CN113282840B - 一种训练采集综合管理平台 - Google Patents

一种训练采集综合管理平台 Download PDF

Info

Publication number
CN113282840B
CN113282840B CN202110828125.3A CN202110828125A CN113282840B CN 113282840 B CN113282840 B CN 113282840B CN 202110828125 A CN202110828125 A CN 202110828125A CN 113282840 B CN113282840 B CN 113282840B
Authority
CN
China
Prior art keywords
knowledge point
training
degree
assessment
score
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
CN202110828125.3A
Other languages
English (en)
Other versions
CN113282840A (zh
Inventor
郭海强
李源
贺志强
代俊
高尚
徐成
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.)
Optical Valley Technology Co ltd
Original Assignee
Optical Valley Technology Co ltd
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 Optical Valley Technology Co ltd filed Critical Optical Valley Technology Co ltd
Priority to CN202110828125.3A priority Critical patent/CN113282840B/zh
Publication of CN113282840A publication Critical patent/CN113282840A/zh
Application granted granted Critical
Publication of CN113282840B publication Critical patent/CN113282840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/90—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
    • 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
    • G09B9/00—Simulators for teaching or training purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及一种训练采集综合管理平台，通过在用户平台中设置相应的学习课程模块、参加训练模块及成绩自动评估模块、数据管理模块和个性化智能推荐模块，能够获取用户的实际训练考核数据，并最终获取用户的得分情况，进而获取训练考核结果，并结合当前知识点和其前置知识点的前置需求程度，获取当前知识点的再学习程度，管理平台据接收到的所述再学习程度，确定课程数据的推荐内容，并将所述推荐内容反馈给个性化智能推荐模块，完成相应的课程数据的智能推荐。即本发明能够实时、动态地进行课程数据的推荐，并进行有效地训练。

