CN113704610B - 一种基于学习成长数据的学习风格画像生成方法及系统 - Google Patents
一种基于学习成长数据的学习风格画像生成方法及系统 Download PDFInfo
- Publication number
- CN113704610B CN113704610B CN202110994227.2A CN202110994227A CN113704610B CN 113704610 B CN113704610 B CN 113704610B CN 202110994227 A CN202110994227 A CN 202110994227A CN 113704610 B CN113704610 B CN 113704610B
- Authority
- CN
- China
- Prior art keywords
- learning
- user
- data
- matrix
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 230000006399 behavior Effects 0.000 claims abstract description 77
- 238000012512 characterization method Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 101100497923 Viola odorata Voc1 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 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
- G06F16/953—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于学习成长数据的学习风格画像生成方法及系统。该方法包括步骤:收集学习成长数据,所述学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;将所述学习成长数据进行表征化处理,获得用户行为表征矩阵;将所述用户行为表征矩阵输入到预训练得到的用户特征提取模型中,所述用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;将所述用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像。本发明可以利用多个数据源获取的多维用户行为数据,提升学习者画像的准确性和全面性,驱动教育决策科学化、学习方式个性化、教学管理人性化和评价体系全面化。
Description
技术领域
本发明属于教育信息技术技术领域,更具体地,涉及一种基于学习成长数据的学习风格画像生成方法及系统。
背景技术
随着大数据时代的到来,用户画像技术被广泛应用。用户画像技术是对用户进行画像使其信息标签化。用户画像技术可以帮助企业快速找到用户群体以及用户需求等更为广泛的反馈信息。除此之外,用户画像技术的发展对教育领域也产生了许多影响,基于大数据的精确学情诊断、个性化学习分析和智能决策分析支持,提升了教育品质,帮助教师掌握学生真实学习情况。
现有的用户画像技术中,学习者无法从自己学习历程中的客观数据了解自我学习状态,从而明确自我学习情况。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于学习成长数据的学习风格画像生成方法及系统,可以利用多个数据源获取的多维用户行为数据,提升学习者画像的准确性和全面性,驱动教育决策科学化、学习方式个性化、教学管理人性化和评价体系全面化。
为实现上述目的,按照本发明的第一方面,提供了一种基于学习成长数据的学习风格画像生成方法,包括步骤:
收集学习成长数据,所述学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;
将所述学习成长数据进行表征化处理,获得用户行为表征矩阵;
将所述用户行为表征矩阵输入到预训练得到的用户特征提取模型中,所述用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;
将所述用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像。
优选的,所述多个数据源至少包括线上教学平台用户数据库和线下课堂行为数据库,所述多维用户行为数据至少包括文本类型数据、视频类型数据和音频类型数据。
优选的,所述表征化处理包括步骤:
对文本类型数据进行分词处理,将分词处理后得到的每一个词采用向量表示,各词向量组成为文本表征矩阵;
对视频类型数据进行帧采样,利用卷积神经网络将采样得到的每帧图像进行向量化,各帧图像的向量组成为视频表征矩阵;
对语音类型数据通过预加重、分帧加窗、傅里叶变换处理,获得语音表征矩阵;
将所述文本表征矩阵、所述视频表征矩阵和所述语音表征矩阵进行拼接。
优选的,所述学习特征向量预先定义有表征用户自主学习能力的指标、表征用户问题分析能力的指标、表征用户创新能力的指标、表征用户对国外内容掌握能力的指标、和表征用户道德素养能力的指标。
优选的,所述用户特征提取模型基于卷积神经网络。
优选的,将所述用户行为特征向量矩阵记为M,M中的行表示用户,列表示影响用户学习行为数据因子;
