CN113434714B - 一种辅助学习装置及方法 - Google Patents

一种辅助学习装置及方法 Download PDF

Info

Publication number
CN113434714B
CN113434714B CN202110806244.9A CN202110806244A CN113434714B CN 113434714 B CN113434714 B CN 113434714B CN 202110806244 A CN202110806244 A CN 202110806244A CN 113434714 B CN113434714 B CN 113434714B
Authority
CN
China
Prior art keywords
user
learning
accounts
level value
value
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
CN202110806244.9A
Other languages
English (en)
Other versions
CN113434714A (zh
Inventor
李东霖
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110806244.9A priority Critical patent/CN113434714B/zh
Publication of CN113434714A publication Critical patent/CN113434714A/zh
Application granted granted Critical
Publication of CN113434714B publication Critical patent/CN113434714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于智能教育技术领域，特别涉及一种辅助学习装置及方法，该辅助学习装置主要包括图像采集模块、时钟模块、学习处理模块、存储模块显示模块，利用深度学习算法确定用户的面部表情进而确定出用户的专注等级，能够根据用户在不用时段的专注等级情况而调整用户的学习难易等级，可针对分析特定用户产生的数据，针对性的生成适用单一个体的学习计划和试题，可以科学地为用户提供学习计划，进而不断激发用户的学习兴趣和积极性。

Description

一种辅助学习装置及方法
技术领域
本发明属于智能教育技术领域，特别涉及一种辅助学习装置及方法。
背景技术
当前教育主要是依靠学校、教育机构、网课教学。学校老师一人带几十位用户，每一位用户都有其特点，不同的性格，适应不同的教学风格，不同的喜好，学力不同，接受能力不同，对于知识点的掌握程度更是大不相同，学校老师的授课内容无法针对每一位用户的特点。教育机构虽然有一对一教学，但并不是一位老师只教一位用户，只是在上课的时间段内一对一教学，一位机构老师同样教授了几位甚至几十位用户，老师精力有限，无法实时掌握用户状态，也无法分毫不差的了解不同用户知识点的掌握情况，科学的根据用户的学习状态、性格、学力情况制作教学计划。网课更是老师对着镜头授课，用户隔着屏幕学习，无法针对每位用户的特点精准教学，而且借助电子产品，孩子们在使用过程中很难聚焦，使整体的学习效率不高。
因此，现有线上或线下的教授与学习模式均存在不同程度的同质性与普遍性，缺乏不同孩子的不同阶段进行针对性教学，学习效率相对低下。
发明内容
为了解决现有的教学方法缺乏针对性、独特性的问题，本发明提供了一种辅助学习的装置，能够根据不同用户的学习状态和学习条件提供出有针对性的学习计划和训练计划。
同时，本发明还提供了利用上述辅助学习装置实现的学习方法。
本申请所采用的技术方案具体为：
一种辅助学习方法，其包括以下步骤：
S1、用户注册，输入个人基本信息，建立用户ID，通过图像采集模块采集用户的学习图像基础信息，生成用户信息数据库Q0；
S2、通过互联网搜索，建立不同表情的面部照片标准库，学习处理模块利用深度学习算法对不同照片的表情进行定义、分类并建立索引，生成面部表情标准数据库Q1；
S3、收集所有的知识点和围绕该知识点相关的试题，建立知识点和试题数据库Q2；
S4、学习处理模块获取知识点和试题数据库Q2中的数据，将知识点按照学历、学习阶段进行分类，并根据教育大纲的知识点顺序进行排序，并以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序，试题的难易等级值D根据互联网络给出的难易等级进行分级，共分为5级，从而得到有序的知识点试题数据库Q3；
S5、学习处理模块根据步骤(S1)中的用户相关信息，获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，遍历知识点并根据不同难度等级占不同比例的原则抽取试题生成测试卷，题型为各学历正式考试中所采用的标准题型且每个题型中的知识点不重复，若知识点足够多则整张试卷中的知识点不重复；
S6、用户通过显示模块对步骤(S5)的测试卷进行答复，显示模块将答复的信息反馈给学习处理模块，学习处理模块根据熟练等级算法确定出用户对知识点和试题的熟练等级值，并获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，并生成用户个人数据库Q4；
S7、用户在使用过程中，利用图像采集模块实时采集用户的眼球位置、面部表情和头部转动幅度，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，确定出用户在某一时间点t时刻的专注等级值，该值包含了专注等级数值和时间数值，将专注等级值存储，生成学习状态数据库Q5；