Description

一种训练采集综合管理平台
技术领域
本发明涉及智能教学训练领域，具体涉及一种训练采集综合管理平台。
背景技术
在执法过程中，警察需要针对不同的场景和对象采取恰当的语言、合适的表情以及规范的行为，同时还要求警察具有良好的心理状态，以保证执法的顺利进行。而参加实训，是检验学习者的学习效果、教学质量的一种重要手段。
现有的训练平台都是通过声音传感器、视频传感器以及穿戴式传感设备采集语音、表情、姿态以及体征数据，开展监所警察情绪、行为以及心理等方面的分析研究，为监所执法虚拟训练与成绩评估提供技术支持。这样训练平台能够根据训练结果，分析成绩来推荐相应的视频或训练课程。但在推荐学习时，其往往是整体粗糙的推荐，而实际上学员无需学习整个视频，因此，现有的手段并不能有针对性地进行学习视频中部分片段的推荐。
同时，在学习的过程中，学员对某一知识点的学习，往往是通过语音信号或者文字语义识别实现视频课程中知识内容的确定，并没有根据课程中知识的连贯性进行修正，因此存在误差问题。
所以，这些针对监所警察执法过程中言、容、行、心理的训练存在很大的困难，其并不能有针对性地进行学员的训练。
发明内容
本发明的目的在于提供一种训练采集综合管理平台，用以解决现有的训练过程，推荐的学习视频往往存在误差，并不能有效地提高学习训练的问题。
本发明提供的一种训练采集综合管理平台的技术方案，包括管理平台和用户平台，所述管理平台与用户平台通信连接；
用户平台包括学习课程模块、参加训练模块及成绩自动评估模块、数据管理模块和个性化智能推荐模块；
学习课程模块，用于存储用户学习的课程数据；
参加训练模块及成绩自动评估模块，用于获取用户的实际训练考核数据，并对实际训练考核数据进行分析，获取训练考核的当前知识点，并将所述当前知识点与标准知识点进行比对，获取用户的得分情况；
数据管理模块，根据用户的得分情况，获取用户的训练考核结果；所述的训练考核结果包括进步空间值和学习效率；
个性化智能推荐模块，用于根据所述标准知识点，获取知识链，所述知识链包括编号信息；根据所述知识链和当前知识点确定当前知识点的前置知识点；
根据所述前置知识点和所述的训练考核结果，获取当前知识点的前置知识点的前置需求程度；并根据前置需求程度和当前知识点的初始再学习程度，确定当前知识点的再学习程度；将所述再学习程度传输至管理平台；
管理平台，用于根据接收到的所述再学习程度，确定课程数据的推荐内容，并将所述推荐内容反馈给个性化智能推荐模块，完成相应的课程数据的智能推荐。
进一步地，所述训练考核结果的获取方法为：
A、根据获取的用户当前考核的当前知识点的得分信息，获取当前知识点对应的n次考核结果序列：
Figure 655591DEST_PATH_IMAGE001
其中，
Figure 48527DEST_PATH_IMAGE002
表示当前知识点第n次考核的得分，
Figure 682770DEST_PATH_IMAGE003
表示当前知识点在第n次考核的 考核分数；
B、按照时序绘制对应的考核结果序列的散点数据，并进行曲线拟合；
C、对拟合的曲线求导，得到除起点和终点外的极值点，并对该极值点相邻两侧的两个数据求均值，将所述均值作为该极值点的值，获取处理后的曲线，所述曲线具有单调性；
D、根据处理后的曲线，计算各不同考核次数对应的知识点掌握程度，根据所述知识点掌握程度，计算对应知识点的进步空间值；根据所述知识点掌握程度，绘制学习状态曲线，并获取学习状态曲线的学习效率。
进一步地，所述再学习程度为：
Figure 186564DEST_PATH_IMAGE004
其中，
Figure 488232DEST_PATH_IMAGE005
为当前知识点的初始再学习程度，
Figure 49139DEST_PATH_IMAGE006
分别为当前知识点的进步空间 值和难易程度，
Figure 170679DEST_PATH_IMAGE007
表示当前知识点对应的前置知识点的前置需求程度，s为影响前置知识点 的上层知识点的个数。
进一步地，所述前置需求程度
Figure 478163DEST_PATH_IMAGE008
为：
Figure 634338DEST_PATH_IMAGE009
式中，
Figure 369076DEST_PATH_IMAGE010
为第s个知识点的进步空间值，
Figure 977912DEST_PATH_IMAGE011
为第s个知识点的难易程度，
Figure 885825DEST_PATH_IMAGE012
用 于对应两个因素共同正比的逻辑，
Figure 834190DEST_PATH_IMAGE013
的取值范围均为[0,1]。
进一步地，所述难易程度为：
Figure 802146DEST_PATH_IMAGE014
其中，
Figure 835961DEST_PATH_IMAGE015
为稳定期的考核次数，
Figure 547565DEST_PATH_IMAGE016
为上升期考核次数，
Figure 412753DEST_PATH_IMAGE017
为稳定期的平均学习效 率，
Figure 489293DEST_PATH_IMAGE018
