CN114492848B - 一种兼容多学习模型的自适应学习系统、方法及应用 - Google Patents

一种兼容多学习模型的自适应学习系统、方法及应用 Download PDF

Info

Publication number
CN114492848B
CN114492848B CN202210036326.4A CN202210036326A CN114492848B CN 114492848 B CN114492848 B CN 114492848B CN 202210036326 A CN202210036326 A CN 202210036326A CN 114492848 B CN114492848 B CN 114492848B
Authority
CN
China
Prior art keywords
learning
student
knowledge point
unit
mastering
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
CN202210036326.4A
Other languages
English (en)
Other versions
CN114492848A (zh
Inventor
王怡然
王�琦
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.)
Chengdu Heyuan Meizhi Education Technology Co ltd
Original Assignee
Chengdu Heyuan Meizhi Education 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 Chengdu Heyuan Meizhi Education Technology Co ltd filed Critical Chengdu Heyuan Meizhi Education Technology Co ltd
Priority to CN202210036326.4A priority Critical patent/CN114492848B/zh
Publication of CN114492848A publication Critical patent/CN114492848A/zh
Application granted granted Critical
Publication of CN114492848B publication Critical patent/CN114492848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明涉及机器学习技术领域，公开了一种兼容多学习模型的自适应学习系统，学生属性模块、多学习模型模块和智能算法和推送模块。学生属性模块包括学生基本信息单元和全知识点掌握参数列表单元；多学习模型模块包括学习分类标签单元和学习遗忘曲线单元；智能算法及推送模块包括知识点掌握参数列表遍历单元、复习推送优先级单元和加权平均知识点获取最终优先级排序单元。本发明还公开了一种兼容多学习模型的自适应学习方法及应用。本发明用于将学习模型融入在在线学习产品的考核中，并精准匹配学生的最优学习路径。

