CN114020929B - 一种基于课程知识图谱的智慧教育系统平台设计方法 - Google Patents
一种基于课程知识图谱的智慧教育系统平台设计方法 Download PDFInfo
- Publication number
- CN114020929B CN114020929B CN202111292746.0A CN202111292746A CN114020929B CN 114020929 B CN114020929 B CN 114020929B CN 202111292746 A CN202111292746 A CN 202111292746A CN 114020929 B CN114020929 B CN 114020929B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- course
- student
- knowledge graph
- graph
- 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 32
- 238000013461 design Methods 0.000 title claims description 12
- 230000003993 interaction Effects 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000009960 carding Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000007596 consolidation process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 241000288105 Grus Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004321 preservation Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000195940 Bryophyta Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000011929 mousse Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer 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
- G06F16/30—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
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
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)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于课程知识图谱的智慧教育系统平台设计方法，包括如下步骤：步骤一、搭建学生端和教师端，以及构建服务器端；步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；步骤三、构建知识图谱，根据课程的大纲要求、PPT课件以及课本内容梳理课程的知识图谱，并根据学生对于课程知识单元的掌握程度对知识图谱进行可视化，将构建的知识图谱存储在服务器端的数据库中；步骤四、构建预测模块，将预测模块部署在服务器端；步骤五、构建学习推荐模块，通过知识图谱为学生用户提供个性化推荐的学习路线，并且智能生成不同难度的试卷。
Description
技术领域
本发明属于智慧教育系统与机器学习技术交叉领域，是一种基于课程知识图谱的智慧教育系统平台设计方法。
背景技术
随着我国教育信息化的快速发展，现代信息技术在教育和课程教学等各个方面都有了广阔的应用。教育信息化是国家信息化的重要组成部分，对于转变教育思想和观念，深化教育改革，提高教育质量和效益，培养创新人才具有深远的意义，是实现教育跨越式发展的必然选择。因此，开发一种能够用于补充线下教学的线上智慧教育系统平台显得尤为的重要。在过去的几年里，有很多大型的公司以及学校都建立了线上教学平台，其中最出名的比如中国大学MOOC(慕课)学习平台。但是由于类似的平台仅仅提供课程视频进行学习，导致很多学生对课程根本不了解，也不了解自身的学习情况，最终打消了很多学生的学习积极性。因此，迫切需要建立一种具有智能追踪辅助的教学平台，来适应不同学生的学习状况，并对其有针对性的推荐和预测。