为上升期的平均学习效率。
进一步地，所述初始再学习程度为：
获取不同的知识点在训练考核中的重要程度；所述重要程度为
Figure 72721DEST_PATH_IMAGE019
其中，
Figure 525699DEST_PATH_IMAGE020
为第g个知识点在下次考核的估计考核分数，
Figure 245393DEST_PATH_IMAGE021
为每次考核的总分数，取 值100；
根据学习动态曲线估计各知识点的得分率增量；所述得分率增量为
Figure 555152DEST_PATH_IMAGE022
其中，M为各知识点在稳定期内的考核次数，N为总的考核次数，k n 为第n次考核次数的掌握程度，k n-1为第n-1次考核次数的掌握程度；
根据所述考核分数和对应的得分率增量，得到各知识点的初始再学习程度；
所述初始再学习程度的表达式为：
Figure 563559DEST_PATH_IMAGE023
其中，
Figure 616966DEST_PATH_IMAGE024
为第g个知识点的下次考核的得分率增量。
进一步地，所述估计考核分数为：
Figure 414937DEST_PATH_IMAGE025
其中，
Figure 895597DEST_PATH_IMAGE026
表示该知识点对应的第i个考核分数
Figure 453617DEST_PATH_IMAGE027
的出现概率，
Figure 982819DEST_PATH_IMAGE028
，
Figure 677105DEST_PATH_IMAGE029
为所 有考核分数的总数量；ck为最近邻考核的当前知识点的考核分数的出现次数；
Figure 531929DEST_PATH_IMAGE030
为除去近 邻ck次考核后剩余考核分数中第i个考核分数的数量。
进一步地，所述管理平台包括课程推荐模块，用于确定课程数据的推荐内容，并将所述推荐内容反馈给个性化智能推荐模块，完成相应课程数据的智能推荐。
进一步地，所述课程推荐模块，还用于根据课程数据的连续性对所述知识链进行修正。
进一步地，所述管理平台还包括用户管理模块、课程管理模块和训练管理模块；
用户管理模块，用于管理用户的信息资料；
课程管理模块，用于管理用户进行学习的课程数据；
训练管理模块，用于管理对警员进行训练的信息。
本发明的有益效果为：
本发明的训练采集综合管理平台，通过在用户平台中设置相应的学习课程模块、参加训练模块及成绩自动评估模块、数据管理模块和个性化智能推荐模块，能够获取用户的实际训练考核数据，并最终获取用户的得分情况，进而获取训练考核结果，并结合当前知识点和其前置知识点的前置需求程度，获取当前知识点的再学习程度；即本发明提出知识的前置联系程度来更新、修正知识的再学习程度，全面考虑了当前节点的前置知识点的学习的必要程度对当前知识点的影响，能够有效地提高用户的训练。
同时，根据动态地调整需求的课程数据，能够更有效地为用户进行课程数据的个性化智能推荐。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：
图1是本发明的一种训练采集综合管理平台实施例一的结构框图；
图2是本发明的一种训练采集综合管理平台实施例二结构示意图；
图3是本发明的一种训练采集综合管理平台的知识链的示意图；
图4是本发明的一种训练采集综合管理平台的学习状态曲线的示意图；
图5是本发明的一种训练采集综合管理平台中的前置知识点的调整示意图；
图6是本发明的一种训练采集综合管理平台中的课程数据选择的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。
本发明提供的一种训练采集综合管理平台的实施例，如图1所示，包括管理平台和用户平台，管理平台与用户平台通信连接；
用户平台，用于获取用户的训练考核数据，并对该训练考核数据进行分析，得到用户后续需要进行学习训练的再学习程度，并将该再学习程度传输至管理平台，管理平台根据用户的再学习程度对相应的模块进行调整、管理，能够实时地对用户的学习训练进行动态调整。
其中，用户平台包括个人基本信息管理模块、学习课程模块、参加训练模块以及成绩自动评估模块、数据管理模块和个性化智能推荐模块；
个人基本信息管理模块，用于存储用户个人的基本信息，当用户进行登陆时，进行用户人员的登陆信息的匹配。
学习课程模块，用于存储用户学习的课程数据；其中的课程数据为警员学习训练数据，多数为视频数据；该警员学习训练数据包括专业知识，专业知识包括体能、警务技能战术等；当然也可以包括理论基础知识，如专业知识手册等，此处不再过多赘述，可以根据用户的实际情况确定。
本实施例中的专业知识，以警务技术战术为例，警务技术战术包括警械使用等多个方面。
参加训练模块及成绩自动评估模块，用于获取用户的实际训练考核数据，并对实际训练考核数据进行分析，获取训练考核的当前知识点，并将训练考核的当前知识点与标准知识点进行比对，获取用户的得分情况。
其中，本实施例中的训练考核的当前知识点的获取方法为：
构建知识点网络，根据构建的知识点网络对训练考核数据进行处理，得到每帧图像对应的语义信息，作为训练完成的知识点网络的输入，输出得到每帧图像对应的知识点，作为训练考核的知识点。