S8、调用有序的知识点试题数据库Q3、用户个人数据库Q4和学习状态数据库Q5中的数据，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，将熟练等级值低的知识点安排在专注等级值高的时间段进行学习，专注等级值低的时间段巩固熟练等级值高的知识点，进而为用户提供合理的学习与训练方案；将用户作答后的数据存储至Q4，对Q4中的数据实时更新；
S9、重复步骤S7)～S8)，完成用户学习推荐。
进一步限定，所述步骤S1中个人基本信息包括用户的姓名、年龄和学历，所述用户的学习基础信息包括不同测试界面下的用户面部表情变化参数以及用户目光锁定在显示模块范围S内的相关眼球位置变化参数以及目光锁定在显示模块范围S内的相关头部转动幅度。
进一步限定，步骤S5)中遍历知识点并根据不同难度等级占不同比例的原则抽取试题生成测试卷，具体的抽取原则是按照难易等级，5级难度15％，4级难度20％，3级难度30％，2级难度20％，1级难度15％的原则。
进一步限定，所述步骤S6具体为：
6.1)用户通过显示模块对步骤S5的测试卷进行答复，并将答复的信息反馈给学习处理模块；
6.2)每个知识点对应试题都有正确答和平均作答时间tp，平均作答时间是该试题在出处试卷中对应的分数占总分的比值乘以该试卷测试时间；用户答对题目输出分数值C＝1，答错输出分数值C＝0；作答时间t小于tp/3输出P＝4，tp/3≤t≤tp/2输出P＝3，tp/2≤t≤tp输出P＝2，tp＜t输出P＝1，学习处理模块根据熟练等级Z＝CP确定出用户对知识点的熟练等级Z；C为用户作答正确与否所对应的分数值，P为作答时间对应的参数；得到对应试题的熟练等级值z，将每个知识点已经作答试题的熟练等级值取平均值，并四舍五入得到该知识点的熟练等级值Z；
6.3)获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，按照熟练等级值由低到高进行排序，并生成用户个人数据库Q4。
进一步限定，所述步骤S7之前，用户需要重复步骤1；更新用户信息数据库Q0。
进一步限定，所述步骤S7具体为：
7.1)利用图像采集模块实时采集用户的眼球位置，眼球在屏幕范围S内移动输出E＝1，否则输出E＝0；眼球超过8～15秒没有移动输出E＝0；头部活动幅度在规定范围内输出H＝1，否则输出H＝0；
7.2)利用图像采集模块实时采集用户的面部表情，利用步骤S2)的深度学习算法识别用户的表情特征，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，若用户在使用过程中表情专注输出F＝1，否则输出F＝0；
7.3)声纹识别模块采集周围环境声音，声纹无变化，输出V＝0.5；伴随声纹变化，若同一时间面部表情识别输出F＝1、眼球动态输出E＝1且头部活动幅度输出H＝1，则声纹识别模块输出V＝1，否则输出V＝0，旨在分析当外界环境有声音干扰时，用户做出的反应，当外界环境有声音干扰时，声纹识别模块识别出声纹变化，此时用户依然认真学习则输出V＝1；
7.4)以下式确定出用户在某一时间点t时刻的专注等级值a，
a＝E(t)+F(t)+V(t)+H(t)；0≤a≤4；
E(t)是在t时间点上关于眼球在屏幕范围S内移动输出值；
F(t)是在t时间点上关于面部表情识别输出值；
V(t)是在t时间点上关于声纹识别输出值；
H(t)是在t时间点上关于头部转动幅度输出值；
以下式确定出用户在一个学习周期T时间的专注等级值A：
并将A1值进行四舍五入得出A，则0≤A≤4且A为整数；A为在一个学习周期T内的平均专注度值，K为在一个学习周期T内产生a的数据个数，ai为在一个学习周期T内的第i个数据a；
7.5)确定出用户在某一时间点t时刻的专注等级值，该值包含了专注等级数值和时间数值，生成学习状态数据库Q5。
进一步限定，所述步骤S8中将熟练等级值低的知识点重点安排在专注等级值高的时间段进行学习，专注等级值低的时间段重点巩固熟练等级值高的知识点，具体为：
当A＝4时，学习内容的占比如下：熟练等级值Z＝0占比30％，Z＝1占比20％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝4占比10％；
当A＝3时，学习内容的占比如下：熟练等级值Z＝0占比20％，Z＝1占比30％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝3占比10％；
当A＝2时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比20％，Z＝2占比30％，Z＝3占比20％，Z＝4占比10％，未做过的题中难易等级值D＝2占比10％；
当A＝1时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比20％，Z＝3占比30％，Z＝4占比20％，未做过的题中难易等级值D＝1占比10％；
当A＝0时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比10％，Z＝3占比20％，Z＝4占比30％，未做过的题中难易等级值D＝0占比20％；
当初期使用时用户个人数据库Q4里的知识点和试题数据不足，由知识点试题数据库Q3中难易等级值与熟练等级值相对应的试题代替；
其中难度值D＝4对应熟练等级值Z＝0；其中难度值D＝3对应熟练等级值Z＝1；其中难度值D＝2对应熟练等级值Z＝2；其中难度值D＝1对应熟练等级值Z＝3；其中难度值D＝0对应熟练等级值Z＝4。
一种辅助学习装置，用于实现上述辅助学习方法，其包括：