近年来，随着计算机科学技术的飞速发展，利用教育大数据对学生学习知识状态的追踪引起了广泛的关注。有效的解决知识追踪问题能够帮助教育平台精准定位学习者的学习状态，才能进一步保证推荐的正确性和有效性。目前，各种机器学习算法已经被用于分析从教育系统获得的学生交互数据。目前使用的机器学习追踪预测方法大多可以分为两类：传统贝叶斯追踪模型和深度学习追踪模型。基于传统贝叶斯的追踪模型利用隐式马尔科夫模型学习学生的知识状态。其通过使用较为严格的公式模拟知识状态转移的过程，但是贝叶斯追踪模型基于的假设恰好使得其在复杂的学习情况存在局限性。近年来以循环神经网络为代表的基于深度学习的时间序列预测模型在这方面工作中取得了优秀的表现。深度学习追踪模型能够很好的捕获学生在学习的过程中的知识状态转移的依赖关系。
然而，这两种模型都有着各自的缺点。基于贝叶斯追踪模型状态转移过程存在多种假设条件，具有很多限制，在很多的实际应用场景中也被证实效果较差。基于深度学习知识追踪模型没有利用到学习的概念在知识体系架构中的特征关系。因此，急需一种新的预测模型，结合这两类模型的优点，克服他们的缺点，从而实现更加精确的预测。
发明内容
本发明技术解决问题：针对智慧教育领域现有的系统平台设计方法设计的系统和模型对学生学习状态的动态演化预测准确率低、无法充分利用知识图谱结构信息的问题。该发明提出了一种基于课程知识图谱的智慧教育系统平台设计方法，设计系统时，采用基于异质知识图谱的知识追踪模型预测方法，结合了学生历史交互数据的时序信息和知识图谱的结构化空间信息两个方面提高了对学生知识掌握状态的预测的追确率，这使得设计的系统更科学，预测的结果更加符合真实的学习状况。
本发明的技术方案为：一种基于课程知识图谱的智慧教育系统平台设计方法，包括如下步骤：
步骤一、搭建学生端和教师端，以及构建服务器端；学生端用于学生用户日常课程活动，包括在线作业模块、在线练习模块，教师端用于教师布置作业和公告、对学生数据进行分析；学生端和教师端共用登录系统平台，课程问答社区、构建课程知识图谱；系统服务器端用于学生端和教师端的数据传输和处理；
步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；
步骤三、构建知识图谱，根据课程的大纲要求、PPT课件以及课本内容梳理课程的知识图谱，并根据学生对于课程知识单元的掌握程度对知识图谱进行可视化，将构建的知识图谱存储在服务器端的数据库中；
步骤四、构建预测模块，包括：将学生历史交互数据与知识图谱相结合，构建基于异质图的知识追踪模型；所述的知识追踪模型指的是使用循环神经网络各种变体学习学生历史交互数据中的时序依赖关系，并通过利用知识图谱对每一个概念产生的空间特征信息和时序依赖相结合，从而实现对学生的知识掌握程度的预测，将预测模块部署在服务器端；
步骤五、构建学习推荐模块，其基于系统平台对学生对知识掌握程度的追踪模型产生的结果，通过知识图谱为学生用户提供个性化推荐的学习路线，并且智能生成不同难度的试卷，分别用于巩固、复习和提高不同要求的学习计划。
本发明相对于现有技术的优点和效果：
相比现有的技术，本发明提供的一种基于课程知识图谱的智慧教育系统平台设计方法，设计过程中，能够考虑实际的课程大纲、课件以及课程书籍等内容，帮助学生和老师及时反应课程学习状态，此外，本发明设计方法采用的数据处理模型在知识追踪任务中的预测误差降低了，可以更好地追踪和预测学生在学习的过程中对知识状态的掌握程度。
附图说明
图1为本发明构建课程教育平台推荐试题流程图；
图2为本发明基于异质知识图谱的知识追踪预测模型的原理图；
图3为本发明整个系统部署架构图；
图4为本发明的系统框图。
具体实施方式
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清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明适用于智慧教育大数据平台对学生用户的知识状态的追踪和预测。通过将教育平台的学生历史时序交互数据和机器学习方法结合起来，模型可以学习到交互数据中的时序依赖和异质知识图谱的空间特征，并对学生用户的下一时刻的知识掌握状态进行预测。
根据本发明的一个实施例，一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，包括如下步骤：
步骤一、搭建学生端和教师端，以及构建服务器端，学生端用于学生用户日常课程活动，包括在线作业模块、在线练习模块，教师端用于教师布置作业和公告、对学生数据进行分析；学生端和教师端共用登录系统平台，课程问答社区、构建课程知识图谱；系统服务器端用于学生端和教师端的数据传输和处理；
步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；
步骤三、构建知识图谱，根据课程的大纲要求、PPT课件以及课本内容梳理课程的知识图谱，并根据学生对于课程知识单元的掌握程度对知识图谱进行可视化，将构建的知识图谱存储在服务器端的数据库中；