本实施例中构建的知识点网络的训练过程为：
1）获取数据集，数据集为各类训练考核数据中的视频的图像帧；
2）输入为每帧图像的语义信息，其获取方式为：对于教学视频中的每帧图像，提取图像中额空间或黑板上的文字信息，解析得到对应的语义信息；
3）输出为图像帧的对应知识点。
上述的知识点网络采用的损失函数为交叉熵损失函数。
其中的标准知识点与上述的训练考核的知识点的获取方式相同，都是利用构建的知识点网络实现的。
其中参加训练模块及成绩自动评估模块包括若干个小模块，对用户进行多方面的考核数据采集和评估分析；具体地包括：用户执法时的外在情绪采集与评估模块、执法姿态采集与行为规范评估模块、体征及姿态定位模块、姿态采集与成绩评估模块；通过上述模块对数据的采集，最终得到该警员在训练过程中每个知识点的得分情况。本实施例中的训练考核数据包括音频和视频数据。
具体地，以用户为警员为例进行训练考核数据采集介绍：针对警察执法训练与成绩自动评估时受训人员的姿态、行为、情绪和体征感知方面，借助增强现实与虚拟现实相结合的浸入式训练模式，采用接触和非接触式手段，通过生理体征传感器、姿态传感器、体感摄像机、语音传感器和无线定位等采集设备，对受训警察的体征、姿态、动作、表情、语音和位置信息进行高精度实时采集，并基于孪生数字物联网技术，将采集的数据实时传送到用户平台，供成绩自动评估平台对受训警察的警务技能和心理素质进行综合评价。其中的孪生数字物联网技术为现有技术，此处不再过多介绍。
其中的基于音频和视频融合的警察执法外在情绪采集与评估：采用语音识别和面部表情识别相结合的心理状态识别技术，对监所警察在虚拟执法过程中的心理状态特征信息进行采集，结合面部表情、语音情绪、执法用语与专家知识库，构建多模特征融合与交叉验证的深度学习模型，实现警察执法心理状态的准确识别。
其中的基于视觉的警察执法姿态采集与行为规范评估：采用多角度体感摄像机对警察训练过程中的行为姿态信息进行采集，重点研究警察反应控制行为识别技术和动作要领规范评价技术。对警察执法动作要领的规范性进行分析，最终完成执行训练成绩的自动评估。
其中的基于虚拟现实技术的姿态采集与成绩评估：利用虚拟技术交互式设备，综合采用光学式、电磁式等各种人体动作捕捉设备，对受训警察的训练姿态及体征数据进行高精度实时采集；同时设计合理的训练评估体系和评价模型，对执法效果进行评估。
数据管理模块，根据用户的得分情况，获取用户的训练考核结果；其中用户的训练考核结果包括进步空间值和学习效率。
本实施例中的训练考核结果获取的方法为：
A、根据获取的用户当前考核的当前知识点的得分情况，获取当前知识点对应的前n次考核结果序列：
Figure 311666DEST_PATH_IMAGE001
其中，
Figure 706875DEST_PATH_IMAGE031
表示当前知识点第n次考核的得分情况，
Figure 458930DEST_PATH_IMAGE032
表示当前知识点第n次考核 对应的考核分数；
B、按照时序绘制对应的考核结果序列的散点数据，并进行曲线拟合；
C、对拟合的曲线求导，得到除起点和终点外的极值点，并对该极值点相邻两侧的两个数据求均值，将该均值作为该极值点的值，获取处理后的曲线，所述曲线具有单调性；
D、根据处理后的曲线，计算各不同考核次数对应的知识点掌握程度，根据所述知识点掌握程度，计算对应知识点的进步空间值；根据所述知识点掌握程度，绘制学习状态曲线，并获取学习状态曲线的学习效率。
需要说明的是，上述学习状态曲线表示用户在不同时序上对该知识点的掌握情 况，曲线的变化趋势（即考核次数对应位置处的斜率），能反应出用户对当前知识点的学习 效率
Figure 281393DEST_PATH_IMAGE033
；同时根据知识点掌握程度k，能得到其在该知识点上的进步空间度
Figure 486109DEST_PATH_IMAGE034
，即1-k；本发明 设定掌握程度稳定为1时，认为该知识点已经完全掌握。
个性化智能推荐模块，用于根据获取的标准知识点，获取知识链，所述知识链包括编号；根据当前知识点，确定其在知识链中的编号，并确定当前知识点的前置知识点以及编号；根据当前知识点的训练考核结果，获取当前知识点的前置知识点的前置需求程度；并根据前置需求程度和对应知识点的初始再学习程度，确定当前知识点的再学习程度；并将所述再学习程度传输至管理平台。
需要说明的是，本实施例中的前置知识点为当前知识点的前一个知识点，其是学习当前知识点的基础知识点；那么，依次类推，基础知识点也可能存在前置知识点。
本实施例中的知识链的信息，包括知识点的编号，如图3所示。
对知识链中的各知识点，本实施例中还可以按照学习的先后次序划分多个层次，其中第一层次为当前学习的知识点，第二层次为当前学习知识点的前一个知识点，为前置知识点；以此类推，确定第三层次，…，第N层次。具体地，以警械中的警棍为例，上劈击为第一层次知识点，其前置知识为握棍，则握棍为第二层次知识点，继续前置知识为开棍，则开棍为第三层次知识点；需要说明的是，第二层次以及其后对应的所有知识点（如，握棍、开棍），均为当前知识点的前置知识点。