Description

一种兼容多学习模型的自适应学习系统、方法及应用
技术领域
本发明涉及机器学习技术领域，具体地说，是一种兼容多学习模型的自适应学习系统、方法及应用，用于将学习模型融入在在线学习产品的考核中，并精准匹配学生的最优学习路径。
背景技术
在传统的在线学习中，判断学生对该知识点的掌握情况仍沿用了传统的做题判断正误的方式，只是将过往练习册或试卷里的试题搬至线上，传统的在线学习的批改方式以及对学生的评估方式并未产生本质变化。传统的对学生练习的批改及评估方式与学生的实际真实能力之间存在很大误差，对学生的真正学习能力的评估非常笼统。这也就意味着，当下的在线学习也沿袭了传统线下学习中，对学生真实学习能力评估的不准确。
因此，为了解决上述问题，本发明提供了优化的科学化的学习模型来评估学生对知识点的掌握情况，同时将学习模型融入在在线学习产品的考核中，能够对学习者的学习能力有更准确的评估。
发明内容
本发明的目的在于提供一种兼容多学习模型的自适应学习系统、方法及应用，实现将学习模型融入在在线学习产品的考核中，并精准匹配学生的最优学习路径的功能，具有对学习者的学习能力有更准确评估的效果。
本发明通过下述技术方案实现：一种兼容多学习模型的自适应学习系统，包括学生属性模块、多学习模型模块和智能算法和推送模块；
所述学生属性模块包括学生基本信息单元和全知识点掌握参数列表单元；
所述多学习模型模块包括学习分类标签单元和学习遗忘曲线单元；
所述智能算法及推送模块包括知识点掌握参数列表遍历单元、复习推送优先级单元和加权平均知识点获取最终优先级排序单元；
所述学生基本信息单元用于学生进入自适应学习系统后自动匹配学生的基本信息；
所述全知识点掌握参数列表单元用于为学生匹配优先级位于前列的知识点；
所述分类标签单元用于学生参与题库内不同教学的交互练习；
所述学习遗忘曲线单元用于结合遗忘曲线模型，来判断学生真实的掌握参数；
所述复习推送优先级单元用于更新学生知识点的复习推送优先级；
所述加权平均知识点获取最终优先级排序单元用于将所有知识点的掌握情况进行加权平均，得到最终的优先级排序。
在本技术方案中，对一个知识点的真正理解与掌握包含多个层级的考量因素，而这些层级构成了学习者在学习过程中的递进掌握程度：第一层，也是最基础的底层掌握是对知识点的相关“记忆”；第二层对掌握程度的评判是“理解”；第三层是“应用”；第四层是“分析”；第五层是“综合”；第六层是“评价”。我们将这六个层级定义为学生的学习分类层级，它同时也对应了更准确评估学生学习情况的学习模型。除此之外，常见的学习模型也包括了遗忘曲线等其它函数拟合模型。而这类学习模型却未曾融入在线学习产品的考核中，因此，如何将多个学习模型融入自适应学习系统，提升系统对学生学习能力判断的准确度，进而为学生更精准推送最优学习路径是本发明的重点讨论方向。
为了更好地实现本发明，进一步地，学生的基本信息包括学生性别、学生年龄、学生年级和学生所在区域。
为了更好地实现本发明，进一步地，全知识点掌握参数列表单元包括学生的参数列表：
所述学生的参数列表为二维矩阵M=(node_1, node_2, node_3, ..., node_N)，其中node_N为自适应学习系统内第N个知识点的编码；
每个知识点所对应的掌握参数列表为一维矩阵node_N=(m, m_BA1,m_ BA2,m_BA3, ..., m_BA6)，其中，m为所述知识点的整体m值，BA代表学生的学习分类标签中的6个层级：知识记忆、理解、应用、分析、综合、评价，BA1至BA6分别表示这6个不同层级，m_BA表示每项层级的掌握参数m值，m的初始值均为0。
为了更好地实现本发明，进一步地，分类标签单元中学生的每项练习都包含对应的学习分类标签。
为了更好地实现本发明，进一步地，学习遗忘曲线单元包括遗忘曲线模型；
所述遗忘曲线模型表示为b=100k/[c*log(t)+k]，其中k=1.48，c=1.25，t为间隔的时间；
根据遗忘曲线模型获取新的掌握参数。
