CN114066252A - 基于知识编码与lfnn模型的教学资源动态分配系统 - Google Patents
基于知识编码与lfnn模型的教学资源动态分配系统 Download PDFInfo
- Publication number
- CN114066252A CN114066252A CN202111364204.XA CN202111364204A CN114066252A CN 114066252 A CN114066252 A CN 114066252A CN 202111364204 A CN202111364204 A CN 202111364204A CN 114066252 A CN114066252 A CN 114066252A
- Authority
- CN
- China
- Prior art keywords
- teaching
- knowledge
- learning
- teacher
- students
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000007596 consolidation process Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000007619 statistical method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000008451 emotion Effects 0.000 claims 2
- 238000011002 quantification Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Educational Technology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识编码与LFNN模型的教学资源动态分配系统,该系统基于控制论模型,包括专业教师与智能控制模块形成的控制者模型,以及知识编码系统、学情管理系统和教学计划系统三个子系统形成的被控制对象模型。本发明通过将知识编码引入教学,将教学内容转变为可量化的数据,基于艾宾浩斯记忆曲线,建立基于控制论模型的线上线下智慧教学系统,可精准分析学生整体与个体的过程性学情,实时调整基于科学记忆法的教学计划和个性化自主学习计划,以数据智能驱动教学,推动因材施教,提升教学效率。
Description
技术领域
本发明涉及智慧教学和教育领域,具体涉及一种基于知识编码与LFNN模型的线上线下智慧教学系统。
背景技术
智慧教学即教育信息化,是指在教育领域全面深入地运用现代信息技术来促进教育改革与发展的过程,有望大幅提升教学效率与大规模的因材施教。其中,教育信息化及其应用创新是推进智慧教育的技术关键。目前,推进智慧教育的主要问题在于:1.教育信息化在教学中的应用模式;2.教师在智慧教学中的重新定位;3.涉及智能教、学、管、评的智慧教学系统化设计。
为全面提高人才培养能力,以学生发展为中心,促进学生自主学习能力的培养,线上线下混合式教学集成了线上教学与传统面授式线下教学的优点而规避两者的不足,成为教学模式改革创新的热点。混合式教学具备教学内容、形式、时间与空间灵活的特点,在提升学生自主学习能力方面有显著优势。目前,混合式教学存在的核心问题是如何避免形式化混合而实现深度融合。造成混合式教学形式化的主要原因有:1.混合目标不明确;2.课时分配依据不明确;3.缺少线上与线下的有机连结;4.学生独立的自主学习实现难度大,完成度受限。
发明内容
为解决上述问题,本发明专利提供一种系统化设计的基于知识编码与艾宾浩斯记忆曲线的线上线下智慧教学系统,目的在于深度融合线上线下教育,基于知识编码和艾宾浩斯记忆曲线,精准设计高效的教学进程与教学方案,精准分析学生整体与个体的过程性学情,建立基于控制论模型,以专业教师和智能控制模块实时调整基于科学记忆法的教学计划和个性化自主学习计划,以数据智能驱动教学,以学生为中心,以教师为调控者、引导者,推动大规模的因材施教,提升教学效率,培养学生的自主学习能力。
本发明提供了如下技术方案:
本发明基于控制论模型,包括专业教师与智能控制模块组成的控制者模型,以及知识编码系统、学情管理系统和教学计划系统三个子系统组成的被控制对象模型。教师与智能控制模块负责接收反馈信息,对三个子系统的状态、参数产生控制作用,三个子系统相互作用,紧密联系。
知识编码系统负责教学知识的微观分解与分级量化,以集中化策略进行知识编码,是与学情分析、教学进程、集体教学计划、自主学习计划等模块建立智能映射关系的基础,由教师与智能控制模块调控。