本实施例中的再学习程度为：
Figure 685009DEST_PATH_IMAGE004
其中，
Figure 353888DEST_PATH_IMAGE005
表示当前知识点的初始再学习程度，
Figure 284935DEST_PATH_IMAGE006
分别表示当前知识点的进步 空间值和难易程度，
Figure 39265DEST_PATH_IMAGE035
表示当前知识点对应的前置知识点的前置需求程度，s为影响前置 知识点的上层知识点的个数。
需要说明的是，上述中的
Figure 713959DEST_PATH_IMAGE007
为当前知识点对应的前置知识点的前置需求程度，其 实际上是前置知识点的状态情况是多变的，如图5所示，以编号为7的知识点为例，考虑编号 16对其的前置需求程度，但是编号7可能不只是编号16的前置知识，也可能是其他点的前置 知识。因此，就需要根据前置知识对应的上层知识进行编号7的调整，进而得到编号7最终的 前置需求程度，这样能够更有效地实现后续学习视频的推荐。
其中的初始再学习程度的计算方法为：
首先，获取不同的知识点在训练考核中的重要程度。
本实施例中的重要程度的获取方法，包括如下步骤：
1）统计所有考核训练中对应的知识点的考核程度；
上述中的考核程度是从系统中训练管理模块统计得到各次训练考核中各知识点 的考核分数
Figure 237345DEST_PATH_IMAGE003
。
2） 根据知识点的考核分数，统计各知识点的考核分数出现次数
Figure 667189DEST_PATH_IMAGE036
；
3） 根据统计的考核分数的出现次数，计算对应知识点的出现概率；
Figure 846498DEST_PATH_IMAGE037
其中，
Figure 121621DEST_PATH_IMAGE026
表示该知识点对应的第i个考核分数的出现概率，
Figure 699845DEST_PATH_IMAGE029
为所有考核分数的 总数量；ck为最近邻考核的考核分数的出现次数；
Figure 35012DEST_PATH_IMAGE030
为除去近邻ck次考核后剩余考核分数 中第i个考核分数的数量。
下面以具体的实施例对上述知识点的概率进行介绍：设某一知识点的考核分数分别为：10,12,13,11,13,12,12,13。
则考核得分为12的出现概率为：3/8；
设定最近邻的考核ck为3次，对应的考核分数分别为10,12,13，则认为近期是不会再考核的，所以下次考核该知识点对应的考核分数12的出现概率为：2/5。
上述步骤中，在计算相应知识点的出现概率，由于系统内库存的考核内容有限，除去最近几次考核，可得到其他考核的新的概率；其中去掉最近邻考核次数的因素，能够更符合实际的考核情况，符合生活中的真实场景，且能根据变化的考核情况进行调整，能得到更加准确的概率分布。
4）根据获取的各知识点的出现概率，预测下一次各知识点的考核分数；
Figure 763933DEST_PATH_IMAGE025
其中，
Figure 780431DEST_PATH_IMAGE038
为第i个考核分数，
Figure 278408DEST_PATH_IMAGE039
表示该知识点对应的第i个考核分数的出现概率。
5）对预测的下一次各知识点的考核分数进行归一化处理，得到各知识点的重要程度；
Figure 987738DEST_PATH_IMAGE040
其中，
Figure 938377DEST_PATH_IMAGE041
为第g个知识点对应的重要程度，
Figure 820882DEST_PATH_IMAGE020
为第g个知识点下次考核的估计考核 分数，
Figure 111049DEST_PATH_IMAGE021
为每次考核的总分数，例如常用的满分100分的考核，
Figure 53598DEST_PATH_IMAGE021
为100。
需要说明的是，上述中的考核分数与考核得分是两种不同的物理含义，考核分数是用户在训练考核中考核的知识点在整个考核过程中占的分数；而考核得分则是用户在训练考核中，经过考核，成绩自动评估模块经过比对分析，得到的该用户实际的成绩得分。
其次，根据学习动态曲线估计各知识点的得分率增量。
Figure 429215DEST_PATH_IMAGE022
其中，M为各知识点在稳定期内的考核次数，N为总的考核次数，k n 为第n次考核次数的掌握程度，k n-1为第n-1次考核次数的掌握程度；n取值一般为3。
再者，根据所述考核程度和对应的得分率，得到知识点的初始再学习程度。
其中，初始再学习程度的表达式为：
Figure 849832DEST_PATH_IMAGE023
，
其中，
Figure 322402DEST_PATH_IMAGE042
为第g个知识点的下次考核的得分率增量。
需要说明的是，上述中的初始再学习程度为每个知识点进行再学习的程度，其并不考虑知识点之间存在的相互关系的联系程度。
上述步骤中的前置需求程度的计算公式为：
Figure 373535DEST_PATH_IMAGE043
式中，
Figure 298765DEST_PATH_IMAGE044