步骤四、构建预测模块，包括：将学生历史交互数据与知识图谱相结合，构建基于异质图的知识追踪模型；所述的知识追踪模型指的是使用循环神经网络各种变体学习学生历史交互数据中的时序依赖关系，并通过利用知识图谱对每一个概念产生的空间特征信息和时序依赖相结合，从而实现对学生的知识掌握程度的预测，将预测模块部署在服务器端；
步骤五、构建学习推荐模块，其基于系统平台对学生对知识掌握程度的追踪模型产生的结果，通过知识图谱为学生用户提供个性化推荐的学习路线，并且智能生成不同难度的试卷，分别用于巩固、复习和提高不同要求的学习计划。
进一步的，所述步骤一，采用web模块化模型设计，采用B/S架构搭建学生端和教师端，以及构建服务器端，其包括数据库层、业务逻辑层、数据分析层和表现层；
所述步骤一，所述在线作业模块包括作业发布单元、作业提交单元以及作业批改单元，所述的作业发布单元支持在线试卷类型以及在线PDF文件类型两种发布方式，并将作业通过推送的方式通知学生用户；所述的作业提交单元提供学生端用于在线提交作业，支持提交状态保存；所述的作业批改单元用于整理和批阅上交的作业，能够对主观题进行自动批阅，具有帮助教师用户快速定位到没有批改的习题的功能，并且学生端能够看到系统平台对错题的标注和统计。
所述步骤二，作业提交单元能够通过大数据埋点，记录学生历史交互数据，包括完成时间、习题频率、做题顺序，习题耗时、习题收藏标注、答案是否申请优秀。
所述步骤三，所述构建知识图谱包括以下步骤：
步骤3.1：根据课程大纲、课程PPT、课程书籍内容梳理课程概念之间的依赖关系，并且每个课程概念都具有四种描述，分别为自然语言定义、数学描述、逻辑描述和计算描述；
步骤3.2：将系统内容每一个相关课程资源对应的知识点进行标注得到资源-概念之间的三元关系；所述的课程资源包括课件、视频以及题目；
步骤3.3：根据概念-概念、资源-概念之间的关系，得到由课程知识点主导的课程异质知识图谱；
步骤4.4：web端利用neo4j存储知识图谱所需图数据，并结合D3.js进行web端可视化展示。
所述步骤四，所述基于异质图的知识追踪模型的实现步骤为：
步骤4.1：从智慧教育系统平台导出一个阶段的学生历史交互数据Xt＝{x1,x2,…,xt}，其中xt＝{et,pt}为练习表现对，et表示在t时刻学生用户的习题索引，pt表示在t时刻该习题的布尔值结果；
步骤4.2：知识图谱节点预处理，对每一个图谱中的节点vi进行特征处理得到其空间特征表示对于概念节点，其包括概念索引、答案、评论、反馈等；对于习题节点，其包括题目内容、题目示意图、题目索引；涉及索引信息使用独热向量进行表示，文本信息使用Par2Vec处理为一维向量，图片信息使用CNN模型进行处理为一维向量；并且对于同一个节点，其具有多种特征种类，在其中使用BI-LSTM以提高特征的表达能力，最后使用平均池化层输出该节点的空间特征预处理向量；
步骤4.3：将从教育系统平台收集的学生历史交互数据打乱后，前80％的学生数据用作训练集，10％用作验证集去调整知识追踪模型的超参数；最后10％的数据用于测试集去测试知识追踪模型的预测性能；
步骤4.4：使用训练集中的数据对知识追踪模型进行训练，使用循环神经网络变体(GRU)学习时间序列中的时序依赖关系；对于每个时间t，GRU模型输出学生对所有概念掌握的时序隐藏层表示；
步骤4.5：对于每个时间t，结合异质知识图谱，使用图神经网络学习当前学习的概念在图中的空间特征表示，并利用门控机制调整时序特征和空间特征的平衡关系输出下一时刻的知识掌握隐状态向量；将该知识掌握隐状态向量作为全连接神经网络的输入，即可输出下一时刻该学生用于对所有概念的掌握程度的预测值；
步骤4.6：使用损失函数计算训练集中的预测值和真实值之间的误差，并使用梯度下降法来更新知识追踪模型的各个参数，重复进行训练并在验证集上计算预测值和真实值之间的误差，直到参数收敛，此时结束训练，并保存验证集上预测值和真实值误差中最小的值；
步骤4.7：将本次保存的验证集上预测值和真实值误差中最小的值和之前的实验值进行对比，跳转到步骤4.2，选择其他的超参数进行实验，直到找出效果最好的超参数组合，并将最终知识追踪模型的参数保存；
步骤4.8：在测试集上测试知识追踪模型的表现，验证预测方法有效性。
图2所示为基于异质知识图谱的知识追踪预测模型的原理：循环神经网络在处理时序数据，捕捉历史交互数据的时序依赖的工作中具有出色的表现，因此使用它来处理历史交互数据。基于循环神经网络构建的知识追踪预测模型，其运行流程可以表示为以下的步骤：
步骤1、对模型的所有权重参数以及所有知识隐藏状态H进行随机初始化；
步骤2、将t时的用户行为数据输入到循环神经网络中，得到这个时刻的隐状态h，在下一时刻，h将和t时的监测一起输入到循环神经网络中，依次得到t时刻的隐状态；
步骤3、将t+1时刻的空间特征数据与t+1时刻的隐状态通过门控机制输出并更新为新的知识状态隐向量输入到全连接神经网络中，输出t+1时刻的所有概念掌握程度数的预测值y；
步骤4、将预测值与真实值进行对比，使用损失函数来计算预测误差，若误差收敛则跳到步骤6，否则跳到步骤5；