为了更好地实现本发明，进一步地，本发明还提供了一种兼容多学习模型的自适应学习方法，包括以下步骤：
步骤S1.学生初始进入自适应学习系统时，系统自动为其匹配初始值为0的全知识点掌握参数列表，此时学生的参数列表为二维矩阵M=(node_1, node_2, node_3, ...,node_N)，其中node_N为自适应学习系统内第N个知识点的编码；每个知识点所对应的掌握参数列表为一维矩阵node_N=(m, m_BA1,m_ BA2,m_ BA3, ..., m_BA6)，其中，m为所述知识点的整体m值，BA代表学生的学习分类标签中的6个层级：知识记忆、理解、应用、分析、综合、评价，BA1至BA6分别表示这6个不同层级，m_BA表示每项层级的掌握参数m值，m的初始值均为0；
步骤S2.根据全知识点掌握参数列表单元内的参数，自适应学习系统自动为学生匹配优先级位于前列的知识点；
步骤S3.对于被推送的知识点，学生参与题库内的不同教学交互练习，这些交互练习同时存有学习模型分类标签；
步骤S4.采集学生所有交互数据，并判断学生在此知识点上的掌握参数m，以及在不同学习模型分类中的参数m_BA，并对学生的全知识点掌握参数列表进行更新；
步骤S5.遍历所述学生的知识点掌握参数列表，比较每个知识点中的m与临界值m*之间的大小，结合学习遗忘曲线，判断是否需要更新此知识点的复习推送优先级；
步骤S6.将所有知识点的掌握情况进行加权平均，获取最终的优先级排序。
为了更好地实现本发明，进一步地，步骤S2包括：
步骤S21.在二维矩阵M初始值为0的情况下，系统依据学生的基本信息，调取后台智能算法，对所述生进行初次学习内容推送；
步骤S22.在二维矩阵M被更新的次数大于等于1时，系统依据M矩阵内的具体数据，调取后台智能算法，对所述学生进行后续学习内容的推送。
为了更好地实现本发明，进一步地，步骤S3包括：
步骤S31.学生进入此知识点时，需参与所述知识点题库内的相关教学交互练习，题库内的练习数量n，介于范围[5, 10)之间；
步骤S32.每项练习会依据所述练习的具体操作，重复2至3次类似的练习；
步骤S33.每项练习都包含相对应的学习分类标签。
为了更好地实现本发明，进一步地，步骤S4包括：
步骤S41.对于每个知识点中的每个交互练习的每次重复，采集学生相应的学习行为数据；
步骤S42.每个不同的交互练习在重复了2或3次练习后，都由各自独有的测评模型来判断并量化学生在所述项练习中的掌握情况参数m_n；
步骤S43.在学生操作完所述知识点题库中的n项练习后，系统会依据每项交互练习中的掌握参数m_n，进一步加权平均生成所述知识点的整体掌握参数m。
步骤S44.同时，从学习分类的维度，为每个层级生成自己的掌握参数m_BA1、m_BA2、m_BA3、m_BA4、m_BA5和m_BA6；
步骤S45.将从步骤S43生成的所述学生在此知识点的整体掌握参数m，和从步骤S44生成的所述知识点中每个学习分类层级的掌握参数m_BA都存入所述知识点的掌握参数列表node_N，以进行更新。
为了更好地实现本发明，进一步地，步骤S5包括：
步骤S51.在所述知识点的学习结束后，在生成新的最优学习路径之前，系统会遍历所有已学知识点，调取它们各自最新的整体掌握参数m；
步骤S52.将m值与临界值m*进行比较，其中m*为可激发复习状态的系统内通用的核心设定参数；
步骤S53.如果m < m*，则后台算法会提升这个知识点的推送优先等级；
步骤S54.如果m >= m*，则后台算法将结合遗忘曲线更新m值；
步骤S55.根据遗忘曲线b=100k/[c*log(t)+k]，其中k=1.48，c=1.25，t为间隔的时间，获取新的掌握参数为b*m；
步骤S56.重复步骤S52至步骤S53，假如m值仍大于临界值m*，则保持这个知识点原有的整体掌握参数。
本发明与现有技术相比，具有以下优点及有益效果：