图像采集模块，用于采集学生的面部表情、眼球位置信息和头部转动幅度，并传送给学习处理模块；
时钟模块，用于记录用户学习的时间，并传送给学习处理模块；
学习处理模块，用于接收图像采集模块采集的面部表情、眼球位置信息和头部转动幅度，并结合深度学习算法确定面部表情，确定出用户在某一时间点t时刻的专注等级值a，以及用户在一个学习周期T时间的专注等级值A，能够获取存储模块所存储的所有知识点和大量试题按照难易等级排序并结合用户对知识点的熟练等级进行分类，根据熟练等级算法确定出用户对知识点的熟练等级值，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，为用户提供合理的学习与训练方案，发送给显示模块显示；
存储模块，用于存储用户个人基本信息和图像采集模块所采集的用户学习基础信息以及搜索的面部表情标准数据、知识点和试题数据、根据教育大纲的知识点顺序进行排序，并以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序后的知识点试题数据、用户个人数据、学习状态数据，并提供给学习处理模块；
显示模块，用于接收用户输入的个人信息和用户答题时的输入信息，并将学习处理模块处理后的学习与训练方案显示出来。
进一步限定，还包括声纹识别模块，用于采集周围环境声音，并转化为声音信号传输给学习处理模块。
进一步限定，还包括电源模块，所述电源模块用于向图像采集模块、显示模块、声纹识别模块、时钟模块、学习处理模块提供电信号。
与现有技术相比，本申请的有益效果是：
(1)本申请利用深度学习算法确定用户的面部表情进而确定出用户的专注等级，能够根据用户在不同时段的专注等级情况而调整用户的学习难易等级，可针对分析特定用户产生的数据，针对性的生成适用单一个体的学习计划和试题，进而不断激发用户的学习兴趣和积极性。
(2)本申请可为用户将知识点进行分类，由易到难循序渐进的产生试题供用户作答，并实时统计用户知识点掌握情况更新数据库，能够根据用户的学习情况而适应性调整知识点的难易，可以科学地为用户提供学习计划。
(3)本申请可使学生家长实时掌握学生学习状态，以更好地做到家校共育，帮助用户学习。
(4)本申请可以实时分析出用户对于各个知识点的掌握情况，使用户在学习时有的放矢，使老师在授课时精准授课。
(5)本申请将熟练等级分为5个等级，比较传统教育中提倡的错题本，更加精确的反映了对于每道题每个知识点的掌握程度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请的辅助学习装置结构框架图。
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，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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，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装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为该装置所固有的要素。
现结合附图和实施例对本申请的技术方案进行进一步说明。
参见图1，本实施例提供的一种辅助学习装置，其包括：
图像采集模块，用于采集学生的面部表情和眼球位置信息和头部转动幅度，并传送给学习处理模块；
时钟模块，用于记录用户学习的时间，并传送给学习处理模块；
学习处理模块，用于接收图像采集模块采集的面部表情、眼球位置信息和头部转动幅度，并结合深度学习算法确定面部表情，确定出用户在某一时间点t时刻上的专注等级值a，以及用户在一个学习周期T时间的专注等级值A，能够获取存储模块所存储的所有知识点和大量试题按照难易等级排序并结合用户对知识点的熟悉等级进行分类，根据熟练等级算法确定出用户对知识点的熟练等级值，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，为用户提供合理的学习与训练方案，发送给显示模块显示；
存储模块，用于存储用户个人基本信息和图像采集模块所采集的用户学习基础信息以及搜索的面部表情标准数据、知识点和试题数据、根据教育大纲的知识点顺序进行排序，并以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序后的知识点试题数据、用户个人数据、学习状态数据，并提供给学习处理模块；
显示模块，用于接收用户输入的个人信息和用户答题时的输入信息并将学习处理模块处理后的学习与训练方案显示出来。
声纹识别模块，用于采集周围环境声音，并转化为声音信号传输给学习处理模块。
电源模块，用于向图像采集模块、声纹识别模块、时钟模块、学习处理模块提供电信号。
用上述辅助学习装置可以实现辅助学习方法，具体的实现步骤为：
S1、用户注册，输入个人基本信息，如姓名、年龄、学历、学习阶段等，建立用户ID，通过图像采集模块采集用户的学习基础信息，不同测试界面下的用户面部表情变化参数以及用户目光锁定在显示模块范围S内的相关眼球位置变化参数，即初次使用本设备时，根据设备提示用户看向本设备的边界，机器视觉采集眼球位置构成基础数据，如数据可由四个角和四条边的中点，共8组数据构成，确定用户目光锁定在显示屏中的范围S，生成用户信息数据库Q0，其中包含范围S和面部特征F；
S2、通过互联网搜索，建立不同表情的面部照片标准库，学习处理模块利用深度学习算法对不同照片的表情进行定义、分类(如分为专注、不专注，也可以按照其他的分类原则进行分类)，并建立索引，生成面部表情标准数据库Q1；