将学习特征向量记为N,N中的行表示学习者学习特点,列表示影响学习者学习特点的学习行为因子;
将相乘后的矩阵记为U,U的元素uij表示学习行为i对学习特点j的评分值。
按照本发明的第二方面,提供了一种基于学习成长数据的学习风格画像生成系统,包括:
第一模块,用于收集学习成长数据,所述学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;
第二模块,用于将所述学习成长数据进行表征化处理,获得用户行为表征矩阵;
第三模块,用于将所述用户行为表征矩阵输入到预训练得到的用户特征提取模型中,所述用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;
第四模块,用于将所述用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像。
按照本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项方法。
总体而言,本发明与现有技术相比,具有有益效果:
1.本发明通过追踪多场域学生行为数据,将学习成长数据进行表征化处理后输入到基于神经网络的用户特征提取模型,并将用户特征提取模型输出的用户行为特征向量矩阵与学习特征向量相乘,从而自动生成了用户学习风格画像,可以提升学习者画像的准确性和全面性,驱动教育决策科学化、学习方式个性化、教学管理人性化和评价体系全面化,具体地,可以将其应用在K12教育中。
2.借助深度神经网络强大的特征提取能力实现了大规模学生特征数据的提取,利用矩阵分解将多维特征映射到每种学习风格,实现每个学生学习风格画像。
3.本发明利用人脸识别技术标识每位学生,根据每位学生的标识提取到其每个阶段的原始数据及画像数据,实现每位学生数据的可溯性。
4.借助此类学习风格画像方法不仅能帮助教育类系统刻画学生学习风格特征,而且能够及时对有问题学生进行溯源。本方法通过与学校和教育类平台合作,检测并记录学习者学习状况,然后通过学生学习分析,监控学习者学习状况并及时提供改进帮助。
附图说明
图1是本发明实施例的学习风格画像生成方法的流程图;
图2是本发明实施例的提取学生用户行为特征向量的神经网络的构造;
图3是本发明实施例的用户行为表征矩阵示意图;
图4是本发明另一实施例的学习风格画像生成方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明实施例的提供了一种学生学习风格画像刻画方法,包括步骤:
S1,收集学习成长数据,学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据。
学习成长数据是表示一段时间内学习过程的数据。
优选的,多个数据源至少包括线上教学平台用户数据库和线下课堂行为数据库,多维用户行为数据至少包括文本类型数据、视频类型数据和音频类型数据。
多维用户行为数据可以是譬如Word、Text的文本、网页、音频、视频、PPT、观看视频时长、作业时长,上课时回答问题的次数、听课时的视线变化、学习过程中的表情、课堂中头部姿态变化以及课下活动中的人体姿态等各种类型数据。
S2,将学习成长数据进行表征化处理,获得用户行为表征矩阵。
用户行为表征矩阵的一个示例如图3所示。
如果提取的是文本信息则需要将提取的文本信息进行分词处理,按照分词前的次序,形成一个有序的词序列。使用语言模型将每个词用对应的向量表示,结合之前生成的词序列,形成一个文本表征矩阵W[w1,w2,w3,…wt]来表示原文本信息。
对视频类型数据进行帧采样,则使用基于卷积神经网络的图像模型将每帧图像向量化,形成一个视频表征矩阵IMG[img1,img2,img3…imgt]来表示每帧图片的信息。
如果是语音信息则通过预加重、分帧加窗、快速傅里叶变换等操作提取其特征形成一个语音表征矩阵VOC[voc1,voc2,voc3…voct]。
将文本表征矩阵、视频表征矩阵和语音表征矩阵进行拼接,得到用户行为表征矩阵。
S3,将用户行为表征矩阵输入到预训练得到的用户特征提取模型中,用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵。
下面以卷积神经网络为例详细说明用户特征提取模型的训练过程。
卷积神经网络作为近期在人工智能领域取得巨大成功的模型,本发明将其引入作为学习主体学习风格画像模型,其示意图详见图2。其作用方法为:表征化处理后的数据形成[3,224,224]的图片作为卷积神经网络输入,再将对应的学习特征作为输出。
卷积神经网络通常由三种模块构成:卷积层、降采样层、全连接层。其中卷积层、全连接层由参数权重矩阵、偏置项与非线性映射函数构成。
卷积神经网络的训练样本是将文本表征矩阵、视频表征矩阵和语音表征矩阵进行拼接后的用户行为表征矩阵,训练样本的标签是[SLA,PAC,IC,IP,MS]。
训练卷积神经网络。其目标函数为均方误差(MSE):
其中,w,b代表了卷积神经网络中的全部参数,即要优化的目标。yi ’表示训练库中第i个学习行为的特征向量,yi表示卷积神经网络的输出值。
S4,将用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像。
本发明使用向量来表示学习者学习行为信息以及学习主体学习特征,将学习行为向量与学生学习特征向量进行相乘,得到对应的学习特征预估值。