（1）本发明兼容了学习分类的6个层级，并在每次采集数据、生成掌握参数时，为每个知识点的学习分类层级BA1, BA2, BA4, ..., BA5也生成相应掌握参数，便于后续更准确推断学生的学习效果，并进行更有效的学习路径推送；
（2）同时兼顾了学习模型与掌握参数之间的关联，从而能更准确判断知识点复习的激发条件。
附图说明
本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种兼容多学习模型的自适应学习系统的结构示意图。
图2为本发明提供的一种兼容多学习模型的自适应学习方法的流程图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，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、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例的一种兼容多学习模型的自适应学习系统，如图1所示，包括学生属性模块、多学习模型模块和智能算法及推送模块；
所述学生属性模块包括学生基本信息单元和全知识点掌握参数列表单元；
所述多学习模型模块包括学习分类标签单元和学习遗忘曲线单元；
所述智能算法及推送模块包括知识点掌握参数列表遍历单元、复习推送优先级单元和加权平均知识点获取最终优先级排序单元。
在本实施例中，现在的传统在线学习产品中并未融入在线学习产品，因此，如何将多个学习模型融入自适应学习系统，提升系统对学生学习能力判断的准确度，进而为学生更精准推送最优学习路径是本发明的重点讨论方向。本发明将两种学习模型：学习分类标签（知识记忆、理解、应用、分析、综合、评价）及学习模型，如学习遗忘曲线模型融合于自适应学习系统内，从而更清晰判断学习者在知识点不同学习等级中的掌握情况，结合该学习者的遗忘曲线判断需复习的知识点优先级，并结合智能算法推算出学生的最优学习路径中下一个需新学习或复习的知识点。
实施例2：
本实施例在实施例1的基础上做进一步优化，学生的基本信息包括学生性别、学生年龄、学生年级和学生所在区域。不同的学生年龄、学生年级和学生所在区域对应的学生的知识点有所不同，通过更全面的学生的基本信息，能够更有针对性地为每类学生样本中的每位学生提供个性化的教学服务。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在实施例1的基础上做进一步优化，全知识点掌握参数列表单元包括学生的参数列表，在学生的掌握参数得到更新后，系统将遍历所有已学过的知识点，并比较这些知识点的整体掌握参数m与临界值m*之间的大小，通过学生的参数列表从而更大限度提升自适应系统对不同学习习惯的学生的适配性。同时有助于更好的将多个学习模型融入自适应学习系统。在本实施例中，我们将第一层，也是最基础的底层掌握是对知识点的相关“记忆”；第二层对掌握程度的评判是“理解”；第三层是“应用”；第四层是“分析”；第五层是“综合”；第六层是“评价”，这六个层级定义为学生的学习分类层级，它同时也对应了更准确评估学生学习情况的学习模型。除此之外，常见的学习模型也包括了遗忘曲线等其它函数拟合模型。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例4：
本实施例在实施例1的基础上做进一步优化，分类标签单元中学生的每项练习都包含对应的学习分类标签，对每个知识点而言，学习分类标签能更准确评估学生在学习分类层级模型中在各个层级上的掌握情况，便于后期我们对学生在不同层级上的表现情况作出客观准确评估。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例5：
本实施例在实施例1的基础上做进一步优化，学习遗忘曲线单元包括遗忘曲线模型，本实施例中学习模型不仅仅包括遗忘曲线模型，有更适配和精度更高的学习模型出现时，本发明将更新最合适的学习模型。本发明能够将多个学习模型融入自适应学习系统，提升系统对学生学习能力判断的准确度，进而为学生更精准推送最优学习路径。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例6：