教学计划系统负责教学内容、教学形式、教学进程的规划,基于艾宾浩斯记忆曲线和知识编码系统智能生成教学计划,根据学情管理系统的反馈,由专业教师与智能控制模块实时调整教学计划。
学情管理系统负责精准输出以知识微观基元为单位的学情分析,基于教学计划系统对学生的学习情况从主观和客观两方面进行统计分析,基于知识编码系统精准到微观知识点分析学情,反馈至专业教师与智能控制模块。
该系统面向的用户包含教师和学生两种类型。教师端功能包括登录建档、知识库管理、教学日历管理、班级管理、智慧题库管理和教学资源库管理。学生端功能包括登录建档、浏览知识库、浏览教学日历、浏览教学资源库、线上自测、学情分析、学情分析。
教师端的知识库管理功能基于知识编码系统,专业教师登录建档后,可以编辑修改知识分级与重要程度、难度评级,删除或增加知识基元。
教师端的教学日历管理功能基于教学计划系统,专业教师输入线下授课开始结束时间、周期、总课时数、特殊课时节点,系统自动生成基于艾宾浩斯记忆曲线的线上线下教学日历方案,展示微观分解的知识基元与相应教学形式。
教师端的班级管理功能包含班级学生清单、班级整体学情评价、学生个体学情评价。
教师端的智慧题库管理功能包含学生线上自测模块的题量和难度设置,智能试卷功能的题量、难度、章节比例设置,以及上传新的题目,勾选关联知识点信息,由系统端专家审核后正式加入智慧题库。
教师端的教学资源库管理功能包含下载教学资源、上传新的教学资源,由系统端专家审核后正式加入教学资源库,设置教学资源的权限开放条件。
学生端的登录建档功能实现一人一档,根据学生个体的学情,系统自适应地智能调整自主学习方案。其中,学生个体在线上自测中,单个知识点对应的题目正确率在90%以上定义为掌握情况好,单个知识点对应的题目正确率在60%以下定义为掌握情况差,自测平均成绩在班级排名前15%的学生定义为学习情况好。
学生端的浏览知识库功能,可以让学生掌握该课程的整体知识分布构架,了解各个知识点的组成、重要程度与难度评级。
学生端的浏览教学日历功能,可以让学生了解学习进程和学习任务,在专业教师和系统的引导下进行集体学习和自主学习。
学生端的浏览教学资源库功能,包括视频观看、案例学习和绘制知识网络的预习、复习任务。
学生端的线上自测功能基于教学计划系统的智慧题库模块,自测结果反馈至学情管理系统的客观学情模块,学生在学情分析功能中,教师在班级管理功能中能看到该客观学情分析。
学生端的学情分析功能,包含主观学情统计和浏览学情分析功能,一方面,线下授课后,在主观学情统计展现该日授课知识点,学生可选择难以掌握的知识基元,自评结果反馈至学情管理系统的主观学情模块,结合客观学情模块,用于智能调整教学计划;另一方面,学生可浏览过程性的个体学情和班级整体学情,让学生了解自己的学习情况,以促进学生有目的性地学习,激发学生学习兴趣。
本发明的有益效果
本系统中,知识编码系统、学情管理系统和教学计划系统三个子系统相互作用,紧密联系,知识编码系统对知识进行微观分解与分级量化,以集中化策略进行知识编码;控制方法包括反馈控制和前馈控制,反馈控制根据系统的输出反馈对系统进行动态控制和调整,使被控对象值接近系统期望值,根据学生的教学反馈,事后对教学计划进行调整,前馈控制利用编码特征大小和历史修正按照特定控制规律直接对被控对象进行调整,属于预先控制。教学计划系统以知识编码系统为基础,基于艾宾浩斯记忆曲线,根据知识微观基元的属性特征,输出教学进程安排、集体教学与自主学习的教学内容与方式;学情管理系统以知识编码系统为基础,精准输出以知识微观基元为单位的学情分析。被控制者对象模型的输出结果经反向传输通道反馈至控制者模型,由专业教师与系统的智能控制模块调整三个子系统的相关参数,以获得更高的教学效率。本发明通过将知识编码引入教学,将教学内容转变为可量化的数据,基于艾宾浩斯记忆曲线,建立基于控制论模型的线上线下智慧教学系统,可精准分析学生整体与个体的过程性学情,实时调整基于科学记忆法的教学计划和个性化自主学习计划,以数据智能驱动教学,推动因材施教,提升教学效率。
附图说明
图1是本发明的系统模型图;
图2是本发明基于艾宾浩斯记忆曲线的单个知识点多次巩固计划案例示意图;
图3是本发明的功能结构图。
具体实施方式
结合附图与实施例对本发明进行说明。
如图1所示,一种基于知识编码与LFNN(Learning and forgetting neuralnetwork)模型的教学资源动态分配系统,该系统基于控制论模型,包括专业教师与智能控制模块形成的控制者模型,以及知识编码系统、学情管理系统和教学计划系统三个子系统形成的被控制对象模型。三个子系统相互作用,紧密联系。所述系统流程主要如下:
S1:专业教师根据教学经验,对照教材、教案、教学大纲等材料对教学知识进行分解,形成章、节、知识大点、知识小点等多级知识。