步骤5、使用梯度下降算法来更新模型的参数，跳到步骤2；
步骤6、保存模型的参数到本地，退出训练程序。
所述步骤五，所述系统个性化推荐的学习路线的实现步骤为：
步骤5.1：通过该学生的历史交互数据得到其当前对所有概念的掌握程度，系统将掌握程度划分为四种等级，学习路径规划分为两种路径规划，分别为巩固规划和提高规划，巩固规划为学生用户提供用于巩固学生学习的推荐知识点，提高规划为学生用户提供用于提高学生对于知识点的掌握能力的推荐知识点；
步骤5.2：根据学生的历史交互数据得到其所涉及到的概念集合S，巩固规划就是通过选取概念集合S中掌握程度为一般等级的概念中选取，提高规划就是通过选取概念集合S中掌握程度为较差等级的概念中选取；
步骤5.3：根据学校课程大纲的顺序和要求，会通过比较当前概念集合S与预设课程要求中概念集合的系数进行比较，得到下一步该学生用户应该学习的知识点作为规划的学习路径。
根据本发明的一个实施例，图1所示为课程教育系统平台推荐试题流程图：智慧教育平台会对每一位学习者记录其学习过程中的行为数据，通过行为数据得到其对应的学习状态，并进一步的向学习者推荐练习题目。该流程步骤为：
步骤1、系统获取学生用户的历史信息，包含了一系列的交互数据，获取该用户所有涉及到的知识点集合S。
步骤2、根据历史交互数据，系统通过知识追踪模型得到该用户对所有概念的当前掌握状态，并将掌握状态分为四种等级，分别为较好、一般、较差和未学习。
步骤3、为了满足用户个性化的学习的需求，学生用户可以选择推荐试题的难度，分别为困难，一般和简单。推荐困难的题目适用于对用户进一步的提高练习，其中所涉及到的知识点的状态为较差。推荐简单的题目适用于对用于学习后的知识点进一步巩固，其中所涉及到的知识点的状态为较好。
步骤4、结合知识点集合S，并通过排序后得到一些列的推荐知识点。通过平台题库中习题与知识点的关系即可推荐相应的题目发送给用户端。
图3所示为本发明的整个系统部署架构图：系统部署采用的是Docker虚拟化部署，系统部署环境为Python+Django+Uwsgi+Nginx，其中Uwsgi为系统应用服务器，Nginx为系统代理服务器。为了使得各模块之间协同运行，供使用了两个Docker容器构建，第一个docker_0容器为MySQL容器，用于基础数据存储，第二个docker_1容器为Nginx容器，用于负载均衡代理服务器。了避免本地环境与线上环境的差异带来的问题，使用轻量级的系统虚拟化技术Docker无疑是一个非常明智的选择。Docker容器的启动是以秒级的速度快速运行，同时由于其不需要硬件的虚拟，能够以更加高效的方式利用系统资源，当然，最重要的就是通过Docker技术能够对系统进行定制应用镜像来实现持续集成、持续交付与部署。考虑到系统实际运行将会面临很多的学生用户，因此使用代理服务器Nginx来解决高并发连接的问题是十分合理的。相比于基于传统Select模型的Apache，Nginx不需要经常性的派生子进程，所以可以消耗更少的CPU、内存等服务器资源来完成更多的任务。当然，为了解决并发，可以使用负载均衡，也就是多增加几个uwsgi服务器。当用户访问的时候，请求可以提交到空闲的uwsgi服务器上。
本发明基于计算机科学技术和多种机器学习算法，实施需要一定编程和机器学习、深度学习基础，本方法基于Python编程语言和开源机器学习库PyTorch实现。为了验证图2所示的基于异质知识图谱的知识追踪模型，通过利用智慧教育课程平台上约1800多名学生用户历史交互数据进行实验。为了评估模型的预测能力，使用了ROC曲线下的面积指标(AUC)、预测准确度(ACC)和分类任务使用的F1Score这三个评估指标，AUC是衡量学习模型优劣的重要指标，AUC越接近1代表着方法的真实性就越高，ACC主要衡量预测得到的知识掌握程度和真实掌握水平的贴合程度。F1Score的物理意义时将精准度和召回率两个分值合并为一个分值，是衡量二分类模型精确度的一种重要指标。为了验证本方法表现比其他模型更好，本发明使用其他常用的知识追踪预测模型如贝叶斯知识追踪模型BKT、DKT和GKT等进行了对比实验，实验证明本方法的预测误差最低，预测相关性最高。并且本发明同样做了可解性的实验，证明了本发明的算法模型方法要比其他的知识追踪模型更能真实反应出知识状态的变化。
图4为本发明的软件系统架构图。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (6)
1.一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，包括如下步骤：
步骤一、搭建学生端和教师端，以及构建服务器端，学生端用于学生用户日常课程活动，包括在线作业模块、在线练习模块，教师端用于教师布置作业和公告、对学生数据进行分析；学生端和教师端共用登录系统平台，课程问答社区、构建课程知识图谱；系统服务器端用于学生端和教师端的数据传输和处理；
步骤二、在系统平台中通过大数据埋点获取学生历史交互数据通过预定长度时间内系统收集到的数据形成时序数据，将学生历史交互数据存储在服务器端的数据库中；