为第s个知识点的进步空间值，
Figure 460756DEST_PATH_IMAGE011
为第s个知识点的难易程度，
Figure 522253DEST_PATH_IMAGE045
为
Figure 806604DEST_PATH_IMAGE046
中的最小值，
Figure 156814DEST_PATH_IMAGE047
用于对应两个因素共同正比的逻辑，
Figure 184813DEST_PATH_IMAGE013
的取值范围 均为[0,1]。
本实施例中是按照学习状态曲线，将各知识点的状态分为以下四种情况：
进步空间低，难度低；
进步空间低，难度高；
进步空间高，难度低；
进步空间高，难度高。
将前3种情况划分第一类，第4种情况划分第二类。需要说明的是，进步空间越高其难度越大，则越需要先进行前置知识的学习，其对前置知识的联系程度R越大。
需要说明的是，本发明的前置需求程度是考虑到了当前知识点掌握不好，可能是当前知识的学习问题，还可能是前置知识的问题。同时，当前的知识学习到达瓶颈后，是否有必要更加巩固前置知识。因此，本发明利用了当前知识的前置知识的前置需求程度来更新、修正学习当前知识的再学习程度，这样就能够全面、充分考虑了当前知识点的影响因素，进而为后续的课程学习提供有效的依据。
其中，难易程度u的获取方法为：
1）根据学习状态曲线判断当前知识点的学习状态，所述学习状态包括上升期和稳定期；
上述步骤中，当相邻两次考核的掌握程度对应的学习效率（曲线的斜率）差值连续小于设定阈值时，认为曲线局部稳定，即为对应掌握曲线里稳定的阶段，其他段为上升期，即为知识学习进步明显的阶段。
2）分别统计上升期考核次数和稳定期考核次数，并分别计算上升期的平均学习效率和稳定期的平均学习效率；
3）根据所述上升期考核次数、稳定期考核次数、上升期的平均学习效率和稳定期的平均学习效率，计算难易程度；
其中难易程度为：
Figure 301149DEST_PATH_IMAGE048
变换为：
Figure 490822DEST_PATH_IMAGE014
其中，
Figure 390645DEST_PATH_IMAGE015
为稳定期的考核次数，
Figure 894438DEST_PATH_IMAGE016
为上升期考核次数，
Figure 196107DEST_PATH_IMAGE017
为稳定期的平均学习效 率，
Figure 556681DEST_PATH_IMAGE018
为上升期的平均学习效率。
需要说明的是，为了便于后续计算，同样的量纲，所以需要基于大数据，不同的单调递增掌握曲线，得到对应的难易程度u，而后都归一化到[0,1]。
本发明的方案不仅结合了历史考核数据，也结合了知识的前置性。首先根据历史数据得到知识的进步率，考核程度、得分情况等，计算得到各知识点的再学习程度，而后再根据知识的前置联系程度来更新知识的掌握程度，得到最终的再学习程度，结合知识结构最后得到各知识的推荐优先度。
管理平台，包括课程推荐模块；课程推荐模块用于根据接收到的当前知识点的再学习程度，确定课程视频的推荐内容，完成相应课程数据的个性化智能推荐，并将视频的推荐内容反馈给个性化智能推荐模块，用户能够根据推荐内容进行相应课程视频的学习。
上述步骤中的具体推荐过程为：
1）对再学习程度进行归一化处理，得到各知识点对应的推荐优先度G；
2）根据当前知识点的层级，并判断推荐优先度与设定分段阈值的大小，确定前向选择对应的知识点片段帧。
本实施例中的设定分段阈值与推荐优先度的比较，如下：
当G>0.9，向前3个知识点，得到对应选择框；
当G>0.6，向前2个知识点，得到对应选择框；
当G>0.3，仅自身1个知识点，得到对应选择框。
3）叠加各知识点片段，确定选择的所有知识点（具体见图6）；
4）根据获取的所有知识点，确定所需要学习的课程数据。
进一步地，课程推荐模块还用于利用视频课程知识的连续性进行课程知识链的修正；其中的修正过程为：遍历得到视频中最高层的知识点，判断该知识点在知识链上前面的点是否为所属前置知识点，若不是，则把对应知识点的帧数归为当前知识点；不断判断高层知识点前面的低层知识点是否为前置知识点，进而进行修正。
需要说明的是，步骤二中通过语义信息和网络推理得到了教学视频中每帧教学图像对应的知识点，据此可得到每个教学视频的知识链。
本实施例是考虑到由于语义信息和网络推理得到的结果都不是完全精准的，可能会错误地分析某帧图像的所属知识点，因此要想得到准确无误的视频链，需要根据视频课程对应知识的连续性进行课程知识链的修正。
作为进一步的实施例二，与上述实施例一的不同之处仅在于，本实施例的管理平台还包括用户管理模块、课程管理模块和训练管理模块；
用户管理模块，用于管理用户的信息资料，如增加用户信息或用户信息；
课程管理模块，用于管理用户进行学习的课程资料，如增加课程资料或删减课程资料。
训练管理模块，用于管理对警员进行训练的信息。
需要说明的是，尽管已描述了本发明的优选实施例，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发明范围的所有变更和修改。