S2:以难度和重要程度为分级指标,对最小的知识基元进行量化分级。难度分为1-3级,判断难度的标准主要依据知识基元的认知深度和综合程度,1级难度的知识基元以记忆为主,需要理解的少/易于理解,记忆内容量一般,学生完全可以自学,2级难度的知识基元以理解为主或需要记忆的内容量较大,3级难度的知识基元包含多个知识点的综合理解、计算与记忆。重要程度也分为1-3级,判断重要程度的分级标准主要依据教学大纲中课程目标对毕业要求指标点的支撑关系。最终,根据难度与和重要程度评级生成知识基元的权重值。
S3:对量化分级的教学知识进行集中编码策略,将教学知识以高度简洁的数字、字母形式编码,编码中包含知识的级别、从属、重要程度和难度信息。例如,第一章第一节第一个知识大点第一个知识基元的重要程度为3级,难度为2级,则可编码为A1B1C1D1Z3N2。知识编码系统由教师与智能控制模块调控,根据学情管理系统的反馈,由专业教师与智能控制模块根据设定规则智能协同调整知识的难度评级,由专业教师依据教学大纲调控知识重要程度评级。
S4:如图2所示,是本发明基于艾宾浩斯记忆曲线的单个知识点多次巩固计划案例示意图。基于艾宾浩斯记忆曲线,以12小时、1天、4天、7天、30天、45天、60天和90天为初始巩固周期,将线上自主学习学时与线下集体教学学时交替排布,形成线上线下学时进程表。形成原始网络函数y=f(x)。
S5:教学计划系统与知识编码系统的知识基元权重值连接,教师根据知识编码系统选择该学期课程的教学内容,建立知识基元权重值与时间权重值之间的映射关系,依据时间权重值和线下学时进程表,按比例分配进入线下学时作为第一次上课内容。再建立知识基元权重值与巩固周期、次数和教学形式之间的映射关系,智能排入线上线下学时进程表,并由教师最终微调确认,微调行为被智能控制模块记录并学习。
S6:集体教学模块包含常规教学形式(讲授、提问、课堂练习与讲解、启发式案例教学)和特殊教学形式(测验、项目式案例研讨、期中考试、期末考试)。常规教学形式与知识编码系统的知识基元权重值和巩固周期连接自动生成,特殊教学形式对应的学时由专业教师选定,选定后,常规教学进程由智能控制模块自适应调整。自主学习模块涉及教学形式为:观看视频、线上自测、自主绘制知识网络、线上项目式案例研讨,包括智慧题库和教学资源库两个子模块。智慧题库与知识编码系统连接,由专业教师确定每个题目包含的知识基元,将题目编码与包含知识基元的编码关联,题目的难度和重要程度权重值由所包含知识基元数量以及知识基元的综合权重值确定。线上自测环节,根据教学进程表中当天线上自测需要巩固的知识点,教师设定的线上自测题量和难度初始值,自动生成自测试题。自测结果反馈至学情管理系统,统计分析后反馈至专业教师与智能控制模块,由智能控制模块负责学生个体的自主学习模块的学习计划调整,并提供班级整体学生的知识基元难度评级调整以及集体教学模块的教学计划调整方法,由专业教师最终确定。期中考试和期末考试,根据教师设定的试卷难度、章节占比、题型和题量,自动生成随机试题,考试结果导入系统后,反馈至学情管理系统,形成基于知识基元的班级整体和学生个体考情分析,分别反馈至教师与学生个体。教学资源库与知识编码系统连接,包含教学视频、知识图谱、应用案例、思政案例,根据资源类型与关联的知识编码,向学生开放相关的教学资源。
S7:学情管理系统包括主观学情、客观学情、班级整体学情和学生个体学情四个模块。主观学情由学生自主勾选前一次线下授课内容知识点中难以掌握的知识点,勾选数量限制由专业教师设定。客观学情由教学计划系统中的线上自测、期中测验反馈结果统计分析得到。班级整体学情由班级所有学生的主观和客观学情统计分析得到。学生个体学情由学生个体的主观和客观学情统计分析得到,一人一档。学情管理系统与知识编码系统和教学计划系统关联,班级整体学情与知识编码系统的知识基元难度评级和教学计划系统的巩固次数调控关联,大部分学生掌握较差的知识基元将整体提升难度评级,增加巩固次数。学生个体学情与教学计划系统的自主学习模块关联,掌握较差的知识基元将增加自主学习计划内的巩固次数,掌握较好的知识基元将相应减少巩固次数。学习情况较好的学生个体将由智能控制模块智能降低自主学习时间并提升自主学习难度。
根据S4中的原始网络函数y=f(x),定义状态转移模型为多阶段决策问题模型,编排过程可分为多个相互联系的阶段,当前阶段策略依赖于前期策略,且影响以后的总体效果,每个阶段策略选定后,构成一个决策序列,LKNN模型目的是寻找该收益最好的决策序列。
定义如下假设:
总阶段(课时数)n,v为课程日数,w为单课程日课时数,n=v*w,
每个阶段的序号为k,k=1,2,3...n,