学习特征向量预先定义有多个指标及每个指标的权重系数。
优选的,学习特征向量预先定义有表征用户自主学习能力的指标、表征用户问题分析能力的指标、表征用户创新能力的指标、表征用户对国外内容掌握能力的指标、和表征用户道德素养能力的指标,如表1所示。
表1
将用户行为特征向量矩阵记为M,M中的行表示用户,列表示影响用户学习行为数据因子,记M* i表示学生特征矩阵M的第i行学习行为特征向量。
用户行为特征向量矩阵M的一个示例如下:
[[w1,w2,w3,…wt],[img1,img2,img3…imgt],[voc1,voc2,voc3…voct]]
将学习特征向量记为N,N中的行表示学习者学习特点,列表示影响学习者学习特点的学习行为因子,记N* j表示学习特征矩N的第i行学习特征向量。
用户行为特征向量矩阵N的一个示例如下:
[[t,c],[q,e,h],[h,q],[f,v],[p,s]]
将相乘后的矩阵记为U,U的元素uij表示学习行为i对学习特点j的评分值。
用户行为特征向量矩阵U的一个示例如下:
[SLA(0.4),PAC(0.2),IC(0.1),IP(0.15),MS(0.15)]
如图4所示,本发明实施例的基于学习成长数据的学习风格画像生成方法还包括步骤:根据用户学习风格画像判断用户是否达到学习标准,若是,则继续进行数据收集,间隔预设时间后进行下一次的用户画像生成,若否,则查询与该用户有关的数据,分析用户画像未达标的原因。进一步地,还在保存用户数据的数据中心新建分区,存储与该未达标用户画像相关联的数据。进一步地,在进行异常数据保存后,继续进行数据收集,间隔预设时间后进行下一次的用户画像生成,将下一次生成的用户画像与该未达标用户画像进行比较。
进一步地,根据用户画像进行学习资源推荐。
实例:
本发明在某小学开展研究,选取12个同年级的小学一年级班级。其中,6个班级的学生作为实验组,另外6个班级作为对照组。开展实验前,课题组将于校方及参与实验的教师、学生、家长进行沟通,签订相关的志愿协定,保护教师与学生的个人隐私。
实验中对照组和实验组中每个班级的学生人数均控制在40人,教师的综合素质要大致相等。在进行实验前,对所有参与的学生进行人工画像,形成每个学生的学习风格画像报告,然后根据其学习风格画像报告进行重新分班,确保实验组和对照组基本相同。
实验分为三个阶段。第一阶段,对小学六年进行学生学习风格画像和教师干预,分析六年后实验组和对照组的学生学习风格画像差异;第二阶段,根据前六年的数据,为初中老师提供实验组的学生学习风格画像报告,根据老师的要求溯源到每个学生具体时间的问题,并指定初中三年的培养方案,并进行教学行为干预比如纠正其不正确的学习习惯(中午背英语,早上做数学题);第三阶段,根据前九年的数据,制定实验组的培养方案,教师根据自己的判断调整其教学风格以及每个学生的教育方法,最终根据高考成绩和学生学习风格画像的一致与否,评定本方法的有效性。
本发明实施例的一种基于学习成长数据的学习风格画像生成系统,包括:
第一模块,用于收集学习成长数据,学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;
第二模块,用于将学习成长数据进行表征化处理,获得用户行为表征矩阵;
第三模块,用于将用户行为表征矩阵输入到预训练得到的用户特征提取模型中,用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;
第四模块,用于将用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像。
优选的,多个数据源至少包括线上教学平台用户数据库和线下课堂行为数据库,多维用户行为数据至少包括文本类型数据、视频类型数据和音频类型数据。
优选的,表征化处理包括步骤:
对文本类型数据进行分词处理,将分词处理后得到的每一个词采用向量表示,各词向量组成为文本表征矩阵;
对视频类型数据进行帧采样,利用卷积神经网络将采样得到的每帧图像进行向量化,各帧图像的向量组成为视频表征矩阵;
对语音类型数据通过预加重、分帧加窗、傅里叶变换处理,获得语音表征矩阵;
将文本表征矩阵、视频表征矩阵和语音表征矩阵进行拼接。
优选的,学习特征向量预先定义有表征用户自主学习能力的指标、表征用户问题分析能力的指标、表征用户创新能力的指标、表征用户对国外内容掌握能力的指标、和表征用户道德素养能力的指标。
系统的实现原理、技术效果与上述方法类似,此处不再赘述。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于学习成长数据的学习风格画像生成方法,其特征在于,包括步骤:
收集学习成长数据,所述学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;所述多个数据源至少包括线上教学平台用户数据库和线下课堂行为数据库,所述多维用户行为数据至少包括文本类型数据、视频类型数据和音频类型数据;
将所述学习成长数据进行表征化处理,获得用户行为表征矩阵,具体包括:对文本类型数据进行分词处理,将分词处理后得到的每一个词采用向量表示,各词向量组成为文本表征矩阵;对视频类型数据进行帧采样,利用卷积神经网络将采样得到的每帧图像进行向量化,各帧图像的向量组成为视频表征矩阵;对语音类型数据通过预加重、分帧加窗、傅里叶变换处理,获得语音表征矩阵;将所述文本表征矩阵、所述视频表征矩阵和所述语音表征矩阵进行拼接;