步骤三、构建知识图谱，根据课程的大纲要求、PPT课件以及课本内容梳理课程的知识图谱，并根据学生对于课程知识单元的掌握程度对知识图谱进行可视化，将构建的知识图谱存储在服务器端的数据库中；
步骤四、构建预测模块，包括：将学生历史交互数据与知识图谱相结合，构建基于异质图的知识追踪模型；所述的知识追踪模型指的是使用循环神经网络各种变体学习学生历史交互数据中的时序依赖关系，并通过利用知识图谱对每一个概念产生的空间特征信息和时序依赖相结合，从而实现对学生的知识掌握程度的预测，将预测模块部署在服务器端；
步骤五、构建学习推荐模块，其基于系统平台对学生对知识掌握程度的追踪模型产生的结果，通过知识图谱为学生用户提供个性化推荐的学习路线，并且智能生成不同难度的试卷，分别用于巩固、复习和提高不同要求的学习计划；
所述步骤四，所述基于异质图的知识追踪模型的实现步骤为：
步骤4.1：从智慧教育系统平台导出一个阶段的学生历史交互数据，其中/>为练习表现对，/>表示在/>时刻学生用户的习题索引，/>表示在/>时刻该习题的布尔值结果；
步骤4.2：知识图谱节点预处理，对每一个图谱中的节点进行特征处理得到其空间特征表示/>；对于概念节点，其包括概念索引、答案、评论、反馈；对于习题节点，其包括题目内容、题目示意图、题目索引；涉及索引信息使用独热向量进行表示，文本信息使用Par2Vec处理为一维向量，图片信息使用CNN模型进行处理为一维向量；并且对于同一个节点，其具有多种特征种类，在其中使用BI-LSTM以提高特征的表达能力，最后使用平均池化层输出该节点的空间特征预处理向量；
步骤4.3：将从教育系统平台收集的学生历史交互数据打乱后，前80%的学生数据用作训练集，10%用作验证集去调整知识追踪模型的超参数；最后10%的数据用于测试集去测试知识追踪模型的预测性能；
步骤4.4：使用训练集中的数据对知识追踪模型进行训练，使用循环神经网络变体（GRU）学习时间序列中的时序依赖关系；对于每个时间，GRU模型输出学生对所有概念掌握的时序隐藏层表示；
步骤4.5：对于每个时间，结合异质知识图谱，使用图神经网络学习当前学习的概念在图中的空间特征表示，并利用门控机制调整时序特征和空间特征的平衡关系输出下一时刻的知识掌握隐状态向量；将该知识掌握隐状态向量作为全连接神经网络的输入，即可输出下一时刻该学生用于对所有概念的掌握程度的预测值；
步骤4.6：使用损失函数计算训练集中的预测值和真实值之间的误差，并使用梯度下降法来更新知识追踪模型的各个参数，重复进行训练并在验证集上计算预测值和真实值之间的误差，直到参数收敛，此时结束训练，并保存验证集上预测值和真实值误差中最小的值；
步骤4.7：将本次保存的验证集上预测值和真实值误差中最小的值和之前的实验值进行对比，跳转到步骤4.2，选择其他的超参数进行实验，直到找出效果最好的超参数组合，并将最终知识追踪模型的参数保存；
步骤4.8：在测试集上测试知识追踪模型的表现，验证预测方法有效性。
2.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，所述步骤一，采用web模块化模型设计，采用B/S架构搭建学生端和教师端，以及构建服务器端，其包括数据库层、业务逻辑层、数据分析层和表现层。
3.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，所述步骤一，所述在线作业模块包括作业发布单元、作业提交单元以及作业批改单元，所述的作业发布单元支持在线试卷类型以及在线PDF文件类型两种发布方式，并将作业通过推送的方式通知学生用户；所述的作业提交单元提供学生端用于在线提交作业，支持提交状态保存；所述的作业批改单元用于整理和批阅上交的作业，能够对主观题进行自动批阅，具有帮助教师用户快速定位到没有批改的习题的功能，并且学生端能够看到系统平台对错题的标注和统计。
4.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，所述步骤二，作业提交单元能够通过大数据埋点，记录学生历史交互数据，包括完成时间、习题频率、做题顺序，习题耗时、习题收藏标注、答案是否申请优秀。
5.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，所述步骤三，所述构建知识图谱包括以下步骤：
步骤3.1：根据课程大纲、课程PPT、课程书籍内容梳理课程概念之间的依赖关系，并且每个课程概念都具有四种描述，分别为自然语言定义、数学描述、逻辑描述和计算描述；
步骤3.2：将系统内容每一个相关课程资源对应的知识点进行标注得到资源-概念之间的三元关系；所述的课程资源包括课件、视频以及题目；
步骤3.3：根据概念-概念、资源-概念之间的关系，得到由课程知识点主导的课程异质知识图谱；
步骤4.4：web端利用neo4j存储知识图谱所需图数据，并结合D3.js进行web端可视化展示。