第k阶段的开始状态为sk,假设第k课时前编排知识点A1和A2,记为sk={A1,A2},
第k阶段的决策为为uk(sk),假设第k课时编排知识点B1和B2,记为uk(sk)={B1,B2},
最终策略序列{u1(s1),u2(s2)…un(sn)},
第k阶段子策略记为pk,n(sk),
总阶段知识点数量m,
每个知识点序号为j,j=1,2,3...m,
知识点收益为S,
知识点重要性为I,
知识点难度为D,
每个知识点权重为W,初始权重为W=1,
定义S[j]=W[j]*D[j]*I[j],
存在艾宾浩斯记忆曲线函数g(k),知识点收益随阶段变化,则:
S[j,k]=W[j]*D[j]*I[j]*g(k),
设f[j,k]表示将前i个知识点放入前k个课时得到的最大化收益
则pk,n(sk)的状态转移方程为f[j,k]=max{f[j-1,k],f[j-1][k-1]+S[j,k]}
递归可得全模型评价函数S=S[n,m],针对该评价函数由学生样本分为训练集和预测集,将原评级体系1-9归一化到[0,1]区间,将网络预测值与学生预测集样本进行欧几里得距离计算,得到相关性系数,将各节课相关性系数按一维向量进行排列得到向量k,计算k的长度,即为LFNN的评价函数。
LFNN通过优化课程编排的数学模型,设计了一种基于神经网络的自动学情反馈算法,用于课程编排决策过程。该算法可以判断课程难度,课程重要性,并自动根据学生个体情况进行定制化调整。此外,在课程编排中,还考虑了艾宾浩斯记忆曲线方法。基于Jaccard系数和神经网络方法,解决了课程编排控制系统中由传统引起的"计算量"和"强化记忆"问题。
S8:如图3所示,本发明所述的一种基于知识编码与LFNN(Learning andforgetting neural network)模型的教学资源动态分配系统,面向的用户包含教师和学生两种类型。教师端功能包括登录建档、知识库管理、教学日历管理、班级管理、智慧题库管理和教学资源库管理。学生端功能包括登录建档、浏览知识库、浏览学习进程、浏览学习任务、主观学情统计、线上自测、浏览学情分析、浏览教学资源库。教师端知识库管理基于知识编码系统,专业教师登录建档后,可以编辑修改知识分级与重要程度、难度评级,删除或增加知识基元。
S9:教师端教学日历管理基于教学计划系统,专业教师输入线下授课开始结束时间、周期、总课时数、特殊课时节点,系统自动生成基于艾宾浩斯记忆曲线的线上线下教学日历方案,展示微观分解的知识基元与相应教学形式。教师端班级管理模块包含班级学生清单、班级整体学情评价、学生个体学情评价。所述的智慧题库管理包含学生线上自测模块的题量和难度设置,智能试卷功能的题量、难度、章节比例设置,以及上传新的题目,勾选关联知识点信息,由系统端专家审核后正式加入智慧题库。教师端教学资源库管理包含下载教学资源、上传新的教学资源,由系统端专家审核后正式加入教学资源库,设置教学资源的权限开放条件。
S10:学生端功能中,登录建档后,一人一档,根据学生个体的学情,系统自适应地智能调整自主学习方案。学生可浏览知识库,掌握该课程的整体知识分布构架,了解各个知识点的组成、重要程度与难度评级。可浏览学习进程和学习任务,在专业教师和系统的引导下进行集体学习和自主学习。学生可浏览教学资源库,完成包括视频观看、案例学习和绘制知识网络的预习、复习任务。所述的学生端线上自测基于教学计划系统的智慧题库模块,自测结果反馈至学情管理系统的客观学情模块。线下授课后,通过主观学情统计,自我评估难以掌握的知识基元,反馈至学情管理系统的主观学情模块,结合客观学情模块,用于智能调整教学计划。学生可浏览过程性的个体学情和班级整体学情,让学生了解自己的学习情况,以利于学生有目的性地学习,激发学生学习兴趣。
以上描述仅为本发明的较佳实施例以及对基本原理与特性的基本说明,本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于知识编码与LFNN模型的教学资源动态分配系统,其特征在于,该系统基于控制论模型,抽象为LFNN模型,包括专业教师与智能控制模块组成的控制者模型,以及知识编码系统、学情管理系统和教学计划系统三个子系统组成的被控制对象模型;
所述的教师与智能控制模块负责接收反馈信息,对三个子系统的状态、参数产生控制作用;
所述的知识编码系统负责教学知识的微观分解与分级量化,以集中化策略进行知识编码,是与学情分析、教学进程、集体教学计划、自主学习计划等模块建立智能映射关系的基础,由教师与智能控制模块调控;
所述的教学计划系统负责教学内容、教学形式、教学进程的规划,基于艾宾浩斯记忆曲线和知识编码系统智能生成教学计划,根据学情管理系统的反馈,由专业教师与智能控制模块实时调整教学计划;