将所述用户行为表征矩阵输入到预训练得到的用户特征提取模型中,所述用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;
将所述用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像;具体地,将所述用户行为特征向量矩阵记为M,M中的行表示用户,列表示影响用户学习行为数据因子;将学习特征向量记为N,N中的行表示学习者学习特点,列表示影响学习者学习特点的学习行为因子;将相乘后的矩阵记为U,U的元素uij表示学习行为i对学习特点j的评分值;
其中,所述学习特征向量预先定义有表征用户自主学习能力的指标、表征用户问题分析能力的指标、表征用户创新能力的指标、表征用户对国外内容掌握能力的指标、和表征用户道德素养能力的指标。
2.如权利要求1所述的一种基于学习成长数据的学习风格画像生成方法,其特征在于,所述用户特征提取模型基于卷积神经网络。
3.一种基于学习成长数据的学习风格画像生成系统,其特征在于,包括:
第一模块,用于收集学习成长数据,所述学习成长数据包括从多个数据源获取的用户属性数据和多维用户行为数据;所述多个数据源至少包括线上教学平台用户数据库和线下课堂行为数据库,所述多维用户行为数据至少包括文本类型数据、视频类型数据和音频类型数据;
第二模块,用于将所述学习成长数据进行表征化处理,获得用户行为表征矩阵,具体包括:对文本类型数据进行分词处理,将分词处理后得到的每一个词采用向量表示,各词向量组成为文本表征矩阵;对视频类型数据进行帧采样,利用卷积神经网络将采样得到的每帧图像进行向量化,各帧图像的向量组成为视频表征矩阵;对语音类型数据通过预加重、分帧加窗、傅里叶变换处理,获得语音表征矩阵;将所述文本表征矩阵、所述视频表征矩阵和所述语音表征矩阵进行拼接;
第三模块,用于将所述用户行为表征矩阵输入到预训练得到的用户特征提取模型中,所述用户特征提取模型基于神经网络,并用于输出用户行为特征向量矩阵;
第四模块,用于将所述用户行为特征向量矩阵与学习特征向量相乘,将相乘得到的矩阵作为用户学习风格画像;具体地,将所述用户行为特征向量矩阵记为M,M中的行表示用户,列表示影响用户学习行为数据因子;将学习特征向量记为N,N中的行表示学习者学习特点,列表示影响学习者学习特点的学习行为因子;将相乘后的矩阵记为U,U的元素uij表示学习行为i对学习特点j的评分值;
其中,所述学习特征向量预先定义有表征用户自主学习能力的指标、表征用户问题分析能力的指标、表征用户创新能力的指标、表征用户对国外内容掌握能力的指标、和表征用户道德素养能力的指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994227.2A CN113704610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于学习成长数据的学习风格画像生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110994227.2A CN113704610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于学习成长数据的学习风格画像生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113704610A CN113704610A (zh) | 2021-11-26 |
CN113704610B true CN113704610B (zh) | 2024-03-05 |
Family
ID=78655818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110994227.2A Active CN113704610B (zh) | 2021-08-27 | 2021-08-27 | 一种基于学习成长数据的学习风格画像生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113704610B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010000873A1 (de) * | 2010-01-13 | 2011-08-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 | Kompetenzmanagementsystem, Verfahren zum Betrieb eines Kompetenzmanagementsystems und Computerprogramm |
CN105868317A (zh) * | 2016-03-25 | 2016-08-17 | 华中师范大学 | 一种数字教育资源推荐方法及系统 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN110188978A (zh) * | 2019-04-12 | 2019-08-30 | 淮阴工学院 | 一种基于深度学习的大学生专业推荐方法 |
CN111310057A (zh) * | 2020-03-20 | 2020-06-19 | 张明 | 在线学习挖掘方法、装置、在线学习系统及服务器 |