S3、通过公共的教育网站或者互联网信息收集尽可能全面的所有知识点和围绕该知识点相关的试题以及试题对应的平均作答时间建立知识点和试题数据库Q2；平均作答时间是该试题在出处试卷中对应的分数占总分的比值乘以测试时间。
S4、学习处理模块获取知识点和试题数据库Q2中的数据，将知识点按照学历、学习阶段(或章节)进行分类并建立索引，并根据教育大纲的知识点顺序进行排序，以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序，试题的难易等级值D根据互联网络给出的难易等级进行分级，共分为5级，0为易，1为较易，2为中档，3为较难，4为难，从而得到有序的知识点试题数据库Q3；
S5、学习处理模块根据步骤(S1)中的用户相关信息，获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，遍历知识点并根据5级难度15％，4级难度20％，3级难度30％，2级难度20％，1级难度15％的原则抽取试题生成测试卷，题型为各学历正式考试中所采用的标准题型且每个题型中的知识点不重复，若知识点足够多则整张试卷中的知识点不重复；
S6、用户通过显示模块对步骤(S5)的测试卷进行答复，显示模块将答复的信息反馈给学习处理模块，学习处理模块根据熟练等级算法确定出用户对知识点和试题的熟练等级值，并获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，并生成用户个人数据库Q4；
具体为：
6.1)用户通过显示模块对步骤S5的测试卷进行答复，并将答复的信息反馈给学习处理模块；
6.2)每个知识点对应试题都有正确答和平均作答时间tp，平均作答时间是该试题在出处试卷中对应的分数占总分的比值乘以该试卷测试时间；用户答对题目输出分数值C＝1，答错输出分数值C＝0；作答时间t小于tp/3输出P＝4，tp/3≤t≤tp/2输出P＝3，tp/2≤t≤tp输出P＝2，tp＜t输出P＝1，学习处理模块根据熟练等级Z＝CP确定出用户对知识点的熟练等级Z；C为用户作答正确与否所对应的分数值，P为作答时间对应的参数；得到对应试题的熟练等级值z，将每个知识点已经作答试题的熟练等级值取平均值，并四舍五入得到该知识点的熟练等级值Z；
6.3)获取步骤(S4)的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，按照熟练等级值由低到高进行排序，并生成用户个人数据库Q4。
S7、用户在使用过程中，利用图像采集模块实时采集用户的眼球位置、面部表情和头部转动幅度，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，确定出用户在某一时间点t时刻上的专注等级值，该值包含了专注等级数值和时间数值，将专注等级值存储，生成学习状态数据库Q5；具体为：
7.1)利用图像采集模块实时采集用户的眼球位置，眼球在屏幕范围S内移动输出E＝1，否则输出E＝0；眼球超过8～15秒(优选10秒)没有移动输出E＝0，n为自然数；头部活动幅度在规定范围内输出H＝1，否则输出H＝0；
7.2)利用图像采集模块实时采集用户的面部表情，利用步骤S2)的深度学习算法识别用户的表情特征，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，若用户在使用过程中表情专注输出F＝1，否则输出F＝0；
7.3)声纹识别模块采集周围环境声音，声纹无变化，输出V＝0.5；伴随声纹变化，若同一时间面部表情识别输出F＝1、眼球动态输出E＝1且头部活动幅度输出H＝1，则声纹识别模块输出V＝1，否则输出V＝0；旨在分析当外界环境有声音干扰时，用户做出的反应，当外界环境有声音干扰时，声纹识别模块识别出声纹变化，此时用户依然认真学习则输出V＝1；
7.4)以下式确定出用户在某一时间点t时刻上的专注等级值a，
a＝E(t)+F(t)+V(t)+H(t)；0≤a≤4；
E(t)是在t时间点上关于眼球在屏幕范围S内移动输出值；
F(t)是在t时间点上关于面部表情识别输出值；
V(t)是在t时间点上关于声纹识别输出值；
H(t)是在t时间点上关于头部转动幅度输出值；
以下式确定出用户在一个学习周期T时间的专注等级值A：
并将A1值进行四舍五入得出A，则0≤A≤4且A为整数；A为在一个学习周期T内的平均专注度值，K为在一个学习周期T内产生a的数据个数，ai为在一个学习周期T内的第i个数据a；
7.5)确定出用户在某一时间点t时刻上的专注等级值，该值包含了专注等级数值和时间数值，生成学习状态数据库Q5。
S8、调用有序的知识点试题数据库Q3、用户个人数据库Q4和学习状态数据库Q5中的数据，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，将熟练等级值低的知识点安排在专注等级值高的时间段进行学习，专注等级值低的时间段巩固熟练等级高值的知识点，进而为用户提供合理的学习与训练方案；将用户作答后的数据存储至Q4，对Q4中的数据实时更新；
步骤S8中将熟练等级低的知识点重点安排在专注等级高的时间段进行学习，专注等级低的时间段重点巩固熟练等级高的知识点，具体为：
当A＝4时，学习内容的占比如下：熟练等级值Z＝0占比30％，Z＝1占比20％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝4占比10％；
当A＝3时，学习内容的占比如下：熟练等级值Z＝0占比20％，Z＝1占比30％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝3占比10％；
当A＝2时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比20％，Z＝2占比30％，Z＝3占比20％，Z＝4占比10％，未做过的题中难易等级值D＝2占比10％；