所述的学情管理系统负责精准输出以知识微观基元为单位的学情分析,基于教学计划系统对学生的学习情况从主观和客观两方面进行统计分析,基于知识编码系统精准到微观知识点分析学情,反馈至专业教师与智能控制模块。
2.根据权利要求1所述的系统,其特征在于,所述知识编码系统由知识微观分解、分级量化以及编码三部分组成:教学知识的微观分解由专业教师根据教学经验,对照教材、教案、教学大纲等材料进行分解,形成包括章、节、知识大点、知识小点的多级知识,以最小的知识基元为单位,以难度和重要程度为分级指标,根据教学大纲中课程目标对毕业要求指标点的支撑关系,对各知识基元的重要程度进行量化评级,根据知识的认知深度和综合程度对知识的难度进行分级量化,由难度与和重要程度评级生成知识基元的权重值;对分级量化的教学知识进行集中编码策略,将教学知识以高度简洁的数字、字母形式编码,编码中包含知识的级别、从属、重要程度和难度信息。
3.根据权利要求1所述的系统,其特征在于,所述知识编码系统由教师与智能控制模块调控具体为,根据学情管理系统的反馈,由专业教师与智能控制模块根据设定规则智能协同调整知识的难度评级,由专业教师根据教学大纲调控知识重要程度评级。
4.根据权利要求1所述的系统,其特征在于,所述教学计划系统由教学进程、集体教学模块和自主学习模块三部分组成;
所述的教学进程描述为:基于艾宾浩斯记忆曲线,以12小时、1天、4天、7天、30天、45天、60天和90天为初始巩固周期,将线上自主学习学时与线下集体教学学时交替排布,形成线上线下学时进程表;
教学计划系统与知识编码系统的知识基元权重值连接,教师根据知识编码系统选择该学期课程的教学内容,所选教学知识基元依据权重值确定针对各个知识基元的巩固周期、次数和教学形式,智能排入线上线下学时进程表,并由教师最终微调确认,微调行为被智能控制模块记录并学习;
所述的集体教学模块包含常规教学形式,包括讲授、提问、课堂练习与讲解、启发式案例教学;和特殊教学形式,包括测验、项目式案例研讨、期中考试、期末考试;常规教学形式与知识编码系统的知识基元权重值和巩固周期连接自动生成,特殊教学形式对应的学时由专业教师选定,选定后,常规教学进程由智能控制模块自适应调整;
所述的自主学习模块涉及教学形式为:观看视频、线上自测、自主绘制知识网络、线上项目式案例研讨,包括智慧题库和教学资源库两个子模块;
所述智慧题库与知识编码系统连接,由专业教师确定每个题目包含的知识基元,将题目编码与包含知识基元的编码关联,题目的难度和重要程度权重值由所包含知识基元数量以及知识基元的综合权重值确定;
所述的线上自测,根据教学进程表中当天线上自测需要巩固的知识点,教师设定的线上自测题量和难度初始值,自动生成自测试题;自测结果反馈至学情管理系统,统计分析后反馈至专业教师与智能控制模块,由智能控制模块负责学生个体的自主学习模块的学习计划调整,并提供班级整体学生的知识基元难度评级调整以及集体教学模块的教学计划调整方法,由专业教师最终确定;
所述的期中考试和期末考试,根据教师设定的试卷难度、章节占比、题型和题量,自动生成随机试题,考试结果导入系统后,反馈至学情管理系统,形成基于知识基元的班级整体和学生个体考情分析,分别反馈至教师与学生个体;
所述的教学资源库与知识编码系统连接,包含教学视频、知识图谱、应用案例、思政案例,根据资源类型与关联的知识编码,向学生开放相关的教学资源。
5.根据权利要求4所述的系统,其特征在于,所述的形成线上线下学时进程表具体步骤为:
首先形成原始网络函数y=f(x),定义状态转移模型为多阶段决策问题模型,编排过程分为多个相互联系的阶段,当前阶段策略依赖于前期策略,且影响以后的总体效果,每个阶段策略选定后,构成一个决策序列,LKNN模型目的是寻找该收益最好的决策序列;定义如下假设:
总阶段n为课时数,v为课程日数,w为单课程日课时数,n=v*w,
每个阶段的序号为k,k=1,2,3...n,
第k阶段的开始状态为sk,假设第k课时前编排知识点A1和A2,记为sk={A1,A2},
第k阶段的决策为为uk(sk),假设第k课时编排知识点B1和B2,记为uk(sk)={B1,B2},
最终策略序列{u1(s1),u2(s2)...un(sn)},
第k阶段子策略记为pk,n(sk),
总阶段知识点数量m,
每个知识点序号为j,j=1,2,3...m,
知识点收益为S,
知识点重要性为I,
知识点难度为D,
每个知识点权重为W,初始权重为W=1,
定义S[j]=W[j]*D[j]*I[j],
存在艾宾浩斯记忆曲线函数g(k),知识点收益随阶段变化,则:
S[j,k]=W[j]*D[j]*I[j]*g(k),
设f[j,k]表示将前i个知识点放入前k个课时得到的最大化收益,