CN111652291A (zh) * | 2020-05-18 | 2020-09-11 | 温州医科大学 | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 |
CN112001739A (zh) * | 2019-05-27 | 2020-11-27 | 广东小天才科技有限公司 | 一种生成用户学习画像的方法和系统 |
CN112052393A (zh) * | 2020-09-10 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种学习方案推荐方法、装置、设备和存储介质 |
CN112328077A (zh) * | 2020-11-05 | 2021-02-05 | 重庆第二师范学院 | 高校学生行为分析系统、方法、设备及介质 |
CN112528221A (zh) * | 2020-12-05 | 2021-03-19 | 华中师范大学 | 一种基于连续矩阵分解的知识与能力二元追踪方法 |
KR102265573B1 (ko) * | 2020-09-29 | 2021-06-16 | 주식회사 팀기원매스 | 인공지능 기반 입시 수학 학습 커리큘럼 재구성 방법 및 시스템 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI524294B (zh) * | 2014-09-02 | 2016-03-01 | 財團法人資訊工業策進會 | 線上自動化診斷學習風格系統、線上自動化診斷學習風格方法及電腦可讀取之記錄媒體 |
US10509791B2 (en) * | 2016-03-08 | 2019-12-17 | Facebook, Inc. | Statistical feature engineering of user attributes |
WO2018168220A1 (ja) * | 2017-03-14 | 2018-09-20 | 日本電気株式会社 | 学習材推薦方法、学習材推薦装置および学習材推薦プログラム |
-
2021
- 2021-08-27 CN CN202110994227.2A patent/CN113704610B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010000873A1 (de) * | 2010-01-13 | 2011-08-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., 80686 | Kompetenzmanagementsystem, Verfahren zum Betrieb eines Kompetenzmanagementsystems und Computerprogramm |
CN105868317A (zh) * | 2016-03-25 | 2016-08-17 | 华中师范大学 | 一种数字教育资源推荐方法及系统 |
CN108182489A (zh) * | 2017-12-25 | 2018-06-19 | 浙江工业大学 | 一种基于在线学习行为分析的个性化学习推荐方法 |
CN110188978A (zh) * | 2019-04-12 | 2019-08-30 | 淮阴工学院 | 一种基于深度学习的大学生专业推荐方法 |
CN112001739A (zh) * | 2019-05-27 | 2020-11-27 | 广东小天才科技有限公司 | 一种生成用户学习画像的方法和系统 |
CN111310057A (zh) * | 2020-03-20 | 2020-06-19 | 张明 | 在线学习挖掘方法、装置、在线学习系统及服务器 |
CN111652291A (zh) * | 2020-05-18 | 2020-09-11 | 温州医科大学 | 一种基于组稀疏融合医院大数据建立学生成长画像的方法 |
CN112052393A (zh) * | 2020-09-10 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种学习方案推荐方法、装置、设备和存储介质 |
KR102265573B1 (ko) * | 2020-09-29 | 2021-06-16 | 주식회사 팀기원매스 | 인공지능 기반 입시 수학 학습 커리큘럼 재구성 방법 및 시스템 |
CN112328077A (zh) * | 2020-11-05 | 2021-02-05 | 重庆第二师范学院 | 高校学生行为分析系统、方法、设备及介质 |
CN112528221A (zh) * | 2020-12-05 | 2021-03-19 | 华中师范大学 | 一种基于连续矩阵分解的知识与能力二元追踪方法 |
Non-Patent Citations (3)
Title |
---|
Kun Liang.Online Behavior Analysis-Based Student Profile for Intelligent E-Learning.Journal of Electrical and Computer Engineering.2017,第2017卷1-8. * |
基于在线学习平台的资源画像及推荐研究方法——以云课堂为例;彭利园;中国优秀硕士学位论文数据库 社会科学II辑(第002期);第4章第4.1节 * |