当A＝1时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比20％，Z＝3占比30％，Z＝4占比20％，未做过的题中难易等级值D＝1占比10％；
当A＝0时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比10％，Z＝3占比20％，Z＝4占比30％，未做过的题中难易等级值D＝0占比20％；
当初期使用时用户个人数据库Q4里的知识点和试题数据不足，由知识点试题数据库Q3中难易等级值与熟练等级值相对应的试题代替；
其中难度值D＝4对应熟练等级值Z＝0；其中难度值D＝3对应熟练等级值Z＝1；其中难度值D＝2对应熟练等级值Z＝2；其中难度值D＝1对应熟练等级值Z＝3；其中难度值D＝0对应熟练等级值Z＝4。S9、步骤7)～8)，完成用户学习推荐。
为了保证能够用户个人信息的实时更新，在步骤S7使用之前，用户需要重复步骤1)～4)的操作，迭代更新各数据库，建立用户ID不需要重复，保证推荐的学习内容能够更好的切合用户的学习状况，保证学习效率和学习兴趣。
以用户为小学一年级学生为例举例说明。
辅助该小学生学习的方法主要包括以下步骤：)根据界面提示完成注册，其中包含了用户名：小明；密码******；性别：男；年龄：8岁；学历：二年级、上学期、第八单元；注册成功后系统生成用户信息数据库Q0；
1、用户输入账号密码进入测试界面，用户根据屏幕提示，看向屏幕中的边界位置。系统通过摄像头采集眼球的移动区域以及头部的摆动幅度，确定出用户在视线在规定范围S内的眼球动作范围，以及头部摆动幅度。并将数据存储进用户信息数据库Q0；
2、用户根据界面显示的文字、图片信息和设备播放的语音信息，回答问题，摄像头采集用户的面部表情，并完成面部识别。并将数据存储进用户信息数据库Q0；
3、完成测试后，系统将根据数据库Q0中的用户信息，由已经建立好的知识点与试题数据库Q3中调用二年级上学期前八章的知识点，分别为(1)长度单位；(2)100以内的加法和减法；(3)角的初步认识；(4)表内乘法；(5)观察物体；(6)表内乘法；(7)认识时间；(8)数学广角——搭配，以及每个大知识点中包含的小知识点不再此处列举。根据每个知识点一道题，5级难度15％，4级难度20％，3级难度30％，2级难度20％，1级难度15％的原则抽取试题生成测试卷；
4、用户作答时，时钟模块记录用户作答起始时间点、每道题的答题时间和总使用时间。用户作答后，显示模块将答复的信息反馈给系统，根据6.2中的算法确定出用户对知识点和试题的熟练等级值，从而确定用户对每个知识点的掌握情况，并生成用户个人数据库Q4，将测试过的知识点与知识点对应的所有试题存储至Q4，知识点内的试题，熟练等级值越低，则知识点的熟练等级值越低，(知识点的熟练等级值Z为以作答的试题熟练等级值z的平均值，并将数值四舍五入)，反之亦然；将知识点按照熟练等级值Z由小到大进行排序，再将知识点内的试题按照熟练等级值z由小到大进行排序。同时摄像头模块实时采集眼球位置、头部摆动幅度和面部表情并将信息反馈给系统，得出每个时间点上的专注等级值a(其中包含专注等级数值和时间数据)保存至学习状态数据库Q5；
5、再次学习时，时钟模块确定开始学习时间，系统由数据库Q5中调取开始时间到一个学习周期T时间段上的所有专注等级值a求和，取平均值并四舍五入得到用户在一个学习周期T时间的专注等级值A，并根据下述原则出题；
当A＝4时，学习内容的占比如下：熟练等级值Z＝0占比30％，Z＝1占比20％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝4占比10％；
当A＝3时，学习内容的占比如下：熟练等级值Z＝0占比20％，Z＝1占比30％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝3占比10％；
当A＝2时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比20％，Z＝2占比30％，Z＝3占比20％，Z＝4占比10％，未做过的题中难易等级值D＝2占比10％；
当A＝1时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比20％，Z＝3占比30％，Z＝4占比20％，未做过的题中难易等级值D＝1占比10％；
当A＝0时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比10％，Z＝3占比20％，Z＝4占比30％，未做过的题中难易等级值D＝0占比20％；
6、若因初期学习Q5中数据不完善，时钟模块确定开始学习时间，Q5中没有开始时间到一个学习周期时间段上的所有专注等级值a，则根据A＝2安排学习计划，并补充这一时段的数据存入Q5；
7、当初期使用时用户个人数据库Q4里的知识点和试题数据不足，由知识点试题数据库Q3中难易等级值与熟练等级值相对应的试题代替；
其中难度值D＝4对应熟练等级值Z＝0；其中难度值D＝3对应熟练等级值Z＝1；其中难度值D＝2对应熟练等级值Z＝2；其中难度值D＝1对应熟练等级值Z＝3；其中难度值D＝0对应熟练等级值Z＝4；
每次学习过程中都将重复5、6中的过程，将数据存储到Q4和Q5中。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种辅助学习方法，其特征在于，包括以下步骤：
S1、用户注册，输入个人基本信息，建立用户ID，通过图像采集模块采集用户的学习图像基础信息，生成用户信息数据库Q0；