本实施例提供了一种兼容多学习模型的自适应学习方法，如图2所示，包括：步骤S1.学生初始进入自适应学习系统时，系统自动为其匹配初始值为0的全知识点掌握参数列表；
步骤S2.根据全知识点掌握参数列表单元内的参数，自适应学习系统自动为学生匹配优先级位于前列的知识点；
步骤S3.对于被推送的知识点，学生参与题库内的不同教学交互练习，这些交互练习同时存有学习模型分类标签；
步骤S4.采集学生所有交互数据，并判断学生在此知识点上的掌握参数m，以及在不同学习模型分类中的参数m_BA，并对学生的全知识点掌握参数列表进行更新；
步骤S5.遍历所述学生的知识点掌握参数列表，比较每个知识点中的m与临界值m*之间的大小，结合学习遗忘曲线，判断是否需要更新此知识点的复习推送优先级；
步骤S6.将所有知识点的掌握情况进行加权平均，获取最终的优先级排序。
在本实施例中学生初次进入自适应学习系统后，学生的知识点掌握参数列表初始值均为0，接着推送优先级位于前列的知识点，此时的此知识点题库中记载了题库序号、重复轮次和BA等级，接着采集所有学生交互数据，依据不同教学内容的模型，测算此学生对此知识点掌握参数m，以及在不同学习模型分类中的参数m_BA，更新此学生的知识点掌握列表，遍历该生的知识点掌握参数列表，比较m和m*的大小关系，判断m是否小于m*，如果是，更新此知识点的复习推送优先级，再依据后台算法，对每个知识点的学习进行加权平均，得到最终的优先级排序，如果否，结合遗忘曲线，更新m值，判断m是否小于m*，如果是，更新此知识点的复习推送优先级，再依据后台算法，对每个知识点的学习进行加权平均，得到最终的优先级排序，如果否，依据后台算法，对每个知识点的学习进行加权平均，得到最终的优先级排序。
实施例7：
本实施例在实施例6的基础上做进一步优化，在本实施例中，通过两次学习内容的推送便于后期我们对学生在不同层级上的表现情况作出客观准确评估。
本实施例的其他部分与实施例6相同，故不再赘述。
实施例8：
本实施例在实施例6的基础上做进一步优化，对每个知识点而言，为了更准确评估学生在学习分类层级模型中在各个层级上的掌握情况，我们需要为每个知识点设计5-10个相关教学互动练习，每个互动练习需要简单重复2、3次以达到足够多的数据采集样本量。同时，我们将每个教学交互练习归类为学习分类层级中的某一个或多个层级，便于后期我们对学生在不同层级上的表现情况作出客观准确评估。
本实施例的其他部分与实施例6相同，故不再赘述。
实施例9：
本实施例在实施例6的基础上做进一步优化，在学生参与教学互动练习，并由系统自动采集所有交互数据后，系统会依据每个交互练习的独有评估模型，评测出学生在每个练习上的掌握程度m_n，并加权平均得出这个知识点的整体掌握参数m。同时，对于每个学习分类层级，我们也计算出它们所对应的掌握参数m_BA，便于我们准确评估学生在每个层级上的掌握情况。
本实施例的其他部分与实施例6相同，故不再赘述。
实施例10：
本实施例在实施例6的基础上做进一步优化，在学生的掌握参数得到更新后，系统将遍历所有已学过的知识点，并比较这些知识点的整体掌握参数m与临界值m*之间的大小。临界值m*的具体数值由系统设计者依据系统难度以及对学生的考核标准而制定。在我们过往应用中，m*通常设定为0.65。当m<m*时，表示学生对该知识点的掌握情况低于我们的考核标准，所以需要提升该知识点需要复习的权重。
在m>m*的情况下，系统会结合遗忘曲线模型，来判断学生真实的掌握参数。
遗忘曲线b=100k/[c*log(t)+k]，其中k=1.48，c=1.25，t为间隔的时间，则新的掌握参数为：b*m，将其与m*再次进行比较，并相应更新这个知识点是否需要调整复习功能的权重。
本实施例的其他部分与实施例6相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (9)