则pk,n(sk)的状态转移方程为f[j,k]=max{f[j-1,k],f[j-1][k-1]+S[j,k]},
递归可得全模型评价函数S=S[n,m],针对该评价函数由学生样本分为训练集和预测集,将原评级体系1-9归一化到[0,1]区间,将网络预测值与学生预测集样本进行欧几里得距离计算,得到相关性系数,将各节课相关性系数按一维向量进行排列得到向量k,计算k的长度,即为LFNN的评价函数。
6.根据权利要求1所述的系统,其特征在于,所述的学情管理系统包括主观学情、客观学情、班级整体学情和学生个体学情四个模块;
所述的主观学情由学生自主勾选前一次线下授课内容知识点中难以掌握的知识点,勾选数量限制由专业教师设定;
所述的客观学情由教学计划系统中的线上自测、期中测验反馈结果统计分析得到;
所述的班级整体学情由班级所有学生的主观和客观学情统计分析得到;
所述的学生个体学情由学生个体的主观和客观学情统计分析得到,一人一档。
7.根据权利要求6所述的系统,其特征在于,所述的学情管理系统与知识编码系统和教学计划系统关联,班级整体学情与知识编码系统的知识基元难度评级和教学计划系统的巩固次数调控关联,学生掌握情况差的知识基元将整体提升难度评级,增加巩固次数;其中:单个知识点对应的题目正确率在90%以上定义为掌握情况好,单个知识点对应的题目正确率在60%以下定义为掌握情况差;
所述的学生个体学情与教学计划系统的自主学习模块关联,掌握差的知识基元将增加自主学习计划内的巩固次数,掌握好的知识基元将相应减少巩固次数;学习情况好的学生个体将由智能控制模块智能降低自主学习时间并提升自主学习难度;自测平均成绩在班级排名前15%的学生定义为学习情况好。
8.根据权利要求1所述的系统,其特征在于,该系统面向的用户包含教师和学生两种类型:教师端功能包括登录建档、知识库管理、教学日历管理、班级管理、智慧题库管理和教学资源库管理;学生端功能包括登录建档、浏览知识库、浏览教学日历、浏览教学资源库、线上自测、学情分析、学情分析。
9.根据权利要求8所述的系统,其特征在于,所述的教师端知识库管理基于知识编码系统,专业教师登录建档后,具备编辑修改知识分级与重要程度、难度评级,删除或增加知识基元权限;
所述的教师端教学日历管理基于教学计划系统,专业教师输入线下授课开始结束时间、周期、总课时数、特殊课时节点,系统自动生成基于艾宾浩斯记忆曲线的线上线下教学日历方案,展示微观分解的知识基元与相应教学形式;
所述的教师端班级管理模块包含班级学生清单、班级整体学情评价、学生个体学情评价;所述的智慧题库管理包含学生线上自测模块的题量和难度设置,智能试卷功能的题量、难度、章节比例设置,以及上传新的题目,勾选关联知识点信息,由系统端专家审核后正式加入智慧题库;
所述的教师端教学资源库管理包含下载教学资源、上传新的教学资源,由系统端专家审核后正式加入教学资源库,设置教学资源的权限开放条件。
10.根据权利要求8所述的系统,其特征在于,所述的学生端功能中,登录建档后,一人一档,根据学生个体的学情,系统自适应地智能调整自主学习方案;学生具备浏览知识库,掌握该课程的整体知识分布构架,了解各个知识点的组成、重要程度与难度评级的权限;学生具备浏览教学日历,了解学习进程和学习任务,在专业教师和系统的引导下进行集体学习和自主学习的权限;学生具备浏览教学资源库,完成包括视频观看、案例学习和绘制知识网络的预习、复习任务的权限;
所述的学生端线上自测基于教学计划系统的智慧题库模块,自测结果反馈至学情管理系统的客观学情模块;所述的学情分析功能,包含主观学情统计和浏览学情分析功能,一方面,线下授课后,通过主观学情统计,自我评估难以掌握的知识基元,反馈至学情管理系统的主观学情模块,结合客观学情模块,用于智能调整教学计划;另一方面,学生浏览过程性的个体学情和班级整体学情,让学生了解自己的学习情况,以利于学生有目的性地学习,激发学生学习兴趣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364204.XA CN114066252A (zh) | 2021-11-17 | 2021-11-17 | 基于知识编码与lfnn模型的教学资源动态分配系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111364204.XA CN114066252A (zh) | 2021-11-17 | 2021-11-17 | 基于知识编码与lfnn模型的教学资源动态分配系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066252A true CN114066252A (zh) | 2022-02-18 |
Family