S2、通过互联网搜索，建立不同表情的面部照片标准库，学习处理模块利用深度学习算法对不同照片的表情进行定义、分类并建立索引，生成面部表情标准数据库Q1；
S3、收集所有的知识点和围绕该知识点相关的试题，建立知识点和试题数据库Q2；
S4、学习处理模块获取知识点和试题数据库Q2中的数据，将知识点按照学历、学习阶段进行分类，并根据教育大纲的知识点顺序进行排序，并以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序，试题的难易等级值D根据互联网络给出的难易等级进行分级，共分为5级，从而得到有序的知识点试题数据库Q3；
S5、学习处理模块根据步骤S1中的用户相关信息，获取步骤S4的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，遍历知识点并根据不同难度等级占不同比例的原则抽取试题生成测试卷，题型为各学历正式考试中所采用的标准题型且每个题型中的知识点不重复，且整张试卷中的知识点不重复；
S6、用户通过显示模块对步骤S5的测试卷进行答复，显示模块将答复的信息反馈给学习处理模块，学习处理模块根据熟练等级算法确定出用户对知识点和试题的熟练等级值，并获取步骤S4的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，并生成用户个人数据库Q4；
S7、用户在使用过程中，利用图像采集模块实时采集用户的眼球位置、面部表情和头部转动幅度，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，确定出用户在某一时间点t时刻的专注等级值，该值包含了专注等级数值和时间数值，将专注等级值存储，生成学习状态数据库Q5；
S8、调用有序的知识点试题数据库Q3、用户个人数据库Q4和学习状态数据库Q5中的数据，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，将熟练等级值低的知识点安排在专注等级值高的时间段进行学习，专注等级值低的时间段巩固熟练等级值高的知识点，进而为用户提供合理的学习与训练方案；将用户作答后的数据存储至Q4，对Q4中的数据实时更新；
S9、重复步骤S7～S8，完成用户学习推荐。
2.根据权利要求1所述的辅助学习方法，其特征在于，所述步骤S1中个人基本信息包括用户的姓名、年龄和学历，所述用户的学习基础信息包括不同测试界面下的用户面部表情变化参数以及用户目光锁定在显示模块显示范围s内的相关眼球位置变化参数以及目光锁定在显示模块显示范围s内的相关头部转动幅度。
3.根据权利要求2所述的辅助学习方法，其特征在于，步骤S5中遍历知识点并根据不同难度等级占不同比例的原则抽取试题生成测试卷，具体的抽取原则是按照难易等级，5级难度15％，4级难度20％，3级难度30％，2级难度20％，1级难度15％的原则。
4.根据权利要求1所述的辅助学习方法，其特征在于，所述步骤S6具体为：
S6.1、用户通过显示模块对步骤S5的测试卷进行答复，并将答复的信息反馈给学习处理模块；
S6.2、每个知识点对应试题都有正确答和平均作答时间tp，平均作答时间是该试题在出处试卷中对应的分数占总分的比值乘以该试卷测试时间；用户答对题目输出分数值C＝1，答错输出分数值C＝0；作答时间t小于tp/3输出P＝4，tp/3≤t≤tp/2输出P＝3，tp/2≤t≤tp输出P＝2，tp＜t输出P＝1，学习处理模块根据熟练等级Z＝CP确定出用户对知识点的熟练等级Z；C为用户作答正确与否所对应的分数值，P为作答时间对应的参数；得到对应试题的熟练等级值z，将每个知识点已经作答试题的熟练等级值取平均值，并四舍五入得到该知识点的熟练等级值Z；
S6.3、获取步骤S4的有序的知识点试题数据库Q3中所存储的相关知识点和对应试题，根据用户对各知识点和试题的熟练等级值将对应的知识点以及试题进行排序，按照熟练等级值由低到高进行排序，并生成用户个人数据库Q4。
5.根据权利要求1所述的辅助学习方法，其特征在于，所述步骤S7之前，用户需要重复步骤S1；更新用户信息数据库Q0。
6.根据权利要求1所述的辅助学习方法，其特征在于，所述步骤S7具体为：
S7.1、利用图像采集模块实时采集用户的眼球位置，眼球在显示模块显示范围s内移动输出E＝1，否则输出E＝0；眼球超过8～15秒没有移动输出E＝0；头部活动幅度在规定范围内输出H＝1，否则输出H＝0；
S7.2、利用图像采集模块实时采集用户的面部表情，利用步骤S2的深度学习算法识别用户的表情特征，并与用户信息数据库Q0和面部表情标准数据库Q1中的参数进行对照，若用户在使用过程中表情专注输出F＝1，否则输出F＝0；
S7.3、声纹识别模块采集周围环境声音，声纹无变化，输出V＝0.5；伴随声纹变化，若同一时间面部表情识别输出F＝1、眼球动态输出E＝1且头部活动幅度输出H＝1，则声纹识别模块输出V＝1，否则输出V＝0，旨在分析当外界环境有声音干扰时，用户做出的反应，当外界环境有声音干扰时，声纹识别模块识别出声纹变化，此时用户依然认真学习则输出V＝1；
S7.4、以下式确定出用户在某一时间点t时刻的专注等级值a，
a＝E(t)+F(t)+V(t)+H(t)；0≤a≤4；
E(t)是在t时间点上关于眼球在显示模块显示范围s内移动输出值；
F(t)是在t时间点上关于面部表情识别输出值；
V(t)是在t时间点上关于声纹识别输出值；
H(t)是在t时间点上关于头部转动幅度输出值；
以下式确定出用户在一个学习周期T时间的专注等级值A：
并将A1值进行四舍五入得出A，则0≤A≤4且A为整数；A为在一个学习周期T内的平均专注度值，K为在一个学习周期T内产生a的数据个数，ai为在一个学习周期T内的第i个数据a；
S7.5、确定出用户在某一时间点t时刻的专注等级值，该值包含了专注等级数值和时间数值，生成学习状态数据库Q5。