6.根据权利要求1所述的一种基于课程知识图谱的智慧教育系统平台设计方法，其特征在于，所述步骤五，所述个性化推荐的学习路线的实现步骤为：
步骤5.1：通过该学生的历史交互数据得到其当前对所有概念的掌握程度，系统将掌握程度划分为四种等级，学习路径规划分为两种路径规划，分别为巩固规划和提高规划，巩固规划为学生用户提供用于巩固学生学习的推荐知识点，提高规划为学生用户提供用于提高学生对于知识点的掌握能力的推荐知识点；
步骤5.2： 根据学生的历史交互数据得到其所涉及到的概念集合，巩固规划就是通过选取概念集合/>中掌握程度为一般等级的概念中选取，提高规划就是通过选取概念集合/>中掌握程度为较差等级的概念中选取；
步骤5.3： 根据学校课程大纲的顺序和要求，会通过比较当前概念集合与预设课程要求中概念集合的系数进行比较，得到下一步该学生用户应该学习的知识点作为规划的学习路径。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111292746.0A CN114020929B (zh) | 2021-11-03 | 2021-11-03 | 一种基于课程知识图谱的智慧教育系统平台设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111292746.0A CN114020929B (zh) | 2021-11-03 | 2021-11-03 | 一种基于课程知识图谱的智慧教育系统平台设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114020929A CN114020929A (zh) | 2022-02-08 |
| CN114020929B true CN114020929B (zh) | 2024-05-28 |
Family
ID=80060298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111292746.0A Active CN114020929B (zh) | 2021-11-03 | 2021-11-03 | 一种基于课程知识图谱的智慧教育系统平台设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114020929B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399006B (zh) * | 2022-03-24 | 2022-07-12 | 山东省计算中心（国家超级计算济南中心） | 基于超算的多源异构图数据融合方法及系统 |
| CN114707471B (zh) * | 2022-06-06 | 2022-09-09 | 浙江大学 | 基于超参数评估图算法的人工智能课件制作方法及装置 |
| CN116187533B (zh) * | 2022-12-29 | 2023-11-17 | 安徽宝信信息科技有限公司 | 一种基于深度学习的大数据趋势预测方法及系统 |
| CN116167605B (zh) * | 2023-04-26 | 2023-07-25 | 北京中关村科金技术有限公司 | 业务流程生成方法、装置、设备及介质 |
| CN117557425B (zh) * | 2023-12-08 | 2024-04-16 | 广州市小马知学技术有限公司 | 基于智慧题库系统的题库数据优化方法及系统 |
| CN117390091B (zh) * | 2023-12-13 | 2024-02-09 | 福建天晴数码有限公司 | 一种教育元宇宙中的知识追踪方法及终端 |
| CN117540108B (zh) * | 2024-01-10 | 2024-04-02 | 人民卫生电子音像出版社有限公司 | 基于考点数据分布式总结的智能推荐答题系统 |
| CN117892816A (zh) * | 2024-03-15 | 2024-04-16 | 徐州医科大学 | 一种基于多教学风格的学年知识图谱生成系统及方法 |
| CN117952072B (zh) * | 2024-03-22 | 2024-06-25 | 浙江蓝鸽科技有限公司 | Ai校本化英语教材编辑方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016115866A1 (zh) * | 2015-01-19 | 2016-07-28 | 深圳市时尚德源文化传播有限公司 | 一种智能终端机网络教学方法 |
| CN107145559A (zh) * | 2017-05-02 | 2017-09-08 | 吉林大学 | 基于语义技术和游戏化的智能课堂知识管理平台及方法 |