ID=80277532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111364204.XA Pending CN114066252A (zh) | 2021-11-17 | 2021-11-17 | 基于知识编码与lfnn模型的教学资源动态分配系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066252A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100912A (zh) * | 2022-08-09 | 2022-09-23 | 广州市锐星信息科技有限公司 | 一种基于大数据的教学活动设计系统 |
CN115879701A (zh) * | 2022-11-24 | 2023-03-31 | 读书郎教育科技有限公司 | 一种基于智慧课堂的课堂时长自适应调整系统 |
TWI811026B (zh) * | 2022-07-15 | 2023-08-01 | 葉德源 | 自主數位學習評量系統及方法 |
CN116932488A (zh) * | 2023-09-15 | 2023-10-24 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
-
2021
- 2021-11-17 CN CN202111364204.XA patent/CN114066252A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI811026B (zh) * | 2022-07-15 | 2023-08-01 | 葉德源 | 自主數位學習評量系統及方法 |
CN115100912A (zh) * | 2022-08-09 | 2022-09-23 | 广州市锐星信息科技有限公司 | 一种基于大数据的教学活动设计系统 |
CN115100912B (zh) * | 2022-08-09 | 2023-12-08 | 广州市锐星信息科技有限公司 | 一种基于大数据的教学活动设计系统 |
CN115879701A (zh) * | 2022-11-24 | 2023-03-31 | 读书郎教育科技有限公司 | 一种基于智慧课堂的课堂时长自适应调整系统 |
CN115879701B (zh) * | 2022-11-24 | 2023-11-14 | 读书郎教育科技有限公司 | 一种基于智慧课堂的课堂时长自适应调整系统 |
CN116932488A (zh) * | 2023-09-15 | 2023-10-24 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
CN116932488B (zh) * | 2023-09-15 | 2024-01-09 | 之江实验室 | 基于知识图谱的课件生成方法、装置、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akram et al. | Predicting students’ academic procrastination in blended learning course using homework submission data | |
CN114066252A (zh) | 基于知识编码与lfnn模型的教学资源动态分配系统 | |
Kolfschoten et al. | The collaboration engineering approach for designing collaboration processes | |
Lindahl et al. | A strategic view of University timetabling | |
Hossain et al. | Fuzzy cognitive map modelling educational software adoption | |
Lowrey et al. | Predictors of convergence curricula in journalism and mass communication programs | |
Birbas et al. | School timetabling for quality student and teacher schedules | |
US20130022953A1 (en) | Method and platform for optimizing learning and learning resource availability | |