7.根据权利要求1～6任一项所述的辅助学习方法，其特征在于，所述步骤S8中将熟练等级值低的知识点重点安排在专注等级值高的时间段进行学习，专注等级值低的时间段重点巩固熟练等级值高的知识点，具体为：
当A＝4时，学习内容的占比如下：熟练等级值Z＝0占比30％，Z＝1占比20％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝4占比10％；
当A＝3时，学习内容的占比如下：熟练等级值Z＝0占比20％，Z＝1占比30％，Z＝2占比20％，Z＝3占比10％，Z＝4占比10％，未做过的题中难易等级值D＝3占比10％；
当A＝2时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比20％，Z＝2占比30％，Z＝3占比20％，Z＝4占比10％，未做过的题中难易等级值D＝2占比10％；
当A＝1时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比20％，Z＝3占比30％，Z＝4占比20％，未做过的题中难易等级值D＝1占比10％；
当A＝0时，学习内容的占比如下：熟练等级值Z＝0占比10％，Z＝1占比10％，Z＝2占比10％，Z＝3占比20％，Z＝4占比30％，未做过的题中难易等级值D＝0占比20％；
当初期使用时用户个人数据库Q4里的知识点和试题数据不足，由知识点试题数据库Q3中难易等级值与熟练等级值相对应的试题代替；
其中难度值D＝4对应熟练等级值Z＝0；其中难度值D＝3对应熟练等级值Z＝1；其中难度值D＝2对应熟练等级值Z＝2；其中难度值D＝1对应熟练等级值Z＝3；其中难度值D＝0对应熟练等级值Z＝4。
8.一种实现权利要求7所述的辅助学习方法的辅助学习装置，其特征在于，包括：
图像采集模块，用于采集学生的面部表情、眼球位置信息和头部转动幅度，并传送给学习处理模块；
时钟模块，用于记录用户学习的时间，并传送给学习处理模块；
学习处理模块，用于接收图像采集模块采集的面部表情、眼球位置信息和头部转动幅度，并结合深度学习算法确定面部表情，确定出用户在某一时间点t时刻的专注等级值a，以及用户在一个学习周期T时间的专注等级值A，能够获取存储模块所存储的所有知识点和大量试题按照难易等级排序并结合用户对知识点的熟练等级进行分类，根据熟练等级算法确定出用户对知识点的熟练等级值，以每时段下用户对应的专注等级值A与熟练等级值Z、知识点难易等级值D进行匹配，为用户提供合理的学习与训练方案，发送给显示模块显示；
存储模块，用于存储用户个人基本信息和图像采集模块所采集的用户学习基础信息以及搜索的面部表情标准数据、知识点和试题数据、根据教育大纲的知识点顺序进行排序，并以知识点为属性将对应的试题分为若干大类，再根据不同题型分类，最后将分类后的试题由难到易进行重新排序后的知识点试题数据、用户个人数据、学习状态数据，并提供给学习处理模块；
显示模块，用于接收用户输入的个人信息和用户答题时的输入信息，并将学习处理模块处理后的学习与训练方案显示出来。
9.根据权利要求8所述的辅助学习装置，其特征在于，还包括声纹识别模块，用于采集周围环境声音，并转化为声音信号传输给学习处理模块。
10.根据权利要求9所述的辅助学习装置，其特征在于，还包括电源模块，所述电源模块用于向图像采集模块、显示模块、声纹识别模块、时钟模块、学习处理模块提供电信号。
CN202110806244.9A 2021-07-16 2021-07-16 一种辅助学习装置及方法 Active CN113434714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110806244.9A CN113434714B (zh) 2021-07-16 2021-07-16 一种辅助学习装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110806244.9A CN113434714B (zh) 2021-07-16 2021-07-16 一种辅助学习装置及方法

Publications (2)

Publication Number Publication Date
CN113434714A CN113434714A (zh) 2021-09-24
CN113434714B true CN113434714B (zh) 2024-04-05

Family

ID=77760766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110806244.9A Active CN113434714B (zh) 2021-07-16 2021-07-16 一种辅助学习装置及方法

Country Status (1)

Country Link
CN (1) CN113434714B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI789234B (zh) * 2022-02-08 2023-01-01 十八豆教育科技有限公司 學習效果評測系統
CN115689824B (zh) * 2022-10-26 2023-09-05 读书郎教育科技有限公司 一种基于智慧课堂的测试题动态分级系统及分级方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056996A (zh) * 2016-08-23 2016-10-26 深圳市时尚德源文化传播有限公司 一种多媒体交互教学系统及方法
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