Claims (7)

1.一种训练采集综合管理平台，其特征在于，包括管理平台和用户平台，所述管理平台与用户平台通信连接；
用户平台包括学习课程模块、参加训练模块及成绩自动评估模块、数据管理模块和个性化智能推荐模块；
学习课程模块，用于存储用户学习的课程数据；
参加训练模块及成绩自动评估模块，用于获取用户的实际训练考核数据，并对实际训练考核数据进行分析，获取训练考核的当前知识点，并将所述当前知识点与标准知识点进行比对，获取用户的得分情况；
数据管理模块，根据用户的得分情况，获取用户的训练考核结果；所述的训练考核结果包括进步空间值和学习效率；
个性化智能推荐模块，用于根据所述标准知识点，获取知识链；根据所述知识链和当前知识点确定当前知识点的前置知识点；
根据所述前置知识点和所述的训练考核结果，获取当前知识点的前置知识点的前置需求程度；并根据前置需求程度和当前知识点的初始再学习程度，确定当前知识点的再学习程度；并将所述再学习程度传输至管理平台；
管理平台，用于根据接收到的所述再学习程度，确定课程数据的推荐内容，并将所述推荐内容反馈给个性化智能推荐模块，完成相应的课程数据的智能推荐；
所述再学习程度为：
Figure 205074DEST_PATH_IMAGE001
其中，
Figure 387794DEST_PATH_IMAGE002
为当前知识点的初始再学习程度，
Figure 762273DEST_PATH_IMAGE003
分别为当前知识点的进步空间值和难易程度，
Figure 688641DEST_PATH_IMAGE004
表示当前知识点对应的前置知识点的前置需求程度，s为影响前置知识点的上层知识点的个数；
所述前置需求程度
Figure 768592DEST_PATH_IMAGE004
为：
Figure 669683DEST_PATH_IMAGE005
式中，
Figure 202296DEST_PATH_IMAGE006
为第s个知识点的进步空间值，
Figure 932354DEST_PATH_IMAGE007
为第s个知识点的难易程度，
Figure 178397DEST_PATH_IMAGE008
用于对应两个因素共同正比的逻辑，
Figure 437340DEST_PATH_IMAGE009
的取值范围均为[0,1]；
所述初始再学习程度为：
获取不同的知识点在训练考核中的重要程度；所述重要程度为
Figure 270298DEST_PATH_IMAGE010
其中，
Figure 272889DEST_PATH_IMAGE011
为第g个知识点在下次考核的估计考核分数，
Figure 124170DEST_PATH_IMAGE012
为每次考核的总分数，取值100；
根据学习动态曲线估计各知识点的得分率增量；所述得分率增量为
Figure 334441DEST_PATH_IMAGE013
其中，M为各知识点在稳定期内的考核次数，N为总的考核次数，k n 为第n次考核次数的掌握程度，k n-1为第n-1次考核次数的掌握程度；
根据所述考核分数和对应的得分率增量，得到各知识点的初始再学习程度；
所述初始再学习程度的表达式为：
Figure 841645DEST_PATH_IMAGE014
其中，
Figure 444665DEST_PATH_IMAGE015
为第g个知识点的下次考核的得分率增量。
2.根据权利要求1所述的一种训练采集综合管理平台，其特征在于，所述训练考核结果的获取方法为：
A、根据获取的用户当前考核的当前知识点的得分信息，获取当前知识点对应的n次考核结果序列：
Figure 104448DEST_PATH_IMAGE016
其中，
Figure 767510DEST_PATH_IMAGE017
表示当前知识点第n次考核的得分，
Figure 762011DEST_PATH_IMAGE018
表示当前知识点在第n次考核的考核分数；
B、按照时序绘制对应的考核结果序列的散点数据，并进行曲线拟合；
C、对拟合的曲线求导，得到除起点和终点外的极值点，并对该极值点相邻两侧的两个数据求均值，将所述均值作为该极值点的值，获取处理后的曲线，所述曲线具有单调性；
D、根据处理后的曲线，计算各不同考核次数对应的知识点掌握程度，根据所述知识点掌握程度，计算对应知识点的进步空间值；根据所述知识点掌握程度，绘制学习状态曲线，并获取学习状态曲线的学习效率。
3.根据权利要求1所述的一种训练采集综合管理平台，其特征在于，所述难易程度为：
Figure 621251DEST_PATH_IMAGE019
其中，
Figure 447125DEST_PATH_IMAGE020
为稳定期的考核次数，
Figure 749930DEST_PATH_IMAGE021
为上升期考核次数，
Figure 716880DEST_PATH_IMAGE022
为稳定期的平均学习效率，
Figure 130544DEST_PATH_IMAGE023
为上升期的平均学习效率。
4.根据权利要求1所述的一种训练采集综合管理平台，其特征在于，所述估计考核分数为：
Figure 810924DEST_PATH_IMAGE024
其中，
Figure 274179DEST_PATH_IMAGE025
表示该知识点对应的第i个考核分数
Figure 40009DEST_PATH_IMAGE026
的出现概率，
Figure 726206DEST_PATH_IMAGE027
，
Figure 480666DEST_PATH_IMAGE028
为所有考核分数的总数量；ck为最近邻考核的当前知识点的考核分数的出现次数；
Figure 922012DEST_PATH_IMAGE029
为除去近邻ck次考核后剩余考核分数中第i个考核分数的数量。
5.根据权利要求1所述的一种训练采集综合管理平台，其特征在于，所述管理平台包括课程推荐模块，用于确定课程数据的推荐内容，并将所述推荐内容反馈给个性化智能推荐模块，完成相应课程数据的智能推荐。
6.根据权利要求5所述的一种训练采集综合管理平台，其特征在于，所述课程推荐模块，还用于根据课程数据的连续性对所述知识链进行修正。
7.根据权利要求1所述的一种训练采集综合管理平台，其特征在于，所述管理平台还包括用户管理模块、课程管理模块和训练管理模块；
用户管理模块，用于管理用户的信息资料；
课程管理模块，用于管理用户进行学习的课程数据；
训练管理模块，用于管理对警员进行训练的信息。
CN202110828125.3A 2021-07-22 2021-07-22 一种训练采集综合管理平台 Active CN113282840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110828125.3A CN113282840B (zh) 2021-07-22 2021-07-22 一种训练采集综合管理平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110828125.3A CN113282840B (zh) 2021-07-22 2021-07-22 一种训练采集综合管理平台