Anderson | Moving change: Evolutionary perspectives on educational change | |
Yasari et al. | A two-stage stochastic programming approach for a multi-objective course timetabling problem with courses cancelation risk | |
AdrianChin et al. | JomDataMining: academic performance and learning behaviour dubious relationship | |
Park et al. | Adaptive or adapted to: Sequence and reflexive thematic analysis to understand learners' self‐regulated learning in an adaptive learning analytics dashboard | |
Redding et al. | Expertise in air traffic control (ATC): What is it, and how can we train for it? | |
Xie et al. | Learning behavior analysis using clustering and evolutionary error correcting output code algorithms in small private online courses | |
Schweder et al. | Interest, flow and learning strategies how the learning context affects the moderating function of flow | |
Fiallos et al. | Discrete event simulation for student flow in academic study periods | |
Tan et al. | An intelligent tool for early drop-out prediction of distance learning students | |
Owens | Competency-based experiential-expertise and future adaptive learning systems | |
OROZOVA et al. | Generalized net model for dynamic decision making and prognoses | |
Amburgey et al. | Using business intelligence in college admissions: a strategic approach | |
Gunadhi et al. | PACE: a planning advisor on curriculum and enrolment | |
Klimov et al. | Timetable Model for Self Regulated Learning Based on Student Agent Level Restrictions Resolving | |
Anderson et al. | Indonesia Network Infrastructures and Workforce Adequacy to Implement Machine Learning for Large-Scale Manufacturing | |
Wang et al. | Research on the Reform of English Precision Teaching in Colleges and Universities Facilitated by Artificial Intelligence Technology | |
Yevtushenko et al. | Using Artificial Intelligence Technologies to Predict and Identify the Educational Process. |
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 |