1.一种兼容多学习模型的自适应学习系统，其特征在于，包括学生属性模块、多学习模型模块和智能算法和推送模块；
所述学生属性模块包括学生基本信息单元和全知识点掌握参数列表单元；
所述多学习模型模块包括学习分类标签单元和学习遗忘曲线单元；
所述智能算法及推送模块包括知识点掌握参数列表遍历单元、复习推送优先级单元和加权平均知识点获取最终优先级排序单元；
所述学生基本信息单元用于学生进入自适应学习系统后自动匹配学生的的基本信息；
所述全知识点掌握参数列表单元用于根据学生基本信息单元中学生的基本信息为学生匹配优先级位于前列的知识点；
所述分类标签单元用于结合学生基本信息单元中学生的基本信息和全知识点掌握参数列表单元为学生匹配的前列知识点为学生参与的题库提供不同教学的交互练习；
所述学习遗忘曲线单元用于结合学生基本信息、全知识点掌握参数列表单元、分类标签单元和遗忘曲线模型，来判断学生真实的掌握参数；
所述复习推送优先级单元用于结合学生实际全知识点掌握参数列表单元及学习遗忘曲线单元更新学生知识点的复习推送优先级；
所述加权平均知识点获取最终优先级排序单元用于将所有知识点的掌握情况进行加权平均，得到最终的优先级排序；
所述全知识点掌握参数列表单元包括学生的参数列表：
所述学生的参数列表为二维矩阵M=(node_1,node_2,node_3,...,node_N)，其中node_N为自适应学习系统内第N个知识点的编码；
每个知识点所对应的掌握参数列表为一维矩阵node_N=(m, m_BA1,m_BA2,m_BA3,...,m_BA6)，其中，m为所述知识点的整体m值，BA代表学生的学习分类标签中的6个层级：知识记忆、理解、应用、分析、综合、评价，BA1至BA6分别表示这6个不同层级，m_BA表示每项层级的掌握参数m值，m的初始值均为0。
2.根据权利要求1所述的一种兼容多学习模型的自适应学习系统，其特征在于，所述学生的基本信息包括学生性别、学生年龄、学生年级和学生所在区域。
3.根据权利要求1所述的一种兼容多学习模型的自适应学习系统，其特征在于，所述分类标签单元中学生的每项练习都包含对应的学习分类标签。
4.根据权利要求1所述的一种兼容多学习模型的自适应学习系统，其特征在于，所述学习遗忘曲线单元包括遗忘曲线模型；
所述遗忘曲线模型表示为b=100k/[c*log(t)+k]，其中k=1.48，c=1.25，t为间隔的时间；
根据遗忘曲线模型获取新的掌握参数。
5.一种兼容多学习模型的自适应学习方法，其特征在于，包括以下步骤：
步骤S1.学生初始进入自适应学习系统时，系统中的全知识点掌握参数列表单元自动为其匹配初始值为0的全知识点掌握参数列表，此时学生的参数列表为二维矩阵M=(node_1, node_2, node_3, ..., node_N)，其中node_N为自适应学习系统内第N个知识点的编码；每个知识点所对应的掌握参数列表为一维矩阵node_N=(m, m_BA1,m_ BA2,m_ BA3,..., m_BA6)，其中，m为所述知识点的整体m值，BA代表学生的学习分类标签中的6个层级：知识记忆、理解、应用、分析、综合、评价，BA1至BA6分别表示这6个不同层级，m_BA表示每项层级的掌握参数m值，m的初始值均为0；
步骤S2.根据全知识点掌握参数列表单元内的参数，自适应学习系统自动为学生匹配优先级位于前列的知识点；
步骤S3.对于被推送的知识点，学生参与题库内的不同教学交互练习，这些交互练习同时存有学习分类标签单元的学习模型分类标签；
步骤S4.采集学生所有交互数据，并判断学生在此知识点上的掌握参数m，以及在不同学习模型分类中的参数m_BA，并对学生的全知识点掌握参数列表进行更新；
步骤S5.遍历所述学生的知识点掌握参数列表，比较每个知识点中的m与临界值m*之间的大小，结合学习遗忘曲线，判断是否需要更新此知识点的复习推送优先级；
步骤S6.将所有知识点的掌握情况进行加权平均，获取最终的优先级排序。
6.根据权利要求5所述的一种兼容多学习模型的自适应学习方法，其特征在于，所述步骤S2包括：
步骤S21.在二维矩阵M初始值为0的情况下，系统依据学生的基本信息，调取后台智能算法，对所述生进行初次学习内容推送；
步骤S22.在二维矩阵M被更新的次数大于等于1时，系统依据M矩阵内的具体数据，调取后台智能算法，对所述学生进行后续学习内容的推送。
7.根据权利要求5所述的一种兼容多学习模型的自适应学习方法，其特征在于，所述步骤S3包括：
步骤S31.学生进入此知识点时，需参与所述知识点题库内的相关教学交互练习，题库内的练习数量n，介于范围[5, 10)之间；
步骤S32.每项练习会依据所述练习的具体操作，重复2至3次类似的练习；
步骤S33.每项练习都包含相对应的学习分类标签。
8.根据权利要求5所述的一种兼容多学习模型的自适应学习方法，其特征在于，所述步骤S4包括：
步骤S41.对于每个知识点中的每个交互练习的每次重复，采集学生相应的学习行为数据；
步骤S42.每个不同的交互练习在重复了2或3次练习后，都由各自独有的测评模型来判断并量化学生在所述项练习中的掌握情况参数m_n；
步骤S43.在学生操作完所述知识点题库中的n项练习后，系统会依据每项交互练习中的掌握参数m_n，进一步加权平均生成所述知识点的整体掌握参数m；
步骤S44.同时，从学习分类的维度，为每个层级生成自己的掌握参数m_BA1、m_BA2、m_BA3、m_BA4、m_BA5和m_BA6；
步骤S45.将从步骤S43生成的所述学生在此知识点的整体掌握参数m，和从步骤S44生成的所述知识点中每个学习分类层级的掌握参数m_BA都存入所述知识点的掌握参数列表node_N，以进行更新。
9.根据权利要求5所述的一种兼容多学习模型的自适应学习方法，其特征在于，所述步骤S5包括：
步骤S51.在所述知识点的学习结束后，在生成新的最优学习路径之前，系统会遍历所有已学知识点，调取它们各自最新的整体掌握参数m；
步骤S52.将m值与临界值m*进行比较，其中m*为可激发复习状态的系统内通用的核心设定参数；
步骤S53.如果m < m*，则后台算法会提升这个知识点的推送优先等级；
步骤S54.如果m >= m*，则后台算法将结合遗忘曲线更新m值；
步骤S55.根据遗忘曲线b=100k/[c*log(t)+k]，其中k=1.48，c=1.25，t为间隔的时间，获取新的掌握参数为b*m；
步骤S56.重复步骤S52至步骤S53，假如m值仍大于临界值m*，则保持这个知识点原有的整体掌握参数。
CN202210036326.4A 2022-01-13 2022-01-13 一种兼容多学习模型的自适应学习系统、方法及应用 Active CN114492848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210036326.4A CN114492848B (zh) 2022-01-13 2022-01-13 一种兼容多学习模型的自适应学习系统、方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210036326.4A CN114492848B (zh) 2022-01-13 2022-01-13 一种兼容多学习模型的自适应学习系统、方法及应用

