤4中,基于所述第一教育量化以及第二教育量化,从所述知识数据库中筛选待教育信息,包括:
从知识数据库中,筛选与第一教育量化相关的第一数据包;
从知识数据库中,筛选与第二教育量化相关的第二数据包;
按照所述第一数据包以及第二数据包构成待教育信息。
4.如权利要求1所述的方法,其特征在于,步骤5中,按照所述第一关联关系以及第二关联关系,对所述待教育信息中涉及到的知识单元进行分类处理,包括:
基于所述第一关联关系,从第一图谱中爬取第一拓扑线,并基于所述第二关联关系,从第二图谱中爬取第二拓扑线;
获取所述第一拓扑线的第一有效信息,并确定所述第一有效信息的权值以及信息类型,同时,获取所述第二拓扑线的第二有效信息,并确定所述第二有效信息的权值以及信息类型;
获取所述第一有效信息以及第二有效信息的匹配特征序列,并基于所述匹配特征序列,确定所述待教育信息中的待处理信息;
获取所述待处理信息是否为持续连续信息,若是,获取所述待处理信息的信息位置,并按照所述信息位置的初位置点以及末位置点对所述待教育信息进行分割处理;
否则,确定所述待处理信息的个数,并获取每个待处理信息对应的初点以及末点,对所述待教育信息进行分割处理;
按照除去所述待处理信息之外的剩余信息的信息类型以及权值对分割处理后的剩余信息中的子信息进行类型归类;
根据归类结果,将对应的子信息分配到第一暂存单元;
同时,将所述待处理信息分配到第二暂存单元;
其中,所述第二暂存单元的教育优先级高于第一暂存单元的教育优先级;
其中,所述知识单元为知识数据包。
5.如权利要求1所述的方法,其特征在于,步骤5中,基于分类结果对所述知识单元进行优先级标注,对所述目标用户进行智能教育的过程中,还包括:
捕捉所述知识单元进行依次教育播放过程中的同个知识单元在播放过程中产生的播放日志,以及由当前知识单元跳转到下一知识单元的跳转日志;
按照所述播放日志以及如下公式,计算确定对应的流畅度L;
其中,n表示基于播放日志获取的对应知识单元播放过程中产生的画面失真次数;ti表示第i次画面失真的失真持续时间;δi表示第i次画面失真的画面权值,且取值范围为(0,1),且p表示对应知识单元进行播放过程中影响其正常播放的概率;δ表示对应知识单元的权值;T表示每次画面失真的标准失真持续时间;
按照所述跳转日志以及如下公式,计算对应跳转的有效值Y,
其中,t′表示基于所述跳转日志,获取的由当前知识单元跳转到下一知识单元的实际跳转时间;T′表示标准跳转时间;p′表示由当前知识单元跳转到下一知识单元的成功跳转概率;m1表示获取的所述当前知识单元进行播放结束时刻的总帧;yj1表示第j1帧的播放能力,且取值范围为[0,1],y2表示所述当前知识单元的平均播放能力;m2表示获取的所述下一知识单元进行播放开始时刻的总帧;yj2表示第j2帧的播放能力,且取值范围为[0,1],y1表示所述下一知识单元的平均播放能力;
根据所述流畅度以及有效值,判断按照标注的优先级对所述知识单元进行依次教育播放是否合格;
若合格,存储对应的播放日志以及跳转日志,并与下次播放获取的日志进行比较;
否则,基于所述播放日志以及跳转日志获取异常日志,并基于修复数据库,获取与所述异常日志对应的修正方案,并进行输出显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393344.3A CN113066327B (zh) | 2021-04-13 | 2021-04-13 | 一种大学生在线智能教育方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110393344.3A CN113066327B (zh) | 2021-04-13 | 2021-04-13 | 一种大学生在线智能教育方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066327A CN113066327A (zh) | 2021-07-02 |
CN113066327B true CN113066327B (zh) | 2021-11-09 |
Family
ID=76566569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110393344.3A Active CN113066327B (zh) | 2021-04-13 | 2021-04-13 | 一种大学生在线智能教育方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066327B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040009461A1 (en) * | 2000-04-24 | 2004-01-15 | Snyder Jonathan Scott | System for scheduling classes and managing eductional resources |
US20150206441A1 (en) * | 2014-01-18 | 2015-07-23 | Invent.ly LLC | Personalized online learning management system and method |
CN104317825B (zh) * | 2014-09-30 | 2017-06-20 | 武汉天量数据技术有限公司 | 一种知识点量化分析方法及系统 |
CN106097812A (zh) * | 2016-08-24 | 2016-11-09 | 魏明 | 一种基于互联网的开放式教育平台及系统 |
US20180137588A1 (en) * | 2016-11-17 | 2018-05-17 | Linkedin Corporation | Contextual personalized list of recommended courses |
CN108664614B (zh) * | 2017-05-12 | 2021-11-23 | 华中师范大学 | 基于教育大数据的学习者模型动态构建方法 |
CN109410155A (zh) * | 2018-10-26 | 2019-03-01 | 菏泽家政职业学院 | 一种大学生教育培训系统及方法 |
CN109243228B (zh) * | 2018-11-12 | 2021-03-23 | 重庆靶向科技发展有限公司 | 一种智能化教学平台系统 |
CN110222125A (zh) * | 2019-05-13 | 2019-09-10 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的线上教育个性化推送方法及系统 |
CN110866848B (zh) * | 2019-09-30 | 2023-11-10 | 珠海格力电器股份有限公司 | 基于知识图谱的学习方法、装置、电子设备和存储介质 |
CN111368182B (zh) * | 2020-02-17 | 2023-07-04 | 河北仓澜教育科技集团有限公司 | 基于教育平台大数据分析的个性化自适应学习推荐方法 |
-
2021
- 2021-04-13 CN CN202110393344.3A patent/CN113066327B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113066327A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000909A1 (zh) | 一种课程优化方法、装置和系统 | |
CN106126524B (zh) | 信息推送方法和装置 | |
CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
WO2022095380A1 (zh) | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 | |
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
CN113360616A (zh) | 自动问答处理方法、装置、设备及存储介质 | |
CN110659311B (zh) | 题目推送方法、装置、电子设备及存储介质 | |
CN107403398A (zh) | 一种英语教育互联网平台及其使用方法 | |
CN111090809A (zh) | 题目推荐方法、装置、计算机设备和存储介质 | |
CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
CN115544241B (zh) | 一种线上作业的智能推送方法及装置 | |
CN112749336A (zh) | 一种基于机器学习算法的在线习题个性化推荐系统 | |
CN104933121A (zh) | 一种用于外语学习、语言能力测试的方法、装置和系统 | |
CN111597305A (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
CN111427990A (zh) | 一种智慧校园教学辅助的智能考试控制系统及方法 | |
CN112995690B (zh) | 直播内容品类识别方法、装置、电子设备和可读存储介质 | |
CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
CN114492803A (zh) | 基于知识图谱的问答生成方法及装置、自动考题生成系统 | |
CN111443973B (zh) | 备注信息的填入方法、装置、设备及存储介质 | |
CN113066327B (zh) | 一种大学生在线智能教育方法 | |
CN109299805B (zh) | 一种基于人工智能的在线教育课程请求处理方法 | |
CN112131354B (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
CN111708951B (zh) | 一种试题推荐方法及装置 | |
CN108520438A (zh) | 行为类型确定方法及装置 | |
CN114240705A (zh) | 一种题库信息处理方法 |
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 |