基于学习画像的精准个性化学习路径生成性推荐策略研究;师亚飞;彭红超;童名文;;中国电化教育(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113704610A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082269B (zh) | 一种基于大数据的教学规划方法及系统 | |
CN117150151B (zh) | 一种基于大语言模型的错题分析及试题推荐系统和方法 | |
Wang et al. | Attention-based CNN for personalized course recommendations for MOOC learners | |
CN113283488B (zh) | 一种基于学习行为的认知诊断方法及系统 | |
CN110162713A (zh) | 基于卷积神经网络的自适应学习内容推荐方法及系统 | |
WO2022193040A1 (zh) | 一种理科教学系统及其使用方法、计算机可读存储介质 | |
CN116452022A (zh) | 教师教学效果的评价方法、装置及电子设备 | |
Salisbury et al. | A conceptual framework for a knowledge management system | |
CN113704610B (zh) | 一种基于学习成长数据的学习风格画像生成方法及系统 | |
Wang et al. | IFSE-Personalized Quiz Generator and Intelligent Knowledge Recommendation | |
Bataev et al. | Artificial intelligence technologies in higher education institutions: a model of adaptive education | |
Zang et al. | Investigation of web-based teaching and learning by boosting algorithms | |
CN112785039A (zh) | 一种试题作答得分率的预测方法及相关装置 | |
Okamoto et al. | A distance ecological model for individual and collaborative-learning support | |
Monica et al. | The use of schema activation strategy for teaching reading comprehension in EFL contexts: A meta-analysis study | |
Wang | Application of AI Intelligent Learning System in Multimedia Demonstration | |
Save et al. | E-Learning based Evaluation Tool for Performance Improvement in Technical Courses for Higher Education | |
Maya et al. | Extracting Production Style Features of Educational Videos with Deep Learning | |
KR20160116642A (ko) | 디지털 학습 콘텐츠에 대한 과제 기반 태깅 방법 및 시스템 | |
Dong et al. | Analysis of online learning behavior based on clustering algorithm | |
Chauhan et al. | Deep Learning Model to Improve Teaching-Learning Process using Sentiment Analysis | |
Zhang et al. | Transformative Technologies in the Evaluation of a Vocational Education System | |
Qin | Research on Student Classroom Behavior Recognition Based on Computer Vision | |
Wang et al. | Innovation and Evaluation Analysis of English Teaching Mode in Colleges and Universities Based on Wavelet Packet Decomposition | |
Wang et al. | Exploring an approach for grouping through predicting group performance from analysis of learner characteristics |
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 |