Publications (2)

Publication Number Publication Date
CN114492848A CN114492848A (zh) 2022-05-13
CN114492848B true CN114492848B (zh) 2023-06-02

Family

ID=81512339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210036326.4A Active CN114492848B (zh) 2022-01-13 2022-01-13 一种兼容多学习模型的自适应学习系统、方法及应用

Country Status (1)

Country Link
CN (1) CN114492848B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116506A (zh) * 2020-09-02 2020-12-22 上海松鼠课堂人工智能科技有限公司 对知识点掌握程度进行测量的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7052277B2 (en) * 2001-12-14 2006-05-30 Kellman A.C.T. Services, Inc. System and method for adaptive learning
CN107067849B (zh) * 2017-04-21 2020-10-30 杭州博世数据网络有限公司 基于云教学平台的家长端系统
CN107122452A (zh) * 2017-04-26 2017-09-01 中国科学技术大学 时序化的学生认知诊断方法
CN108062733A (zh) * 2017-11-23 2018-05-22 吉林大学 基于艾宾浩斯遗忘曲线和网络题库的教学方法
CN109299882A (zh) * 2018-10-11 2019-02-01 四川生学教育科技有限公司 一种成绩分析、诊断预测和学习资源推送方法及平台
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
CN110991645B (zh) * 2019-11-18 2024-03-29 广东宜学通教育科技有限公司 一种基于知识模型的自适应学习方法、系统及存储介质
CN112016767A (zh) * 2020-10-09 2020-12-01 北京高思博乐教育科技股份有限公司 学习路线的动态规划方法及装置
CN113434563A (zh) * 2021-07-12 2021-09-24 北京高思博乐教育科技股份有限公司 自适应学习路径推荐中的强化学习方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116506A (zh) * 2020-09-02 2020-12-22 上海松鼠课堂人工智能科技有限公司 对知识点掌握程度进行测量的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数据分析的初中生自适应学习系统的设计与开发;袁霄;陈俊文;沈一峰;王永固;;中国教育信息化(第10期);全文 *

Also Published As

Publication number Publication date
CN114492848A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN107274020B (zh) 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法
CN112508334B (zh) 融合认知特性及试题文本信息的个性化组卷方法及系统
Kurt Intelligent tutoring systems for continuous, embedded assessment
CN111079836B (zh) 基于伪标签方法和弱监督学习的过程数据故障分类方法
CN111858906B (zh) 习题推荐方法、装置、电子设备及计算机可读存储介质
CN112699283B (zh) 试卷生成方法及装置
CN109272160A (zh) 分数预测系统及预测方法
CN114579760A (zh) 一种基于学生错题知识点自适应阶段学习系统
CN110543995A (zh) 一种基于模糊算法的学生认知水平的测试评定系统
CN111191726A (zh) 一种基于弱监督学习多层感知器的故障分类方法
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及系统
CN114429212A (zh) 智能学习知识能力跟踪方法、电子设备及存储介质
CN114049240A (zh) 基于学生在线学习数据智能推荐题目及学习路径的方法
CN117574201A (zh) 基于多工业模型的模型训练方法、装置、设备和存储介质
CN113869569A (zh) 一种基于决策树的学习成绩预测及个性化干预的方法
CN114492848B (zh) 一种兼容多学习模型的自适应学习系统、方法及应用
CN109635869A (zh) 在线学习干预系统
CN115205072A (zh) 一种面向长周期测评的认知诊断方法
CN108921434A (zh) 一种通过人机交互完成用户能力预测的方法
CN114936281A (zh) 基于大数据的试题动态分类方法、装置、设备及存储介质
CN114925610A (zh) 一种学习者知识结构与水平建模方法、系统、设备及终端
CN113919983A (zh) 试题画像方法、装置、电子设备和存储介质
CN113763767A (zh) 学习试题推送方法、装置、计算机设备和存储介质
Gorin et al. Test design with higher order cognition in mind
CN112001536A (zh) 基于机器学习的中小学数学能力点缺陷极小样本高精度发现方法

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