Publications (2)

Publication Number Publication Date
CN113282840A CN113282840A (zh) 2021-08-20
CN113282840B true CN113282840B (zh) 2021-09-28

Family

ID=77286922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110828125.3A Active CN113282840B (zh) 2021-07-22 2021-07-22 一种训练采集综合管理平台

Country Status (1)

Country Link
CN (1) CN113282840B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689955A (zh) * 2021-08-31 2021-11-23 重庆科华安全设备有限责任公司 一种矿山救护队体能训练管理系统
CN116228012B (zh) * 2023-02-23 2024-01-23 北京奥康达体育科技有限公司 一种智慧化军事体育考核训练管理系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9852648B2 (en) * 2015-07-10 2017-12-26 Fujitsu Limited Extraction of knowledge points and relations from learning materials
CN109919810B (zh) * 2019-01-22 2023-01-24 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
CN112163118A (zh) * 2020-09-28 2021-01-01 北京爱论答科技有限公司 一种用于教学的推荐视频获取方法及装置

Also Published As

Publication number Publication date
CN113282840A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN110267119B (zh) 视频精彩度的评价方法及相关设备
US10671895B2 (en) Automated selection of subjectively best image frames from burst captured image sequences
CN112699774B (zh) 视频中人物的情绪识别方法及装置、计算机设备及介质
CN113282840B (zh) 一种训练采集综合管理平台
KR20200005986A (ko) 얼굴인식을 이용한 인지장애 진단 시스템 및 방법
US11450095B2 (en) Machine learning for video analysis and feedback
US20220237917A1 (en) Video comparison method and apparatus, computer device, and storage medium
CN113207010A (zh) 模型训练方法、直播推荐方法、设备、程序产品
CN114567815B (zh) 一种基于预训练的慕课自适应学习系统构建方法和装置
CN116091836A (zh) 一种多模态视觉语言理解与定位方法、装置、终端及介质
CN114791963A (zh) 基于人工智能的视频推荐方法及系统
Rathi et al. Analysis of user’s learning styles and academic emotions through web usage mining
CN114493944A (zh) 学习路径的确定方法、装置、设备及存储介质
CN117237766A (zh) 一种基于多模态数据的课堂认知投入识别方法和系统
CN114358988B (zh) 基于ai技术的教学方式推送方法及装置
CN111160124A (zh) 一种基于知识重组的深度模型定制方法
CN110852284A (zh) 一种基于虚拟现实环境预测用户专注度的系统及实现方法
CN112560811B (zh) 端到端的音视频抑郁症自动检测研究方法
CN115376214A (zh) 情绪识别方法、装置、电子设备和存储介质
CN111340329B (zh) 演员评估方法、装置及电子设备
JP5931021B2 (ja) 対人認知傾向モデル学習装置、対人認知状態推定装置、対人認知傾向モデル学習方法、対人認知状態推定方法及びプログラム
CN116416097B (zh) 一种基于多维教学模型的教学方法、系统及设备
CN111081095A (zh) 影音教学平台、分析子系统及方法、推荐子系统及方法
Zhao et al. Library intelligent book recommendation system using facial expression recognition
Zhou et al. Deep explanatory polytomous item-response model for predicting idiosyncratic affective ratings

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