| WO2019066115A1 (ko) * | 2017-09-29 | 2019-04-04 | (주)자이네스 | 교육 플랫폼을 위한 교과목 지식체계도 구조화 방법 및 이를 제공하는 장치 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
| CN110704640A (zh) * | 2019-09-30 | 2020-01-17 | 北京邮电大学 | 一种知识图谱的表示学习方法及装置 |
| CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
| CN111831831A (zh) * | 2020-07-17 | 2020-10-27 | 广东金融学院 | 一种基于知识图谱的个性化学习平台及其构建方法 |
| CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
-
2021
- 2021-11-03 CN CN202111292746.0A patent/CN114020929B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016115866A1 (zh) * | 2015-01-19 | 2016-07-28 | 深圳市时尚德源文化传播有限公司 | 一种智能终端机网络教学方法 |
| CN107145559A (zh) * | 2017-05-02 | 2017-09-08 | 吉林大学 | 基于语义技术和游戏化的智能课堂知识管理平台及方法 |
| WO2019066115A1 (ko) * | 2017-09-29 | 2019-04-04 | (주)자이네스 | 교육 플랫폼을 위한 교과목 지식체계도 구조화 방법 및 이를 제공하는 장치 |
| CN110032651A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 一种基于知识图谱的个性化学习特征模型的建构方法 |
| CN112184500A (zh) * | 2019-07-03 | 2021-01-05 | 浙江有教信息科技有限公司 | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 |
| CN110807469A (zh) * | 2019-09-19 | 2020-02-18 | 华中师范大学 | 融合长短时记忆与贝叶斯网络的知识追踪方法及系统 |
| CN110704640A (zh) * | 2019-09-30 | 2020-01-17 | 北京邮电大学 | 一种知识图谱的表示学习方法及装置 |
| CN111831831A (zh) * | 2020-07-17 | 2020-10-27 | 广东金融学院 | 一种基于知识图谱的个性化学习平台及其构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114020929A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114020929B (zh) | 一种基于课程知识图谱的智慧教育系统平台设计方法 | |
| Fan et al. | Artificial intelligence-based creative thinking skill analysis model using human–computer interaction in art design teaching | |
| CN108172047B (zh) | 一种网络在线学习资源个性化实时推荐方法 | |
| Li | Improved fuzzy‐assisted hierarchical neural network system for design of computer‐aided English teaching system | |
| Luo et al. | The artificial intelligence and neural network in teaching | |
| Jia et al. | Research and application of artificial intelligence based integrated teaching-learning modular approach in colleges and universities | |
| Wilson et al. | Learning analytics: Negotiating the intersection of measurement technology and information technology | |