CN109032139A (zh) * 2018-07-25 2018-12-18 云南中商正晓农业科技有限公司 智慧式自动跟随学生箱包及其控制系统和商业模式
WO2019095447A1 (zh) * 2017-11-17 2019-05-23 深圳市鹰硕技术有限公司 一种具有远程评价功能的跟随教学方法
CN110931111A (zh) * 2019-11-27 2020-03-27 昆山杜克大学 基于虚拟现实及多模态信息的孤独症辅助干预系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017025046A1 (zh) * 2015-08-13 2017-02-16 马正方 一种基于知识点结构的题库系统
CN106056996A (zh) * 2016-08-23 2016-10-26 深圳市时尚德源文化传播有限公司 一种多媒体交互教学系统及方法
CN106599089A (zh) * 2016-11-23 2017-04-26 广东小天才科技有限公司 一种基于知识点的试题推荐方法及装置、用户设备
WO2019095447A1 (zh) * 2017-11-17 2019-05-23 深圳市鹰硕技术有限公司 一种具有远程评价功能的跟随教学方法
CN109032139A (zh) * 2018-07-25 2018-12-18 云南中商正晓农业科技有限公司 智慧式自动跟随学生箱包及其控制系统和商业模式
CN110931111A (zh) * 2019-11-27 2020-03-27 昆山杜克大学 基于虚拟现实及多模态信息的孤独症辅助干预系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于面部表情的学习困惑自动识别法;江波;李万健;李芷璇;叶韵;;开放教育研究;20180805(第04期);103-110 *
多维度特征融合的教学行为智能分析模式构建;赵刚;朱文娟;胡碧灵;夏青;刘闪;初洁;;电化教育研究;20201001(第10期);38-46 *

Also Published As

Publication number Publication date
CN113434714A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113434714B (zh) 一种辅助学习装置及方法
CN109919434A (zh) 一种基于深度学习的教师课堂表现智能评价方法
CN107133303A (zh) 用于输出信息的方法和装置
JP2009540357A (ja) 問題銀行と動画像講義とが連動したオンライン教育方法
Sophia et al. Edubot-a chatbot for education in covid-19 pandemic and vqabot comparison
CN112163162A (zh) 基于人像识别的选修课程推荐方法、存储介质及电子设备
CN112149994A (zh) 一种基于统计分析的英语个人能力追踪学习系统
CN109754653A (zh) 一种个性化教学的方法及系统
CN117037552A (zh) 智慧课堂交互系统及方法
Ray et al. Design and implementation of technology enabled affective learning using fusion of bio-physical and facial expression
CN114885216A (zh) 习题推送方法、系统、电子设备和存储介质
CN117076782B (zh) 在线学习平台的课程推荐方法、装置、计算机设备及介质
CN112784154B (zh) 一种带有数据增强的线上教学推荐系统
CN109255994A (zh) 一种外语教学自适应学习方法及计算机可读存储介质
CN109447050B (zh) 一种在线课堂用户情绪可视化系统
CN113837010A (zh) 一种教育评估系统及方法
CN117830045B (zh) 基于大数据的幼儿教育智慧教学系统及方法
Hui Computer assisted design and implementation of diagnostic evaluation model in online test
Makharia et al. AI Tutor Enhanced with Prompt Engineering and Deep Knowledge Tracing
CN116403446A (zh) 基于文本驱动的数字人教育方法
Kim et al. A study on the perception of foreign undergraduates on online lecture
Harunasari et al. The Art of Questioning in Online Learning: Effective Questioning Strategies in EFL Reading Class
Hasibuan et al. Utilizing Clustering Algorithms to Provide Vark Learning Style Recommendations
CN116151242B (zh) 一种编程学习场景的智能习题推荐方法、系统及储存介质
CN118734955A (zh) 多模态知识图谱处理方法、系统、电子设备及存储介质

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