| Shan et al. | [Retracted] Research on Classroom Online Teaching Model of “Learning” Wisdom Music on Wireless Network under the Background of Artificial Intelligence | |
| Xie et al. | Virtual reality primary school mathematics teaching system based on GIS data fusion | |
| Fan et al. | Personalized recommendation algorithm for curriculum-and politics-oriented hybrid teaching resources | |
| [Retracted] Design and Implementation of Tourism Teaching System Based on Artificial Intelligence Technology | ||
| Zhao | [Retracted] Design of Comprehensive Evaluation System for College Sports Flipped Classroom Using AHP‐fuzzy Matrix | |
| Gao et al. | Evaluation method of creative dance teaching quality based on fuzzy comprehensive evaluation | |
| Wang | Development and implementation of intelligent mathematics teaching system based on individualized learning model | |
| Sun | Research on remote control method of assisted instruction based on machine learning | |
| Wang | Recommendation method of ideological and political mobile teaching resources based on deep reinforcement learning | |
| Huang et al. | Research and Design of College English Online Teaching based on Computer Aided Instruction Resource Library | |
| Wu et al. | An English Teaching Ability Assessment Method Based on Fuzzy Mean‐Shift Clustering | |
| Liu et al. | [Retracted] The English Teaching Mode under the Environment of Computer Technology | |
| Deng | Application of edge computing and artificial intelligence in English MOOC assisted teaching instruction | |
| Zhao et al. | Research on Network Teaching Collaboration Platform Using Flipped Classroom Teaching Mode | |
| Gjermeni et al. | Combining Intelligent Algorithms and E-Learning Styles to Create an Improved Intelligent System in Evaluating an E-Learning Student’s Profile | |
| Xie et al. | Design of networked and digital teaching platform based on big data | |
| Qi et al. | Action of College Chinese Education and Information Fusion Teaching Based on the Background of Big Data | |
| Yang et al. | Application of Human-Computer Interaction Technology in Remote Language Learning Platform |
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 |